Bagaimana AI dapat merevolusi Ethereum? Melihat “AI+Blockchain” dari sudut lain

Penulis: Mirror Tang | Salus; Yixin Ren | Ibu kota Hongshan; Lingzhi Shi | Salus; Jiangyue Wang | Salus

Pada tahun lalu, ketika AI generatif berulang kali melampaui ekspektasi publik, gelombang revolusi produktivitas AI telah melanda lingkaran mata uang kripto. Kita telah melihat bahwa banyak proyek konsep AI telah menimbulkan gelombang mitos penciptaan kekayaan di pasar sekunder, dan pada saat yang sama, semakin banyak pengembang yang mulai mengembangkan proyek "AI+Crypto" mereka sendiri.

Namun, jika dilihat lebih dekat, terlihat bahwa homogenitas proyek-proyek ini sangat serius, dan sebagian besar proyek hanya berfokus pada peningkatan "hubungan produksi", seperti mengatur daya komputasi melalui jaringan yang terdesentralisasi, atau menciptakan "Wajah Pelukan yang terdesentralisasi", dll. Sangat sedikit proyek yang mencoba melakukan integrasi dan inovasi sejati dari teknologi yang mendasarinya. Kami percaya bahwa alasan fenomena ini adalah adanya "bias domain" antara bidang AI dan blockchain. Meskipun terdapat banyak persimpangan, hanya sedikit orang yang memiliki pemahaman mendalam tentang kedua bidang tersebut. Misalnya, sulit bagi pengembang AI untuk memahami implementasi teknis dan status infrastruktur historis Ethereum, dan bahkan lebih sulit lagi untuk mengusulkan rencana pengoptimalan yang mendalam.

Ambil contoh pembelajaran mesin (ML), cabang paling dasar dari AI, yang merupakan teknologi yang memungkinkan mesin membuat keputusan berdasarkan data tanpa instruksi pemrograman eksplisit. Pembelajaran mesin telah menunjukkan potensi besar dalam analisis data dan pengenalan pola, dan telah menjadi hal yang lumrah di web2. Namun karena keterbatasan zaman ketika pertama kali lahir, bahkan inovasi teknologi blockchain terdepan seperti Ethereum, arsitektur, jaringan, dan mekanisme tata kelolanya belum menggunakan pembelajaran mesin sebagai alat yang efektif untuk memecahkan masalah yang kompleks.

“Inovasi hebat sering kali lahir dari lintas bidang.” Niat awal kami menulis artikel ini adalah untuk memungkinkan pengembang AI memahami dunia blockchain dengan lebih baik, dan juga untuk memberikan ide-ide baru bagi pengembang di komunitas Ethereum. Dalam artikel tersebut, kami pertama kali memperkenalkan implementasi teknis Ethereum, dan kemudian mengusulkan solusi untuk menerapkan pembelajaran mesin, algoritma AI dasar, ke jaringan Ethereum untuk meningkatkan keamanan, efisiensi, dan skalabilitasnya. Kami berharap dapat menggunakan kasus ini sebagai titik awal untuk menyajikan beberapa perspektif yang berbeda dari yang ada di pasar dan menginspirasi kombinasi silang "AI+Blockchain" yang lebih inovatif dalam ekosistem pengembang.

Implementasi teknis Ethereum

1. Struktur data dasar Inti dari sebuah blockchain adalah sebuah rantai yang menghubungkan blok-blok.Kunci untuk membedakan rantai adalah konfigurasi rantai, yang juga merupakan bagian tak terpisahkan dari pembuatan sebuah blockchain. Untuk Ethereum, konfigurasi rantai digunakan untuk membedakan berbagai rantai di Ethereum dan mengidentifikasi beberapa protokol peningkatan penting dan peristiwa penandaan. Misalnya, DAOForkBlock menandai ketinggian hard fork saat Ethereum mengalami serangan DAO, dan ConstantinopleBlock menandai ketinggian blok saat Constantinople ditingkatkan. Untuk peningkatan yang lebih besar yang mencakup banyak proposal perbaikan, bidang khusus akan ditetapkan untuk mengidentifikasi tinggi blok yang sesuai. Selain itu, Ethereum mencakup berbagai jaringan pengujian dan jaringan utama, dan ekologi jaringan yang sesuai diidentifikasi secara unik melalui ChainID.

Blok genesis adalah blok ke-nol dari keseluruhan blockchain, dan blok lain secara langsung atau tidak langsung merujuk pada blok genesis. Oleh karena itu, informasi blok genesis yang benar harus dimuat ketika node dimulai dan tidak boleh diubah secara sembarangan. Informasi konfigurasi blok genesis mencakup konfigurasi rantai yang disebutkan di atas, dan juga menambahkan bidang seperti imbalan penambangan yang relevan, stempel waktu, tingkat kesulitan, dan batas gas.Perlu dicatat bahwa mekanisme konsensus Ethereum telah berevolusi dari penambangan bukti kerja Mekanismenya diubah menjadi bukti kepemilikan.

Akun Ethereum dibagi menjadi akun eksternal dan akun kontrak. Akun eksternal dikontrol secara unik oleh kunci pribadi, sedangkan akun kontrak tidak memiliki kontrol kunci pribadi dan hanya dapat dioperasikan dengan memanggil kontrak dari akun eksternal untuk mengeksekusi kode kontrak. Semuanya berisi alamat unik. Status dunia Ethereum adalah pohon akun Ethereum. Setiap akun berhubungan dengan node daun, yang menyimpan status akun (berbagai informasi akun dan informasi kode).

