Yapay zeka Ethereum'da nasıl devrim yaratabilir? “AI+Blockchain”e başka bir açıdan bakmak

Yazar: Mirror Tang | Salus; Yixin Ren | Hongshan'ın başkenti; Lingzhi Shi | Salus; Jiangyue Wang | Salus

Geçtiğimiz yıl, üretken yapay zeka kamuoyunun beklentilerini defalarca aştığında, yapay zeka üretkenlik devrimi dalgası kripto para birimi çevresini kasıp kavurdu. Birçok AI konsept projesinin ikincil piyasada zenginlik yaratma efsaneleri dalgasını beraberinde getirdiğini gördük.Aynı zamanda giderek daha fazla geliştirici kendi "AI+Crypto" projelerini geliştirmeye başladı.

Ancak daha yakından bakıldığında, bu projelerin homojenliğinin çok ciddi olduğu ve projelerin çoğunun yalnızca bilgi işlem gücünün merkezi olmayan ağlar aracılığıyla organize edilmesi veya "merkezi olmayan Hugging Face" vb. oluşturulması gibi "üretim ilişkilerinin" iyileştirilmesine odaklandığı ortaya çıkıyor. Çok az sayıda proje, temeldeki teknolojiden gerçek entegrasyon ve yenilikçilik sağlamaya çalışır. Bu olgunun nedeninin yapay zeka ve blockchain alanları arasında bir "alan önyargısı" bulunması olduğuna inanıyoruz. Kapsamlı kesişimlerine rağmen, çok az kişi her iki alan hakkında da derin bir anlayışa sahiptir. Örneğin yapay zeka geliştiricilerinin Ethereum'un teknik uygulamasını ve tarihsel altyapı durumunu anlaması zordur ve derinlemesine optimizasyon planları önermek daha da zordur.

Örnek olarak yapay zekanın en temel dalı olan makine öğrenimini (ML) ele alalım: Makinelerin, açık programlama talimatları olmadan verilere dayalı kararlar almasına olanak tanıyan bir teknolojidir. Makine öğrenimi, veri analizi ve örüntü tanımada büyük potansiyel göstermiştir ve web2'de yaygın hale gelmiştir. Ancak ilk doğduğu zamanların sınırlamaları nedeniyle, Ethereum gibi blockchain teknolojisi yeniliklerinde en ön sıralarda yer almasına rağmen mimarisi, ağ ve yönetişim mekanizmaları, makine öğrenimini henüz karmaşık sorunları çözmek için etkili bir araç olarak kullanmamıştır.

"Büyük yenilikler genellikle farklı alanlarda doğar." Bu makaleyi yazarken asıl amacımız, AI geliştiricilerinin blockchain dünyasını daha iyi anlamalarına olanak sağlamak ve ayrıca Ethereum topluluğundaki geliştiriciler için yeni fikirler sağlamaktır. Makalede ilk olarak Ethereum'un teknik uygulamasını tanıttık ve ardından güvenliğini, verimliliğini ve ölçeklenebilirliğini artırmak için temel bir yapay zeka algoritması olan makine öğrenimini Ethereum ağına uygulayacak bir çözüm önerdik. Bu vakayı, piyasadakilerden farklı bazı bakış açıları sunmak ve geliştirici ekosisteminde "AI+Blockchain"in daha yenilikçi çapraz kombinasyonlarına ilham vermek için bir başlangıç noktası olarak kullanmayı umuyoruz.

Ethereum'un teknik uygulaması

1. Temel veri yapısı Bir blok zincirinin özü, blokları birbirine bağlayan bir zincirdir.Zincirleri ayırt etmenin anahtarı, aynı zamanda bir blok zincirinin yaratılmasının vazgeçilmez bir parçası olan zincir konfigürasyonudur. Ethereum için zincir konfigürasyonu, Ethereum'daki farklı zincirleri ayırt etmek ve bazı önemli yükseltme protokollerini ve bayrak olaylarını tanımlamak için kullanılır. Örneğin, DAOForkBlock, Ethereum'un bir DAO saldırısına maruz kaldığı sert çatalın yüksekliğini, ConstantinopleBlock ise Constantinople'ın yükseltildiği blok yüksekliğini belirtir. Birçok iyileştirme önerisini içeren daha büyük yükseltmeler için, ilgili blok yüksekliğini tanımlamak için özel alanlar ayarlanacaktır.Ek olarak, Ethereum çeşitli test ağlarını ve ana ağları içerir ve karşılık gelen ağ ekolojisi, ChainID aracılığıyla benzersiz bir şekilde tanımlanır.

Oluşum bloğu tüm blok zincirinin sıfırıncı bloğudur ve diğer bloklar doğrudan veya dolaylı olarak oluşum bloğuna referans verir. Bu nedenle, düğüm başlatıldığında doğru oluşum bloğu bilgisinin yüklenmesi ve keyfi olarak değiştirilmemesi gerekir. Genesis bloğunun konfigürasyon bilgisi, yukarıda bahsedilen zincir konfigürasyonunu içerir ve aynı zamanda ilgili madencilik ödülleri, zaman damgaları, zorluk ve gas limitleri gibi alanları da ekler.Ethereum'un konsensüs mekanizmasının, iş kanıtı madenciliğinden geliştiğini belirtmek gerekir. Mekanizma, stake of stake'e dönüştürülür.

Ethereum hesapları harici hesaplara ve sözleşme hesaplarına bölünmüştür.Harici hesap özel bir anahtar tarafından benzersiz bir şekilde kontrol edilirken, sözleşme hesabının özel anahtar kontrolü yoktur ve yalnızca sözleşme kodunu çalıştırmak için harici hesaptan sözleşme çağrılarak çalıştırılabilir. Hepsi benzersiz bir adres içerir. Ethereum dünya durumu bir Ethereum hesap ağacıdır. Her hesap, hesabın durumunu (çeşitli hesap bilgileri ve kod bilgileri) saklayan bir yaprak düğüme karşılık gelir.

