¿Cómo puede la IA revolucionar Ethereum? Mirando “AI+Blockchain” desde otro ángulo

Autor: Mirror Tang | Salus; Yixin Ren | Hongshan capital; Lingzhi Shi | Salus; Jiangyue Wang | Salus

El año pasado, a medida que la IA generativa superó repetidamente las expectativas del público, la ola de revolución de la productividad de la IA se extendió por el círculo de las criptomonedas. Hemos visto que muchos proyectos conceptuales de IA han provocado una ola de mitos sobre la creación de riqueza en el mercado secundario y, al mismo tiempo, cada vez más desarrolladores han comenzado a desarrollar sus propios proyectos "AI + Crypto".

Sin embargo, una mirada más cercana revela que la homogeneidad de estos proyectos es muy grave, y la mayoría de los proyectos sólo se centran en mejorar las "relaciones de producción", como organizar la potencia informática a través de redes descentralizadas o crear "Hugging Face" descentralizados, etc. Muy pocos proyectos intentan una verdadera integración e innovación desde la tecnología subyacente. Creemos que la razón de este fenómeno es que existe un "sesgo de dominio" entre los campos de la IA y la cadena de bloques. A pesar de su amplia intersección, pocas personas tienen un conocimiento profundo de ambos campos. Por ejemplo, es difícil para los desarrolladores de IA comprender la implementación técnica y el estado histórico de la infraestructura de Ethereum, y es aún más difícil proponer planes de optimización en profundidad.

Tomemos como ejemplo el aprendizaje automático (ML), la rama más básica de la IA: una tecnología que permite a las máquinas tomar decisiones basadas en datos sin instrucciones de programación explícitas. El aprendizaje automático ha mostrado un gran potencial en el análisis de datos y el reconocimiento de patrones, y se ha convertido en algo común en la web2. Sin embargo, debido a las limitaciones de la época en que nació, incluso a la vanguardia de la innovación tecnológica blockchain como Ethereum, su arquitectura, red y mecanismos de gobernanza aún no han utilizado el aprendizaje automático como una herramienta eficaz para resolver problemas complejos.

"Las grandes innovaciones a menudo nacen en campos cruzados." Nuestra intención original al escribir este artículo es permitir que los desarrolladores de IA comprendan mejor el mundo blockchain y también proporcionar nuevas ideas a los desarrolladores de la comunidad Ethereum. En el artículo, primero presentamos la implementación técnica de Ethereum y luego propusimos una solución para aplicar el aprendizaje automático, un algoritmo básico de IA, a la red Ethereum para mejorar su seguridad, eficiencia y escalabilidad. Esperamos utilizar este caso como punto de partida para presentar algunas perspectivas que son diferentes a las del mercado e inspirar combinaciones cruzadas más innovadoras de "AI+Blockchain" en el ecosistema de desarrolladores.

Implementación técnica de Ethereum

1. Estructura de datos básica La esencia de una cadena de bloques es una cadena que conecta bloques. La clave para distinguir las cadenas es la configuración de la cadena, que también es una parte indispensable de la creación de una cadena de bloques. Para Ethereum, la configuración de la cadena se utiliza para distinguir diferentes cadenas en Ethereum e identificar algunos protocolos de actualización importantes y marcar eventos. Por ejemplo, DAOForkBlock marca la altura del hard fork en el que Ethereum experimentó un ataque DAO, y ConstantinopleBlock marca la altura del bloque en el que se actualizó Constantinopla. Para actualizaciones más grandes que incluyen muchas propuestas de mejora, se establecerán campos especiales para identificar la altura del bloque correspondiente. Además, Ethereum incluye varias redes de prueba y redes principales, y la ecología de la red correspondiente se identifica de forma única a través de ChainID.

El bloque génesis es el bloque cero de toda la cadena de bloques, y otros bloques hacen referencia directa o indirecta al bloque génesis. Por lo tanto, se debe cargar la información correcta del bloque de génesis cuando se inicia el nodo y no se debe modificar arbitrariamente. La información de configuración del bloque génesis incluye la configuración de cadena antes mencionada, y también agrega campos como recompensas mineras relevantes, marcas de tiempo, dificultad y límites de gas. Cabe señalar que el mecanismo de consenso de Ethereum ha evolucionado a partir de la minería de prueba de trabajo. El mecanismo se convierte en prueba de participación.

Las cuentas de Ethereum se dividen en cuentas externas y cuentas de contrato: la cuenta externa está controlada exclusivamente por una clave privada, mientras que la cuenta de contrato no tiene control de clave privada y solo puede operar llamando al contrato desde la cuenta externa para ejecutar el código del contrato. Todos contienen una dirección única. El estado mundial de Ethereum es un árbol de cuentas de Ethereum. Cada cuenta corresponde a un nodo hoja, que almacena el estado de la cuenta (diversa información de la cuenta e información del código).

