كيف يمكن للذكاء الاصطناعي أن يُحدث ثورة في الإيثيريوم؟ النظر إلى "AI+Blockchain" من زاوية أخرى

المؤلف: ميرور تانغ | سالوس؛ ييشين رن | عاصمة هونغشان؛ لينغزي شي | سالوس؛ جيانغيو وانغ | سالوس

في العام الماضي، مع تجاوز الذكاء الاصطناعي التوليدي التوقعات العامة بشكل متكرر، اجتاحت موجة ثورة إنتاجية الذكاء الاصطناعي دائرة العملات المشفرة. لقد رأينا أن العديد من مشاريع مفاهيم الذكاء الاصطناعي قد أحدثت موجة من الأساطير حول خلق الثروة في السوق الثانوية، وفي الوقت نفسه، بدأ المزيد والمزيد من المطورين في تطوير مشاريع "AI + Crypto" الخاصة بهم.

ومع ذلك، فإن نظرة فاحصة تكشف أن تجانس هذه المشاريع أمر خطير للغاية، وأن معظم المشاريع تركز فقط على تحسين "علاقات الإنتاج"، مثل تنظيم قوة الحوسبة من خلال الشبكات اللامركزية، أو إنشاء "وجه معانق لامركزي" وما إلى ذلك. عدد قليل جدًا من المشاريع تحاول التكامل الحقيقي والابتكار من التكنولوجيا الأساسية. نعتقد أن سبب هذه الظاهرة هو وجود "تحيز المجال" بين مجالي الذكاء الاصطناعي و blockchain. على الرغم من التقاطع الواسع بينهما، فإن القليل من الناس لديهم فهم عميق لكلا المجالين. على سبيل المثال، يصعب على مطوري الذكاء الاصطناعي فهم التنفيذ الفني وحالة البنية التحتية التاريخية لـ Ethereum، ومن الأصعب اقتراح حلول تحسين متعمقة.

لنأخذ التعلم الآلي (ML)، وهو الفرع الأساسي للذكاء الاصطناعي، كمثال، فهو تقنية تسمح للآلات باتخاذ القرارات بناءً على البيانات دون تعليمات برمجة واضحة. أظهر التعلم الآلي إمكانات كبيرة في تحليل البيانات والتعرف على الأنماط، وأصبح شائعًا في الويب 2. ومع ذلك، نظرًا للقيود المفروضة على الأوقات التي ولدت فيها لأول مرة، حتى في طليعة ابتكار تكنولوجيا blockchain مثل Ethereum، فإن هندستها المعمارية وشبكاتها وآليات إدارتها لم تستخدم بعد التعلم الآلي كأداة فعالة لحل المشكلات المعقدة.

"غالبًا ما تولد الابتكارات العظيمة في مجالات متقاطعة." هدفنا الأصلي من كتابة هذا المقال هو السماح لمطوري الذكاء الاصطناعي بفهم عالم blockchain بشكل أفضل، وكذلك تقديم أفكار جديدة للمطورين في مجتمع Ethereum. في المقالة، قدمنا أولاً التنفيذ الفني لـ Ethereum، ثم اقترحنا حلاً لتطبيق التعلم الآلي، وهي خوارزمية الذكاء الاصطناعي الأساسية، على شبكة Ethereum لتحسين أمانها وكفاءتها وقابلية التوسع. نأمل أن نستخدم هذه الحالة كنقطة بداية لتقديم بعض وجهات النظر المختلفة عن تلك الموجودة في السوق وإلهام مجموعات متقاطعة أكثر ابتكارًا لـ "AI+Blockchain" في النظام البيئي للمطورين.

التنفيذ الفني للإيثيريوم

1. بنية البيانات الأساسية جوهر blockchain هو سلسلة ربط الكتل، ومفتاح التمييز بين السلاسل هو تكوين السلسلة، وهو أيضًا جزء لا غنى عنه في إنشاء blockchain. بالنسبة إلى إيثريوم، يتم استخدام تكوين السلسلة للتمييز بين السلاسل المختلفة في إيثريوم وتحديد بعض بروتوكولات الترقية المهمة وأحداث الإشارة. على سبيل المثال، يشير DAOForkBlock إلى ارتفاع الانقسام الكلي الذي تعرضت فيه Ethereum لهجوم DAO، ويشير ConstantinopleBlock إلى ارتفاع الكتلة التي تمت ترقية القسطنطينية عندها. بالنسبة للترقيات الأكبر التي تتضمن العديد من مقترحات التحسين، سيتم تعيين حقول خاصة لتحديد ارتفاع الكتلة المقابل، بالإضافة إلى ذلك، يتضمن إيثريوم شبكات اختبار مختلفة وشبكات رئيسية، ويتم تحديد بيئة الشبكة المقابلة بشكل فريد من خلال ChainID.

كتلة التكوين هي الكتلة الصفرية لسلسلة الكتل بأكملها، وتشير الكتل الأخرى بشكل مباشر أو غير مباشر إلى كتلة التكوين. لذلك، يجب تحميل معلومات كتلة التكوين الصحيحة عند بدء تشغيل العقدة ويجب عدم تعديلها بشكل تعسفي. تتضمن معلومات التكوين الخاصة بكتلة التكوين تكوين السلسلة المذكورة أعلاه، وتضيف أيضًا حقولًا مثل مكافآت التعدين ذات الصلة والطوابع الزمنية والصعوبة وحدود الغاز، وتجدر الإشارة إلى أن آلية الإجماع الخاصة بالإيثيريوم تطورت من تعدين إثبات العمل يتم تحويل الآلية إلى إثبات الحصة.

تنقسم حسابات الإيثريوم إلى حسابات خارجية وحسابات عقدية، ويتم التحكم في الحساب الخارجي بشكل فريد بواسطة مفتاح خاص، بينما لا يتمتع حساب العقد بمفتاح خاص للتحكم ولا يمكن تشغيله إلا عن طريق استدعاء العقد من الحساب الخارجي لتنفيذ رمز العقد. تحتوي جميعها على عنوان فريد. الحالة العالمية للإيثريوم هي شجرة حسابات إيثريوم، ويتوافق كل حساب مع عقدة فرعية تخزن حالة الحساب (معلومات الحساب المختلفة ومعلومات الكود).