Transaksi: Sebagai platform terdesentralisasi, esensi Ethereum adalah untuk transaksi dan kontrak. Blok Ethereum adalah paket transaksi, serta informasi tambahan yang relevan. Blok spesifik dibagi menjadi dua bagian, yaitu header blok dan area. Blok, di mana data header blok berisi bukti yang menghubungkan semua blok menjadi sebuah rantai, yang dapat kita pahami sebagai hash blok sebelumnya, serta root status, root transaksi, root penerimaan, dan bukti status seluruh dunia Ethereum. menunjukkan kesulitan, menghitung nonce dan data tambahan lainnya. Badan blok menyimpan daftar transaksi dan daftar header blok paman (karena Ethereum telah dikonversi menjadi bukti kepemilikan, referensi blok paman tidak ada lagi).

Resi transaksi memberikan hasil dan informasi tambahan setelah transaksi dilakukan yang tidak dapat diperoleh secara langsung hanya dengan melihat transaksi itu sendiri. Secara spesifik, informasi yang terkandung di dalamnya dapat dibagi menjadi: konten konsensus, informasi transaksi dan informasi blok, termasuk informasi keberhasilan pemrosesan transaksi dan informasi konsumsi seperti log transaksi dan gas. Debug kode kontrak pintar dan optimalkan konsumsi gas dengan menganalisis informasi di tanda terima. dan memberikan bentuk konfirmasi bahwa transaksi telah diproses oleh jaringan, dan hasil serta dampak transaksi dapat dilihat.

Di Ethereum, biaya bahan bakar secara sederhana dapat dipahami sebagai biaya penanganan. Ketika Anda mengirim Token, melaksanakan kontrak, mentransfer Ethereum, atau melakukan berbagai operasi di blok ini, operasi dalam transaksi ini memerlukan biaya bahan bakar. Ether Saat memproses transaksi ini, komputer perlu melakukan perhitungan dan menggunakan sumber daya jaringan, jadi Anda harus membayar biaya bahan bakar agar komputer dapat bekerja untuk Anda. Biaya akhir bahan bakar dibayarkan kepada penambang sebagai biaya penanganan.Rumus perhitungan biaya spesifik dapat dipahami sebagai Biaya = Gas yang Digunakan * Harga Gas, yaitu konsumsi aktual dikalikan dengan harga satuan konsumsi. harga ditentukan oleh pemrakarsa transaksi, dan jumlahnya sering kali Menentukan seberapa cepat transaksi diunggah ke rantai. Jika pengaturannya terlalu rendah, maka transaksi tidak dapat dijalankan.Pada saat yang sama, batas atas konsumsi gas juga perlu ditetapkan untuk menghindari kesalahan kontrak yang menyebabkan konsumsi gas tidak dapat diprediksi. 2. Kelompok perdagangan Di Ethereum, jumlah transaksinya banyak. Dibandingkan dengan sistem terpusat, jumlah transaksi per detik yang diproses oleh sistem desentralisasi jelas suram. Karena banyaknya transaksi yang masuk ke node, node perlu memelihara kumpulan transaksi untuk mengelola transaksi ini dengan benar. Penyiaran transaksi dilakukan melalui p2p. Secara khusus, sebuah node akan menyiarkan transaksi yang dapat dieksekusi ke node tetangganya, dan kemudian node tetangga akan menyiarkan transaksi tersebut ke node tetangga dari node tersebut. Dengan cara ini, Suatu transaksi dapat menyebar ke seluruh jaringan Ethereum dalam 6 detik.

Transaksi yang ada di dalam pool transaksi dibagi menjadi transaksi yang dapat dieksekusi dan transaksi yang tidak dapat dieksekusi. Transaksi yang dapat dieksekusi memiliki prioritas lebih tinggi dan akan dieksekusi dan dikemas dalam blok, sedangkan semua transaksi yang baru masuk ke dalam pool transaksi adalah transaksi yang tidak dapat dieksekusi. kemudian menjadi dapat dieksekusi. Transaksi yang dapat dieksekusi dan transaksi yang tidak dapat dieksekusi masing-masing dicatat dalam pending container dan queue container.

Selain itu, kumpulan transaksi juga akan memelihara daftar transaksi lokal. Transaksi lokal memiliki banyak keuntungan, memiliki prioritas lebih tinggi, tidak terpengaruh oleh pembatasan volume transaksi, dan dapat dimuat ulang ke dalam kumpulan transaksi segera setelah node di-restart. Penyimpanan persisten lokal dari transaksi lokal diimplementasikan melalui jurnal (dimuat ulang saat node dimulai ulang), tujuannya agar tidak kehilangan transaksi lokal yang belum selesai dan akan diperbarui secara berkala.

