Como a IA pode revolucionar o Ethereum? Olhando para “AI + Blockchain” de outro ângulo

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

No ano passado, à medida que a IA generativa excedeu repetidamente as expectativas do público, a onda da revolução da produtividade da IA varreu o círculo das criptomoedas. Vimos que muitos projetos conceituais de IA trouxeram uma onda de mitos sobre a criação de riqueza no mercado secundário. Ao mesmo tempo, mais e mais desenvolvedores começaram a desenvolver seus próprios projetos "AI+Crypto".

No entanto, um olhar mais atento revela que a homogeneidade destes projectos é muito grave, e a maioria dos projectos centra-se apenas na melhoria das “relações de produção”, tais como organizar o poder computacional através de redes descentralizadas, ou criar “Hugging Face” descentralizada, etc. Muito poucos projetos tentam a verdadeira integração e inovação a partir da tecnologia subjacente. Acreditamos que a razão para esse fenômeno é que existe um “viés de domínio” entre os campos de IA e blockchain. Apesar de sua extensa intersecção, poucas pessoas têm um conhecimento profundo de ambos os campos. Por exemplo, é difícil para os desenvolvedores de IA compreender a implementação técnica e o status histórico da infraestrutura do Ethereum, e é ainda mais difícil propor soluções de otimização profundas.

Tomemos como exemplo o aprendizado de máquina (ML), o ramo mais básico da IA. É uma tecnologia que permite que as máquinas tomem decisões com base em dados sem instruções de programação explícitas. O aprendizado de máquina mostrou grande potencial na análise de dados e reconhecimento de padrões e se tornou comum na web2. No entanto, devido às limitações dos tempos em que nasceu, mesmo na vanguarda da inovação tecnológica blockchain como o Ethereum, a sua arquitectura, rede e mecanismos de governação ainda não utilizaram a aprendizagem automática como uma ferramenta eficaz para resolver problemas complexos.

“Grandes inovações geralmente nascem em campos cruzados.” Nossa intenção original ao escrever este artigo é permitir que os desenvolvedores de IA entendam melhor o mundo blockchain e também fornecer novas ideias para desenvolvedores na comunidade Ethereum. No artigo, apresentamos primeiro a implementação técnica do Ethereum e, em seguida, propusemos uma solução para aplicar o aprendizado de máquina, um algoritmo básico de IA, à rede Ethereum para melhorar sua segurança, eficiência e escalabilidade. Esperamos usar este caso como ponto de partida para apresentar algumas perspectivas diferentes daquelas existentes no mercado e inspirar combinações cruzadas mais inovadoras de “AI+Blockchain” no ecossistema de desenvolvedores.

Implementação técnica do Ethereum

1. Estrutura básica de dados A essência de um blockchain é uma cadeia conectando blocos. A chave para distinguir cadeias é a configuração da cadeia, que também é uma parte indispensável da criação de um blockchain. Para Ethereum, a configuração da cadeia é usada para distinguir diferentes cadeias no Ethereum e identificar alguns protocolos de atualização importantes e sinalizar eventos. Por exemplo, DAOForkBlock marca a altura do hard fork em que Ethereum sofreu um ataque DAO, e ConstantinopleBlock marca a altura do bloco em que Constantinople foi atualizado. Para atualizações maiores que incluem muitas propostas de melhoria, campos especiais serão definidos para identificar a altura do bloco correspondente.Além disso, Ethereum inclui várias redes de teste e redes principais, e a ecologia de rede correspondente é identificada exclusivamente através do ChainID.

O bloco gênese é o bloco zero de todo o blockchain, e outros blocos fazem referência direta ou indireta ao bloco gênese. Portanto, as informações corretas do bloco genesis devem ser carregadas quando o nó é iniciado e não devem ser modificadas arbitrariamente. As informações de configuração do bloco genesis incluem a configuração da cadeia acima mencionada e também adicionam campos como recompensas de mineração relevantes, carimbos de data e hora, dificuldade e limites de gás.Deve-se notar que o mecanismo de consenso do Ethereum evoluiu a partir da mineração de prova de trabalho O mecanismo é convertido em prova de aposta.

As contas Ethereum são divididas em contas externas e contas de contrato.A conta externa é controlada exclusivamente por uma chave privada, enquanto a conta do contrato não é controlada por uma chave privada e só pode ser operada chamando o contrato através da conta externa para executar o contrato código. Todos eles contêm um endereço exclusivo. O estado mundial Ethereum é uma árvore de contas Ethereum. Cada conta corresponde a um nó folha, que armazena o status da conta (várias informações da conta e informações de código).

