Как ИИ может произвести революцию в Ethereum? Взгляд на «ИИ+Блокчейн» под другим углом

Автор: Зеркало Тан | Салюс; Исинь Жэнь | Столица Хуншань; Линчжи Ши | Салус; Цзянюэ Ван | Салюс

В прошлом году, когда генеративный ИИ неоднократно превосходил общественные ожидания, волна революции производительности ИИ прокатилась по криптовалютному кругу. Мы видели, что многие концептуальные проекты искусственного интеллекта вызвали волну мифов о создании богатства на вторичном рынке. В то же время все больше и больше разработчиков начали разрабатывать свои собственные проекты «ИИ+крипто».

Однако при более внимательном рассмотрении обнаруживается, что однородность этих проектов очень серьезна, и большинство проектов сосредоточены только на улучшении «производственных отношений», таких как организация вычислительных мощностей через децентрализованные сети или создание «децентрализованного Обнимающего Лица» и т. д. Очень немногие проекты пытаются по-настоящему интегрировать и инновировать базовую технологию. Мы считаем, что причина этого явления в том, что существует «предвзятость предметной области» между областями ИИ и блокчейна. Несмотря на их обширное пересечение, мало кто имеет глубокое понимание обеих областей. Например, разработчикам ИИ сложно понять техническую реализацию и историческое состояние инфраструктуры Ethereum, и еще труднее предложить планы углубленной оптимизации.

В качестве примера возьмем машинное обучение (ML), самую базовую отрасль искусственного интеллекта. Это технология, которая позволяет машинам принимать решения на основе данных без явных инструкций программирования. Машинное обучение продемонстрировало большой потенциал в анализе данных и распознавании образов и стало обычным явлением в Web2. Однако из-за ограничений того времени, когда он впервые появился, даже на переднем крае инноваций в области блокчейн-технологий, таких как Ethereum, его архитектура, сеть и механизмы управления еще не использовали машинное обучение в качестве эффективного инструмента для решения сложных проблем.

«Великие инновации часто рождаются в разных областях.» Наша первоначальная цель написания этой статьи — позволить разработчикам ИИ лучше понять мир блокчейна, а также предоставить новые идеи разработчикам в сообществе Ethereum. В статье мы сначала представили техническую реализацию Ethereum, а затем предложили решение по применению машинного обучения, базового алгоритма искусственного интеллекта, к сети Ethereum для повышения ее безопасности, эффективности и масштабируемости. Мы надеемся использовать этот случай в качестве отправной точки для представления некоторых точек зрения, отличных от представленных на рынке, и вдохновить на более инновационные перекрестные комбинации «ИИ+Блокчейн» в экосистеме разработчиков.

Техническая реализация Ethereum

1. Базовая структура данных Суть блокчейна — это цепочка, соединяющая блоки.Ключом к различению цепочек является конфигурация цепочки, которая также является неотъемлемой частью создания блокчейна. В Ethereum конфигурация цепочки используется для различения различных цепочек в Ethereum, а также для определения некоторых важных протоколов обновления и пометки событий. Например, DAOForkBlock отмечает высоту хард-форка, во время которого Ethereum подвергся атаке DAO, а ConstantinopleBlock отмечает высоту блока, на которой Константинополь был обновлен. Для более крупных обновлений, включающих множество предложений по улучшению, будут установлены специальные поля для определения соответствующей высоты блока.Кроме того, Ethereum включает в себя различные тестовые сети и основные сети, а соответствующая сетевая экология однозначно идентифицируется через ChainID.

Генезисный блок — это нулевой блок всей цепочки блоков, а другие блоки прямо или косвенно ссылаются на исходный блок. Следовательно, правильная информация о генезис-блоке должна быть загружена при запуске узла и не может быть произвольно изменена. Информация о конфигурации генезис-блока включает в себя вышеупомянутую конфигурацию цепочки, а также добавляет такие поля, как соответствующие награды за майнинг, временные метки, сложность и лимиты газа.Следует отметить, что механизм консенсуса Ethereum развился из майнинга с доказательством выполнения работы. Механизм преобразуется в доказательство доли.

Учетные записи Ethereum делятся на внешние учетные записи и учетные записи контрактов.Внешняя учетная запись однозначно контролируется закрытым ключом, в то время как учетная запись контракта не имеет контроля над закрытым ключом и может управляться только путем вызова контракта из внешней учетной записи для выполнения кода контракта. Все они содержат уникальный адрес. Состояние мира Ethereum представляет собой дерево учетных записей Ethereum. Каждая учетная запись соответствует конечному узлу, в котором хранится статус учетной записи (различная информация об учетной записи и информация о коде).