İşlem: Merkezi olmayan bir platform olarak, Ethereum'un özü işlemler ve sözleşmeler içindir.Ethereum'un blokları, paketlenmiş işlemler ve ek ilgili bilgilerdir.Belirli bloklar, blok başlığı ve alan olmak üzere iki bölüme ayrılmıştır. blok başlığı verileri, tüm blokları bir zincire bağlayan ve önceki blok karması olarak anlayabileceğimiz kanıtların yanı sıra durum kökü, işlem kökü, makbuz kökü ve tüm Ethereum dünyasının durumunun kanıtını içerir. zorluğu, tek seferliği saymayı ve diğer ek verileri belirtir. Blok gövdesi, işlem listesini ve amca blok başlıklarının listesini saklar (Ethereum, stake of stake'e dönüştüğünden, amca blok referansı artık mevcut değildir).

İşlem makbuzları, işlem gerçekleştirildikten sonra, yalnızca işlemin kendisine bakarak doğrudan elde edilemeyecek sonuçları ve ek bilgileri sağlar. Spesifik olarak, içerdiği bilgiler şu şekilde ayrılabilir: fikir birliği içeriği, işlem bilgileri ve işlem işlemenin başarılı olup olmadığına ilişkin bilgiler ve işlem günlükleri ve gaz gibi tüketim bilgileri de dahil olmak üzere blok bilgileri. Makbuzdaki bilgileri analiz ederek akıllı sözleşme kodunda hata ayıklayın ve gaz tüketimini optimize edin. ve işlemin ağ tarafından işlendiğine ve işlemin sonuçlarının ve etkisinin görüntülenebildiğine dair bir onay formu sağlar.

Ethereum'da gas ücretleri basitçe işlem ücretleri olarak anlaşılabilir.Token gönderdiğinizde, bir sözleşme yaptığınızda, Ethereum transferi yaptığınızda veya bu blok üzerinde çeşitli işlemler gerçekleştirdiğinizde bu işlemlerdeki işlemler gas ücreti gerektirir.Ether Bu işlemi gerçekleştirirken bilgisayar hesaplamalar yapması ve ağ kaynaklarını tüketmesi gerektiğinden, bilgisayarın sizin için çalışabilmesi için gaz ücreti ödemeniz gerekir. Nihai yakıt ücreti madencilere işlem ücreti olarak ödenir.Belirli ücretin hesaplama formülü Ücret = Kullanılan Gaz * Gaz Fiyatı olarak anlaşılabilir, bu da fiili tüketimin tüketim birim fiyatı ile çarpımıdır. fiyat, işlemi başlatan tarafından belirlenir ve miktarı genellikle İşlemlerin zincire ne kadar hızlı yüklendiğini belirler. Ayarın çok düşük olması durumunda işlem yapılamayabilir.Aynı zamanda sözleşmede öngörülemeyen gaz tüketimine neden olabilecek hataların oluşmaması için gaz limiti tüketim üst limitinin de belirlenmesi gerekir. 2. Ticaret havuzu Ethereum'da çok sayıda işlem var. Merkezi sistemle karşılaştırıldığında, merkezi olmayan sistem tarafından saniye başına gerçekleştirilen işlem sayısı açıkça kasvetli. Düğüme giren çok sayıda işlem nedeniyle, düğümün bu işlemleri doğru şekilde yönetebilmesi için bir işlem havuzu bulundurması gerekir. İşlemlerin yayını p2p aracılığıyla gerçekleştirilir. Spesifik olarak, bir düğüm yürütülebilir bir işlemi komşu düğümlerine yayınlayacak ve daha sonra komşu düğümler, işlemi düğümün komşu düğümlerine yayınlayacaktır. Ethereum ağının tamamı 6 saniye içinde.

İşlem havuzundaki işlemler yürütülebilir işlemler ve yürütülemeyen işlemler olarak ikiye ayrılır.Yürütülebilir işlemler daha yüksek önceliğe sahiptir ve blokta yürütülüp paketlenirken, işlem havuzuna yeni giren tüm işlemler yürütülemez işlemlerdir. daha sonra yürütülebilir hale gelir. Yürütülebilir işlemler ve yürütülemeyen işlemler sırasıyla bekleyen kapsayıcıya ve kuyruk kapsayıcısına kaydedilir.

Ayrıca işlem havuzu yerel bir işlem listesi de tutacaktır.Yerel işlemlerin birçok avantajı vardır.Daha yüksek önceliğe sahiptirler ve işlem hacmi kısıtlamalarından etkilenmezler.Düğüm yeniden başlatıldığında hemen işlem havuzuna yeniden yüklenebilirler. Yerel işlemlerin yerel kalıcı olarak depolanması, günlük (düğüm yeniden başlatıldığında yeniden yükleme) aracılığıyla uygulanır. Amacı, tamamlanmamış yerel işlemleri kaybetmemek ve düzenli olarak güncellenecektir.

