論文の概要: Diagnosing High-Performance BFT Consensus via Mixture Modeling of Block Time Distributions
- arxiv url: http://arxiv.org/abs/2608.01934v1
- Date: Mon, 03 Aug 2026 09:07:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.422974
- Title: Diagnosing High-Performance BFT Consensus via Mixture Modeling of Block Time Distributions
- Title（参考訳）: ブロック時間分布の混合モデリングによる高性能BFTコンセンサス診断
- Abstract要約: 高性能なビザンチンフォールトトレラント(BFT)ブロックチェーンは、高いスループットと低レイテンシを実現するように設計されている。
観測されたブロック時間分布は、ネットワーク、パイプライニング、デプロイメントの不均一性に起因する複雑な振る舞いをしばしば明らかにする。
本稿では,HotStuffベースの高速BFTコンセンサスを,量子ベースのマルチキャストフレームワークを用いてブロックタイムをモデル化することによって診断する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: High-performance Byzantine Fault Tolerant (BFT) blockchains are designed to achieve high throughput and low latency, yet their observed block time distributions often reveal complex behaviors arising from networking, pipelining, and deployment heterogeneity. In this paper, we diagnose HotStuff-based high-performance BFT consensus by modeling block times through a quorum-based multicast framework that links each block interval to quorum formation latency. We capture multimodal block time distributions using mixture models, where each component represents a distinct network condition characterized by effective transfer rate of block information. The proposed model is fitted to the bulk of mainnet block time data, while tail decay is analyzed separately to assess asymptotic behavior. Applying this methodology to Hyperliquid and Aptos mainnets, we find that Hyperliquid is well explained by a unimodal distribution, consistent with a relatively homogeneous validator deployment. In contrast, Aptos exhibits persistent multimodal structure and a pronounced shift following a consensus upgrade, reflecting heterogeneous deployments and diverse communication paths. These results demonstrate that mixture modeling of block time provides a practical and informative diagnostic tool for analyzing and monitoring high-performance BFT consensus.
- Abstract（参考訳）: 高性能なビザンチンフォールトトレラント(BFT)ブロックチェーンは高いスループットと低レイテンシを実現するように設計されている。
本稿では,各ブロック間隔を量子生成遅延にリンクする量子ベースのマルチキャストフレームワークを用いて,ブロックタイムをモデル化することで,HotStuffベースの高性能BFTコンセンサスを診断する。
混合モデルを用いて,ブロック情報の効率的な転送速度を特徴とする,各コンポーネントが異なるネットワーク条件を示すマルチモーダルブロック時間分布をキャプチャする。
提案モデルはメインネットブロック時間データの大部分に適合するが, テール崩壊は漸近的挙動を評価するために別々に解析される。
この手法をHyperliquidおよびAptos mainnetsに適用すると、Hyperliquidは比較的均質なバリデータ配置と一致して、一様分布によってよく説明される。
対照的に、Aptosは、不均一なデプロイメントと多様な通信経路を反映し、コンセンサスアップグレード後の永続的なマルチモーダル構造と顕著なシフトを示す。
これらの結果から,ブロック時間の混合モデリングは,高性能なBFTコンセンサスを解析・監視するための実用的で有益な診断ツールであることが示された。
関連論文リスト
- Latent Block-Diffusion Temporal Point Processes: A Semi-Autoregressive Framework for Asynchronous Event Sequence Generation [48.64529006657015]
高品質かつ可変長イベントシーケンス生成のための遅延ブロック拡散時間点プロセス(LBDTPP)を提案する。
各ブロックでイベントを同時にサンプリングしながらブロックを逐次生成することにより、LBDTPPは自己回帰TPPの長さ柔軟性を保持する。
LBDTPPは、非条件および条件生成タスクの両方において最先端のTPPベースラインを上回っている。
論文 参考訳（メタデータ） (2026-06-23T13:45:28Z) - AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
AnchorMoEは、解釈可能な構成別分類フレームワークである。
ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。
実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
論文 参考訳（メタデータ） (2026-06-02T13:30:54Z) - BARFI-Q: Quantum-Enhanced Block Attention Residual Fusion Framework for Multivariate Time-Series Forecasting in Atom Interferometry [3.2350449526046567]
本稿では,原子間干渉法における時系列予測のための量子化ブロック注意残差融合フレームワークを提案する。
BarFI-Qは、パッチベースの埋め込み、デュアルブランチ時間モデリング、階層的融合、適応的ブロックアテンション残留集合、および量子フィーチャマッピングモジュールを統合する。
その結果,マルチスケールの時間的学習,階層的融合,適応的残差ルーティング,量子化潜在変換が,原子干渉計測による時系列予測に有効な枠組みであることが示唆された。
論文 参考訳（メタデータ） (2026-05-06T19:26:56Z) - MedFlowSeg: Flow Matching for Medical Image Segmentation with Frequency-Aware Attention [13.250593277403079]
フローマッチングは、継続的インテグレーションのトランスポートマップを学習するための原則的なフレームワークとして登場した。
医用画像セグメンテーションのための条件付きフローマッチングフレームワークであるMedFlowSegを紹介する。
我々は,MedFlowSegが計算コストを大幅に削減しつつ,最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2026-04-21T16:54:43Z) - Extended Hybrid Timed Petri Nets with Semi-Supervised Anomaly Detection for Switched Systems, Modelling and Fault Detection [0.0]
本稿では,ハイブリッド力学系のための統合障害検出フレームワークを提案する。
拡張時間連続ペトリネットモデルと半教師付き異常検出を統合している。
その結果,高い検出精度,高速収束,ロバスト性能が得られた。
論文 参考訳（メタデータ） (2026-04-05T10:54:15Z) - Learning to Separate RF Signals Under Uncertainty: Detect-Then-Separate vs. Unified Joint Models [53.79667447811139]
受信した信号に直接適用した場合、単一のディープニューラルネットワークアーキテクチャが共同で検出および分離することを学習していることを示す。
これらの結果から,UJM は DTS に代わるスケーラブルで実用的な代替品であり,広範に推定された統合分離のための新たな方向を開拓した。
論文 参考訳（メタデータ） (2026-02-04T15:25:02Z) - UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。
コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。
8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2025-12-08T05:36:14Z) - Blockwise Flow Matching: Improving Flow Matching Models For Efficient High-Quality Generation [33.177998521195114]
フローマッチングモデルは、幅広い領域にわたる高忠実性データ生成の境界を押し上げている。
生成軌道を複数の時間セグメントに分割する新しいフレームワークであるBlockwise Flow Matching (BFM)を提案する。
BFMは2.1倍から4.9倍の高速化を実現している。
論文 参考訳（メタデータ） (2025-10-24T05:41:23Z) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting [26.141054975797868]
本稿では,時系列予測のための新しい適応型マルチスケール分解(AMD)フレームワークを提案する。
我々のフレームワークは時系列を複数のスケールで異なる時間パターンに分解し、MDM(Multi-Scale Decomposable Mixing)ブロックを活用する。
提案手法は,時間依存性とチャネル依存性の両方を効果的にモデル化し,マルチスケールデータ統合を改良するために自己相関を利用する。
論文 参考訳（メタデータ） (2024-06-06T05:27:33Z) - DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z)
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。