論文の概要: CuEVM: Scaling Smart Contract Execution on GPUs
- arxiv url: http://arxiv.org/abs/2611.14916v1
- Date: Wed, 11 Nov 2026 02:17:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.980616
- Title: CuEVM: Scaling Smart Contract Execution on GPUs
- Title(参考訳): CuEVM: GPU上でのスマートコントラクト実行のスケーリング
- Abstract要約: ブロックチェーンプロセスのトランザクションに関するスマートコントラクトは、毎日数十億ドルの価値があります。
トランザクションをシーケンシャルに実行する仮想マシン上で実行される。
トランザクション実行を超並列データ処理問題として扱う,実行エンジンCuEVMを提案する。
- 参考スコア(独自算出の注目度): 25.644795302390207
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Smart contracts on Ethereum blockchain process transactions worth billions of US dollars daily. They run on top of Ethereum Virtual Machine (EVM) which executes transactions sequentially. This execution model creates a performance bottleneck, especially for new blockchain workloads with large numbers of transactions, such as security testing. We present CuEVM, a GPU-native and semantically complete EVM execution engine that treats transaction execution as a massively parallel data processing problem. It employs novel data structures and GPU-aware scheduling to accelerate execution. Unlike prior works that transpile the contract and rely on a host CPU for many operations, CuEVM supports complete EVM semantics natively on the GPU. It passes 100% of the Ethereum VMTests and 96.2% of the full execution-test suite. On a single commodity GPU, CuEVM executes over 8 million ERC-20 transfers per second, outperforming existing baselines by up to two orders of magnitude. We build a smart contract fuzzer, called CuEVM-fuzz, on top of CuEVM. The fuzzer achieves over a million end-to-end executions per second, up to 23x and 4.8x higher than the state-of-the-art CPU-based and GPU-based baselines, respectively.
- Abstract(参考訳): Ethereumブロックチェーンプロセスのスマートコントラクトは、毎日数十億ドルの価値があります。
トランザクションをシーケンシャルに実行するEthereum仮想マシン(EVM)上で実行される。
この実行モデルは、特にセキュリティテストなどの大量のトランザクションを持つ新しいブロックチェーンワークロードにおいて、パフォーマンスボトルネックを生み出します。
本稿では,GPUネイティブでセマンティックに完全なEVM実行エンジンであるCuEVMについて述べる。
実行を高速化するために、新しいデータ構造とGPU対応のスケジューリングを採用している。
コントラクトをトランスパイルし、多くの操作でホストCPUに依存する以前の作業とは異なり、CuEVMはGPUでネイティブに完全なEVMセマンティクスをサポートする。
Ethereum VMTestsの100%とフル実行テストスイートの96.2%をパスしている。
単一のコモディティGPU上では、CuEVMは毎秒800万以上のERC-20転送を実行する。
CuEVM上に、CuEVM-fuzzと呼ばれるスマートコントラクトファザを構築します。
ファズーは毎秒100万以上のエンドツーエンド実行を実現し、それぞれ最先端のCPUベースとGPUベースのベースラインよりも最大23倍と4.8倍高い。
関連論文リスト
- Mixture-of-Parallelisms: Towards Memory-Efficient Training Stack for Mixture-of-Experts Models [67.17268530365189]
本稿では,Mixture-of-Experts(MoE)モデルのためのメモリ効率のトレーニングスタックを紹介する。
さまざまなレイヤやMoEモデルのトレーニングパイプラインのステージにおいて、さまざまな既存および新しい並列処理テクニックを組み合わせて、特殊化する。
論文 参考訳(メタデータ) (2026-07-02T08:06:57Z) - UniLab: A Heterogeneous Architecture for Robot RL Beyond GPU-Dominant Paradigms [68.40808444348735]
シミュレーション支配型ロボット制御では、どのプロセッサが物理を実行するかではなく、シミュレーションスループット、ポリシー学習、実行時同期が効率的なエンドツーエンドループを形成するかどうかが重要な問題である。
データ移動、バッファリング、同期のための統一ランタイムを通じて、GPUポリシー更新からCPU並列シミュレーションを分離する、異種CPU常駐/GPU学習アーキテクチャであるUniLabを提案する。
論文 参考訳(メタデータ) (2026-05-28T17:53:50Z) - Conthereum: Concurrent Ethereum Optimized Transaction Scheduling for Multi-Core Execution [3.462869032423588]
Conthereumはブロック内並列トランザクション実行のための並行ソリューションである。
Conthereumの中心には、新しくて軽量で高性能なスケジューラがある。
標準的な8コアマシンでは,計算能力の増大に伴い,ほぼ線形スループットが向上することを示す。
論文 参考訳(メタデータ) (2025-04-09T21:15:05Z) - Hardware-Aware Parallel Prompt Decoding for Memory-Efficient Acceleration of LLM Inference [23.633481089469836]
LLM(Large Language Models)の自動回帰デコーディングは、ハードウェアの性能に大きなオーバーヘッドをもたらす。
トレーニング可能なパラメータを0.0002$%しか必要とせず,A100-40GBのGPUをたった16時間で効率的にトレーニングできる並列プロンプトデコーディングを提案する。
我々のアプローチでは、最大2.49$times$ スピードアップを示し、最小のメモリオーバーヘッドは0.0004$%である。
論文 参考訳(メタデータ) (2024-05-28T22:19:30Z) - Hybrid quantum programming with PennyLane Lightning on HPC platforms [0.0]
PennyLaneのLightningスイートは、CPU、GPU、HPCネイティブアーキテクチャとワークロードをターゲットにした高性能なステートベクタシミュレータのコレクションである。
QAOA、VQE、合成ワークロードなどの量子アプリケーションは、サポート対象の古典的コンピューティングアーキテクチャを実証するために実装されている。
論文 参考訳(メタデータ) (2024-03-04T22:01:03Z) - Optimizing Data Collection in Deep Reinforcement Learning [4.9709347068704455]
GPUベクタライゼーションは、一般的に使用されるCPUシミュレータよりも最大1024タイムでスピードアップできる。
シミュレーションの複雑さがメモリ帯域幅の要求で増大するにつれて、シミュレーターカーネルの核融合の高速化は11.3Times$となり、最大1024times$に増加することを示す。
論文 参考訳(メタデータ) (2022-07-15T20:22:31Z) - PLSSVM: A (multi-)GPGPU-accelerated Least Squares Support Vector Machine [68.8204255655161]
Support Vector Machines (SVM) は機械学習で広く使われている。
しかし、現代的で最適化された実装でさえ、最先端ハードウェア上の大きな非自明な高密度データセットにはうまくスケールしない。
PLSSVMはLVMのドロップイン代替として使用できる。
論文 参考訳(メタデータ) (2022-02-25T13:24:23Z)
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。