إعادة توجيه العنوان الأصلي:另一个角度看「AI+Blockchain」:AI 如何革新以太坊？

على مدار العام الماضي، عندما حطم الذكاء الاصطناعي التوليدي التوقعات العامة بشكل متكرر، اجتاحت موجة ثورة إنتاجية الذكاء الاصطناعي مجتمع العملات المشفرة. لقد رأينا العديد من المشاريع التي تعتمد على الذكاء الاصطناعي في السوق الثانوية تخلق أساطير الثروة، وعلى نحو متزايد، بدأ المطورون في تطوير مشاريع "AI+Crypto" الخاصة بهم. ومع ذلك، عند الفحص الدقيق، من الواضح أن هذه المشاريع متجانسة للغاية ومعظمها يهدف فقط إلى تحسين "علاقات الإنتاج"، مثل تنظيم قوة الحوسبة من خلال الشبكات اللامركزية أو إنشاء "وجوه معانقة لامركزية". تحاول بعض المشاريع التكامل والابتكار حقًا في الجوهر التقني. نعتقد أن هذا يرجع إلى "تحيز المجال" بين مجالات الذكاء الاصطناعي و blockchain. وعلى الرغم من التقاطع الواسع بينهما، فإن القليل منهم لديهم فهم عميق لكلا المجالين. على سبيل المثال، قد يجد مطورو الذكاء الاصطناعي صعوبة في فهم التطبيقات التقنية والبنية التحتية التاريخية لـ Ethereum، مما يجعل من الصعب اقتراح حلول تحسين متعمقة.

لنأخذ التعلم الآلي (ML)، وهو الفرع الأساسي للذكاء الاصطناعي، على سبيل المثال، فهو تقنية تسمح للآلات باتخاذ القرارات من خلال البيانات دون تعليمات برمجة واضحة. أظهر التعلم الآلي إمكانات هائلة في تحليل البيانات والتعرف على الأنماط وأصبح شائعًا في الويب 2. ومع ذلك، نظرًا للقيود التي فرضها العصر عند بدايته، حتى في طليعة ابتكار تكنولوجيا blockchain مثل Ethereum، لم تتمكن هندسته المعمارية وشبكته وآليات الإدارة الخاصة به من الاستفادة من التعلم الآلي كأداة فعالة لحل المشكلات المعقدة.

"الابتكارات العظيمة غالبا ما تنشأ عند تقاطع المجالات." هدفنا الأساسي في كتابة هذا المقال هو مساعدة مطوري الذكاء الاصطناعي على فهم عالم blockchain بشكل أفضل مع تقديم أفكار جديدة أيضًا لمطوري مجتمع Ethereum. في المقالة، نقدم أولاً التنفيذ الفني لـ Ethereum ثم نقترح تطبيق التعلم الآلي، وهي خوارزمية ذكاء اصطناعي أساسية، على شبكة Ethereum لتعزيز أمانها وكفاءتها وقابلية التوسع. نأمل أن تكون هذه الحالة بمثابة نقطة انطلاق لتقديم وجهات نظر فريدة وتحفيز المزيد من مجموعات "الذكاء الاصطناعي + Blockchain" المبتكرة داخل النظام البيئي للمطورين.

التنفيذ الفني للإيثريوم

• هياكل البيانات الأساسية هياكل البيانات الأساسية

في جوهرها، فإن blockchain عبارة عن سلسلة تربط الكتل معًا، مع التمييز بين السلاسل في المقام الأول في تكوين السلسلة. يعد هذا التكوين جزءًا أساسيًا من نشأة blockchain، وهي مرحلة إنشاء أي blockchain. في حالة إيثريوم، يميز تكوين السلسلة بين سلاسل إيثريوم المختلفة ويحدد بروتوكولات الترقية المهمة والأحداث المهمة. على سبيل المثال، يشير DAOForkBlock إلى ارتفاع الانقسام الكلي بعد هجوم DAO، بينما يشير ConstantinopleBlock إلى ارتفاع الكتلة التي حدثت عندها ترقية القسطنطينية. بالنسبة للترقيات الأكبر التي تشمل العديد من مقترحات التحسين، يتم تعيين حقول خاصة للإشارة إلى ارتفاعات الكتلة المقابلة. علاوة على ذلك، يشمل Ethereum مجموعة متنوعة من شبكات الاختبار والشبكة الرئيسية، والتي يتم تحديد كل منها بشكل فريد بواسطة ChainID، مما يحدد النظام البيئي لشبكتها.

كتلة التكوين، كونها الكتلة الأولى من سلسلة الكتل بأكملها، تتم الإشارة إليها بشكل مباشر أو غير مباشر بواسطة كتل أخرى. وبالتالي، من الضروري أن تقوم العقد بتحميل معلومات كتلة التكوين الصحيحة عند بدء التشغيل دون أي تعديلات. يتضمن تكوين كتلة التكوين هذا تكوين السلسلة المذكور سابقًا، إلى جانب معلومات إضافية مثل مكافآت التعدين والطوابع الزمنية والصعوبة وحدود الغاز. والجدير بالذكر أن إيثريوم قد انتقلت من آلية إجماع التعدين لإثبات العمل إلى إثبات الحصة.

يتم تصنيف حسابات الايثيريوم إلى حسابات خارجية وحسابات عقدية. يتم التحكم في الحسابات الخارجية بشكل فريد بواسطة مفتاح خاص، في حين أن حسابات العقود، التي تفتقر إلى مفاتيح خاصة، لا يمكن تشغيلها إلا من خلال تنفيذ رمز العقد بواسطة حسابات خارجية. يمتلك كلا النوعين من الحسابات عنوانًا فريدًا. "الحالة العالمية" للإيثريوم عبارة عن شجرة حسابات، حيث يتوافق كل حساب مع عقدة طرفية تخزن حالة الحساب، بما في ذلك معلومات الحساب والرمز المختلفة.