İşlemin yasallığı, kuyruğa girmeden önce çeşitli kontrol türleri de dahil olmak üzere kontrol edilecektir: anti-DOS saldırısı, anti-negatif işlem, işlem gas limiti vb. İşlem havuzunun basit bileşimi şu şekilde ayrılabilir: kuyruk+beklemede (ikisi tüm işlemleri oluşturur) Yasallık testi tamamlandıktan sonra, işlem kuyruğunun üst sınıra ulaşıp ulaşmadığının kontrol edilmesi de dahil olmak üzere sonraki kontroller gerçekleştirilecek ve ardından uzaktan işlemlere karar verilirse (uzaktan işlemler yerel olmayan işlemlerdir) işlem havuzundaki en düşük fiyattır, işlem havuzundaki en düşük fiyatlı işlemin yerini alır. Yürütülebilir işlemlerin değiştirilmesi için, varsayılan olarak yalnızca işlem ücretini %10 artıran işlemlerin halihazırda yürütülmeyi bekleyen işlemlerin yerine geçmesine izin verilir ve değiştirme sonrasında yürütülemeyen işlemler olarak depolanır. Ayrıca işlem havuzunun bakım sürecinde geçersiz ve limiti aşan işlemler silinecek, koşulları sağlayan işlemler değiştirilecektir. 3. Uzlaşma mekanizması Ethereum'un ilk fikir birliği teorisi hala zorluk değeri hash hesaplama yöntemine dayanıyordu.Yani, blok yasal hale gelmeden önce bloğun hash değerinin, hedef zorluk değerinin koşullarını karşılamak için hesaplanması gerekiyor. Ethereum'un mevcut konsensüs algoritması POW'dan POS'a değiştirildiği için madencilikle ilgili teoriler detaylı olarak ele alınmayacak. İşte POS algoritmasının kısa bir açıklaması. Ethereum, beacon zincirinin birleşmesini Eylül 2022'de tamamladı ve POS algoritmasını uyguladı. Özellikle, POS tabanlı Ethereum için, her bloğun blok süresi 12 saniyede sabittir ve kullanıcılar, kendi Ethereum paralarını taahhüt ederek bir üye olma hakkını elde ederler. Bundan sonra, staking'e katılan kullanıcılar bir grup doğrulayıcı elde etmek için rastgele seçilecek. Her turda, doğrulayıcılar 32 slotun her birinden seçilecek ve içlerinden biri doğrulama için seçilecek. Teklif sahibi ve teklif sahibi blok üretimini uygular ve slota karşılık gelen geri kalan doğrulayıcılar, teklif sahibinin bloğunun yasallığını doğrulamak ve önceki döngüde bloğun yasallığı hakkında karar vermek için komite görevi görür. POS algoritması, bilgi işlem kaynaklarının israfını büyük ölçüde önlerken, blok üretim hızını önemli ölçüde dengeler ve artırır. 4. İmza algoritması Ethereum, Bitcoin'in imza algoritması standardını takip eder ve ayrıca secp256k1 eğrisini kullanır. Özel imza algoritması, hesaplanan imzanın orijinal mesajın karma değerine göre hesaplandığı anlamına gelen ECDSA'yı kullanır. Tüm imzanın bileşimi basittir. Bu R+S'dir. +V. Her hesaplama buna göre rastgele sayılar sunacaktır; burada R+S, ECDSA'nın orijinal çıktısıdır. Son alan V, genel anahtarı içerikten ve imzadan başarıyla kurtarmak için gereken arama sayısını gösteren kurtarma alanı olarak adlandırılır, çünkü eliptik eğride R değerine dayalı gereksinimleri karşılayan birden fazla koordinat noktası olabilir.

Tüm süreç basitçe şu şekilde özetlenebilir: İşlem verileri ve imzalayanla ilgili bilgiler, RLP kodlamasından sonra hashlenir ve son imzayı elde etmek için ECDSA aracılığıyla özel anahtarla imzalanır ve ECDSA'da kullanılan eğri, secp256k1 eliptik eğrisidir. Son olarak imza verilerini işlem verileriyle birleştirerek imzalı bir işlem verisi elde edebilir ve yayınlayabilirsiniz.

Ethereum'un veri yapısı yalnızca geleneksel blockchain teknolojisine dayanmaz, aynı zamanda büyük miktarda verinin verimli depolanması ve doğrulanması için Merkle sıkıştırılmış önek ağaçları olarak da bilinen Merkle Patricia ağaçlarını da sunar. MPT, Merkle ağaçlarının kriptografik karma işlevini ve Patricia ağaçlarının anahtar yol sıkıştırma özelliklerini birleştirerek hem veri bütünlüğünü garanti eden hem de hızlı aramayı destekleyen bir çözüm sunar. 5. Merkle sıkıştırılmış önek ağacı Ethereum'da MPT, tüm durum ve işlem verilerini depolamak için kullanılır ve herhangi bir veri değişikliğinin ağacın kök karma değerine yansıtılmasını sağlar. Bu, kök karmasını doğrulayarak, tüm veritabanını kontrol etmek zorunda kalmadan verilerin bütünlüğünü ve doğruluğunu kanıtlayabileceğiniz anlamına gelir. MPT dört tür düğümden oluşur: yaprak düğümler, uzantı düğümleri, dal düğümleri ve boş düğümler.Bu düğümler birlikte dinamik veri değişikliklerine uyum sağlayabilen bir ağaç oluşturur. Veriler her güncellendiğinde MPT, ağacın kök karmasını güncellerken düğümleri ekleyerek, silerek veya değiştirerek bu değişiklikleri yansıtır. Her düğüm bir karma işlevi tarafından şifrelendiğinden, verilerde yapılacak herhangi bir küçük değişiklik, kök karmasında büyük değişikliklere yol açacak ve böylece verilerin güvenliği ve tutarlılığı sağlanacaktır. Ek olarak MPT, "hafif istemci" doğrulamasını destekleyecek şekilde tasarlanmıştır; düğümlerin, yalnızca ağacın kök karmasını ve gerekli yol düğümlerini depolayarak belirli bilgilerin varlığını veya durumunu doğrulamasına olanak tanır ve veri depolama ve işleme ihtiyacını büyük ölçüde azaltır.

