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

Selama setahun terakhir, ketika AI generatif berulang kali menghancurkan ekspektasi publik, gelombang revolusi produktivitas AI melanda komunitas mata uang kripto. Kami telah melihat banyak proyek bertema AI di pasar sekunder yang menciptakan legenda kekayaan, dan semakin banyak pengembang yang mulai mengembangkan proyek "AI + Crypto" mereka sendiri. Namun, setelah diperiksa lebih dekat, terbukti bahwa proyek-proyek ini sangat homogen dan sebagian besar hanya bertujuan untuk meningkatkan "hubungan produksi," seperti mengatur daya komputasi melalui jaringan yang terdesentralisasi atau menciptakan "Hugging Faces yang terdesentralisasi." Hanya sedikit proyek yang mencoba untuk benar-benar mengintegrasikan dan berinovasi pada inti teknis. Kami percaya hal ini disebabkan oleh "bias domain" antara bidang AI dan blockchain. Meskipun keduanya memiliki persinggungan yang luas, hanya sedikit yang memiliki pemahaman yang mendalam tentang kedua bidang tersebut. Misalnya, pengembang AI mungkin merasa kesulitan untuk memahami implementasi teknis dan infrastruktur historis Ethereum, sehingga lebih sulit untuk mengusulkan solusi pengoptimalan yang mendalam.

Mengambil contoh machine learning (ML), cabang paling dasar dari AI, adalah teknologi yang memungkinkan mesin membuat keputusan melalui data tanpa instruksi pemrograman eksplisit. Pembelajaran mesin telah menunjukkan potensi yang luar biasa dalam analisis data dan pengenalan pola dan telah menjadi hal yang biasa di web2. Namun, karena keterbatasan era pada awal kemunculannya, bahkan di garis depan inovasi teknologi blockchain seperti Ethereum, arsitektur, jaringan, dan mekanisme tata kelolanya masih belum memanfaatkan pembelajaran mesin sebagai alat yang efektif untuk memecahkan masalah yang kompleks.

"Inovasi-inovasi besar sering kali muncul di persimpangan bidang." Tujuan utama kami dalam menulis artikel ini adalah untuk membantu para pengembang AI agar dapat lebih memahami dunia blockchain dan juga memberikan ide-ide baru bagi para pengembang komunitas Ethereum. Dalam artikel ini, pertama-tama kami memperkenalkan implementasi teknis Ethereum dan kemudian mengusulkan penerapan pembelajaran mesin, sebuah algoritme AI dasar, pada jaringan Ethereum untuk meningkatkan keamanan, efisiensi, dan skalabilitasnya. Kami berharap kasus ini berfungsi sebagai titik awal untuk menawarkan perspektif unik dan merangsang lebih banyak kombinasi inovatif "AI + Blockchain" dalam ekosistem pengembang.

Implementasi Teknis Ethereum

• Struktur Data DasarStruktur Data Dasar

Pada intinya, blockchain adalah sebuah rantai yang menghubungkan blok-blok secara bersamaan, dengan perbedaan antara rantai terutama terletak pada konfigurasi rantai. Konfigurasi ini adalah bagian penting dari genesis blockchain, fase awal dari setiap blockchain. Dalam kasus Ethereum, konfigurasi rantai membedakan antara berbagai rantai Ethereum dan mengidentifikasi protokol peningkatan penting dan peristiwa penting. Sebagai contoh, DAOForkBlock menandai ketinggian hard fork setelah serangan DAO, sedangkan ConstantinopleBlock menunjukkan ketinggian blok saat peningkatan Constantinople terjadi. Untuk peningkatan yang lebih besar yang mencakup banyak proposal peningkatan, bidang khusus diatur untuk menunjukkan ketinggian blok yang sesuai. Selain itu, Ethereum mencakup berbagai jaringan uji coba dan jaringan utama, yang masing-masing diidentifikasi secara unik oleh ChainID, yang menggambarkan ekosistem jaringannya.

Blok genesis, sebagai blok pertama dari seluruh blockchain, secara langsung atau tidak langsung direferensikan oleh blok lainnya. Oleh karena itu, sangat penting bagi node untuk memuat informasi blok genesis yang benar pada saat startup tanpa perubahan apa pun. Konfigurasi blok genesis ini mencakup konfigurasi rantai yang disebutkan sebelumnya, bersama dengan informasi tambahan seperti reward penambangan, stempel waktu, tingkat kesulitan, dan batas gas. Khususnya, Ethereum telah bertransisi dari mekanisme konsensus penambangan proof-of-work menjadi proof-of-stake.

Akun Ethereum dikategorikan ke dalam akun eksternal dan akun kontrak. Akun eksternal dikontrol secara unik oleh kunci pribadi, sedangkan akun kontrak, yang tidak memiliki kunci pribadi, hanya dapat dioperasikan melalui eksekusi kode kontrak oleh akun eksternal. Kedua jenis akun tersebut memiliki alamat unik. "Status dunia" Ethereum adalah sebuah pohon akun, dengan setiap akun yang berhubungan dengan simpul daun yang menyimpan status akun, termasuk berbagai informasi akun dan kode.

• Transaksi

Ethereum, sebagai sebuah platform terdesentralisasi, pada dasarnya memfasilitasi transaksi dan kontrak. Ethereum memblokir transaksi paket bersama dengan beberapa informasi tambahan. Secara khusus, sebuah blok dibagi menjadi header blok dan badan blok. Header blok berisi bukti yang menghubungkan semua blok ke dalam sebuah rantai, yang dipahami sebagai hash dari blok sebelumnya, bersama dengan state root, transaction root, receipt root, dan data lainnya seperti difficulty dan nonce, yang menandakan keadaan seluruh dunia Ethereum. Badan blok menyimpan daftar transaksi dan daftar header blok paman (meskipun, dengan pergeseran Ethereum ke proof-of-stake, referensi blok paman tidak lagi digunakan).