المعاملة: باعتبارها منصة لا مركزية، فإن جوهر إيثريوم هو المعاملات والعقود. كتل إيثريوم عبارة عن معاملات مجمعة، بالإضافة إلى معلومات إضافية ذات صلة. وتنقسم الكتل المحددة إلى جزأين، وهما رأس الكتلة ومنطقة الكتلة، حيث يتم تحتوي بيانات رأس الكتلة على دليل يربط جميع الكتل في سلسلة، والتي يمكن أن نفهمها على أنها تجزئة الكتلة السابقة، بالإضافة إلى جذر الحالة، وجذر المعاملة، وجذر الاستلام، وإثبات حالة عالم الإيثيريوم بأكمله، والعديد من المؤشرات الأخرى تشير إلى الصعوبة، عد nonce وغيرها من البيانات الإضافية. يقوم نص الكتلة بتخزين قائمة المعاملات وقائمة رؤوس الكتلة العم (نظرًا لأن Ethereum قد تم تحويله إلى إثبات حصة، لم يعد مرجع الكتلة العم موجودًا).

توفر إيصالات المعاملة النتائج والمعلومات الإضافية بعد تنفيذ المعاملة والتي لا يمكن الحصول عليها مباشرة بمجرد النظر إلى المعاملة نفسها. على وجه التحديد، يمكن تقسيم المعلومات الواردة فيه إلى: محتوى الإجماع، ومعلومات المعاملة ومعلومات الكتلة، بما في ذلك المعلومات حول ما إذا كانت معالجة المعاملات ناجحة ومعلومات الاستهلاك مثل سجلات المعاملات والغاز. تصحيح أخطاء كود العقد الذكي وتحسين استهلاك الغاز من خلال تحليل المعلومات الموجودة في الإيصال. ويقدم نموذجًا للتأكيد على أن المعاملة قد تمت معالجتها بواسطة الشبكة، ويمكن الاطلاع على نتائج المعاملة وتأثيرها.

في Ethereum، يمكن فهم رسوم الغاز ببساطة على أنها رسوم مناولة، فعندما ترسل Token أو تنفذ عقدًا أو تنقل Ethereum أو تقوم بعمليات مختلفة على هذه الكتلة، فإن العمليات في هذه المعاملات تتطلب رسوم غاز Ether عند معالجة هذه المعاملة، يقوم الكمبيوتر يحتاج إلى إجراء العمليات الحسابية واستهلاك موارد الشبكة، لذا يتعين عليك دفع رسوم الغاز حتى يتمكن الكمبيوتر من العمل نيابةً عنك. يتم دفع رسوم الوقود النهائية لعمال المناجم كرسوم مناولة، ويمكن فهم صيغة حساب الرسوم المحددة على أنها الرسوم = الغاز المستخدم * سعر الغاز، وهو الاستهلاك الفعلي مضروبًا في سعر وحدة الاستهلاك. يتم تحديد السعر من قبل بادئ المعاملة، وغالبًا ما يحدد مبلغه مدى سرعة تحميل المعاملات إلى السلسلة. إذا كان الإعداد منخفضًا جدًا، فقد لا يتم تنفيذ المعاملة، وفي الوقت نفسه، من الضروري أيضًا تعيين حد أعلى لاستهلاك الغاز لتجنب الأخطاء في العقد التي تسبب استهلاكًا غير متوقع للغاز. 2. تجمع التداول هناك عدد كبير من المعاملات في إيثريوم، وبالمقارنة مع النظام المركزي، فمن الواضح أن عدد المعاملات في الثانية التي تتم معالجتها بواسطة النظام اللامركزي قاتم. نظرًا للعدد الكبير من المعاملات التي تدخل العقدة، تحتاج العقدة إلى الاحتفاظ بتجمع المعاملات لإدارة هذه المعاملات بشكل صحيح. يتم بث المعاملات من خلال p2p، على وجه التحديد، ستقوم العقدة ببث معاملة قابلة للتنفيذ إلى العقد المجاورة لها، ومن ثم ستقوم العقد المجاورة ببث المعاملة إلى العقد المجاورة للعقدة، وبهذه الطريقة، يمكن أن تنتشر المعاملة إلى شبكة Ethereum بأكملها في غضون 6 ثوانٍ.

تنقسم المعاملات في مجمع المعاملات إلى معاملات قابلة للتنفيذ ومعاملات غير قابلة للتنفيذ، والمعاملات القابلة للتنفيذ لها أولوية أعلى وسيتم تنفيذها وتعبئتها في الكتلة، في حين أن جميع المعاملات التي دخلت للتو في مجمع المعاملات هي معاملات غير قابلة للتنفيذ. ثم تصبح قابلة للتنفيذ. يتم تسجيل المعاملات القابلة للتنفيذ والمعاملات غير القابلة للتنفيذ في الحاوية المعلقة وحاوية قائمة الانتظار على التوالي.

بالإضافة إلى ذلك، سيحتفظ تجمع المعاملات أيضًا بقائمة المعاملات المحلية، تتمتع المعاملات المحلية بالعديد من المزايا، فهي ذات أولوية أعلى، ولا تتأثر بقيود حجم المعاملات، ويمكن إعادة تحميلها في تجمع المعاملات فورًا عند إعادة تشغيل العقدة. يتم تنفيذ التخزين المحلي المستمر للمعاملات المحلية من خلال دفتر اليومية (إعادة التحميل عند إعادة تشغيل العقدة)، والغرض منه هو عدم فقدان المعاملات المحلية غير المكتملة وسيتم تحديثها بانتظام.