MPT aracılığıyla, Ethereum yalnızca verimli yönetim ve verilere hızlı erişim sağlamakla kalmaz, aynı zamanda tüm Ethereum ağının çalışmasını ve gelişimini destekleyerek ağın güvenliğini ve merkezi olmayan yapısını da sağlar. 6. Durum makinesi Ethereum'un çekirdek mimarisi durum makineleri kavramını içerir.Ethereum Sanal Makinesi (EVM), tüm akıllı sözleşme kodlarını yürütmek için çalışma ortamıdır ve Ethereum'un kendisi de küresel olarak paylaşılan bir durum geçiş sistemi olarak kabul edilebilir. Her bloğun yürütülmesi, küresel olarak paylaşılan bir durumdan diğerine geçen bir durum geçiş süreci olarak görülebilir. Bu tasarım yalnızca Ethereum ağının tutarlılığını ve merkezi olmayan yapısını sağlamakla kalmıyor, aynı zamanda akıllı sözleşmelerin uygulama sonuçlarını öngörülebilir ve değiştirilemez hale getiriyor.

Ethereum'da durum, her hesabın bakiyesi, depolama verileri ve akıllı sözleşme kodu dahil olmak üzere tüm hesapların mevcut bilgilerini ifade eder. EVM, bir işlem gerçekleştiğinde, işlem içeriğine göre durumu hesaplar ve dönüştürür.Bu işlem, MPT aracılığıyla verimli ve güvenli bir şekilde kaydedilir. Her durum geçişi yalnızca hesap verilerini değiştirmekle kalmaz, aynı zamanda ağacın kök karmasının değişmesine yansıyan MPT'nin güncellenmesine de neden olur.

EVM ve MPT arasındaki ilişki çok önemlidir çünkü MPT, Ethereum'un durum geçişleri için veri bütünlüğü garantileri sağlar. EVM işlemleri yürüttüğünde ve hesap durumunu değiştirdiğinde ilgili MPT düğümleri bu değişiklikleri yansıtacak şekilde güncellenir. MPT'nin her düğümü bir hash ile bağlı olduğundan, durumdaki herhangi bir değişiklik kök hash'inde bir değişikliğe neden olur.Bu yeni kök hash'i daha sonra yeni bloğa dahil edilerek tüm Ethereum durumunun istikrarı sağlanır. . Daha sonra EVM sanal makinesini tanıtıyoruz. 7. EVM

EVM sanal makinesi, tüm Ethereum'un akıllı sözleşmeler oluşturması ve durum geçişlerini yürütmesi için temel oluşturur.EVM sayesinde Ethereum, gerçek anlamda bir dünya bilgisayarı olarak hayal edilebilir. EVM sanal makinesi Turing tamamlandı; bu, Ethereum'daki akıllı sözleşmelerin her türlü karmaşık mantıksal hesaplamayı gerçekleştirebileceği ve gaz mekanizmasının tanıtılmasının sözleşmedeki sonsuz döngüleri başarıyla önlediği ve ağın istikrarını ve güvenliğini sağladığı anlamına gelir. . Daha teknik düzeyde EVM, akıllı sözleşmeleri yürütmek için Ethereum'a özgü bayt kodunu kullanan yığın tabanlı bir sanal makinedir. Geliştiriciler genellikle akıllı sözleşmeler yazmak için Solidity gibi üst düzey dilleri kullanır ve ardından bunları EVM'nin çağrıları yürütmek için EVM'nin anlayabileceği bayt kodu halinde derler. EVM, Ethereum blok zincirinin inovasyon yeteneklerinin anahtarıdır ve yalnızca akıllı sözleşmelerin işleyişini desteklemekle kalmaz, aynı zamanda merkezi olmayan uygulamaların geliştirilmesi için sağlam bir temel sağlar. EVM aracılığıyla Ethereum, merkezi olmayan, güvenli ve açık bir dijital geleceği şekillendiriyor.

Ethereum Geçmiş İncelemesi

Şekil 1 Ethereum'un tarihsel incelemesi

Ethereum Güvenliğinin Karşılaştığı Zorluklar

Akıllı sözleşmeler, Ethereum blockchain üzerinde çalışan bilgisayar programlarıdır. Geliştiricilerin, borç verme uygulamaları, merkezi olmayan borsalar, sigorta, ikincil finansman, sosyal ağlar ve NFT'ler dahil ancak bunlarla sınırlı olmamak üzere çeşitli uygulamalar oluşturmasına ve yayınlamasına olanak tanır. Akıllı sözleşmelerin güvenliği bu uygulamalar için çok önemlidir. Bu uygulamalar, kripto para birimlerinin işlenmesinden ve kontrolünden doğrudan sorumludur.Akıllı sözleşmelerdeki herhangi bir boşluk veya bunlara yönelik kötü niyetli saldırılar, fonların güvenliğine doğrudan tehdit oluşturacak ve hatta büyük ekonomik kayıplara yol açacaktır. Örneğin, 26 Şubat 2024'te DeFi borç verme protokolü Blueberry Protokolü, akıllı sözleşmedeki bir mantık hatası nedeniyle saldırıya uğradı ve bunun sonucunda yaklaşık 1.400.000 ABD Doları tutarında bir kayıp yaşandı.

Akıllı sözleşmelerin güvenlik açıkları çok yönlüdür ve mantıksız iş mantığını (İş Mantığı), uygunsuz erişim kontrolünü, yetersiz veri doğrulamayı, yeniden giriş saldırılarını ve DOS (Hizmet Reddi) saldırılarını kapsar. Bu güvenlik açıkları sözleşmenin yürütülmesinde sorunlara neden olabilir ve akıllı sözleşmenin etkin işleyişini etkileyebilir. Örnek olarak DOS saldırısını ele alalım: Bu saldırı yöntemi, saldırganın ağ kaynaklarını tüketmek için çok sayıda işlem göndermesini kullanır.Daha sonra normal kullanıcılar tarafından başlatılan işlemler zamanında işlenemez ve bu da kullanıcı deneyiminin düşmesine neden olur. Üstelik bu durum işlem gas ücretlerinde de artışa yol açacak. Çünkü ağ kaynakları kısıtlı olduğunda kullanıcıların işlemlerine öncelik vermek için daha yüksek ücretler ödemesi gerekebilir.

