Oglindă Tang | Salus
Yixin Ren |. Hongshan capital
Lingzhi Shi |
Jiangyue Wang |
În ultimul an, pe măsură ce IA generativă a depășit așteptările publicului în repetate rânduri, valul de revoluție a productivității AI a trecut prin cercul criptomonedei. Am văzut că multe proiecte de concept AI au generat un val de mituri de creare a bogăției pe piața secundară. În același timp, tot mai mulți dezvoltatori au început să-și dezvolte propriile proiecte „AI+Crypto”.
Cu toate acestea, o privire mai atentă dezvăluie că omogenitatea acestor proiecte este foarte serioasă, iar majoritatea proiectelor se concentrează doar pe îmbunătățirea „relațiilor de producție”, cum ar fi organizarea puterii de calcul prin rețele descentralizate sau crearea „Hugging Face descentralizată” etc. Foarte puține proiecte încearcă o adevărată integrare și inovare din tehnologia de bază. Credem că motivul acestui fenomen este că există o „prejudecată de domeniu” între câmpurile AI și blockchain. În ciuda intersecției lor extinse, puțini oameni au o înțelegere profundă a ambelor domenii. De exemplu, este dificil pentru dezvoltatorii AI să înțeleagă implementarea tehnică și starea istorică a infrastructurii Ethereum și este și mai dificil să propună soluții de optimizare aprofundate.
Luați ca exemplu învățarea automată (ML), cea mai de bază ramură a AI. Este o tehnologie care permite mașinilor să ia decizii bazate pe date fără instrucțiuni de programare explicite. Învățarea automată a demonstrat un mare potențial în analiza datelor și recunoașterea modelelor și a devenit obișnuită în web2. Cu toate acestea, din cauza limitărilor vremurilor când s-a născut pentru prima dată, chiar și în fruntea inovației tehnologice blockchain, cum ar fi Ethereum, arhitectura, rețeaua și mecanismele sale de guvernare nu au folosit încă învățarea automată ca instrument eficient pentru a rezolva probleme complexe.
„Marile inovații se nasc adesea în domenii transversale.” Intenția noastră inițială în scrierea acestui articol este de a permite dezvoltatorilor AI să înțeleagă mai bine lumea blockchain și, de asemenea, de a oferi noi idei pentru dezvoltatorii din comunitatea Ethereum. În articol, am introdus mai întâi implementarea tehnică a Ethereum, apoi am propus o soluție pentru aplicarea învățării automate, un algoritm AI de bază, rețelei Ethereum pentru a-și îmbunătăți securitatea, eficiența și scalabilitatea. Sperăm să folosim acest caz ca punct de plecare pentru a prezenta câteva perspective care sunt diferite de cele de pe piață și pentru a inspira combinații încrucișate mai inovatoare de „AI+Blockchain” în ecosistemul dezvoltatorilor.
Implementarea tehnică a Ethereum
Structura de bază a datelor
Esența unui blockchain este un lanț care conectează blocuri. Cheia pentru a distinge lanțurile este configurația lanțului, care este, de asemenea, o parte indispensabilă a creării unui blockchain. Pentru Ethereum, configurația lanțului este utilizată pentru a distinge diferitele lanțuri în Ethereum și pentru a identifica unele protocoale importante de actualizare și evenimente de semnalizare. De exemplu, DAOForkBlock marchează înălțimea hard fork-ului la care Ethereum a experimentat atacul DAO, iar ConstantinopleBlock marchează înălțimea blocului la care Constantinopol a fost actualizat. Pentru upgrade-uri mai mari care includ multe propuneri de îmbunătățire, vor fi setate câmpuri speciale pentru a identifica înălțimea blocului corespunzătoare. În plus, Ethereum include diverse rețele de testare și rețele principale, iar ecologia rețelei corespunzătoare este identificată în mod unic prin ChainID.
Blocul geneză este blocul zero al întregului blockchain, iar alte blocuri fac referire direct sau indirect la blocul geneză. Prin urmare, informațiile corecte ale blocului de geneză trebuie să fie încărcate atunci când nodul este pornit și nu trebuie modificate în mod arbitrar. Informațiile de configurare ale blocului geneză includ configurația de lanț menționată mai sus și adaugă, de asemenea, câmpuri precum recompensele miniere relevante, marcajele de timp, dificultatea și limitele de gaz. . Mecanismul este convertit în dovadă de miză.
Conturile Ethereum sunt împărțite în conturi externe și conturi de contract. Toate conțin o adresă unică. Statul mondial Ethereum este un arbore de cont Ethereum. Fiecare cont corespunde unui nod frunză, care stochează starea contului (diverse informații despre cont și informații despre cod).
