AI có thể cách mạng hóa Ethereum như thế nào? Nhìn vào “AI+Blockchain” từ một góc độ khác

Tác giả: Mirror Tang | Salus; Yixin Ren | Thủ đô Hồng Sơn; Lingzhi Shi | Salus; Jiangyue Wang | Salus

Trong năm qua, khi AI sáng tạo đã nhiều lần vượt quá mong đợi của công chúng, làn sóng cách mạng năng suất AI đã quét qua vòng tròn tiền điện tử. Chúng tôi đã thấy rằng nhiều dự án ý tưởng AI đã gây ra làn sóng huyền thoại về tạo ra của cải trên thị trường thứ cấp, đồng thời, ngày càng có nhiều nhà phát triển bắt đầu phát triển các dự án "AI+Crypto" của riêng họ.

Tuy nhiên, xem xét kỹ hơn sẽ thấy tính đồng nhất của các dự án này là rất nghiêm trọng, và hầu hết các dự án chỉ tập trung vào việc cải thiện “quan hệ sản xuất”, chẳng hạn như tổ chức sức mạnh tính toán thông qua các mạng phi tập trung, hay tạo ra “Ôm mặt phi tập trung” v.v. Rất ít dự án cố gắng tích hợp và đổi mới thực sự từ công nghệ cơ bản. Chúng tôi tin rằng nguyên nhân của hiện tượng này là do có “sự sai lệch về miền” giữa lĩnh vực AI và blockchain. Mặc dù có sự giao thoa rộng rãi nhưng rất ít người có hiểu biết sâu sắc về cả hai lĩnh vực. Ví dụ, các nhà phát triển AI đã khó hiểu được quá trình triển khai kỹ thuật và trạng thái cơ sở hạ tầng lịch sử của Ethereum và việc đề xuất các kế hoạch tối ưu hóa chuyên sâu lại càng khó hơn.

Lấy máy học (ML), nhánh cơ bản nhất của AI làm ví dụ, đây là công nghệ cho phép máy đưa ra quyết định dựa trên dữ liệu mà không cần hướng dẫn lập trình rõ ràng. Học máy đã cho thấy tiềm năng to lớn trong việc phân tích dữ liệu và nhận dạng mẫu và đã trở nên phổ biến trong web2. Tuy nhiên, do những hạn chế về thời điểm nó ra đời, ngay cả khi nó đi đầu trong đổi mới công nghệ blockchain như Ethereum, nên kiến trúc, cơ chế mạng và quản trị của nó vẫn chưa sử dụng machine learning như một công cụ hữu hiệu để giải quyết các vấn đề phức tạp.

"Những đổi mới tuyệt vời thường được sinh ra trong nhiều lĩnh vực." Mục đích ban đầu của chúng tôi khi viết bài viết này là cho phép các nhà phát triển AI hiểu rõ hơn về thế giới blockchain và cũng cung cấp những ý tưởng mới cho các nhà phát triển trong cộng đồng Ethereum. Trong bài viết, lần đầu tiên chúng tôi giới thiệu cách triển khai kỹ thuật của Ethereum, sau đó đề xuất giải pháp áp dụng học máy, một thuật toán AI cơ bản, vào mạng Ethereum để cải thiện tính bảo mật, hiệu quả và khả năng mở rộng của nó. Chúng tôi hy vọng sử dụng trường hợp này làm điểm khởi đầu để trình bày một số quan điểm khác với những quan điểm trên thị trường và truyền cảm hứng cho sự kết hợp chéo sáng tạo hơn của "AI+Blockchain" trong hệ sinh thái nhà phát triển.

Triển khai kỹ thuật của Ethereum

1. Cấu trúc dữ liệu cơ bản Bản chất của blockchain là một chuỗi kết nối các khối, chìa khóa để phân biệt các chuỗi là cấu hình chuỗi, đây cũng là một phần không thể thiếu trong quá trình tạo ra một blockchain. Đối với Ethereum, cấu hình chuỗi được sử dụng để phân biệt các chuỗi khác nhau trong Ethereum và xác định một số giao thức nâng cấp quan trọng và các sự kiện gắn cờ. Ví dụ: DAOForkBlock đánh dấu chiều cao của hard fork mà Ethereum đã trải qua một cuộc tấn công DAO và ConstantinopleBlock đánh dấu chiều cao khối mà Constantinople đã được nâng cấp. Đối với các bản nâng cấp lớn hơn bao gồm nhiều đề xuất cải tiến, các trường đặc biệt sẽ được đặt để xác định chiều cao khối tương ứng. Ngoài ra, Ethereum bao gồm nhiều mạng thử nghiệm và mạng chính khác nhau, đồng thời hệ sinh thái mạng tương ứng được xác định duy nhất thông qua ChainID.

Khối Genesis là khối thứ 0 của toàn bộ chuỗi khối và các khối khác tham chiếu trực tiếp hoặc gián tiếp đến khối Genesis. Do đó, thông tin khối gốc chính xác phải được tải khi nút khởi động và không được sửa đổi tùy ý. Thông tin cấu hình của khối Genesis bao gồm cấu hình chuỗi nói trên và cũng bổ sung các trường như phần thưởng khai thác có liên quan, dấu thời gian, độ khó và giới hạn gas. Cơ chế được chuyển đổi sang bằng chứng cổ phần.

Tài khoản Ethereum được chia thành tài khoản bên ngoài và tài khoản hợp đồng. Tài khoản bên ngoài được kiểm soát duy nhất bằng khóa riêng, trong khi tài khoản hợp đồng không được kiểm soát bởi khóa riêng và chỉ có thể được vận hành bằng cách gọi hợp đồng thông qua tài khoản bên ngoài để thực hiện hợp đồng mã số. Tất cả đều chứa một địa chỉ duy nhất. Trạng thái của thế giới Ethereum là một cây tài khoản Ethereum, mỗi tài khoản tương ứng với một nút lá, nút này lưu trữ trạng thái của tài khoản (thông tin tài khoản khác nhau và thông tin mã).