Transacción: como plataforma descentralizada, la esencia de Ethereum son las transacciones y los contratos. Los bloques de Ethereum son transacciones empaquetadas, así como información adicional relacionada. Los bloques específicos se dividen en dos partes, a saber, el encabezado del bloque y el área. Bloque, en el que Los datos del encabezado del bloque contienen evidencia que conecta todos los bloques en una cadena. Podemos entenderlo como el hash del bloque anterior, así como la raíz del estado, la raíz de la transacción, la raíz del recibo y la prueba del estado de todo el mundo Ethereum. Varios otros indicadores indicar dificultad, contando nonce y otros datos adicionales. El cuerpo del bloque almacena la lista de transacciones y la lista de encabezados del bloque tío (dado que Ethereum se ha convertido en prueba de participación, la referencia del bloque tío ya no existe).

Los recibos de transacciones proporcionan los resultados e información adicional después de que se ejecutó la transacción que no se puede obtener directamente simplemente viendo la transacción en sí. Específicamente, la información contenida en él se puede dividir en: contenido de consenso, información de transacciones e información de bloques, incluida información sobre si el procesamiento de transacciones es exitoso e información de consumo, como registros de transacciones y gas. Depure el código de contrato inteligente y optimice el consumo de gas analizando la información del recibo. y proporciona una forma de confirmación de que la transacción ha sido procesada por la red, y se pueden ver los resultados y el impacto de la transacción.

En Ethereum, las tarifas de gas pueden entenderse simplemente como tarifas de manejo. Cuando envía tokens, ejecuta un contrato, transfiere Ethereum o realiza varias operaciones en este bloque, las operaciones en estas transacciones requieren tarifas de gas. Ether Al procesar esta transacción, la computadora necesita realizar cálculos y consumir recursos de la red, por lo que debe pagar tarifas de gas para que la computadora trabaje por usted. La tarifa de combustible final se paga a los mineros como una tarifa de manejo. La fórmula de cálculo de la tarifa específica puede entenderse como Tarifa = Gas usado * Precio del gas, que es el consumo real multiplicado por el precio unitario de consumo. El precio lo establece el iniciador de la transacción y su monto a menudo determina la rapidez con la que se cargan las transacciones en la cadena. Si la configuración es demasiado baja, es posible que la transacción no se ejecute. Al mismo tiempo, también es necesario establecer un límite superior de consumo de gas para evitar errores en el contrato que provoquen un consumo de gas impredecible. 2. Grupo de negociación En Ethereum, hay una gran cantidad de transacciones y, en comparación con el sistema centralizado, la cantidad de transacciones por segundo procesadas por el sistema descentralizado es obviamente sombría. Debido a la gran cantidad de transacciones que ingresan al nodo, el nodo necesita mantener un grupo de transacciones para administrar adecuadamente estas transacciones. La transmisión de transacciones se realiza a través de p2p. Específicamente, un nodo transmitirá una transacción ejecutable a sus nodos vecinos, y luego los nodos vecinos transmitirán la transacción a los nodos vecinos del nodo. De esta manera, una transacción puede difundirse a toda la red Ethereum en 6 segundos.

Las transacciones en el grupo de transacciones se dividen en transacciones ejecutables y transacciones no ejecutables. Las transacciones ejecutables tienen una prioridad más alta y se ejecutarán y empaquetarán en el bloque, mientras que todas las transacciones que acaban de ingresar al grupo de transacciones son transacciones no ejecutables. luego se vuelve ejecutable. Las transacciones ejecutables y las transacciones no ejecutables se registran en el contenedor pendiente y en el contenedor de cola, respectivamente.

Además, el grupo de transacciones también mantendrá una lista de transacciones locales. Las transacciones locales tienen muchas ventajas: tienen mayor prioridad, no se ven afectadas por restricciones de volumen de transacciones y se pueden recargar en el grupo de transacciones inmediatamente cuando se reinicia el nodo. El almacenamiento local persistente de transacciones locales se implementa mediante diario (recarga al reiniciar el nodo), su propósito es no perder transacciones locales incompletas y se actualizará periódicamente.