Tranzacție: Ca platformă descentralizată, esența Ethereum este pentru tranzacții și contracte, precum și informații suplimentare legate de blocuri, respectiv antetul blocului și zona Datele antetului blocului conțin dovezi care conectează toate blocurile într-un lanț, pe care îl putem înțelege ca hash-ul blocului anterior, precum și rădăcina de stat, rădăcina de tranzacție, rădăcina de primire și dovada stării întregii lumi Ethereum indicați dificultatea, numărați nonce și alte date suplimentare. Corpul bloc stochează lista de tranzacții și lista antetelor blocului uncle (deoarece Ethereum s-a convertit în dovada mizei, referința blocului uncle nu mai există).
Chitanțe de tranzacție oferă rezultate și informații suplimentare după ce tranzacția a fost executată, care nu pot fi obținute direct prin simpla analiză a tranzacției în sine. Mai exact, informațiile conținute în acesta pot fi împărțite în: conținut de consens, informații despre tranzacție și informații despre blocuri, inclusiv informații despre dacă procesarea tranzacțiilor are succes și jurnalele tranzacțiilor și consumul de gaz. Depanați codul de contract inteligent și optimizați consumul de gaz analizând informațiile din chitanță. și oferă o formă de confirmare că tranzacția a fost procesată de rețea, iar rezultatele și impactul tranzacției pot fi vizualizate.
În Ethereum, taxele de gaz pot fi înțelese pur și simplu ca taxe de gestionare. Când trimiteți un Token, executați un contract, transferați Ethereum sau efectuați diverse operațiuni pe acest bloc, operațiunile din aceste tranzacții necesită taxe de gaz. Când computerul procesează această tranzacție. trebuie să efectueze calcule și să consume resurse de rețea, așa că trebuie să plătești taxe de gaz pentru a lăsa computerul să funcționeze pentru tine. Taxa finală de combustibil se plătește minerilor ca taxă de manipulare Formula de calcul pentru taxa specifică poate fi înțeleasă ca Taxa = Gaz Utilizat * Prețul Gazului, care este consumul real înmulțit cu prețul unitar de consum este stabilit de inițiatorul tranzacției, iar valoarea acesteia este adesea determinată. Determină viteza tranzacțiilor în lanț. Dacă setarea este prea mică, tranzacția poate să nu fie executată.
fond de tranzacționare
În Ethereum, există un număr mare de tranzacții În comparație cu sistemul centralizat, numărul de tranzacții pe secundă procesate de sistemul descentralizat este în mod evident sumbru. Datorită numărului mare de tranzacții care intră în nod, nodul trebuie să mențină un pool de tranzacții pentru a gestiona corect aceste tranzacții. Difuzarea tranzacțiilor se realizează prin p2p Mai exact, un nod va difuza o tranzacție executabilă către nodurile învecinate, iar apoi nodurile vecine vor difuza tranzacția către nodurile vecine ale nodului întreaga rețea Ethereum în 6 secunde.
Tranzacțiile din pool-ul de tranzacții sunt împărțite în tranzacții executabile și tranzacții neexecutabile au o prioritate mai mare și vor fi executate și împachetate în bloc, în timp ce toate tranzacțiile care tocmai au intrat în pool-ul de tranzacții sunt tranzacții neexecutabile apoi devin executabil. Tranzacțiile executabile și tranzacțiile neexecutabile sunt înregistrate în containerul în așteptare și respectiv în containerul coadă.
În plus, grupul de tranzacții va menține și o listă de tranzacții locale. Tranzacțiile locale au mai multe avantaje, nu sunt afectate de restricțiile privind volumul de tranzacții și pot fi reîncărcate în pool-ul de tranzacții imediat când nodul este repornit. Stocarea locală persistentă a tranzacțiilor locale este implementată prin jurnal (reîncărcare la repornirea nodului). Scopul său este să nu piardă tranzacțiile locale neterminate și va fi actualizat în mod regulat.
Legalitatea tranzacției va fi verificată înainte de intrarea în coadă, incluzând diverse tipuri de verificări, precum: prevenirea atacurilor DOS, prevenirea tranzacțiilor negative, limita gazului de tranzacție etc. Compoziția simplă a pool-ului de tranzacții poate fi împărțită în: coadă+pending (două componente ale tuturor tranzacțiilor, după finalizarea testului de legalitate, se vor efectua verificări ulterioare, inclusiv verificarea dacă coada de tranzacții a atins limita superioară). judecarea tranzacțiilor de la distanță (tranzacțiile de la distanță sunt tranzacții non-locale) ) este cel mai scăzut din grupul de tranzacționare, înlocuiți tranzacția cu cel mai mic preț din grupul de tranzacționare. Pentru înlocuirea tranzacțiilor executabile, în mod implicit, numai tranzacțiile care măresc taxa de gestionare cu 10% pot înlocui tranzacțiile care sunt deja în așteptare de executare și vor fi stocate ca tranzacții neexecutabile după înlocuire. În plus, în timpul procesului de întreținere a pool-ului de tranzacții, tranzacțiile invalide și peste limita vor fi șterse, iar tranzacțiile care îndeplinesc condițiile vor fi înlocuite.
