ส่งต่อชื่อต้นฉบับ：另一个角度看「AI+Blockchain」：AI 如何革新以太坊？

ในปีที่ผ่านมา ในขณะที่ Generative AI ได้ทำลายความคาดหวังของสาธารณชนซ้ำแล้วซ้ำเล่า คลื่นของการปฏิวัติประสิทธิภาพการทำงานของ AI ก็แพร่กระจายไปทั่วชุมชนสกุลเงินดิจิทัล เราได้เห็นโครงการที่มีธีม AI มากมายในตลาดรองสร้างตำนานความมั่งคั่ง และนักพัฒนาก็เริ่มพัฒนาโครงการ “AI+Crypto” ของตนเองมากขึ้นเรื่อยๆ อย่างไรก็ตาม เมื่อตรวจสอบอย่างใกล้ชิด เห็นได้ชัดว่าโครงการเหล่านี้มีความเป็นเนื้อเดียวกันสูงและส่วนใหญ่มุ่งเป้าไปที่การปรับปรุง “ความสัมพันธ์ในการผลิต” เท่านั้น เช่น การจัดระเบียบพลังการประมวลผลผ่านเครือข่ายกระจายอำนาจ หรือการสร้าง “ใบหน้ากอดแบบกระจายอำนาจ” มีโครงการเพียงไม่กี่โครงการที่พยายามบูรณาการและสร้างสรรค์นวัตกรรมที่แกนหลักทางเทคนิคอย่างแท้จริง เราเชื่อว่านี่เป็นเพราะ "อคติโดเมน" ระหว่างฟิลด์ AI และบล็อคเชน แม้จะมีทางแยกที่กว้าง แต่มีเพียงไม่กี่คนเท่านั้นที่มีความเข้าใจอย่างลึกซึ้งเกี่ยวกับทั้งสองด้าน ตัวอย่างเช่น นักพัฒนา AI อาจพบว่าเป็นเรื่องยากที่จะเข้าใจการใช้งานทางเทคนิคและโครงสร้างพื้นฐานในอดีตของ Ethereum ทำให้ยากต่อการเสนอโซลูชันการเพิ่มประสิทธิภาพเชิงลึก

ตัวอย่างเช่น การเรียนรู้ของเครื่อง (ML) ซึ่งเป็นสาขาพื้นฐานที่สุดของ AI เป็นเทคโนโลยีที่ช่วยให้เครื่องจักรสามารถตัดสินใจผ่านข้อมูลโดยไม่ต้องมีคำสั่งการเขียนโปรแกรมที่ชัดเจน การเรียนรู้ของเครื่องได้แสดงให้เห็นถึงศักยภาพอย่างมากในการวิเคราะห์ข้อมูลและการจดจำรูปแบบ และกลายเป็นเรื่องปกติใน web2 อย่างไรก็ตาม เนื่องจากข้อจำกัดของยุคสมัยที่เริ่มต้น แม้แต่ในระดับแนวหน้าของนวัตกรรมเทคโนโลยีบล็อกเชน เช่น Ethereum สถาปัตยกรรม เครือข่าย และกลไกการกำกับดูแลก็ยังไม่ได้ใช้ประโยชน์จากการเรียนรู้ของเครื่องในฐานะเครื่องมือที่มีประสิทธิภาพในการแก้ปัญหาที่ซับซ้อน

“นวัตกรรมที่ยิ่งใหญ่มักจะเกิดขึ้นที่จุดตัดของสาขา” ความตั้งใจหลักของเราในการเขียนบทความนี้คือการช่วยให้นักพัฒนา AI เข้าใจโลกบล็อกเชนได้ดีขึ้น ในขณะเดียวกันก็เสนอแนวคิดใหม่ ๆ ให้กับนักพัฒนาของชุมชน Ethereum ในบทความ เราจะแนะนำการใช้งานทางเทคนิคของ Ethereum ก่อน จากนั้นจึงเสนอการประยุกต์ใช้การเรียนรู้ของเครื่อง ซึ่งเป็นอัลกอริธึม AI พื้นฐานกับเครือข่าย Ethereum เพื่อเพิ่มความปลอดภัย ประสิทธิภาพ และความสามารถในการปรับขนาด เราหวังว่ากรณีนี้จะเป็นจุดเริ่มต้นในการนำเสนอมุมมองที่เป็นเอกลักษณ์และกระตุ้นให้เกิดการผสมผสานนวัตกรรม “AI+Blockchain” มากขึ้นภายในระบบนิเวศของนักพัฒนา

การใช้งานทางเทคนิคของ Ethereum

• โครงสร้างข้อมูลพื้นฐานโครงสร้างข้อมูลพื้นฐาน

โดยแก่นของบล็อกเชนคือเชนที่เชื่อมโยงบล็อกต่างๆ เข้าด้วยกัน โดยมีความแตกต่างระหว่างเชนที่อยู่ในการกำหนดค่าลูกโซ่เป็นหลัก การกำหนดค่านี้เป็นส่วนสำคัญของการกำเนิดของบล็อกเชน ซึ่งเป็นขั้นตอนเริ่มต้นของบล็อกเชนใดๆ ในกรณีของ Ethereum การกำหนดค่าลูกโซ่จะแยกความแตกต่างระหว่างห่วงโซ่ Ethereum ต่างๆ และระบุโปรโตคอลการอัปเกรดที่สำคัญและเหตุการณ์เหตุการณ์สำคัญ ตัวอย่างเช่น DAOForkBlock จะทำเครื่องหมายความสูงของฮาร์ดฟอร์กหลังการโจมตี DAO ในขณะที่ ConstantinopleBlock จะระบุความสูงของบล็อกที่เกิดการอัพเกรด Constantinople สำหรับการอัพเกรดที่ใหญ่ขึ้นซึ่งรวมข้อเสนอการปรับปรุงจำนวนมาก ช่องพิเศษจะถูกตั้งค่าเพื่อแสดงความสูงของบล็อกที่สอดคล้องกัน ยิ่งไปกว่านั้น Ethereum ยังครอบคลุมเครือข่ายทดสอบและเครือข่ายหลักที่หลากหลาย ซึ่งแต่ละเครือข่ายจะถูกระบุอย่างไม่ซ้ำกันโดย ChainID ซึ่งแสดงถึงระบบนิเวศของเครือข่าย

บล็อกกำเนิดซึ่งเป็นบล็อกแรกของบล็อกเชนทั้งหมดนั้นถูกอ้างอิงโดยตรงหรือโดยอ้อมโดยบล็อกอื่น ดังนั้นจึงจำเป็นอย่างยิ่งที่โหนดจะต้องโหลดข้อมูลบล็อกการกำเนิดที่ถูกต้องเมื่อเริ่มต้นโดยไม่มีการเปลี่ยนแปลงใดๆ การกำหนดค่าบล็อกกำเนิดนี้รวมถึงการกำหนดค่าลูกโซ่ที่กล่าวถึงก่อนหน้านี้ พร้อมด้วยข้อมูลเพิ่มเติม เช่น รางวัลการขุด การประทับเวลา ความยาก และขีดจำกัดของก๊าซ โดยเฉพาะอย่างยิ่ง Ethereum ได้เปลี่ยนจากกลไกฉันทามติการขุดแบบ Proof-of-Work ไปเป็นการ Proof-of-Stake

บัญชี Ethereum แบ่งออกเป็นบัญชีภายนอกและบัญชีสัญญา บัญชีภายนอกจะถูกควบคุมโดยคีย์ส่วนตัวโดยเฉพาะ ในขณะที่บัญชีสัญญาที่ไม่มีคีย์ส่วนตัวสามารถดำเนินการได้ผ่านการดำเนินการรหัสสัญญาโดยบัญชีภายนอกเท่านั้น บัญชีทั้งสองประเภทมีที่อยู่ที่ไม่ซ้ำกัน “สถานะโลก” ของ Ethereum เป็นโครงสร้างบัญชี โดยแต่ละบัญชีสอดคล้องกับโหนดปลายสุดที่เก็บสถานะของบัญชี รวมถึงข้อมูลบัญชีและรหัสต่างๆ

