في عالم التكنولوجيا المتطورة، يعتبر أداء أنظمة blockchain مثل Hyperledger Fabric هو العامل الحاسم في نجاح التطبيقات الموزعة. لكن تحسين هذا الأداء يواجه تحديات عديدة بسبب الاعتماد على عدد كبير من المتغيرات التكوينية المتداخلة، مما يجعل التعديل اليدوي صعبًا.

أظهرت دراسة حديثة أن استخدام الذكاء الاصطناعي يمكن أن يقدم حلاً ثوريًا لهذه المشكلة. حيث تم تقديم نهج جديد يسمى Caliper-in-the-Loop، الذي يعامل عمليات القياس كمسألة تحسين "صندوق أسود" (Black-Box Optimization). يتم استخدام تقنيتي Bayesian Optimization (BO) وتقليل الأبعاد (Dimensionality Reduction) لجعل عملية التحسين أكثر فعالية.

يتكون خط أنابيب Caliper-in-the-Loop من سلسلة من الخطوات المتكاملة التي تشمل نشر التكوينات المرشحة، وتنفيذ عمليات القياس، وتحديث المحسن بناءً على النتائج الملاحظة. تتيح هذه العملية إمكانية استكشاف فضاء البحث القائم على 317 بُعدًا مشتقة من ملفات تكوين Hyperledger Fabric.

في تجارب أجريت على بيئة سحابية، تم تقييم 16 نموذج مختلف من BO+DR بالإضافة إلى أسلوب البحث العشوائي كخط أساس. وكانت النتيجة الرائعة تأتي من النموذج DYCORS-PCA الذي حقق تحسينًا بنسبة 12% في نقل المعاملات (TPS) بالمقارنة مع التكوين الأول الذي تم تقييمه، بينما حقق النموذج MPI-REMBO تحسينًا بنسبة 9%.

تشير هذه النتائج إلى أن استخدام تقنيات BO مع تقليل الأبعاد يعتبر نهجًا عمليًا لتعديل إعدادات Hyperledger Fabric ذات الأبعاد العالية، ويبرز أيضًا أهمية قياس الضوضاء في تفسير المكاسب المحققة. يعد هذا البحث خطوة مهمة نحو أتمتة تحسينات الأداء ويسلط الضوء على القوة الكبرى للذكاء الاصطناعي في عالم تكنولوجيا المعلومات.