• المعاملات

تعمل Ethereum، باعتبارها منصة لا مركزية، على تسهيل المعاملات والعقود بشكل أساسي. يقوم Ethereum بحظر معاملات الحزمة مع بعض المعلومات الإضافية. على وجه التحديد، يتم تقسيم الكتلة إلى رأس كتلة وجسم كتلة. يحتوي رأس الكتلة على دليل يربط جميع الكتل في سلسلة، ويُفهم على أنها تجزئة الكتلة السابقة، جنبًا إلى جنب مع جذر الحالة، وجذر المعاملة، وجذر الاستلام، وبيانات أخرى مثل الصعوبة والعدم، والتي تشير إلى حالة عالم الإيثريوم بأكمله. . يحتوي جسم الكتلة على قائمة من المعاملات وقائمة رؤوس الكتلة العم (رغم أنه مع تحول إيثريوم إلى إثبات الحصة، توقفت مراجع الكتلة العمية).

توفر إيصالات المعاملات النتائج والمعلومات الإضافية بعد تنفيذ المعاملة، مما يوفر رؤى لا يمكن الحصول عليها مباشرة من المعاملات نفسها. تتضمن هذه التفاصيل محتوى الإجماع ومعلومات المعاملة ومعلومات الكتلة، مما يشير إلى ما إذا كانت المعاملة ناجحة أم لا، بالإضافة إلى سجلات المعاملات ونفقات الغاز. يساعد تحليل المعلومات الموجودة في الإيصالات في تصحيح أخطاء كود العقد الذكي وتحسين استخدام الغاز، ليكون بمثابة تأكيد على أن المعاملة قد تمت معالجتها بواسطة الشبكة والسماح بفحص نتائج المعاملة وتأثيرها.

في إيثريوم، يمكن تبسيط رسوم الغاز كرسوم المعاملات المطلوبة لعمليات مثل إرسال الرموز المميزة، أو تنفيذ العقود، أو تحويل الأثير، أو الأنشطة الأخرى على الكتلة. تتطلب هذه العمليات رسوم غاز لأن جهاز الإيثريوم الافتراضي يجب أن يحسب ويستخدم موارد الشبكة لمعالجة المعاملة، وبالتالي يتطلب الدفع مقابل هذه الخدمات الحسابية. في النهاية، يتم دفع تكلفة الوقود، أو رسوم المعاملة، إلى القائمين بالتعدين، ويتم حسابها بواسطة الصيغة الرسوم = الغاز المستخدم * سعر الغاز، حيث يتم تحديد سعر الغاز بواسطة بادئ المعاملة. يؤثر المبلغ بشكل كبير على سرعة معالجة المعاملات على السلسلة. قد يؤدي ضبطه على مستوى منخفض للغاية إلى معاملات غير منفذة. بالإضافة إلى ذلك، من الضروري وضع حد للغاز لمنع استهلاك الغاز غير المتوقع بسبب الأخطاء في العقود.

• تجمع المعاملات

يوجد في الإيثيريوم عدد كبير من المعاملات. بالمقارنة مع الأنظمة المركزية، فإن معدل معالجة المعاملات في الثانية للأنظمة اللامركزية أقل بكثير. نظرًا لتدفق المعاملات إلى العقد، تحتاج العقد إلى الاحتفاظ بتجمع المعاملات لإدارة هذه المعاملات بشكل صحيح. يتم بث المعاملات من خلال شبكة نظير إلى نظير (P2P)، حيث تبث إحدى العقد المعاملات القابلة للتنفيذ إلى العقد المجاورة لها، والتي بدورها تبث المعاملة إلى جيرانها. من خلال هذه العملية، يمكن أن تنتشر المعاملة عبر شبكة إيثريوم بأكملها في غضون 6 ثوانٍ.

تنقسم المعاملات في مجمع المعاملات إلى معاملات قابلة للتنفيذ وغير قابلة للتنفيذ. تتمتع المعاملات القابلة للتنفيذ بأولوية أعلى ويتم تنفيذها وإدراجها في كتل، في حين أن جميع المعاملات المدخلة حديثًا في المجمع غير قابلة للتنفيذ ولا يمكن أن تصبح قابلة للتنفيذ إلا لاحقًا. يتم تسجيل المعاملات القابلة للتنفيذ وغير القابلة للتنفيذ على التوالي في الحاويات "المعلقة" و"قائمة الانتظار".

علاوة على ذلك، يحتفظ تجمع المعاملات بقائمة من المعاملات المحلية، التي لها العديد من المزايا: فهي تتمتع بأولوية أعلى، ولا تتأثر بحدود حجم المعاملات، ويمكن إعادة تحميلها على الفور إلى تجمع المعاملات عند إعادة تشغيل العقدة. يتم تحقيق التخزين المحلي المستمر للمعاملات المحلية من خلال استخدام دفتر اليومية (لإعادة التحميل عند إعادة تشغيل العقدة)، بهدف عدم فقدان المعاملات المحلية غير المكتملة، ويتم تحديثه بشكل دوري.

قبل أن يتم وضعها في قائمة الانتظار، تخضع المعاملات لفحوصات قانونية، بما في ذلك أنواع مختلفة من الفحوصات مثل منع هجمات DOS، والمعاملات السلبية، والمعاملات التي تتجاوز حدود الغاز. يمكن تقسيم التكوين الأساسي لتجمع المعاملات إلى: قائمة الانتظار + المعلقة (تشكل جميع المعاملات). بعد اجتياز عمليات التحقق من الشرعية، يتم إجراء المزيد من الفحوصات، بما في ذلك التحقق مما إذا كانت قائمة انتظار المعاملات قد وصلت إلى الحد الأقصى، ثم تحديد ما إذا كانت المعاملات البعيدة (أي المعاملات غير المحلية) هي الأدنى في مجمع المعاملات لتحل محل المعاملة الأقل سعرًا. لاستبدال المعاملات القابلة للتنفيذ، افتراضيًا، يُسمح فقط للمعاملات التي تزيد رسومها بنسبة 10% باستبدال المعاملات التي تنتظر التنفيذ، ويتم تخزينها كمعاملات غير قابلة للتنفيذ. بالإضافة إلى ذلك، أثناء صيانة تجمع المعاملات، يتم حذف المعاملات غير الصالحة والمتجاوزة الحد، ويتم استبدال المعاملات المؤهلة.