• ธุรกรรม

Ethereum เป็นแพลตฟอร์มแบบกระจายอำนาจ โดยพื้นฐานแล้วอำนวยความสะดวกในการทำธุรกรรมและสัญญา Ethereum บล็อกธุรกรรมแพ็คเกจพร้อมกับข้อมูลเพิ่มเติมบางอย่าง โดยเฉพาะ บล็อกจะถูกแบ่งออกเป็นส่วนหัวของบล็อกและเนื้อหาของบล็อก ส่วนหัวของบล็อกมีหลักฐานที่เชื่อมโยงบล็อกทั้งหมดเข้ากับห่วงโซ่ ซึ่งเข้าใจว่าเป็นแฮชของบล็อกก่อนหน้า พร้อมด้วยสถานะรูท รูทธุรกรรม รูทการรับ และข้อมูลอื่น ๆ เช่น ความยากและ nonce ซึ่งบ่งบอกถึงสถานะของโลก Ethereum ทั้งหมด . เนื้อความของบล็อกประกอบด้วยรายการธุรกรรมและรายการส่วนหัวของบล็อก Uncle (แม้ว่า Ethereum จะเปลี่ยนไปใช้ Proof-of-stake การอ้างอิงบล็อกของ Uncle ก็หยุดลง)

การรับธุรกรรมจะให้ผลลัพธ์และข้อมูลเพิ่มเติมหลังการทำธุรกรรม โดยให้ข้อมูลเชิงลึกที่ไม่สามารถรับได้โดยตรงจากธุรกรรม รายละเอียดเหล่านี้ประกอบด้วยเนื้อหาที่เป็นเอกฉันท์ ข้อมูลธุรกรรม และข้อมูลบล็อก ซึ่งระบุว่าธุรกรรมสำเร็จหรือไม่ พร้อมด้วยบันทึกธุรกรรมและค่าใช้จ่ายก๊าซ การวิเคราะห์ข้อมูลในใบเสร็จรับเงินช่วยในการแก้ไขรหัสสัญญาอัจฉริยะและเพิ่มประสิทธิภาพการใช้ก๊าซ ซึ่งเป็นการยืนยันว่าธุรกรรมได้รับการประมวลผลโดยเครือข่ายแล้ว และสามารถตรวจสอบผลลัพธ์และผลกระทบของธุรกรรมได้

ใน Ethereum ค่าธรรมเนียมก๊าซสามารถถูกทำให้ง่ายขึ้น เนื่องจากค่าธรรมเนียมธุรกรรมที่จำเป็นสำหรับการดำเนินการ เช่น การส่งโทเค็น การดำเนินการตามสัญญา การโอนอีเธอร์ หรือกิจกรรมอื่น ๆ บนบล็อก การดำเนินการเหล่านี้จำเป็นต้องมีค่าธรรมเนียมก๊าซเนื่องจากเครื่องเสมือน Ethereum จะต้องคำนวณและใช้ทรัพยากรเครือข่ายเพื่อประมวลผลธุรกรรม จึงต้องมีการชำระเงินสำหรับบริการคำนวณเหล่านี้ ท้ายที่สุดแล้ว ค่าเชื้อเพลิงหรือค่าธรรมเนียมการทำธุรกรรมจะถูกจ่ายให้กับนักขุด คำนวณโดยสูตร ค่าธรรมเนียม = ก๊าซที่ใช้ * ราคาก๊าซ โดยที่ราคาก๊าซจะถูกกำหนดโดยผู้ริเริ่มการทำธุรกรรม จำนวนเงินส่วนใหญ่มีอิทธิพลต่อความเร็วของการประมวลผลธุรกรรมบนลูกโซ่ การตั้งค่าต่ำเกินไปอาจส่งผลให้มีการทำธุรกรรมที่ยังไม่ได้ดำเนินการ นอกจากนี้ การกำหนดขีดจำกัดก๊าซเป็นสิ่งสำคัญเพื่อป้องกันการใช้ก๊าซที่ไม่คาดคิดเนื่องจากข้อผิดพลาดในสัญญา

• กลุ่มธุรกรรม

ใน Ethereum มีธุรกรรมจำนวนมาก เมื่อเปรียบเทียบกับระบบรวมศูนย์ อัตราการประมวลผลธุรกรรมต่อวินาทีของระบบกระจายอำนาจนั้นต่ำกว่ามาก เนื่องจากการหลั่งไหลของธุรกรรมเข้าสู่โหนด โหนดจึงจำเป็นต้องรักษากลุ่มธุรกรรมเพื่อจัดการธุรกรรมเหล่านี้อย่างเหมาะสม การออกอากาศธุรกรรมทำได้ผ่านเครือข่ายเพียร์ทูเพียร์ (P2P) โดยที่โหนดหนึ่งออกอากาศธุรกรรมที่ปฏิบัติการได้ไปยังโหนดข้างเคียง ซึ่งจะออกอากาศธุรกรรมไปยังเพื่อนบ้าน ด้วยกระบวนการนี้ ธุรกรรมสามารถแพร่กระจายไปทั่วเครือข่าย Ethereum ทั้งหมดภายใน 6 วินาที

ธุรกรรมในกลุ่มธุรกรรมจะแบ่งออกเป็นธุรกรรมที่ปฏิบัติการได้และไม่สามารถดำเนินการได้ ธุรกรรมที่ดำเนินการได้จะมีลำดับความสำคัญสูงกว่า และถูกดำเนินการและรวมอยู่ในบล็อก ในขณะที่ธุรกรรมที่ป้อนใหม่ทั้งหมดในพูลนั้นไม่สามารถดำเนินการได้ และจะสามารถดำเนินการได้ในภายหลังเท่านั้น ธุรกรรมที่ดำเนินการได้และไม่สามารถดำเนินการได้จะถูกบันทึกตามลำดับในคอนเทนเนอร์ "รอดำเนินการ" และ "คิว"

นอกจากนี้ กลุ่มธุรกรรมจะรักษารายการธุรกรรมในพื้นที่ซึ่งมีข้อดีหลายประการ ได้แก่ มีลำดับความสำคัญสูงกว่า ไม่ได้รับผลกระทบจากขีดจำกัดปริมาณธุรกรรม และสามารถโหลดซ้ำลงในกลุ่มธุรกรรมได้ทันทีเมื่อรีสตาร์ทโหนด การจัดเก็บข้อมูลการคงอยู่ของธุรกรรมในเครื่องสามารถทำได้ผ่านการใช้เจอร์นัล (สำหรับการโหลดซ้ำเมื่อรีสตาร์ทโหนด) โดยมีเป้าหมายที่จะไม่สูญเสียธุรกรรมในเครื่องที่ยังไม่เสร็จสิ้น และจะมีการอัปเดตเป็นระยะ

ก่อนที่จะเข้าคิว ธุรกรรมจะได้รับการตรวจสอบความถูกต้องตามกฎหมาย รวมถึงการตรวจสอบประเภทต่างๆ เช่น การป้องกันการโจมตี DOS ธุรกรรมเชิงลบ และธุรกรรมที่เกินขีดจำกัดของ Gas องค์ประกอบพื้นฐานของกลุ่มธุรกรรมสามารถแบ่งออกเป็น: คิว + รอดำเนินการ (สร้างธุรกรรมทั้งหมด) หลังจากผ่านการตรวจสอบความถูกต้องตามกฎหมายแล้ว จะมีการดำเนินการตรวจสอบเพิ่มเติม รวมถึงการตรวจสอบว่าคิวธุรกรรมถึงขีดจำกัดแล้วหรือไม่ จากนั้นพิจารณาว่าธุรกรรมระยะไกล (เช่น ธุรกรรมที่ไม่ใช่ในท้องถิ่น) ต่ำที่สุดในกลุ่มธุรกรรมเพื่อแทนที่ธุรกรรมที่มีราคาต่ำที่สุดหรือไม่ สำหรับการแทนที่ธุรกรรมที่ดำเนินการได้ ตามค่าเริ่มต้น เฉพาะธุรกรรมที่มีค่าธรรมเนียมเพิ่มขึ้น 10% เท่านั้นที่ได้รับอนุญาตให้แทนที่ธุรกรรมที่รอดำเนินการ และจะถูกจัดเก็บเป็นธุรกรรมที่ไม่สามารถดำเนินการได้ นอกจากนี้ ในระหว่างการบำรุงรักษากลุ่มธุรกรรม ธุรกรรมที่ไม่ถูกต้องและเกินขีดจำกัดจะถูกลบออก และธุรกรรมที่มีสิทธิ์จะถูกแทนที่