Ayrıca Ethereum kullanıcıları da yatırım riskleriyle karşı karşıya kalacak ve fonların güvenliği tehdit altına girecek. Örneğin spamcoinler, çok az değere sahip olduğu veya uzun vadeli büyüme potansiyeli olmadığı düşünülen kripto para birimlerini tanımlamak için kullanılır. Spam paralar genellikle dolandırıcılık veya pompalama ve boşaltma stratejilerinde fiyat manipülasyonu için bir araç olarak kullanılır. Hurda madeni paralara yatırım yapmak çok risklidir ve önemli mali kayıplara neden olabilir. Düşük fiyatları ve düşük piyasa kapitalizasyonları nedeniyle manipülasyona ve oynaklığa karşı oldukça hassastırlar. Coin genellikle pompalama ve boşaltma planlarında ve sahte projelerin yatırımcıları cezbetmek ve fonlarını çalmak için kullanıldığı bal küpü dolandırıcılıklarında kullanılıyor. Diğer bir yaygın spamcoin riski, yaratıcının projedeki tüm likiditeyi aniden çekmesi ve token değerinin düşmesine neden olan bir hiledir. Bu dolandırıcılıklar genellikle sahte ortaklıklar ve onaylarla pazarlanır ve token fiyatı arttığında dolandırıcılar tokenlarını satar, kâr elde eder ve ortadan kaybolarak yatırımcıların elinde değersiz tokenlar kalır. Aynı zamanda, Shitcoin'lere yatırım yapmak dikkati ve kaynakları gerçek uygulamalara ve büyüme potansiyeline sahip meşru kripto para birimlerinden uzaklaştırır. Hurda paraların yanı sıra hava paraları ve MLM paraları da hızlı kar elde etmenin yollarıdır. Bunları meşru kripto para birimlerinden ayırmak özellikle uzmanlık ve deneyime sahip olmayan kullanıcılar için zordur.

yeterlik

Ethereum'un verimliliğini değerlendirmek için çok doğrudan iki ölçüm, işlem hızı ve gas ücretleridir. İşlem hızı, Ethereum ağının birim zaman başına işleyebileceği işlem sayısını ifade eder. Bu ölçüm, Ethereum ağının işlem gücünü doğrudan yansıtır; daha yüksek hızlar, daha yüksek verimlilik anlamına gelir. Ethereum'daki her işlem, işlem doğrulamayı yapan madencilerin telafisi için belirli bir gas ücreti gerektirir. Gas maliyeti ne kadar düşük olursa Ethereum'un verimliliği de o kadar yüksek olur.

Azalan işlem hızı, daha yüksek gas ücretleri ile sonuçlanacaktır. Genel olarak bakıldığında, işlem hızları yavaşladığında, sınırlı blok alanı nedeniyle bir sonraki bloğa girmek için yarışan işlemlerde artış yaşanabilir. Rekabette öne çıkmak için tüccarlar genellikle gas ücretlerini artırır çünkü madenciler, işlemleri doğrularken daha yüksek gas ücretleri olan işlemlere öncelik verme eğilimindedir. Daha yüksek gas ücretleri ise kullanıcı deneyimini azaltacaktır.

İşlemler Ethereum'daki sadece temel aktivitedir. Bu ekosistemde kullanıcılar aynı zamanda borç verme, rehin verme, yatırım, sigortalama gibi çeşitli faaliyetler de gerçekleştirebilmektedir. Bunların hepsi belirli DApp'ler aracılığıyla gerçekleştirilebilir. Ancak DApp'lerin çok çeşitli olması ve geleneksel sektörlere benzer kişiselleştirilmiş öneri hizmetlerinin eksikliği göz önüne alındığında, kullanıcıların kendilerine uygun uygulamaları ve ürünleri seçerken kafaları karışacak. Bu durum kullanıcı memnuniyetinin azalmasına neden olacak ve bu da tüm Ethereum ekosisteminin verimliliğini etkileyecektir.

Örnek olarak borç vermeyi ele alalım. Bazı DeFi borç verme platformları, kendi platformlarının güvenliğini ve istikrarını korumak için aşırı teminatlandırma mekanizması kullanacak. Bu, borçlunun teminat olarak daha fazla varlık göstermesi gerektiği ve bu varlıkların borçlanma dönemi boyunca borçlu tarafından başka faaliyetler için kullanılamayacağı anlamına gelir. Bu, borçluların sermaye kullanımının azalmasına yol açacak ve dolayısıyla piyasa likiditesini azaltacaktır.

Ethereum'da makine öğreniminin uygulanması

RMF modeli, üretken çekişmeli ağ (GAN), karar ağacı modeli, K en yakın komşu algoritması (KNN), DBSCAN kümeleme algoritması vb. gibi makine öğrenme modelleri Ethereum'da önemli bir rol oynamaktadır. Bu makine öğrenimi modellerinin Ethereum'da uygulanması, işlem işleme verimliliğini optimize etmeye, akıllı sözleşmelerin güvenliğini artırmaya, daha kişiselleştirilmiş hizmetler sağlamak için kullanıcı katmanlaştırmayı gerçekleştirmeye ve ağın istikrarlı çalışmasını korumaya yardımcı olabilir.