سيتم التحقق من شرعية المعاملة قبل الدخول في قائمة الانتظار، بما في ذلك أنواع مختلفة من الشيكات، مثل: هجوم مكافحة DOS، ومكافحة المعاملة السلبية، وحد غاز المعاملة، وما إلى ذلك. يمكن تقسيم التركيب البسيط لتجمع المعاملات إلى: قائمة الانتظار + معلقة (يشكل الاثنان جميع المعاملات). بعد الانتهاء من اختبار الشرعية، سيتم إجراء فحوصات لاحقة، بما في ذلك التحقق مما إذا كانت قائمة انتظار المعاملات قد وصلت إلى الحد الأعلى، ثم الحكم على المعاملات عن بعد (المعاملات عن بعد هي معاملات غير محلية)) هو الأدنى في تجمع التداول، ويحل محل المعاملة الأقل سعرًا في تجمع التداول. لاستبدال المعاملات القابلة للتنفيذ، افتراضيًا، يُسمح فقط للمعاملات التي تزيد رسوم المناولة بنسبة 10% باستبدال المعاملات التي تنتظر التنفيذ بالفعل، وسيتم تخزينها كمعاملات غير قابلة للتنفيذ بعد الاستبدال. بالإضافة إلى ذلك، أثناء عملية صيانة مجمع المعاملات، سيتم حذف المعاملات غير الصالحة والمتجاوزة الحد، وسيتم استبدال المعاملات التي تستوفي الشروط. 3. آلية الإجماع كانت نظرية الإجماع المبكرة للإيثريوم لا تزال تعتمد على طريقة حساب تجزئة قيمة الصعوبة، أي أنه يجب حساب قيمة تجزئة الكتلة للوفاء بشروط قيمة الصعوبة المستهدفة قبل أن تصبح الكتلة قانونية. نظرًا لأنه تم تغيير خوارزمية الإجماع الحالية للإيثريوم من POW إلى POS، فلن تتم مناقشة النظريات المتعلقة بالتعدين بالتفصيل. فيما يلي وصف موجز لخوارزمية نقاط البيع. أكملت إيثريوم دمج سلسلة المنارات في سبتمبر 2022 ونفذت خوارزمية نقاط البيع، وعلى وجه التحديد، بالنسبة للإيثريوم القائم على نقاط البيع، يكون وقت الكتلة لكل كتلة ثابتًا عند 12 ثانية، ويتعهد المستخدمون بعملات إيثريوم الخاصة بهم للحصول على الحق في أن تصبح عملة إيثريوم. المدقق. بعد ذلك، سيتم اختيار المستخدمين الذين يشاركون في التوقيع بشكل عشوائي للحصول على مجموعة من المدققين. في كل جولة، سيتم اختيار المدققين من كل فتحة من الفتحات الـ 32، وسيتم اختيار واحد منهم للتحقق. يعمل مقدم العرض يقوم مقدم العرض، ويقوم مقدم العرض بتنفيذ إنتاج الكتلة، ويعمل المصدقون المتبقون المقابلون للفتحة بمثابة لجنة للتحقق من مشروعية كتلة مقدم العرض وإصدار حكم على مشروعية الكتلة في الدورة السابقة. تعمل خوارزمية نقاط البيع على استقرار وتحسين سرعة إنتاج الكتل بشكل كبير، مع تجنب إهدار موارد الحوسبة بشكل كبير. 4. خوارزمية التوقيع تتبع Ethereum معيار خوارزمية توقيع Bitcoin وتستخدم أيضًا منحنى secp256k1. تستخدم خوارزمية التوقيع المحددة الخاصة بها ECDSA، مما يعني أن التوقيع المحسوب يتم حسابه بناءً على تجزئة الرسالة الأصلية. تكوين التوقيع بأكمله بسيط. هذا R + S +V. ستقدم كل عملية حسابية أرقامًا عشوائية وفقًا لذلك، حيث يكون R+S هو الناتج الأصلي لـ ECDSA. يُطلق على الحقل الأخير V اسم حقل الاسترداد، والذي يشير إلى عدد عمليات البحث المطلوبة لاستعادة المفتاح العام بنجاح من المحتوى والتوقيع، لأنه قد تكون هناك نقاط إحداثيات متعددة في المنحنى الإهليلجي تلبي المتطلبات بناءً على قيمة R.

يمكن تلخيص العملية برمتها ببساطة على النحو التالي: تتم تجزئة بيانات المعاملة والمعلومات المتعلقة بالموقع بعد تشفير RLP، وتوقيعها بالمفتاح الخاص من خلال ECDSA للحصول على التوقيع النهائي، والمنحنى المستخدم في ECDSA هو المنحنى الإهليلجي secp256k1. وأخيرًا، من خلال دمج بيانات التوقيع مع بيانات المعاملة، يمكنك الحصول على بيانات معاملة موقعة وبثها.

لا تعتمد بنية بيانات Ethereum على تقنية blockchain التقليدية فحسب، بل تقدم أيضًا أشجار Merkle Patricia، المعروفة أيضًا باسم أشجار Merkle المضغوطة، للتخزين الفعال والتحقق من كميات كبيرة من البيانات. تجمع MPT بين وظيفة التجزئة المشفرة لأشجار Merkle وخصائص ضغط المسار الرئيسي لأشجار Patricia لتوفير حل يضمن سلامة البيانات ويدعم البحث السريع. 5. شجرة بادئة ميركل المضغوطة في إيثريوم، يتم استخدام MPT لتخزين جميع بيانات الحالة والمعاملات، مما يضمن انعكاس أي تغييرات في البيانات في التجزئة الجذرية للشجرة. وهذا يعني أنه من خلال التحقق من التجزئة الجذرية، يمكنك إثبات سلامة ودقة البيانات دون الحاجة إلى التحقق من قاعدة البيانات بأكملها. يتكون MPT من أربعة أنواع من العقد: العقد الورقية، والعقد الملحقة، والعقد الفرعية، والعقد الفارغة، وتشكل هذه العقد معًا شجرة يمكنها التكيف مع تغييرات البيانات الديناميكية. في كل مرة يتم تحديث البيانات، يعكس MPT هذه التغييرات عن طريق إضافة العقد أو حذفها أو تعديلها، أثناء تحديث التجزئة الجذرية للشجرة. وبما أن كل عقدة مشفرة بواسطة دالة تجزئة، فإن أي تغييرات صغيرة في البيانات ستؤدي إلى تغييرات كبيرة في تجزئة الجذر، وبالتالي ضمان أمان البيانات واتساقها. بالإضافة إلى ذلك، تم تصميم MPT لدعم التحقق من "العميل الخفيف"، مما يسمح للعقد بالتحقق من وجود أو حالة معلومات محددة ببساطة عن طريق تخزين التجزئة الجذرية للشجرة وعقد المسار الضرورية، مما يقلل بشكل كبير من الحاجة إلى تخزين البيانات ومعالجتها.