Giao dịch: Là một nền tảng phi tập trung, bản chất của Ethereum là dành cho các giao dịch và hợp đồng. Các khối của Ethereum là các giao dịch được đóng gói, cũng như các thông tin liên quan bổ sung. Các khối cụ thể được chia thành hai phần, đó là tiêu đề khối và khu vực. Khối, trong đó Dữ liệu tiêu đề khối chứa bằng chứng kết nối tất cả các khối thành một chuỗi, mà chúng ta có thể hiểu là hàm băm khối trước đó, cũng như gốc trạng thái, gốc giao dịch, gốc nhận và bằng chứng về trạng thái của toàn bộ thế giới Ethereum. cho biết độ khó, đếm nonce và các dữ liệu bổ sung khác. Phần thân khối lưu trữ danh sách giao dịch và danh sách các tiêu đề khối chú (vì Ethereum đã chuyển đổi thành bằng chứng cổ phần nên tham chiếu khối chú không còn tồn tại).

Biên lai giao dịch cung cấp kết quả và thông tin bổ sung sau khi giao dịch được thực hiện mà không thể có được trực tiếp bằng cách chỉ xem chính giao dịch đó. Cụ thể, thông tin chứa trong đó có thể được chia thành: nội dung đồng thuận, thông tin giao dịch và thông tin khối, bao gồm thông tin về việc xử lý giao dịch có thành công hay không và thông tin tiêu thụ như nhật ký giao dịch và gas. Gỡ lỗi mã hợp đồng thông minh và tối ưu hóa mức tiêu thụ gas bằng cách phân tích thông tin trong biên nhận. và cung cấp một hình thức xác nhận rằng giao dịch đã được mạng xử lý và có thể xem kết quả cũng như tác động của giao dịch.

Trong Ethereum, phí gas có thể hiểu đơn giản là phí xử lý.Khi bạn gửi Token, thực hiện hợp đồng, chuyển Ethereum hoặc thực hiện các hoạt động khác nhau trên khối này, các hoạt động trong các giao dịch này đều yêu cầu phí gas.Ether Khi xử lý giao dịch này, máy tính cần thực hiện các phép tính và tiêu tốn tài nguyên mạng nên bạn phải trả phí gas để máy tính làm việc cho mình. Phí nhiên liệu cuối cùng được trả cho người khai thác dưới dạng phí xử lý. Công thức tính phí cụ thể có thể hiểu là Phí = Gas đã sử dụng * Giá gas, là mức tiêu thụ thực tế nhân với đơn giá tiêu thụ. Đơn vị giá được đặt bởi người khởi tạo giao dịch và số tiền của nó thường được xác định tốc độ tải các giao dịch lên chuỗi. Nếu cài đặt quá thấp, giao dịch có thể không được thực hiện, đồng thời cũng cần đặt giới hạn trên về mức tiêu thụ gas để tránh sai sót trong hợp đồng gây ra tình trạng tiêu thụ gas khó lường. 2. Nhóm giao dịch Trong Ethereum có số lượng giao dịch lớn, so với hệ thống tập trung, số lượng giao dịch mỗi giây được xử lý bởi hệ thống phi tập trung rõ ràng là ảm đạm. Do số lượng lớn giao dịch vào nút, nút cần duy trì nhóm giao dịch để quản lý hợp lý các giao dịch này. Việc phát các giao dịch được thực hiện thông qua p2p. Cụ thể, một nút sẽ phát một giao dịch thực thi đến các nút lân cận của nó và sau đó các nút lân cận sẽ phát giao dịch đến các nút lân cận của nút. Bằng cách này, một giao dịch có thể lan rộng đến toàn bộ mạng Ethereum trong vòng 6 giây.

Các giao dịch trong nhóm giao dịch được chia thành các giao dịch có thể thực hiện và các giao dịch không thể thực thi. Các giao dịch có thể thực thi có mức độ ưu tiên cao hơn và sẽ được thực hiện và đóng gói trong khối, trong khi tất cả các giao dịch vừa vào nhóm giao dịch đều là các giao dịch không thể thực hiện được. Nó sẽ sau đó trở thành thực thi được. Các giao dịch có thể thực thi và các giao dịch không thể thực hiện được ghi lại lần lượt trong vùng chứa đang chờ xử lý và vùng chứa hàng đợi.

Ngoài ra, nhóm giao dịch cũng sẽ duy trì một danh sách giao dịch cục bộ, các giao dịch cục bộ có nhiều ưu điểm, chúng có mức độ ưu tiên cao hơn, không bị ảnh hưởng bởi các hạn chế về khối lượng giao dịch và có thể được tải lại vào nhóm giao dịch ngay lập tức khi nút được khởi động lại. Việc lưu trữ liên tục cục bộ các giao dịch cục bộ được thực hiện thông qua nhật ký (tải lại khi khởi động lại nút), mục đích của nó là không làm mất các giao dịch cục bộ chưa hoàn thành và sẽ được cập nhật thường xuyên.