Transação: Como plataforma descentralizada, a essência do Ethereum é para transações e contratos. Os blocos do Ethereum são transações empacotadas, bem como informações adicionais relevantes. Os blocos específicos são divididos em duas partes, nomeadamente o cabeçalho do bloco e a área. Bloco, no qual o Os dados do cabeçalho do bloco contêm evidências que conectam todos os blocos em uma cadeia, que podemos entender como o hash do bloco anterior, bem como a raiz do estado, a raiz da transação, a raiz do recebimento e a prova do estado de todo o mundo Ethereum. Vários outros indicadores indicar dificuldade, contar nonce e outros dados adicionais. O corpo do bloco armazena a lista de transações e a lista de cabeçalhos do bloco tio (como o Ethereum foi convertido em prova de aposta, a referência do bloco tio não existe mais).

Os recibos de transação fornecem os resultados e informações adicionais após a execução da transação que não podem ser obtidos diretamente simplesmente observando a transação em si. Especificamente, as informações nele contidas podem ser divididas em: conteúdo de consenso, informações de transação e informações de bloco, incluindo informações sobre se o processamento de transações foi bem-sucedido e informações de consumo, como registros de transações e gás. Depure o código do contrato inteligente e otimize o consumo de gás analisando as informações do recibo. e fornece uma forma de confirmação de que a transação foi processada pela rede, e os resultados e o impacto da transação podem ser visualizados.

No Ethereum, as taxas de gás podem ser entendidas simplesmente como taxas de manuseio. Quando você envia Token, executa um contrato, transfere Ethereum ou realiza diversas operações neste bloco, as operações nessas transações exigem taxas de gás. Éter Ao processar esta transação, o computador precisa realizar cálculos e consumir recursos de rede, então você tem que pagar taxas de gás para deixar o computador trabalhar para você. A taxa final de combustível é paga aos mineradores como taxa de manuseio. A fórmula de cálculo da taxa específica pode ser entendida como Taxa = Gás Utilizado * Preço do Gás, que é o consumo real multiplicado pelo preço unitário de consumo. A unidade o preço é definido pelo iniciador da transação e seu valor geralmente determina a rapidez com que as transações são carregadas na cadeia. Se a configuração for muito baixa, a transação poderá não ser executada, ao mesmo tempo, também é necessário definir um limite superior de consumo de gás para evitar erros no contrato que causem consumo de gás imprevisível. 2. Pool de negociação No Ethereum, há um grande número de transações.Em comparação com o sistema centralizado, o número de transações por segundo processadas pelo sistema descentralizado é obviamente desanimador. Devido ao grande número de transações que entram no nó, o nó precisa manter um pool de transações para gerenciar adequadamente essas transações. A transmissão das transações é realizada através de p2p. Especificamente, um nó transmitirá uma transação executável para seus nós vizinhos e, em seguida, os nós vizinhos transmitirão a transação para os nós vizinhos do nó. Dessa forma, uma transação pode se espalhar para toda a rede Ethereum em 6 segundos.

As transações no pool de transações são divididas em transações executáveis e transações não executáveis. As transações executáveis têm uma prioridade mais alta e serão executadas e empacotadas no bloco, enquanto todas as transações que acabaram de entrar no pool de transações são transações não executáveis. então se torne executável. As transações executáveis e as transações não executáveis são registradas no contêiner pendente e no contêiner da fila, respectivamente.

Além disso, o pool de transações também manterá uma lista de transações locais. As transações locais têm muitas vantagens. Elas têm prioridade mais alta, não são afetadas por restrições de volume de transações e podem ser recarregadas no pool de transações imediatamente quando o nó é reiniciado. O armazenamento local persistente de transações locais é implementado através de diário (recarregamento ao reiniciar o nó), sua finalidade é não perder transações locais inacabadas e será atualizado regularmente.