• آلية الإجماع

كانت نظرية الإجماع المبكرة للإيثريوم مبنية على حساب تجزئة قيمة الصعوبة، مما يعني أنه يجب حساب قيمة تجزئة الكتلة لتلبية قيمة الصعوبة المستهدفة حتى تعتبر الكتلة صالحة. نظرًا لأن خوارزمية الإجماع الخاصة بـ Ethereum قد تحولت الآن من إثبات العمل (POW) إلى إثبات الحصة (POS)، فقد تم حذف المناقشة حول النظريات المتعلقة بالتعدين هنا. نظرة عامة مختصرة على خوارزمية POS هي كما يلي: أكملت Ethereum دمج Beacon Chain في سبتمبر 2022، من خلال تنفيذ خوارزمية POS. على وجه التحديد، في Ethereum القائم على نقاط البيع، يتم تثبيت وقت الكتلة عند 12 ثانية. يقوم المستخدمون بمشاركة الأثير الخاص بهم للحصول على الحق في أن يصبحوا مدققين. يتم اختيار مجموعة من المدققين بشكل عشوائي من أولئك الذين يشاركون في التوقيع المساحي. في كل دورة تتكون من 32 فتحة، يتم اختيار مدقق كمقترح لكل فتحة لإنشاء الكتل، بينما يعمل المدققون الباقون لتلك الفتحة كلجنة للتحقق من شرعية كتلة المقترح وإصدار الأحكام على مشروعية الكتل من الدورة السابقة. تعمل خوارزمية نقاط البيع على استقرار سرعة إنتاج الكتلة وزيادةها بشكل كبير مع تقليل هدر الموارد الحسابية بشكل كبير.

• خوارزمية التوقيع

يرث Ethereum معيار خوارزمية التوقيع من Bitcoin، ويعتمد أيضًا منحنى secp256k1. خوارزمية التوقيع المحددة التي تستخدمها هي ECDSA، مما يعني أن حساب التوقيع يعتمد على تجزئة الرسالة الأصلية. يمكن ببساطة رؤية تركيبة التوقيع بالكامل على أنها R+S+V. يقدم كل حساب في المقابل رقمًا عشوائيًا، حيث R+S هي المخرجات الأصلية لـ ECDSA. ويشير الحقل الأخير V، والمعروف بحقل الاسترداد، إلى عدد عمليات البحث المطلوبة لاستعادة المفتاح العام بنجاح من المحتوى والتوقيع، لأنه قد تكون هناك نقاط إحداثية متعددة على المنحنى الإهليلجي تلبي المتطلبات بناءً على قيمة R .

يمكن تنظيم العملية بأكملها ببساطة على النحو التالي: تتم تجزئة بيانات المعاملة والمعلومات المتعلقة بالموقع بعد تشفير RLP، ويمكن الحصول على التوقيع النهائي من خلال توقيع ECDSA بمفتاح خاص، حيث يكون المنحنى المستخدم في ECDSA هو المنحنى الإهليلجي secp256k1 . وأخيرا، من خلال الجمع بين بيانات التوقيع وبيانات المعاملة، يمكن الحصول على بيانات المعاملة الموقعة وبثها.

لا تعتمد بنية بيانات Ethereum على تقنية blockchain التقليدية فحسب، بل تقدم أيضًا شجرة Merkle Patricia Tree، المعروفة أيضًا باسم Merkle Trie، لتخزين كميات كبيرة من البيانات والتحقق منها بكفاءة. يجمع MPT بين وظيفة التجزئة المشفرة لشجرة Merkle وميزة ضغط المسار الرئيسي لشجرة Patricia، مما يوفر حلاً يضمن سلامة البيانات ويدعم البحث السريع.

• شجرة ميركل باتريشيا

في إيثريوم، يتم استخدام MPT لتخزين جميع بيانات الحالة والمعاملات، مما يضمن أن أي تغيير في البيانات ينعكس في التجزئة الجذرية للشجرة. وهذا يعني أنه من خلال التحقق من التجزئة الجذرية، يمكن إثبات سلامة البيانات ودقتها دون فحص قاعدة البيانات بأكملها. يتكون MPT من أربعة أنواع من العقد: العقد الورقية، والعقد الملحقة، والعقد الفرعية، والعقد الفارغة، والتي تشكل معًا شجرة قادرة على التكيف مع تغييرات البيانات الديناميكية. مع كل تحديث للبيانات، يعكس MPT هذه التغييرات عن طريق إضافة أو حذف أو تعديل العقد وتحديث التجزئة الجذرية للشجرة. وبما أن كل عقدة مشفرة من خلال وظيفة التجزئة، فإن أي تغييرات طفيفة على البيانات ستؤدي إلى تغيير كبير في التجزئة الجذرية، وبالتالي ضمان أمن البيانات واتساقها. علاوة على ذلك، يدعم تصميم MPT التحقق من "العميل الخفيف"، مما يسمح للعقد بالتحقق من وجود أو حالة معلومات محددة عن طريق تخزين التجزئة الجذرية للشجرة وعقد المسار الضرورية فقط، مما يقلل بشكل كبير من متطلبات تخزين البيانات ومعالجتها.

من خلال MPT، لا تحقق Ethereum الإدارة الفعالة والوصول السريع إلى البيانات فحسب، بل تضمن أيضًا الأمان واللامركزية للشبكة، مما يدعم تشغيل وتطوير شبكة Ethereum بأكملها.

• آلة الدولة

تدمج البنية الأساسية لـ Ethereum مفهوم آلة الحالة، حيث تعمل آلة Ethereum الافتراضية (EVM) كبيئة تشغيل لتنفيذ جميع أكواد العقود الذكية، ويمكن رؤية Ethereum نفسها على أنها نظام انتقال حالة مشترك عالميًا. يمكن النظر إلى تنفيذ كل كتلة على أنها عملية انتقال حالة، والانتقال من حالة مشتركة عالميًا إلى أخرى. لا يضمن هذا التصميم الاتساق واللامركزية لشبكة إيثريوم فحسب، بل يجعل أيضًا نتائج تنفيذ العقود الذكية قابلة للتنبؤ بها ومقاومة للتلاعب.