Bukti transaksi memberikan hasil dan informasi tambahan setelah eksekusi transaksi, memberikan wawasan yang tidak dapat diperoleh secara langsung dari transaksi itu sendiri. Rincian ini mencakup konten konsensus, informasi transaksi, dan informasi blok, yang menunjukkan apakah transaksi berhasil, bersama dengan log transaksi dan pengeluaran gas. Menganalisis informasi dalam tanda terima membantu dalam men-debug kode kontrak pintar dan mengoptimalkan penggunaan gas, berfungsi sebagai konfirmasi bahwa transaksi telah diproses oleh jaringan dan memungkinkan pemeriksaan hasil dan dampak transaksi.

Dalam Ethereum, biaya gas dapat disederhanakan sebagai biaya transaksi yang diperlukan untuk operasi seperti mengirim token, mengeksekusi kontrak, mentransfer eter, atau aktivitas lain di blok. Operasi ini membutuhkan biaya gas karena mesin virtual Ethereum harus menghitung dan menggunakan sumber daya jaringan untuk memproses transaksi, sehingga membutuhkan pembayaran untuk layanan komputasi ini. Pada akhirnya, biaya bahan bakar, atau biaya transaksi, dibayarkan kepada para penambang, yang dihitung dengan rumus Biaya = Gas yang Digunakan * Harga Gas, di mana harga gas ditentukan oleh inisiator transaksi. Jumlahnya sangat memengaruhi kecepatan pemrosesan transaksi pada rantai. Menetapkannya terlalu rendah dapat mengakibatkan transaksi tidak tereksekusi. Selain itu, sangat penting untuk menetapkan batas gas untuk mencegah konsumsi gas yang tidak terduga karena kesalahan dalam kontrak.

• Kumpulan Transaksi

Dalam Ethereum, ada banyak sekali transaksi. Dibandingkan dengan sistem terpusat, kecepatan pemrosesan transaksi per detik dari sistem terdesentralisasi jauh lebih rendah. Karena masuknya transaksi ke dalam node, node perlu memelihara kumpulan transaksi untuk mengelola transaksi ini dengan benar. Penyiaran transaksi dilakukan melalui jaringan peer-to-peer (P2P), di mana satu node menyiarkan transaksi yang dapat dieksekusi ke node-node tetangganya, yang kemudian menyiarkan transaksi tersebut ke node-node tetangganya. Melalui proses ini, sebuah transaksi dapat menyebar ke seluruh jaringan Ethereum dalam waktu 6 detik.

Transaksi dalam kumpulan transaksi dibagi menjadi transaksi yang dapat dieksekusi dan tidak dapat dieksekusi. Transaksi yang dapat dieksekusi memiliki prioritas lebih tinggi dan dieksekusi serta dimasukkan ke dalam blok, sedangkan semua transaksi yang baru dimasukkan ke dalam pool tidak dapat dieksekusi dan hanya dapat dieksekusi setelahnya. Transaksi yang dapat dieksekusi dan tidak dapat dieksekusi masing-masing dicatat dalam wadah "pending" dan "antrian".

Selain itu, kumpulan transaksi menyimpan daftar transaksi lokal, yang memiliki beberapa keuntungan: mereka memiliki prioritas yang lebih tinggi, tidak terpengaruh oleh batas volume transaksi, dan dapat segera dimuat ulang ke dalam kumpulan transaksi saat node restart. Penyimpanan persistensi lokal dari transaksi lokal dicapai melalui penggunaan jurnal (untuk dimuat ulang pada saat restart node), dengan tujuan untuk tidak kehilangan transaksi lokal yang belum selesai, dan jurnal diperbarui secara berkala.

Sebelum diantrikan, transaksi akan melalui pemeriksaan legalitas, termasuk berbagai jenis pemeriksaan seperti pencegahan serangan DOS, transaksi negatif, dan transaksi yang melebihi batas gas. Komposisi dasar dari kumpulan transaksi dapat dibagi menjadi: antrian + tertunda (membentuk semua transaksi). Setelah melewati pemeriksaan legalitas, pemeriksaan lebih lanjut dilakukan, termasuk memeriksa apakah antrian transaksi telah mencapai batasnya, kemudian menentukan apakah transaksi jarak jauh (yaitu, transaksi non-lokal) adalah yang terendah dalam kumpulan transaksi untuk menggantikan transaksi dengan harga terendah. Untuk mengganti transaksi yang dapat dieksekusi, secara default, hanya transaksi dengan biaya yang dinaikkan sebesar 10% yang diizinkan untuk mengganti transaksi yang menunggu untuk dieksekusi, dan disimpan sebagai transaksi yang tidak dapat dieksekusi. Selain itu, selama pemeliharaan kumpulan transaksi, transaksi yang tidak valid dan melebihi batas akan dihapus, dan transaksi yang memenuhi syarat akan diganti.