A legalidade da transação será verificada antes de entrar na fila, incluindo diversos tipos de verificações, como: ataque anti-DOS, transação anti-negativa, limite de gás da transação, etc. A composição simples do pool de transações pode ser dividida em: fila+pendente (os dois constituem todas as transações).Após a conclusão do teste de legalidade, serão realizadas verificações subsequentes, incluindo a verificação se a fila de transações atingiu o limite superior e, em seguida, julgar transações remotas (transações remotas são transações não locais)) é o mais baixo no pool de negociação, substitua a transação de preço mais baixo no pool de negociação. Para a substituição de transações executáveis, por padrão apenas as transações que aumentam a taxa de movimentação em 10% podem substituir transações que já estão aguardando execução, e serão armazenadas como transações não executáveis após a substituição. Além disso, durante o processo de manutenção do pool de transações, as transações inválidas e acima do limite serão excluídas e as transações que atenderem às condições serão substituídas. 3. Mecanismo de consenso A teoria de consenso inicial do Ethereum ainda se baseava no método de cálculo de hash de valor de dificuldade, ou seja, o valor de hash do bloco precisa ser calculado para atender às condições do valor de dificuldade alvo antes que o bloco seja legal. Como o atual algoritmo de consenso do Ethereum foi alterado de POW para POS, as teorias relacionadas à mineração não serão discutidas em detalhes. Aqui está uma breve descrição do algoritmo POS. Ethereum concluiu a fusão da cadeia de beacon em setembro de 2022 e implementou o algoritmo POS. Especificamente, para Ethereum baseado em POS, o tempo de bloqueio de cada bloco é estável em 12s, e os usuários prometem suas próprias moedas Ethereum para obter o direito de se tornar um validador. Depois disso, os usuários que participarem do staking serão selecionados aleatoriamente para obter um lote de validadores. Em cada rodada, os validadores serão selecionados de cada um dos 32 slots, e um deles será selecionado para verificação. O proponente atua como o proponente, e o proponente implementa a produção do bloco, e os demais validadores correspondentes ao slot servem como comitê para verificar a legalidade do bloco do proponente e julgar a legalidade do bloco no ciclo anterior. O algoritmo POS estabiliza e melhora significativamente a velocidade de produção de blocos, ao mesmo tempo que evita o desperdício de recursos computacionais. 4. Algoritmo de assinatura Ethereum segue o padrão de algoritmo de assinatura do Bitcoin e também usa a curva secp256k1. Seu algoritmo de assinatura específico usa ECDSA, o que significa que a assinatura calculada é calculada com base no hash da mensagem original. A composição de toda a assinatura é simples. Isso é R+S + V. Cada cálculo introduzirá números aleatórios de acordo, onde R+S é o resultado original do ECDSA. O último campo V é chamado de campo de recuperação, que indica o número de pesquisas necessárias para recuperar com sucesso a chave pública do conteúdo e da assinatura, pois pode haver vários pontos de coordenadas na curva elíptica que atendem aos requisitos com base no valor R.

Todo o processo pode ser simplesmente resumido da seguinte forma: os dados da transação e as informações relacionadas ao assinante são hash após a codificação RLP e assinados com a chave privada através do ECDSA para obter a assinatura final, e a curva usada no ECDSA é a curva elíptica secp256k1. Finalmente, combinando os dados da assinatura com os dados da transação, você pode obter dados da transação assinada e transmiti-los.

A estrutura de dados do Ethereum não depende apenas da tecnologia blockchain tradicional, mas também introduz árvores Merkle Patricia, também conhecidas como árvores de prefixo compactadas Merkle, para armazenamento eficiente e verificação de grandes quantidades de dados. O MPT combina a função de hashing criptográfico das árvores Merkle e as propriedades de compactação do caminho-chave das árvores Patricia para fornecer uma solução que garante a integridade dos dados e suporta pesquisa rápida. 5. Árvore de prefixo compactada Merkle No Ethereum, o MPT é usado para armazenar todos os dados de estado e transação, garantindo que quaisquer alterações nos dados sejam refletidas no hash raiz da árvore. Isso significa que, ao verificar o hash raiz, você pode provar a integridade e a precisão dos dados sem precisar verificar todo o banco de dados. O MPT consiste em quatro tipos de nós: nós folha, nós de extensão, nós ramificados e nós vazios.Esses nós juntos formam uma árvore que pode se adaptar às mudanças dinâmicas de dados. Cada vez que os dados são atualizados, o MPT reflete essas alterações adicionando, excluindo ou modificando nós, enquanto atualiza o hash raiz da árvore. Como cada nó é criptografado por uma função hash, quaisquer pequenas alterações nos dados levarão a grandes alterações no hash raiz, garantindo assim a segurança e a consistência dos dados. Além disso, o MPT foi projetado para suportar verificação de "cliente leve", permitindo que os nós verifiquem a existência ou o status de informações específicas simplesmente armazenando o hash raiz da árvore e os nós de caminho necessários, reduzindo bastante a necessidade de armazenamento e processamento de dados.

Através do MPT, o Ethereum não só consegue uma gestão eficiente e acesso rápido aos dados, mas também garante a segurança e descentralização da rede, apoiando a operação e o desenvolvimento de toda a rede Ethereum. 6. Máquina de estado A arquitetura central do Ethereum incorpora o conceito de máquinas de estado. A Máquina Virtual Ethereum (EVM) é o ambiente de tempo de execução para executar todos os códigos de contrato inteligentes, e o próprio Ethereum pode ser considerado como um sistema de transição de estado compartilhado globalmente. A execução de cada bloco pode ser vista como um processo de transição de estado, passando de um estado compartilhado globalmente para outro. Este design não só garante a consistência e descentralização da rede Ethereum, mas também torna os resultados da execução de contratos inteligentes previsíveis e invioláveis.