La legalidad de la transacción se verificará antes de ingresar a la cola, incluidos varios tipos de verificaciones, como: ataque anti-DOS, transacción anti-negativa, límite de gas de transacción, etc. La composición simple del grupo de transacciones se puede dividir en: cola + pendiente (los dos constituyen todas las transacciones). Después de completar la prueba de legalidad, se realizarán verificaciones posteriores, incluida la verificación de si la cola de transacciones ha alcanzado el límite superior, y luego A juzgar por las transacciones remotas (las transacciones remotas son transacciones no locales)) es la más baja en el grupo comercial, reemplace la transacción con el precio más bajo en el grupo comercial. Para el reemplazo de transacciones ejecutables, de forma predeterminada, solo las transacciones que aumentan la tarifa de procesamiento en un 10 % pueden reemplazar las transacciones que ya están esperando su ejecución y se almacenarán como transacciones no ejecutables después del reemplazo. Además, durante el proceso de mantenimiento del grupo de transacciones, las transacciones inválidas y que excedan el límite se eliminarán y se reemplazarán las transacciones que cumplan con las condiciones. 3. Mecanismo de consenso La teoría de consenso inicial de Ethereum todavía se basaba en el método de cálculo del valor hash de dificultad, es decir, el valor hash del bloque debe calcularse para cumplir las condiciones del valor de dificultad objetivo antes de que el bloque sea legal. Dado que el algoritmo de consenso actual de Ethereum se cambió de POW a POS, las teorías relacionadas con la minería no se discutirán en detalle. Aquí hay una breve descripción del algoritmo POS. Ethereum completó la fusión de la cadena de balizas en septiembre de 2022 e implementó el algoritmo POS. Específicamente, para Ethereum basado en POS, el tiempo de bloque de cada bloque es estable en 12 segundos y los usuarios prometen sus propias monedas Ethereum para obtener el derecho a convertirse en un validador. Después de eso, los usuarios que participan en el scking serán seleccionados aleatoriamente para obtener un lote de validadores. En cada ronda, se seleccionarán validadores de cada uno de los 32 espacios, y uno de ellos será seleccionado para la verificación. El proponente sirve como el proponente, y el proponente implementa la producción del bloque, y los validadores restantes correspondientes al espacio sirven como comité para verificar la legalidad del bloque del proponente y emitir un juicio sobre la legalidad del bloque en el ciclo anterior. El algoritmo POS estabiliza y mejora significativamente la velocidad de producción de bloques, al tiempo que evita en gran medida el desperdicio de recursos informáticos. 4. Algoritmo de firma Ethereum sigue el estándar de algoritmo de firma de Bitcoin y también utiliza la curva secp256k1. Su algoritmo de firma específico utiliza ECDSA, lo que significa que la firma calculada se calcula en función del hash del mensaje original. La composición de toda la firma es simple. Eso es R+S +V. Cada cálculo introducirá números aleatorios en consecuencia, donde R+S es la salida original de ECDSA. El último campo V se denomina campo de recuperación, que indica la cantidad de búsquedas necesarias para recuperar con éxito la clave pública del contenido y la firma, porque puede haber múltiples puntos de coordenadas en la curva elíptica que cumplan con los requisitos según el valor R.

Todo el proceso se puede resumir simplemente de la siguiente manera: los datos de la transacción y la información relacionada con el firmante se procesan después de la codificación RLP y se firman con la clave privada a través de ECDSA para obtener la firma final, y la curva utilizada en ECDSA es la curva elíptica secp256k1. Finalmente, al combinar los datos de la firma con los datos de la transacción, puede obtener los datos de la transacción firmada y transmitirlos.

La estructura de datos de Ethereum no solo se basa en la tecnología blockchain tradicional, sino que también introduce árboles Merkle Patricia, también conocidos como árboles de prefijos comprimidos Merkle, para un almacenamiento y verificación eficientes de grandes cantidades de datos. MPT combina la función hash criptográfica de los árboles Merkle y las propiedades de compresión de rutas clave de los árboles Patricia para proporcionar una solución que garantiza la integridad de los datos y admite una búsqueda rápida. 5. Árbol de prefijos comprimidos de Merkle En Ethereum, MPT se utiliza para almacenar todos los datos de estado y transacciones, asegurando que cualquier cambio de datos se refleje en el hash raíz del árbol. Esto significa que al verificar el hash raíz, puede demostrar la integridad y precisión de los datos sin tener que verificar toda la base de datos. MPT consta de cuatro tipos de nodos: nodos hoja, nodos de extensión, nodos de rama y nodos vacíos, que juntos forman un árbol que puede adaptarse a los cambios dinámicos de datos. Cada vez que se actualizan los datos, MPT refleja estos cambios agregando, eliminando o modificando nodos, mientras actualiza el hash raíz del árbol. Dado que cada nodo está cifrado mediante una función hash, cualquier pequeño cambio en los datos generará grandes cambios en el hash raíz, garantizando así la seguridad y coherencia de los datos. Además, MPT está diseñado para admitir la verificación de "cliente ligero", lo que permite a los nodos verificar la existencia o el estado de información específica simplemente almacenando el hash raíz del árbol y los nodos de ruta necesarios, lo que reduce en gran medida la necesidad de almacenamiento y procesamiento de datos.

