Переслати Оригінальний Заголовок： Як штучний інтелект реформує Ethereum? Погляд з іншого кута на "ШІ+Блокчейн"

Протягом минулого року, за допомогою генеративного штучного інтелекту, що неодноразово перевищував очікування, хвиля революції продуктивності штучного інтелекту охопила криптовалютну спільноту. Багато проектів концепції штучного інтелекту призвели до міфу про створення багатства на вторинному ринку. У той же час все більше розробників починають розробляти власні проекти "ШІ+Крипто".

Однак при ближчому спостереженні можна помітити, що ці проекти проявляють серйозну функціональність, більшість проектів зосереджені лише на поліпшенні "виробничих відносин", таких як організація обчислювальної потужності через децентралізовані мережі або створення "децентралізованого обличчя обіймування", та інше. Небагато проектів намагаються здійснити інтеграцію та інновації відповідно до базової технології. Ми вважаємо, що причина цього явища полягає в "доменній упередженості" між галузями штучного інтелекту та блокчейну. Незважаючи на їх широке перетин, небагато людей дійсно розуміють обидві галузі. Наприклад, розробники штучного інтелекту вважають важким розуміти технічне втілення та історичний статус інфраструктури Ethereum, не кажучи вже про запропонувати глибокі оптимізаційні рішення.

Беручи машинне навчання (ML), найбільш базову галузь штучного інтелекту, як приклад, це технологія, де машини можуть приймати рішення на основі даних без явних програмних інструкцій. Машинне навчання показало великий потенціал у аналізі даних та визнанні патернів і стало повсякденністю в мережі 2. Однак через свої початкові обмеження, навіть в передових інноваціях у технології блокчейн, таких як Ethereum, його архітектура, мережа та механізми управління ще не ефективно використовували машинне навчання як інструмент для вирішення складних проблем.

«Великі інновації часто виникають у міждисциплінарних галузях». Мета написання цієї статті — допомогти розробникам штучного інтелекту краще зрозуміти світ блокчейну та надати нові ідеї для розробників у спільноті Ethereum. У цій статті ми спочатку представляємо технічну реалізацію Ethereum, а потім пропонуємо рішення для застосування машинного навчання, фундаментального алгоритму штучного інтелекту, до мережі Ethereum для підвищення її безпеки, ефективності та масштабованості. Ми сподіваємося, що цей кейс послужить відправною точкою для представлення деяких різних точок зору з ринку та стимулювання більш інноваційних перехресних комбінацій «AI+Blockchain» в екосистемі розробників.