في إيثريوم، تشير الحالة إلى المعلومات الحالية لجميع الحسابات، بما في ذلك رصيد كل حساب، والبيانات المخزنة، ورمز العقد الذكي. كلما حدثت معاملة، يقوم EVM بحساب الحالة ونقلها بناءً على محتوى المعاملة، وهي عملية يتم تسجيلها بكفاءة وأمان من خلال Merkle Patricia Tree (MPT). لا يؤدي كل انتقال للحالة إلى تغيير بيانات الحساب فحسب، بل يؤدي أيضًا إلى تحديث MPT، وهو ما ينعكس في تغيير قيمة التجزئة الجذرية للشجرة.

تعد العلاقة بين EVM وMPT أمرًا بالغ الأهمية لأن MPT تضمن سلامة البيانات لانتقالات حالة Ethereum. عندما ينفذ EVM المعاملات ويغير حالات الحساب، يتم تحديث عقد MPT ذات الصلة لتعكس هذه التغييرات. نظرًا لأن كل عقدة في MPT مرتبطة بالتجزئة، فإن أي تعديل على الحالة سيؤدي إلى تغيير في التجزئة الجذرية، والتي يتم تضمينها بعد ذلك في كتلة جديدة، مما يضمن اتساق وأمن حالة Ethereum بأكملها. أدناه، نقدم الجهاز الظاهري EVM.

• EVM

تعد الآلة الافتراضية EVM أمرًا أساسيًا لبناء Ethereum، مما يتيح تنفيذ العقود الذكية وانتقالات الحالة. بفضل EVM، يمكن تصور Ethereum حقًا كجهاز كمبيوتر عالمي. إن EVM مكتمل من خلال Turing، مما يعني أن العقود الذكية على Ethereum يمكن أن تؤدي حسابات منطقية معقدة بشكل تعسفي، في حين أن إدخال آلية الغاز يمنع بنجاح الحلقات اللانهائية داخل العقود، مما يضمن استقرار الشبكة وأمنها. من منظور تقني أعمق، فإن EVM عبارة عن آلة افتراضية قائمة على المكدس تنفذ عقودًا ذكية باستخدام رمز بايت خاص بـ Ethereum. يستخدم المطورون عادةً لغات عالية المستوى، مثل Solidity، لكتابة العقود الذكية، والتي يتم تجميعها بعد ذلك في كود بايت يمكن لـ EVM فهمه للتنفيذ. تعد أداة EVM عنصرًا أساسيًا في قدرة Ethereum على الابتكار في مجال blockchain، ولا تدعم تشغيل العقود الذكية فحسب، بل توفر أيضًا أساسًا متينًا لتطوير التطبيقات اللامركزية. من خلال EVM، تعمل Ethereum على تشكيل مستقبل رقمي لامركزي وآمن ومفتوح.

مراجعة تاريخية

الشكل 1: مراجعة تاريخية للإيثريوم

التحديات

الأمان

العقود الذكية هي برامج كمبيوتر تعمل على شبكة Ethereum blockchain. إنها تمكن المطورين من إنشاء ونشر تطبيقات متنوعة، بما في ذلك على سبيل المثال لا الحصر، تطبيقات الإقراض والتبادلات اللامركزية والتأمين والتمويل الثانوي والشبكات الاجتماعية والرموز غير القابلة للاستبدال (NFTs). يعد أمان العقود الذكية أمرًا بالغ الأهمية لهذه التطبيقات نظرًا لأنها تتعامل بشكل مباشر مع العملات المشفرة وتتحكم فيها. يمكن لأي ثغرة أمنية في العقود الذكية أو الهجمات الضارة أن تشكل تهديدات مباشرة لأمن الأموال، مما قد يؤدي إلى خسائر مالية كبيرة. على سبيل المثال، في 26 فبراير 2024، تعرض بروتوكول إقراض التمويل اللامركزي Blueberry Protocol للهجوم بسبب خلل في منطق العقد الذكي، مما أدى إلى خسارة ما يقرب من 1,400,000 دولار.

إن نقاط الضعف في العقود الذكية متعددة الأوجه، وتشمل منطق العمل غير المعقول، والتحكم غير المناسب في الوصول، وعدم كفاية التحقق من صحة البيانات، وهجمات إعادة الدخول، وهجمات DOS (رفض الخدمة)، من بين أمور أخرى. يمكن أن تؤدي نقاط الضعف هذه إلى مشكلات في تنفيذ العقود، مما يؤثر على التشغيل الفعال للعقود الذكية. على سبيل المثال، تتضمن هجمات DOS مهاجمين يرسلون حجمًا كبيرًا من المعاملات لاستنفاد موارد الشبكة، مما يمنع معالجة معاملات المستخدم العادية في الوقت المناسب. يمكن أن يؤدي هذا التدهور في تجربة المستخدم أيضًا إلى زيادة رسوم المعاملات الغازية، حيث قد يحتاج المستخدمون إلى دفع رسوم أعلى لتحديد أولويات معاملاتهم في شبكة مزدحمة.

بالإضافة إلى ذلك، يواجه مستخدمو إيثريوم أيضًا مخاطر استثمارية، مع تعرض أمن الأموال للتهديد. على سبيل المثال، "العملات القذرة" هي عملات مشفرة تعتبر ذات قيمة ضئيلة أو معدومة أو ذات إمكانات نمو طويلة المدى. غالبًا ما تُستخدم عملات Shitcoins كأدوات لعمليات الاحتيال أو لمخططات الضخ والتفريغ. إن مخاطر الاستثمار المرتبطة بعملات Shitcoins مرتفعة، مما قد يؤدي إلى خسائر مالية كبيرة. ونظرًا لانخفاض أسعارها وقيمتها السوقية، فإنها معرضة بشدة للتلاعب والتقلب. تُستخدم هذه العملات المشفرة بشكل شائع في مخططات الضخ والتفريغ وعمليات الاحتيال، حيث يتم إغراء المستثمرين بمشاريع وهمية ثم سرقة أموالهم. هناك خطر شائع آخر يرتبط بعملات Shitcoins وهو "السحب"، حيث يقوم منشئو المحتوى فجأة بإزالة كل السيولة من المشروع، مما يتسبب في انخفاض قيمة الرمز المميز. غالبًا ما يتم تسويق عمليات الاحتيال هذه من خلال شراكات وتأييدات زائفة، وبمجرد زيادة سعر الرمز المميز، يبيع المحتالون رموزهم المميزة ويحققون أرباحًا ويختفون، مما يترك المستثمرين مع رموز لا قيمة لها. علاوة على ذلك، فإن الاستثمار في عملات Shitcoins يمكن أن يحول الاهتمام والموارد عن العملات المشفرة المشروعة ذات التطبيقات الفعلية وإمكانات النمو.