Legalitas transaksi akan diperiksa sebelum masuk antrian, meliputi berbagai jenis pemeriksaan, seperti: anti serangan DOS, anti transaksi negatif, transaksi gas limit, dll. Susunan sederhana kumpulan transaksi dapat dibagi menjadi: antrian+pending (keduanya merupakan seluruh transaksi), setelah selesai uji legalitas akan dilakukan pemeriksaan selanjutnya, termasuk memeriksa apakah antrian transaksi sudah mencapai batas atas, kemudian menilai transaksi jarak jauh (transaksi jarak jauh adalah transaksi non-lokal) ) adalah yang terendah di kumpulan perdagangan, gantikan transaksi harga terendah di kumpulan perdagangan. Untuk penggantian transaksi yang dapat dieksekusi, secara default hanya transaksi yang meningkatkan biaya penanganan sebesar 10% yang diperbolehkan untuk menggantikan transaksi yang sudah menunggu eksekusi, dan akan disimpan sebagai transaksi yang tidak dapat dieksekusi setelah penggantian. Selain itu, selama proses pemeliharaan kumpulan transaksi, transaksi yang tidak valid dan melebihi batas akan dihapus, dan transaksi yang memenuhi ketentuan akan diganti. 3. Mekanisme konsensus Teori konsensus awal Ethereum masih didasarkan pada metode penghitungan hash nilai kesulitan, artinya nilai hash suatu blok perlu dihitung untuk memenuhi kondisi nilai kesulitan target sebelum blok tersebut legal. Karena algoritma konsensus Ethereum saat ini telah diubah dari POW menjadi POS, teori terkait penambangan tidak akan dibahas secara detail. Berikut penjelasan singkat mengenai algoritma POS. Ethereum menyelesaikan penggabungan rantai suar dan menerapkan algoritma POS pada bulan September 2022. Khususnya, untuk Ethereum berbasis POS, waktu blok setiap blok stabil pada 12 detik, dan pengguna menjaminkan koin Ethereum mereka sendiri untuk mendapatkan Hak untuk menjadi a validator. Setelah itu, pengguna yang berpartisipasi dalam staking akan dipilih secara acak untuk mendapatkan sekumpulan validator. Di setiap putaran, validator akan dipilih dari masing-masing 32 slot, dan salah satunya akan dipilih untuk verifikasi. Pengusul berfungsi sebagai pengusul, dan pengusul melaksanakan produksi blok, dan validator yang tersisa yang sesuai dengan slot tersebut berfungsi sebagai panitia untuk memverifikasi legalitas blok pengusul dan membuat penilaian atas legalitas blok pada siklus sebelumnya. Algoritme POS secara signifikan menstabilkan dan meningkatkan kecepatan produksi blok, sekaligus menghindari pemborosan sumber daya komputasi. 4. Algoritma tanda tangan Ethereum mengikuti standar algoritme tanda tangan Bitcoin dan juga menggunakan kurva secp256k1. Algoritme tanda tangan spesifiknya menggunakan ECDSA, artinya tanda tangan yang dihitung dihitung berdasarkan hash dari pesan asli. Komposisi seluruh tanda tangan sederhana. Itulah R+S +V. Setiap penghitungan akan menghasilkan angka acak yang sesuai, di mana R+S adalah keluaran asli ECDSA. Bidang terakhir V disebut bidang pemulihan, yang menunjukkan jumlah pencarian yang diperlukan agar kunci publik berhasil dipulihkan dari konten dan tanda tangan, karena mungkin terdapat beberapa titik koordinat dalam kurva elips yang memenuhi persyaratan berdasarkan nilai R.

Seluruh proses dapat diringkas secara sederhana sebagai berikut: data transaksi dan informasi terkait penanda tangan di-hash setelah pengkodean RLP, dan ditandatangani dengan kunci pribadi melalui ECDSA untuk mendapatkan tanda tangan akhir, dan kurva yang digunakan dalam ECDSA adalah kurva elips secp256k1. Terakhir, dengan menggabungkan data tanda tangan dengan data transaksi, Anda bisa mendapatkan data transaksi yang ditandatangani dan menyiarkannya.

Struktur data Ethereum tidak hanya mengandalkan teknologi blockchain tradisional, tetapi juga memperkenalkan pohon Merkle Patricia, yang juga dikenal sebagai pohon awalan terkompresi Merkle, untuk penyimpanan yang efisien dan verifikasi data dalam jumlah besar. MPT menggabungkan fungsi hashing kriptografi pohon Merkle dan properti kompresi jalur utama pohon Patricia untuk memberikan solusi yang menjamin integritas data dan mendukung pencarian cepat. 5. Pohon awalan terkompresi Merkle Di Ethereum, MPT digunakan untuk menyimpan semua data status dan transaksi, memastikan bahwa setiap perubahan data tercermin dalam hash akar pohon. Artinya dengan memverifikasi hash root, Anda dapat membuktikan integritas dan keakuratan data tanpa harus memeriksa keseluruhan database. MPT terdiri dari empat jenis node: node daun, node ekstensi, node cabang, dan node kosong. Node-node ini bersama-sama membentuk pohon yang dapat beradaptasi dengan perubahan data dinamis. Setiap kali data diperbarui, MPT mencerminkan perubahan ini dengan menambahkan, menghapus, atau memodifikasi node, sekaligus memperbarui hash akar pohon. Karena setiap node dienkripsi oleh fungsi hash, perubahan kecil apa pun pada data akan menyebabkan perubahan besar pada hash root, sehingga menjamin keamanan dan konsistensi data. Selain itu, MPT dirancang untuk mendukung verifikasi "klien ringan", yang memungkinkan node memverifikasi keberadaan atau status informasi spesifik hanya dengan menyimpan hash akar pohon dan node jalur yang diperlukan, sehingga sangat mengurangi kebutuhan penyimpanan dan pemrosesan data.