mecanism de consens
Teoria consensului timpuriu a Ethereum încă se baza pe metoda de calcul hash a valorii de dificultate, adică valoarea hash a blocului trebuie calculată pentru a îndeplini condițiile valorii țintă a dificultății înainte ca blocul să fie legal. Deoarece algoritmul actual de consens al Ethereum a fost schimbat de la POW la POS, teoriile legate de minerit nu vor fi discutate în detaliu. Iată o scurtă descriere a algoritmului POS. Ethereum a finalizat fuziunea lanțului de balize în septembrie 2022 și a implementat algoritmul POS Mai exact, timpul de blocare al fiecărui bloc de Ethereum bazat pe POS este stabil la 12 s, iar utilizatorii își angajează propriile monede Ether pentru a obține dreptul de a deveni un. verificator, iar apoi selectați aleatoriu un grup de verificatori dintre utilizatorii care au participat la angajament. iar propunetorul implementează generarea blocului, iar validatorii rămași corespunzători slotului servesc ca comitet pentru a verifica legalitatea blocului propunetorului și, în același timp, a judeca legalitatea blocului în ciclul anterior. Algoritmul POS stabilizează și îmbunătățește semnificativ viteza de generare a blocurilor, evitând în același timp risipa de resurse de calcul.
Algoritm de semnătură
Ethereum urmează standardul algoritmului de semnătură al Bitcoin și utilizează, de asemenea, curba secp 256 k 1. Algoritmul său specific de semnătură utilizează ECDSA, ceea ce înseamnă că semnătura calculată este calculată pe baza hash-ului mesajului original. este R+S+V. Numerele aleatoare vor fi introduse în mod corespunzător în fiecare calcul, unde R+S este rezultatul original al ECDSA. Ultimul câmp V se numește câmp de recuperare, care indică numărul de căutări necesare pentru a recupera cu succes cheia publică din conținut și semnătură, deoarece pot exista mai multe puncte de coordonate în curba eliptică care îndeplinesc cerințele pe baza valorii R.
Întregul proces poate fi rezumat simplu după cum urmează: datele tranzacției și informațiile legate de semnatar sunt hashing după codarea RLP și semnate cu cheia privată prin ECDSA pentru a obține semnătura finală, iar curba utilizată în ECDSA este secp 256 k 1 curba eliptică. În cele din urmă, combinând datele semnăturii cu datele tranzacției, puteți obține datele unei tranzacții semnate și le puteți difuza.
Structura de date a Ethereum nu se bazează doar pe tehnologia blockchain tradițională, ci introduce și arbori Merkle Patricia, cunoscuți și sub denumirea de arbori de prefix comprimat Merkle, pentru stocarea și verificarea eficientă a cantităților mari de date. MPT combină funcția de hashing criptografic a arborilor Merkle și proprietățile de compresie a căii cheie ale arborilor Patricia pentru a oferi o soluție care garantează atât integritatea datelor, cât și susține căutarea rapidă.
MPT
În Ethereum, MPT este folosit pentru a stoca toate datele privind starea și tranzacțiile, asigurându-se că orice modificări ale datelor sunt reflectate în hash-ul rădăcină al arborelui. Aceasta înseamnă că prin verificarea hash-ului rădăcină, puteți dovedi integritatea și acuratețea datelor fără a fi nevoie să verificați întreaga bază de date. MPT este format din patru tipuri de noduri: noduri frunză, noduri de extensie, noduri de ramură și noduri goale Aceste noduri formează împreună un arbore care se poate adapta la modificările dinamice ale datelor. De fiecare dată când datele sunt actualizate, MPT reflectă aceste modificări prin adăugarea, ștergerea sau modificarea nodurilor, în timp ce actualizează hash-ul rădăcină al arborelui. Deoarece fiecare nod este criptat de o funcție hash, orice modificări mici ale datelor vor duce la schimbări uriașe în hash-ul rădăcină, asigurând astfel securitatea și consistența datelor. În plus, MPT este conceput pentru a sprijini verificarea „client ușoară”, permițând nodurilor să verifice existența sau starea unor informații specifice pur și simplu prin stocarea hash-ului rădăcină al arborelui și a nodurilor de cale necesare, reducând foarte mult nevoia de stocare și procesare a datelor.
Prin MPT, Ethereum nu numai că realizează un management eficient și acces rapid la date, dar asigură și securitatea și descentralizarea rețelei, susținând funcționarea și dezvoltarea întregii rețele Ethereum.
mașină de stat
Arhitectura de bază a Ethereum încorporează conceptul de mașini de stat Ethereum Virtual Machine (EVM) este mediul de rulare pentru executarea tuturor codurilor de contracte inteligente, iar Ethereum însuși poate fi considerat un sistem de tranziție de stat partajat la nivel global. Execuția fiecărui bloc poate fi privită ca un proces de tranziție a stărilor, trecând de la o stare partajată global la alta. Acest design nu numai că asigură consistența și descentralizarea rețelei Ethereum, dar face și rezultatele de execuție a contractelor inteligente previzibile și nemodificabile.