وبصرف النظر عن العملات المشفرة، فإن "العملات الهوائية" و"عملات المخطط الهرمي" هي أيضًا طرق لتحقيق أرباح سريعة. بالنسبة للمستخدمين الذين يفتقرون إلى المعرفة والخبرة المهنية، فإن تمييزهم عن العملات المشفرة المشروعة يمثل تحديًا خاصًا.

كفاءة

هناك مؤشران مباشران للغاية لتقييم كفاءة Ethereum وهما سرعة المعاملات ورسوم الغاز. تشير سرعة المعاملة إلى عدد المعاملات التي يمكن لشبكة إيثريوم معالجتها خلال وحدة زمنية. يعكس هذا المقياس بشكل مباشر قدرة المعالجة لشبكة إيثريوم، حيث تشير السرعة الأعلى إلى كفاءة أعلى. تتطلب كل معاملة في إيثريوم مبلغًا معينًا من رسوم الغاز، والتي تعوض القائمين بالتعدين عن التحقق من المعاملة. تشير رسوم الغاز المنخفضة إلى كفاءة أعلى في الإيثريوم.

يؤدي انخفاض سرعة المعاملة إلى زيادة رسوم الغاز. بشكل عام، عندما تنخفض سرعة معالجة المعاملات، بسبب مساحة الكتلة المحدودة، قد تزداد المنافسة بين المعاملات للوصول إلى الكتلة التالية. وللتميز في هذه المنافسة، غالبًا ما يقوم المتداولون بزيادة رسوم الغاز، حيث يميل القائمون بالتعدين إلى إعطاء الأولوية للمعاملات ذات رسوم الغاز الأعلى أثناء التحقق. ولذلك، فإن ارتفاع رسوم الغاز يمكن أن يؤدي إلى تدهور تجربة المستخدم.

المعاملات هي مجرد الأنشطة الأساسية في الايثيريوم. ضمن هذا النظام البيئي، يمكن للمستخدمين أيضًا المشاركة في أنشطة مختلفة مثل الإقراض والستاكينغ والاستثمار والتأمين وما إلى ذلك، وكل ذلك يمكن القيام به من خلال تطبيقات لامركزية محددة. ومع ذلك، نظرًا للتنوع الكبير في التطبيقات اللامركزية (DApps) والافتقار إلى خدمات التوصية المخصصة المشابهة لتلك الموجودة في الصناعات التقليدية، فقد يجد المستخدمون أنه من المربك اختيار التطبيقات والمنتجات المناسبة لأنفسهم. يمكن أن يؤدي هذا الوضع إلى انخفاض رضا المستخدمين، مما يؤثر على الكفاءة العامة للنظام البيئي للإيثيريوم.

خذ الإقراض كمثال. تستخدم بعض منصات إقراض DeFi آلية الضمانات الزائدة للحفاظ على أمان واستقرار نظامها الأساسي. وهذا يعني أن المقترضين بحاجة إلى طرح المزيد من الأصول كضمان، والتي لا يمكن استخدامها لأنشطة أخرى خلال فترة القرض. ويؤدي ذلك إلى انخفاض معدل استخدام رأس المال لدى المقترضين، وبالتالي تقليل سيولة السوق.

تطبيقات التعلم الآلي في الإيثيريوم

تلعب نماذج التعلم الآلي، مثل نموذج RFM، وشبكات الخصومة التوليدية (GAN)، ونماذج شجرة القرار، وخوارزمية K-Nearest Neighbors (KNN)، وخوارزمية التجميع DBSCAN، أدوارًا مهمة في Ethereum. يمكن أن يساعد تطبيق نماذج التعلم الآلي هذه داخل إيثريوم في تحسين كفاءة معالجة المعاملات، وتعزيز أمان العقود الذكية، وتنفيذ تجزئة المستخدمين لتوفير خدمات أكثر تخصيصًا، والمساهمة في التشغيل المستقر للشبكة.

مقدمة في الخوارزميات

خوارزميات التعلم الآلي هي مجموعة من التعليمات أو القواعد المستخدمة لتحليل البيانات ومعرفة الأنماط داخل البيانات وإجراء تنبؤات أو قرارات بناءً على هذه الدروس. وهي تتحسن تلقائيًا من خلال التعلم من البيانات المقدمة، دون الحاجة إلى برمجة واضحة من قبل البشر. تلعب نماذج التعلم الآلي، مثل نموذج RFM، وشبكات الخصومة التوليدية (GAN)، ونماذج شجرة القرار، وخوارزمية K-Nearest Neighbors (KNN)، وخوارزمية تجميع DBSCAN، أدوارًا مهمة في Ethereum. يمكن أن يساعد تطبيق نماذج التعلم الآلي هذه في إيثريوم على تحسين كفاءة معالجة المعاملات، وتعزيز أمان العقود الذكية، وتنفيذ تجزئة المستخدمين لتوفير خدمات أكثر تخصيصًا، والمساهمة في التشغيل المستقر للشبكة.