Технічна реалізація Ethereum

1. Основна структура даних
   Суть блокчейну полягає в ланцюгу блоків, і ключ до відмінності ланцюгів полягає в конфігурації ланцюга, яка є важливою частиною будь-якого блокчейну генезису. Для Ethereum конфігурація ланцюга використовується для розрізнення різних ланцюгів в межах Ethereum, ідентифікуючи важливі протоколи оновлення та важливі події. Наприклад, DAOForkBlock позначає висоту хардфорку Ethereum після атаки DAO, тоді як ConstantinopleBlock вказує висоту блоку для оновлення Константинополя. Для великих оновлень, що містять численні пропозиції щодо вдосконалення, встановлені спеціальні поля для ідентифікації відповідних висот блоків. Крім того, Ethereum складається з різних тестових мереж та основної мережі, які унікально ідентифікуються за допомогою ChainID для позначення їх відповідних мережевих екосистем.
   Блок генезису служить нульовим блоком усього блокчейну, безпосередньо чи опосередковано звернений іншими блоками. Тому вузли повинні завантажувати правильну інформацію про блок генезису при ініціалізації, без дозволу довільних модифікацій. Інформація про конфігурацію блока генезису включає зазначену конфігурацію ланцюга, разом з додатковими деталями, такими як відповідні винагороди за видобуток, мітки часу, складність та ліміти газу. Варто зазначити, що механізм консенсусу Ethereum змінився від видобутку на доказ роботи до видобутку на доказ валідності.
   Облікові записи Ethereum поділяються на зовнішні облікові записи та контрактні облікові записи. Зовнішні облікові записи контролюються унікальним приватним ключем, тоді як контрактні облікові записи не мають контролю за приватним ключем і можуть бути виконані лише за допомогою виклику виконання коду контракту через зовнішні облікові записи. Кожен обліковий запис відповідає листовому вузлу в стані світу Ethereum, де зберігається стан облікового запису (різноманітна інформація облікового запису та деталі коду).
   Транзакції: Як децентралізована платформа переважно для угод та контрактів, блоки Ethereum складаються з упакованих транзакцій та додаткової пов'язаної інформації. Блок розділяється на дві частини: заголовок блоку та тіло блоку. Дані заголовка блоку містять докази, що пов'язують всі блоки в ланцюг, включаючи хеш попереднього блоку та докази всього світу Ethereum, корені транзакцій, корінь квитанцій та додаткові дані, такі як складність та номер. Тіло блоку зберігає список транзакцій та список заголовків псевдочітких блоків (оскільки Ethereum перейшов на доказ ставлення, посилання на блоки-дядьки більше не існують).
   Квитанції про транзакції надають результати виконання транзакції та додаткову інформацію, яку не можна безпосередньо отримати, розглядаючи саму транзакцію. Зокрема, вони містять вміст згоди, інформацію про транзакцію та інформацію про блок, що вказує, чи була успішною обробка транзакції та надає журнали транзакцій та деталі споживання газу. Аналіз інформації в квитанціях допомагає відлагоджувати код розумного контракту та оптимізувати споживання газу, надаючи підтвердження того, що транзакція була оброблена мережею та дозволяючи перегляд результатів та впливу транзакції.
   У Ethereum газові витрати можна розуміти просто як комісію за транзакцію. Коли ви відправляєте токени, виконуєте смарт-контракти, переказуєте Ефір або виконуєте різноманітні операції на блокчейні в межах конкретного блоку, ці транзакції потребують газових витрат. Обчислювальні ресурси Ethereum споживаються при обробці цих транзакцій, і вам потрібно платити газові витрати, щоб стимулювати мережу працювати для вас. У кінцевому підсумку, газові витрати сплачуються як комісія за транзакцію майнерам, і конкретну формулу обчислення можна розуміти як Витрати = Газ Використано * Ціна Газу, де ціна за одиницю газу встановлюється ініціатором транзакції і часто визначає швидкість включення транзакції в блоки. Встановлення занадто низької ціни на газ може призвести до невиконання транзакцій, і також необхідно встановити ліміт газу як верхню межу, щоб уникнути неочікуваного споживання газу через помилки в смарт-контрактах.

2. Торговий пул
   В Ethereum існує велика кількість транзакцій, і в порівнянні з централізованими системами, пропускна здатність децентралізованих систем в перерахунку на транзакції в секунду значно нижче. При великій кількості транзакцій, що надходять у вузли, вузлам необхідно підтримувати пул транзакцій, щоб правильно керувати цими транзакціями. Трансляція транзакцій відбувається за допомогою однорангової комунікації. Зокрема, вузол транслюватиме виконувані транзакції своїм сусіднім вузлам, які далі поширюватимуть транзакцію на сусідні вузли, дозволяючи транзакції поширюватися по всій мережі Ethereum протягом 6 секунд.
   Транзакції в торговому пулі поділяються на виконувані та невиконувані транзакції. Виконувані транзакції, які мають вищий пріоритет, виконуються та включаються в блоки, тоді як всі транзакції, що спочатку входять до пулу, є невиконуваними і стають виконуваними пізніше. Виконувані та невиконувані транзакції записуються в контейнер очікування та контейнер черги відповідно.
   Крім того, пул транзакцій підтримує список локальних транзакцій. Локальні транзакції мають різні переваги, включаючи вищий пріоритет, імунітет від обмежень обсягу транзакцій та негайне перезавантаження в пул транзакцій після перезапуску вузла. Локальне постійне зберігання локальних транзакцій досягається за допомогою журналу, що забезпечує те, що незавершені локальні транзакції не втрачаються і періодично оновлюються.
   Перш ніж транзакція потрапить у чергу, її дійсність перевіряється, включаючи різні типи перевірок, такі як запобігання DOS-атакам, запобігання негативним транзакціям і перевірка лімітів газу транзакцій. Простий склад пулу транзакцій можна розділити на чергу + очікування (що включає всі транзакції). Після завершення перевірки валідності виконуються подальші перевірки, включаючи перевірку, чи досягла черга транзакцій свого ліміту, і визначення, чи віддалені транзакції (нелокальні транзакції) мають найнижчу ціну в пулі транзакцій, замінюючи транзакцію з найнижчою ціною в пулі. Для заміни виконуваних транзакцій лише транзакції зі збільшенням комісії до 10% дозволяється замінювати ті, що очікують виконання, а замінені транзакції зберігаються як транзакції, що не підлягають виконанню. Крім того, недійсні транзакції та транзакції з перевищенням ліміту видаляються під час процесу обслуговування пулу транзакцій, а відповідні транзакції замінюються.