Tính hợp pháp của giao dịch sẽ được kiểm tra trước khi vào hàng đợi, bao gồm nhiều loại kiểm tra khác nhau như: chống tấn công DOS, chống giao dịch tiêu cực, giới hạn gas giao dịch, v.v. Thành phần đơn giản của nhóm giao dịch có thể được chia thành: hàng đợi+đang chờ xử lý (cả hai tạo thành tất cả các giao dịch). Sau khi hoàn thành kiểm tra tính hợp pháp, các bước kiểm tra tiếp theo sẽ được thực hiện, bao gồm kiểm tra xem hàng đợi giao dịch đã đạt đến giới hạn trên hay chưa, sau đó đánh giá các giao dịch từ xa (giao dịch từ xa là giao dịch không cục bộ)) là thấp nhất trong nhóm giao dịch, thay thế giao dịch có giá thấp nhất trong nhóm giao dịch. Để thay thế các giao dịch có thể thực thi, theo mặc định, chỉ những giao dịch tăng phí xử lý lên 10% mới được phép thay thế các giao dịch đang chờ thực hiện và sẽ được lưu trữ dưới dạng giao dịch không thể thực thi sau khi thay thế. Ngoài ra, trong quá trình bảo trì nhóm giao dịch, các giao dịch không hợp lệ và vượt quá giới hạn sẽ bị xóa và các giao dịch đáp ứng các điều kiện sẽ được thay thế. 3. Cơ chế đồng thuận Lý thuyết đồng thuận ban đầu của Ethereum vẫn dựa trên phương pháp tính toán giá trị độ khó băm, nghĩa là giá trị băm của khối cần được tính toán để đáp ứng các điều kiện của giá trị độ khó mục tiêu trước khi khối đó hợp pháp. Do thuật toán đồng thuận hiện tại của Ethereum đã được thay đổi từ POW sang POS nên các lý thuyết liên quan đến khai thác sẽ không được thảo luận chi tiết. Dưới đây là mô tả ngắn gọn về thuật toán POS. Ethereum đã hoàn thành việc sáp nhập chuỗi đèn hiệu vào tháng 9 năm 2022 và triển khai thuật toán POS. Cụ thể, đối với Ethereum dựa trên POS, thời gian chặn của mỗi khối ổn định ở mức 12 giây và người dùng cam kết đồng Ethereum của riêng họ để có được quyền trở thành người xác thực. Sau đó, người dùng tham gia đặt cược sẽ được chọn ngẫu nhiên để nhận được một loạt người xác nhận. Trong mỗi vòng, người xác thực sẽ được chọn từ mỗi vị trí trong số 32 vị trí và một trong số họ sẽ được chọn để xác minh. Người đề xuất đóng vai trò là người xác nhận. người đề xuất và người đề xuất thực hiện việc sản xuất khối và những người xác nhận còn lại tương ứng với vị trí đóng vai trò là ủy ban xác minh tính hợp pháp của khối của người đề xuất và đưa ra phán quyết về tính hợp pháp của khối trong chu kỳ trước. Thuật toán POS ổn định và cải thiện đáng kể tốc độ sản xuất khối, đồng thời tránh lãng phí tài nguyên máy tính một cách đáng kể. 4. Thuật toán chữ ký Ethereum tuân theo tiêu chuẩn thuật toán chữ ký của Bitcoin và cũng sử dụng đường cong secp256k1. Thuật toán chữ ký cụ thể của nó sử dụng ECDSA, có nghĩa là chữ ký được tính toán dựa trên hàm băm của tin nhắn gốc. Thành phần của toàn bộ chữ ký rất đơn giản. Đó là R+S +V. Mỗi phép tính sẽ đưa ra các số ngẫu nhiên tương ứng, trong đó R+S là đầu ra ban đầu của ECDSA. Trường cuối cùng V được gọi là trường khôi phục, cho biết số lượng tìm kiếm cần thiết để khôi phục thành công khóa chung từ nội dung và chữ ký, vì có thể có nhiều điểm tọa độ trong đường cong elip đáp ứng yêu cầu dựa trên giá trị R.

Toàn bộ quá trình có thể được tóm tắt đơn giản như sau: dữ liệu giao dịch và thông tin liên quan đến người ký được băm sau khi mã hóa RLP và được ký bằng khóa riêng thông qua ECDSA để có được chữ ký cuối cùng và đường cong được sử dụng trong ECDSA là đường cong elip secp256k1. Cuối cùng, bằng cách kết hợp dữ liệu chữ ký với dữ liệu giao dịch, bạn có thể lấy dữ liệu giao dịch đã ký và phát nó.

Cấu trúc dữ liệu của Ethereum không chỉ dựa vào công nghệ blockchain truyền thống mà còn giới thiệu cây Merkle Patricia, còn được gọi là cây tiền tố nén Merkle, để lưu trữ và xác minh hiệu quả lượng lớn dữ liệu. MPT kết hợp chức năng băm mật mã của cây Merkle và thuộc tính nén đường dẫn chính của cây Patricia để cung cấp giải pháp vừa đảm bảo tính toàn vẹn dữ liệu vừa hỗ trợ tìm kiếm nhanh. 5. Cây tiền tố nén Merkle Trong Ethereum, MPT được sử dụng để lưu trữ tất cả dữ liệu trạng thái và giao dịch, đảm bảo rằng mọi thay đổi dữ liệu đều được phản ánh trong hàm băm gốc của cây. Điều này có nghĩa là bằng cách xác minh hàm băm gốc, bạn có thể chứng minh tính toàn vẹn và chính xác của dữ liệu mà không cần phải kiểm tra toàn bộ cơ sở dữ liệu. MPT bao gồm bốn loại nút: nút lá, nút mở rộng, nút nhánh và nút trống. Các nút này cùng nhau tạo thành một cây có thể thích ứng với những thay đổi dữ liệu động. Mỗi khi dữ liệu được cập nhật, MPT phản ánh những thay đổi này bằng cách thêm, xóa hoặc sửa đổi các nút trong khi cập nhật hàm băm gốc của cây. Vì mỗi nút được mã hóa bằng hàm băm nên bất kỳ thay đổi nhỏ nào đối với dữ liệu sẽ dẫn đến những thay đổi lớn trong hàm băm gốc, do đó đảm bảo tính bảo mật và nhất quán của dữ liệu. Ngoài ra, MPT được thiết kế để hỗ trợ xác minh "máy khách nhẹ", cho phép các nút xác minh sự tồn tại hoặc trạng thái của thông tin cụ thể chỉ bằng cách lưu trữ hàm băm gốc của cây và các nút đường dẫn cần thiết, giúp giảm đáng kể nhu cầu lưu trữ và xử lý dữ liệu.