Транзакция: как децентрализованная платформа, суть Ethereum заключается в транзакциях и контрактах. Блоки Ethereum представляют собой упакованные транзакции, а также дополнительную соответствующую информацию. Конкретные блоки разделены на две части, а именно заголовок блока и область. Блок, в котором Данные заголовка блока содержат доказательства, которые соединяют все блоки в цепочку, которую мы можем понимать как хеш предыдущего блока, а также корень состояния, корень транзакции, корень квитанции и доказательство состояния всего мира Ethereum.Несколько других индикаторов указать сложность, считая nonce и другие дополнительные данные. В теле блока хранится список транзакций и список заголовков дядя-блока (поскольку Ethereum перешел на доказательство доли, ссылка на дядя-блок больше не существует).

Квитанции о транзакциях предоставляют результаты и дополнительную информацию после выполнения транзакции, которую невозможно получить непосредственно, просто просмотрев саму транзакцию. В частности, информацию, содержащуюся в нем, можно разделить на: согласованное содержимое, информацию о транзакциях и информацию о блоках, включая информацию о том, является ли обработка транзакции успешной, и информацию о потреблении, такую как журналы транзакций и газ. Отладка кода смарт-контракта и оптимизация потребления газа путем анализа информации в квитанции. и предоставляет форму подтверждения того, что транзакция была обработана сетью, и можно просмотреть результаты и влияние транзакции.

В Ethereum комиссию за газ можно просто понимать как комиссию за обработку.Когда вы отправляете токен, выполняете контракт, передаете Ethereum или выполняете различные операции с этим блоком, операции в этих транзакциях требуют комиссии за газ.Эфир При обработке этой транзакции компьютер необходимо выполнять вычисления и потреблять сетевые ресурсы, поэтому вам придется платить за газ, чтобы компьютер мог работать на вас. Окончательная плата за топливо выплачивается майнерам в качестве платы за обработку.Формулу расчета конкретной платы можно понимать как Плата = Использованный газ * Цена газа, которая представляет собой фактическое потребление, умноженное на цену за единицу потребления. Цена устанавливается инициатором транзакции, а ее сумма часто определяет, насколько быстро транзакции загружаются в цепочку. Если настройка слишком низкая, транзакция может не быть выполнена.В то же время необходимо также установить верхний предел потребления газа, чтобы избежать ошибок в контракте, вызывающих непредсказуемое потребление газа. 2. Торговый пул В Ethereum происходит большое количество транзакций.По сравнению с централизованной системой, количество транзакций в секунду, обрабатываемых децентрализованной системой, явно уныло. Из-за большого количества транзакций, поступающих на узел, узлу необходимо поддерживать пул транзакций для правильного управления этими транзакциями. Трансляция транзакций осуществляется через p2p. В частности, узел будет транслировать исполняемую транзакцию своим соседним узлам, а затем соседние узлы будут транслировать транзакцию соседним узлам узла. Таким образом, транзакция может распространяться на вся сеть Ethereum за 6 секунд.

Транзакции в пуле транзакций делятся на исполняемые транзакции и неисполняемые транзакции.Исполняемые транзакции имеют более высокий приоритет и будут выполняться и упаковываться в блок, тогда как все транзакции, только что попавшие в пул транзакций, являются неисполняемыми транзакциями. затем станет исполняемым. Исполняемые и неисполняемые транзакции записываются в ожидающий контейнер и контейнер очереди соответственно.

Кроме того, пул транзакций также будет поддерживать список локальных транзакций. Локальные транзакции имеют много преимуществ: они имеют более высокий приоритет, на них не влияют ограничения на объем транзакций и могут быть перезагружены в пул транзакций немедленно при перезапуске узла. Локальное постоянное хранилище локальных транзакций реализовано через журнал (перезагрузка при перезапуске узла), его цель — не потерять незавершенные локальные транзакции и будет регулярно обновляться.