No Ethereum, o status refere-se às informações atuais de todas as contas, incluindo o saldo de cada conta, dados de armazenamento e código de contrato inteligente. Sempre que ocorre uma transação, o EVM calcula e converte o estado com base no conteúdo da transação, sendo esse processo registrado de forma eficiente e segura através do MPT. Cada transição de estado não apenas altera os dados da conta, mas também provoca uma atualização do MPT, que se reflete na alteração do hash raiz da árvore.

A relação entre EVM e MPT é crucial porque o MPT fornece garantias de integridade de dados para as transições de estado do Ethereum. Quando o EVM executa transações e altera o status da conta, os nós MPT relevantes são atualizados para refletir essas alterações. Como cada nó do MPT está vinculado por um hash, qualquer modificação no estado causará uma alteração no hash raiz. Este novo hash raiz é então incluído no novo bloco, garantindo a estabilidade de todo o estado Ethereum. Consistência e segurança . A seguir apresentamos a máquina virtual EVM. 7. EVM

A máquina virtual EVM é a base para todo o Ethereum construir contratos inteligentes e executar transições de estado. É graças ao EVM que o Ethereum pode ser imaginado como um computador mundial no verdadeiro sentido. A máquina virtual EVM é Turing completa, o que significa que os contratos inteligentes no Ethereum podem realizar qualquer cálculo lógico complexo, e a introdução do mecanismo de gás evita com sucesso loops infinitos no contrato e garante a estabilidade e segurança da rede. Em um nível mais técnico, EVM é uma máquina virtual baseada em pilha que usa bytecode específico do Ethereum para executar contratos inteligentes. Os desenvolvedores geralmente usam linguagens de alto nível, como Solidity, para escrever contratos inteligentes e depois compilá-los em bytecode que o EVM pode entender para chamadas de execução pelo EVM. EVM é a chave para as capacidades de inovação da blockchain Ethereum, não apenas apoiando a operação de contratos inteligentes, mas também fornece uma base sólida para o desenvolvimento de aplicações descentralizadas. Através da EVM, a Ethereum está moldando um futuro digital descentralizado, seguro e aberto.

Revisão da história do Ethereum

Figura 1 Revisão histórica do Ethereum

Desafios enfrentados pela segurança Ethereum

Contratos inteligentes são programas de computador executados na blockchain Ethereum. Eles permitem que os desenvolvedores criem e publiquem uma variedade de aplicações, incluindo, entre outras, aplicações de empréstimo, bolsas descentralizadas, seguros, financiamento secundário, redes sociais e NFTs. A segurança dos contratos inteligentes é crucial para estas aplicações. Estas aplicações são diretamente responsáveis pelo processamento e controlo das criptomoedas. Quaisquer lacunas nos contratos inteligentes ou ataques maliciosos aos mesmos representarão uma ameaça direta à segurança dos fundos e até levarão a enormes perdas económicas. Por exemplo, em 26 de fevereiro de 2024, o protocolo de empréstimo DeFi Blueberry Protocol foi atacado devido a uma falha lógica no contrato inteligente, resultando em uma perda de aproximadamente US$ 1.400.000.

As vulnerabilidades dos contratos inteligentes são multifacetadas, abrangendo lógica de negócios irracional (Lógica de Negócios), controle de acesso impróprio, verificação de dados insuficiente, ataques de reentrada e ataques DOS (Denial of Service). Estas vulnerabilidades podem causar problemas na execução do contrato e afetar o funcionamento eficaz do contrato inteligente. Tomemos o ataque DOS como exemplo. Este método de ataque usa o invasor para enviar um grande número de transações para consumir recursos da rede. Então, as transações iniciadas por usuários normais não podem ser processadas a tempo, o que levará a um declínio na experiência do usuário. Além disso, isso também levará a um aumento nas taxas de transação do gás. Porque quando os recursos da rede são escassos, os usuários podem precisar pagar taxas mais altas para priorizar suas transações.