Thông qua MPT, Ethereum không chỉ đạt được khả năng quản lý hiệu quả và truy cập dữ liệu nhanh chóng mà còn đảm bảo tính bảo mật và phân cấp của mạng, hỗ trợ vận hành và phát triển toàn bộ mạng Ethereum. 6. Máy trạng thái Kiến trúc cốt lõi của Ethereum kết hợp khái niệm máy trạng thái. Máy ảo Ethereum (EVM) là môi trường thời gian chạy để thực thi tất cả các mã hợp đồng thông minh và bản thân Ethereum có thể được coi là một hệ thống chuyển đổi trạng thái được chia sẻ trên toàn cầu. Việc thực thi từng khối có thể được xem như một quá trình chuyển đổi trạng thái, chuyển từ trạng thái được chia sẻ toàn cầu này sang trạng thái khác. Thiết kế này không chỉ đảm bảo tính nhất quán và phân cấp của mạng Ethereum mà còn giúp kết quả thực hiện của các hợp đồng thông minh có thể dự đoán được và không bị giả mạo.

Trong Ethereum, trạng thái đề cập đến thông tin hiện tại của tất cả các tài khoản, bao gồm số dư của từng tài khoản, dữ liệu lưu trữ và mã hợp đồng thông minh. Bất cứ khi nào giao dịch xảy ra, EVM sẽ tính toán và chuyển đổi trạng thái dựa trên nội dung giao dịch, quá trình này được ghi lại một cách hiệu quả và an toàn thông qua MPT. Mỗi lần chuyển đổi trạng thái không chỉ thay đổi dữ liệu tài khoản mà còn gây ra sự cập nhật của MPT, điều này được phản ánh qua sự thay đổi của hàm băm gốc của cây.

Mối quan hệ giữa EVM và MPT rất quan trọng vì MPT cung cấp sự đảm bảo tính toàn vẹn dữ liệu cho quá trình chuyển đổi trạng thái của Ethereum. Khi EVM thực hiện giao dịch và thay đổi trạng thái tài khoản, các nút MPT có liên quan sẽ được cập nhật để phản ánh những thay đổi này. Vì mỗi nút của MPT được liên kết bằng một hàm băm nên bất kỳ sửa đổi nào đối với trạng thái sẽ gây ra thay đổi trong hàm băm gốc. Sau đó, hàm băm gốc mới này được đưa vào khối mới, đảm bảo tính ổn định của toàn bộ trạng thái Ethereum. . Tiếp theo chúng tôi giới thiệu máy ảo EVM. 7. EVM

Máy ảo EVM là nền tảng để toàn bộ Ethereum xây dựng các hợp đồng thông minh và thực hiện chuyển đổi trạng thái. Nhờ EVM mà Ethereum có thể được hình dung như một máy tính thế giới theo đúng nghĩa. Máy ảo EVM đã hoàn thiện Turing, có nghĩa là các hợp đồng thông minh trên Ethereum có thể thực hiện bất kỳ phép tính logic phức tạp nào và việc đưa ra cơ chế khí đã ngăn chặn thành công các vòng lặp vô hạn trong hợp đồng và đảm bảo sự ổn định và bảo mật của mạng. . Ở cấp độ kỹ thuật hơn, EVM là một máy ảo dựa trên ngăn xếp sử dụng mã byte dành riêng cho Ethereum để thực hiện các hợp đồng thông minh. Các nhà phát triển thường sử dụng các ngôn ngữ cấp cao, chẳng hạn như Solidity, để viết hợp đồng thông minh, sau đó biên dịch chúng thành mã byte mà EVM có thể hiểu để thực hiện lệnh gọi của EVM. EVM là chìa khóa cho khả năng đổi mới của chuỗi khối Ethereum, nó không chỉ hỗ trợ hoạt động của các hợp đồng thông minh mà còn cung cấp nền tảng vững chắc cho sự phát triển của các ứng dụng phi tập trung. Thông qua EVM, Ethereum đang định hình một tương lai kỹ thuật số phi tập trung, an toàn và cởi mở.

Đánh giá lịch sử Ethereum

Hình 1 Đánh giá lịch sử của Ethereum

Những thách thức mà Bảo mật Ethereum phải đối mặt

Hợp đồng thông minh là các chương trình máy tính chạy trên chuỗi khối Ethereum. Chúng cho phép các nhà phát triển tạo và xuất bản nhiều ứng dụng khác nhau, bao gồm nhưng không giới hạn ở các ứng dụng cho vay, sàn giao dịch phi tập trung, bảo hiểm, tài chính thứ cấp, mạng xã hội và NFT. Tính bảo mật của hợp đồng thông minh là rất quan trọng đối với các ứng dụng này. Các ứng dụng này chịu trách nhiệm trực tiếp trong việc xử lý và kiểm soát tiền điện tử. Bất kỳ sơ hở nào trong hợp đồng thông minh hoặc các cuộc tấn công độc hại nhằm vào chúng sẽ gây ra mối đe dọa trực tiếp đến sự an toàn của tiền và thậm chí dẫn đến thiệt hại kinh tế lớn. Ví dụ: vào ngày 26 tháng 2 năm 2024, giao thức cho vay DeFi Blueberry Protocol đã bị tấn công do lỗi logic trong hợp đồng thông minh, dẫn đến thiệt hại khoảng 1.400.000 USD.

Các lỗ hổng của hợp đồng thông minh rất đa dạng, bao gồm logic kinh doanh không hợp lý (Logic nghiệp vụ), kiểm soát truy cập không đúng cách, xác minh dữ liệu không đầy đủ, tấn công tái đăng nhập và tấn công DOS (Từ chối dịch vụ). Những lỗ hổng này có thể gây ra vấn đề trong việc thực hiện hợp đồng và ảnh hưởng đến hoạt động hiệu quả của hợp đồng thông minh. Lấy cuộc tấn công DOS làm ví dụ, phương thức tấn công này sử dụng kẻ tấn công gửi một số lượng lớn giao dịch để tiêu tốn tài nguyên mạng, sau đó các giao dịch do người dùng bình thường thực hiện không thể được xử lý kịp thời, điều này sẽ dẫn đến suy giảm trải nghiệm người dùng. Hơn nữa, điều này cũng sẽ dẫn đến việc tăng phí gas giao dịch. Bởi vì khi tài nguyên mạng bị hạn chế, người dùng có thể phải trả phí cao hơn để được ưu tiên giao dịch.