Легальность транзакции будет проверена перед постановкой в очередь, включая различные виды проверок, такие как: анти-DOS-атака, анти-отрицательная транзакция, лимит газа транзакции и т. д. Простую композицию пула транзакций можно разделить на: очередь+ожидание (два составляют все транзакции).После завершения теста на легальность будут выполняться последующие проверки, включая проверку того, достигла ли очередь транзакций верхнего предела, а затем оценка удаленных транзакций (удаленные транзакции являются нелокальными транзакциями)) является самой низкой ценой в торговом пуле, заменяет транзакцию с самой низкой ценой в торговом пуле. Что касается замены исполняемых транзакций, по умолчанию только транзакции, которые увеличивают комиссию за обработку на 10 %, могут заменять транзакции, которые уже ожидают выполнения, и после замены будут храниться как неисполняемые транзакции. Кроме того, в процессе обслуживания пула транзакций недействительные и сверхлимитные транзакции будут удаляться, а транзакции, соответствующие условиям, заменяться. 3. Механизм консенсуса Ранняя консенсусная теория Эфириума по-прежнему основывалась на методе расчета хэш-значения сложности. Поскольку текущий алгоритм консенсуса Ethereum был изменен с POW на POS, теории, связанные с майнингом, не будут обсуждаться подробно. Вот краткое описание алгоритма POS. Ethereum завершил слияние цепочки маяков в сентябре 2022 года и реализовал алгоритм POS. В частности, для Ethereum на основе POS время блока каждого блока стабильно и составляет 12 секунд, и пользователи обещают свои собственные монеты Ethereum, чтобы получить право стать валидатор. После этого пользователи, участвующие в стейкинге, будут случайным образом выбраны для получения партии валидаторов. В каждом раунде валидаторы будут выбираться из каждого из 32 слотов, и один из них будет выбран для проверки. Предлагающий выступает в качестве валидатора. предлагающий, и предлагающий реализует производство блока, а оставшиеся валидаторы, соответствующие слоту, служат комитетом для проверки легальности блока предлагающего и принятия решения о легальности блока в предыдущем цикле. Алгоритм POS значительно стабилизирует и повышает скорость производства блоков, при этом значительно позволяя избежать потери вычислительных ресурсов. 4. Алгоритм подписи Ethereum следует стандарту алгоритма подписи Биткойна, а также использует кривую secp256k1. Его специальный алгоритм подписи использует ECDSA, что означает, что рассчитанная подпись рассчитывается на основе хеша исходного сообщения. Состав всей подписи прост. Это R + S +В. В каждом расчете будут соответственно вводиться случайные числа, где R+S — исходный результат ECDSA. Последнее поле V называется полем восстановления и указывает количество поисков, необходимых для успешного восстановления открытого ключа из содержимого и подписи, поскольку на эллиптической кривой может быть несколько точек координат, которые соответствуют требованиям, основанным на значении R.

Весь процесс можно просто резюмировать следующим образом: данные транзакции и информация, связанная с подписывающим лицом, хешируются после кодирования RLP и подписываются закрытым ключом через ECDSA для получения окончательной подписи, а кривая, используемая в ECDSA, представляет собой эллиптическую кривую secp256k1. Наконец, объединив данные подписи с данными транзакции, вы можете получить подписанные данные транзакции и передать их.

Структура данных Ethereum не только опирается на традиционную технологию блокчейна, но также представляет деревья Меркла Патриции, также известные как деревья сжатых префиксов Меркла, для эффективного хранения и проверки больших объемов данных. MPT сочетает в себе функцию криптографического хеширования деревьев Меркла и свойства сжатия ключевых путей деревьев Патриции, обеспечивая решение, которое одновременно гарантирует целостность данных и поддерживает быстрый поиск. 5. Сжатое дерево префиксов Меркла. В Ethereum MPT используется для хранения всех данных о состоянии и транзакциях, гарантируя, что любые изменения данных отражаются в корневом хэше дерева. Это означает, что, проверив корневой хэш, вы можете доказать целостность и точность данных без необходимости проверять всю базу данных. MPT состоит из четырех типов узлов: листовых узлов, узлов расширения, узлов ветвления и пустых узлов.Эти узлы вместе образуют дерево, которое может адаптироваться к динамическим изменениям данных. Каждый раз, когда данные обновляются, MPT отражает эти изменения, добавляя, удаляя или изменяя узлы, одновременно обновляя корневой хэш дерева. Поскольку каждый узел зашифрован хэш-функцией, любые небольшие изменения в данных приведут к огромным изменениям в корневом хэше, обеспечивая тем самым безопасность и согласованность данных. Кроме того, MPT предназначен для поддержки проверки «легкого клиента», позволяя узлам проверять наличие или статус конкретной информации, просто сохраняя корневой хэш дерева и необходимые узлы пути, что значительно снижает потребность в хранении и обработке данных.

