論文の概要: Kadabra: Adapting Kademlia for the Decentralized Web
- arxiv url: http://arxiv.org/abs/2210.12858v1
- Date: Sun, 23 Oct 2022 21:21:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-25 21:17:37.672528
- Title: Kadabra: Adapting Kademlia for the Decentralized Web
- Title(参考訳): Kadabra: Kademliaを分散Webに適用する
- Authors: Yunqi Zhang and Shaileshh Bojja Venkatakrishnan
- Abstract要約: 本稿では、カデミアにおけるルーティングテーブルエントリを計算し、ルックアップを高速化する分散プロトコルであるKadabraを紹介する。
Kadabraは最先端のベースラインに比べて15~50%低いルックアップレイテンシを実現している。
- 参考スコア(独自算出の注目度): 6.457567650894037
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Blockchains have become the catalyst for a growing movement to create a more
decentralized Internet. A fundamental operation of applications in a
decentralized Internet is data storage and retrieval. As today's blockchains
are limited in their storage functionalities, in recent years a number of
peer-to-peer data storage networks have emerged based on the Kademlia
distributed hash table protocol. However, existing Kademlia implementations are
not efficient enough to support fast data storage and retrieval operations
necessary for (decentralized) Web applications. In this paper, we present
Kadabra, a decentralized protocol for computing the routing table entries in
Kademlia to accelerate lookups. Kadabra is motivated by the multi-armed bandit
problem, and can automatically adapt to heterogeneity and dynamism in the
network. Experimental results show Kadabra achieving between 15-50% lower
lookup latencies compared to state-of-the-art baselines.
- Abstract(参考訳): ブロックチェーンは、より分散化されたインターネットを作る動きの触媒になっている。
分散インターネットにおけるアプリケーションの基本的な操作はデータストレージと検索である。
今日のブロックチェーンはストレージ機能に制限があるため、近年、Kademlia分散ハッシュテーブルプロトコルに基づいて、ピアツーピアのデータストレージネットワークが数多く出現している。
しかし、既存のkademliaの実装は、(分散)webアプリケーションに必要な高速なデータストレージと検索操作をサポートするほど効率的ではない。
本稿では,kadabraという,kademliaのルーティングテーブルエントリを計算してルックアップを高速化する分散プロトコルを提案する。
Kadabraはマルチアームバンディット問題によって動機付けられ、ネットワーク内の不均一性とダイナミズムに自動的に適応することができる。
実験の結果,kadabraは最先端のベースラインと比較して15~50%低いルックアップレイテンシを達成した。
関連論文リスト
- Blockchain-enabled Trustworthy Federated Unlearning [50.01101423318312]
フェデレートアンラーニング(Federated Unlearning)は、分散クライアントのデータオーナシップを保護するための、有望なパラダイムである。
既存の作業では、分散クライアントからの履歴モデルパラメータを保持するために、中央サーバが必要である。
本稿では,ブロックチェーンによる信頼性の高いフェデレーションアンラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2024-01-29T07:04:48Z) - Prioritising Interactive Flows in Data Center Networks With Central
Control [0.0]
データセンターネットワークにおける対話型フローの優先順位付けを支援する中央制御器に関する2つの問題に対処する。
論文の前半では,ソフトウェア定義ネットワークにおける渋滞制御の問題に対処する。
本稿では,ネットワークのグローバルビューを持つコントローラが,エンドTCPホストの混雑制御決定に積極的に参加するフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-27T07:15:15Z) - Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
