في مارس من هذا العام، شبكة بلوكشين L1 قابلة للتوسعةArtelaأطلقت EVM++، تحديثًا يستهدف جيل التنفيذ التالي لتقنية طبقة تنفيذ EVM. يرمز الحرف الأول '+' في EVM++ إلى 'القابلية للتوسعة'، والتي تتم من خلال تكنولوجيا Aspect لدعم المطورين في إنشاء برامج مخصصة في سلسلة الكتل. يمكن لهذه البرامج التعاون مع EVM لتوفير تمديدات مخصصة ذات أداء عالٍ لتطبيقات الذكاء الاصطناعي. يرمز الحرف الثاني '+' إلى 'القابلية للتوسعة'، والتي تتم من خلال تقنيات التنفيذ المتوازي وتصميم مساحة الكتلة المرنة، مما يعزز بشكل كبير قدرة وكفاءة معالجة الشبكة.

ويب أسمبلي (WASM) هو تنسيق رمز ثنائي فعال قادر على تحقيق سرعات تنفيذ قريبة من الأصلية في متصفحات الويب، مما يجعله مناسبًا بشكل خاص للتعامل مع المهام الحاسوبية المكثفة مثل الذكاء الاصطناعي ومعالجة البيانات الكبيرة.

أمس، أطلقت أرتيلا الورقة البيضاءشرح كيفية تعزيز قابلية توسيع سلسلة الكتل من خلال تطوير مكدسات التنفيذ المتوازية وإدخال مساحة كتلة مرنة استنادًا إلى مبادئ الحوسبة المرنة.

أهمية المعالجة المتوازية

في الجهاز الظاهري لإثريوم التقليدي (EVM) ، يجب أن تكون جميع عمليات العقد الذكية وانتقالات الحالة متسقة عالميًا عبر الشبكة. يتطلب ذلك من جميع العقد تنفيذ نفس المعاملات بنفس الترتيب ، حتى إذا كانت بعض المعاملات ليست لها تبعيات فعلية بينها. يؤدي هذا إلى المعالجة التسلسلية ، مما يتسبب في تأخيرات وفشل غير ضروري.

يسمح المعالجة الموازية لعدة معالجات أو أنوية حاسوبية بتنفيذ مهام حسابية متعددة أو معالجة البيانات بشكل متزامن، مما يعزز بشكل كبير كفاءة المعالجة ويقلل من وقت التنفيذ، خاصة بالنسبة لمشاكل الحوسبة الكبيرة أو المعقدة التي يمكن تقسيمها إلى مهام مستقلة. يوسع معالج EVM الموازي أو يعزز المعالج التقليدي EVM من خلال تمكين تنفيذ متزامن لعدة عقود ذكية أو استدعاءات وظائف العقد، مما يزيد من إجمالي كمية مرور الشبكة والكفاءة. بالإضافة إلى ذلك، يحسن كفاءة التنفيذ مقارنة بالتنفيذ بخيط واحد. الميزة الرئيسية لـ معالج EVM الموازي هي تمكين التطبيقات اللامركزية من تحقيق أداء يُقارن بأداء الإنترنت.

شبكة Artela وEVM++

Artela هو L1 الذي يعزز قابلية التوسع والأداء لـ EVM من خلال إدخال EVM++. يرقى EVM++ بطبقة التنفيذ EVM ، ويدمج مرونة EVM مع أداء WASM العالي. تدعم هذه الآلة الافتراضية المحسنة المعالجة المتوازية والتخزين الفعال ، مما يتيح تشغيل تطبيقات أكثر تعقيدًا وتطلب أداءً على Artela. لا تدعم EVM++ فقط العقود الذكية التقليدية ولكنها تسمح أيضًا بإضافة وتنفيذ ديناميكي لوحدات عالية الأداء على السلسلة ، مثل وكلاء الذكاء الاصطناعي ، والتي يمكن أن تعمل كمعالجات تعاونية في السلسلة بشكل مستقل أو تشارك مباشرة في الألعاب في السلسلة ، مما يخلق NPC قابل للبرمجة حقًا.