A través de MPT, Ethereum no solo logra una gestión eficiente y un acceso rápido a los datos, sino que también garantiza la seguridad y descentralización de la red, apoyando la operación y el desarrollo de toda la red Ethereum. 6. máquina de estados La arquitectura central de Ethereum incorpora el concepto de máquinas de estado. La máquina virtual de Ethereum (EVM) es el entorno de ejecución para ejecutar todos los códigos de contratos inteligentes, y el propio Ethereum puede considerarse como un sistema de transición de estado compartido globalmente. La ejecución de cada bloque puede verse como un proceso de transición de estado, pasando de un estado compartido globalmente a otro. Este diseño no solo garantiza la coherencia y descentralización de la red Ethereum, sino que también hace que los resultados de la ejecución de los contratos inteligentes sean predecibles y no manipulables.

En Ethereum, el estado se refiere a la información actual de todas las cuentas, incluido el saldo de cada cuenta, los datos de almacenamiento y el código de contrato inteligente. Cada vez que ocurre una transacción, EVM calcula y convierte el estado en función del contenido de la transacción. Este proceso se registra de manera eficiente y segura a través de MPT. Cada transición de estado no solo cambia los datos de la cuenta, sino que también provoca una actualización del MPT, lo que se refleja en el cambio del hash raíz del árbol.

La relación entre EVM y MPT es crucial porque MPT proporciona garantías de integridad de datos para las transiciones de estado de Ethereum. Cuando el EVM ejecuta transacciones y cambia el estado de la cuenta, los nodos MPT relevantes se actualizan para reflejar estos cambios. Dado que cada nodo del MPT está vinculado por un hash, cualquier modificación en el estado provocará un cambio en el hash raíz, que luego se incluye en el nuevo bloque, garantizando la estabilidad de todo el estado de Ethereum. . A continuación presentamos la máquina virtual EVM. 7. EVM

La máquina virtual EVM es la base de todo Ethereum para construir contratos inteligentes y ejecutar transiciones de estado. Es gracias a EVM que Ethereum puede imaginarse como una computadora mundial en un sentido real. La máquina virtual EVM es Turing completa, lo que significa que los contratos inteligentes en Ethereum pueden realizar cualquier cálculo lógico complejo, y la introducción del mecanismo de gas evita con éxito bucles infinitos en el contrato y garantiza la estabilidad y seguridad de la red. En un nivel más técnico, EVM es una máquina virtual basada en pilas que utiliza un código de bytes específico de Ethereum para ejecutar contratos inteligentes. Los desarrolladores suelen utilizar lenguajes de alto nivel, como Solidity, para escribir contratos inteligentes y luego compilarlos en un código de bytes que el EVM pueda entender para las llamadas de ejecución por parte del EVM. EVM es la clave para las capacidades de innovación de la cadena de bloques Ethereum: no solo respalda la operación de contratos inteligentes, sino que también proporciona una base sólida para el desarrollo de aplicaciones descentralizadas. A través de EVM, Ethereum está dando forma a un futuro digital descentralizado, seguro y abierto.

Revisión de la historia de Ethereum

Figura 1 Reseña histórica de Ethereum

Desafíos que enfrenta la seguridad de Ethereum

Los contratos inteligentes son programas informáticos que se ejecutan en la cadena de bloques Ethereum. Permiten a los desarrolladores crear y publicar una variedad de aplicaciones, incluidas, entre otras, aplicaciones de préstamos, intercambios descentralizados, seguros, financiación secundaria, redes sociales y NFT. La seguridad de los contratos inteligentes es crucial para estas aplicaciones. Estas aplicaciones son directamente responsables del procesamiento y control de las criptomonedas. Cualquier laguna en los contratos inteligentes o ataques maliciosos a ellos representarán una amenaza directa a la seguridad de los fondos e incluso provocarán enormes pérdidas económicas. Por ejemplo, el 26 de febrero de 2024, el protocolo de préstamos DeFi Blueberry Protocol fue atacado debido a una falla lógica en el contrato inteligente, lo que resultó en una pérdida de aproximadamente 1.400.000 dólares estadounidenses.

Las vulnerabilidades de los contratos inteligentes son multifacéticas y cubren lógica empresarial irrazonable (lógica empresarial), control de acceso inadecuado, verificación de datos insuficiente, ataques de reentrada y ataques DOS (denegación de servicio). Estas vulnerabilidades pueden causar problemas en la ejecución del contrato y afectar el funcionamiento efectivo del contrato inteligente. Tomemos como ejemplo el ataque DOS. Este método de ataque utiliza al atacante para enviar una gran cantidad de transacciones para consumir recursos de la red, y luego las transacciones iniciadas por usuarios normales no se pueden procesar a tiempo, lo que provocará una disminución en la experiencia del usuario. Además, esto también conducirá a un aumento en las tarifas de transacción del gas. Porque cuando los recursos de la red son escasos, es posible que los usuarios deban pagar tarifas más altas para priorizar sus transacciones.