3. Механізм консенсусу
   На початкових етапах теорія консенсусу Ethereum базувалася на методі обчислення хеш-значення важкості. Іншими словами, потрібно було обчислити хеш-значення блоку, щоб відповідати умові цільового значення важкості, щоб блок вважався дійсним. Оскільки консенсусний алгоритм Ethereum перейшов від Proof of Work (PoW) до Proof of Stake (PoS), я коротко опишу алгоритм PoS тут. Ethereum завершила об'єднання ланцюга маяка у вересні 2022 року, реалізуючи алгоритм PoS. Зокрема, в Ethereum на основі PoS час блоку кожного блоку стабільний і складає 12 секунд. Користувачі розміщують свої Ethereum, щоб отримати право стати валідаторами. Потім серед учасників, які розміщують, проводиться випадковий вибір, щоб вибрати набір валідаторів. У кожному раунді, який включає 32 слоти, для кожного слоту валідатор вибирається як пропонент, тоді як решта валідаторів у тому ж слоті служать комітетом для перевірки законності запропонованого блоку та оцінки законності блоків з попереднього раунду. Алгоритм PoS значно стабілізує та прискорює виробництво блоків, уникнувши при цьому великої втрати обчислювальних ресурсів.

4. Алгоритм підпису
   Ефіріум використовує той самий стандарт алгоритму підпису, що й Bitcoin, який використовує криву secp256k1. Зокрема, використовується алгоритм підпису ECDSA, де підпис обчислюється на основі хешу початкового повідомлення. Підпис складається з компонентів R+S+V. Кожне обчислення вводить випадкове число, і R+S представляє оригінальний вихід ECDSA. Останнє поле V, відоме як поле відновлення, вказує на кількість спроб, необхідних для успішного відновлення відкритого ключа з вмісту та підпису, оскільки пошук координат, які відповідають вимогам на основі значення R на еліптичній криві, може мати кілька рішень.
   Весь процес можна узагальнити наступним чином: дані операції та відповідна інформація підписника хешуються після кодування RLP, а остаточний підпис отримується шляхом підписання за допомогою приватного ключа через ECDSA. Крива, що використовується в ECDSA, - еліптична крива secp256k1. Нарешті, підписані дані операції поєднуються з даними операції, щоб отримати підписані дані операції, які можна розповсюдити.
   Структура даних Ethereum ґрунтується не лише на традиційній технології блокчейн, але також включає Мерклівське Дерево Патріції (MPT), також відоме як Меркліве стиснене префіксне дерево, для ефективного зберігання та підтвердження великої кількості даних. MPT поєднує криптографічну хеш-функцію дерева Меркля та функцію стиснення шляху ключа дерева Патріції, надаючи рішення, яке забезпечує цілісність даних та підтримує швидкі пошуки.