• กลไกฉันทามติ

ทฤษฎีฉันทามติในช่วงต้นของ Ethereum มีพื้นฐานอยู่บนการคำนวณค่าความยากของแฮช ซึ่งหมายความว่าค่าแฮชของบล็อกจำเป็นต้องได้รับการคำนวณเพื่อให้ตรงตามค่าความยากของเป้าหมายเพื่อให้ถือว่าบล็อกนั้นถูกต้อง เนื่องจากอัลกอริทึมที่เป็นเอกฉันท์ของ Ethereum ได้เปลี่ยนจาก Proof of Work (POW) เป็น Proof of Stake (POS) การอภิปรายเกี่ยวกับทฤษฎีที่เกี่ยวข้องกับการขุดจึงถูกละไว้ที่นี่ ภาพรวมโดยย่อของอัลกอริทึม POS มีดังนี้: Ethereum เสร็จสิ้นการควบรวมกิจการของ Beacon Chain ในเดือนกันยายน 2022 โดยใช้อัลกอริทึม POS โดยเฉพาะใน Ethereum ที่ใช้ POS เวลาบล็อกจะคงที่ที่ 12 วินาที ผู้ใช้เดิมพัน Ether ของตนเพื่อรับสิทธิ์ในการเป็นผู้ตรวจสอบความถูกต้อง กลุ่มผู้ตรวจสอบจะถูกสุ่มเลือกจากผู้ที่มีส่วนร่วมในการเดิมพัน ในแต่ละรอบประกอบด้วย 32 ช่อง จะมีการเลือกผู้ตรวจสอบความถูกต้องเป็นผู้เสนอสำหรับแต่ละช่องเพื่อสร้างบล็อก ในขณะที่ผู้ตรวจสอบที่เหลือสำหรับช่องนั้นทำหน้าที่เป็นคณะกรรมการเพื่อตรวจสอบความถูกต้องตามกฎหมายของบล็อกของผู้เสนอและตัดสินความถูกต้องตามกฎหมายของบล็อกจาก รอบก่อนหน้า อัลกอริธึม POS ช่วยรักษาเสถียรภาพและเพิ่มความเร็วในการผลิตบล็อกอย่างมาก ในขณะเดียวกันก็ลดการสิ้นเปลืองทรัพยากรการคำนวณได้อย่างมาก

• อัลกอริธึมลายเซ็น

Ethereum สืบทอดมาตรฐานอัลกอริธึมอันเป็นเอกลักษณ์จาก Bitcoin และยังใช้เส้นโค้ง secp256k1 อีกด้วย อัลกอริธึมลายเซ็นเฉพาะที่ใช้คือ ECDSA ซึ่งหมายความว่าการคำนวณลายเซ็นจะขึ้นอยู่กับแฮชของข้อความต้นฉบับ องค์ประกอบของลายเซ็นทั้งหมดสามารถเห็นได้ง่าย ๆ ว่า R+S+V การคำนวณแต่ละครั้งจะแนะนำตัวเลขสุ่มตามลำดับ โดยที่ R+S คือผลลัพธ์ดั้งเดิมของ ECDSA ฟิลด์สุดท้าย V หรือที่เรียกว่าฟิลด์การกู้คืน ระบุจำนวนการค้นหาที่จำเป็นในการกู้คืนคีย์สาธารณะจากเนื้อหาและลายเซ็นได้สำเร็จ เนื่องจากอาจมีจุดพิกัดหลายจุดบนเส้นโค้งรูปไข่ที่ตรงตามข้อกำหนดตามค่า R .

สามารถจัดระเบียบกระบวนการทั้งหมดได้ง่ายๆ ดังต่อไปนี้: ข้อมูลธุรกรรมและข้อมูลที่เกี่ยวข้องกับผู้ลงนามจะถูกแฮชหลังจากการเข้ารหัส RLP และสามารถรับลายเซ็นสุดท้ายได้ผ่านการลงนาม ECDSA ด้วยคีย์ส่วนตัว โดยที่เส้นโค้งที่ใช้ใน ECDSA คือเส้นโค้งวงรี secp256k1 . สุดท้าย ด้วยการรวมข้อมูลลายเซ็นเข้ากับข้อมูลธุรกรรม ทำให้สามารถรับและถ่ายทอดข้อมูลธุรกรรมที่ลงนามได้

โครงสร้างข้อมูลของ Ethereum ไม่เพียงอาศัยเทคโนโลยีบล็อกเชนแบบดั้งเดิมเท่านั้น แต่ยังแนะนำ Merkle Patricia Tree หรือที่รู้จักกันในชื่อ Merkle Trie เพื่อการจัดเก็บและตรวจสอบข้อมูลจำนวนมากอย่างมีประสิทธิภาพ MPT รวมฟังก์ชันแฮชการเข้ารหัสของแผนผัง Merkle เข้ากับคุณลักษณะการบีบอัดเส้นทางคีย์ของแผนผัง Patricia ซึ่งเป็นโซลูชันที่รับประกันความสมบูรณ์ของข้อมูลและรองรับการค้นหาที่รวดเร็ว

• ต้นแมร์เคิล แพทริเซีย

ใน Ethereum นั้น MPT ใช้เพื่อจัดเก็บข้อมูลสถานะและข้อมูลธุรกรรมทั้งหมด เพื่อให้มั่นใจว่าการเปลี่ยนแปลงใดๆ ในข้อมูลจะสะท้อนให้เห็นในรูทแฮชของแผนผัง ซึ่งหมายความว่าด้วยการตรวจสอบรูทแฮช ทำให้สามารถพิสูจน์ความสมบูรณ์และความแม่นยำของข้อมูลได้โดยไม่ต้องตรวจสอบฐานข้อมูลทั้งหมด MPT ประกอบด้วยโหนดสี่ประเภท ได้แก่ โหนดลีฟ โหนดส่วนขยาย โหนดสาขา และโหนดว่าง ซึ่งรวมกันเป็นแผนผังที่สามารถปรับให้เข้ากับการเปลี่ยนแปลงข้อมูลแบบไดนามิกได้ ในการอัปเดตข้อมูลแต่ละครั้ง MPT จะสะท้อนถึงการเปลี่ยนแปลงเหล่านี้โดยการเพิ่ม ลบ หรือแก้ไขโหนด และอัปเดตแฮชรูทของแผนผัง เนื่องจากแต่ละโหนดได้รับการเข้ารหัสผ่านฟังก์ชันแฮช การเปลี่ยนแปลงข้อมูลเล็กน้อยจะส่งผลให้เกิดการเปลี่ยนแปลงที่สำคัญในรูทแฮช ดังนั้นจึงรับประกันความปลอดภัยและความสม่ำเสมอของข้อมูล นอกจากนี้ การออกแบบ MPT ยังสนับสนุนการตรวจสอบ "ไคลเอ็นต์แบบเบา" ซึ่งช่วยให้โหนดสามารถตรวจสอบการมีอยู่หรือสถานะของข้อมูลเฉพาะโดยการจัดเก็บเฉพาะแฮชรูทของแผนผังและโหนดเส้นทางที่จำเป็น ซึ่งช่วยลดข้อกำหนดในการจัดเก็บข้อมูลและการประมวลผลได้อย่างมาก

Ethereum ไม่เพียงแต่บรรลุการจัดการที่มีประสิทธิภาพและการเข้าถึงข้อมูลอย่างรวดเร็วผ่าน MPT เท่านั้น แต่ยังรับประกันความปลอดภัยและการกระจายอำนาจของเครือข่าย ซึ่งสนับสนุนการดำเนินงานและการพัฒนาเครือข่าย Ethereum ทั้งหมด

• เครื่องของรัฐ

สถาปัตยกรรมหลักของ Ethereum ผสมผสานแนวคิดของเครื่องสถานะ โดยที่ Ethereum Virtual Machine (EVM) ทำหน้าที่เป็นสภาพแวดล้อมรันไทม์สำหรับการดำเนินการโค้ดสัญญาอัจฉริยะทั้งหมด และ Ethereum เองก็สามารถมองได้ว่าเป็นระบบการเปลี่ยนผ่านสถานะที่ใช้ร่วมกันทั่วโลก การดำเนินการของแต่ละบล็อกสามารถดูได้ว่าเป็นกระบวนการเปลี่ยนสถานะ โดยย้ายจากสถานะที่ใช้ร่วมกันทั่วโลกหนึ่งไปยังอีกสถานะหนึ่ง การออกแบบนี้ไม่เพียงแต่รับประกันความสอดคล้องและการกระจายอำนาจของเครือข่าย Ethereum แต่ยังทำให้ผลการดำเนินการของสัญญาอัจฉริยะสามารถคาดการณ์ได้และป้องกันการงัดแงะ