Ngoài ra, người dùng trên Ethereum cũng phải đối mặt với rủi ro đầu tư và tính bảo mật của tiền sẽ bị đe dọa. Ví dụ: spamcoin được sử dụng để mô tả các loại tiền điện tử được coi là có ít giá trị hoặc không có tiềm năng tăng trưởng lâu dài. Tiền rác thường được sử dụng như một công cụ để lừa đảo hoặc thao túng giá trong chiến lược bơm và bán phá giá. Đầu tư vào tiền rác rất rủi ro và có thể dẫn đến tổn thất tài chính đáng kể. Do giá thấp và vốn hóa thị trường thấp nên chúng rất dễ bị thao túng và biến động. Đồng xu này thường được sử dụng trong các kế hoạch bơm và đổ và lừa đảo honeypot, trong đó các dự án giả được sử dụng để thu hút các nhà đầu tư và đánh cắp tiền của họ. Một rủi ro spamcoin phổ biến khác là tình trạng kéo thảm, trong đó người tạo đột nhiên loại bỏ tất cả tính thanh khoản khỏi dự án, khiến giá trị của mã thông báo giảm mạnh. Những trò lừa đảo này thường được tiếp thị với các mối quan hệ đối tác và xác nhận giả mạo, và khi giá token tăng lên, những kẻ lừa đảo sẽ bán token của họ, kiếm lợi nhuận và biến mất, để lại cho các nhà đầu tư những token vô giá trị. Đồng thời, việc đầu tư vào shitcoin sẽ làm phân tán sự chú ý và nguồn lực khỏi các loại tiền điện tử hợp pháp có ứng dụng thực tế và tiềm năng tăng trưởng. Ngoài các coin rác, air coin và MLM coin cũng là những cách kiếm lợi nhuận nhanh chóng. Việc phân biệt chúng với tiền điện tử hợp pháp đặc biệt khó khăn đối với người dùng thiếu chuyên môn và kinh nghiệm.

hiệu quả

Hai số liệu rất trực tiếp để đánh giá hiệu quả của Ethereum là tốc độ giao dịch và phí gas. Tốc độ giao dịch đề cập đến số lượng giao dịch mà mạng Ethereum có thể xử lý trên một đơn vị thời gian. Số liệu này phản ánh trực tiếp sức mạnh xử lý của mạng Ethereum, với tốc độ nhanh hơn nghĩa là hiệu quả cao hơn. Mọi giao dịch trong Ethereum đều yêu cầu một khoản phí gas nhất định để bồi thường cho những người khai thác thực hiện xác minh giao dịch. Chi phí gas càng thấp thì hiệu quả của Ethereum càng cao.

Tốc độ giao dịch giảm sẽ dẫn đến phí gas cao hơn. Nói chung, khi tốc độ xử lý giao dịch chậm lại, có thể có sự gia tăng các giao dịch cạnh tranh để vào khối tiếp theo do không gian khối bị hạn chế. Để nổi bật so với đối thủ, các nhà giao dịch thường tăng phí gas vì các thợ đào có xu hướng ưu tiên các giao dịch có phí gas cao hơn khi xác thực giao dịch. Khi đó, phí gas cao hơn sẽ làm giảm trải nghiệm người dùng.

Giao dịch chỉ là hoạt động cơ bản trong Ethereum. Trong hệ sinh thái này, người dùng cũng có thể thực hiện nhiều hoạt động khác nhau như cho vay, cầm cố, đầu tư và bảo hiểm. Tất cả những điều này có thể được thực hiện thông qua các DApp cụ thể. Tuy nhiên, do sự đa dạng của DApp và thiếu dịch vụ đề xuất được cá nhân hóa tương tự như các ngành truyền thống, người dùng sẽ cảm thấy bối rối khi lựa chọn ứng dụng và sản phẩm phù hợp với mình. Tình trạng này sẽ làm giảm sự hài lòng của người dùng, điều này sẽ ảnh hưởng đến hiệu quả của toàn bộ hệ sinh thái Ethereum.

Lấy việc cho vay làm ví dụ. Để duy trì tính bảo mật và ổn định cho nền tảng của riêng họ, một số nền tảng cho vay DeFi sẽ sử dụng cơ chế thế chấp quá mức. Điều này có nghĩa là người đi vay cần phải thế chấp thêm tài sản và những tài sản này không được người đi vay sử dụng cho các hoạt động khác trong thời gian vay. Điều này sẽ dẫn tới việc giảm hiệu quả sử dụng vốn của người đi vay, từ đó làm giảm tính thanh khoản của thị trường.

Ứng dụng học máy trong Ethereum

Các mô hình học máy, chẳng hạn như mô hình RMF, mạng đối thủ tổng quát (GAN), mô hình cây quyết định, thuật toán K lân cận gần nhất (KNN), thuật toán phân cụm DBSCAN, v.v., đang đóng một vai trò quan trọng trong Ethereum. Việc áp dụng các mô hình học máy này trong Ethereum có thể giúp tối ưu hóa hiệu quả xử lý giao dịch, cải thiện tính bảo mật của hợp đồng thông minh, hiện thực hóa sự phân tầng người dùng để cung cấp nhiều dịch vụ được cá nhân hóa hơn và giúp duy trì hoạt động ổn định của mạng.