Благодаря MPT Ethereum не только обеспечивает эффективное управление и быстрый доступ к данным, но также обеспечивает безопасность и децентрализацию сети, поддерживая работу и развитие всей сети Ethereum. 6. Государственная машина Базовая архитектура Ethereum включает в себя концепцию конечных автоматов.Виртуальная машина Ethereum (EVM) — это среда выполнения для выполнения всех кодов смарт-контрактов, а сам Ethereum можно рассматривать как глобально используемую систему перехода состояний. Выполнение каждого блока можно рассматривать как процесс перехода состояний, переходя из одного глобального общего состояния в другое. Такая конструкция не только обеспечивает согласованность и децентрализацию сети Ethereum, но также делает результаты выполнения смарт-контрактов предсказуемыми и защищенными от подделок.

В Ethereum статус относится к текущей информации обо всех учетных записях, включая баланс каждой учетной записи, данные хранилища и код смарт-контракта. Всякий раз, когда происходит транзакция, EVM вычисляет и преобразует состояние на основе содержимого транзакции. Этот процесс эффективно и безопасно записывается с помощью MPT. Каждый переход состояний не только меняет данные аккаунта, но и вызывает обновление MPT, что отражается на изменении корневого хеша дерева.

Отношения между EVM и MPT имеют решающее значение, поскольку MPT обеспечивает гарантии целостности данных для переходов состояний Ethereum. Когда EVM выполняет транзакции и меняет статус счета, соответствующие узлы MPT обновляются, чтобы отразить эти изменения. Поскольку каждый узел MPT связан хешем, любое изменение состояния приведет к изменению корневого хэша. Этот новый корневой хэш затем включается в новый блок, обеспечивая стабильность всего состояния Ethereum. Согласованность и безопасность. . Далее мы представляем виртуальную машину EVM. 7. ЭВМ

Виртуальная машина EVM является основой всего Эфириума для создания смарт-контрактов и выполнения переходов состояний.Именно благодаря EVM Эфириум можно представить как мировой компьютер в истинном смысле этого слова. Виртуальная машина EVM является полной по Тьюрингу, а это означает, что смарт-контракты на Ethereum могут выполнять любые сложные логические вычисления, а внедрение газового механизма успешно предотвращает бесконечные циклы в контракте и обеспечивает стабильность и безопасность сети. На более техническом уровне EVM — это виртуальная машина на основе стека, которая использует специфичный для Ethereum байт-код для выполнения смарт-контрактов. Разработчики обычно используют языки высокого уровня, такие как Solidity, для написания смарт-контрактов, а затем компилируют их в байт-код, который EVM может понять для вызовов выполнения со стороны EVM. EVM — это ключ к инновационным возможностям блокчейна Ethereum. Он не только поддерживает работу смарт-контрактов, но и обеспечивает прочную основу для разработки децентрализованных приложений. Через EVM Ethereum формирует децентрализованное, безопасное и открытое цифровое будущее.

Обзор истории Эфириума

Рисунок 1. Исторический обзор Ethereum

Проблемы, с которыми сталкивается безопасность Ethereum

Смарт-контракты — это компьютерные программы, работающие на блокчейне Ethereum. Они позволяют разработчикам создавать и публиковать различные приложения, включая, помимо прочего, кредитные приложения, децентрализованные биржи, страхование, вторичное финансирование, социальные сети и NFT. Безопасность смарт-контрактов имеет решающее значение для этих приложений. Эти приложения несут прямую ответственность за обработку и контроль криптовалют.Любые лазейки в смарт-контрактах или злонамеренные атаки на них будут представлять прямую угрозу безопасности средств и даже приведут к огромным экономическим потерям. Например, 26 февраля 2024 года протокол кредитования DeFi Blueberry Protocol был атакован из-за логической ошибки в смарт-контракте, что привело к потере примерно 1 400 000 долларов США.

Уязвимости смарт-контрактов многогранны и включают в себя необоснованную бизнес-логику (бизнес-логику), неправильный контроль доступа, недостаточную проверку данных, атаки повторного входа и атаки DOS (отказ в обслуживании). Эти уязвимости могут вызвать проблемы при исполнении контракта и повлиять на эффективную работу смарт-контракта. В качестве примера возьмем атаку DOS. Этот метод атаки использует злоумышленника для отправки большого количества транзакций для потребления сетевых ресурсов. Тогда транзакции, инициированные обычными пользователями, не могут быть обработаны вовремя, что приведет к ухудшению пользовательского опыта. Более того, это также приведет к увеличению комиссий за транзакцию газа. Потому что, когда сетевые ресурсы ограничены, пользователям, возможно, придется платить более высокую комиссию, чтобы их транзакции были приоритетными.

