[논문] AutoPilot: 고속 강인 BFT 제어 학습

출처: arXiv - 2606.09120v1

개요

최근의 비잔틴 결함 허용(BFT) 프로토콜은 리더 기반 BFT 프로토콜의 저지연 장점과 DAG 기반 데이터 전파의 고처리량 이점을 결합하여 뛰어난 성능을 달성하고 있다. 내부에서 조정 가능한 매개변수가 다양하게 노출되어 있음에도 불구하고, 이러한 프로토콜은 대개 정적이고 휴리스틱한 설정에 의존한다. 그 결과 동적인 워크로드, 이질적인 네트워크 환경, 그리고 변화하는 적대적 행동에 따라 성능이 저하될 수 있다. 본 논문에서는 런타임 상황을 지속적으로 모니터링하고 프로토콜 매개변수를 온라인으로 동적으로 조정하여 합의 성능을 최적화하는 강화학습 기반 프레임워크 AutoPilot을 제안한다. 견고성을 확보하기 위해 AutoPilot은 학습을 탈중앙화된 방식으로 조정하여 적대적 데이터 오염에 대한 복원력을 제공한다. 우리는 최신 고속·견고한 BFT 프로토콜인 Autobahn 위에 AutoPilot을 구현하고, 다양한 동적 환경에서 평가하였다. 실험 결과 AutoPilot이 변화하는 환경에서도 최적 설정으로 빠르게 수렴하며, 기본 프로토콜 설정에 비해 종단 간 지연을 49.8% 감소시키고, 무작위 설정 탐색보다 73.3% 높은 성능을 보이는 것으로 나타났다.

핵심 기여

이 논문은 다음 분야의 연구를 제시한다:

• cs.DC

방법론

자세한 방법론은 전체 논문을 참고하시기 바랍니다.

실용적 함의

본 연구는 cs.DC 분야의 발전에 기여한다.

저자

• Liangrong Chen
• Yue Zhang
• Eric Zhou
• Mohammad Javad Amiri
• Ryan Marcus
• Chenyuan Wu

논문 정보

• arXiv ID: 2606.09120v1
• 분류: cs.DC
• 발표일: 2026년 6월 8일
• PDF: PDF 다운로드