Giới thiệu thuật toán

Thuật toán học máy là một tập hợp các hướng dẫn hoặc quy tắc để phân tích dữ liệu, học các mẫu trong dữ liệu và đưa ra dự đoán hoặc quyết định dựa trên những lần học đó. Chúng tự động học hỏi và cải thiện từ dữ liệu được cung cấp mà không cần hướng dẫn lập trình rõ ràng từ con người. Các mô hình học máy, chẳng hạn như mô hình RMF, mạng đối thủ tổng quát (GAN), mô hình cây quyết định, thuật toán K lân cận gần nhất (KNN), thuật toán phân cụm DBSCAN, v.v., đang đóng một vai trò quan trọng trong Ethereum. Việc áp dụng các mô hình học máy này trong Ethereum có thể giúp tối ưu hóa hiệu quả xử lý giao dịch, cải thiện tính bảo mật của hợp đồng thông minh, hiện thực hóa sự phân tầng người dùng để cung cấp nhiều dịch vụ được cá nhân hóa hơn và giúp duy trì hoạt động ổn định của mạng.

• Bộ phân loại Bayes

Trình phân loại Bayes là một trình phân loại hiệu quả nhằm mục đích giảm thiểu xác suất xảy ra lỗi phân loại hoặc giảm thiểu rủi ro trung bình trong một khung chi phí cụ thể giữa các phương pháp phân loại thống kê khác nhau. Triết lý thiết kế của nó bắt nguồn sâu xa từ định lý Bayes, cho phép nó đưa ra quyết định bằng cách tính xác suất hậu nghiệm của một đối tượng với xác suất đối tượng đó thuộc về một lớp nhất định với các đặc điểm nhất định. Cụ thể, bộ phân loại Bayes trước tiên xem xét xác suất trước của đối tượng, sau đó áp dụng công thức Bayes để xem xét toàn diện dữ liệu quan sát nhằm cập nhật niềm tin về việc phân loại đối tượng. Trong số tất cả các phân loại có thể có, bộ phân loại Bayes chọn phân loại có xác suất hậu nghiệm lớn nhất để phân loại đối tượng vào loại này. Ưu điểm cốt lõi của phương pháp này là khả năng xử lý thông tin không chắc chắn và không đầy đủ một cách tự nhiên, khiến nó trở thành một công cụ mạnh mẽ và linh hoạt, phù hợp với nhiều tình huống ứng dụng.

Hình 2 Bộ phân loại Bayes

Như được hiển thị trong Hình 2, trong học máy có giám sát, dữ liệu và mô hình xác suất dựa trên định lý Bayes được sử dụng để đưa ra quyết định phân loại. Sử dụng khả năng và xác suất trước của các danh mục và tính năng, trình phân loại Bayes tính toán xác suất hậu nghiệm để các điểm dữ liệu thuộc về từng danh mục và gán các điểm dữ liệu cho danh mục có xác suất hậu nghiệm lớn nhất. Trong biểu đồ phân tán ở bên phải, bộ phân loại sẽ cố gắng tìm ra một đường cong phân tách tốt nhất các điểm có màu khác nhau, do đó giảm thiểu lỗi phân loại.

• Cây quyết định

Thuật toán cây quyết định thường được sử dụng trong các nhiệm vụ phân loại và hồi quy. Nó áp dụng ý tưởng phán đoán phân cấp. Dựa trên dữ liệu đã biết, cây quyết định được huấn luyện bằng cách chọn các đặc trưng có tốc độ thu được thông tin lớn rồi chia chúng thành cây. Nói một cách đơn giản, toàn bộ thuật toán có thể tự học quy tắc quyết định dựa trên dữ liệu để đánh giá giá trị của biến. Về mặt thực hiện, nó có thể phân tách quá trình ra quyết định phức tạp thành nhiều quy trình ra quyết định phụ đơn giản Thông qua phương pháp đạo hàm như vậy, mỗi phán đoán quyết định đơn giản hơn đều được suy ra từ tiêu chí quyết định cha, tạo thành cấu trúc cây.

Như có thể thấy trong Hình 3, mỗi nút biểu thị một quyết định và đặt tiêu chí phán đoán cho một thuộc tính nhất định và các nhánh biểu thị kết quả của quyết định đó. Mỗi nút lá đại diện cho kết quả và danh mục được dự đoán cuối cùng. Từ góc độ thành phần thuật toán, mô hình cây quyết định tương đối trực quan, dễ hiểu và có khả năng diễn giải mạnh mẽ.

Hình 3 Mô hình cây quyết định

• DBSCAN thuật toán

DBSCAN (Phân cụm không gian dựa trên mật độ của các ứng dụng có nhiễu) là một thuật toán phân cụm không gian dựa trên mật độ có nhiễu, dường như hoạt động đặc biệt tốt đối với các tập dữ liệu không được kết nối. Thuật toán này có thể khám phá các cụm có hình dạng tùy ý mà không cần chỉ định trước số lượng cụm và có độ tin cậy tốt đối với các ngoại lệ trong tập dữ liệu. Thuật toán cũng có thể xác định một cách hiệu quả các ngoại lệ trong các tập dữ liệu nhiễu. Nhiễu hoặc các ngoại lệ được định nghĩa là các điểm trong khu vực có mật độ thấp, như trong Hình 4.

Hình 4 Thuật toán DBSCAN xác định nhiễu

• KNN thuật toán

Thuật toán KNN (K-Nearest Neighbors) có thể được sử dụng cho cả phân loại và hồi quy. Trong bài toán phân loại, cơ chế bỏ phiếu được sử dụng để xác định loại mục cần phân loại; trong bài toán hồi quy, trung bình hoặc trung bình có trọng số của k mẫu lân cận gần nhất được tính để dự đoán.

Như được hiển thị trong Hình 5, nguyên tắc hoạt động của thuật toán KNN trong phân loại là tìm K lân cận gần nhất của một điểm dữ liệu mới, sau đó dự đoán danh mục của điểm dữ liệu mới dựa trên danh mục của các lân cận này. Nếu K=1 thì các điểm dữ liệu mới sẽ được gán đơn giản cho điểm gần nhất của chúng.

Hạng mục hàng xóm. Nếu K > 1 thì phương thức biểu quyết thường được sử dụng để xác định lớp của điểm dữ liệu mới, nghĩa là điểm dữ liệu mới sẽ được gán cho lớp có nhiều lân cận nhất. Khi thuật toán KNN được sử dụng cho các bài toán hồi quy, ý tưởng cơ bản là giống nhau và kết quả là giá trị trung bình của K giá trị đầu ra mẫu của các lân cận gần nhất.