În Ethereum, starea se referă la informațiile curente ale tuturor conturilor, inclusiv soldul fiecărui cont, datele de stocare și codul de contract inteligent. Ori de câte ori are loc o tranzacție, EVM calculează și convertește starea pe baza conținutului tranzacției. Acest proces este înregistrat eficient și sigur prin MPT. Fiecare tranziție de stare nu numai că modifică datele contului, ci provoacă și o actualizare a MPT, care se reflectă în schimbarea hash-ului rădăcină a arborelui.
Relația dintre EVM și MPT este crucială, deoarece MPT oferă garanții de integritate a datelor pentru tranzițiile de stare ale Ethereum. Când EVM execută tranzacții care modifică starea contului, nodurile MPT asociate sunt actualizate pentru a reflecta aceste modificări. Deoarece fiecare nod al MPT este legat printr-un hash, orice modificare a stării va provoca o modificare a hash-ului rădăcină. Acest nou hash rădăcină este apoi inclus în noul bloc, asigurând stabilitatea întregului stat Ethereum. În continuare, prezentăm mașina virtuală EVM.
EVM
Mașina virtuală EVM este fundația întregului Ethereum pentru a construi tranziții de stare de execuție a contractelor inteligente. Datorită EVM, Ethereum poate fi imaginat ca un computer mondial într-un sens adevărat. Mașina virtuală EVM este Turing completă, ceea ce înseamnă că contractele inteligente pe Ethereum pot efectua orice calcul logic complex, iar introducerea mecanismului de gaz previne cu succes bucle infinite în contract și asigură stabilitatea și securitatea rețelei. De la un nivel tehnic mai aprofundat, EVM este o mașină virtuală bazată pe stivă care utilizează bytecode specific Ethereum pentru a executa contracte inteligente. Dezvoltatorii folosesc de obicei limbaje de nivel înalt, cum ar fi Solidity, pentru a scrie contracte inteligente și apoi le compilează în bytecode pe care EVM îl poate înțelege pentru ca EVM să execute apeluri. EVM este cheia capacităților de inovare ale blockchain-ului Ethereum. Nu numai că sprijină operarea contractelor inteligente, dar oferă și o bază solidă pentru dezvoltarea aplicațiilor descentralizate. Prin EVM, Ethereum modelează un viitor digital descentralizat, sigur și deschis.
Recenzie istorică
Figura 1 Revizuire istorică a Ethereum
Provocări cu care se confruntă Ethereum
securitate
Contractele inteligente sunt programe de calculator care rulează pe blockchain-ul Ethereum. Acestea permit dezvoltatorilor să creeze și să publice o varietate de aplicații, inclusiv, dar fără a se limita la, aplicații de împrumut, schimburi descentralizate, asigurări, finanțare secundară, rețele sociale și NFT. Securitatea contractelor inteligente este crucială pentru aceste aplicații. Aceste aplicații sunt direct responsabile pentru procesarea și controlul criptomonedelor Orice lacune în contractele inteligente sau atacuri rău intenționate asupra acestora vor reprezenta o amenințare directă la adresa securității fondurilor și chiar vor duce la pierderi economice uriașe. De exemplu, pe 26 februarie 2024, protocolul de împrumut DeFi Blueberry Protocol a fost atacat din cauza unui defect logic în contractul inteligent, ceea ce a dus la o pierdere de aproximativ 1.400.000 USD.
Vulnerabilitățile contractelor inteligente sunt multiple, acoperind logica de afaceri nerezonabilă (Business Logic), controlul necorespunzător al accesului, verificarea insuficientă a datelor, atacurile de reintrare și atacurile DOS (Denial of Service). Aceste vulnerabilități pot cauza probleme în executarea contractului și pot afecta funcționarea eficientă a contractului inteligent. Luați ca exemplu un atac DOS. Această metodă de atac folosește atacatorul pentru a trimite un număr mare de tranzacții pentru a consuma resurse de rețea. Apoi, tranzacțiile inițiate de utilizatori normali nu pot fi procesate în timp util, ceea ce va duce la o scădere a experienței utilizatorului. . Mai mult, acest lucru va duce la creșterea taxelor de tranzacționare a gazelor. Deoarece atunci când resursele de rețea sunt limitate, utilizatorii pot fi nevoiți să plătească taxe mai mari pentru ca tranzacțiile lor să fie prioritizate.