• Mekanisme Konsensus

Teori konsensus awal Ethereum didasarkan pada perhitungan hash nilai kesulitan, yang berarti bahwa nilai hash sebuah blok harus dihitung untuk memenuhi nilai kesulitan target agar blok tersebut dianggap valid. Karena algoritma konsensus Ethereum saat ini telah bergeser dari Proof of Work (POW) ke Proof of Stake (POS), maka pembahasan mengenai teori-teori yang berkaitan dengan penambangan dihilangkan di sini. Gambaran singkat mengenai algoritme POS adalah sebagai berikut: Ethereum menyelesaikan penggabungan Beacon Chain pada bulan September 2022, dengan mengimplementasikan algoritme POS. Secara khusus, di Ethereum berbasis POS, waktu blok distabilkan pada 12 detik. Pengguna mempertaruhkan Ether mereka untuk mendapatkan hak menjadi validator. Sekelompok validator dipilih secara acak dari mereka yang berpartisipasi dalam staking. Dalam setiap siklus yang terdiri dari 32 slot, seorang validator dipilih sebagai pengusul untuk setiap slot untuk membuat blok, sementara validator yang tersisa untuk slot tersebut bertindak sebagai komite untuk memverifikasi legalitas blok pengusul dan membuat penilaian atas legalitas blok dari siklus sebelumnya. Algoritma POS secara signifikan menstabilkan dan meningkatkan kecepatan produksi blok sekaligus mengurangi pemborosan sumber daya komputasi.

• Algoritma Tanda Tangan

Ethereum mewarisi standar algoritma tanda tangan dari Bitcoin, juga mengadopsi kurva secp256k1. Algoritma tanda tangan spesifik yang digunakannya adalah ECDSA, yang berarti penghitungan tanda tangan didasarkan pada hash pesan asli. Komposisi seluruh tanda tangan dapat secara sederhana dilihat sebagai R+S+V. Setiap perhitungan secara bersamaan memperkenalkan angka acak, di mana R+S adalah keluaran asli dari ECDSA. Kolom terakhir, V, yang dikenal sebagai kolom pemulihan, menunjukkan jumlah pencarian yang diperlukan untuk berhasil memulihkan kunci publik dari konten dan tanda tangan, karena mungkin terdapat beberapa titik koordinat pada kurva elips yang memenuhi persyaratan berdasarkan nilai R.

Keseluruhan proses dapat diatur secara sederhana sebagai berikut: Data transaksi dan informasi terkait penanda tangan di-hash setelah pengkodean RLP, dan tanda tangan akhir dapat diperoleh melalui penandatanganan ECDSA dengan kunci pribadi, di mana kurva yang digunakan dalam ECDSA adalah kurva elips secp256k1. Terakhir, dengan menggabungkan data tanda tangan dengan data transaksi, data transaksi yang ditandatangani dapat diperoleh dan disiarkan.

Struktur data Ethereum tidak hanya bergantung pada teknologi blockchain tradisional tetapi juga memperkenalkan Merkle Patricia Tree, yang juga dikenal sebagai Merkle Trie, untuk menyimpan dan memverifikasi data dalam jumlah besar secara efisien. MPT menggabungkan fungsi hash kriptografi dari pohon Merkle dengan fitur kompresi jalur kunci dari pohon Patricia, memberikan solusi yang menjamin integritas data dan mendukung pencarian cepat.

• Pohon Merkle Patricia

Di Ethereum, MPT digunakan untuk menyimpan semua data status dan transaksi, memastikan setiap perubahan dalam data tercermin dalam hash akar pohon. Ini berarti bahwa dengan memverifikasi hash root, integritas dan keakuratan data dapat dibuktikan tanpa memeriksa seluruh basis data. MPT terdiri dari empat jenis node: node daun, node ekstensi, node cabang, dan node nol, yang bersama-sama membentuk sebuah pohon yang mampu beradaptasi dengan perubahan data yang dinamis. Dengan setiap pembaruan data, MPT merefleksikan perubahan-perubahan ini dengan menambahkan, menghapus, atau memodifikasi node dan memperbarui hash akar pohon. Karena setiap node dienkripsi melalui fungsi hash, setiap perubahan kecil pada data akan menghasilkan perubahan signifikan pada root hash, sehingga memastikan keamanan dan konsistensi data. Selain itu, desain MPT mendukung verifikasi "light client", yang memungkinkan node untuk memverifikasi keberadaan atau status informasi tertentu dengan hanya menyimpan hash root dari pohon dan node jalur yang diperlukan, sehingga secara signifikan mengurangi kebutuhan penyimpanan dan pemrosesan data.

Melalui MPT, Ethereum tidak hanya mencapai manajemen yang efisien dan akses cepat ke data, tetapi juga memastikan keamanan dan desentralisasi jaringan, mendukung operasi dan pengembangan seluruh jaringan Ethereum.

• Mesin Negara

Arsitektur inti Ethereum mengintegrasikan konsep mesin negara, di mana Ethereum Virtual Machine (EVM) berfungsi sebagai lingkungan runtime untuk mengeksekusi semua kode kontrak pintar, dan Ethereum itu sendiri dapat dilihat sebagai sistem transisi negara yang digunakan secara global. Eksekusi setiap blok dapat dilihat sebagai proses transisi state, bergerak dari satu state yang dibagikan secara global ke state lainnya. Desain ini tidak hanya memastikan konsistensi dan desentralisasi jaringan Ethereum, tetapi juga membuat hasil eksekusi smart contract dapat diprediksi dan anti perusakan.

Dalam Ethereum, status mengacu pada informasi terkini dari semua akun, termasuk saldo setiap akun, data yang tersimpan, dan kode smart contract. Kapan pun transaksi terjadi, EVM menghitung dan mentransisikan status berdasarkan konten transaksi, sebuah proses yang dicatat secara efisien dan aman melalui Merkle Patricia Tree (MPT). Setiap transisi state tidak hanya mengubah data akun tetapi juga menyebabkan pembaruan MPT, yang tercermin dalam perubahan nilai hash akar pohon.