Hình 5 Thuật toán KNN dùng để phân loại

• Trí tuệ nhân tạo sáng tạo

Trí tuệ nhân tạo sáng tạo là công nghệ AI có thể tạo ra nội dung mới (chẳng hạn như văn bản, hình ảnh, âm nhạc, v.v.) dựa trên nhu cầu đầu vào. Nền tảng của nó dựa trên những tiến bộ trong học máy và học sâu, đặc biệt với các ứng dụng trong các lĩnh vực như xử lý ngôn ngữ tự nhiên và nhận dạng hình ảnh. AI sáng tạo học các mẫu và mối liên kết từ lượng lớn dữ liệu, sau đó tạo ra nội dung đầu ra mới dựa trên thông tin đã học này. Chìa khóa của trí tuệ nhân tạo tổng hợp nằm ở việc đào tạo mô hình, vốn đòi hỏi dữ liệu tuyệt vời cho việc học và đào tạo. Trong quá trình này, mô hình dần dần cải thiện khả năng tạo ra nội dung mới bằng cách phân tích và hiểu cấu trúc, mô hình và mối quan hệ trong tập dữ liệu.

1. Máy biến áp Là nền tảng của trí tuệ nhân tạo tổng hợp, Transformer đã tiên phong giới thiệu cơ chế chú ý, cho phép xử lý thông tin tập trung vào các điểm chính đồng thời có cái nhìn tổng quan. Khả năng độc đáo này giúp Transformer tỏa sáng trong lĩnh vực tạo văn bản. Việc sử dụng các mô hình ngôn ngữ xử lý ngôn ngữ tự nhiên mới nhất, chẳng hạn như GPT (Generative Pre-training Transformer), để hiểu các yêu cầu ứng dụng của người dùng được thể hiện bằng ngôn ngữ tự nhiên và tự động chuyển đổi chúng thành mã thực thi có thể giảm bớt khó khăn khi phát triển và cải thiện đáng kể hiệu quả.

Như được hiển thị trong Hình 6, thông qua việc giới thiệu cơ chế chú ý nhiều đầu và cơ chế tự chú ý, kết hợp với kết nối dư và mạng lưới thần kinh được kết nối đầy đủ và với sự trợ giúp của công nghệ nhúng từ trước đó, hiệu suất của các mô hình tổng quát liên quan đến ngôn ngữ tự nhiên quá trình xử lý đã được cải thiện rất nhiều. Trái đất thăng lên.

Hình 6 Model máy biến áp

2. Giới thiệu mẫu RFM**:**

Mô hình RFM là mô hình phân tích dựa trên hành vi mua hàng của người dùng, bằng cách phân tích hành vi giao dịch của người dùng, nó có thể xác định các nhóm người dùng có giá trị khác nhau. Mô hình này phân loại người dùng dựa trên thời gian tiêu thụ gần đây nhất (R), tần suất tiêu thụ (F) và lượng tiêu thụ (M).

Như thể hiện trong Hình 7. Ba chỉ số này cùng nhau tạo thành cốt lõi của mô hình RFM. Mô hình chấm điểm người dùng dựa trên ba khía cạnh này và sắp xếp họ theo điểm số của họ để xác định các nhóm người dùng có giá trị nhất. Hơn nữa, mô hình này có thể phân chia khách hàng thành các nhóm khác nhau một cách hiệu quả để hiện thực hóa chức năng phân tầng người dùng.

Hình 7 Mô hình lớp RFM

Ứng dụng khả thi

Khi áp dụng công nghệ máy học để giải quyết các thách thức bảo mật của Ethereum, chúng tôi đã tiến hành nghiên cứu từ bốn khía cạnh chính:

1. Xác định và lọc các giao dịch độc hại dựa trên bộ phân loại Bayesian Bằng cách xây dựng bộ phân loại Bayesian, các giao dịch spam có thể xảy ra sẽ được xác định và lọc, bao gồm nhưng không giới hạn ở các giao dịch lớn, thường xuyên và nhỏ dẫn đến các cuộc tấn công DOS. Phương pháp này duy trì hiệu quả sức khỏe của mạng và đảm bảo mạng Ethereum hoạt động ổn định bằng cách phân tích các đặc điểm giao dịch, chẳng hạn như giá Gas, tần suất giao dịch, v.v.
2. Tạo mã hợp đồng thông minh an toàn và đáp ứng các yêu cầu cụ thể Cả Mạng đối thủ sáng tạo (GAN) và Mạng tổng quát dựa trên Transformer đều có thể được sử dụng để tạo mã hợp đồng thông minh đáp ứng các yêu cầu cụ thể và đảm bảo tính bảo mật của mã nhiều nhất có thể. Tuy nhiên, có sự khác biệt giữa hai loại dữ liệu này về loại dữ liệu mà chúng dựa vào để huấn luyện mô hình của mình. Quá trình huấn luyện của loại trước chủ yếu dựa vào các mẫu mã không an toàn, trong khi loại sau thì ngược lại.

