Performance Modeling and Analysis of Hotstuff for Blockchain Consensus
Notice bibliographique
Résumé
Byzantine Fault-Tolerant (BFT) protocols are classical algorithms that offer a faster and more energy-efficient consensus mechanism compared to Proof-of-Work (PoW), which is typically used by cryptocurrencies such as Bitcoin. Synchronous BFT systems are hard to implement and vulnerable to attacks that aim to disrupt the synchrony of the system. Practical BFT (PBFT), which is a partially synchronous protocol, is a high-performance consensus algorithm that provides strong safety in the presence of a bounded number of faulty participants. Hotstuff is one such partially synchronous BFT State Machine Replication (SMR) protocol that aims to address the aforementioned issues. PBFT is becoming a popular choice for blockchain consensus, especially in permissioned systems (e.g. Ripple, Stellar, etc). However, it is not well understood how Hotstuff, and PBFT consensus in general, behave under varying conditions that are commonly found in blockchain networks. In this paper, we present a theoretical model for the Hotstuff consensus mechanism which accurately predicts blockchain-related metrics such as the transaction throughput and expected confirmation time using important networking parameters such as the number of replicas, link latency, and packet loss. Furthermore, we validate our model through extensive simulations carried out using OMNeT++. Our results show that Hotstuff performance degrades drastically when the number of replicas increases. We observe that with a maximum number of tolerable faulty nodes, when the number of validators is increased to 127, throughput tends to zero. As well, packet loss ratio and transaction processing time are two other factors that significantly affect the performance of Hotstuff.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».