Hubungan antara EVM dan MPT sangat penting karena MPT menjamin integritas data untuk transisi status Ethereum. Ketika EVM mengeksekusi transaksi dan mengubah status akun, node MPT yang terkait akan diperbarui untuk merefleksikan perubahan ini. Karena setiap node dalam MPT dihubungkan oleh hash, setiap modifikasi pada state akan menyebabkan perubahan pada hash root, yang kemudian dimasukkan ke dalam blok baru, memastikan konsistensi dan keamanan seluruh state Ethereum. Di bawah ini, kami memperkenalkan mesin virtual EVM.

• EVM

Mesin virtual EVM merupakan hal yang fundamental dalam konstruksi Ethereum, memungkinkan eksekusi kontrak pintar dan transisi status. Berkat EVM, Ethereum dapat benar-benar dibayangkan sebagai komputer dunia. EVM adalah Turing-complete, yang berarti bahwa smart contract di Ethereum dapat melakukan komputasi logis yang sangat kompleks, sementara pengenalan mekanisme gas berhasil mencegah loop tak terbatas dalam kontrak, memastikan stabilitas dan keamanan jaringan. Dari perspektif teknis yang lebih dalam, EVM adalah mesin virtual berbasis stack yang mengeksekusi kontrak pintar menggunakan bytecode khusus Ethereum. Pengembang biasanya menggunakan bahasa tingkat tinggi, seperti Solidity, untuk menulis smart contract, yang kemudian dikompilasi menjadi bytecode yang dapat dimengerti oleh EVM untuk dieksekusi. EVM adalah kunci dari kapasitas inovasi blockchain Ethereum, tidak hanya mendukung pengoperasian kontrak pintar tetapi juga menyediakan fondasi yang kuat untuk pengembangan aplikasi yang terdesentralisasi. Melalui EVM, Ethereum membentuk masa depan digital yang terdesentralisasi, aman, dan terbuka.

Tinjauan Historis

Gambar 1 Tinjauan historis Ethereum

Tantangan

Keamanan

Kontrak pintar adalah program komputer yang berjalan di atas blockchain Ethereum. Mereka memungkinkan pengembang untuk membuat dan menggunakan berbagai aplikasi, termasuk tetapi tidak terbatas pada aplikasi peminjaman, bursa terdesentralisasi, asuransi, pembiayaan sekunder, jejaring sosial, dan NFT. Keamanan smart contract sangat penting untuk aplikasi ini karena mereka secara langsung menangani dan mengontrol mata uang kripto. Kerentanan apa pun dalam kontrak pintar atau serangan jahat dapat menimbulkan ancaman langsung terhadap keamanan dana, yang berpotensi menyebabkan kerugian finansial yang signifikan. Misalnya, pada tanggal 26 Februari 2024, protokol peminjaman DeFi, Blueberry Protocol, diserang karena adanya kelemahan dalam logika kontrak pintar, yang mengakibatkan kerugian sekitar $ 1.400.000.

Kerentanan dalam smart contract memiliki banyak sisi, mencakup logika bisnis yang tidak masuk akal, kontrol akses yang tidak tepat, validasi data yang tidak memadai, serangan masuk kembali, dan serangan DOS (Denial of Service), dan lain-lain. Kerentanan ini dapat menyebabkan masalah dalam eksekusi kontrak, yang memengaruhi pengoperasian kontrak pintar yang efektif. Sebagai contoh, serangan DOS melibatkan penyerang yang mengirimkan sejumlah besar transaksi untuk menghabiskan sumber daya jaringan, sehingga transaksi pengguna normal tidak dapat diproses secara tepat waktu. Penurunan pengalaman pengguna ini juga dapat menyebabkan peningkatan biaya gas transaksi, karena pengguna mungkin perlu membayar biaya yang lebih tinggi untuk memprioritaskan transaksi mereka dalam jaringan yang padat.

Selain itu, pengguna Ethereum juga menghadapi risiko investasi, dengan keamanan dana yang terancam. Sebagai contoh, "shitcoin" adalah mata uang kripto yang dianggap tidak memiliki nilai atau potensi pertumbuhan jangka panjang. Shitcoin sering kali digunakan sebagai alat untuk penipuan atau untuk skema pump-and-dump. Risiko investasi yang terkait dengan shitcoin sangat tinggi, yang berpotensi menyebabkan kerugian finansial yang signifikan. Karena harga dan kapitalisasi pasarnya yang rendah, mereka sangat rentan terhadap manipulasi dan volatilitas. Mata uang kripto ini biasanya digunakan dalam skema pump-and-dump dan penipuan honey pot, di mana para investor terpikat oleh proyek-proyek palsu dan kemudian dirampok dananya. Risiko umum lainnya yang terkait dengan shitcoin adalah "rug pull," di mana kreator tiba-tiba menghapus semua likuiditas dari sebuah proyek, menyebabkan nilai token anjlok. Penipuan ini sering kali dipasarkan melalui kemitraan dan dukungan palsu, dan setelah harga token meningkat, penipu menjual token mereka, mendapatkan keuntungan, dan menghilang, sehingga investor tidak memiliki token yang berharga. Selain itu, berinvestasi dalam shitcoin dapat mengalihkan perhatian dan sumber daya dari mata uang kripto yang sah dengan aplikasi dan potensi pertumbuhan yang sebenarnya.