Melalui MPT, Ethereum tidak hanya mencapai manajemen yang efisien dan akses cepat ke data, namun juga memastikan keamanan dan desentralisasi jaringan, mendukung pengoperasian dan pengembangan seluruh jaringan Ethereum. 6. Mesin negara Arsitektur inti Ethereum menggabungkan konsep mesin negara. Mesin Virtual Ethereum (EVM) adalah lingkungan runtime untuk mengeksekusi semua kode kontrak pintar, dan Ethereum sendiri dapat dianggap sebagai sistem transisi negara yang dimiliki bersama secara global. Eksekusi setiap blok dapat dilihat sebagai proses transisi keadaan, berpindah dari satu keadaan bersama secara global ke keadaan lainnya. Desain ini tidak hanya memastikan konsistensi dan desentralisasi jaringan Ethereum, namun juga membuat hasil eksekusi kontrak pintar dapat diprediksi dan tidak dapat diubah.

Di Ethereum, status mengacu pada informasi terkini dari semua akun, termasuk saldo setiap akun, data penyimpanan, dan kode kontrak pintar. Setiap kali transaksi terjadi, EVM menghitung dan mengubah status berdasarkan konten transaksi. Proses ini dicatat secara efisien dan aman melalui MPT. Setiap transisi keadaan tidak hanya mengubah data akun, tetapi juga menyebabkan pembaruan MPT, yang tercermin dalam perubahan hash akar pohon.

Hubungan antara EVM dan MPT sangat penting karena MPT memberikan jaminan integritas data untuk transisi status Ethereum. Ketika EVM mengeksekusi transaksi dan mengubah status akun, node MPT yang relevan diperbarui untuk mencerminkan perubahan ini. Karena setiap node MPT dihubungkan oleh sebuah hash, setiap modifikasi pada status akan menyebabkan perubahan pada hash root. Hash root baru ini kemudian dimasukkan ke dalam blok baru, memastikan stabilitas seluruh status Ethereum. . Selanjutnya kami memperkenalkan mesin virtual EVM. 7. EVM

Mesin virtual EVM adalah landasan bagi seluruh Ethereum untuk membangun kontrak cerdas dan melaksanakan transisi negara. Berkat EVM, Ethereum dapat dibayangkan sebagai komputer dunia dalam arti sebenarnya. Mesin virtual EVM sudah lengkap dengan Turing, yang berarti kontrak pintar di Ethereum dapat melakukan perhitungan logis apa pun yang rumit, dan pengenalan mekanisme gas berhasil mencegah loop tak terbatas dalam kontrak dan memastikan stabilitas dan keamanan jaringan. . Pada tingkat yang lebih teknis, EVM adalah mesin virtual berbasis tumpukan yang menggunakan bytecode khusus Ethereum untuk menjalankan kontrak pintar. Pengembang biasanya menggunakan bahasa tingkat tinggi, seperti Solidity, untuk menulis kontrak pintar, dan kemudian mengkompilasinya menjadi bytecode yang dapat dipahami oleh EVM untuk panggilan eksekusi oleh EVM. EVM adalah kunci kemampuan inovasi blockchain Ethereum. EVM tidak hanya mendukung pengoperasian kontrak pintar, namun juga memberikan landasan yang kuat untuk pengembangan aplikasi terdesentralisasi. Melalui EVM, Ethereum membentuk masa depan digital yang terdesentralisasi, aman, dan terbuka.

Tinjauan Sejarah Ethereum

Gambar 1 Tinjauan sejarah Ethereum

Tantangan yang dihadapi Keamanan Ethereum

Kontrak pintar adalah program komputer yang berjalan di blockchain Ethereum. Mereka memungkinkan pengembang untuk membuat dan menerbitkan berbagai aplikasi, termasuk namun tidak terbatas pada aplikasi pinjaman, pertukaran terdesentralisasi, asuransi, pembiayaan sekunder, jejaring sosial, dan NFT. Keamanan kontrak pintar sangat penting untuk aplikasi ini. Aplikasi ini bertanggung jawab langsung untuk memproses dan mengendalikan mata uang kripto. Setiap celah dalam kontrak pintar atau serangan jahat terhadapnya akan menimbulkan ancaman langsung terhadap keamanan dana dan bahkan menyebabkan kerugian ekonomi yang sangat besar. Misalnya, pada tanggal 26 Februari 2024, protokol peminjaman DeFi Blueberry Protocol diserang karena kesalahan logika pada kontrak pintar, yang mengakibatkan kerugian sekitar US$1.400.000.

Kerentanan kontrak pintar memiliki banyak aspek, meliputi logika bisnis yang tidak masuk akal (Logika Bisnis), kontrol akses yang tidak tepat, verifikasi data yang tidak memadai, serangan masuk kembali, dan serangan DOS (Denial of Service). Kerentanan ini dapat menyebabkan masalah dalam pelaksanaan kontrak dan mempengaruhi efektivitas pengoperasian kontrak pintar. Ambil contoh serangan DOS. Metode serangan ini menggunakan penyerang untuk mengirim transaksi dalam jumlah besar untuk menghabiskan sumber daya jaringan. Kemudian, transaksi yang dilakukan oleh pengguna biasa tidak dapat diproses tepat waktu, yang akan menyebabkan penurunan pengalaman pengguna. Selain itu, hal ini juga akan menyebabkan peningkatan biaya gas transaksi. Karena ketika sumber daya jaringan terbatas, pengguna mungkin perlu membayar biaya lebih tinggi agar transaksi mereka diprioritaskan.