من خلال MPT، لا تحقق Ethereum الإدارة الفعالة والوصول السريع إلى البيانات فحسب، بل تضمن أيضًا الأمان واللامركزية للشبكة، مما يدعم تشغيل وتطوير شبكة Ethereum بأكملها. 6. آلة الدولة تشتمل البنية الأساسية للإيثريوم على مفهوم أجهزة الحالة، فآلة الإيثريوم الافتراضية (EVM) هي بيئة التشغيل لتنفيذ جميع رموز العقود الذكية، ويمكن اعتبار الإيثريوم نفسه نظامًا مشتركًا عالميًا لانتقال الحالة. يمكن النظر إلى تنفيذ كل كتلة على أنها عملية انتقال حالة، والانتقال من حالة مشتركة عالميًا إلى أخرى. لا يضمن هذا التصميم الاتساق واللامركزية لشبكة إيثريوم فحسب، بل يجعل أيضًا نتائج تنفيذ العقود الذكية قابلة للتنبؤ بها وغير قابلة للتلاعب.

في إيثريوم، تشير الحالة إلى المعلومات الحالية لجميع الحسابات، بما في ذلك رصيد كل حساب وبيانات التخزين ورمز العقد الذكي. كلما حدثت معاملة، يقوم EVM بحساب الحالة وتحويلها بناءً على محتوى المعاملة، ويتم تسجيل هذه العملية بكفاءة وأمان من خلال MPT. لا يؤدي كل انتقال للحالة إلى تغيير بيانات الحساب فحسب، بل يؤدي أيضًا إلى تحديث MPT، وهو ما ينعكس في تغيير التجزئة الجذرية للشجرة.

تعد العلاقة بين EVM وMPT أمرًا بالغ الأهمية لأن MPT توفر ضمانات سلامة البيانات لانتقالات حالة Ethereum. عندما ينفذ EVM المعاملات ويغير حالة الحساب، يتم تحديث عقد MPT ذات الصلة لتعكس هذه التغييرات. نظرًا لأن كل عقدة من MPT مرتبطة بتجزئة، فإن أي تعديل على الحالة سيؤدي إلى تغيير في تجزئة الجذر، ثم يتم تضمين تجزئة الجذر الجديدة هذه في الكتلة الجديدة، مما يضمن استقرار حالة الإيثريوم بأكملها. . بعد ذلك نقدم الجهاز الظاهري EVM. 7. ** إيفم **

تعد الآلة الافتراضية EVM الأساس الذي يقوم عليه Ethereum بأكمله لبناء عقود ذكية وتنفيذ تحولات الحالة، وبفضل EVM يمكن تصور Ethereum كجهاز كمبيوتر عالمي بالمعنى الحقيقي. الجهاز الافتراضي EVM هو Turing Complete، مما يعني أن العقود الذكية على Ethereum يمكنها إجراء أي حسابات منطقية معقدة، كما أن إدخال آلية الغاز يمنع الحلقات اللانهائية في العقد بنجاح ويضمن استقرار الشبكة وأمنها. على مستوى أكثر تقنية، فإن EVM عبارة عن آلة افتراضية قائمة على المكدس تستخدم كود بايت خاص بـ Ethereum لتنفيذ العقود الذكية. عادةً ما يستخدم المطورون لغات عالية المستوى، مثل Solidity، لكتابة العقود الذكية، ثم تجميعها في رمز ثانوي يمكن لـ EVM فهمه لاستدعاءات التنفيذ بواسطة EVM. إن EVM هو المفتاح لقدرات الابتكار في سلسلة Ethereum blockchain، فهو لا يدعم تشغيل العقود الذكية فحسب، بل يوفر أيضًا أساسًا متينًا لتطوير التطبيقات اللامركزية. من خلال EVM، تعمل Ethereum على تشكيل مستقبل رقمي لامركزي وآمن ومفتوح.

مراجعة تاريخ الايثيريوم

الشكل 1: مراجعة تاريخية للإيثريوم

التحديات التي تواجه أمن الإيثيريوم

العقود الذكية هي برامج كمبيوتر تعمل على شبكة Ethereum blockchain. إنها تسمح للمطورين بإنشاء ونشر مجموعة متنوعة من التطبيقات، بما في ذلك على سبيل المثال لا الحصر، تطبيقات الإقراض والبورصات اللامركزية والتأمين والتمويل الثانوي والشبكات الاجتماعية والرموز غير القابلة للاستبدال (NFTs). يعد أمان العقود الذكية أمرًا بالغ الأهمية لهذه التطبيقات. وتتولى هذه التطبيقات المسؤولية المباشرة عن معالجة العملات الرقمية والتحكم فيها، وأي ثغرات في العقود الذكية أو هجمات ضارة عليها ستشكل تهديدًا مباشرًا لأمن الأموال بل وتؤدي إلى خسائر اقتصادية فادحة. على سبيل المثال، في 26 فبراير 2024، تعرض بروتوكول إقراض التمويل اللامركزي Blueberry Protocol للهجوم بسبب خلل منطقي في العقد الذكي، مما أدى إلى خسارة ما يقرب من 1,400,000 دولار أمريكي.

نقاط الضعف في العقود الذكية متعددة الأوجه، وتغطي منطق الأعمال غير المعقول (منطق الأعمال)، والتحكم غير المناسب في الوصول، وعدم كفاية التحقق من البيانات، وهجمات إعادة الدخول، وهجمات DOS (رفض الخدمة). قد تسبب نقاط الضعف هذه مشاكل في تنفيذ العقد وتؤثر على التشغيل الفعال للعقد الذكي. لنأخذ هجوم DOS كمثال، حيث تستخدم طريقة الهجوم هذه المهاجم لإرسال عدد كبير من المعاملات لاستهلاك موارد الشبكة، ثم لا يمكن معالجة المعاملات التي بدأها المستخدمون العاديون في الوقت المناسب، مما سيؤدي إلى انخفاض تجربة المستخدم. علاوة على ذلك، سيؤدي هذا أيضًا إلى زيادة رسوم معاملات الغاز. لأنه عندما تكون موارد الشبكة محدودة، قد يحتاج المستخدمون إلى دفع رسوم أعلى لإعطاء الأولوية لمعاملاتهم.