Кроме того, пользователи Ethereum также сталкиваются с инвестиционными рисками, а безопасность средств окажется под угрозой. Например, спамкойны используются для описания криптовалют, которые, как считается, имеют небольшую ценность или не имеют потенциала для долгосрочного роста. Спам-монеты часто используются в качестве инструмента мошенничества или манипулирования ценами в стратегиях памп-энд-дамп. Инвестиции в мусорные монеты очень рискованны и могут привести к значительным финансовым потерям. Из-за низкой цены и низкой рыночной капитализации они очень восприимчивы к манипуляциям и волатильности. Монета часто используется в схемах «накачка и сброс» и мошенничестве с приманками, где фейковые проекты используются для привлечения инвесторов и кражи их средств. Еще одним распространенным риском, связанным со спамкойном, является «вытягивание коврика», когда создатель внезапно удаляет всю ликвидность из проекта, что приводит к резкому падению стоимости токена. Эти мошенничества часто продаются с ложными партнерскими отношениями и одобрениями, и как только цена токена возрастает, мошенники продают свои токены, получают прибыль и исчезают, оставляя инвесторов с бесполезными токенами. В то же время инвестирование в шиткоины отвлекает внимание и ресурсы от законных криптовалют, которые имеют реальное применение и потенциал роста. Помимо мусорных монет, воздушными монетами и монетами MLM также можно получить быструю прибыль. Отличить их от законных криптовалют особенно сложно пользователям, которым не хватает знаний и опыта.

эффективность

Два очень прямых показателя для оценки эффективности Ethereum — это скорость транзакций и комиссия за газ. Скорость транзакций — это количество транзакций, которые сеть Ethereum может обработать за единицу времени. Этот показатель напрямую отражает вычислительную мощность сети Ethereum: более высокие скорости означают более высокую эффективность. Каждая транзакция в Ethereum требует определенной комиссии за газ, чтобы компенсировать майнерам, выполняющим проверку транзакции. Чем ниже стоимость газа, тем выше эффективность Эфириума.

Снижение скорости транзакций приведет к увеличению комиссии за газ. Вообще говоря, когда скорость обработки транзакций замедляется, может увеличиться количество транзакций, конкурирующих за вход в следующий блок из-за ограниченного пространства блока. Чтобы выделиться среди конкурентов, трейдеры часто увеличивают комиссию за газ, поскольку майнеры при проверке транзакций склонны отдавать приоритет транзакциям с более высокими комиссиями за газ. Тогда более высокая плата за газ ухудшит качество обслуживания пользователей.

Транзакции — это лишь основная деятельность в Ethereum. В этой экосистеме пользователи также могут осуществлять различные виды деятельности, такие как кредитование, залог, инвестиции и страхование. Все это может быть достигнуто с помощью специальных DApps. Однако, учитывая большое разнообразие DApps и отсутствие сервисов персонализированных рекомендаций, аналогичных традиционным отраслям, пользователи будут растеряться при выборе приложений и продуктов, которые им подходят. Такая ситуация приведет к снижению удовлетворенности пользователей, что повлияет на эффективность всей экосистемы Ethereum.

Возьмем, к примеру, кредитование. Чтобы поддерживать безопасность и стабильность своих собственных платформ, некоторые кредитные платформы DeFi будут использовать механизм чрезмерного обеспечения. Это означает, что заемщику необходимо предоставить больше активов в качестве залога, и эти активы не могут быть использованы заемщиком для других видов деятельности в течение периода заимствования. Это приведет к снижению использования капитала заемщиков, тем самым снизив ликвидность рынка.

Применение машинного обучения в Ethereum

Модели машинного обучения, такие как модель RMF, генеративно-состязательная сеть (GAN), модель дерева решений, алгоритм ближайшего соседа K (KNN), алгоритм кластеризации DBSCAN и т. д., играют важную роль в Ethereum. Применение этих моделей машинного обучения в Ethereum может помочь оптимизировать эффективность обработки транзакций, повысить безопасность смарт-контрактов, реализовать стратификацию пользователей для предоставления более персонализированных услуг и помочь поддерживать стабильную работу сети.

