基于图的分层深度强化学习用于Web 3.0中具有最优混合成本的可交付区块传播
摘要
Web 3.0被设想为一种去中心化范式，其中区块链是透明和防篡改数据管理的核心技术。在各种区块链架构中，联盟链已成为企业级Web 3.0的首选平台。对于联盟链，新生成的区块通常通过gossip协议传播到所有共识节点进行验证。然而，基于gossip的传播可能会引入大量的消息冗余和尾部延迟。此外，共识节点表现出异构的可用性模式，而现有的区块传播方案常常忽略这种时间约束。因此，传播及时性和交付覆盖率的联合优化仍然是一个开放问题。在本文中，我们提出了一个面向联盟链Web 3.0的可交付区块传播优化框架。我们首先提出了一种名为已验证区块年龄（AoVB）的交付感知及时性度量，该度量排除了在每个共识节点可用窗口之外发生的区块接收，从而仅衡量可操作的同步延迟。该度量与区块到达率统一为一个混合成本目标，以平衡及时性与交付。为了解决这个复杂的优化问题，我们提出了一种基于图的分层深度强化学习（GHDRL）方法，该方法包含一个基于图同构网络的分配模块和一个基于图注意力网络的传播模块。这两个模块在两阶段训练策略下联合优化。数值结果表明，GHDRL在50到500个对等点的网络规模上始终优于所有对比方案，与性能最佳的神经基线相比，混合成本降低了高达19.2%。此外，该模型可以从100个对等点的训练实例泛化到500个对等点的部署，无需重新训练。
引用
@article{arxiv.2604.12920,
title = {Graph-based Hierarchical Deep Reinforcement Learning for Deliverable Block Propagation with Optimal Hybrid Cost in Web 3.0},
author = {Shi Chen and Jinbo Wen and Jiawen Kang and Tenghui Huang and Maomao Zhang and Tao Zhang and Dong In Kim},
journal= {arXiv preprint arXiv:2604.12920},
year = {2026}
}
备注
This paper is withdrawn due to issues identified in the experimental results and evaluation methodology. We found that some implementation details require correction, and additional experiments are needed to properly validate the proposed method. A substantially revised version will be resubmitted after these issues are addressed