Además, los usuarios de Ethereum también enfrentan riesgos de inversión y la seguridad de los fondos se verá amenazada. Por ejemplo, las spamcoins se utilizan para describir criptomonedas que se considera que tienen poco valor o ningún potencial de crecimiento a largo plazo. Las monedas spam se utilizan a menudo como herramienta para el fraude o para la manipulación de precios en estrategias de bombeo y descarga. La inversión en monedas basura es muy arriesgada y puede provocar pérdidas financieras importantes. Debido a su bajo precio y baja capitalización de mercado, son muy susceptibles a la manipulación y la volatilidad. La moneda se utiliza a menudo en esquemas de bombeo y descarga y estafas de honeypot, donde se utilizan proyectos falsos para atraer inversores y robar sus fondos. Otro riesgo común de spamcoin es un tirón de alfombra, donde el creador elimina repentinamente toda la liquidez del proyecto, lo que hace que el valor del token caiga en picado. Estas estafas a menudo se comercializan con asociaciones y patrocinios falsos, y una vez que el precio del token aumenta, los estafadores venden sus tokens, obtienen ganancias y desaparecen, dejando a los inversores con tokens sin valor. Al mismo tiempo, invertir en mierdas distrae la atención y los recursos de las criptomonedas legítimas que tienen aplicaciones reales y potencial de crecimiento. Además de las monedas basura, las monedas aéreas y las monedas MLM también son formas de obtener ganancias rápidas. Distinguirlas de las criptomonedas legítimas es especialmente difícil para los usuarios que carecen de conocimientos y experiencia.

eficiencia

Dos métricas muy directas para evaluar la eficiencia de Ethereum son la velocidad de las transacciones y las tarifas del gas. La velocidad de transacción se refiere a la cantidad de transacciones que la red Ethereum puede procesar por unidad de tiempo. Esta métrica refleja directamente la potencia de procesamiento de la red Ethereum, y velocidades más rápidas significan una mayor eficiencia. Cada transacción en Ethereum requiere una determinada tarifa de gas para compensar a los mineros que realizan la verificación de la transacción. Cuanto menor sea el costo del gas, mayor será la eficiencia de Ethereum.

La reducción de la velocidad de las transacciones generará tarifas de gas más altas. En términos generales, cuando la velocidad de procesamiento de transacciones disminuye, puede haber un aumento en las transacciones que compiten para ingresar al siguiente bloque debido al espacio limitado del bloque. Para diferenciarse de la competencia, los comerciantes suelen aumentar las tarifas del gas porque los mineros tienden a priorizar las transacciones con tarifas de gas más altas al validar las transacciones. Entonces, las tarifas de gas más altas reducirán la experiencia del usuario.

Las transacciones son sólo la actividad básica en Ethereum. En este ecosistema, los usuarios también pueden realizar diversas actividades como préstamos, pignoraciones, inversiones y seguros. Todo esto se puede lograr a través de DApps específicas. Sin embargo, dada la amplia variedad de DApps y la falta de servicios de recomendación personalizados similares a las industrias tradicionales, los usuarios se sentirán confundidos al elegir las aplicaciones y productos que más les convengan. Esta situación conducirá a una disminución de la satisfacción de los usuarios, lo que afectará a la eficiencia de todo el ecosistema Ethereum.

Tomemos como ejemplo los préstamos. Para mantener la seguridad y estabilidad de sus propias plataformas, algunas plataformas de préstamos DeFi utilizarán un mecanismo de sobregarantía. Esto significa que el prestatario necesita aportar más activos como garantía y estos activos no pueden ser utilizados por el prestatario para otras actividades durante el período del préstamo. Esto conducirá a una disminución en la utilización del capital de los prestatarios, reduciendo así la liquidez del mercado.

Aplicación del aprendizaje automático en Ethereum

Los modelos de aprendizaje automático, como el modelo RMF, la red generativa adversarial (GAN), el modelo de árbol de decisión, el algoritmo K del vecino más cercano (KNN), el algoritmo de agrupación en clústeres DBSCAN, etc., están desempeñando un papel importante en Ethereum. La aplicación de estos modelos de aprendizaje automático en Ethereum puede ayudar a optimizar la eficiencia del procesamiento de transacciones, mejorar la seguridad de los contratos inteligentes, realizar la estratificación de los usuarios para brindar servicios más personalizados y ayudar a mantener el funcionamiento estable de la red.

Introducción al algoritmo

Un algoritmo de aprendizaje automático es un conjunto de instrucciones o reglas para analizar datos, aprender patrones en los datos y hacer predicciones o decisiones basadas en esos aprendizajes. Aprenden y mejoran automáticamente a partir de los datos que se les proporcionan sin necesidad de instrucciones de programación explícitas por parte de humanos. Los modelos de aprendizaje automático, como el modelo RMF, la red generativa adversarial (GAN), el modelo de árbol de decisión, el algoritmo K del vecino más cercano (KNN), el algoritmo de agrupación en clústeres DBSCAN, etc., están desempeñando un papel importante en Ethereum. La aplicación de estos modelos de aprendizaje automático en Ethereum puede ayudar a optimizar la eficiencia del procesamiento de transacciones, mejorar la seguridad de los contratos inteligentes, realizar la estratificación de los usuarios para brindar servicios más personalizados y ayudar a mantener el funcionamiento estable de la red.