Введение в алгоритм

Алгоритм машинного обучения — это набор инструкций или правил для анализа данных, изучения закономерностей в данных и принятия прогнозов или решений на основе этих знаний. Они учатся и совершенствуются автоматически на основе предоставленных им данных без необходимости явных инструкций по программированию со стороны людей. Модели машинного обучения, такие как модель RMF, генеративно-состязательная сеть (GAN), модель дерева решений, алгоритм ближайшего соседа K (KNN), алгоритм кластеризации DBSCAN и т. д., играют важную роль в Ethereum. Применение этих моделей машинного обучения в Ethereum может помочь оптимизировать эффективность обработки транзакций, повысить безопасность смарт-контрактов, реализовать стратификацию пользователей для предоставления более персонализированных услуг и помочь поддерживать стабильную работу сети.

• Байесовский классификатор

Байесовский классификатор — это эффективный классификатор, целью которого является минимизация вероятности ошибки классификации или минимизация среднего риска при определенных затратах среди различных методов статистической классификации. Его философия проектирования глубоко укоренена в теореме Байеса, которая позволяет ему принимать решения путем расчета апостериорной вероятности объекта с учетом вероятности того, что объект принадлежит определенному классу с учетом определенных характеристик. В частности, байесовский классификатор сначала учитывает априорную вероятность объекта, а затем применяет байесовскую формулу для всестороннего рассмотрения данных наблюдения и обновления убеждений о классификации объекта. Среди всех возможных классификаций байесовский классификатор выбирает ту, которая имеет наибольшую апостериорную вероятность отнесения объекта к этой категории. Основным преимуществом этого подхода является его способность естественным образом обрабатывать неопределенность и неполную информацию, что делает его мощным и гибким инструментом, подходящим для широкого спектра сценариев применения.

Рисунок 2 Байесовский классификатор

Как показано на рисунке 2, в контролируемом машинном обучении для принятия решений по классификации используются данные и вероятностная модель, основанная на теореме Байеса. Используя правдоподобие и априорные вероятности категорий и признаков, байесовский классификатор вычисляет апостериорную вероятность того, что точки данных принадлежат каждой категории, и присваивает точки данных категории с наибольшей апостериорной вероятностью. На диаграмме рассеяния справа классификатор попытается найти кривую, которая лучше всего разделяет точки разных цветов, тем самым минимизируя ошибку классификации.

• Древо решений

Алгоритм дерева решений часто используется в задачах классификации и регрессии. Он принимает идею иерархического суждения. На основе известных данных дерево решений обучается путем выбора признаков с большой скоростью получения информации и последующего разделения их на деревья. Проще говоря, весь алгоритм может самостоятельно обучиться правилу принятия решения на основе данных, позволяющем судить о значении переменной. С точки зрения реализации он может разложить сложный процесс принятия решений на несколько простых подпроцессов принятия решений. С помощью такого производного метода каждое более простое решение выводится из родительского критерия решения, образуя древовидную структуру.

Как видно на рисунке 3, каждый узел представляет решение и устанавливает критерии оценки для определенного атрибута, а ветви представляют результаты решения. Каждый листовой узел представляет окончательный прогнозируемый результат и категорию. С точки зрения композиции алгоритма модель дерева решений относительно интуитивно понятна, проста для понимания и обладает хорошей интерпретируемостью.

Рисунок 3. Модель дерева решений

• Алгоритм DBSCAN

DBSCAN (пространственная кластеризация приложений на основе плотности с шумом) — это алгоритм пространственной кластеризации на основе плотности с шумом, который, по-видимому, особенно хорошо работает для несвязанных наборов данных. Этот алгоритм может обнаруживать кластеры произвольной формы без предварительного указания количества кластеров и обладает хорошей устойчивостью к выбросам в наборе данных. Алгоритм также может эффективно выявлять выбросы в зашумленных наборах данных.Шум или выбросы определяются как точки в областях с низкой плотностью, как показано на рисунке 4.

Рисунок 4. Алгоритм DBSCAN идентифицирует шум.

• Алгоритм KNN

Алгоритм KNN (K-Nearest Neighbours) можно использовать как для классификации, так и для регрессии. В задаче классификации механизм голосования используется для определения категории классифицируемого элемента; в задаче регрессии для прогнозирования вычисляется среднее или взвешенное среднее k выборок ближайших соседей.

Как показано на рисунке 5, принцип работы алгоритма KNN в классификации состоит в том, чтобы найти K ближайших соседей новой точки данных, а затем предсказать категорию новой точки данных на основе категорий этих соседей. Если K=1, то новые точки данных просто присваиваются ближайшим к ним точкам.