Selain shitcoin, "koin udara" dan "koin skema piramida" juga merupakan metode untuk mendapatkan keuntungan cepat. Bagi pengguna yang tidak memiliki pengetahuan dan pengalaman profesional, membedakannya dengan mata uang kripto yang sah sangat menantang.

Efisiensi

Dua indikator yang sangat langsung untuk menilai efisiensi Ethereum adalah kecepatan transaksi dan biaya gas. Kecepatan transaksi mengacu pada jumlah transaksi yang dapat diproses oleh jaringan Ethereum dalam satu satuan waktu. Metrik ini secara langsung mencerminkan kemampuan pemrosesan jaringan Ethereum, di mana kecepatan yang lebih cepat menunjukkan efisiensi yang lebih tinggi. Setiap transaksi di Ethereum membutuhkan sejumlah biaya gas, yang memberikan kompensasi kepada para penambang untuk verifikasi transaksi. Biaya gas yang lebih rendah menunjukkan efisiensi yang lebih tinggi di Ethereum.

Penurunan kecepatan transaksi menyebabkan peningkatan biaya gas. Umumnya, ketika kecepatan pemrosesan transaksi menurun, karena ruang blok yang terbatas, persaingan antar transaksi untuk masuk ke blok berikutnya dapat meningkat. Untuk menonjol dalam kompetisi ini, para pedagang sering kali menaikkan biaya gas, karena para penambang cenderung memprioritaskan transaksi dengan biaya gas yang lebih tinggi selama verifikasi. Oleh karena itu, biaya gas yang lebih tinggi dapat menurunkan pengalaman pengguna.

Transaksi hanyalah aktivitas dasar dalam Ethereum. Dalam ekosistem ini, pengguna juga dapat terlibat dalam berbagai kegiatan seperti meminjamkan, mempertaruhkan, berinvestasi, asuransi, dan lain-lain, yang semuanya dapat dilakukan melalui DApps tertentu. Namun, mengingat banyaknya variasi DApps dan kurangnya layanan rekomendasi yang dipersonalisasi seperti yang ada di industri tradisional, pengguna mungkin merasa bingung untuk memilih aplikasi dan produk yang tepat untuk mereka sendiri. Situasi ini dapat menyebabkan penurunan kepuasan pengguna, sehingga mempengaruhi efisiensi ekosistem Ethereum secara keseluruhan.

Sebagai contoh, ambil pinjaman sebagai contoh. Beberapa platform pinjaman DeFi menggunakan mekanisme agunan berlebih untuk menjaga keamanan dan stabilitas platform mereka. Hal ini berarti peminjam harus menyediakan lebih banyak aset sebagai jaminan, yang tidak dapat digunakan untuk kegiatan lain selama periode pinjaman. Hal ini menyebabkan penurunan tingkat pemanfaatan modal peminjam, sehingga mengurangi likuiditas pasar.

Aplikasi Pembelajaran Mesin di Ethereum

Model pembelajaran mesin, seperti model RFM, Generative Adversarial Networks (GAN), model Decision Tree, algoritma K-Nearest Neighbors (KNN), dan algoritma pengelompokan DBSCAN, memainkan peran penting dalam Ethereum. Penerapan model pembelajaran mesin ini dalam Ethereum dapat membantu mengoptimalkan efisiensi pemrosesan transaksi, meningkatkan keamanan kontrak pintar, menerapkan segmentasi pengguna untuk memberikan layanan yang lebih personal, dan berkontribusi pada operasi jaringan yang stabil.

Pengantar Algoritma

Algoritme pembelajaran mesin adalah sekumpulan instruksi atau aturan yang digunakan untuk mengurai data, mempelajari pola di dalam data, dan membuat prediksi atau keputusan berdasarkan pembelajaran ini. Mereka meningkat secara otomatis melalui pembelajaran dari data yang disediakan, tanpa perlu pemrograman eksplisit oleh manusia. Model pembelajaran mesin, seperti model RFM, Generative Adversarial Networks (GAN), model Decision Tree, algoritma K-Nearest Neighbors (KNN), dan algoritma pengelompokan DBSCAN, memainkan peran penting dalam Ethereum. Penerapan model pembelajaran mesin ini di Ethereum dapat membantu mengoptimalkan efisiensi pemrosesan transaksi, meningkatkan keamanan kontrak pintar, menerapkan segmentasi pengguna untuk memberikan layanan yang lebih personal, dan berkontribusi pada operasi jaringan yang stabil.

Pengklasifikasi Bayesian

Pengklasifikasi Bayesian adalah salah satu dari berbagai metode klasifikasi statistik yang bertujuan untuk meminimalkan probabilitas kesalahan klasifikasi atau meminimalkan risiko rata-rata di bawah kerangka kerja biaya tertentu. Filosofi desain mereka berakar kuat pada teorema Bayesian, yang memungkinkan perhitungan probabilitas bahwa suatu objek termasuk dalam kelas tertentu, dengan beberapa karakteristik yang diketahui. Dengan menghitung probabilitas posterior objek, keputusan dibuat. Secara khusus, pengklasifikasi Bayesian pertama-tama mempertimbangkan probabilitas objek sebelumnya dan kemudian menerapkan rumus Bayesian untuk mempertimbangkan data yang diamati, sehingga memperbarui keyakinan tentang klasifikasi objek. Di antara semua klasifikasi yang mungkin, pengklasifikasi Bayesian memilih kategori dengan probabilitas posterior tertinggi untuk objek tersebut. Keuntungan utama dari metode ini terletak pada kemampuan alaminya untuk menangani ketidakpastian dan informasi yang tidak lengkap, menjadikannya alat yang kuat dan fleksibel yang cocok untuk berbagai macam aplikasi.