Além disso, os usuários do Ethereum também enfrentam riscos de investimento e a segurança dos fundos será ameaçada. Por exemplo, spamcoins são usados para descrever criptomoedas consideradas de pouco valor ou nenhum potencial de crescimento a longo prazo. As moedas de spam são frequentemente usadas como ferramenta para fraude ou para manipulação de preços em estratégias de bombeamento e despejo. O investimento em moedas lixo é muito arriscado e pode resultar em perdas financeiras significativas. Devido ao seu baixo preço e baixa capitalização de mercado, são altamente suscetíveis à manipulação e volatilidade. A moeda é frequentemente usada em esquemas de bombeamento e despejo e golpes de honeypot, onde projetos falsos são usados para atrair investidores e roubar seus fundos. Outro risco comum de spamcoin é o rug pull, onde o criador remove repentinamente toda a liquidez do projeto, fazendo com que o valor do token despenque. Esses golpes são frequentemente comercializados com parcerias e endossos falsos e, quando o preço do token aumenta, os golpistas vendem seus tokens, obtêm lucro e desaparecem, deixando os investidores com tokens sem valor. Ao mesmo tempo, investir em shitcoins desvia a atenção e os recursos de criptomoedas legítimas que têm aplicações reais e potencial de crescimento. Além das moedas inúteis, as moedas aéreas e as moedas MLM também são formas de obter lucros rápidos. Distinguí-las de criptomoedas legítimas é especialmente difícil para usuários que não possuem conhecimento e experiência.

eficiência

Duas métricas muito diretas para avaliar a eficiência do Ethereum são a velocidade das transações e as taxas do gás. A velocidade de transação refere-se ao número de transações que a rede Ethereum pode processar por unidade de tempo. Esta métrica reflete diretamente o poder de processamento da rede Ethereum, com velocidades mais rápidas significando maior eficiência. Cada transação no Ethereum exige uma certa taxa de gás para compensar os mineradores que realizam a verificação da transação. Quanto menor o custo do gás, maior a eficiência do Ethereum.

A velocidade de transação reduzida levará a taxas de gás mais altas. De modo geral, quando a velocidade de processamento de transações diminui, pode haver um aumento nas transações competindo para entrar no próximo bloco devido ao espaço limitado do bloco. Para se destacarem da concorrência, os comerciantes muitas vezes aumentam as taxas do gás porque os mineradores tendem a priorizar transações com taxas de gás mais altas ao validar as transações. Então, taxas de gás mais altas reduzirão a experiência do usuário.

As transações são apenas a atividade básica no Ethereum. Neste ecossistema, os usuários também podem realizar diversas atividades como empréstimos, penhores, investimentos e seguros. Tudo isso pode ser realizado por meio de DApps específicos. No entanto, dada a grande variedade de DApps e a falta de serviços de recomendação personalizados semelhantes aos das indústrias tradicionais, os utilizadores sentir-se-ão confusos ao escolher as aplicações e produtos mais adequados para eles. Esta situação levará a uma diminuição da satisfação dos utilizadores, o que afetará a eficiência de todo o ecossistema Ethereum.

Tomemos como exemplo os empréstimos. A fim de manter a segurança e a estabilidade das suas próprias plataformas, algumas plataformas de empréstimo DeFi utilizarão um mecanismo de sobrecolateralização. Isto significa que o mutuário precisa de apresentar mais activos como garantia, e esses activos não podem ser utilizados pelo mutuário para outras actividades durante o período do empréstimo. Isto levará a uma diminuição na utilização de capital dos mutuários, reduzindo assim a liquidez do mercado.

Aplicação de aprendizado de máquina no Ethereum

Modelos de aprendizado de máquina, como modelo RMF, rede adversária generativa (GAN), modelo de árvore de decisão, algoritmo K vizinho mais próximo (KNN), algoritmo de clustering DBSCAN, etc., estão desempenhando um papel importante no Ethereum. A aplicação desses modelos de aprendizado de máquina no Ethereum pode ajudar a otimizar a eficiência do processamento de transações, melhorar a segurança dos contratos inteligentes, realizar a estratificação dos usuários para fornecer serviços mais personalizados e ajudar a manter a operação estável da rede.

Introdução ao algoritmo

Um algoritmo de aprendizado de máquina é um conjunto de instruções ou regras para analisar dados, aprender padrões nos dados e fazer previsões ou decisões com base nesses aprendizados. Eles aprendem e melhoram automaticamente a partir dos dados que recebem, sem a necessidade de instruções de programação explícitas de humanos. Modelos de aprendizado de máquina, como modelo RMF, rede adversária generativa (GAN), modelo de árvore de decisão, algoritmo K vizinho mais próximo (KNN), algoritmo de clustering DBSCAN, etc., estão desempenhando um papel importante no Ethereum. A aplicação desses modelos de aprendizado de máquina no Ethereum pode ajudar a otimizar a eficiência do processamento de transações, melhorar a segurança dos contratos inteligentes, realizar a estratificação dos usuários para fornecer serviços mais personalizados e ajudar a manter a operação estável da rede.