Selain itu, pengguna Ethereum juga menghadapi risiko investasi dan keamanan dana akan terancam. Misalnya, spamcoin digunakan untuk menggambarkan mata uang kripto yang dianggap memiliki nilai kecil atau tidak memiliki potensi pertumbuhan jangka panjang. Koin spam sering digunakan sebagai alat penipuan atau manipulasi harga dalam strategi pump and dump. Investasi pada koin sampah sangat berisiko dan dapat mengakibatkan kerugian finansial yang signifikan. Karena harganya yang rendah dan kapitalisasi pasar yang rendah, mereka sangat rentan terhadap manipulasi dan volatilitas. Koin ini sering digunakan dalam skema pump-and-dump dan penipuan honeypot, di mana proyek palsu digunakan untuk memikat investor dan mencuri dana mereka. Risiko spamcoin umum lainnya adalah penarikan permadani (rug pull), di mana pembuatnya tiba-tiba menghapus semua likuiditas dari proyek, sehingga menyebabkan nilai token anjlok. Penipuan ini sering kali dipasarkan dengan kemitraan dan dukungan palsu, dan ketika harga token naik, para penipu menjual token mereka, mendapat untung, lalu menghilang, meninggalkan investor dengan token yang tidak berharga. Pada saat yang sama, berinvestasi dalam shitcoin mengalihkan perhatian dan sumber daya dari mata uang kripto sah yang memiliki penerapan nyata dan potensi pertumbuhan. Selain koin sampah, koin udara dan koin MLM juga merupakan cara untuk mendapatkan keuntungan cepat. Membedakannya dari mata uang kripto yang sah sangatlah sulit terutama bagi pengguna yang tidak memiliki keahlian dan pengalaman.

efisiensi

Dua metrik yang sangat langsung untuk mengevaluasi efisiensi Ethereum adalah kecepatan transaksi dan biaya bahan bakar. Kecepatan transaksi mengacu pada jumlah transaksi yang dapat diproses oleh jaringan Ethereum per unit waktu. Metrik ini secara langsung mencerminkan kekuatan pemrosesan jaringan Ethereum, dengan kecepatan yang lebih tinggi berarti efisiensi yang lebih tinggi. Setiap transaksi di Ethereum memerlukan biaya bahan bakar tertentu sebagai kompensasi kepada penambang yang melakukan verifikasi transaksi. Semakin rendah biaya bahan bakar, semakin tinggi efisiensi Ethereum.

Berkurangnya kecepatan transaksi akan menyebabkan biaya bahan bakar lebih tinggi. Secara umum, ketika kecepatan pemrosesan transaksi melambat, mungkin ada peningkatan transaksi yang bersaing untuk memasuki blok berikutnya karena terbatasnya ruang blok. Untuk menonjol dalam persaingan, pedagang sering kali menaikkan biaya bahan bakar karena penambang cenderung memprioritaskan transaksi dengan biaya bahan bakar yang lebih tinggi saat memvalidasi transaksi. Kemudian, biaya bahan bakar yang lebih tinggi akan mengurangi pengalaman pengguna.

Transaksi hanyalah aktivitas dasar di Ethereum. Dalam ekosistem ini, pengguna juga dapat melakukan berbagai aktivitas seperti peminjaman, penjaminan, investasi, dan asuransi. Ini semua dapat dicapai melalui DApps tertentu. Namun, mengingat banyaknya variasi DApps dan kurangnya layanan rekomendasi yang dipersonalisasi seperti industri tradisional, pengguna akan merasa bingung ketika memilih aplikasi dan produk yang sesuai untuk mereka. Situasi ini akan menyebabkan penurunan kepuasan pengguna, yang akan mempengaruhi efisiensi seluruh ekosistem Ethereum.

Ambil pinjaman sebagai contoh. Untuk menjaga keamanan dan stabilitas platform mereka sendiri, beberapa platform pinjaman DeFi akan menggunakan mekanisme jaminan berlebihan. Artinya peminjam perlu memberikan lebih banyak aset sebagai jaminan, dan aset tersebut tidak dapat digunakan oleh peminjam untuk aktivitas lain selama masa peminjaman. Hal ini akan menyebabkan penurunan pemanfaatan modal peminjam sehingga mengurangi likuiditas pasar.

Penerapan pembelajaran mesin di Ethereum

Model pembelajaran mesin, seperti model RMF, generative adversarial network (GAN), model pohon keputusan, algoritma K tetangga terdekat (KNN), algoritma pengelompokan DBSCAN, dll., memainkan peran penting dalam Ethereum. Penerapan model pembelajaran mesin ini di Ethereum dapat membantu mengoptimalkan efisiensi pemrosesan transaksi, meningkatkan keamanan kontrak pintar, mewujudkan stratifikasi pengguna untuk memberikan layanan yang lebih personal, dan membantu menjaga kestabilan operasi jaringan.

Pengenalan Algoritma

Algoritme pembelajaran mesin adalah sekumpulan instruksi atau aturan untuk mengurai data, mempelajari pola dalam data, dan membuat prediksi atau keputusan berdasarkan pembelajaran tersebut. Mereka belajar dan meningkatkan secara otomatis dari data yang diberikan tanpa memerlukan instruksi pemrograman eksplisit dari manusia. Model pembelajaran mesin, seperti model RMF, generative adversarial network (GAN), model pohon keputusan, algoritma K tetangga terdekat (KNN), algoritma pengelompokan DBSCAN, dll., memainkan peran penting dalam Ethereum. Penerapan model pembelajaran mesin ini di Ethereum dapat membantu mengoptimalkan efisiensi pemrosesan transaksi, meningkatkan keamanan kontrak pintar, mewujudkan stratifikasi pengguna untuk memberikan layanan yang lebih personal, dan membantu menjaga kestabilan operasi jaringan.