ใน Ethereum สถานะหมายถึงข้อมูลปัจจุบันของทุกบัญชี รวมถึงยอดคงเหลือของแต่ละบัญชี ข้อมูลที่จัดเก็บ และรหัสสัญญาอัจฉริยะ เมื่อใดก็ตามที่มีธุรกรรมเกิดขึ้น EVM จะคำนวณและเปลี่ยนสถานะตามเนื้อหาธุรกรรม ซึ่งเป็นกระบวนการที่บันทึกอย่างมีประสิทธิภาพและปลอดภัยผ่าน Merkle Patricia Tree (MPT) การเปลี่ยนสถานะแต่ละครั้งไม่เพียงแต่เปลี่ยนข้อมูลบัญชีเท่านั้น แต่ยังนำไปสู่การอัปเดต MPT ซึ่งสะท้อนให้เห็นในการเปลี่ยนแปลงค่าแฮชรูตของแผนผัง

ความสัมพันธ์ระหว่าง EVM และ MPT มีความสำคัญเนื่องจาก MPT รับประกันความสมบูรณ์ของข้อมูลสำหรับการเปลี่ยนสถานะของ Ethereum เมื่อ EVM ดำเนินธุรกรรมและเปลี่ยนแปลงสถานะบัญชี โหนด MPT ที่เกี่ยวข้องจะได้รับการอัปเดตเพื่อแสดงการเปลี่ยนแปลงเหล่านี้ เนื่องจากแต่ละโหนดใน MPT เชื่อมโยงกันด้วยแฮช การปรับเปลี่ยนสถานะจะทำให้เกิดการเปลี่ยนแปลงในรูทแฮช ซึ่งจากนั้นจะรวมอยู่ในบล็อกใหม่ เพื่อให้มั่นใจถึงความสอดคล้องและความปลอดภัยของสถานะ Ethereum ทั้งหมด ด้านล่างนี้ เราจะแนะนำเครื่องเสมือน EVM

• อีวีเอ็ม

เครื่องเสมือน EVM เป็นพื้นฐานของการสร้าง Ethereum ช่วยให้สามารถดำเนินการตามสัญญาอัจฉริยะและการเปลี่ยนสถานะได้ ต้องขอบคุณ EVM ที่ทำให้ Ethereum กลายเป็นคอมพิวเตอร์โลกได้อย่างแท้จริง EVM เสร็จสมบูรณ์แบบทัวริง ซึ่งหมายความว่าสัญญาอัจฉริยะบน Ethereum สามารถทำการคำนวณเชิงตรรกะที่ซับซ้อนโดยพลการได้ ในขณะที่การนำกลไกของแก๊สมาใช้จะป้องกันการวนซ้ำไม่สิ้นสุดภายในสัญญาได้สำเร็จ ทำให้มั่นใจได้ถึงความเสถียรและความปลอดภัยของเครือข่าย จากมุมมองทางเทคนิคที่ลึกซึ้งยิ่งขึ้น EVM คือเครื่องเสมือนแบบสแต็กที่ดำเนินการสัญญาอัจฉริยะโดยใช้โค้ดไบต์เฉพาะของ Ethereum โดยทั่วไปนักพัฒนาจะใช้ภาษาระดับสูง เช่น Solidity เพื่อเขียนสัญญาอัจฉริยะ ซึ่งจากนั้นจะถูกคอมไพล์เป็นโค้ดไบต์ที่ EVM เข้าใจได้เพื่อดำเนินการ EVM เป็นกุญแจสำคัญต่อขีดความสามารถด้านนวัตกรรมบล็อกเชนของ Ethereum ไม่เพียงแต่สนับสนุนการดำเนินการของสัญญาอัจฉริยะเท่านั้น แต่ยังเป็นรากฐานที่มั่นคงสำหรับการพัฒนาแอปพลิเคชันแบบกระจายอำนาจอีกด้วย Ethereum กำลังสร้างอนาคตดิจิทัลแบบกระจายอำนาจ ปลอดภัย และเปิดกว้างผ่าน EVM

ทบทวนประวัติศาสตร์

รูปที่ 1 การทบทวนประวัติศาสตร์ของ Ethereum

ความท้าทาย

ความปลอดภัย

สัญญาอัจฉริยะคือโปรแกรมคอมพิวเตอร์ที่ทำงานบนบล็อกเชน Ethereum ช่วยให้นักพัฒนาสามารถสร้างและปรับใช้แอปพลิเคชันต่างๆ รวมถึงแต่ไม่จำกัดเพียงแอปการให้ยืม การแลกเปลี่ยนแบบกระจายอำนาจ การประกันภัย การจัดหาเงินทุนรอง เครือข่ายสังคม และ NFT ความปลอดภัยของสัญญาอัจฉริยะเป็นสิ่งสำคัญสำหรับแอปพลิเคชันเหล่านี้ เนื่องจากจะจัดการและควบคุมสกุลเงินดิจิทัลโดยตรง ช่องโหว่ใดๆ ในสัญญาอัจฉริยะหรือการโจมตีที่เป็นอันตรายสามารถก่อให้เกิดภัยคุกคามโดยตรงต่อความปลอดภัยของกองทุน ซึ่งอาจนำไปสู่การสูญเสียทางการเงินที่สำคัญ ตัวอย่างเช่น เมื่อวันที่ 26 กุมภาพันธ์ 2024 โปรโตคอลการให้ยืม DeFi Blueberry Protocol ถูกโจมตีเนื่องจากมีข้อบกพร่องในตรรกะของสัญญาอัจฉริยะ ส่งผลให้สูญเสียเงินประมาณ 1,400,000 ดอลลาร์

ช่องโหว่ในสัญญาอัจฉริยะนั้นมีหลายแง่มุม ครอบคลุมถึงตรรกะทางธุรกิจที่ไม่สมเหตุสมผล การควบคุมการเข้าถึงที่ไม่เหมาะสม การตรวจสอบข้อมูลที่ไม่เพียงพอ การโจมตีซ้ำ และการโจมตี DOS (Denial of Service) และอื่นๆ อีกมากมาย ช่องโหว่เหล่านี้สามารถนำไปสู่ปัญหาในการดำเนินสัญญา ซึ่งส่งผลต่อการดำเนินการที่มีประสิทธิภาพของสัญญาอัจฉริยะ ตัวอย่างเช่น การโจมตี DOS เกี่ยวข้องกับการที่ผู้โจมตีส่งธุรกรรมจำนวนมากเพื่อใช้ทรัพยากรของเครือข่ายจนหมด ส่งผลให้ธุรกรรมของผู้ใช้ปกติไม่สามารถประมวลผลได้ทันเวลา ประสบการณ์ผู้ใช้ที่ลดลงนี้ยังอาจนำไปสู่ค่าธรรมเนียมธุรกรรมที่เพิ่มขึ้น เนื่องจากผู้ใช้อาจต้องจ่ายค่าธรรมเนียมที่สูงขึ้นเพื่อจัดลำดับความสำคัญของธุรกรรมในเครือข่ายที่แออัด

นอกจากนี้ ผู้ใช้ Ethereum ยังเผชิญกับความเสี่ยงในการลงทุน โดยความปลอดภัยของกองทุนอยู่ภายใต้การคุกคาม ตัวอย่างเช่น “shitcoins” คือสกุลเงินดิจิทัลที่ถือว่ามีมูลค่าเพียงเล็กน้อยหรือไม่มีเลย หรือมีศักยภาพในการเติบโตในระยะยาว Shitcoins มักใช้เป็นเครื่องมือสำหรับการหลอกลวงหรือแผนการปั๊มแล้วทิ้ง ความเสี่ยงในการลงทุนที่เกี่ยวข้องกับ shitcoins นั้นสูง และอาจนำไปสู่การสูญเสียทางการเงินที่สำคัญ เนื่องจากราคาและมูลค่าหลักทรัพย์ตามราคาตลาดต่ำ จึงมีความเสี่ยงสูงต่อการถูกบิดเบือนและความผันผวน สกุลเงินดิจิทัลเหล่านี้มักใช้ในแผนการปั๊มแล้วทิ้งและการหลอกลวงแบบ honey pot ซึ่งนักลงทุนถูกล่อลวงโดยโครงการปลอมแล้วจึงปล้นเงินทุนของพวกเขา ความเสี่ยงทั่วไปอีกประการหนึ่งที่เกี่ยวข้องกับ shitcoin คือ “การดึงพรม” ซึ่งผู้สร้างจะดึงสภาพคล่องทั้งหมดออกจากโครงการอย่างกะทันหัน ทำให้มูลค่าของโทเค็นลดลง การหลอกลวงเหล่านี้มักทำการตลาดผ่านพันธมิตรและการรับรองที่ไม่ถูกต้อง และเมื่อราคาของโทเค็นเพิ่มขึ้น นักต้มตุ๋นจะขายโทเค็นของตน ทำกำไร และหายไป ส่งผลให้นักลงทุนมีโทเค็นที่ไร้ค่า นอกจากนี้ การลงทุนใน shitcoin สามารถเบี่ยงเบนความสนใจและทรัพยากรจากสกุลเงินดิจิทัลที่ถูกกฎหมายพร้อมการใช้งานจริงและศักยภาพในการเติบโต