Категория соседа. Если K > 1, то для определения класса новой точки данных обычно используется метод голосования, то есть новая точка данных будет присвоена классу, к которому принадлежит большинство соседей. Когда алгоритм KNN используется для задач регрессии, основная идея та же, и результатом является среднее значение выходных значений выборки K ближайших соседей.

Рисунок 5. Алгоритм KNN, используемый для классификации.

• Генеративный искусственный интеллект

Генеративный искусственный интеллект — это технология искусственного интеллекта, которая может генерировать новый контент (например, текст, изображения, музыку и т. д.) на основе входных данных. Его опыт основан на достижениях в области машинного и глубокого обучения, особенно в таких областях, как обработка естественного языка и распознавание изображений. Генеративный ИИ изучает закономерности и ассоциации на основе больших объемов данных, а затем генерирует новый выходной контент на основе этой полученной информации. Ключ к генеративному искусственному интеллекту лежит в обучении модели, для которого требуются отличные данные для обучения и обучения.В этом процессе модель постепенно улучшает свою способность генерировать новый контент, анализируя и понимая структуру, закономерности и отношения в наборе данных.

1. Трансформер Будучи краеугольным камнем генеративного искусственного интеллекта, Transformer впервые внедрил механизм внимания, который позволяет при обработке информации концентрироваться на ключевых точках, одновременно имея обзор. Эта уникальная способность делает Transformer блестящим в области генерации текста. Использование новейших языковых моделей обработки естественного языка, таких как GPT (генеративный предварительно обученный преобразователь), для понимания требований пользователей к приложениям, выраженных на естественном языке, и автоматического преобразования их в исполняемый код, может снизить сложность разработки и значительно повысить эффективность.

Как показано на рисунке 6, благодаря внедрению механизма многоголового внимания и механизма самовнимания в сочетании с остаточным соединением и полностью подключенной нейронной сетью, а также с помощью предыдущей технологии внедрения слов, производительность генеративных моделей, связанных с естественным языком обработка была значительно улучшена.Земля поднимается.

Рисунок 6 Модель трансформатора

2. Представление модели RFM:**

Модель RFM — это модель анализа, основанная на покупательском поведении пользователей. Анализируя поведение пользователей в транзакциях, она может идентифицировать группы пользователей с разными значениями. Эта модель стратифицирует пользователей на основе времени последнего потребления (R), частоты потребления (F) и количества потребления (M).

Как показано на рисунке 7. Эти три показателя вместе составляют основу модели RFM. Модель оценивает пользователей на основе этих трех параметров и сортирует их в соответствии с их оценками, чтобы определить наиболее ценные группы пользователей. Более того, эта модель может эффективно разделять клиентов на разные группы, чтобы реализовать функцию стратификации пользователей.

Рисунок 7. Многоуровневая модель RFM.

Возможные применения

Применяя технологию машинного обучения для решения проблем безопасности Ethereum, мы провели исследование по четырем основным аспектам:

1. Идентификация и фильтрация вредоносных транзакций на основе байесовского классификатора. Путем создания байесовского классификатора выявляются и фильтруются возможные спам-транзакции, включая, помимо прочего, крупные, частые и мелкие транзакции, которые приводят к DOS-атакам. Этот метод эффективно поддерживает работоспособность сети и обеспечивает стабильную работу сети Ethereum путем анализа характеристик транзакций, таких как цена газа, частота транзакций и т. д.
2. Создайте безопасный код смарт-контракта, отвечающий конкретным требованиям. Как генеративно-состязательные сети (GAN), так и генеративные сети на основе трансформаторов могут использоваться для генерации кода смарт-контракта, который соответствует конкретным требованиям и максимально обеспечивает безопасность кода. Однако между ними существуют различия в типе данных, на которые они полагаются при обучении своих моделей.