• Pengklasifikasi Bayesian

Pengklasifikasi Bayesian adalah pengklasifikasi efisien yang bertujuan meminimalkan kemungkinan kesalahan klasifikasi atau meminimalkan risiko rata-rata dalam kerangka biaya tertentu di antara berbagai metode klasifikasi statistik. Filosofi desainnya berakar kuat pada teorema Bayes, yang memungkinkannya mengambil keputusan dengan menghitung probabilitas posterior suatu objek dengan mempertimbangkan probabilitas bahwa suatu objek termasuk dalam kelas tertentu dengan karakteristik tertentu. Secara khusus, pengklasifikasi Bayesian pertama-tama mempertimbangkan probabilitas sebelumnya dari suatu objek, dan kemudian menerapkan rumus Bayesian untuk mempertimbangkan data observasi secara komprehensif guna memperbarui keyakinan tentang klasifikasi objek. Di antara semua kemungkinan klasifikasi, pengklasifikasi Bayesian memilih salah satu yang memiliki probabilitas posterior terbesar untuk mengklasifikasikan objek ke dalam kategori ini. Keuntungan inti dari pendekatan ini adalah kemampuannya untuk menangani ketidakpastian dan informasi yang tidak lengkap secara alami, menjadikannya alat yang ampuh dan fleksibel yang cocok untuk berbagai skenario aplikasi.

Gambar 2 Pengklasifikasi Bayesian

Seperti yang ditunjukkan pada Gambar 2, dalam pembelajaran mesin yang diawasi, data dan model probabilitas berdasarkan teorema Bayes digunakan untuk membuat keputusan klasifikasi. Dengan menggunakan kemungkinan dan probabilitas sebelumnya dari kategori dan fitur, pengklasifikasi Bayesian menghitung probabilitas posterior bahwa titik data termasuk dalam setiap kategori dan menetapkan titik data ke kategori dengan probabilitas posterior terbesar. Pada diagram sebar di sebelah kanan, pengklasifikasi akan mencoba menemukan kurva yang paling baik dalam memisahkan titik-titik dengan warna berbeda, sehingga meminimalkan kesalahan klasifikasi.

• Pohon Keputusan

Algoritme pohon keputusan sering digunakan dalam tugas klasifikasi dan regresi. Algoritme ini mengadopsi gagasan penilaian hierarki. Berdasarkan data yang diketahui, pohon keputusan dilatih dengan memilih fitur dengan tingkat perolehan informasi yang besar dan kemudian membaginya menjadi pohon. Sederhananya, seluruh algoritme dapat mempelajari sendiri aturan pengambilan keputusan berdasarkan data untuk menilai nilai variabel. Dalam hal implementasi, algoritme dapat menguraikan proses pengambilan keputusan yang kompleks menjadi beberapa sub-proses pengambilan keputusan yang sederhana. Melalui metode turunan seperti itu, setiap penilaian keputusan yang lebih sederhana diturunkan dari kriteria keputusan induk, sehingga membentuk struktur pohon.

Seperti dapat dilihat dari Gambar 3, setiap node mewakili keputusan dan menetapkan kriteria penilaian untuk atribut tertentu, dan cabang mewakili hasil keputusan. Setiap simpul daun mewakili hasil prediksi akhir dan kategori. Dari perspektif komposisi algoritma, model pohon keputusan relatif intuitif, mudah dipahami dan memiliki interpretasi yang kuat.

Gambar 3 Model pohon keputusan

• Algoritma DBSCAN

DBSCAN (Pengelompokan Spasial Berbasis Kepadatan Aplikasi dengan Kebisingan) adalah algoritma pengelompokan spasial berbasis kepadatan dengan kebisingan, yang tampaknya bekerja sangat baik untuk kumpulan data yang tidak terhubung. Algoritme ini dapat menemukan cluster dengan bentuk yang berubah-ubah tanpa menentukan jumlah cluster terlebih dahulu, dan memiliki ketahanan yang baik terhadap outlier dalam kumpulan data. Algoritme juga dapat secara efektif mengidentifikasi outlier dalam kumpulan data yang berisik.Noise atau outlier didefinisikan sebagai titik-titik di area dengan kepadatan rendah, seperti yang ditunjukkan pada Gambar 4.

Gambar 4 Algoritma DBSCAN mengidentifikasi noise

• Algoritma KNN

Algoritma KNN (K-Nearest Neighbors) dapat digunakan untuk klasifikasi dan regresi. Dalam permasalahan klasifikasi, mekanisme voting digunakan untuk menentukan kategori item yang akan diklasifikasi, dalam permasalahan regresi, rata-rata atau rata-rata tertimbang dari k sampel tetangga terdekat dihitung untuk prediksi.

Seperti terlihat pada Gambar 5, prinsip kerja algoritma KNN dalam klasifikasi adalah mencari K tetangga terdekat dari suatu titik data baru, kemudian memprediksi kategori titik data baru berdasarkan kategori tetangga tersebut. Jika K=1, maka titik data baru ditetapkan ke titik terdekatnya

Kategori tetangga. Jika K > 1, maka biasanya digunakan metode voting untuk menentukan kelas dari titik data baru, yaitu titik data baru akan ditugaskan ke kelas yang memiliki tetangga terbanyak. Ketika algoritma KNN digunakan untuk masalah regresi, ide dasarnya sama, dan hasilnya adalah rata-rata nilai keluaran K sampel dari tetangga terdekat.