• Clasificador bayesiano

El clasificador bayesiano es un clasificador eficiente que tiene como objetivo minimizar la probabilidad de error de clasificación o minimizar el riesgo promedio bajo un marco de costos específico entre varios métodos de clasificación estadística. Su filosofía de diseño está profundamente arraigada en el teorema de Bayes, que le permite tomar decisiones calculando la probabilidad posterior de un objeto dada la probabilidad de que un objeto pertenezca a una determinada clase dadas determinadas características. Específicamente, el clasificador bayesiano primero considera la probabilidad previa del objeto y luego aplica la fórmula bayesiana para considerar de manera integral los datos de observación para actualizar la creencia sobre la clasificación del objeto. Entre todas las clasificaciones posibles, el clasificador bayesiano selecciona aquella que tiene mayor probabilidad posterior de clasificar el objeto en esta categoría. La principal ventaja de este enfoque es su capacidad para manejar de forma natural la incertidumbre y la información incompleta, lo que la convierte en una herramienta poderosa y flexible adecuada para una amplia gama de escenarios de aplicaciones.

Figura 2 Clasificador bayesiano

Como se muestra en la Figura 2, en el aprendizaje automático supervisado, se utilizan datos y un modelo de probabilidad basado en el teorema de Bayes para tomar decisiones de clasificación. Utilizando la verosimilitud y las probabilidades previas de categorías y características, el clasificador bayesiano calcula la probabilidad posterior de que los puntos de datos pertenezcan a cada categoría y asigna los puntos de datos a la categoría con la mayor probabilidad posterior. En el diagrama de dispersión de la derecha, el clasificador intentará encontrar la curva que mejor separe los puntos de diferentes colores, minimizando así el error de clasificación.

• Árbol de decisión

El algoritmo del árbol de decisión se utiliza a menudo en tareas de clasificación y regresión. Adopta la idea de juicio jerárquico. Según los datos conocidos, el árbol de decisión se entrena seleccionando características con una gran tasa de ganancia de información y luego dividiéndolas en árboles. En pocas palabras, todo el algoritmo puede autoaprender una regla de decisión basada en los datos para juzgar el valor de la variable. En términos de implementación, puede descomponer el complejo proceso de toma de decisiones en varios subprocesos simples de toma de decisiones. A través de dicho método derivado, cada juicio de decisión más simple se deriva de un criterio de decisión principal, formando una estructura de árbol.

Como puede verse en la Figura 3, cada nodo representa una decisión y establece criterios de juicio para un determinado atributo, y las ramas representan los resultados de la decisión. Cada nodo hoja representa la categoría y el resultado final previsto. Desde la perspectiva de la composición del algoritmo, el modelo de árbol de decisión es relativamente intuitivo, fácil de entender y tiene una gran interpretabilidad.

Figura 3 Modelo de árbol de decisión

• Algoritmo DBSCAN

DBSCAN (Agrupación espacial de aplicaciones con ruido basada en densidad) es un algoritmo de agrupación espacial con ruido basado en densidad, que parece funcionar particularmente bien para conjuntos de datos no conectados. Este algoritmo puede descubrir grupos de formas arbitrarias sin especificar el número de grupos de antemano y tiene buena solidez frente a valores atípicos en el conjunto de datos. El algoritmo también puede identificar eficazmente valores atípicos en conjuntos de datos ruidosos. El ruido o los valores atípicos se definen como puntos en áreas de baja densidad, como se muestra en la Figura 4.

Figura 4 El algoritmo DBSCAN identifica el ruido

• Algoritmo KNN

El algoritmo KNN (K-Nearest Neighbors) se puede utilizar tanto para clasificación como para regresión. En un problema de clasificación, el mecanismo de votación se utiliza para determinar la categoría del elemento a clasificar; en un problema de regresión, el promedio o el promedio ponderado de las k muestras vecinas más cercanas se calcula para la predicción.

Como se muestra en la Figura 5, el principio de funcionamiento del algoritmo KNN en la clasificación es encontrar los K vecinos más cercanos de un nuevo punto de datos y luego predecir la categoría del nuevo punto de datos en función de las categorías de estos vecinos. Si K=1, entonces los nuevos puntos de datos simplemente se asignan a su punto más cercano.

Categoría de vecino. Si K > 1, entonces generalmente se usa un método de votación para determinar la clase del nuevo punto de datos, es decir, el nuevo punto de datos se asignará a la clase a la que pertenecen la mayoría de los vecinos. Cuando se utiliza el algoritmo KNN para problemas de regresión, la idea básica es la misma y el resultado es el promedio de los K valores de salida de muestra de los vecinos más cercanos.