În plus, utilizatorii de pe Ethereum se confruntă și cu riscuri de investiții, iar securitatea fondurilor va fi amenințată. De exemplu, monedele spam sunt folosite pentru a descrie criptomonede care sunt considerate a avea valoare mică sau nu au potențial de creștere pe termen lung. Monedele spam sunt adesea folosite ca instrument pentru fraudă sau pentru manipularea prețurilor în strategiile de pompare și descărcare. Investiția în monede nedorite este foarte riscantă și poate duce la pierderi financiare semnificative. Datorită prețului lor scăzut și a capitalizării pieței scăzute, sunt foarte susceptibili la manipulare și volatilitate. Moneda este adesea folosită în scheme de pompare și descărcare și în escrocherii honeypot, în care proiectele false sunt folosite pentru a atrage investitorii și a le fura fondurile. Un alt risc obișnuit de spamcoin este o tragere de covor, în care creatorul elimină brusc toată lichiditatea din proiect, determinând scăderea valorii jetonului. Aceste escrocherii sunt adesea comercializate cu parteneriate și aprobări false și, odată ce prețul token-ului crește, escrocii își vând jetoanele, obțin profit și dispar, lăsând investitorilor token-uri fără valoare. În același timp, investiția în shitcoins distrage atenția și resursele de la criptomonede legitime care au aplicații reale și potențial de creștere.
Pe lângă monedele nedorite, monedele aeriene și monedele MLM sunt, de asemenea, modalități de a obține profituri rapide. Deosebirea acestora de criptomonedele legitime este deosebit de dificilă pentru utilizatorii cărora le lipsește experiența și experiența.
eficienţă
Două metrici foarte directe pentru evaluarea eficienței Ethereum sunt viteza tranzacției și taxele de gaz. Viteza tranzacției se referă la numărul de tranzacții pe care rețeaua Ethereum le poate procesa pe unitatea de timp. Această măsurătoare reflectă în mod direct puterea de procesare a rețelei Ethereum, cu viteze mai mari, ceea ce înseamnă o eficiență mai mare. Fiecare tranzacție în Ethereum necesită o anumită taxă de gaz pentru a compensa minerii pentru verificarea tranzacției. Cu cât costul gazului este mai mic, cu atât eficiența Ethereum este mai mare.
Viteza redusă a tranzacțiilor va duce la taxe mai mari la gaz. În general, atunci când viteza de procesare a tranzacțiilor încetinește, poate exista o creștere a tranzacțiilor care concurează pentru a intra în blocul următor din cauza spațiului limitat de bloc. Pentru a ieși în evidență față de concurență, comercianții cresc adesea taxele de gaz deoarece minerii tind să acorde prioritate tranzacțiilor cu taxe mai mari la gaz atunci când validează tranzacțiile. Apoi, taxele mai mari de gaz vor reduce experiența utilizatorului.
Tranzacțiile sunt doar activitatea de bază în Ethereum. În acest ecosistem, utilizatorii pot, de asemenea, să desfășoare diverse activități, cum ar fi împrumuturi, gaj, investiții și asigurări. Toate acestea pot fi realizate prin DApp-uri specifice. Cu toate acestea, având în vedere varietatea mare de aplicații DApp și lipsa serviciilor de recomandare personalizate similare industriilor tradiționale, utilizatorii se vor simți confuzi atunci când aleg aplicațiile și produsele care li se potrivesc. Această situație va duce la o scădere a satisfacției utilizatorilor, ceea ce va afecta eficiența întregului ecosistem Ethereum.
Luați creditul ca exemplu. Pentru a menține securitatea și stabilitatea propriilor platforme, unele platforme de creditare DeFi vor folosi un mecanism de supra-colateralizare. Aceasta înseamnă că împrumutatul trebuie să ofere mai multe active drept garanție, iar aceste active nu pot fi utilizate de împrumutat pentru alte activități în timpul perioadei de împrumut. Acest lucru va duce la o scădere a utilizării capitalului debitorilor, reducând astfel lichiditatea pieței.
Aplicarea învățării automate în Ethereum
Modelele de învățare automată, cum ar fi modelul RFM, rețeaua generativă adversară (GAN), modelul arborelui de decizie, algoritmul KNN cel mai apropiat vecin, algoritmul de clustering DBSCAN etc., joacă un rol important în Ethereum. Aplicarea acestor modele de învățare automată în Ethereum poate ajuta la optimizarea eficienței procesării tranzacțiilor, la îmbunătățirea securității contractelor inteligente, la realizarea stratificării utilizatorilor pentru a oferi servicii mai personalizate și la menținerea funcționării stabile a rețelei.
Introducere algoritm
Un algoritm de învățare automată este un set de instrucțiuni sau reguli pentru analizarea datelor, modelele de învățare în date și luarea de predicții sau decizii pe baza acelor învățari. Ei învață și se îmbunătățesc automat din datele pe care le oferă, fără a fi nevoie de instrucțiuni de programare explicite de la oameni. Modelele de învățare automată, cum ar fi modelul RFM, rețeaua generativă adversară (GAN), modelul arborelui de decizie, algoritmul KNN cel mai apropiat vecin, algoritmul de clustering DBSCAN etc., joacă un rol important în Ethereum. Aplicarea acestor modele de învățare automată în Ethereum poate ajuta la optimizarea eficienței procesării tranzacțiilor, la îmbunătățirea securității contractelor inteligente, la realizarea stratificării utilizatorilor pentru a oferi servicii mai personalizate și la menținerea funcționării stabile a rețelei.