Gambar 5 Algoritma KNN yang digunakan untuk klasifikasi

• Kecerdasan Buatan Generatif

Kecerdasan buatan generatif merupakan teknologi AI yang dapat menghasilkan konten baru (seperti teks, gambar, musik, dll) berdasarkan masukan permintaan. Latar belakangnya didasarkan pada kemajuan dalam pembelajaran mesin dan pembelajaran mendalam, khususnya dengan aplikasi di berbagai bidang seperti pemrosesan bahasa alami dan pengenalan gambar. AI generatif mempelajari pola dan asosiasi dari sejumlah besar data dan kemudian menghasilkan konten keluaran baru berdasarkan informasi yang dipelajari ini. Kunci kecerdasan buatan generatif terletak pada pelatihan model, yang memerlukan data yang sangat baik untuk pembelajaran dan pelatihan.Dalam proses ini, model secara bertahap meningkatkan kemampuannya untuk menghasilkan konten baru dengan menganalisis dan memahami struktur, pola, dan hubungan dalam kumpulan data.

1. Transformator Sebagai landasan kecerdasan buatan generatif, Transformer memelopori pengenalan mekanisme perhatian, yang memungkinkan pemrosesan informasi fokus pada poin-poin penting sekaligus memiliki gambaran umum.Kemampuan unik ini membuat Transformer bersinar di bidang pembuatan teks. Memanfaatkan model bahasa pemrosesan bahasa alami terbaru, seperti GPT (Generative Pre-trained Transformer), untuk memahami persyaratan aplikasi pengguna yang dinyatakan dalam bahasa alami dan secara otomatis mengubahnya menjadi kode yang dapat dieksekusi dapat mengurangi kesulitan pengembangan dan meningkatkan efisiensi secara signifikan.

Seperti yang ditunjukkan pada Gambar 6, melalui pengenalan mekanisme perhatian multi-kepala dan mekanisme perhatian mandiri, dikombinasikan dengan koneksi sisa dan jaringan saraf yang terhubung sepenuhnya, dan dengan bantuan teknologi penyematan kata sebelumnya, kinerja model generatif yang terkait dengan bahasa alami pemrosesan telah sangat ditingkatkan. Bumi meninggi.

Gambar 6 Model trafo

2. Pengenalan model RFM**:**

Model RFM merupakan model analisis berdasarkan perilaku pembelian pengguna, dengan menganalisis perilaku transaksi pengguna dapat mengidentifikasi kelompok pengguna dengan nilai yang berbeda. Model ini mengelompokkan pengguna berdasarkan waktu konsumsi terakhir (R), frekuensi konsumsi (F), dan jumlah konsumsi (M).

Seperti yang ditunjukkan pada Gambar 7. Ketiga indikator ini bersama-sama membentuk inti model RFM. Model ini menilai pengguna berdasarkan tiga dimensi ini dan mengurutkannya berdasarkan skor mereka untuk mengidentifikasi kelompok pengguna yang paling berharga. Selain itu, model ini dapat secara efektif membagi pelanggan ke dalam kelompok berbeda untuk mewujudkan fungsi stratifikasi pengguna.

Gambar 7 Model berlapis RFM

Kemungkinan penerapan

Saat menerapkan teknologi pembelajaran mesin untuk mengatasi tantangan keamanan Ethereum, kami melakukan penelitian dari empat aspek utama:

1. Identifikasi dan filter transaksi berbahaya berdasarkan pengklasifikasi Bayesian Dengan membangun pengklasifikasi Bayesian, kemungkinan transaksi spam diidentifikasi dan disaring, termasuk namun tidak terbatas pada transaksi besar, sering, dan kecil yang mengarah pada serangan DOS. Metode ini secara efektif menjaga kesehatan jaringan dan memastikan pengoperasian jaringan Ethereum yang stabil dengan menganalisis karakteristik transaksi, seperti harga Gas, frekuensi transaksi, dll.
2. Hasilkan kode kontrak pintar yang aman dan memenuhi persyaratan spesifik Jaringan Generatif Adversarial (GAN) dan jaringan generatif berbasis Transformer dapat digunakan untuk menghasilkan kode kontrak pintar yang memenuhi persyaratan spesifik dan memastikan keamanan kode semaksimal mungkin. Namun, terdapat perbedaan di antara keduanya dalam jenis data yang mereka andalkan untuk melatih model mereka. Proses pelatihan pada model pertama terutama bergantung pada sampel kode yang tidak aman, sedangkan yang terakhir berlaku sebaliknya.