بالإضافة إلى ذلك، يواجه مستخدمو Ethereum أيضًا مخاطر استثمارية، وسيتم تهديد أمان الأموال. على سبيل المثال، تُستخدم العملات غير المرغوب فيها لوصف العملات المشفرة التي تعتبر ذات قيمة قليلة أو ليس لديها أي إمكانات للنمو على المدى الطويل. غالبًا ما تُستخدم العملات المعدنية العشوائية كأداة للاحتيال أو للتلاعب بالأسعار في استراتيجيات الضخ والتفريغ. الاستثمار في العملات غير المرغوب فيها محفوف بالمخاطر للغاية ويمكن أن يؤدي إلى خسائر مالية كبيرة. ونظرًا لانخفاض أسعارها وانخفاض قيمتها السوقية، فإنها معرضة بشدة للتلاعب والتقلب. غالبًا ما تُستخدم العملة في مخططات الضخ والتفريغ وعمليات الاحتيال، حيث يتم استخدام المشاريع المزيفة لجذب المستثمرين وسرقة أموالهم. أحد المخاطر الشائعة الأخرى لعملة البريد العشوائي هو سحب البساط، حيث يقوم المنشئ فجأة بإزالة كل السيولة من المشروع، مما يتسبب في انخفاض قيمة الرمز المميز. غالبًا ما يتم تسويق عمليات الاحتيال هذه من خلال شراكات وتأييدات زائفة، وبمجرد زيادة سعر الرمز المميز، يبيع المحتالون رموزهم المميزة ويحققون ربحًا ويختفون، تاركين المستثمرين مع رموز لا قيمة لها. وفي الوقت نفسه، فإن الاستثمار في عملات الشيت كوين يصرف الانتباه والموارد عن العملات المشفرة المشروعة التي لها تطبيقات حقيقية وإمكانات للنمو. بالإضافة إلى العملات غير المرغوب فيها، تعد العملات الهوائية وعملات الامتيازات والرهون البحرية أيضًا طرقًا لتحقيق أرباح سريعة. يعد تمييزها عن العملات المشفرة المشروعة أمرًا صعبًا بشكل خاص بالنسبة للمستخدمين الذين يفتقرون إلى الخبرة والتجربة.

كفاءة

هناك مقياسان مباشران للغاية لتقييم كفاءة Ethereum هما سرعة المعاملات ورسوم الغاز. تشير سرعة المعاملة إلى عدد المعاملات التي يمكن لشبكة إيثريوم معالجتها لكل وحدة زمنية. يعكس هذا المقياس بشكل مباشر قوة المعالجة لشبكة إيثريوم، حيث تعني السرعات الأعلى كفاءة أعلى. تتطلب كل معاملة في Ethereum رسوم غاز معينة لتعويض القائمين بالتعدين الذين يقومون بالتحقق من المعاملة. كلما انخفضت تكلفة الغاز، زادت كفاءة الإيثريوم.

سيؤدي انخفاض سرعة المعاملة إلى ارتفاع رسوم الغاز. بشكل عام، عندما تتباطأ سرعات معالجة المعاملات، قد تكون هناك زيادة في المعاملات المتنافسة لدخول الكتلة التالية بسبب مساحة الكتلة المحدودة. وللتميز عن المنافسة، غالبًا ما يزيد المتداولون رسوم الغاز لأن عمال المناجم يميلون إلى إعطاء الأولوية للمعاملات ذات رسوم الغاز الأعلى عند التحقق من صحة المعاملات. ومن ثم، فإن ارتفاع رسوم الغاز سوف يقلل من تجربة المستخدم.

المعاملات هي مجرد النشاط الأساسي في الايثيريوم. في هذا النظام البيئي، يمكن للمستخدمين أيضًا تنفيذ أنشطة مختلفة مثل الإقراض والتعهد والاستثمار والتأمين. يمكن تحقيق كل ذلك من خلال تطبيقات DApps محددة. ومع ذلك، نظرًا للتنوع الكبير في التطبيقات اللامركزية (DApps) والافتقار إلى خدمات التوصية الشخصية المشابهة للصناعات التقليدية، سيشعر المستخدمون بالارتباك عند اختيار التطبيقات والمنتجات التي تناسبهم. سيؤدي هذا الوضع إلى انخفاض رضا المستخدمين، مما سيؤثر على كفاءة النظام البيئي للإيثريوم بأكمله.

خذ الإقراض كمثال. من أجل الحفاظ على أمن واستقرار منصاتها الخاصة، ستستخدم بعض منصات إقراض DeFi آلية الضمانات الزائدة. وهذا يعني أن المقترض يحتاج إلى طرح المزيد من الأصول كضمان، ولا يمكن للمقترض استخدام هذه الأصول في أنشطة أخرى خلال فترة الاقتراض. وسيؤدي ذلك إلى انخفاض استخدام رأس مال المقترضين، وبالتالي تقليل سيولة السوق.

تطبيق التعلم الآلي في الايثيريوم

تلعب نماذج التعلم الآلي، مثل نموذج RMF، وشبكة الخصومة التوليدية (GAN)، ونموذج شجرة القرار، وخوارزمية K الأقرب (KNN)، وخوارزمية التجميع DBSCAN، وما إلى ذلك، دورًا مهمًا في Ethereum. يمكن أن يساعد تطبيق نماذج التعلم الآلي هذه في إيثريوم على تحسين كفاءة معالجة المعاملات، وتحسين أمان العقود الذكية، وتحقيق التقسيم الطبقي للمستخدمين لتقديم خدمات أكثر تخصيصًا، والمساعدة في الحفاظ على التشغيل المستقر للشبكة.