• Classificador Bayesiano

O classificador bayesiano é um classificador eficiente que visa minimizar a probabilidade de erro de classificação ou minimizar o risco médio sob uma estrutura de custos específica entre vários métodos de classificação estatística. A sua filosofia de design está profundamente enraizada no teorema de Bayes, que lhe permite tomar decisões calculando a probabilidade posterior de um objeto dada a probabilidade de um objeto pertencer a uma determinada classe dadas determinadas características. Especificamente, o classificador bayesiano primeiro considera a probabilidade anterior do objeto e, em seguida, aplica a fórmula bayesiana para considerar de forma abrangente os dados de observação para atualizar a crença sobre a classificação do objeto. Dentre todas as classificações possíveis, o classificador Bayesiano seleciona aquela com maior probabilidade posterior de classificar o objeto nesta categoria. A principal vantagem desta abordagem é a sua capacidade de lidar naturalmente com incertezas e informações incompletas, tornando-a uma ferramenta poderosa e flexível, adequada para uma ampla gama de cenários de aplicação.

Figura 2 Classificador Bayesiano

Conforme mostrado na Figura 2, no aprendizado de máquina supervisionado, dados e um modelo de probabilidade baseado no teorema de Bayes são usados para tomar decisões de classificação. Usando a verossimilhança e as probabilidades anteriores de categorias e recursos, o classificador Bayesiano calcula a probabilidade posterior de que os pontos de dados pertençam a cada categoria e atribui os pontos de dados à categoria com a maior probabilidade posterior. No gráfico de dispersão à direita, o classificador tentará encontrar a curva que melhor separe os pontos de cores diferentes, minimizando assim o erro de classificação.

• Árvore de decisão

O algoritmo de árvore de decisão é frequentemente usado em tarefas de classificação e regressão. Ele adota a ideia de julgamento hierárquico. Com base nos dados conhecidos, a árvore de decisão é treinada selecionando recursos com uma grande taxa de ganho de informação e depois dividindo-os em árvores. Simplificando, todo o algoritmo pode auto-aprender uma regra de decisão com base nos dados para julgar o valor da variável.Em termos de implementação, pode decompor o complexo processo de tomada de decisão em vários subprocessos simples de tomada de decisão Através desse método derivativo, cada julgamento de decisão mais simples é derivado de um critério de decisão pai, formando uma estrutura em árvore.

Como pode ser visto na Figura 3, cada nó representa uma decisão e define os critérios de julgamento para um determinado atributo, e os ramos representam os resultados da decisão. Cada nó folha representa o resultado e a categoria finais previstos. Do ponto de vista da composição do algoritmo, o modelo de árvore de decisão é relativamente intuitivo, fácil de entender e possui forte interpretabilidade.

Figura 3 Modelo de árvore de decisão

• Algoritmo DBSCAN

DBSCAN (Density-Based Spatial Clustering of Applications with Noise) é um algoritmo de agrupamento espacial baseado em densidade com ruído, que parece funcionar particularmente bem para conjuntos de dados não conectados. Este algoritmo pode descobrir clusters de formatos arbitrários sem especificar o número de clusters antecipadamente e tem boa robustez para valores discrepantes no conjunto de dados. O algoritmo também pode identificar efetivamente valores discrepantes em conjuntos de dados ruidosos. Ruído ou valores discrepantes são definidos como pontos em áreas de baixa densidade, conforme mostrado na Figura 4.

Figura 4 Algoritmo DBSCAN identifica ruído

• KNN algoritmo

O algoritmo KNN (K-Nearest Neighbours) pode ser usado tanto para classificação quanto para regressão. Em um problema de classificação, o mecanismo de votação é usado para determinar a categoria do item a ser classificado; em um problema de regressão, a média ou média ponderada das k amostras vizinhas mais próximas é calculada para previsão.

Conforme mostrado na Figura 5, o princípio de funcionamento do algoritmo KNN na classificação é encontrar os K vizinhos mais próximos de um novo ponto de dados e, em seguida, prever a categoria do novo ponto de dados com base nas categorias desses vizinhos. Se K = 1, então novos pontos de dados são simplesmente atribuídos ao seu mais próximo

Categoria vizinha. Se K > 1, então um método de votação é geralmente usado para determinar a classe do novo ponto de dados, ou seja, o novo ponto de dados será atribuído à classe à qual pertence o maior número de vizinhos. Quando o algoritmo KNN é usado para problemas de regressão, a ideia básica é a mesma, e o resultado é a média dos K valores de saída da amostra dos vizinhos mais próximos.