5. Merkle Patricia Trie (MPT)
   В Ethereum MPT використовується для зберігання всіх даних про стан і транзакції, гарантуючи, що будь-які зміни в даних відображаються в кореневому хеші дерева. Це означає, що, перевіривши кореневий хеш, можна довести цілісність і точність даних без перевірки всієї бази даних. MPT складається з чотирьох типів вузлів: листових вузлів, вузлів розширення, вузлів гілок і порожніх вузлів, які разом утворюють дерево, здатне адаптуватися до динамічних змін даних. Щоразу, коли дані оновлюються, MPT відображає ці зміни, додаючи, видаляючи або змінюючи вузли, одночасно оновлюючи кореневий хеш дерева. Оскільки кожен вузол шифрується за допомогою хеш-функції, будь-які незначні зміни в даних призведуть до значних змін у кореневому хеші, забезпечуючи безпеку та узгодженість даних. Крім того, дизайн MPT підтримує перевірку «легкого клієнта», дозволяючи вузлам перевіряти існування або статус конкретної інформації, зберігаючи лише кореневий хеш дерева та необхідні вузли шляху, що значно зменшує потребу у зберіганні та обробці даних.
   Через MPT Ethereum досягає не лише ефективного управління та швидкого доступу до даних, але також забезпечує безпеку та децентралізацію мережі, підтримуючи роботу та розвиток всієї мережі Ethereum.

6. Станова машина
   Основна архітектура Ethereum включає концепцію машини стану, де Віртуальна машина Ethereum (EVM) є середовищем виконання для виконання всього коду розумного контракту, і сам Ethereum може бути розглянутий як глобальна система переходу стану. Виконання кожного блоку можна розглядати як процес переходу стану, переходячи від одного глобально спільного стану до іншого. Ця конструкція забезпечує послідовність і децентралізацію мережі Ethereum та робить результати виконання розумних контрактів передбачуваними та недоступними для втручання.
   У Ethereum стан відноситься до поточної інформації всіх рахунків, включаючи баланс кожного рахунку, збережені дані та коди смарт-контрактів. Кожен раз, коли відбувається транзакція, EVM обчислює та перетворює стан на основі вмісту транзакції, і цей процес ефективно та надійно записується через MPT. Кожен перехід стану змінює дані рахунку, а також призводить до оновлення MPT, що відображається в зміні кореневого хешу дерева.
   Відносини між EVM та MPT мають вирішальне значення, оскільки MPT забезпечує гарантії цілісності даних для переходів стану Ethereum. Коли EVM виконує транзакції та змінює стани рахунків, відповідні вузли MPT оновлюються, щоб відобразити ці зміни. Оскільки кожний вузол MPT пов'язаний за допомогою хешів, будь-яка модифікація стану призведе до зміни кореневого хешу, який потім включається до нового блоку, забезпечуючи послідовність та безпеку всього стану Ethereum. Тепер давайте познайомимося з Віртуальною Машиною Ethereum (EVM).

7. EVM
   Віртуальна машина Ethereum (EVM) є фундаментальним компонентом, відповідальним за виконання смарт-контрактів та забезпечення переходів стану в мережі Ethereum. Це завдяки EVM Ethereum може бути уявленою як світовий комп'ютер. EVM є завершальним, що означає, що смарт-контракти, розгорнуті на Ethereum, можуть виконувати довільно складні логічні обчислення. Введення механізму газу в Ethereum запобігає сценаріям, подібним безкінечним петлям в контрактах, забезпечуючи стабільність та безпеку мережі.

На більш технічному рівні EVM є віртуальною машиною на основі стеку, яка виконує розумні контракти за допомогою байткоду, специфічного для Ethereum. Розробники зазвичай пишуть розумні контракти на мовах високого рівня, таких як Solidity, які потім компілюються в байткод, зрозумілий EVM для виконання. EVM є ключовим інноваційним рішенням у блокчейні Ethereum, яке підтримує не лише виконання розумних контрактів, але й надає тверді засади для розвитку децентралізованих додатків (DApps). За допомогою EVM Ethereum формує децентралізоване, безпечне та відкрите цифрове майбутнє.

Огляд історії Ethereum

Рисунок 1 Історичний огляд Ethereum

Виклики для безпеки Ethereum

Смарт-контракти - це комп'ютерні програми, які працюють на блокчейні Ethereum. Вони дозволяють розробникам створювати та розгортати різноманітні додатки, включаючи, але не обмежуючись, позикові додатки, децентралізовані біржі, страхування, вторинне фінансування, соціальні мережі та NFT. Безпека смарт-контрактів має вирішальне значення для цих додатків. Ці додатки безпосередньо відповідальні за обробку та контроль криптовалют, а будь-які вразливості чи зловмисні атаки на смарт-контракти становлять пряму загрозу для безпеки коштів і можуть призвести до значних економічних втрат. Наприклад, 26 лютого 2024 року протокол позик DeFi Blueberry Protocol постраждав від атаки через вразливості логіки смарт-контракту, що призвело до втрат приблизно $1,400,000.