المصنفات بايزي

تعد المصنفات الافتراضية من بين طرق التصنيف الإحصائية المختلفة التي تهدف إلى تقليل احتمالية أخطاء التصنيف أو تقليل متوسط المخاطر ضمن إطار تكلفة محدد. إن فلسفة التصميم الخاصة بهم متجذرة بعمق في نظرية بايزي، والتي تسمح بحساب احتمال أن ينتمي كائن ما إلى فئة معينة، في ضوء بعض الخصائص المعروفة. ومن خلال حساب الاحتمال الخلفي للكائن، يتم اتخاذ القرارات. على وجه التحديد، تأخذ المصنفات الافتراضية أولاً في الاعتبار الاحتمالية السابقة للكائن ثم تطبق الصيغة البايزية لتأخذ في الاعتبار البيانات المرصودة، وبالتالي تحديث الاعتقاد حول تصنيف الكائن. من بين جميع التصنيفات الممكنة، تختار المصنفات الافتراضية الفئة ذات الاحتمالية الخلفية الأعلى للكائن. الميزة الأساسية لهذه الطريقة تكمن في قدرتها الطبيعية على التعامل مع عدم اليقين والمعلومات غير الكاملة، مما يجعلها أداة قوية ومرنة مناسبة لمجموعة واسعة من التطبيقات.

كما هو موضح في الشكل 2، في التعلم الآلي الخاضع للإشراف، يتم اتخاذ قرارات التصنيف باستخدام نماذج البيانات والاحتمالات بناءً على نظرية بايزي. باستخدام الاحتمالية والاحتمالات السابقة للفئات والميزات، تقوم المصنفات الافتراضية بحساب الاحتمالات الخلفية لكل فئة لنقاط البيانات وتعيين نقاط البيانات للفئة ذات الاحتمالية الخلفية الأعلى. في المخطط المبعثر على اليمين، يحاول المصنف العثور على منحنى يفصل بشكل أفضل بين النقاط ذات الألوان المختلفة، وبالتالي تقليل أخطاء التصنيف.

الشكل 2: المصنف بايزي

• أشجار القرار

تُستخدم خوارزميات شجرة القرار بشكل شائع في مهام التصنيف والانحدار، وتعتمد نهجًا هرميًا في اتخاذ القرار. فهي تنشئ أشجارًا عن طريق تقسيم الميزات ذات اكتساب معلومات عالي استنادًا إلى البيانات المعروفة، وبالتالي تدريب شجرة القرار. في الجوهر، يمكن للخوارزمية أن تتعلم ذاتيًا قاعدة اتخاذ القرار من البيانات لتحديد قيم المتغيرات. وعلى وجه التحديد، فإنه يبسط عمليات صنع القرار المعقدة إلى عدة قرارات فرعية أبسط. يتم اشتقاق كل قرار أبسط من معيار القرار الأصلي، مما يشكل هيكلًا يشبه الشجرة.

وكما هو موضح في الشكل 3، تمثل كل عقدة قرارًا، حيث تحدد معيارًا للحكم على سمة معينة، بينما تمثل الفروع نتائج القرار. تمثل كل عقدة ورقية النتيجة والفئة النهائية المتوقعة. من منظور هيكلي، يعتبر نموذج شجرة القرار بديهيًا وسهل الفهم ويتمتع بقوة تفسيرية قوية.

الصورة 3 نموذج شجرة القرار

• خوارزمية دبسكان

DBSCAN (التجميع المكاني للتطبيقات ذات الضوضاء على أساس الكثافة) عبارة عن خوارزمية تجميع مكانية قائمة على الكثافة وفعالة بشكل خاص لمجموعات البيانات ذات الضوضاء ولتحديد المجموعات من أي شكل دون الحاجة إلى تحديد عدد المجموعات مسبقًا. لديها أداء قوي ضد القيم المتطرفة في مجموعة البيانات. يمكن للخوارزمية تحديد القيم المتطرفة بشكل فعال، والتي يتم تعريفها على أنها نقاط في المناطق منخفضة الكثافة، كما هو موضح في الشكل 4.

الشكل 4 : تحديد الضوضاء باستخدام خوارزمية DBSCAN

• خوارزمية KNN

يمكن استخدام خوارزمية K-Nearest Neighbors (KNN) لكل من مهام التصنيف والانحدار. في التصنيف، يتم تحديد فئة العنصر المراد تصنيفه من خلال آلية التصويت؛ وفي الانحدار، فإنه يتنبأ عن طريق حساب المتوسط أو المتوسط المرجح لأقرب العينات k.

كما هو موضح في الشكل 5، فإن مبدأ عمل خوارزمية KNN في التصنيف هو العثور على أقرب جيران k لنقطة بيانات جديدة والتنبؤ بفئة نقطة البيانات الجديدة بناءً على فئات هؤلاء الجيران. إذا كانت K = 1، فسيتم تعيين نقطة البيانات الجديدة ببساطة إلى فئة أقرب جار لها. إذا كان K> 1، يتم تحديد الفئة عادةً بأغلبية الأصوات، مما يعني أنه يتم تعيين نقطة البيانات الجديدة للفئة الأكثر شيوعًا بين جيرانها. عند استخدامه في الانحدار، يظل المبدأ كما هو، ولكن النتيجة هي متوسط مخرجات أقرب عينات k.

الشكل 5: خوارزمية KNN المستخدمة للتصنيف

• الذكاء الاصطناعي التوليدي الذكاء الاصطناعي التوليدي

الذكاء الاصطناعي التوليدي (AI) هو نوع من تقنيات الذكاء الاصطناعي التي يمكنها إنشاء محتوى جديد (مثل النصوص والصور والموسيقى وما إلى ذلك) بناءً على متطلبات الإدخال. يكمن أساسها في التقدم في التعلم الآلي والتعلم العميق، وخاصة في التطبيقات ضمن مجالات معالجة اللغة الطبيعية والتعرف على الصور. يتعلم الذكاء الاصطناعي التوليدي الأنماط والارتباطات من كمية هائلة من البيانات ثم يقوم بإنشاء مخرجات جديدة تمامًا بناءً على هذه المعلومات المكتسبة. ويكمن مفتاح الذكاء الاصطناعي التوليدي في نموذج التدريب، الذي يتطلب بيانات عالية الجودة للتعلم والتدريب. خلال هذه العملية، يعمل النموذج بشكل تدريجي على تحسين قدرته على إنشاء محتوى جديد من خلال تحليل وفهم البنية والأنماط والعلاقات داخل مجموعة البيانات.