นอกเหนือจาก shitcoin แล้ว “เหรียญอากาศ” และ “เหรียญโครงการปิรามิด” ยังเป็นวิธีการในการทำกำไรอย่างรวดเร็วอีกด้วย สำหรับผู้ใช้ที่ขาดความรู้และประสบการณ์ทางวิชาชีพ การแยกพวกเขาออกจากสกุลเงินดิจิทัลที่ถูกกฎหมายถือเป็นความท้าทายอย่างยิ่ง

ประสิทธิภาพ

ตัวชี้วัดที่ตรงมากสองตัวสำหรับการประเมินประสิทธิภาพของ Ethereum คือความเร็วของการทำธุรกรรมและค่าธรรมเนียมก๊าซ ความเร็วของธุรกรรมหมายถึงจำนวนธุรกรรมที่เครือข่าย Ethereum สามารถประมวลผลได้ภายในหน่วยเวลา ตัวชี้วัดนี้สะท้อนถึงความสามารถในการประมวลผลของเครือข่าย Ethereum โดยตรง ซึ่งความเร็วที่เร็วกว่าบ่งบอกถึงประสิทธิภาพที่สูงกว่า ทุกธุรกรรมใน Ethereum ต้องใช้ค่าธรรมเนียมก๊าซจำนวนหนึ่ง ซึ่งจะชดเชยให้กับนักขุดในการตรวจสอบธุรกรรม ค่าธรรมเนียมก๊าซที่ลดลงบ่งบอกถึงประสิทธิภาพที่สูงขึ้นใน Ethereum

ความเร็วในการทำธุรกรรมที่ลดลงส่งผลให้ค่าธรรมเนียมก๊าซเพิ่มขึ้น โดยทั่วไป เมื่อความเร็วในการประมวลผลธุรกรรมลดลง เนื่องจากพื้นที่บล็อกที่จำกัด การแข่งขันระหว่างธุรกรรมเพื่อเข้าสู่บล็อกถัดไปอาจเพิ่มขึ้น เพื่อให้โดดเด่นในการแข่งขันครั้งนี้ เทรดเดอร์มักจะเพิ่มค่าธรรมเนียมก๊าซ เนื่องจากนักขุดมักจะจัดลำดับความสำคัญของธุรกรรมที่มีค่าธรรมเนียมก๊าซที่สูงขึ้นในระหว่างการตรวจสอบ ดังนั้นค่าธรรมเนียมก๊าซที่สูงขึ้นอาจทำให้ประสบการณ์ผู้ใช้แย่ลงได้

ธุรกรรมเป็นเพียงกิจกรรมพื้นฐานใน Ethereum ภายในระบบนิเวศนี้ ผู้ใช้ยังสามารถมีส่วนร่วมในกิจกรรมต่างๆ เช่น การให้กู้ยืม การวางเดิมพัน การลงทุน การประกันภัย ฯลฯ ซึ่งทั้งหมดนี้สามารถทำได้ผ่าน DApps ที่เฉพาะเจาะจง อย่างไรก็ตาม เนื่องจาก DApps มีความหลากหลายและการขาดบริการแนะนำส่วนบุคคลที่คล้ายกับในอุตสาหกรรมแบบดั้งเดิม ผู้ใช้จึงอาจพบว่าการเลือกแอปและผลิตภัณฑ์ที่เหมาะสมสำหรับตนเองเกิดความสับสน สถานการณ์นี้อาจส่งผลให้ความพึงพอใจของผู้ใช้ลดลง ซึ่งส่งผลต่อประสิทธิภาพโดยรวมของระบบนิเวศ Ethereum

ดูการให้กู้ยืมเป็นตัวอย่าง แพลตฟอร์มการให้กู้ยืม DeFi บางแห่งใช้กลไกการค้ำประกันมากเกินไปเพื่อรักษาความปลอดภัยและเสถียรภาพของแพลตฟอร์ม ซึ่งหมายความว่าผู้กู้ยืมจำเป็นต้องวางทรัพย์สินเป็นหลักประกันมากขึ้น ซึ่งไม่สามารถนำไปใช้ในกิจกรรมอื่น ๆ ได้ในช่วงระยะเวลากู้ยืม สิ่งนี้นำไปสู่การลดลงของอัตราการใช้เงินทุนของผู้กู้ซึ่งจะช่วยลดสภาพคล่องของตลาด

การประยุกต์ใช้ Machine Learning ใน Ethereum

โมเดลการเรียนรู้ของเครื่อง เช่น โมเดล RFM, Generative Adversarial Networks (GAN), โมเดล Decision Tree, อัลกอริธึม K-Nearest Neighbours (KNN) และอัลกอริธึมการจัดกลุ่ม DBSCAN กำลังมีบทบาทสำคัญใน Ethereum การประยุกต์ใช้โมเดลการเรียนรู้ของเครื่องเหล่านี้ภายใน Ethereum สามารถช่วยเพิ่มประสิทธิภาพการประมวลผลธุรกรรม เพิ่มความปลอดภัยของสัญญาอัจฉริยะ ใช้การแบ่งส่วนผู้ใช้เพื่อให้บริการที่เป็นส่วนตัวมากขึ้น และสนับสนุนการดำเนินงานที่มั่นคงของเครือข่าย

รู้เบื้องต้นเกี่ยวกับอัลกอริทึม

อัลกอริธึมการเรียนรู้ของเครื่องคือชุดคำสั่งหรือกฎที่ใช้ในการแยกวิเคราะห์ข้อมูล เรียนรู้รูปแบบภายในข้อมูล และคาดการณ์หรือตัดสินใจตามการเรียนรู้เหล่านี้ โดยจะปรับปรุงโดยอัตโนมัติผ่านการเรียนรู้จากข้อมูลที่ให้มา โดยไม่จำเป็นต้องเขียนโปรแกรมโดยมนุษย์อย่างชัดเจน โมเดลการเรียนรู้ของเครื่อง เช่น โมเดล RFM, Generative Adversarial Networks (GAN), โมเดล Decision Tree, อัลกอริธึม K-Nearest Neighbours (KNN) และอัลกอริธึมการจัดกลุ่ม DBSCAN กำลังมีบทบาทสำคัญใน Ethereum การประยุกต์ใช้โมเดลการเรียนรู้ของเครื่องเหล่านี้ใน Ethereum สามารถช่วยเพิ่มประสิทธิภาพการประมวลผลธุรกรรม เพิ่มความปลอดภัยของสัญญาอัจฉริยะ ใช้การแบ่งส่วนผู้ใช้เพื่อให้บริการที่เป็นส่วนตัวมากขึ้น และสนับสนุนการดำเนินงานที่มั่นคงของเครือข่าย