Вразливості смарт-контрактів мають багатогранний характер, охоплюючи нерозумну бізнес-логіку, неправильний контроль доступу, недостатню перевірку даних, атаки повторного входу та DOS (Відмова в обслуговуванні), серед інших аспектів. Ці вразливості можуть викликати проблеми з виконанням контракту, впливаючи на ефективну роботу смарт-контрактів. На прикладі DOS-атак, цей тип атак вичерпує мережеві ресурси, надсилаючи велику кількість транзакцій, що призводить до повільної обробки транзакцій, ініційованих звичайними користувачами, що призводить до погіршання досвіду користувача. Крім того, це також може призвести до збільшення комісійних витрат на газ транзакцій. Коли мережеві ресурси є обмеженими, користувачам може доводитися платити вищі комісії для пріоритезації їхніх транзакцій для обробки.

На додаток до цього, користувачі Ethereum також стикаються з інвестиційними ризиками, оскільки безпека їхніх фондів опиняється під загрозою. Наприклад, існують «килими», які використовуються для опису криптовалют, які, як вважається, не мають цінності або не мають довгострокового потенціалу зростання. Килими часто використовуються як інструменти для шахрайства або для стратегій накачування та скидання для маніпулювання цінами. Інвестування в килими пов'язане з високими інвестиційними ризиками та може призвести до значних фінансових втрат. Через низьку ціну та ринкову вартість вони вразливі до маніпуляцій та волатильності. Ці токени часто використовуються для схем накачування та скидання та шахрайства з honeypot, спокушаючи інвесторів фальшивими проєктами та крадучи їхні кошти. Ще один поширений ризик перетягування килима, коли творці раптово видаляють всю ліквідність із проєкту, що призводить до різкого падіння вартості токена. Ці шахрайства часто пов'язані з маркетингом через фальшиві партнерства та схвалення. Як тільки ціна токена зростає, шахраї продають свої токени, зникають, залишаючи інвесторам нікчемні токени. Крім того, інвестиції в килими також відволікають увагу та ресурси від законних криптовалют з реальною корисністю та потенціалом зростання. Крім килимів, монети з повітряними монетами та монетами пірамідальної схеми також є швидкими методами отримання прибутку. Для користувачів, яким не вистачає професійних знань і досвіду, відрізнити їх від законних криптовалют особливо складно.

Ефективність

Два дуже прямі показники ефективності Ethereum - швидкість транзакцій та комісія за газ. Швидкість транзакцій відноситься до кількості транзакцій, які може обробити мережа Ethereum за одиницю часу. Цей показник безпосередньо відображає потужність обробки мережі Ethereum; чим швидше швидкість, тим вища ефективність. Кожна транзакція на Ethereum потребує певної кількості газових комісій для компенсації майнерів за верифікацію транзакцій. Нижчі комісії за газ вказують на вищу ефективність в Ethereum.

Зменшення швидкості транзакцій може призвести до збільшення комісій за газ. Зазвичай, коли сповільнюється швидкість обробки транзакцій через обмежений простір блоку, може збільшитися конкуренція за транзакції, що потрапляють у наступний блок. Щоб виділитися в конкуренції, трейдери зазвичай збільшують комісії за газ, оскільки майнери часто надають перевагу транзакціям з вищими комісіями за газ для верифікації. Відповідно, вищі комісії за газ зменшують задоволення користувача від досвіду використання.

Транзакції - це лише базові дії на Ethereum. У цій екосистемі користувачі також можуть займатися різноманітними діяльностями, такими як позики, стейкінг, інвестування, страхування тощо. Це можна зробити за допомогою конкретних додатків. Однак, з урахуванням різноманітності додатків та відсутності персоналізованих рекомендаційних сервісів, аналогічних традиційним галузям, користувачі можуть відчувати певне збентеження при виборі відповідних додатків та продуктів. Ця ситуація може призвести до зменшення задоволення користувачів, що впливає на загальну ефективність екосистеми Ethereum.