大規模空間問題に対する学習効率を向上させるために移動学習を用いる。
畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
論文 参考訳(メタデータ) (2023-06-14T01:24:42Z) - Decentralized Learning Made Easy with DecentralizePy [3.1848820580333737]
分散学習(DL)は、スケーラビリティ、プライバシ、フォールトトレランスの面でその潜在的な利点で有名になった。
本稿では,大規模学習ネットワークを任意のトポロジでエミュレート可能な分散機械学習フレームワークDecentralizePyを提案する。
いくつかのトポロジ上にスパーシフィケーションやセキュアアグリゲーションといったテクニックを配置することで、分散Pyの能力を実証する。
論文 参考訳(メタデータ) (2023-04-17T14:42:33Z) - TensAIR: Online Learning from Data Streams via Asynchronous Iterative
Routing [1.9164932573056914]
我々は、データストリームからオンライン学習のためのエンドツーエンドのデータフローエンジンを提供するTensAIRを紹介します。
TensAIRはMap Reduce Joinのような一般的なデータフロー演算子をサポートし、データ並列OLトレインによって拡張され、予測されている。
本研究では,(1)ネットワーク上に展開されるワーカノード数,(2)データバッチがデータフロー演算子に届くスループットの観点から,TensAIRがほぼ線形スケールアウトを達成することを示す。
論文 参考訳(メタデータ) (2022-11-18T15:11:44Z) - Collaborative Learning for Cyberattack Detection in Blockchain Networks [25.48062860621572]
この記事では、侵入攻撃を調査し、ブロックチェーンネットワークのための新しいサイバー攻撃検出フレームワークを開発することを目的としている。
私たちの知る限りでは、ブロックチェーンネットワークにおけるサイバー攻撃の研究所で合成された最初のデータセットです。
ブロックチェーンネットワークに効率的に配置して攻撃を検知できる新しい協調学習モデルを提案する。
論文 参考訳(メタデータ) (2022-03-21T15:55:41Z) - Asynchronous Parallel Incremental Block-Coordinate Descent for
Decentralized Machine Learning [55.198301429316125]
機械学習(ML)は、巨大なIoT(Internet of Things)ベースのインテリジェントでユビキタスなコンピューティングのビッグデータ駆動モデリングと分析のための重要なテクニックである。
急成長するアプリケーションやデータ量にとって、分散学習は有望な新興パラダイムである。
本稿では,多くのユーザデバイスに分散した分散システム上でMLモデルをトレーニングする問題について検討する。
論文 参考訳(メタデータ) (2022-02-07T15:04:15Z) - Fast Class-wise Updating for Online Hashing [196.14748396106955]
本稿では,FCOH(Fast Class-wise Updating for Online Hashing)と呼ばれる新しいオンラインハッシュ方式を提案する。
クラスワイズ更新法は、バイナリコード学習を分解し、代わりにクラスワイズ方式でハッシュ関数を更新する。
オンラインの効率をより高めるために,異なるバイナリ制約を独立に扱うことで,オンライントレーニングを高速化する半緩和最適化を提案する。
論文 参考訳(メタデータ) (2020-12-01T07:41:54Z) - A Cordial Sync: Going Beyond Marginal Policies for Multi-Agent Embodied
Tasks [111.34055449929487]
エージェントが協力して家具をリビングルームに移動させるという,新しいタスクFurnMoveを紹介した。
既存のタスクとは異なり、FurnMoveはエージェントが各タイミングで調整する必要がある。
既存の分散化されたアクションサンプリング手順は、表現力のある共同アクションポリシーを許さない。
SynC-policiesとCORDIALを用いて、我々のエージェントはFurnMoveで58%の完成率を達成する。
論文 参考訳(メタデータ) (2020-07-09T17:59:57Z) - Is Network the Bottleneck of Distributed Training? [36.925680383195356]
分散トレーニングのネットワーク性能を計測・解析するために,第1原理のアプローチを採用する。
ネットワークは低利用率で動作しており、ネットワークを十分に活用できれば、分散トレーニングは1に近いスケーリング係数を達成することができる。
論文 参考訳(メタデータ) (2020-06-17T19:00:31Z) - Faster Secure Data Mining via Distributed Homomorphic Encryption [108.77460689459247]
ホモモルフィック暗号化(HE)は、最近、暗号化されたフィールド上で計算を行う能力により、ますます注目を集めている。
本稿では,スケーリング問題の解決に向けて,新しい分散HEベースのデータマイニングフレームワークを提案する。
各種データマイニングアルゴリズムとベンチマークデータセットを用いて,新しいフレームワークの有効性と有効性を検証する。
論文 参考訳(メタデータ) (2020-06-17T18:14:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。