Seperti yang diilustrasikan pada Gambar 2, dalam pembelajaran mesin yang diawasi, keputusan klasifikasi dibuat dengan menggunakan data dan model probabilitas berdasarkan teorema Bayesian. Dengan menggunakan kemungkinan, probabilitas sebelumnya dari kategori dan fitur, pengklasifikasi Bayesian menghitung probabilitas posterior dari setiap kategori untuk titik data dan menetapkan titik data ke kategori dengan probabilitas posterior tertinggi. Pada scatter plot di sebelah kanan, pengklasifikasi mencoba menemukan kurva yang paling baik memisahkan titik-titik dengan warna yang berbeda, sehingga meminimalkan kesalahan klasifikasi.

Gambar 2 Pengklasifikasi Bayesian

• Pohon Keputusan

Algoritme pohon keputusan biasanya digunakan untuk tugas klasifikasi dan regresi, dengan mengadopsi pendekatan pengambilan keputusan hirarkis. Mereka menghasilkan pohon dengan membagi fitur dengan perolehan informasi yang tinggi berdasarkan data yang diketahui, sehingga melatih pohon keputusan. Pada intinya, algoritme dapat mempelajari sendiri aturan pengambilan keputusan dari data untuk menentukan nilai variabel. Secara khusus, ini menyederhanakan proses pengambilan keputusan yang kompleks menjadi beberapa sub-keputusan yang lebih sederhana. Setiap keputusan yang lebih sederhana diturunkan dari kriteria keputusan induk, membentuk struktur seperti pohon.

Seperti yang ditunjukkan pada Gambar 3, setiap simpul merepresentasikan sebuah keputusan, mendefinisikan sebuah kriteria untuk menilai sebuah atribut tertentu, sementara cabang-cabangnya merepresentasikan hasil dari keputusan tersebut. Setiap simpul daun mewakili hasil dan kategori prediksi akhir. Dari perspektif struktural, model pohon keputusan bersifat intuitif, mudah dimengerti, dan memiliki kekuatan penjelasan yang kuat.

gambar 3 Model pohon keputusan

• Algoritma DBSCAN

DBSCAN (Density-Based Spatial Clustering of Applications with Noise) adalah algoritme pengelompokan spasial berbasis kepadatan yang sangat efektif untuk dataset dengan noise dan untuk mengidentifikasi cluster dalam bentuk apa pun tanpa perlu menentukan jumlah cluster terlebih dahulu. Ini memiliki kinerja yang kuat terhadap outlier dalam dataset. Algoritme ini dapat secara efektif mengidentifikasi outlier, yang didefinisikan sebagai titik-titik di area dengan kepadatan rendah, seperti yang diilustrasikan pada Gambar 4.

Gambar 4 Identifikasi Kebisingan dengan Algoritma DBSCAN

• Algoritma KNN

Algoritma K-Nearest Neighbors (KNN) dapat digunakan untuk tugas klasifikasi dan regresi. Dalam klasifikasi, kategori suatu item yang akan diklasifikasikan ditentukan melalui mekanisme pemungutan suara; dalam regresi, memprediksi dengan menghitung rata-rata atau rata-rata tertimbang dari k sampel terdekat.

Seperti yang ditunjukkan pada Gambar 5, prinsip kerja algoritma KNN dalam klasifikasi adalah menemukan k tetangga terdekat dari sebuah titik data baru dan memprediksi kategori titik data baru tersebut berdasarkan kategori-kategori tetangga tersebut. Jika K = 1, titik data baru akan langsung dimasukkan ke dalam kategori tetangga terdekatnya. Jika K>1, kategori biasanya ditentukan oleh suara terbanyak, yang berarti titik data baru ditetapkan ke kategori yang paling umum di antara tetangganya. Ketika digunakan dalam regresi, prinsipnya tetap sama, tetapi hasilnya adalah rata-rata output dari k sampel terdekat.

Gambar 5 Algoritma KNN yang digunakan untuk klasifikasi

• Kecerdasan Buatan GeneratifKecerdasan Buatan Generatif

Kecerdasan buatan (AI) generatif adalah jenis teknologi AI yang dapat menghasilkan konten baru (seperti teks, gambar, musik, dll.) berdasarkan kebutuhan input. Fondasinya terletak pada kemajuan dalam pembelajaran mesin dan pembelajaran mendalam, terutama dalam aplikasi dalam bidang pemrosesan bahasa alami dan pengenalan gambar. AI generatif mempelajari pola dan asosiasi dari sejumlah besar data dan kemudian menghasilkan output yang sama sekali baru berdasarkan informasi yang dipelajari ini. Kunci dari kecerdasan buatan generatif terletak pada pelatihan model, yang membutuhkan data berkualitas tinggi untuk pembelajaran dan pelatihan. Selama proses ini, model secara bertahap meningkatkan kemampuannya untuk menghasilkan konten baru dengan menganalisis dan memahami struktur, pola, dan hubungan di dalam kumpulan data.

