Payment Routing Across IoT Blockchain Shards using Deep Reinforcement Learning
Notice bibliographique
Résumé
Payment channel network (PCN) routing is crucial for ensuring a high system throughput and transaction (TX) success ratio. However, designing PCN routing across IoT blockchain shards is not straightforward. First, the sharded architecture isolates information among multiple shards, increasing difficulties and costs associated with channel probing. Second, the dynamic nature of IoT, e.g., frequent changes in PCN topology and channel states, makes traditional mathematical routing approaches inefficient and even invalid. These challenges inevitably result in a high TX failure ratio and low throughput. This paper presents a novel cross-shard PCN routing IoT blockchain framework that optimizes TX scheduling to maximize long-term throughput and success ratio. Specifically, we propose an efficient cross-shard PCN routing protocol that distinctly categorizes channels into intra-shard and inter-shard types, simplifying cross-shard channel probing and reducing costs. Then, to optimize PCN routing policies in dynamic sharding environments, we propose a deep reinforcement learning algorithm, which includes: 1) multi-agent collaborative learning for the view of incomplete information across shards; 2) a two-layer network architecture to reduce computational complexity on resource-constrained IoT devices. Experiment results show that the proposed cross-shard routing improves 48.4 % of the TX success ratio averaged over baselines, which is 1.56 times of average throughput compared with other routing algorithms in cross-shard PCNs.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».