Dengan melatih GAN untuk mempelajari pola kontrak keamanan yang ada, membangun model konfrontasi mandiri untuk menghasilkan kode yang berpotensi tidak aman, dan kemudian belajar mengidentifikasi ketidakamanan ini melalui pembelajaran model, yang pada akhirnya mencapai kemampuan untuk secara otomatis menghasilkan kode kontrak pintar yang berkualitas tinggi dan lebih aman. . Memanfaatkan model jaringan generatif berbasis transformator dan mempelajari sejumlah besar contoh kontrak keamanan untuk menghasilkan kode kontrak yang memenuhi kebutuhan spesifik dan mengoptimalkan konsumsi gas tidak diragukan lagi akan semakin meningkatkan efisiensi dan keamanan pengembangan kontrak pintar. 3. Analisis risiko kontrak cerdas berdasarkan pohon keputusan Menggunakan pohon keputusan untuk menganalisis karakteristik kontrak pintar, seperti frekuensi panggilan fungsi, nilai transaksi, kompleksitas kode sumber, dll., dapat secara efektif mengidentifikasi tingkat potensi risiko kontrak. Dengan menganalisis mode operasi kontrak dan struktur kode, kemungkinan kerentanan dan titik risiko dapat diprediksi, sehingga memberikan penilaian keamanan kepada pengembang dan pengguna. Pendekatan ini diharapkan dapat secara signifikan meningkatkan keamanan kontrak pintar di ekosistem Ethereum, sehingga mengurangi kerugian akibat kerentanan atau kode berbahaya. 4. Membangun model evaluasi mata uang kripto untuk mengurangi risiko investasi

Gunakan algoritma pembelajaran mesin untuk menganalisis informasi multidimensi seperti data transaksi mata uang kripto, aktivitas media sosial, dan kinerja pasar untuk membangun model evaluasi yang dapat memprediksi kemungkinan koin spam. Model ini dapat memberikan referensi berharga kepada investor untuk membantu mereka menghindari risiko investasi, sehingga mendorong perkembangan pasar mata uang kripto yang sehat.

Selain itu, penggunaan pembelajaran mesin juga berpotensi untuk lebih meningkatkan efisiensi Ethereum. Kita dapat mempelajari lebih dalam tiga dimensi utama berikut:

1. Penerapan pohon keputusan untuk mengoptimalkan model antrian kumpulan transaksi Berdasarkan pohon keputusan, mekanisme antrian kumpulan transaksi Ethereum dapat dioptimalkan secara efektif. Dengan menganalisis karakteristik transaksi, seperti harga gas dan ukuran transaksi, pohon keputusan dapat mengoptimalkan pemilihan transaksi dan urutan antrian. Metode ini dapat meningkatkan efisiensi pemrosesan transaksi secara signifikan, secara efektif mengurangi kemacetan jaringan, dan mengurangi waktu tunggu transaksi pengguna.
2. Stratifikasi pengguna dan berikan layanan yang dipersonalisasi Model RFM (Kekinian, Nilai Moneter, Frekuensi) adalah alat analisis yang banyak digunakan dalam manajemen hubungan pelanggan yang dapat mengevaluasi waktu transaksi terakhir pengguna (Kekinian), frekuensi transaksi (Frekuensi), dan jumlah transaksi (Nilai moneter). stratifikasi. Menerapkan model RFM pada platform Ethereum dapat membantu mengidentifikasi kelompok pengguna bernilai tinggi, mengoptimalkan alokasi sumber daya, dan menyediakan layanan yang lebih personal, sehingga meningkatkan kepuasan pengguna dan efisiensi platform secara keseluruhan.

Algoritme DBSCAN juga dapat menganalisis perilaku perdagangan pengguna, membantu mengidentifikasi kelompok pengguna berbeda di Ethereum, dan selanjutnya menyediakan layanan keuangan yang lebih disesuaikan untuk pengguna berbeda. Strategi stratifikasi pengguna ini dapat mengoptimalkan strategi pemasaran dan meningkatkan kepuasan pelanggan serta efisiensi layanan. 3. Credit scoring berdasarkan KNN

Algoritme K-nearest neighbour (KNN) dapat menilai kredit pengguna dengan menganalisis riwayat transaksi dan pola perilaku pengguna Ethereum, yang memainkan peran sangat penting dalam aktivitas keuangan seperti peminjaman. Skor kredit dapat membantu lembaga keuangan dan platform pinjaman mengevaluasi kemampuan pembayaran dan risiko kredit peminjam, sehingga membuat keputusan pinjaman lebih akurat. Hal ini menghindari pinjaman berlebihan dan meningkatkan likuiditas pasar.

Arah masa depan

Dari perspektif alokasi dana makro, Ethereum, sebagai komputer terdistribusi terbesar di dunia, tidak dapat berinvestasi terlalu banyak di lapisan infra, dan perlu menarik pengembang dari berbagai latar belakang untuk berpartisipasi dalam pembangunan bersama. Dalam artikel ini, dengan memilah implementasi teknis dan masalah yang dihadapi oleh Ethereum, kami membayangkan serangkaian kemungkinan penerapan pembelajaran mesin yang relatif intuitif. Kami juga sangat menantikan pengembang AI di komunitas yang dapat mewujudkan visi ini dengan nilai nyata. Mendarat.

Ketika kekuatan komputasi pada rantai meningkat secara bertahap, kita dapat memperkirakan bahwa model yang lebih kompleks akan dikembangkan untuk manajemen jaringan, pemantauan transaksi, audit keamanan, dan aspek lain untuk meningkatkan efisiensi dan keamanan jaringan Ethereum.

Lebih jauh lagi, mekanisme tata kelola yang digerakkan oleh kecerdasan buatan/agen juga dapat menjadi titik inovasi utama dalam ekosistem Ethereum. Proses pengambilan keputusan yang lebih efisien, transparan, dan otomatis yang dihasilkan oleh mekanisme ini membawa struktur tata kelola yang lebih fleksibel dan andal ke platform Ethereum. Arah pengembangan masa depan ini tidak hanya akan mendorong inovasi teknologi Ethereum, namun juga memberikan pengalaman on-chain yang lebih baik kepada pengguna.