مقدمة الخوارزمية

خوارزمية التعلم الآلي عبارة عن مجموعة من التعليمات أو القواعد لتحليل البيانات، وأنماط التعلم في البيانات، وعمل تنبؤات أو قرارات بناءً على تلك التعلمات. إنهم يتعلمون ويتحسنون تلقائيًا من خلال البيانات المقدمة لهم دون الحاجة إلى تعليمات برمجة صريحة من البشر. تلعب نماذج التعلم الآلي، مثل نموذج RMF، وشبكة الخصومة التوليدية (GAN)، ونموذج شجرة القرار، وخوارزمية K الأقرب (KNN)، وخوارزمية التجميع DBSCAN، وما إلى ذلك، دورًا مهمًا في Ethereum. يمكن أن يساعد تطبيق نماذج التعلم الآلي هذه في إيثريوم على تحسين كفاءة معالجة المعاملات، وتحسين أمان العقود الذكية، وتحقيق التقسيم الطبقي للمستخدمين لتقديم خدمات أكثر تخصيصًا، والمساعدة في الحفاظ على التشغيل المستقر للشبكة.

• المصنف بايزي

المصنف البايزي هو مصنف فعال يهدف إلى تقليل احتمالية خطأ التصنيف أو تقليل متوسط المخاطر في ظل إطار تكلفة محدد بين طرق التصنيف الإحصائية المختلفة. إن فلسفة التصميم الخاصة بها متجذرة بعمق في نظرية بايز، والتي تسمح لها باتخاذ القرارات عن طريق حساب الاحتمال الخلفي لجسم ما بالنظر إلى احتمال أن ينتمي الكائن إلى فئة معينة نظرا لخصائص معينة. على وجه التحديد، يأخذ المصنف Bayesian أولاً في الاعتبار الاحتمالية السابقة للكائن، ثم يطبق صيغة Bayesian للنظر بشكل شامل في بيانات المراقبة لتحديث الاعتقاد حول تصنيف الكائنات. من بين جميع التصنيفات الممكنة، يختار المصنف البايزي التصنيف الذي يتمتع بأكبر احتمال خلفي لتصنيف الكائن في هذه الفئة. الميزة الأساسية لهذا النهج هي قدرته على التعامل بشكل طبيعي مع عدم اليقين والمعلومات غير الكاملة، مما يجعله أداة قوية ومرنة مناسبة لمجموعة واسعة من سيناريوهات التطبيق.

الشكل 2: المصنف بايزي

كما هو موضح في الشكل 2، في التعلم الآلي الخاضع للإشراف، يتم استخدام البيانات ونموذج الاحتمال بناءً على نظرية بايز لاتخاذ قرارات التصنيف. باستخدام الاحتمالية والاحتمالات السابقة للفئات والميزات، يحسب المصنف البايزي الاحتمال الخلفي الذي تنتمي إليه نقاط البيانات لكل فئة ويعين نقاط البيانات للفئة ذات الاحتمالية الخلفية الأكبر. في مخطط التشتت الموجود على اليمين، سيحاول المصنف العثور على منحنى يفصل بشكل أفضل بين النقاط ذات الألوان المختلفة، وبالتالي تقليل خطأ التصنيف.

• شجرة القرار

غالبا ما تستخدم خوارزمية شجرة القرار في مهام التصنيف والانحدار، وهي تتبنى فكرة الحكم الهرمي، وبناء على البيانات المعروفة، يتم تدريب شجرة القرار من خلال اختيار الميزات ذات معدل اكتساب المعلومات الكبير ومن ثم تقسيمها إلى الأشجار. بكل بساطة، يمكن للخوارزمية بأكملها أن تتعلم ذاتيًا قاعدة اتخاذ القرار بناءً على البيانات للحكم على قيمة المتغير، ومن حيث التنفيذ، يمكنها تحليل عملية صنع القرار المعقدة إلى عدة عمليات فرعية بسيطة لصنع القرار. من خلال هذه الطريقة المشتقة، يتم اشتقاق كل حكم قرار أبسط من معيار القرار الأصلي، مما يشكل بنية شجرة.

وكما يتبين من الشكل 3، تمثل كل عقدة قرارًا وتحدد معايير الحكم لسمة معينة، وتمثل الفروع نتائج القرار. تمثل كل عقدة طرفية النتيجة والفئة النهائية المتوقعة. من منظور تكوين الخوارزمية، يعد نموذج شجرة القرار بديهيًا نسبيًا وسهل الفهم ويتمتع بقابلية تفسير قوية.

الشكل 3: نموذج شجرة القرار

• ** خوارزمية DBSCAN **

DBSCAN (التجميع المكاني للتطبيقات مع الضوضاء على أساس الكثافة) عبارة عن خوارزمية تجميع مكانية على أساس الكثافة مع الضوضاء، والتي يبدو أنها تعمل بشكل جيد بشكل خاص مع مجموعات البيانات غير المتصلة. يمكن لهذه الخوارزمية اكتشاف مجموعات من الأشكال العشوائية دون تحديد عدد المجموعات مسبقًا، وتتمتع بمتانة جيدة للقيم المتطرفة في مجموعة البيانات. يمكن للخوارزمية أيضًا تحديد القيم المتطرفة بشكل فعال في مجموعات البيانات الصاخبة، ويتم تعريف الضوضاء أو القيم المتطرفة كنقاط في المناطق منخفضة الكثافة، كما هو موضح في الشكل 4.

الشكل 4: تحدد خوارزمية DBSCAN الضوضاء

• خوارزمية KNN

يمكن استخدام خوارزمية KNN (K-Nearest Neighbors) لكل من التصنيف والانحدار. في مشكلة التصنيف، يتم استخدام آلية التصويت لتحديد فئة العنصر المراد تصنيفه؛ في مشكلة الانحدار، يتم حساب المتوسط أو المتوسط المرجح لعينات الجوار الأقرب k للتنبؤ.

كما هو موضح في الشكل 5، فإن مبدأ عمل خوارزمية KNN في التصنيف هو العثور على أقرب جيران K لنقطة بيانات جديدة، ثم التنبؤ بفئة نقطة البيانات الجديدة بناءً على فئات هؤلاء الجيران. إذا كانت K = 1، فسيتم تعيين نقاط البيانات الجديدة ببساطة إلى أقرب نقطة لها

فئة الجيران. إذا كانت K > 1، فعادةً ما يتم استخدام طريقة التصويت لتحديد فئة نقطة البيانات الجديدة، أي أنه سيتم تعيين نقطة البيانات الجديدة للفئة التي ينتمي إليها معظم الجيران. عند استخدام خوارزمية KNN لمشاكل الانحدار، تكون الفكرة الأساسية هي نفسها، والنتيجة هي متوسط قيم إخراج عينة K لأقرب الجيران.

