Exploration de l'optimisation EVM parallèle : la clé pour améliorer l'efficacité du traitement des transactions

L'EVM, en tant que moteur d'exécution central d'Ethereum, a un impact direct sur le débit de l'ensemble du réseau. Avec l'expansion de la base d'utilisateurs et la diversité des cas d'utilisation, les limitations du modèle d'exécution séquentielle traditionnel deviennent de plus en plus évidentes. Cela est particulièrement vrai dans les solutions Layer 2, où les goulets d'étranglement de performance de l'EVM sont encore plus marqués. Par conséquent, explorer des solutions d'exécution parallèle devient une direction importante pour améliorer l'efficacité de l'EVM.

Composants clés de l'EVM et processus d'exécution en série

L'EVM et le stateDB sont les deux composants clés de l'exécution des transactions Ethereum. L'EVM est responsable de l'interprétation et de l'exécution des instructions des contrats intelligents, tandis que le stateDB gère le stockage de l'état global. Dans le modèle d'exécution séquentielle traditionnel, les transactions sont traitées une par une, chaque transaction utilisant une instance EVM indépendante, mais partageant le même stateDB.

Le processus d'exécution spécifique est le suivant :

1. Appel de la fonction processBlock() pour traiter les transactions dans le bloc avec la fonction Process().
2. La fonction Process() exécute les transactions une par une à l'aide d'une boucle for.
3. Une fois que toutes les transactions ont été traitées, appelez statedb.Commit() pour soumettre les modifications d'état.

Le principal problème de ce mode de fonctionnement en série est que des transactions complexes peuvent bloquer les transactions suivantes, ne permettant pas une utilisation optimale des ressources matérielles, ce qui limite gravement l'efficacité du traitement.

Optimisation des EVM parallèles

Pour résoudre le goulet d'étranglement d'efficacité de l'exécution séquentielle, l'industrie a proposé des solutions d'optimisation par exécution parallèle. L'idée centrale est : utiliser le multi-threading pour traiter simultanément plusieurs transactions, augmentant considérablement le débit. Cependant, le principal défi de l'exécution parallèle est de savoir comment gérer les problèmes de conflit d'état.

Une équipe du secteur a proposé une solution d'optimisation EVM parallèle, dont les principales caractéristiques incluent :

1. Exécution parallèle des transactions en multithreading
2. Allouer une base de données d'état temporaire pour chaque thread (pending-stateDB)
3. Après l'exécution de la transaction, l'état est synchronisé et modifié dans le stateDB global.

Cette solution optimise les opérations de lecture et d'écriture :

• Opération de lecture : lire en priorité depuis le pending-stateDB, sinon lire depuis le stateDB global.
• Opération d'écriture : d'abord enregistrer dans le WriteSet de la pending-stateDB, puis fusionner avec la stateDB globale par la suite.

Pour résoudre les conflits d'état, le plan a introduit un mécanisme de détection des conflits :

• Surveiller les ReadSet et WriteSet des différentes transactions
• Marquer les transactions concernées pour réexécution lors de la détection de conflits
• Après l'exécution de toutes les transactions, fusionner le pending-stateDB avec le global stateDB.

Amélioration des performances de l'optimisation parallèle

L'optimisation parallèle multi-thread a considérablement amélioré les performances de l'EVM, en particulier lors du traitement de transactions de contrats intelligents complexes. Selon les données de recherche :

• Sous une charge de travail à faible conflit, le TPS augmentera de 3 à 5 fois.
• Sous des charges de travail à fort conflit, une amélioration théorique maximale de 60 fois peut être atteinte.

Ce schéma de parallélisation jette les bases de l'amélioration des performances futures d'Ethereum et des solutions Layer 2. Avec le développement technologique supplémentaire, comme l'optimisation de l'efficacité du stockage et l'accélération GPU, les performances de l'EVM devraient connaître une amélioration encore plus grande.