Figura 5 Algoritmo KNN utilizado para la clasificación

• Inteligencia Artificial Generativa

La inteligencia artificial generativa es una tecnología de inteligencia artificial que puede generar contenido nuevo (como texto, imágenes, música, etc.) en función de la demanda. Su experiencia se basa en avances en aprendizaje automático y aprendizaje profundo, particularmente con aplicaciones en áreas como el procesamiento del lenguaje natural y el reconocimiento de imágenes. La IA generativa aprende patrones y asociaciones a partir de grandes cantidades de datos y luego genera nuevo contenido de salida basado en esta información aprendida. La clave de la inteligencia artificial generativa radica en el entrenamiento de modelos, que requiere datos excelentes para el aprendizaje y el entrenamiento. En este proceso, el modelo mejora gradualmente su capacidad para generar nuevo contenido mediante el análisis y la comprensión de la estructura, los patrones y las relaciones en el conjunto de datos.

1. Transformador Como piedra angular de la inteligencia artificial generativa, Transformer fue pionero en la introducción del mecanismo de atención, que permite que el procesamiento de la información se centre en puntos clave y al mismo tiempo tenga una visión general. Esta capacidad única hace que Transformer brille en el campo de la generación de texto. Utilizar los últimos modelos de lenguaje de procesamiento de lenguaje natural, como GPT (Transformador generativo preentrenado), para comprender los requisitos de las aplicaciones de los usuarios expresados en lenguaje natural y convertirlos automáticamente en código ejecutable puede reducir la dificultad de desarrollo y mejorar significativamente la eficiencia.

Como se muestra en la Figura 6, a través de la introducción del mecanismo de atención de múltiples cabezas y el mecanismo de autoatención, combinados con una conexión residual y una red neuronal completamente conectada, y con la ayuda de la tecnología de incorporación de palabras anterior, se puede lograr el desempeño de modelos generativos relacionados con el lenguaje natural. El procesamiento ha mejorado mucho. La tierra asciende.

Figura 6 Modelo de transformador

2. Introducción al modelo RFM**:**

El modelo RFM es un modelo de análisis basado en el comportamiento de compra de los usuarios. Al analizar el comportamiento de las transacciones de los usuarios, puede identificar grupos de usuarios con diferentes valores. Este modelo estratifica a los usuarios según su último tiempo de consumo (R), frecuencia de consumo (F) y cantidad de consumo (M).

Como se muestra en la Figura 7. Estos tres indicadores juntos forman el núcleo del modelo RFM. El modelo califica a los usuarios según estas tres dimensiones y los clasifica según sus puntuaciones para identificar los grupos de usuarios más valiosos. Además, este modelo puede dividir eficazmente a los clientes en diferentes grupos para realizar la función de estratificación de usuarios.

Figura 7 Modelo en capas RFM

Posibles aplicaciones

Al aplicar la tecnología de aprendizaje automático para abordar los desafíos de seguridad de Ethereum, realizamos investigaciones desde cuatro aspectos principales:

1. Identificar y filtrar transacciones maliciosas según el clasificador bayesiano. Al crear un clasificador bayesiano, se identifican y filtran posibles transacciones de spam, incluidas, entre otras, transacciones grandes, frecuentes y pequeñas que conducen a ataques DOS. Este método mantiene eficazmente la salud de la red y garantiza el funcionamiento estable de la red Ethereum mediante el análisis de las características de las transacciones, como el precio del gas, la frecuencia de las transacciones, etc.
2. Genere un código de contrato inteligente que sea seguro y cumpla con requisitos específicos Tanto las redes generativas adversarias (GAN) como las redes generativas basadas en transformadores se pueden utilizar para generar código de contrato inteligente que cumpla con requisitos específicos y garantice la seguridad del código tanto como sea posible. Sin embargo, existen diferencias entre los dos en el tipo de datos en los que se basan para entrenar sus modelos: el proceso de entrenamiento del primero se basa principalmente en muestras de código inseguro, mientras que en el segundo ocurre lo contrario.