Algoritmaya Giriş

Makine öğrenimi algoritması, verileri ayrıştırmak, verilerdeki kalıpları öğrenmek ve bu öğrenmelere dayalı olarak tahminler yapmak veya kararlar almak için kullanılan bir dizi talimat veya kuraldır. İnsanlardan açık programlama talimatlarına ihtiyaç duymadan, kendilerine sağlanan verilerden otomatik olarak öğrenir ve gelişirler. RMF modeli, üretken çekişmeli ağ (GAN), karar ağacı modeli, K en yakın komşu algoritması (KNN), DBSCAN kümeleme algoritması vb. gibi makine öğrenme modelleri Ethereum'da önemli bir rol oynamaktadır. Bu makine öğrenimi modellerinin Ethereum'da uygulanması, işlem işleme verimliliğini optimize etmeye, akıllı sözleşmelerin güvenliğini artırmaya, daha kişiselleştirilmiş hizmetler sağlamak için kullanıcı katmanlaştırmayı gerçekleştirmeye ve ağın istikrarlı çalışmasını korumaya yardımcı olabilir.

• Bayes Sınıflandırıcısı

Bayesian sınıflandırıcı, çeşitli istatistiksel sınıflandırma yöntemleri arasında sınıflandırma hatası olasılığını en aza indirmeyi veya belirli bir maliyet çerçevesi altında ortalama riski en aza indirmeyi amaçlayan etkili bir sınıflandırıcıdır. Tasarım felsefesinin kökleri Bayes teoremine dayanmaktadır; bu teorem, bir nesnenin belirli özellikler göz önüne alındığında belirli bir sınıfa ait olma olasılığı göz önüne alındığında, bir nesnenin sonsal olasılığını hesaplayarak kararlar almasına olanak tanır. Spesifik olarak, Bayesian sınıflandırıcı ilk önce nesnenin önceki olasılığını dikkate alır ve ardından nesne sınıflandırması hakkındaki inancı güncellemek amacıyla gözlem verilerini kapsamlı bir şekilde değerlendirmek için Bayesian formülünü uygular. Tüm olası sınıflandırmalar arasında Bayesian sınıflandırıcı, nesneyi bu kategoriye sınıflandırmanın en büyük sonsal olasılığına sahip olanı seçer. Bu yaklaşımın temel avantajı, belirsizliği ve eksik bilgiyi doğal bir şekilde ele alma yeteneğidir; bu da onu çok çeşitli uygulama senaryolarına uygun, güçlü ve esnek bir araç haline getirir.

Şekil 2 Bayes sınıflandırıcısı

Şekil 2'de gösterildiği gibi, denetimli makine öğreniminde, sınıflandırma kararlarını vermek için veriler ve Bayes teoremine dayalı bir olasılık modeli kullanılır. Bayesian sınıflandırıcı, kategorilerin ve özelliklerin olabilirliğini ve önceki olasılıklarını kullanarak, veri noktalarının her bir kategoriye ait olduğu sonsal olasılığı hesaplar ve veri noktalarını en büyük sonsal olasılığa sahip kategoriye atar. Sağdaki dağılım grafiğinde sınıflandırıcı, farklı renkteki noktaları en iyi şekilde ayıran ve böylece sınıflandırma hatasını en aza indiren bir eğri bulmaya çalışacaktır.

• Karar ağacı

Karar ağacı algoritması sıklıkla sınıflandırma ve regresyon görevlerinde kullanılır.Hiyerarşik karar verme fikrini benimser.Bilinen verilere dayanarak karar ağacı, büyük bilgi kazanım oranına sahip özelliklerin seçilmesi ve daha sonra bunları parçalara bölünmesiyle eğitilir. ağaçlar. Basitçe söylemek gerekirse, algoritmanın tamamı, değişkenin değerini yargılamak için verilere dayalı bir karar kuralını kendi kendine öğrenebilir. Uygulama açısından, karmaşık karar verme sürecini birkaç basit alt karar verme sürecine ayrıştırabilir. Böyle bir türev yöntemiyle, her basit karar kararı, bir ağaç yapısı oluşturan bir ana karar kriterinden türetilir.

Şekil 3'ten görülebileceği gibi, her düğüm bir kararı temsil eder ve belirli bir nitelik için değerlendirme kriterlerini belirler, dallar ise kararın sonuçlarını temsil eder. Her yaprak düğümü nihai tahmin edilen sonucu ve kategoriyi temsil eder. Algoritma bileşimi açısından bakıldığında, karar ağacı modeli nispeten sezgiseldir, anlaşılması kolaydır ve güçlü bir yorumlanabilirliğe sahiptir.

Şekil 3 Karar ağacı modeli

• DBSCAN algoritması

DBSCAN (Gürültülü Uygulamaların Yoğunluğa Dayalı Uzamsal Kümelenmesi), özellikle bağlantılı olmayan veri kümeleri için iyi çalıştığı görülen, gürültüye sahip yoğunluk tabanlı bir uzamsal kümeleme algoritmasıdır. Bu algoritma, küme sayısını önceden belirtmeden rastgele şekillerden oluşan kümeleri keşfedebilir ve veri kümesindeki aykırı değerlere karşı iyi bir sağlamlığa sahiptir. Algoritma ayrıca gürültülü veri kümelerindeki aykırı değerleri de etkili bir şekilde tanımlayabilir.Gürültü veya aykırı değerler, Şekil 4'te gösterildiği gibi düşük yoğunluklu alanlardaki noktalar olarak tanımlanır.

Şekil 4 DBSCAN algoritması gürültüyü tanımlar

• KNN algoritması

KNN (K-En Yakın Komşular) algoritması hem sınıflandırma hem de regresyon için kullanılabilir. Bir sınıflandırma probleminde, sınıflandırılacak öğenin kategorisini belirlemek için oylama mekanizması kullanılır; bir regresyon probleminde tahmin için k en yakın komşu örneğinin ortalaması veya ağırlıklı ortalaması hesaplanır.

Şekil 5'te görüldüğü gibi sınıflandırmada KNN algoritmasının çalışma prensibi, yeni bir veri noktasının en yakın K komşusunu bulmak ve daha sonra bu komşuların kategorilerine göre yeni veri noktasının kategorisini tahmin etmektir. Eğer K=1 ise, yeni veri noktaları basitçe kendilerine en yakın olanlara atanır.