• محول

لقد قدم المحول، باعتباره حجر الزاوية في الذكاء الاصطناعي التوليدي، آلية الانتباه بطريقة رائدة. وهذا يسمح لمعالجة المعلومات بالتركيز على النقاط الرئيسية مع أخذ نظرة شاملة أيضًا، وهي قدرة فريدة جعلت المحول يتألق في مجال إنشاء النص. إن استخدام أحدث نماذج اللغة الطبيعية، مثل GPT (المحول التوليدي المُدرب مسبقًا)، لفهم متطلبات المستخدم المعبر عنها باللغة الطبيعية وتحويلها تلقائيًا إلى تعليمات برمجية قابلة للتنفيذ، يمكن أن يقلل من تعقيد التطوير ويحسن الكفاءة بشكل كبير.

كما هو موضح في الشكل 6، فإن إدخال آلية الانتباه متعدد الرؤوس وآلية الاهتمام الذاتي، جنبًا إلى جنب مع الاتصالات المتبقية والشبكات العصبية المتصلة بالكامل، والاستفادة من تقنيات تضمين الكلمات السابقة، قد أدى إلى رفع أداء النماذج التوليدية المتعلقة باللغة الطبيعية بشكل كبير يعالج.

الشكل 6: نموذج المحول

• نموذج RFM

نموذج RFM هو نموذج تحليل يعتمد على سلوك الشراء لدى العملاء، والذي يمكنه تحديد مجموعات العملاء ذات القيمة المختلفة من خلال تحليل سلوك معاملاتهم. يسجل هذا النموذج العملاء ويصنفهم بناءً على وقت الشراء الأخير (حداثة، R)، وتكرار عمليات الشراء (التكرار، F)، والمبلغ الذي تم إنفاقه (القيمة النقدية، M).

وكما هو موضح في الشكل 7، تشكل هذه المؤشرات الثلاثة جوهر نموذج RFM. يقوم النموذج بتسجيل العملاء على هذه الأبعاد الثلاثة وفرزهم بناءً على الدرجات لتحديد مجموعات العملاء الأكثر قيمة. علاوة على ذلك، يقوم هذا النموذج بتقسيم العملاء بشكل فعال إلى مجموعات مختلفة، مما يسهل وظيفة التقسيم الطبقي للعملاء.

الشكل 7: نموذج طبقات RFM

التطبيقات المحتملة

عند تطبيق تكنولوجيا التعلم الآلي لمواجهة التحديات الأمنية للإيثيريوم، أجرينا بحثًا من أربعة جوانب رئيسية:

التطبيقات المحتملة

في مواجهة التحديات الأمنية للإيثيريوم من خلال تقنيات التعلم الآلي، أجرينا بحثًا من أربعة جوانب رئيسية:

• تحديد وتصفية المعاملات الضارة بناءً على مصنف بايزي**

  من خلال إنشاء مصنف بايزي، يمكن تحديد وتصفية معاملات البريد العشوائي المحتملة، بما في ذلك على سبيل المثال لا الحصر تلك التي تسبب هجمات DOS من خلال كميات كبيرة من المعاملات الصغيرة المتكررة. تحافظ هذه الطريقة بشكل فعال على صحة الشبكة من خلال تحليل خصائص المعاملات، مثل أسعار الغاز وتكرار المعاملات، وبالتالي ضمان التشغيل المستقر لشبكة إيثريوم.

• إنشاء رمز عقد ذكي آمن ومُرضي للمتطلبات المحددة**

  يمكن استخدام شبكات الخصومة التوليدية (GANs) والشبكات التوليدية القائمة على المحولات لإنشاء كود عقد ذكي يلبي متطلبات محددة مع ضمان أمان الكود قدر الإمكان. ومع ذلك، يختلف هذين النهجين في أنواع البيانات التي يعتمدان عليها في تدريب النماذج: يعتمد الأول بشكل أساسي على عينات التعليمات البرمجية غير الآمنة، بينما يعتمد الأخير على العكس.

  من خلال تدريب شبكات GAN على تعلم أنماط العقود الآمنة الحالية وبناء نماذج ذاتية الخصومة لإنشاء تعليمات برمجية قد تكون غير آمنة، ومن ثم تعلم كيفية تحديد نقاط عدم الأمان هذه، من الممكن إنشاء تعليمات برمجية لعقود ذكية عالية الجودة وأكثر أمانًا تلقائيًا. باستخدام نماذج الشبكات التوليدية القائمة على المحولات، من خلال التعلم من مجموعة واسعة من أمثلة العقود الآمنة، من الممكن إنشاء رموز عقود تلبي احتياجات محددة وتحسن استهلاك الغاز، مما يعزز بلا شك كفاءة وسلامة تطوير العقود الذكية.

• تحليل مخاطر العقود الذكية بناءً على أشجار القرار**

  إن استخدام أشجار القرار لتحليل خصائص العقود الذكية، مثل تكرار استدعاء الوظيفة، وقيمة المعاملة، وتعقيد كود المصدر، يمكن أن يحدد بشكل فعال مستويات المخاطر المحتملة للعقود. يمكن لتحليل الأنماط التشغيلية وبنية الكود الخاصة بالعقود التنبؤ بنقاط الضعف ونقاط الخطر المحتملة، مما يوفر للمطورين والمستخدمين تقييمًا للسلامة. ومن المتوقع أن تؤدي هذه الطريقة إلى تحسين سلامة العقود الذكية بشكل كبير داخل النظام البيئي للإيثيريوم، وبالتالي تقليل الخسائر الناجمة عن نقاط الضعف أو التعليمات البرمجية الضارة.

• بناء نموذج لتقييم العملات المشفرة لتقليل مخاطر الاستثمار**

  من خلال تحليل بيانات التداول ونشاط وسائل التواصل الاجتماعي وأداء السوق للعملات المشفرة من خلال خوارزميات التعلم الآلي، من الممكن بناء نموذج تقييم يمكنه التنبؤ باحتمالية كون العملة المشفرة "عملة غير مرغوب فيها". يمكن أن يقدم هذا النموذج رؤى قيمة للمستثمرين، مما يساعدهم على تجنب مخاطر الاستثمار وبالتالي تعزيز التنمية الصحية لسوق العملات المشفرة.