• Transformator

Transformer, sebagai landasan kecerdasan buatan generatif, telah memperkenalkan mekanisme perhatian dengan cara yang inovatif. Hal ini memungkinkan pemrosesan informasi untuk fokus pada poin-poin penting sekaligus mengambil pandangan global, sebuah kemampuan unik yang membuat Transformer bersinar dalam domain pembuatan teks. Memanfaatkan model bahasa alami terbaru, seperti GPT (Generative Pre-trained Transformer), untuk memahami kebutuhan pengguna yang diekspresikan dalam bahasa alami dan secara otomatis mengubahnya menjadi kode yang dapat dieksekusi dapat mengurangi kerumitan pengembangan dan secara signifikan meningkatkan efisiensi.

Seperti yang ditunjukkan pada Gambar 6, pengenalan mekanisme perhatian multi-kepala dan mekanisme perhatian diri, dikombinasikan dengan koneksi residual dan jaringan saraf yang terhubung sepenuhnya, dan memanfaatkan teknologi penyematan kata sebelumnya, telah meningkatkan kinerja model generatif yang terkait dengan pemrosesan bahasa alami.

Gambar 6 Model transformator

• Model RFM

Model RFM adalah model analisis berdasarkan perilaku pembelian pelanggan, yang dapat mengidentifikasi kelompok pelanggan dengan nilai yang berbeda dengan menganalisis perilaku transaksi mereka. Model ini menilai dan mengkategorikan pelanggan berdasarkan waktu pembelian terakhir mereka (Recency, R), frekuensi pembelian (Frequency, F), dan jumlah yang dibelanjakan (Monetary value, M).

Seperti yang diilustrasikan pada Gambar 7, ketiga indikator ini membentuk inti dari model RFM. Model ini memberi skor kepada pelanggan pada ketiga dimensi ini dan mengurutkannya berdasarkan skor untuk mengidentifikasi kelompok pelanggan yang paling berharga. Selain itu, model ini secara efektif mengelompokkan pelanggan ke dalam kelompok yang berbeda, sehingga memudahkan fungsionalitas stratifikasi pelanggan.

Gambar 7 Model Pelapisan RFM

Aplikasi Potensial

Ketika menerapkan teknologi pembelajaran mesin untuk mengatasi tantangan keamanan Ethereum, kami melakukan penelitian dari empat aspek utama:

Aplikasi Potensial

Dalam mengatasi tantangan keamanan Ethereum melalui teknik pembelajaran mesin, kami telah melakukan penelitian dari empat aspek utama:

• Identifikasi dan Penyaringan Transaksi Berbahaya Berdasarkan Pengklasifikasi Bayesian**

  Dengan membangun pengklasifikasi Bayesian, potensi transaksi spam, termasuk tetapi tidak terbatas pada yang menyebabkan serangan DOS melalui volume besar transaksi kecil yang sering terjadi, dapat diidentifikasi dan disaring. Metode ini secara efektif menjaga kesehatan jaringan dengan menganalisis karakteristik transaksi, seperti harga Gas dan frekuensi transaksi, sehingga memastikan operasi jaringan Ethereum yang stabil.

• Pembuatan Kode Kontrak Cerdas yang Aman dan Memenuhi Persyaratan Khusus**

  Generative Adversarial Networks (GAN) dan jaringan generatif berbasis Transformer keduanya dapat digunakan untuk menghasilkan kode smart contract yang memenuhi persyaratan tertentu sambil memastikan keamanan kode sebanyak mungkin. Namun, kedua pendekatan ini berbeda dalam hal jenis data yang mereka andalkan untuk pelatihan model: pendekatan pertama terutama bergantung pada sampel kode yang tidak aman, sedangkan pendekatan kedua bergantung pada yang sebaliknya.

  Dengan melatih GAN untuk mempelajari pola kontrak aman yang ada dan membangun model self-adversarial untuk menghasilkan kode yang berpotensi tidak aman, dan kemudian belajar mengidentifikasi ketidakamanan ini, maka dimungkinkan untuk secara otomatis menghasilkan kode kontrak pintar yang berkualitas tinggi dan lebih aman. Memanfaatkan model jaringan generatif berbasis Transformer, dengan belajar dari beragam contoh kontrak yang aman, memungkinkan untuk menghasilkan kode kontrak yang memenuhi kebutuhan spesifik dan mengoptimalkan konsumsi Gas, yang tidak diragukan lagi meningkatkan efisiensi dan keamanan pengembangan kontrak pintar.

• Analisis Risiko Kontrak Cerdas Berdasarkan Pohon Keputusan**

  Menggunakan pohon keputusan untuk menganalisis karakteristik smart contract, seperti frekuensi pemanggilan fungsi, nilai transaksi, dan kompleksitas kode sumber, dapat secara efektif mengidentifikasi potensi tingkat risiko kontrak. Menganalisis pola operasional dan struktur kode kontrak dapat memprediksi kemungkinan kerentanan dan titik risiko, memberikan evaluasi keamanan bagi pengembang dan pengguna. Metode ini diharapkan dapat secara signifikan meningkatkan keamanan smart contract dalam ekosistem Ethereum, sehingga mengurangi kerugian yang disebabkan oleh kerentanan atau kode berbahaya.

• Membangun Model Evaluasi Mata Uang Kripto untuk Mengurangi Risiko Investasi**

  Dengan menganalisis data perdagangan, aktivitas media sosial, dan performa pasar mata uang kripto melalui algoritme pembelajaran mesin, kita dapat membangun model evaluasi yang dapat memprediksi kemungkinan sebuah mata uang kripto menjadi "koin sampah". Model ini dapat memberikan wawasan yang berharga bagi para investor, membantu mereka menghindari risiko investasi dan dengan demikian mendorong perkembangan pasar mata uang kripto yang sehat.