تضمن Artela أن يمكن تحجيم قوة حواسيب عقد الشبكة بشكل مرن وفقًا للطلب من خلال تصميمها للتنفيذ المتوازي. بالإضافة إلى ذلك، تدعم عقد المحققين التوسيع الأفقي، مما يسمح للشبكة بضبط حجم العقد الحاسوبية تلقائيًا بناءً على الحمل الحالي أو الطلب. يتم تنسيق عملية التوسيع هذه بواسطة بروتوكول مرن لضمان توافر موارد الحوسبة الكافية في شبكة الاتفاق. من خلال ضمان قوة الحوسبة المتوسعة من خلال الحوسبة المرنة، تحقق Artela مساحة كتل مرنة، مما يُتيح لتطبيقات الويب اللامركزية الكبيرة التقدم بطلب للحصول على مساحة كتل مستقلة بناءً على الاحتياجات المحددة. هذا لا يلبي فقط الحاجة إلى توسيع مساحة الكتل العامة ولكنه يضمن أيضًا أداء واستقرار التطبيقات الكبيرة.

شرح مفصل لهندسة التنفيذ المتوازي لأرتيلا

1. التنفيذ التفاؤلي التوقعي

التنفيذ التفاؤلي التنبؤي هو واحد من تقنيات أرتيلا الأساسية ويميزها عن غيرها من EVMs المتوازية مثل Sei و Monad. يشير التنفيذ التفاؤلي إلى استراتيجية تنفيذ متوازية تفترض في البداية عدم وجود تعارضات بين المعاملات. في هذا الآلية، تحتفظ كل معاملة بنسخة خاصة من الحالة، تسجيل التعديلات دون إنهاءها على الفور. بعد تنفيذ المعاملة، يقوم مرحلة التحقق بالتحقق من التعارضات الناجمة عن التغييرات العالمية في الحالة من المعاملات المتزامنة خلال نفس الفترة. إذا تم اكتشاف تعارضات، يتم إعادة تنفيذ المعاملات. ينطوي الاستدلال على استخدام نماذج الذكاء الاصطناعي الخاصة لتحليل البيانات التاريخية للمعاملات، وتوقع التبعيات بين المعاملات التي ستتم تنفيذها - وتحديد أي معاملات قد تصل إلى نفس البيانات. استناداً إلى هذا التحليل، تتم تجميع المعاملات ويتم ترتيب ترتيب تنفيذها لتقليل التعارضات والتنفيذات الزائدة.

على العكس، يعتمد Sei على تحديد مطوري العمليات الخاصة مسبقًا من خلال الملفات، في حين يستخدم Monad تحليلًا ساكنًا على مستوى المترجم لإنشاء ملفات تبعية العمليات. لا يحقق Sei أو Monad التكافؤ الذي يتوافق مع EVM ويفتقران إلى قدرة Artela التكيفية بناءً على نماذج التنبؤ الديناميكي القائمة على الذكاء الاصطناعي.

2. التحميل المسبق اللامتزامن

تهدف تقنية التحميل السابق للتطبيقات إلى معالجة Engمشاكل الإدخال-الإخراج (I/O) الناجمة عن الوصول إلى الحالة، مع الهدف من تعزيز سرعة استرداد البيانات وتقليل أوقات انتظار تنفيذ المعاملات. في Artela، قبل تنفيذ المعاملات، يتم تحميل البيانات الضرورية للحالة من التخزين البطيء (مثل الأقراص الصلبة) إلى التخزين السريع (مثل الذاكرة) استناداً إلى النماذج التنبؤية. يقلل هذا التحميل الاستباقي للبيانات المطلوبة من أوقات انتظار I/O أثناء التنفيذ. مع البيانات المحملة مسبقاً والمخزنة مؤقتاً، يمكن لعدة معالجات أو خيوط تنفيذ الوصول إلى هذه البيانات بشكل متزامن، مما يزيد من توازن التنفيذ.

3. التخزين المتوازي

مع إدخال تقنية التنفيذ المتوازي ، يمكن موازاة معالجة المعاملات ، ولكن إذا تعذر مزامنة سرعة قراءة البيانات وكتابتها وتحديثها ، فإنها تصبح عاملا حاسما يحد من الأداء العام للنظام. وبالتالي ، يتحول عنق الزجاجة تدريجيا إلى طبقة التخزين. بدأت حلول مثل MonadDB و SeiDB في التركيز على تحسين طبقة التخزين. تعتمد Artela على العديد من تقنيات معالجة البيانات التقليدية الناضجة وتدمجها لتطوير التخزين المتوازي ، مما يعزز كفاءة المعالجة المتوازية.