الشكل 5: خوارزمية KNN المستخدمة للتصنيف

• الذكاء الاصطناعي التوليدي

الذكاء الاصطناعي التوليدي هو تقنية ذكاء اصطناعي يمكنها إنشاء محتوى جديد (مثل النصوص والصور والموسيقى وما إلى ذلك) بناءً على مدخلات الطلب. وتستند خلفيتها إلى التقدم في التعلم الآلي والتعلم العميق، وخاصة مع التطبيقات في مجالات مثل معالجة اللغة الطبيعية والتعرف على الصور. يتعلم الذكاء الاصطناعي التوليدي الأنماط والارتباطات من كميات كبيرة من البيانات ثم يقوم بإنشاء محتوى مخرجات جديد بناءً على هذه المعلومات المستفادة. يكمن مفتاح الذكاء الاصطناعي التوليدي في تدريب النماذج، والذي يتطلب بيانات ممتازة للتعلم والتدريب، وفي هذه العملية، يعمل النموذج تدريجيًا على تحسين قدرته على إنشاء محتوى جديد من خلال تحليل وفهم البنية والأنماط والعلاقات في مجموعة البيانات.

1. المحول باعتباره حجر الزاوية في الذكاء الاصطناعي التوليدي، كان ترانسفورمر رائدًا في تقديم آلية الانتباه، والتي تمكن معالجة المعلومات من التركيز على النقاط الرئيسية مع الحصول أيضًا على نظرة عامة، وهذه القدرة الفريدة تجعل ترانسفورمر يتألق في مجال إنشاء النص. إن استخدام أحدث نماذج لغة معالجة اللغة الطبيعية، مثل GPT (المحول التوليدي المُدرب مسبقًا)، لفهم متطلبات تطبيق المستخدمين المعبر عنها باللغة الطبيعية وتحويلها تلقائيًا إلى تعليمات برمجية قابلة للتنفيذ، يمكن أن يقلل من صعوبة التطوير ويحسن الكفاءة بشكل كبير.

كما هو موضح في الشكل 6، من خلال إدخال آلية الانتباه متعدد الرؤوس وآلية الانتباه الذاتي، جنبًا إلى جنب مع الاتصال المتبقي والشبكة العصبية المتصلة بالكامل، وبمساعدة تقنية تضمين الكلمات السابقة، تم أداء النماذج التوليدية المتعلقة باللغة الطبيعية تم تحسين المعالجة بشكل كبير.الأرض تصعد.

الشكل 6: نموذج المحول

2. مقدمة نموذج RFM**:**

نموذج RFM هو نموذج تحليل يعتمد على سلوك الشراء لدى المستخدم، ومن خلال تحليل سلوك معاملات المستخدمين، يمكنه تحديد مجموعات المستخدمين بقيم مختلفة. يقوم هذا النموذج بتقسيم المستخدمين إلى طبقات بناءً على وقت الاستهلاك الأخير (R)، وتكرار الاستهلاك (F)، وكمية الاستهلاك (M).

كما هو مبين في الشكل 7. تشكل هذه المؤشرات الثلاثة معًا جوهر نموذج RFM. يقوم النموذج بتقييم المستخدمين بناءً على هذه الأبعاد الثلاثة وفرزهم وفقًا لنتائجهم لتحديد مجموعات المستخدمين الأكثر قيمة. علاوة على ذلك، يمكن لهذا النموذج تقسيم العملاء بشكل فعال إلى مجموعات مختلفة لتحقيق وظيفة التقسيم الطبقي للمستخدمين.

الشكل 7: نموذج الطبقات RFM

التطبيقات الممكنة

عند تطبيق تكنولوجيا التعلم الآلي لمواجهة التحديات الأمنية للإيثيريوم، أجرينا بحثًا من أربعة جوانب رئيسية:

1. تحديد وتصفية المعاملات الضارة بناءً على مصنف بايزي من خلال إنشاء مصنف بايزي، يتم تحديد وتصفية معاملات البريد العشوائي المحتملة، بما في ذلك على سبيل المثال لا الحصر، المعاملات الكبيرة والمتكررة والصغيرة التي تؤدي إلى هجمات DOS. تحافظ هذه الطريقة بشكل فعال على صحة الشبكة وتضمن التشغيل المستقر لشبكة إيثريوم من خلال تحليل خصائص المعاملة، مثل سعر الغاز، وتكرار المعاملة، وما إلى ذلك.
2. قم بإنشاء رمز عقد ذكي آمن ويلبي متطلبات محددة يمكن استخدام كل من شبكات الخصومة التوليدية (GAN) والشبكات التوليدية القائمة على المحولات لإنشاء كود عقد ذكي يلبي متطلبات محددة ويضمن أمان الكود قدر الإمكان. ومع ذلك، هناك اختلافات بين الاثنين في نوع البيانات التي يعتمدان عليها لتدريب نماذجهما، إذ تعتمد عملية التدريب لدى الأول بشكل أساسي على عينات برمجية غير آمنة، بينما العكس هو الصحيح بالنسبة للأخيرة.