ตัวแยกประเภทแบบเบย์

ตัวแยกประเภทแบบเบย์เป็นหนึ่งในวิธีการจำแนกประเภททางสถิติต่างๆ ที่มุ่งลดความน่าจะเป็นของข้อผิดพลาดในการจำแนกประเภทให้เหลือน้อยที่สุด หรือลดความเสี่ยงโดยเฉลี่ยให้เหลือน้อยที่สุดภายใต้กรอบต้นทุนเฉพาะ ปรัชญาการออกแบบของพวกเขาหยั่งรากลึกในทฤษฎีบทเบย์ ซึ่งช่วยให้สามารถคำนวณความน่าจะเป็นที่วัตถุจะจัดอยู่ในประเภทใดประเภทหนึ่ง โดยพิจารณาจากคุณลักษณะที่ทราบบางประการ ด้วยการคำนวณความน่าจะเป็นภายหลังของวัตถุ การตัดสินใจจึงเกิดขึ้น โดยเฉพาะอย่างยิ่ง ตัวแยกประเภทแบบเบย์จะพิจารณาความน่าจะเป็นก่อนหน้าของวัตถุก่อน จากนั้นจึงใช้สูตรแบบเบย์เพื่อพิจารณาข้อมูลที่สังเกตได้ ดังนั้นจึงปรับปรุงความเชื่อเกี่ยวกับการจำแนกประเภทของวัตถุ ในบรรดาการจำแนกประเภทที่เป็นไปได้ทั้งหมด ตัวแยกประเภทแบบเบย์จะเลือกหมวดหมู่ที่มีความน่าจะเป็นด้านหลังสูงสุดสำหรับวัตถุ ข้อได้เปรียบหลักของวิธีการนี้อยู่ที่ความสามารถตามธรรมชาติในการจัดการกับข้อมูลที่ไม่แน่นอนและไม่สมบูรณ์ ทำให้เป็นเครื่องมือที่ทรงพลังและยืดหยุ่นเหมาะสำหรับการใช้งานที่หลากหลาย

ดังที่แสดงในรูปที่ 2 ในการเรียนรู้ของเครื่องภายใต้การดูแล การตัดสินใจจำแนกประเภทจะดำเนินการโดยใช้ข้อมูลและแบบจำลองความน่าจะเป็นตามทฤษฎีบทเบย์ ด้วยการใช้ความน่าจะเป็น ความน่าจะเป็นก่อนหน้าของหมวดหมู่และคุณลักษณะ ตัวแยกประเภทแบบเบย์จะคำนวณความน่าจะเป็นภายหลังของแต่ละหมวดหมู่สำหรับจุดข้อมูล และกำหนดจุดข้อมูลให้กับหมวดหมู่ที่มีความน่าจะเป็นหลังสูงสุด ในแผนภูมิกระจายทางด้านขวา ตัวแยกประเภทจะพยายามค้นหาเส้นโค้งที่แยกจุดของสีต่างๆ ได้ดีที่สุด ซึ่งช่วยลดข้อผิดพลาดในการจำแนกประเภทให้เหลือน้อยที่สุด

รูปที่ 2 ตัวลักษณนามแบบเบย์

• ต้นไม้แห่งการตัดสินใจ

อัลกอริทึมแผนผังการตัดสินใจมักใช้สำหรับงานจำแนกประเภทและงานการถดถอย โดยใช้แนวทางการตัดสินใจแบบลำดับชั้น พวกเขาสร้างแผนผังโดยการแบ่งคุณสมบัติที่ได้รับข้อมูลสูงโดยอิงจากข้อมูลที่ทราบ ดังนั้นจึงเป็นการฝึกแผนผังการตัดสินใจ โดยพื้นฐานแล้ว อัลกอริธึมสามารถเรียนรู้กฎการตัดสินใจด้วยตนเองจากข้อมูลเพื่อกำหนดค่าของตัวแปรได้ โดยเฉพาะอย่างยิ่ง ลดความซับซ้อนของกระบวนการตัดสินใจที่ซับซ้อนให้เป็นการตัดสินใจย่อยที่ง่ายกว่าหลายรายการ การตัดสินใจที่ง่ายกว่าแต่ละครั้งได้มาจากเกณฑ์การตัดสินใจของผู้ปกครอง ซึ่งสร้างโครงสร้างคล้ายต้นไม้

ดังแสดงในรูปที่ 3 แต่ละโหนดแสดงถึงการตัดสินใจ โดยกำหนดเกณฑ์สำหรับการตัดสินคุณลักษณะบางอย่าง ในขณะที่สาขาแสดงถึงผลลัพธ์ของการตัดสินใจ แต่ละโหนดปลายสุดแสดงถึงผลลัพธ์และหมวดหมู่ที่คาดการณ์ไว้ขั้นสุดท้าย จากมุมมองเชิงโครงสร้าง แบบจำลองต้นไม้การตัดสินใจนั้นใช้งานง่าย เข้าใจง่าย และมีพลังในการอธิบายที่ชัดเจน

ภาพที่ 3 แบบจำลองต้นไม้ตัดสินใจ

• อัลกอริทึม DBSCAN

DBSCAN (Density-Based Spatial Clustering of Applications with Noise) เป็นอัลกอริธึมการจัดกลุ่มเชิงพื้นที่ตามความหนาแน่น ซึ่งมีประสิทธิภาพเป็นพิเศษสำหรับชุดข้อมูลที่มีสัญญาณรบกวน และสำหรับการระบุกลุ่มของรูปร่างใดๆ โดยไม่จำเป็นต้องระบุจำนวนคลัสเตอร์ล่วงหน้า มีประสิทธิภาพที่แข็งแกร่งเมื่อเทียบกับค่าผิดปกติในชุดข้อมูล อัลกอริธึมสามารถระบุค่าผิดปกติซึ่งกำหนดเป็นจุดในพื้นที่ความหนาแน่นต่ำได้อย่างมีประสิทธิภาพ ดังแสดงในรูปที่ 4

รูปที่ 4 การระบุสัญญาณรบกวนด้วยอัลกอริทึม DBSCAN

• อัลกอริทึม KNN

อัลกอริธึม K-Nearest Neighbors (KNN) สามารถใช้กับทั้งงานจำแนกประเภทและงานการถดถอย ในการจำแนกประเภท หมวดหมู่ของรายการที่จะจัดประเภทจะถูกกำหนดผ่านกลไกการลงคะแนน ในการถดถอย จะคาดการณ์โดยการคำนวณค่าเฉลี่ยหรือค่าเฉลี่ยถ่วงน้ำหนักของ k ตัวอย่างที่ใกล้ที่สุด

ดังที่แสดงในรูปที่ 5 หลักการทำงานของอัลกอริธึม KNN ในการจำแนกประเภทคือการค้นหาเพื่อนบ้าน k ใกล้ที่สุดของจุดข้อมูลใหม่และทำนายหมวดหมู่ของจุดข้อมูลใหม่ตามหมวดหมู่ของเพื่อนบ้านเหล่านี้ หาก K=1 จุดข้อมูลใหม่จะถูกกำหนดให้กับหมวดหมู่ของเพื่อนบ้านที่ใกล้ที่สุด หาก K>1 หมวดหมู่มักจะถูกกำหนดโดยคะแนนเสียงข้างมาก ซึ่งหมายความว่าจุดข้อมูลใหม่จะถูกกำหนดให้กับหมวดหมู่ที่พบมากที่สุดในหมู่เพื่อนบ้าน เมื่อใช้ในการถดถอย หลักการจะยังคงเหมือนเดิม แต่ผลลัพธ์คือค่าเฉลี่ยของผลลัพธ์ของตัวอย่าง k ที่ใกล้ที่สุด

รูปที่ 5 อัลกอริธึม KNN ที่ใช้ในการจำแนกประเภท

• ปัญญาประดิษฐ์แบบเจนเนอเรทีฟ ปัญญาประดิษฐ์แบบเจนเนอเรทีฟ

ปัญญาประดิษฐ์เชิงสร้างสรรค์ (AI) เป็นเทคโนโลยี AI ประเภทหนึ่งที่สามารถสร้างเนื้อหาใหม่ (เช่น ข้อความ รูปภาพ เพลง ฯลฯ) ตามความต้องการอินพุต รากฐานอยู่ที่ความก้าวหน้าในการเรียนรู้ของเครื่องและการเรียนรู้เชิงลึก โดยเฉพาะอย่างยิ่งในการใช้งานภายในสาขาการประมวลผลภาษาธรรมชาติและการจดจำภาพ Generative AI เรียนรู้รูปแบบและการเชื่อมโยงจากข้อมูลจำนวนมหาศาล จากนั้นจึงสร้างผลลัพธ์ใหม่ทั้งหมดตามข้อมูลที่เรียนรู้นี้ กุญแจสำคัญในการสร้างปัญญาประดิษฐ์นั้นอยู่ที่การฝึกโมเดล ซึ่งต้องใช้ข้อมูลคุณภาพสูงสำหรับการเรียนรู้และการฝึกอบรม ในระหว่างกระบวนการนี้ โมเดลจะปรับปรุงความสามารถในการสร้างเนื้อหาใหม่ทีละน้อยโดยการวิเคราะห์และทำความเข้าใจโครงสร้าง รูปแบบ และความสัมพันธ์ภายในชุดข้อมูล