تم تصميم أنظمة التخزين المتوازية في المقام الأول لمعالجة مسألتين رئيسيتين: تحقيق المعالجة المتوازية للتخزين وتحسين التسجيل الفعال لحالات البيانات في قواعد البيانات. تشمل التحديات الشائعة في تخزين البيانات تضخم البيانات أثناء عمليات الكتابة وزيادة الضغط على معالجة قاعدة البيانات. لمعالجة هذه القضايا بشكل فعال ، تتبنى Artela استراتيجية فصل بين التزام الدولة (SC) وتخزين الدولة (SS). تقسم هذه الاستراتيجية مهام التخزين إلى جزأين: جزء واحد يعالج العمليات التي تتطلب معالجة سريعة دون الاحتفاظ بهياكل البيانات المعقدة ، وبالتالي توفير المساحة وتقليل تكرار البيانات. الجزء الآخر مسؤول عن تسجيل معلومات البيانات التفصيلية بشكل شامل.

علاوة على ذلك ، وللحفاظ على الأداء أثناء التعامل مع حجم كبير من البيانات ، تستخدم Artela طريقة لتجميع كتل البيانات الصغيرة في كتل أكبر ، مما يقلل من تعقيد عمليات تخزين البيانات.

4. مساحة الكتلة المرنة (EBS)

تم تصميم فضاء كتلة Artela المرن (EBS) بناءً على مفهوم الحوسبة المرنة ، مما يسمح بتعديل عدد المعاملات التي يمكن للكتلة استيعابها تلقائيًا بناءً على مستويات ازدحام الشبكة.

الحوسبة المرنة هي نموذج خدمة الحوسبة السحابية الذي يتيح للأنظمة ضبط تكوين موارد الحوسبة تلقائيًا لتلبية متطلبات الأعباء المتنوعة. هدفه الرئيسي هو تحسين كفاءة استخدام الموارد وضمان توفير سريع للطاقة الحاسوبية الإضافية عند زيادة الطلب.

يقوم EBS بضبط موارد الكتلة ديناميكيا وفقا للاحتياجات المحددة ل dApps ، مما يوفر مساحة كتلة تحجيم مستقلة ل dApps عالية الطلب. يهدف هذا إلى معالجة الاختلافات الكبيرة في متطلبات أداء blockchain عبر التطبيقات المختلفة. تكمن الميزة الأساسية ل EBS في "الأداء المتوقع" ، مما يضمن حصول dApps على معاملات يمكن التنبؤ بها في الثانية (TPS). وبالتالي ، بغض النظر عن الازدحام في مساحة الكتلة العامة ، تتمتع dApps ذات مساحة الكتلة المستقلة ب TPS مستقر. علاوة على ذلك ، إذا كانت عقود dApps تدعم المعالجة المتوازية ، فيمكنها تحقيق TPS أعلى. في جوهرها ، توفر EBS بيئة أكثر استقرارا مقارنة بمنصات blockchain التقليدية مثل Ethereum و Solana ، والتي غالبا ما تعاني من تدهور الأداء أثناء ازدحام الشبكة ، كما هو الحال أثناء ازدهار NFT أو قمم DeFi. تعمل Artela على حل هذه المشكلات بشكل فعال من خلال إدارة الموارد المخصصة والمحسنة.

باختصار ، تحقق Artela قابلية عالية للتوسع وأداء شبكة يمكن التنبؤ به من خلال مكدس التنفيذ المتوازي ومساحة الكتلة المرنة (EBS). تستخدم بنية التنفيذ المتوازي هذه نماذج الذكاء الاصطناعي للتنبؤ بدقة بتبعيات المعاملات، وبالتالي تقليل التعارضات وعمليات التنفيذ الزائدة. علاوة على ذلك ، يمكن للتطبيقات واسعة النطاق الوصول إلى طاقة وموارد معالجة مخصصة حسب الحاجة ، مما يضمن أداء مستقرا حتى في ظل أحمال الشبكة العالية. تمكن هذه الإمكانية شبكة Artela من دعم حالات الاستخدام الأكثر تعقيدا مثل معالجة البيانات الضخمة في الوقت الفعلي والمعاملات المالية المتطورة.

بيان:

1. تم استنساخ هذه المقالة من [أبحاث ChainFeeds], ينتمي حق الملكية إلى المؤلف الأصلي [0XNATALIE], إذا كان لديك أي اعتراضات على إعادة الطبع، يرجى التواصل معبوابة التعلمالفريق، وسيتعامل الفريق معه في أقرب وقت ممكن وفقا للإجراءات ذات الصلة.

2. إخلاء المسؤولية: تعبر الآراء والآراء المعبر عنها في هذه المقالة فقط عن آراء الكاتب الشخصية ولا تشكل أي نصيحة استثمارية.

3. الإصدارات اللغوية الأخرى للمقال تمت ترجمتها بفريق Gate Learn ولم يتم ذكرها في Gate.io، قد لا يتم استنساخ المقال المترجم أو توزيعه أو نسخه.