Figura 5 Algoritmo KNN usado para classificação

• Inteligência Artificial Gerativa

A inteligência artificial generativa é uma tecnologia de IA que pode gerar novos conteúdos (como texto, imagens, música, etc.) com base na entrada da demanda. Sua experiência é baseada em avanços em aprendizado de máquina e aprendizado profundo, especialmente com aplicações em áreas como processamento de linguagem natural e reconhecimento de imagens. A IA generativa aprende padrões e associações a partir de grandes quantidades de dados e, em seguida, gera novos conteúdos de saída com base nessas informações aprendidas. A chave para a inteligência artificial generativa está no treinamento do modelo, que requer dados excelentes para aprendizado e treinamento.Neste processo, o modelo melhora gradativamente sua capacidade de gerar novos conteúdos, analisando e compreendendo a estrutura, os padrões e as relações no conjunto de dados.

1. Transformador Como pedra angular da inteligência artificial generativa, o Transformer foi pioneiro na introdução do mecanismo de atenção, que permite ao processamento de informações focar em pontos-chave e ao mesmo tempo ter uma visão geral. Essa habilidade única faz o Transformer brilhar no campo da geração de texto. Utilizar os mais recentes modelos de linguagem de processamento de linguagem natural, como GPT (Generative Pre-trained Transformer), para entender os requisitos de aplicação dos usuários expressos em linguagem natural e convertê-los automaticamente em código executável pode reduzir a dificuldade de desenvolvimento e melhorar significativamente a eficiência.

Conforme mostrado na Figura 6, através da introdução do mecanismo de atenção multicabeças e do mecanismo de autoatenção, combinado com conexão residual e rede neural totalmente conectada, e com a ajuda da tecnologia anterior de incorporação de palavras, o desempenho de modelos generativos relacionados à linguagem natural o processamento foi muito melhorado. A terra ascende.

Figura 6 Modelo do transformador

2. Introdução do modelo RFM**:**

O modelo RFM é um modelo de análise baseado no comportamento de compra do usuário. Ao analisar o comportamento de transação dos usuários, pode identificar grupos de usuários com valores diferentes. Este modelo estratifica os usuários com base no último tempo de consumo (R), frequência de consumo (F) e quantidade de consumo (M).

Conforme mostrado na Figura 7. Estes três indicadores em conjunto constituem o núcleo do modelo RFM. O modelo pontua os usuários com base nessas três dimensões e os classifica de acordo com suas pontuações para identificar os grupos de usuários mais valiosos. Além disso, este modelo pode efetivamente dividir os clientes em diferentes grupos para realizar a função de estratificação de usuários.

Figura 7 Modelo em camadas RFM

Possíveis aplicações

Ao aplicar a tecnologia de aprendizado de máquina para enfrentar os desafios de segurança do Ethereum, conduzimos pesquisas a partir de quatro aspectos principais:

1. Identifique e filtre transações maliciosas com base no classificador bayesiano Ao construir um classificador bayesiano, possíveis transações de spam são identificadas e filtradas, incluindo, entre outras, transações grandes, frequentes e pequenas que levam a ataques DOS. Este método mantém efetivamente a integridade da rede e garante a operação estável da rede Ethereum, analisando as características das transações, como preço do gás, frequência das transações, etc.
2. Gere um código de contrato inteligente que seja seguro e atenda a requisitos específicos Tanto as Redes Adversariais Generativas (GAN) quanto as redes generativas baseadas em Transformer podem ser usadas para gerar código de contrato inteligente que atenda a requisitos específicos e garanta a segurança do código tanto quanto possível. No entanto, existem diferenças entre os dois no tipo de dados em que se baseiam para treinar os seus modelos.O processo de treino do primeiro depende principalmente de amostras de código inseguras, enquanto o oposto é verdadeiro para o segundo.

Ao treinar a GAN para aprender os padrões de contrato de segurança existentes, construir um modelo de auto-confronto para gerar código potencialmente inseguro e, em seguida, aprender a identificar essas inseguranças por meio do aprendizado de modelo, alcançando, em última análise, a capacidade de gerar automaticamente código de contrato inteligente mais seguro e de alta qualidade. . A utilização do modelo de rede generativa baseado em transformadores e a aprendizagem de um grande número de exemplos de contratos de segurança para gerar códigos de contratos que satisfaçam necessidades específicas e otimizem o consumo de gás irão, sem dúvida, melhorar ainda mais a eficiência e a segurança do desenvolvimento de contratos inteligentes. 3. Análise inteligente de riscos de contratos com base na árvore de decisão O uso de árvores de decisão para analisar as características dos contratos inteligentes, como frequência de chamadas de função, valor da transação, complexidade do código-fonte, etc., pode identificar com eficácia o nível de risco potencial do contrato. Ao analisar o modo de operação e a estrutura do código do contrato, possíveis vulnerabilidades e pontos de risco podem ser previstos, fornecendo assim aos desenvolvedores e usuários avaliações de segurança. Espera-se que esta abordagem melhore significativamente a segurança dos contratos inteligentes no ecossistema Ethereum, reduzindo assim as perdas devido a vulnerabilidades ou códigos maliciosos. 4. Construir um modelo de avaliação de criptomoeda para reduzir os riscos de investimento