• หม้อแปลงไฟฟ้า

Transformer ซึ่งเป็นรากฐานสำคัญของปัญญาประดิษฐ์เจเนอเรทีฟ ได้แนะนำกลไกความสนใจในรูปแบบที่แปลกใหม่ ซึ่งช่วยให้การประมวลผลข้อมูลมุ่งเน้นไปที่ประเด็นสำคัญในขณะเดียวกันก็รับมุมมองทั่วโลก ซึ่งเป็นความสามารถพิเศษที่ทำให้ Transformer โดดเด่นในด้านการสร้างข้อความ การใช้โมเดลภาษาธรรมชาติล่าสุด เช่น GPT (Generative Pre-trained Transformer) เพื่อทำความเข้าใจความต้องการของผู้ใช้ที่แสดงเป็นภาษาธรรมชาติ และแปลงเป็นโค้ดที่ปฏิบัติการได้โดยอัตโนมัติ สามารถลดความซับซ้อนในการพัฒนาและปรับปรุงประสิทธิภาพได้อย่างมาก

ดังแสดงในรูปที่ 6 การแนะนำกลไกความสนใจแบบหลายหัวและกลไกการเอาใจใส่ตนเอง รวมกับการเชื่อมต่อที่เหลือและโครงข่ายประสาทเทียมที่เชื่อมต่ออย่างสมบูรณ์ และการใช้ประโยชน์จากเทคโนโลยีการฝังคำในอดีต ได้ยกระดับประสิทธิภาพของแบบจำลองกำเนิดที่เกี่ยวข้องกับภาษาธรรมชาติอย่างมาก กำลังประมวลผล.

รูปที่ 6 รุ่นหม้อแปลงไฟฟ้า

• โมเดล RFM

โมเดล RFM เป็นรูปแบบการวิเคราะห์ตามพฤติกรรมการซื้อของลูกค้า ซึ่งสามารถระบุกลุ่มลูกค้าที่มีมูลค่าต่างกันได้โดยการวิเคราะห์พฤติกรรมการทำธุรกรรมของพวกเขา โมเดลนี้จะให้คะแนนและจัดหมวดหมู่ลูกค้าตามเวลาซื้อล่าสุด (ความใหม่, R), ความถี่ในการซื้อ (ความถี่, F) และจำนวนเงินที่ใช้ (มูลค่าเงิน, M)

ดังที่แสดงในรูปที่ 7 ตัวบ่งชี้ทั้งสามนี้ประกอบเป็นแกนหลักของแบบจำลอง RFM โมเดลจะให้คะแนนลูกค้าในสามมิตินี้ และจัดเรียงตามคะแนนเพื่อระบุกลุ่มลูกค้าที่มีคุณค่ามากที่สุด นอกจากนี้ โมเดลนี้ยังแบ่งกลุ่มลูกค้าออกเป็นกลุ่มต่างๆ ได้อย่างมีประสิทธิภาพ ช่วยอำนวยความสะดวกในการทำงานของการแบ่งชั้นลูกค้า

รูปที่ 7 โมเดล RFM Layering

การใช้งานที่เป็นไปได้

เมื่อใช้เทคโนโลยีการเรียนรู้ของเครื่องเพื่อจัดการกับความท้าทายด้านความปลอดภัยของ Ethereum เราได้ทำการวิจัยจากสี่ประเด็นหลัก:

การใช้งานที่เป็นไปได้

ในการจัดการกับความท้าทายด้านความปลอดภัยของ Ethereum ผ่านเทคนิคการเรียนรู้ของเครื่อง เราได้ดำเนินการวิจัยจากสี่ประเด็นหลัก:

• การระบุและการกรองธุรกรรมที่เป็นอันตรายตามตัวแยกประเภทแบบเบย์**

  ด้วยการสร้างตัวแยกประเภทแบบ Bayesian ธุรกรรมสแปมที่อาจเกิดขึ้น ซึ่งรวมถึงแต่ไม่จำกัดเพียงธุรกรรมที่ก่อให้เกิดการโจมตี DOS ผ่านธุรกรรมขนาดเล็กบ่อยครั้งจำนวนมาก สามารถระบุและกรองได้ วิธีการนี้จะรักษาสภาพของเครือข่ายอย่างมีประสิทธิภาพโดยการวิเคราะห์ลักษณะธุรกรรม เช่น ราคาก๊าซและความถี่ของการทำธุรกรรม จึงรับประกันการทำงานที่มั่นคงของเครือข่าย Ethereum

• การสร้างข้อกำหนดที่ปลอดภัยและเฉพาะเจาะจง - ตอบสนองรหัสสัญญาอัจฉริยะ **

  Generative Adversarial Networks (GANs) และเครือข่าย generative ที่ใช้ Transformer สามารถใช้เพื่อสร้างโค้ดสัญญาอัจฉริยะที่ตรงตามข้อกำหนดเฉพาะ ในขณะเดียวกันก็รับประกันความปลอดภัยของโค้ดให้มากที่สุดเท่าที่จะเป็นไปได้ อย่างไรก็ตาม ทั้งสองแนวทางนี้แตกต่างกันตามประเภทของข้อมูลที่ใช้สำหรับการฝึกโมเดล โดยวิธีแรกขึ้นอยู่กับตัวอย่างโค้ดที่ไม่ปลอดภัยเป็นหลัก ในขณะที่วิธีหลังอาศัยในทางตรงกันข้าม

  ด้วยการฝึกอบรม GAN เพื่อเรียนรู้รูปแบบสัญญาที่ปลอดภัยที่มีอยู่และการสร้างแบบจำลองการต่อต้านตนเองเพื่อสร้างโค้ดที่อาจไม่ปลอดภัย จากนั้นเรียนรู้ที่จะระบุความไม่มั่นคงเหล่านี้ คุณจะสามารถสร้างโค้ดสัญญาอัจฉริยะคุณภาพสูงและปลอดภัยยิ่งขึ้นได้โดยอัตโนมัติ การใช้โมเดลเครือข่ายกำเนิดที่ใช้ Transformer โดยการเรียนรู้จากตัวอย่างสัญญาที่ปลอดภัยมากมาย จึงเป็นไปได้ที่จะสร้างรหัสสัญญาที่ตรงกับความต้องการเฉพาะและเพิ่มประสิทธิภาพการใช้ก๊าซ ซึ่งจะช่วยเพิ่มประสิทธิภาพและความปลอดภัยของการพัฒนาสัญญาอัจฉริยะได้อย่างไม่ต้องสงสัย

• การวิเคราะห์ความเสี่ยงของสัญญาอัจฉริยะตามแผนผังการตัดสินใจ**

  การใช้แผนผังการตัดสินใจเพื่อวิเคราะห์ลักษณะของสัญญาอัจฉริยะ เช่น ความถี่ในการเรียกใช้ฟังก์ชัน มูลค่าธุรกรรม และความซับซ้อนของซอร์สโค้ด สามารถระบุระดับความเสี่ยงที่อาจเกิดขึ้นของสัญญาได้อย่างมีประสิทธิภาพ การวิเคราะห์รูปแบบการปฏิบัติงานและโครงสร้างรหัสของสัญญาสามารถคาดการณ์จุดอ่อนและจุดความเสี่ยงที่เป็นไปได้ ช่วยให้นักพัฒนาและผู้ใช้ได้รับการประเมินความปลอดภัย วิธีการนี้คาดว่าจะปรับปรุงความปลอดภัยของสัญญาอัจฉริยะภายในระบบนิเวศ Ethereum ได้อย่างมาก ซึ่งช่วยลดความสูญเสียที่เกิดจากช่องโหว่หรือโค้ดที่เป็นอันตราย

• การสร้างโมเดลการประเมินสกุลเงินดิจิทัลเพื่อลดความเสี่ยงในการลงทุน**

  ด้วยการวิเคราะห์ข้อมูลการซื้อขาย กิจกรรมโซเชียลมีเดีย และประสิทธิภาพตลาดของสกุลเงินดิจิทัลผ่านอัลกอริธึมการเรียนรู้ของเครื่อง จึงเป็นไปได้ที่จะสร้างแบบจำลองการประเมินที่สามารถทำนายความเป็นไปได้ที่สกุลเงินดิจิทัลจะเป็น “เหรียญขยะ” โมเดลนี้สามารถให้ข้อมูลเชิงลึกอันมีค่าแก่นักลงทุน ช่วยให้พวกเขาหลีกเลี่ยงความเสี่ยงในการลงทุน และด้วยเหตุนี้จึงส่งเสริมการพัฒนาที่ดีของตลาดสกุลเงินดิจิทัล