Bằng cách đào tạo GAN để tìm hiểu các mẫu hợp đồng bảo mật hiện có, xây dựng mô hình tự đối đầu để tạo mã có khả năng không an toàn và sau đó học cách xác định những điểm không an toàn này thông qua việc học mô hình, cuối cùng đạt được khả năng tự động tạo mã hợp đồng thông minh chất lượng cao, an toàn hơn. . Việc sử dụng mô hình mạng tạo ra dựa trên máy biến áp và tìm hiểu một số lượng lớn các ví dụ về hợp đồng bảo mật để tạo mã hợp đồng đáp ứng các nhu cầu cụ thể và tối ưu hóa mức tiêu thụ gas chắc chắn sẽ cải thiện hơn nữa hiệu quả và tính bảo mật của việc phát triển hợp đồng thông minh. 3. Phân tích rủi ro hợp đồng thông minh dựa trên cây quyết định Sử dụng cây quyết định để phân tích các đặc điểm của hợp đồng thông minh, chẳng hạn như tần suất gọi hàm, giá trị giao dịch, độ phức tạp của mã nguồn, v.v., có thể xác định một cách hiệu quả mức độ rủi ro tiềm ẩn của hợp đồng. Bằng cách phân tích chế độ hoạt động và cấu trúc mã của hợp đồng, có thể dự đoán được các lỗ hổng và điểm rủi ro có thể xảy ra, từ đó cung cấp cho các nhà phát triển và người dùng những đánh giá bảo mật. Cách tiếp cận này được kỳ vọng sẽ cải thiện đáng kể tính bảo mật của các hợp đồng thông minh trong hệ sinh thái Ethereum, từ đó giảm tổn thất do lỗ hổng hoặc mã độc. 4. Xây dựng mô hình đánh giá tiền điện tử để giảm thiểu rủi ro đầu tư

Sử dụng thuật toán học máy để phân tích thông tin đa chiều như dữ liệu giao dịch tiền điện tử, hoạt động truyền thông xã hội và hiệu suất thị trường để xây dựng mô hình đánh giá có thể dự đoán khả năng xảy ra tiền spam. Mô hình này có thể cung cấp cho các nhà đầu tư những tài liệu tham khảo có giá trị giúp họ tránh được rủi ro đầu tư, từ đó thúc đẩy sự phát triển lành mạnh của thị trường tiền điện tử.

Ngoài ra, việc sử dụng machine learning còn có tiềm năng nâng cao hơn nữa hiệu quả của Ethereum. Chúng ta có thể đi sâu hơn vào ba khía cạnh chính sau:

1. Ứng dụng cây quyết định tối ưu hóa mô hình xếp hàng nhóm giao dịch Dựa trên cây quyết định, cơ chế xếp hàng của nhóm giao dịch Ethereum có thể được tối ưu hóa một cách hiệu quả. Bằng cách phân tích các đặc điểm giao dịch, chẳng hạn như giá gas và quy mô giao dịch, cây quyết định có thể tối ưu hóa việc lựa chọn giao dịch và thứ tự xếp hàng. Phương pháp này có thể cải thiện đáng kể hiệu quả xử lý giao dịch, giảm tắc nghẽn mạng một cách hiệu quả và giảm thời gian chờ giao dịch của người dùng.
2. Phân tầng người dùng và cung cấp dịch vụ được cá nhân hóa Mô hình RFM (Recency, Money value, Frequency) là công cụ phân tích được sử dụng rộng rãi trong quản lý quan hệ khách hàng, có thể đánh giá thời gian giao dịch gần đây nhất của người dùng (Recency), tần suất giao dịch (Frequency) và số tiền giao dịch (Money value). sự phân tầng. Áp dụng mô hình RFM trên nền tảng Ethereum có thể giúp xác định các nhóm người dùng có giá trị cao, tối ưu hóa việc phân bổ tài nguyên và cung cấp nhiều dịch vụ được cá nhân hóa hơn, từ đó cải thiện sự hài lòng của người dùng và hiệu quả chung của nền tảng.

Thuật toán DBSCAN cũng có thể phân tích hành vi giao dịch của người dùng, giúp xác định các nhóm người dùng khác nhau trên Ethereum và cung cấp thêm các dịch vụ tài chính tùy chỉnh hơn cho những người dùng khác nhau. Chiến lược phân tầng người dùng này có thể tối ưu hóa các chiến lược tiếp thị và cải thiện sự hài lòng của khách hàng cũng như hiệu quả dịch vụ. 3. Chấm điểm tín dụng dựa trên KNN

Thuật toán lân cận gần nhất K (KNN) có thể chấm điểm tín dụng của người dùng bằng cách phân tích lịch sử giao dịch và mô hình hành vi của người dùng Ethereum, thuật toán này đóng vai trò cực kỳ quan trọng trong các hoạt động tài chính như cho vay. Điểm tín dụng có thể giúp các tổ chức tài chính và nền tảng cho vay đánh giá khả năng trả nợ và rủi ro tín dụng của người đi vay, từ đó đưa ra quyết định cho vay chính xác hơn. Điều này tránh việc vay mượn quá mức và cải thiện tính thanh khoản của thị trường.

Định hướng tương lai

Từ góc độ phân bổ quỹ vĩ mô, Ethereum, với tư cách là máy tính phân tán lớn nhất thế giới, không thể đầu tư quá nhiều vào lớp cơ sở hạ tầng và nó cần thu hút các nhà phát triển từ nhiều nền tảng hơn tham gia đồng xây dựng. Trong bài viết này, bằng cách phân loại cách triển khai kỹ thuật và các vấn đề mà Ethereum gặp phải, chúng tôi đã tưởng tượng ra một loạt ứng dụng tương đối trực quan có thể có của học máy. Chúng tôi cũng rất mong đợi các nhà phát triển AI trong cộng đồng có thể mang lại những tầm nhìn này với giá trị thực sự. Hạ cánh.

Khi sức mạnh tính toán trên chuỗi tăng dần, chúng ta có thể thấy trước rằng các mô hình phức tạp hơn sẽ được phát triển để quản lý mạng, giám sát giao dịch, kiểm tra bảo mật và các khía cạnh khác nhằm cải thiện hiệu quả và bảo mật của mạng Ethereum.

Đi xa hơn, cơ chế quản trị dựa trên trí tuệ nhân tạo/tác nhân cũng có thể trở thành một điểm đổi mới lớn trong hệ sinh thái Ethereum. Quá trình ra quyết định hiệu quả hơn, minh bạch hơn và tự động hơn do cơ chế này mang lại mang lại cấu trúc quản trị linh hoạt và đáng tin cậy hơn cho nền tảng Ethereum. Những hướng phát triển trong tương lai này sẽ không chỉ thúc đẩy sự đổi mới của công nghệ Ethereum mà còn mang đến cho người dùng trải nghiệm trực tuyến tốt hơn.