Komşu kategorisi. K > 1 ise, yeni veri noktasının sınıfını belirlemek için genellikle bir oylama yöntemi kullanılır; yani yeni veri noktası, en fazla komşunun ait olduğu sınıfa atanır. Regresyon problemleri için KNN algoritması kullanıldığında temel fikir aynıdır ve sonuç, en yakın komşuların K örnek çıktı değerlerinin ortalamasıdır.

Şekil 5 Sınıflandırma için kullanılan KNN algoritması

• Üretici Yapay Zeka

Üretken yapay zeka, talep girdisine dayalı olarak yeni içerik (metin, resim, müzik vb.) üretebilen bir yapay zeka teknolojisidir. Arka planı, özellikle doğal dil işleme ve görüntü tanıma gibi alanlardaki uygulamalarla birlikte, makine öğrenimi ve derin öğrenmedeki ilerlemelere dayanmaktadır. Üretken yapay zeka, büyük miktarlardaki verilerden kalıpları ve ilişkileri öğrenir ve ardından bu öğrenilen bilgilere dayanarak yeni çıktı içeriği üretir. Üretken yapay zekanın anahtarı, öğrenme ve eğitim için mükemmel veriler gerektiren model eğitiminde yatmaktadır.Bu süreçte model, veri setindeki yapıyı, kalıpları ve ilişkileri analiz edip anlayarak yeni içerik üretme yeteneğini yavaş yavaş geliştirir.

1. Transformatör Üretken yapay zekanın temel taşı olan Transformer, bilgi işlemenin kilit noktalara odaklanmasını ve aynı zamanda genel bakışa sahip olmasını sağlayan dikkat mekanizmasının tanıtılmasına öncülük etmiştir.Bu benzersiz yetenek, Transformer'ın metin oluşturma alanında öne çıkmasını sağlar. Kullanıcıların doğal dilde ifade edilen uygulama gereksinimlerini anlamak ve bunları otomatik olarak yürütülebilir koda dönüştürmek için GPT (Generative Pre-trained Transformer) gibi en yeni doğal dil işleme dil modellerini kullanmak, geliştirme zorluklarını azaltabilir ve verimliliği önemli ölçüde artırabilir.

Şekil 6'da gösterildiği gibi, çok kafalı dikkat mekanizması ve öz dikkat mekanizmasının, artık bağlantı ve tamamen bağlantılı sinir ağıyla bir araya getirilmesiyle ve önceki kelime yerleştirme teknolojisinin yardımıyla, doğal dile ilişkin üretken modellerin performansı işleme büyük ölçüde geliştirildi.Dünya yükseliyor.

Şekil 6 Trafo modeli

2. RFM model tanıtımı**:**

RFM modeli, kullanıcı satın alma davranışını temel alan bir analiz modelidir.Kullanıcıların işlem davranışlarını analiz ederek farklı değerlere sahip kullanıcı gruplarını tespit edebilir. Bu model, kullanıcıları en son tüketim zamanlarına (R), tüketim sıklıklarına (F) ve tüketim miktarlarına (M) göre katmanlaştırır.

Şekil 7'de gösterildiği gibi. Bu üç gösterge birlikte RFM modelinin çekirdeğini oluşturur. Model, kullanıcıları bu üç boyuta göre puanlıyor ve puanlarına göre sıralayarak en değerli kullanıcı gruplarını belirliyor. Üstelik bu model, kullanıcı katmanlaştırma işlevini gerçekleştirmek için müşterileri etkili bir şekilde farklı gruplara ayırabilir.

Şekil 7 RFM katmanlı modeli

Olası uygulamalar

Ethereum'un güvenlik zorluklarını gidermek için makine öğrenimi teknolojisini uygularken dört ana açıdan araştırma yaptık:

1. Bayes sınıflandırıcısına dayalı olarak kötü amaçlı işlemleri tanımlayın ve filtreleyin Bir Bayes sınıflandırıcısı oluşturarak, DOS saldırılarına yol açan büyük, sık ve küçük işlemler dahil ancak bunlarla sınırlı olmamak üzere olası spam işlemleri tanımlanır ve filtrelenir. Bu yöntem, ağın sağlığını etkili bir şekilde korur ve Gaz fiyatı, işlem sıklığı vb. işlem özelliklerini analiz ederek Ethereum ağının istikrarlı çalışmasını sağlar.
2. Güvenli ve özel gereksinimleri karşılayan akıllı sözleşme kodu oluşturun Hem Üretken Rekabetçi Ağlar (GAN) hem de Trafo tabanlı üretken ağlar, belirli gereksinimleri karşılayan ve kodun güvenliğini mümkün olduğunca sağlayan akıllı sözleşme kodu oluşturmak için kullanılabilir. Bununla birlikte, modellerini eğitmek için kullandıkları veri türü açısından ikisi arasında farklılıklar vardır: İlkinin eğitim süreci esas olarak güvenli olmayan kod örneklerine dayanırken, ikincisi için bunun tersi geçerlidir.