علاوة على ذلك، فإن تطبيق التعلم الآلي لديه أيضًا القدرة على زيادة تعزيز كفاءة الإيثيريوم. ويمكننا استكشاف ذلك من خلال الأبعاد الرئيسية الثلاثة التالية:

• تطبيق شجرة القرار لتحسين نموذج قائمة انتظار تجمع المعاملات

تطبيق أشجار القرار في تحسين نموذج قائمة انتظار تجمع المعاملات

يمكن أن يؤدي استخدام أشجار القرار إلى تحسين آلية الانتظار في مجمع معاملات Ethereum بشكل فعال. من خلال تحليل خصائص المعاملة، مثل أسعار الغاز وحجم المعاملة، يمكن لأشجار القرار تحسين اختيار المعاملات وترتيبها. يمكن لهذه الطريقة تحسين كفاءة معالجة المعاملات بشكل كبير، وتقليل ازدحام الشبكة بشكل فعال، وتقليل وقت انتظار المستخدمين للمعاملات.

• تقسيم المستخدمين وتقديم خدمات شخصية

يمكن لنموذج RFM (الحداثة والتكرار والقيمة النقدية)، وهو أداة مستخدمة على نطاق واسع في إدارة علاقات العملاء، تقسيم المستخدمين بشكل فعال من خلال تقييم أحدث وقت للمعاملة (الحداثة)، وتكرار المعاملة (التكرار)، ومبلغ المعاملة (القيمة النقدية). يمكن أن يساعد تطبيق نموذج RFM على منصة Ethereum في تحديد مجموعات المستخدمين ذات القيمة العالية، وتحسين تخصيص الموارد، وتوفير خدمات أكثر تخصيصًا، وبالتالي زيادة رضا المستخدم والكفاءة الإجمالية للمنصة. نموذج RFM (الحداثة، والتكرار، والقيمة النقدية)، أداة مستخدمة على نطاق واسع في إدارة علاقات العملاء، يمكنها تقسيم المستخدمين بشكل فعال من خلال تقييم وقت المعاملة الأخيرة (حداثة)، وتكرار المعاملة (التكرار)، ومبلغ المعاملة (القيمة النقدية). يمكن أن يساعد تطبيق نموذج RFM على منصة Ethereum في تحديد مجموعات المستخدمين ذات القيمة العالية، وتحسين تخصيص الموارد، وتوفير خدمات أكثر تخصيصًا، وبالتالي زيادة رضا المستخدم والكفاءة الإجمالية للمنصة.

يمكن لخوارزمية DBSCAN أيضًا تحليل سلوك معاملات المستخدمين، مما يساعد على تحديد مجموعات المستخدمين المختلفة على Ethereum، وتوفير المزيد من الخدمات المالية المخصصة لمستخدمين مختلفين. يمكن لاستراتيجية تجزئة المستخدمين تحسين استراتيجيات التسويق وتعزيز رضا العملاء وكفاءة الخدمة.

• التصنيف الائتماني على أساس KNN

يمكن لخوارزمية K-Nearest Neighbors (KNN) تسجيل ائتمان المستخدمين من خلال تحليل سجل معاملاتهم وأنماط سلوكهم على Ethereum، والذي يلعب دورًا مهمًا للغاية في الأنشطة المالية مثل الإقراض. يساعد التقييم الائتماني المؤسسات المالية ومنصات الإقراض على تقييم قدرات المقترضين على السداد ومخاطر الائتمان، واتخاذ قرارات إقراض أكثر دقة. وهذا يمكن أن يمنع الاقتراض المفرط ويحسن سيولة السوق.

الاتجاهات المستقبلية

من منظور تخصيص رأس المال الكلي، لا يمكن أبدًا الإفراط في استثمار إيثريوم، باعتبارها أكبر جهاز كمبيوتر موزع في العالم، في الطبقة التحتية، حيث تحتاج إلى جذب المزيد من المطورين من خلفيات متنوعة للمشاركة في البناء المشترك. في هذه المقالة، من خلال تمشيط التنفيذ الفني لـ Ethereum والمشكلات التي تواجهها، نتصور سلسلة من التطبيقات البديهية للتعلم الآلي ونتطلع إلى قيام مطوري الذكاء الاصطناعي في المجتمع بتحويل هذه الرؤى إلى قيمة حقيقية.

مع زيادة قوة الحوسبة على السلسلة تدريجيًا، يمكننا توقع تطوير نماذج أكثر تعقيدًا لإدارة الشبكة ومراقبة المعاملات والتدقيق الأمني وما إلى ذلك، مما يؤدي إلى تحسين كفاءة وأمن شبكة إيثريوم.

علاوة على ذلك، قد تصبح آليات الحوكمة القائمة على الذكاء الاصطناعي/الوكيل أيضًا ابتكارًا مهمًا في النظام البيئي للإيثيريوم. هذه الآلية، التي توفر عمليات صنع قرار أكثر كفاءة وشفافية وآلية، يمكن أن تزود إيثريوم بهيكل إدارة أكثر مرونة وموثوقية. لن تؤدي هذه التطورات المستقبلية إلى تعزيز الابتكار في تكنولوجيا الإيثيريوم فحسب، بل ستوفر أيضًا للمستخدمين تجربة عالية الجودة عبر السلسلة.

تنصل:

1. تمت إعادة طباعة هذه المقالة من [TechFlow]. *إعادة توجيه العنوان الأصلي''另一个角度看「AI+Blockchain」:AI 如何革新以太坊？'. جميع حقوق الطبع والنشر مملوكة للمؤلف الأصلي [Salus]. إذا كانت هناك اعتراضات على إعادة الطبع هذه، فيرجى الاتصال بفريق Gate Learn ، وسوف يتعاملون معها على الفور.
2. إخلاء المسؤولية: الآراء والآراء الواردة في هذه المقالة هي فقط آراء المؤلف ولا تشكل أي نصيحة استثمارية.
3. تتم ترجمة المقالة إلى لغات أخرى بواسطة فريق Gate Learn. ما لم يُذكر ذلك، يُحظر نسخ أو توزيع أو سرقة المقالات المترجمة.