SecurShard: A Model for Hierarchical Fault Detection in Blockchain Sharding
Notice bibliographique
Résumé
Sharding increases concurrency in a blockchain system by splitting validators into groups (shards). Each shard processes a different transaction block such that throughput increases linearly in proportion to the number of shards. Contemporary sharding systems assume that shards are ‘perfect’. Therefore, shards need to be formed in such a way that they have negligible probability of failure. However, there are several limitations. In reality, shards can be faulty (violates the ‘perfect’ shard assumption) and an invalid block validated by a faulty shard cannot be detected until the block is appended to the blockchain. Thus, there is no fault detection mechanism during transaction processing. In this paper, we present a hierarchical fault detection model called SecurShard. The SecurShard model proposes mechanisms of combining shards into groups, one-to-all mapping of a transaction block to all shards in a group, and 100% consensus requirement to validate and append a block to blockchain; all these to ensure that a potentially invalid block is detected with high probability during transaction processing rather than after appending to blockchain. Furthermore, the mapping scheme relaxes the constraint that all shards need to be ‘perfect’. This also leads to the possible usage of smaller shards that are more performant than contemporary bigger shards while still maintaining the collective fault tolerance of the system. An elaborated theoretical analysis is presented which demonstrates the advantages of SecurShard in terms of fault tolerance and performance over traditional sharding systems.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».