Selain itu, penerapan pembelajaran mesin juga memiliki potensi untuk lebih meningkatkan efisiensi Ethereum. Kita dapat menjelajahi hal ini dari tiga dimensi utama berikut ini:

• Aplikasi pohon keputusan untuk mengoptimalkan model antrian kumpulan transaksi

Penerapan pohon keputusan dalam mengoptimalkan model antrian kolam transaksi

Penggunaan pohon keputusan dapat secara efektif mengoptimalkan mekanisme antrian dari kumpulan transaksi Ethereum. Dengan menganalisis karakteristik transaksi, seperti harga gas dan ukuran transaksi, pohon keputusan dapat mengoptimalkan pemilihan dan pengurutan transaksi. Metode ini secara signifikan dapat meningkatkan efisiensi pemrosesan transaksi, secara efektif mengurangi kepadatan jaringan, dan menurunkan waktu tunggu pengguna untuk bertransaksi.

• Segmentasi pengguna dan menyediakan layanan yang dipersonalisasi

Model RFM (Recency, Frequency, Monetary value), sebuah alat yang banyak digunakan dalam manajemen hubungan pelanggan, dapat secara efektif mensegmentasi pengguna dengan mengevaluasi waktu transaksi terakhir mereka (Recency), frekuensi transaksi (Frequency), dan jumlah transaksi (Monetary value). Menerapkan model RFM pada platform Ethereum dapat membantu mengidentifikasi kelompok pengguna bernilai tinggi, mengoptimalkan alokasi sumber daya, dan menyediakan layanan yang lebih personal, sehingga meningkatkan kepuasan pengguna dan efisiensi platform secara keseluruhan Model RFM (Recency, Frequency, Monetary value), sebuah alat yang banyak digunakan dalam manajemen hubungan pelanggan, dapat secara efektif mensegmentasikan pengguna dengan mengevaluasi waktu transaksi terbaru mereka (Recency), frekuensi transaksi (Frequency), dan jumlah transaksi (Monetary value). Menerapkan model RFM pada platform Ethereum dapat membantu mengidentifikasi kelompok pengguna bernilai tinggi, mengoptimalkan alokasi sumber daya, dan menyediakan layanan yang lebih personal, sehingga meningkatkan kepuasan pengguna dan efisiensi platform secara keseluruhan.

Algoritma DBSCAN juga dapat menganalisis perilaku transaksi pengguna, membantu mengidentifikasi kelompok pengguna yang berbeda di Ethereum, dan selanjutnya menyediakan layanan keuangan yang lebih disesuaikan untuk pengguna yang berbeda. Strategi segmentasi pengguna ini dapat mengoptimalkan strategi pemasaran, meningkatkan kepuasan pelanggan, dan efisiensi layanan.

• Penilaian kredit berdasarkan KNN

Algoritma K-Nearest Neighbors (KNN) dapat menilai kredit pengguna dengan menganalisis riwayat transaksi dan pola perilaku mereka di Ethereum, yang memainkan peran yang sangat penting dalam aktivitas keuangan seperti pinjaman. Penilaian kredit membantu lembaga keuangan dan platform pinjaman untuk menilai kemampuan membayar peminjam dan risiko kredit, sehingga dapat mengambil keputusan pemberian pinjaman yang lebih akurat. Hal ini dapat mencegah peminjaman yang berlebihan dan meningkatkan likuiditas pasar.

Arah masa depan

Dari perspektif alokasi modal makro, Ethereum, sebagai komputer terdistribusi terbesar di dunia, tidak akan pernah bisa berinvestasi secara berlebihan di lapisan infra, perlu menarik lebih banyak pengembang dari berbagai latar belakang untuk berpartisipasi dalam pembangunan bersama. Dalam artikel ini, dengan menyisir implementasi teknis Ethereum dan masalah yang dihadapinya, kami membayangkan serangkaian aplikasi pembelajaran mesin yang intuitif dan menantikan para pengembang AI di komunitas untuk mewujudkan visi ini menjadi nilai yang nyata.

Seiring dengan meningkatnya daya komputasi on-chain secara bertahap, kami dapat memperkirakan model yang lebih kompleks yang dikembangkan untuk manajemen jaringan, pemantauan transaksi, audit keamanan, dll., Meningkatkan efisiensi dan keamanan jaringan Ethereum.

Lebih lanjut, mekanisme tata kelola yang digerakkan oleh AI/agen juga dapat menjadi inovasi yang signifikan dalam ekosistem Ethereum. Mekanisme ini, membawa proses pengambilan keputusan yang lebih efisien, transparan, dan otomatis, dapat memberikan struktur tata kelola yang lebih fleksibel dan dapat diandalkan kepada Ethereum. Perkembangan di masa depan ini tidak hanya akan mendorong inovasi dalam teknologi Ethereum tetapi juga memberikan pengalaman on-chain yang lebih berkualitas kepada pengguna.

Penafian: Penafian

1. Artikel ini dicetak ulang dari [TechFlow]. *Teruskan Judul Asli'另一个角度看「AI+Blockchain」：AI 如何革新以太坊？'. Semua hak cipta adalah milik penulis asli[Salus]. Jika ada keberatan dengan pencetakan ulang ini, silakan hubungi tim Gate Learn, dan mereka akan segera menanganinya.
2. Penafian Tanggung Jawab: Pandangan dan pendapat yang diungkapkan dalam artikel ini semata-mata merupakan pandangan dan pendapat penulis dan bukan merupakan saran investasi.
3. Penerjemahan artikel ke dalam bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, menyalin, mendistribusikan, atau menjiplak artikel terjemahan dilarang.