Al entrenar a GAN para que aprenda los patrones de contratos de seguridad existentes, cree un modelo de autoconfrontación para generar código potencialmente inseguro y luego aprenda a identificar estas inseguridades a través del aprendizaje de modelos, logrando en última instancia la capacidad de generar automáticamente un código de contrato inteligente más seguro y de alta calidad. . Utilizar el modelo de red generativa basado en transformadores y aprender una gran cantidad de ejemplos de contratos de seguridad para generar un código de contrato que satisfaga necesidades específicas y optimice el consumo de gas sin duda mejorará aún más la eficiencia y seguridad del desarrollo de contratos inteligentes. 3. Análisis de riesgos de contratos inteligentes basado en árbol de decisiones El uso de árboles de decisión para analizar las características de los contratos inteligentes, como la frecuencia de llamadas a funciones, el valor de la transacción, la complejidad del código fuente, etc., puede identificar eficazmente el nivel de riesgo potencial del contrato. Al analizar el modo operativo del contrato y la estructura del código, se pueden predecir posibles vulnerabilidades y puntos de riesgo, proporcionando así a los desarrolladores y usuarios evaluaciones de seguridad. Se espera que este enfoque mejore significativamente la seguridad de los contratos inteligentes en el ecosistema Ethereum, reduciendo así las pérdidas debidas a vulnerabilidades o códigos maliciosos. 4. Construir un modelo de evaluación de criptomonedas para reducir los riesgos de inversión.

Utilice algoritmos de aprendizaje automático para analizar información multidimensional, como datos de transacciones de criptomonedas, actividades de redes sociales y desempeño del mercado, para construir un modelo de evaluación que pueda predecir la posibilidad de monedas spam. Este modelo puede proporcionar a los inversores una referencia valiosa para ayudarles a evitar riesgos de inversión, promoviendo así el desarrollo saludable del mercado de las criptomonedas.

Además, el uso del aprendizaje automático también tiene el potencial de mejorar aún más la eficiencia de Ethereum. Podemos profundizar en las siguientes tres dimensiones clave:

1. Aplicación de árbol de decisiones para optimizar el modelo de cola del grupo de transacciones Basado en árboles de decisión, el mecanismo de cola del grupo de transacciones de Ethereum se puede optimizar de manera efectiva. Al analizar las características de las transacciones, como el precio del gas y el tamaño de la transacción, los árboles de decisión pueden optimizar la selección de las transacciones y el orden de las colas. Este método puede mejorar significativamente la eficiencia del procesamiento de transacciones, reducir efectivamente la congestión de la red y reducir el tiempo de espera de las transacciones de los usuarios.
2. Estratificar a los usuarios y brindar servicios personalizados. El modelo RFM (recencia, valor monetario, frecuencia) es una herramienta analítica ampliamente utilizada en la gestión de relaciones con los clientes. Puede evaluar el tiempo de la última transacción del usuario (recencia), la frecuencia de la transacción (frecuencia) y el monto de la transacción (valor monetario). estratificación. La aplicación del modelo RFM en la plataforma Ethereum puede ayudar a identificar grupos de usuarios de alto valor, optimizar la asignación de recursos y brindar servicios más personalizados, mejorando así la satisfacción del usuario y la eficiencia general de la plataforma.

El algoritmo DBSCAN también puede analizar el comportamiento comercial de los usuarios, ayudar a identificar diferentes grupos de usuarios en Ethereum y proporcionar servicios financieros más personalizados para diferentes usuarios. Esta estrategia de estratificación de usuarios puede optimizar las estrategias de marketing y mejorar la satisfacción del cliente y la eficiencia del servicio. 3. Calificación crediticia basada en KNN

El algoritmo K-vecino más cercano (KNN) puede calificar el crédito de los usuarios analizando el historial de transacciones y los patrones de comportamiento de los usuarios de Ethereum, lo que juega un papel extremadamente importante en actividades financieras como los préstamos. Los puntajes crediticios pueden ayudar a las instituciones financieras y las plataformas de préstamos a evaluar la capacidad de pago y el riesgo crediticio de los prestatarios, tomando así decisiones crediticias más precisas. Esto evita el endeudamiento excesivo y mejora la liquidez del mercado.

Direcciones futuras

Desde la perspectiva de la asignación de fondos macro, Ethereum, como la computadora distribuida más grande del mundo, no puede invertir demasiado en la capa de infraestructura y necesita atraer desarrolladores de más orígenes para participar en la co-construcción. En este artículo, al clasificar la implementación técnica y los problemas que enfrenta Ethereum, imaginamos una serie de posibles aplicaciones relativamente intuitivas del aprendizaje automático. También esperamos con ansias que los desarrolladores de IA de la comunidad puedan ofrecer estas visiones con valor real. Aterrizado.

A medida que la potencia informática de la cadena aumenta gradualmente, podemos prever que se desarrollarán modelos más complejos para la gestión de la red, el seguimiento de las transacciones, la auditoría de seguridad y otros aspectos para mejorar la eficiencia y la seguridad de la red Ethereum.

Yendo más allá, los mecanismos de gobernanza impulsados por inteligencia artificial/agentes también pueden convertirse en un importante punto de innovación en el ecosistema Ethereum. El proceso de toma de decisiones más eficiente, más transparente y más automatizado que genera este mecanismo aporta una estructura de gobernanza más flexible y confiable a la plataforma Ethereum. Estas futuras direcciones de desarrollo no solo promoverán la innovación de la tecnología Ethereum, sino que también brindarán a los usuarios una mejor experiencia en la cadena.