clasificator bayesian
Clasificatorul bayesian este un clasificator eficient care are ca scop minimizarea probabilității erorii de clasificare sau minimizarea riscului mediu într-un cadru de cost specific dintre diferitele metode de clasificare statistică. Filosofia sa de proiectare este adânc înrădăcinată în teorema lui Bayes, care îi permite să ia decizii prin calcularea probabilității posterioare a unui obiect având în vedere probabilitatea ca un obiect să aparțină unei anumite clase, având în vedere anumite caracteristici. Mai exact, clasificatorul bayesian ia în considerare mai întâi probabilitatea anterioară a obiectului și apoi aplică formula bayesiană pentru a lua în considerare în mod cuprinzător datele de observație pentru a actualiza credința despre clasificarea obiectului. Dintre toate clasificările posibile, clasificatorul bayesian o selectează pe cea cu cea mai mare probabilitate posterioară de a clasifica obiectul în această categorie. Avantajul principal al acestei abordări este capacitatea sa de a gestiona în mod natural incertitudinea și informațiile incomplete, făcându-l un instrument puternic și flexibil, potrivit pentru o gamă largă de scenarii de aplicație.
După cum se arată în Figura 2, în învățarea automată supravegheată, datele și un model de probabilitate bazat pe teorema lui Bayes sunt folosite pentru a lua decizii de clasificare. Folosind probabilitatea și probabilitățile anterioare ale categoriilor și caracteristicilor, clasificatorul bayesian calculează probabilitatea posterioară ca punctele de date să aparțină fiecărei categorii și atribuie punctele de date categoriei cu cea mai mare probabilitate posterioară. În graficul de dispersie din dreapta, clasificatorul va încerca să găsească o curbă care separă cel mai bine punctele de diferite culori, minimizând astfel eroarea de clasificare.
Figura 2 Clasificator bayesian
arborele de decizie
Algoritmul arborelui de decizie este adesea folosit în sarcinile de clasificare și regresie. Adoptă ideea de judecată ierarhică Pe baza datelor cunoscute, arborele de decizie este antrenat selectând caracteristici cu o rată mare de câștig de informații și apoi împărțindu-le în. copaci. Pentru a spune simplu, întreg algoritmul poate auto-învăța o regulă de decizie bazată pe date pentru a judeca valoarea variabilei În ceea ce privește implementarea, poate descompune procesul complex de luare a deciziilor în mai multe procese simple de luare a deciziilor. Printr-o astfel de metodă derivată, fiecare judecată de decizie mai simplă este derivată dintr-un criteriu de decizie părinte, formând o structură arborescentă.
După cum se poate observa din Figura 3, fiecare nod reprezintă o decizie și determină criteriile de judecată ale unui anumit atribut, iar ramurile reprezintă rezultatele deciziei. Fiecare nod frunză reprezintă rezultatul final prezis și categoria. Din perspectiva compoziției algoritmului, modelul arborelui de decizie este relativ intuitiv, ușor de înțeles și are o interpretabilitate puternică.
Figura 3 Modelul arborelui decizional
Algoritmul DBSCAN
DBSCAN (Density-Based Spatial Clustering of Applications with Noise) este un algoritm de clustering spațial bazat pe densitate cu zgomot, care pare să funcționeze deosebit de bine pentru seturi de date neconectate. Acest algoritm poate descoperi clustere de forme arbitrare fără a specifica numărul de clustere în prealabil și are o bună robustețe la valorile aberante din setul de date. Algoritmul poate identifica, de asemenea, în mod eficient valorile aberante din seturile de date zgomotoase.
Figura 4 Algoritmul DBSCAN identifică zgomotul
algoritmul KNN
Algoritmul KNN (K-Nearest Neighbors) poate fi utilizat atât pentru clasificare, cât și pentru regresie. Într-o problemă de clasificare, mecanismul de vot este utilizat pentru a determina categoria articolului de clasificat într-o problemă de regresie, pentru predicție se calculează media sau media ponderată a celor mai apropiate eșantioane.
După cum se arată în Figura 5, principiul de lucru al algoritmului KNN în clasificare este de a găsi cei mai apropiați K vecini ai unui nou punct de date și apoi de a prezice categoria noului punct de date pe baza categoriilor acestor vecini. Dacă K=1, atunci noul punct de date este pur și simplu atribuit clasei celui mai apropiat vecin. Dacă K>1, atunci o metodă de vot este de obicei utilizată pentru a determina categoria noului punct de date, adică noul punct de date va fi atribuit categoriei căreia îi aparțin cei mai mulți vecini. Când se folosește algoritmul KNN pentru probleme de regresie, ideea de bază este aceeași, iar rezultatul este media valorilor K de ieșire ale eșantionului celor mai apropiați vecini.