GAN'ı mevcut güvenlik sözleşmesi modellerini öğrenecek şekilde eğiterek, potansiyel olarak güvenli olmayan kod oluşturmak için kendi kendine yüzleşmeli bir model oluşturun ve ardından model öğrenimi yoluyla bu güvensizlikleri tanımlamayı öğrenerek sonuçta otomatik olarak yüksek kaliteli, daha güvenli akıllı sözleşme kodu oluşturma becerisine ulaşın. . Belirli ihtiyaçları karşılayan ve gaz tüketimini optimize eden sözleşme kodunu oluşturmak için transformatör tabanlı üretken ağ modelini kullanmak ve çok sayıda güvenlik sözleşmesi örneğini öğrenmek, şüphesiz akıllı sözleşme geliştirmenin verimliliğini ve güvenliğini daha da artıracaktır. 3. Karar ağacına dayalı akıllı sözleşme risk analizi Akıllı sözleşmelerin işlev çağrı sıklığı, işlem değeri, kaynak kodu karmaşıklığı vb. özelliklerini analiz etmek için karar ağaçlarını kullanmak, sözleşmenin potansiyel risk düzeyini etkili bir şekilde belirleyebilir. Sözleşmenin çalışma modu ve kod yapısı analiz edilerek olası güvenlik açıkları ve risk noktaları tahmin edilebiliyor, böylece geliştiricilere ve kullanıcılara güvenlik değerlendirmeleri sağlanıyor. Bu yaklaşımın, Ethereum ekosistemindeki akıllı sözleşmelerin güvenliğini önemli ölçüde artırması ve böylece güvenlik açıkları veya kötü amaçlı kodlardan kaynaklanan kayıpları azaltması bekleniyor. 4. Yatırım risklerini azaltmak için kripto para birimine yönelik bir değerlendirme modeli oluşturun

Spam paraların olasılığını tahmin edebilecek bir değerlendirme modeli oluşturmak amacıyla kripto para birimi işlem verileri, sosyal medya etkinlikleri ve pazar performansı gibi çok boyutlu bilgileri analiz etmek için makine öğrenimi algoritmalarını kullanın. Bu model, yatırımcılara yatırım risklerinden kaçınmalarına yardımcı olacak değerli bir referans sağlayabilir ve böylece kripto para piyasasının sağlıklı gelişimini teşvik edebilir.

Ayrıca makine öğreniminin kullanımı Ethereum'un verimliliğini daha da artırma potansiyeline sahiptir. Aşağıdaki üç temel boyutu daha derinlemesine inceleyebiliriz:

1. İşlem havuzu kuyruk modelini optimize etmek için karar ağacı uygulaması Karar ağaçlarına dayanarak Ethereum işlem havuzunun kuyruk mekanizması etkili bir şekilde optimize edilebilir. Karar ağaçları, gaz fiyatı ve işlem boyutu gibi işlem özelliklerini analiz ederek işlem seçimini ve kuyruk sırasını optimize edebilir. Bu yöntem, işlem işleme verimliliğini önemli ölçüde artırabilir, ağ tıkanıklığını etkili bir şekilde azaltabilir ve kullanıcıların işlem bekleme süresini azaltabilir.
2. Kullanıcıları katmanlandırın ve kişiselleştirilmiş hizmetler sunun RFM modeli (Yenilik, Parasal değer, Frekans), müşteri ilişkileri yönetiminde yaygın olarak kullanılan analitik bir araçtır.Kullanıcının son işlem zamanını (Yenilik), işlem sıklığını (Frekans) ve işlem tutarını (Parasal değer) değerlendirebilir. tabakalaşma. RFM modelinin Ethereum platformunda uygulanması, yüksek değerli kullanıcı gruplarının belirlenmesine, kaynak tahsisinin optimize edilmesine ve daha kişiselleştirilmiş hizmetler sağlanmasına yardımcı olabilir, böylece kullanıcı memnuniyetini ve platformun genel verimliliğini artırabilir.

DBSCAN algoritması ayrıca kullanıcıların ticaret davranışlarını analiz edebilir, Ethereum'daki farklı kullanıcı gruplarının belirlenmesine yardımcı olabilir ve ayrıca farklı kullanıcılar için daha özelleştirilmiş finansal hizmetler sağlayabilir. Bu kullanıcı sınıflandırma stratejisi, pazarlama stratejilerini optimize edebilir ve müşteri memnuniyetini ve hizmet verimliliğini artırabilir. 3. KNN'ye dayalı kredi puanlaması

K-en yakın komşu algoritması (KNN), borç verme gibi finansal faaliyetlerde son derece önemli bir rol oynayan Ethereum kullanıcılarının işlem geçmişini ve davranış kalıplarını analiz ederek kullanıcıların kredisini puanlayabiliyor. Kredi puanları, finansal kuruluşların ve kredi platformlarının borçluların geri ödeme kabiliyetini ve kredi riskini değerlendirmesine ve böylece daha doğru kredi kararları almasına yardımcı olabilir. Bu, aşırı borçlanmayı önler ve piyasa likiditesini artırır.

Gelecekteki yönlendirmeler

Makro fon tahsisi açısından bakıldığında, dünyanın en büyük dağıtılmış bilgisayarı olan Ethereum, alt katmana çok fazla yatırım yapamaz ve ortak yapıya katılmak için daha fazla altyapıdan geliştiricileri çekmesi gerekir. Bu makalede, Ethereum'un teknik uygulamasını ve karşılaştığı sorunları sıralayarak, makine öğreniminin nispeten sezgisel olası bir dizi uygulamasını hayal ettik.Ayrıca topluluktaki bu vizyonları gerçek değerle sunabilecek yapay zeka geliştiricilerini de sabırsızlıkla bekliyoruz. İndi.

Zincirdeki bilgi işlem gücü giderek arttıkça, Ethereum ağının verimliliğini ve güvenliğini artırmak için ağ yönetimi, işlem izleme, güvenlik denetimi ve diğer hususlara yönelik daha karmaşık modellerin geliştirileceğini öngörebiliriz.

Daha da ileri giderek, yapay zeka/aracı odaklı yönetişim mekanizmaları da Ethereum ekosisteminde önemli bir yenilik noktası haline gelebilir. Bu mekanizmanın getirdiği daha verimli, daha şeffaf ve daha otomatik karar alma süreci, Ethereum platformuna daha esnek ve güvenilir bir yönetim yapısı getiriyor. Gelecekteki bu geliştirme talimatları yalnızca Ethereum teknolojisinin yenilikçiliğini teşvik etmekle kalmayacak, aynı zamanda kullanıcılara daha iyi bir zincir içi deneyim sunacaktır.