Use algoritmos de aprendizado de máquina para analisar informações multidimensionais, como dados de transações de criptomoedas, atividades de mídia social e desempenho de mercado, para construir um modelo de avaliação que possa prever a possibilidade de moedas de spam. Este modelo pode fornecer aos investidores uma referência valiosa para ajudá-los a evitar riscos de investimento, promovendo assim o desenvolvimento saudável do mercado de criptomoedas.

Além disso, o uso do aprendizado de máquina também tem potencial para melhorar ainda mais a eficiência do Ethereum. Podemos nos aprofundar nas seguintes três dimensões principais:

1. Aplicação de árvore de decisão para otimizar o modelo de enfileiramento do pool de transações Com base nas árvores de decisão, o mecanismo de enfileiramento do pool de transações Ethereum pode ser otimizado de forma eficaz. Ao analisar as características da transação, como o preço do gás e o tamanho da transação, as árvores de decisão podem otimizar a seleção da transação e a ordem de fila. Este método pode melhorar significativamente a eficiência do processamento de transações, reduzir efetivamente o congestionamento da rede e reduzir o tempo de espera das transações dos usuários.
2. Estratificar usuários e fornecer serviços personalizados O modelo RFM (Recência, Valor monetário, Frequência) é uma ferramenta analítica amplamente utilizada na gestão de relacionamento com o cliente. Ele pode avaliar o tempo da última transação do usuário (Recência), a frequência da transação (Frequência) e o valor da transação (Valor monetário). estratificação. A aplicação do modelo RFM na plataforma Ethereum pode ajudar a identificar grupos de usuários de alto valor, otimizar a alocação de recursos e fornecer serviços mais personalizados, melhorando assim a satisfação do usuário e a eficiência geral da plataforma.

O algoritmo DBSCAN também pode analisar o comportamento comercial dos usuários, ajudar a identificar diferentes grupos de usuários no Ethereum e fornecer serviços financeiros mais personalizados para diferentes usuários. Essa estratégia de estratificação de usuários pode otimizar as estratégias de marketing e melhorar a satisfação do cliente e a eficiência do serviço. 3. Pontuação de crédito baseada em KNN

O algoritmo K-vizinho mais próximo (KNN) pode pontuar o crédito dos usuários analisando o histórico de transações e os padrões de comportamento dos usuários Ethereum, que desempenha um papel extremamente importante em atividades financeiras, como empréstimos. As pontuações de crédito podem ajudar as instituições financeiras e as plataformas de empréstimo a avaliar a capacidade de reembolso e o risco de crédito dos mutuários, tomando assim decisões de empréstimo mais precisas. Isto evita empréstimos excessivos e melhora a liquidez do mercado.

Direções futuras

Do ponto de vista da alocação de fundos macro, o Ethereum, como o maior computador distribuído do mundo, não pode investir muito na camada infra e precisa atrair desenvolvedores de mais origens para participarem da co-construção. Neste artigo, ao classificar a implementação técnica e os problemas enfrentados pelo Ethereum, imaginamos uma série de possíveis aplicações relativamente intuitivas de aprendizado de máquina. Também esperamos muito que os desenvolvedores de IA na comunidade possam entregar essas visões com valor real. Pousado.

À medida que o poder computacional na cadeia aumenta gradualmente, podemos prever que modelos mais complexos serão desenvolvidos para gerenciamento de rede, monitoramento de transações, auditoria de segurança e outros aspectos para melhorar a eficiência e segurança da rede Ethereum.

Indo além, os mecanismos de governança orientados por inteligência artificial/agentes também podem se tornar um importante ponto de inovação no ecossistema Ethereum. O processo de tomada de decisão mais eficiente, mais transparente e mais automatizado proporcionado por este mecanismo traz uma estrutura de governança mais flexível e confiável para a plataforma Ethereum. Essas direções de desenvolvimento futuro não apenas promoverão a inovação da tecnologia Ethereum, mas também proporcionarão aos usuários uma melhor experiência na rede.