Візьмемо позику як приклад. Деякі платформи децентралізованих фінансів використовують механізми перекриття сверхмасштабування для забезпечення безпеки та стабільності своїх платформ. Це означає, що позичальники повинні надати більше активів як заставу, які не можуть бути використані позичальниками для інших діяльностей під час періоду позичання. Це призводить до зниження використання коштів позичальника, тим самим зменшуючи ліквідність ринку.

Застосування машинного навчання в Ethereum

Моделі машинного навчання, такі як модель RMF, генеративно-протилежні мережі (GAN), модель дерева рішень, алгоритм найближчих сусідів (KNN) та алгоритм кластеризації DBSCAN відіграють важливу роль в Ethereum. Застосування цих моделей машинного навчання в Ethereum може допомогти оптимізувати ефективність обробки транзакцій, підвищити безпеку смарт-контрактів, досягти сегментації користувачів для надання більш персоналізованих послуг та сприяти збереженню стабільності мережі.

Вступ до алгоритму

Алгоритми машинного навчання — це набір інструкцій або правил, які використовуються для аналізу даних, вивчення закономірностей у даних і прийняття прогнозів або рішень на основі цього навчання. Вони автоматично навчаються та вдосконалюються на основі наданих даних без необхідності явних інструкцій з програмування від людей. Моделі машинного навчання, такі як модель RMF, генеративні змагальні мережі (GAN), модель дерева рішень, алгоритм K-найближчих сусідів (KNN) і алгоритм кластеризації DBSCAN, відіграють важливу роль в Ethereum. Застосування цих моделей машинного навчання в Ethereum може допомогти оптимізувати ефективність обробки транзакцій, підвищити безпеку смарт-контрактів, досягти сегментації користувачів для надання більш персоналізованих послуг і сприяти підтримці стабільності мережі.

1. Класифікатор Баєса

Класифікатор Байєса ефективний у різних статистичних методах класифікації, спрямованих на мінімізацію ймовірності помилок класифікації або мінімізацію середнього ризику в рамках конкретних вартісних структур. Його філософія розробки глибоко заснована на теоремі Байєса, що дозволяє визначати ймовірність того, що об'єкт належить до певного класу за наявності певних ознак і приймати рішення, розраховуючи апостеріорну ймовірність об'єкта.

Зокрема, класифікатор Баєса спочатку розглядає апріорну ймовірність об'єкта, потім застосовує байєсівську формулу для комплексного розгляду спостережених даних, тим самим оновлюючи віру у класифікацію об'єкта. Серед усіх можливих класифікацій класифікатор Баєса обирає клас з найвищою апостеріорною ймовірністю та призначає об'єкт до цього класу. Основною перевагою цього підходу є його здатність природно вирішувати невизначеність та неповну інформацію, роблячи його потужним та гнучким інструментом, придатним для широкого спектру сценаріїв.

Рисунок 2: Баєсівський класифікатор

Як показано на рисунку 2, у навчанні з учителем машинного навчання байєсівський класифікатор використовує дані та ймовірнісну модель на основі теореми Байєса для прийняття рішень щодо класифікації. Розглядаючи ймовірність, апріорні ймовірності класів та ознак, байєсівський класифікатор обчислює апостеріорну ймовірність того, що точки даних належать до кожного класу, та відносить точки даних до класу з найвищою апостеріорною ймовірністю. У діаграмі розсіювання справа класифікатор намагається знайти криву, щоб розділити точки різних кольорів, таким чином, мінімізуючи помилки класифікації.

1. Дерево рішень

Алгоритм дерева рішень широко використовується в завданнях класифікації та регресії. Він використовує ієрархічний підхід до прийняття рішень, розбиваючи дерева на основі ознак з вищими швидкостями виграшу інформації з відомими даними, щоб навчити дерева рішень. У суті, весь алгоритм може автономно вчити правила рішень з даних для визначення значень змінних. При реалізації дерево рішень може декомпозувати складні процеси прийняття рішень на кілька простих підпроцесів, утворюючи деревоподібну структуру.