من خلال تدريب GAN على تعلم أنماط العقود الأمنية الحالية، وبناء نموذج المواجهة الذاتية لإنشاء تعليمات برمجية قد تكون غير آمنة، ثم تعلم كيفية تحديد أوجه عدم الأمان هذه من خلال التعلم النموذجي، وتحقيق القدرة في النهاية على إنشاء كود عقد ذكي عالي الجودة وأكثر أمانًا تلقائيًا. . إن استخدام نموذج الشبكة التوليدية القائم على المحولات وتعلم عدد كبير من أمثلة العقود الأمنية لإنشاء رمز العقد الذي يلبي الاحتياجات المحددة ويحسن استهلاك الغاز سيؤدي بلا شك إلى زيادة تحسين كفاءة وأمن تطوير العقود الذكية. 3. تحليل مخاطر العقود الذكية بناء على شجرة القرارات إن استخدام أشجار القرار لتحليل خصائص العقود الذكية، مثل تردد استدعاء الوظيفة، وقيمة المعاملة، وتعقيد كود المصدر، وما إلى ذلك، يمكن أن يحدد بشكل فعال مستوى المخاطر المحتملة للعقد. ومن خلال تحليل وضع تشغيل العقد وبنية التعليمات البرمجية، يمكن التنبؤ بنقاط الضعف ونقاط الخطر المحتملة، وبالتالي تزويد المطورين والمستخدمين بتقييمات أمنية. ومن المتوقع أن يؤدي هذا النهج إلى تحسين أمن العقود الذكية بشكل كبير في النظام البيئي للإيثيريوم، وبالتالي تقليل الخسائر الناجمة عن نقاط الضعف أو التعليمات البرمجية الضارة. 4. بناء نموذج تقييم للعملات المشفرة لتقليل مخاطر الاستثمار

استخدم خوارزميات التعلم الآلي لتحليل المعلومات متعددة الأبعاد مثل بيانات معاملات العملة المشفرة، وأنشطة الوسائط الاجتماعية، وأداء السوق لبناء نموذج تقييم يمكنه التنبؤ بإمكانية وجود عملات غير مرغوب فيها. يمكن لهذا النموذج أن يوفر للمستثمرين مرجعًا قيمًا لمساعدتهم على تجنب مخاطر الاستثمار، وبالتالي تعزيز التنمية الصحية لسوق العملات المشفرة.

بالإضافة إلى ذلك، فإن استخدام التعلم الآلي لديه أيضًا القدرة على تحسين كفاءة الإيثيريوم. يمكننا التعمق في الأبعاد الرئيسية الثلاثة التالية:

1. تطبيق شجرة القرار لتحسين نموذج قائمة انتظار تجمع المعاملات استنادًا إلى أشجار القرار، يمكن تحسين آلية الانتظار في مجمع معاملات Ethereum بشكل فعال. من خلال تحليل خصائص المعاملة، مثل سعر الغاز وحجم المعاملة، يمكن لأشجار القرار تحسين اختيار المعاملة وترتيب الانتظار. يمكن لهذه الطريقة تحسين كفاءة معالجة المعاملات بشكل كبير، وتقليل ازدحام الشبكة بشكل فعال، وتقليل وقت انتظار المعاملات للمستخدمين.
2. تقسيم المستخدمين إلى طبقات وتقديم خدمات شخصية يعد نموذج RFM (الحداثة، القيمة النقدية، التكرار) أداة تحليلية تستخدم على نطاق واسع في إدارة علاقات العملاء، ويمكنه تقييم وقت آخر معاملة للمستخدم (حداثة)، وتكرار المعاملة (التكرار)، ومبلغ المعاملة (القيمة النقدية). التقسيم الطبقي. يمكن أن يساعد تطبيق نموذج RFM على منصة Ethereum في تحديد مجموعات المستخدمين ذات القيمة العالية، وتحسين تخصيص الموارد، وتوفير خدمات أكثر تخصيصًا، وبالتالي تحسين رضا المستخدمين والكفاءة العامة للمنصة.

يمكن لخوارزمية DBSCAN أيضًا تحليل سلوك التداول للمستخدمين، والمساعدة في تحديد مجموعات المستخدمين المختلفة على Ethereum، وتوفير خدمات مالية أكثر تخصيصًا لمختلف المستخدمين. يمكن لاستراتيجية التقسيم الطبقي للمستخدم تحسين استراتيجيات التسويق وتحسين رضا العملاء وكفاءة الخدمة. 3. التسجيل الائتماني على أساس KNN

يمكن لخوارزمية K-nearest Neighbor (KNN) تسجيل ائتمان المستخدمين من خلال تحليل سجل المعاملات وأنماط سلوك مستخدمي Ethereum، والذي يلعب دورًا مهمًا للغاية في الأنشطة المالية مثل الإقراض. يمكن أن تساعد درجات الائتمان المؤسسات المالية ومنصات الإقراض في تقييم قدرة المقترضين على السداد ومخاطر الائتمان، وبالتالي اتخاذ قرارات أكثر دقة بشأن القروض. وهذا يتجنب الإفراط في الاقتراض ويحسن سيولة السوق.

الاتجاهات المستقبلية

من منظور تخصيص الأموال الكلية، لا يمكن للإيثريوم، باعتبارها أكبر جهاز كمبيوتر موزع في العالم، أن تستثمر الكثير في الطبقة التحتية، وتحتاج إلى جذب المطورين من خلفيات أكثر للمشاركة في البناء المشترك. في هذه المقالة، من خلال فرز التنفيذ الفني والمشكلات التي تواجهها إيثريوم، تخيلنا سلسلة من التطبيقات المحتملة البديهية نسبيًا للتعلم الآلي، كما أننا نتطلع بشدة إلى مطوري الذكاء الاصطناعي في المجتمع الذين يمكنهم تقديم هذه الرؤى بقيمة حقيقية. عقاري.

ومع زيادة قوة الحوسبة في السلسلة تدريجيًا، يمكننا أن نتوقع أنه سيتم تطوير نماذج أكثر تعقيدًا لإدارة الشبكة ومراقبة المعاملات والتدقيق الأمني وجوانب أخرى لتحسين كفاءة وأمن شبكة إيثريوم.

وللمضي قدمًا، قد تصبح آليات الحوكمة القائمة على الذكاء الاصطناعي/الوكيل أيضًا نقطة ابتكار رئيسية في النظام البيئي للإيثيريوم. إن عملية صنع القرار الأكثر كفاءة وشفافية والأكثر آلية والتي توفرها هذه الآلية توفر هيكل إدارة أكثر مرونة وموثوقية لمنصة Ethereum. ولن تؤدي اتجاهات التطوير المستقبلية هذه إلى تعزيز ابتكار تكنولوجيا إيثريوم فحسب، بل ستوفر أيضًا للمستخدمين تجربة أفضل على السلسلة.