Figura 5 Algoritmul KNN utilizat pentru clasificare
inteligența artificială generativă
Inteligența artificială generativă este o tehnologie AI care poate genera conținut nou (cum ar fi text, imagini, muzică etc.) pe baza intrării cererii. Fundalul său se bazează pe progresele în învățarea automată și în învățarea profundă, în special cu aplicații în domenii precum procesarea limbajului natural și recunoașterea imaginilor. AI generativ funcționează prin învățarea tiparelor și asocierilor din cantități mari de date și apoi generând conținut nou de ieșire pe baza acestor informații învățate. Cheia inteligenței artificiale generative constă în antrenamentul modelului, care necesită date excelente pentru învățare și instruire. În acest proces, modelul își îmbunătățește treptat capacitatea de a genera conținut nou prin analizarea și înțelegerea structurii, modelelor și relațiilor din setul de date.
Transformator
Ca piatră de temelie a inteligenței artificiale generative, Transformer a fost pionier în introducerea mecanismului de atenție, care permite procesării informațiilor să se concentreze asupra punctelor cheie, având și o privire de ansamblu. Această abilitate unică face ca Transformer să strălucească în domeniul generării de text. Utilizarea celor mai recente modele de limbaj de procesare a limbajului natural, cum ar fi GPT (Generative Pre-trained Transformer), pentru a înțelege cerințele aplicațiilor utilizatorilor exprimate în limbaj natural și a le converti automat în cod executabil poate reduce dificultatea de dezvoltare și poate îmbunătăți semnificativ eficiența.
După cum se arată în Figura 6, prin introducerea mecanismului de atenție cu mai multe capete și a mecanismului de autoatenție, combinat cu conexiune reziduală și rețea neuronală complet conectată și cu ajutorul tehnologiei anterioare de încorporare a cuvintelor, performanța modelelor generative legate de limbajul natural prelucrarea a fost mult îmbunătățită Pământul urcă.
Figura 6 Modelul transformatorului
Model RFM
Modelul RFM este un model de analiză bazat pe comportamentul de cumpărare al utilizatorilor Analizând comportamentul tranzacțiilor utilizatorilor, poate identifica grupuri de utilizatori cu valori diferite. Acest model stratifică utilizatorii în funcție de timpul de consum recent (R), frecvența de consum (F) și cantitatea de consum (M).
După cum se arată în Figura 7. Acești trei indicatori formează împreună nucleul modelului RFM. Modelul punctează utilizatorii pe baza acestor trei dimensiuni și îi sortează în funcție de scorurile lor pentru a identifica cele mai valoroase grupuri de utilizatori. Mai mult, acest model poate împărți eficient clienții în diferite grupuri pentru a realiza funcția de stratificare a utilizatorilor.
Figura 7 Model stratificat RFM
aplicatii posibile
Când am aplicat tehnologia de învățare automată pentru a aborda provocările de securitate ale Ethereum, am efectuat cercetări din patru aspecte principale:
Identificați și filtrați tranzacțiile rău intenționate pe baza clasificatorului bayesian
Prin construirea unui clasificator bayesian, posibilele tranzacții de spam sunt identificate și filtrate, incluzând, dar fără a se limita la tranzacții mari, frecvente și mici, care duc la atacuri DOS. Această metodă menține în mod eficient sănătatea rețelei și asigură funcționarea stabilă a rețelei Ethereum prin analizarea caracteristicilor tranzacției, cum ar fi prețul gazului, frecvența tranzacțiilor etc.
Generați un cod de contract inteligent care este sigur și care îndeplinește cerințe specifice
Atât rețelele generative adversare (GAN), cât și rețelele generative bazate pe transformatoare pot fi utilizate pentru a genera cod de contract inteligent care îndeplinește cerințele specifice și asigură securitatea codului cât mai mult posibil. Cu toate acestea, există diferențe între cei doi în ceea ce privește tipul de date pe care se bazează pentru a-și antrena modelele. Procesul de antrenare al primului se bazează în principal pe mostre de cod nesigure, în timp ce opusul este valabil pentru cel din urmă.
Prin instruirea GAN, învățăm modele de contracte de securitate existente, construim modele de auto-confruntare pentru a genera coduri potențial nesigure și apoi învățăm să identificăm aceste nesiguranțe prin învățarea modelului, obținând în cele din urmă capacitatea de a genera automat coduri de contract inteligente de înaltă calitate și mai sigure. . Utilizarea modelului de rețea generativă bazată pe Transformer, prin învățarea unui număr mare de exemple de contracte de securitate, generarea unui cod de contract care să răspundă nevoilor specifice și să optimizeze consumul de gaz va îmbunătăți, fără îndoială, eficiența și securitatea dezvoltării unui contract inteligent.
Analiza inteligentă a riscurilor contractelor bazată pe arborele decizional
Utilizarea arborilor de decizie pentru a analiza caracteristicile contractelor inteligente, cum ar fi frecvența apelurilor de funcție, valoarea tranzacției, complexitatea codului sursă etc., poate identifica în mod eficient nivelul potențial de risc al contractului. Analizând modul de operare a contractului și structura codului, pot fi prezise posibile vulnerabilități și puncte de risc, oferind astfel dezvoltatorilor și utilizatorilor evaluări de securitate. Se așteaptă ca această abordare să îmbunătățească în mod semnificativ securitatea contractelor inteligente în ecosistemul Ethereum, reducând astfel pierderile din cauza vulnerabilităților sau a codului rău intenționat.