นอกจากนี้ การประยุกต์ใช้การเรียนรู้ของเครื่องยังมีศักยภาพในการเพิ่มประสิทธิภาพของ Ethereum อีกด้วย เราสามารถสำรวจสิ่งนี้ได้จากมิติหลักสามประการต่อไปนี้:

• แอปพลิเคชันแผนผังการตัดสินใจเพื่อเพิ่มประสิทธิภาพโมเดลการจัดคิวธุรกรรม

การประยุกต์ใช้แผนผังการตัดสินใจในการเพิ่มประสิทธิภาพโมเดลคิวพูลธุรกรรม

การใช้แผนผังการตัดสินใจสามารถเพิ่มประสิทธิภาพกลไกการเข้าคิวของกลุ่มธุรกรรม Ethereum ได้อย่างมีประสิทธิภาพ ด้วยการวิเคราะห์ลักษณะของธุรกรรม เช่น ราคาก๊าซและขนาดธุรกรรม แผนผังการตัดสินใจจะสามารถปรับการเลือกและการเรียงลำดับธุรกรรมให้เหมาะสมได้ วิธีนี้สามารถปรับปรุงประสิทธิภาพการประมวลผลธุรกรรมได้อย่างมาก ลดความแออัดของเครือข่ายได้อย่างมีประสิทธิภาพ และลดเวลารอของผู้ใช้ในการทำธุรกรรม

• การแบ่งกลุ่มผู้ใช้และการให้บริการส่วนบุคคล

โมเดล RFM (ความใหม่ ความถี่ มูลค่าทางการเงิน) ซึ่งเป็นเครื่องมือที่ใช้กันอย่างแพร่หลายในการจัดการความสัมพันธ์กับลูกค้า สามารถแบ่งกลุ่มผู้ใช้ได้อย่างมีประสิทธิภาพโดยการประเมินเวลาการทำธุรกรรมล่าสุด (ความใหม่) ความถี่ของการทำธุรกรรม (ความถี่) และจำนวนธุรกรรม (มูลค่าทางการเงิน) การใช้โมเดล RFM บนแพลตฟอร์ม Ethereum สามารถช่วยระบุกลุ่มผู้ใช้ที่มีมูลค่าสูง เพิ่มประสิทธิภาพการจัดสรรทรัพยากร และให้บริการที่เป็นส่วนตัวมากขึ้น ซึ่งจะเป็นการเพิ่มความพึงพอใจของผู้ใช้และประสิทธิภาพโดยรวมของแพลตฟอร์ม โมเดล RFM (ความใหม่ ความถี่ มูลค่าทางการเงิน) เครื่องมือที่ใช้กันอย่างแพร่หลายในการจัดการลูกค้าสัมพันธ์ สามารถแบ่งกลุ่มผู้ใช้ได้อย่างมีประสิทธิภาพโดยการประเมินเวลาการทำธุรกรรมล่าสุด (ความใหม่) ความถี่ในการทำธุรกรรม (ความถี่) และจำนวนการทำธุรกรรม (มูลค่าทางการเงิน) การใช้โมเดล RFM บนแพลตฟอร์ม Ethereum สามารถช่วยระบุกลุ่มผู้ใช้ที่มีมูลค่าสูง เพิ่มประสิทธิภาพการจัดสรรทรัพยากร และให้บริการที่เป็นส่วนตัวมากขึ้น ซึ่งจะเป็นการเพิ่มความพึงพอใจของผู้ใช้และประสิทธิภาพโดยรวมของแพลตฟอร์ม

อัลกอริธึม DBSCAN ยังสามารถวิเคราะห์พฤติกรรมการทำธุรกรรมของผู้ใช้ ช่วยระบุกลุ่มผู้ใช้ที่แตกต่างกันบน Ethereum และมอบบริการทางการเงินที่ปรับแต่งเพิ่มเติมให้กับผู้ใช้ที่แตกต่างกัน กลยุทธ์การแบ่งส่วนผู้ใช้นี้สามารถเพิ่มประสิทธิภาพกลยุทธ์การตลาด เพิ่มความพึงพอใจของลูกค้า และประสิทธิภาพการบริการ

• การให้คะแนนเครดิตตาม KNN

อัลกอริธึม K-Nearest Neighbors (KNN) ให้คะแนนเครดิตของผู้ใช้โดยการวิเคราะห์ประวัติการทำธุรกรรมและรูปแบบพฤติกรรมบน Ethereum ซึ่งมีบทบาทสำคัญในกิจกรรมทางการเงิน เช่น การให้กู้ยืม การให้คะแนนเครดิตช่วยให้สถาบันการเงินและแพลตฟอร์มการให้กู้ยืมประเมินความสามารถในการชำระหนี้ของผู้กู้ยืมและความเสี่ยงด้านเครดิต ทำให้ตัดสินใจให้กู้ยืมได้แม่นยำยิ่งขึ้น สิ่งนี้สามารถป้องกันการกู้ยืมมากเกินไปและปรับปรุงสภาพคล่องของตลาดได้

ทิศทางในอนาคต

จากมุมมองของการจัดสรรทุนระดับมหภาค Ethereum ซึ่งเป็นคอมพิวเตอร์แบบกระจายที่ใหญ่ที่สุดในโลก ไม่สามารถลงทุนมากเกินไปในชั้นอินฟาเรดได้ โดยจำเป็นต้องดึงดูดนักพัฒนาจากภูมิหลังที่หลากหลายให้เข้าร่วมในการสร้างร่วม ในบทความนี้ เมื่อรวมการใช้งานทางเทคนิคของ Ethereum และปัญหาที่ต้องเผชิญ เราจะมองเห็นชุดของแอปพลิเคชันการเรียนรู้ของเครื่องจักรที่ใช้งานง่าย และหวังว่าจะนักพัฒนา AI ในชุมชนส่งมอบวิสัยทัศน์เหล่านี้ให้กลายเป็นคุณค่าที่แท้จริง

เมื่อพลังการประมวลผลแบบออนไลน์ค่อยๆ เพิ่มขึ้น เราก็สามารถคาดการณ์ได้ว่าโมเดลที่ซับซ้อนมากขึ้นได้รับการพัฒนาสำหรับการจัดการเครือข่าย การตรวจสอบธุรกรรม การตรวจสอบความปลอดภัย ฯลฯ ซึ่งจะช่วยปรับปรุงประสิทธิภาพและความปลอดภัยของเครือข่าย Ethereum

นอกจากนี้ กลไกการกำกับดูแลที่ขับเคลื่อนด้วย AI/ตัวแทนอาจกลายเป็นนวัตกรรมที่สำคัญในระบบนิเวศ Ethereum กลไกนี้ซึ่งนำกระบวนการตัดสินใจที่มีประสิทธิภาพ โปร่งใส และเป็นอัตโนมัติมากขึ้น สามารถทำให้ Ethereum มีโครงสร้างการกำกับดูแลที่ยืดหยุ่นและเชื่อถือได้มากขึ้น การพัฒนาในอนาคตเหล่านี้จะไม่เพียงแต่ส่งเสริมนวัตกรรมในเทคโนโลยี Ethereum เท่านั้น แต่ยังมอบประสบการณ์ออนไลน์คุณภาพสูงให้กับผู้ใช้อีกด้วย

ข้อสงวนสิทธิ์：

1. บทความนี้พิมพ์ซ้ำจาก [TechFlow] *ส่งต่อชื่อต้นฉบับ'另一个角度看「AI+Blockchain」：AI 如何革新以太坊？' ลิขสิทธิ์ทั้งหมดเป็นของผู้แต่งต้นฉบับ [Salus] หากมีการคัดค้านการพิมพ์ซ้ำนี้ โปรดติดต่อทีมงาน Gate Learn แล้วพวกเขาจะจัดการโดยเร็วที่สุด
2. การปฏิเสธความรับผิด: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่ถือเป็นคำแนะนำในการลงทุนใดๆ
3. การแปลบทความเป็นภาษาอื่นดำเนินการโดยทีมงาน Gate Learn เว้นแต่จะกล่าวถึง ห้ามคัดลอก แจกจ่าย หรือลอกเลียนแบบบทความที่แปลแล้ว