Обучая GAN изучению существующих шаблонов контрактов безопасности, создайте самоконфронтационную модель для генерации потенциально небезопасного кода, а затем научитесь выявлять эти небезопасности посредством обучения модели, в конечном итоге достигая способности автоматически генерировать высококачественный и более безопасный код смарт-контракта. . Использование модели генеративной сети на основе трансформатора и изучение большого количества примеров контрактов безопасности для генерации кода контракта, который отвечает конкретным потребностям и оптимизирует потребление газа, несомненно, еще больше повысит эффективность и безопасность разработки смарт-контрактов. 3. Анализ рисков смарт-контракта на основе дерева решений. Использование деревьев решений для анализа характеристик смарт-контрактов, таких как частота вызова функций, стоимость транзакции, сложность исходного кода и т. д., может эффективно определить потенциальный уровень риска контракта. Анализируя режим работы контракта и структуру кода, можно прогнозировать возможные уязвимости и точки риска, тем самым предоставляя разработчикам и пользователям оценку безопасности. Ожидается, что этот подход значительно повысит безопасность смарт-контрактов в экосистеме Ethereum, тем самым снизив потери из-за уязвимостей или вредоносного кода. 4. Построить модель оценки криптовалюты для снижения инвестиционных рисков.

Используйте алгоритмы машинного обучения для анализа многомерной информации, такой как данные о транзакциях криптовалюты, активности в социальных сетях и эффективности рынка, чтобы построить модель оценки, которая может предсказать возможность появления спам-монет. Эта модель может предоставить инвесторам ценную информацию, которая поможет им избежать инвестиционных рисков, тем самым способствуя здоровому развитию рынка криптовалют.

Кроме того, использование машинного обучения также может еще больше повысить эффективность Ethereum. Мы можем углубиться в следующие три ключевых аспекта:

1. Приложение дерева решений для оптимизации модели очередей пула транзакций. На основе деревьев решений можно эффективно оптимизировать механизм очередей пула транзакций Ethereum. Анализируя характеристики транзакций, такие как цена на газ и размер транзакции, деревья решений могут оптимизировать выбор транзакций и порядок организации очереди. Этот метод может значительно повысить эффективность обработки транзакций, эффективно уменьшить перегрузку сети и сократить время ожидания транзакций пользователей.
2. Расслаивайте пользователей и предоставляйте персонализированные услуги. Модель RFM (давность, денежная стоимость, частота) — это аналитический инструмент, широко используемый в управлении взаимоотношениями с клиентами. Он может оценивать время последней транзакции пользователя (давность), частоту транзакций (частота) и сумму транзакции (денежная стоимость). Эффективное использование пользователя стратификация. Применение модели RFM на платформе Ethereum может помочь выявить ценные группы пользователей, оптимизировать распределение ресурсов и предоставлять более персонализированные услуги, тем самым повышая удовлетворенность пользователей и общую эффективность платформы.

Алгоритм DBSCAN также может анализировать торговое поведение пользователей, помогать идентифицировать различные группы пользователей в Ethereum и в дальнейшем предоставлять более индивидуальные финансовые услуги для разных пользователей. Эта стратегия стратификации пользователей может оптимизировать маркетинговые стратегии и повысить удовлетворенность клиентов и эффективность обслуживания. 3. Кредитный скоринг на основе KNN

Алгоритм K Nearest Neighbor (KNN) может оценивать кредитоспособность пользователей, анализируя историю транзакций и модели поведения пользователей Ethereum, что играет чрезвычайно важную роль в финансовой деятельности, такой как кредитование. Кредитные рейтинги могут помочь финансовым учреждениям и кредитным платформам оценить платежеспособность заемщиков и кредитный риск, тем самым принимая более точные решения по кредиту. Это позволяет избежать чрезмерного заимствования и повышает ликвидность рынка.

Будущие направления

С точки зрения распределения макрофондов, Ethereum, как крупнейший в мире распределенный компьютер, не может инвестировать слишком много в инфраструктуру, и ему необходимо привлекать разработчиков с более широким опытом для участия в совместном строительстве. В этой статье, разбирая техническую реализацию и проблемы, с которыми сталкивается Ethereum, мы представили ряд относительно интуитивно понятных возможных применений машинного обучения.Мы также очень надеемся на разработчиков ИИ в сообществе, которые смогут реализовать эти идеи с реальной ценностью. Высадился.

Поскольку вычислительная мощность в цепочке постепенно увеличивается, мы можем предвидеть, что будут разработаны более сложные модели для управления сетью, мониторинга транзакций, аудита безопасности и других аспектов для повышения эффективности и безопасности сети Ethereum.

В дальнейшем механизмы управления искусственным интеллектом и агентами также могут стать важной инновационной точкой в экосистеме Ethereum. Более эффективный, более прозрачный и более автоматизированный процесс принятия решений, обеспечиваемый этим механизмом, обеспечивает более гибкую и надежную структуру управления платформой Ethereum. Эти будущие направления развития не только будут способствовать инновациям технологии Ethereum, но и предоставят пользователям лучший опыт работы в сети.