Creați un model de evaluare pentru criptomonede pentru a reduce riscurile de investiții
Utilizați algoritmi de învățare automată pentru a analiza informații multidimensionale, cum ar fi datele privind tranzacțiile cu criptomonede, activitățile din rețelele sociale și performanța pieței, pentru a construi un model de evaluare care poate prezice posibilitatea de apariție a monedelor spam. Acest model poate oferi investitorilor o referință valoroasă pentru a-i ajuta să evite riscurile investiționale, promovând astfel dezvoltarea sănătoasă a pieței criptomonedei.
În plus, utilizarea învățării automate are și potențialul de a îmbunătăți în continuare eficiența Ethereum. Putem aprofunda următoarele trei dimensiuni cheie:
Aplicație de arbore de decizie pentru a optimiza modelul de așteptare a grupului de tranzacții
Pe baza arborilor de decizie, mecanismul de așteptare al pool-ului de tranzacții Ethereum poate fi optimizat eficient. Analizând caracteristicile tranzacțiilor, cum ar fi prețul gazului și dimensiunea tranzacției, arborii de decizie pot optimiza selecția și ordinea de așteptare a tranzacțiilor. Această metodă poate îmbunătăți semnificativ eficiența procesării tranzacțiilor, poate reduce în mod eficient congestionarea rețelei și poate reduce timpul de așteptare al tranzacțiilor al utilizatorilor.
Stratificați utilizatorii și oferiți servicii personalizate
Modelul RFM (Recency, Valoare monetară, Frecvență) este un instrument analitic utilizat pe scară largă în managementul relațiilor cu clienții. Poate evalua timpul ultimei tranzacții (Recency), frecvența tranzacției (Frecvența) și valoarea tranzacției (Valoare monetară reală). stratificare. Aplicarea modelului RFM pe platforma Ethereum poate ajuta la identificarea grupurilor de utilizatori de mare valoare, la optimizarea alocării resurselor și la furnizarea de servicii mai personalizate, îmbunătățind astfel satisfacția utilizatorilor și eficiența generală a platformei.
Algoritmul DBSCAN poate analiza, de asemenea, comportamentul de tranzacționare al utilizatorilor, poate ajuta la identificarea diferitelor grupuri de utilizatori pe Ethereum și oferă în continuare servicii financiare mai personalizate pentru diferiți utilizatori. Această strategie de stratificare a utilizatorilor poate optimiza strategiile de marketing și poate îmbunătăți satisfacția clienților și eficiența serviciilor.
Scorul de credit bazat pe KNN
Algoritmul K-ul cel mai apropiat vecin (KNN) poate nota creditul utilizatorilor analizând istoricul tranzacțiilor și modelele de comportament ale utilizatorilor Ethereum, care joacă un rol extrem de important în activități financiare precum creditarea. Scorurile de credit pot ajuta instituțiile financiare și platformele de creditare să evalueze capacitatea de rambursare a împrumutaților și riscul de credit, luând astfel decizii de împrumut mai precise. Acest lucru evită supraîmprumuturile și îmbunătățește lichiditatea pieței.
direcție viitoare
Din perspectiva alocării de fonduri macro, Ethereum, ca cel mai mare computer distribuit din lume, nu poate investi prea mult în stratul de infrastructură și trebuie să atragă dezvoltatori din mai multe medii pentru a participa la co-construcție. În acest articol, rezolvând implementarea tehnică și problemele cu care se confruntă Ethereum, ne-am imaginat o serie de aplicații posibile relativ intuitive ale învățării automate. Aterizat.
Pe măsură ce puterea de calcul din lanț crește treptat, putem prevedea că vor fi dezvoltate modele mai complexe pentru managementul rețelei, monitorizarea tranzacțiilor, auditul de securitate și alte aspecte pentru a îmbunătăți eficiența și securitatea rețelei Ethereum.
Mergând mai departe, inteligența artificială/mecanismele de guvernare bazate pe agenți pot deveni, de asemenea, un punct de inovare major în ecosistemul Ethereum. Procesul de luare a deciziilor mai eficient, mai transparent și mai automatizat generat de acest mecanism aduce o structură de guvernanță mai flexibilă și mai fiabilă platformei Ethereum. Aceste direcții de dezvoltare viitoare nu numai că vor promova inovația tehnologiei Ethereum, ci vor oferi și utilizatorilor o experiență mai bună în lanț.
Dacă sunteți expert în tehnologia AI sau Ethereum și sunteți interesat să discutați în continuare sau să lucrați împreună pe acest subiect, vă rugăm să ne contactați.
Oglindă Tang | Salus
Capitala Yixin Ren｜Hongshan