Як показано на рис. 3, кожен вузол представляє рішення з критеріями для оцінки певних атрибутів, а гілки представляють результати рішення. Кожен листовий вузол представляє кінцевий передбачений результат та категорію. З погляду складу алгоритму, моделі дерева рішень є інтуїтивними, легкими для розуміння та мають сильну інтерпретацію.

Зображення 3: Модель дерева рішень

1. алгоритм DBSCAN

DBSCAN (Density-Based Spatial Clustering of Applications with Noise) - це алгоритм просторової кластеризації на основі густини, який обробляє шум, і, здається, особливо ефективний для непідключених наборів даних. Цей алгоритм може виявляти кластери довільних форм без необхідності заздалегідь вказувати кількість кластерів, і він демонструє добру стійкість до викидів в наборі даних. Крім того, алгоритм може ефективно ідентифікувати викидні точки в наборах даних з шумом, де шумові або викидні точки визначаються як точки в областях низької щільності, як показано на рис. 4.

Зображення 4: Алгоритм DBSCAN ідентифікує шум

1. Алгоритм KNN

Алгоритм KNN (K-найближчі сусіди) може бути використаний як для класифікації, так і для задач регресії. У задачах класифікації алгоритм визначає категорію елемента, який потрібно класифікувати, на основі механізму голосування, тоді як у задачах регресії він обчислює середнє або зважене середнє значень k найближчих вибірок для зроблення прогнозів.

Як показано на рисунку 5, робочий принцип алгоритму KNN в класифікації полягає в тому, щоб знайти K найближчих сусідів нової точки даних, а потім передбачити категорію нової точки даних на підставі категорій цих сусідів. Якщо K=1, то нова точка даних просто призначається категорії її найближчого сусіда. Якщо K>1, то зазвичай використовується метод голосування для визначення категорії нової точки даних, що означає, що вона буде призначена категорії, до якої належить більшість її сусідів. Коли алгоритм KNN використовується для проблем регресії, основна ідея залишається тією ж, але результатом є середнє значення вихідних значень K найближчих сусідів.

Рисунок 5: Алгоритм KNN, використовуваний для класифікації

1. Генеративний штучний інтелект

Генеративний штучний інтелект - це технологія штучного інтелекту, яка може генерувати новий вміст (такий як текст, зображення, музика тощо) на основі вхідних вимог. Вона заснована на досягненнях машинного навчання та глибокого навчання, особливо в галузях, таких як обробка природної мови та розпізнавання зображень. Генеративний штучний інтелект вивчає закономірності та кореляції з великої кількості даних, а потім генерує зовсім новий вихідний матеріал на основі цієї вивченої інформації. Ключ до генеративного штучного інтелекту полягає в навчанні моделі, для чого потрібні відмінні дані для навчання. Під час цього процесу модель поступово покращує свою здатність генерувати новий вміст, аналізуючи та розуміючи структуру, закономірності та взаємозв'язки в наборі даних.

1. Трансформатор
   Як кутовий камінь генеративного штучного інтелекту, Трансформер ввів механізм уваги, що дозволяє зосереджено обробляти ключову інформацію, враховуючи при цьому глобальний контекст. Ця унікальна можливість значно покращила сферу генерації тексту за допомогою моделей Трансформера. Використовуючи передові моделі обробки природної мови, такі як GPT (Generative Pre-trained Transformer), можна розуміти вимоги користувача, виражені природною мовою, та автоматично перетворювати їх на виконавчий код, що дозволяє скоротити складність розробки та значно покращити ефективність.

Як показано на рисунку 6, введення механізмів багатоголової уваги та самоуваги, разом з залишковими з'єднаннями та повністю зв'язаними нейронними мережами, поєднані з попередніми техніками вбудовування слів, значно покращили продуктивність генеративних моделей, пов'язаних із обробкою природної мови.

Фігура 6 Модель трансформатора

1. Вступ до моделі RFM:

Модель RFM - аналітична модель, що базується на поведінці користувачів під час покупок, яка може ідентифікувати сегменти користувачів різної цінності, аналізуючи їх транзакційну поведінку. Ця модель стратифікує користувачів на основі їхньої Свіжості (R), Частоти (F) та Грошової вартості (M) покупок. Як показано на малюнку 7, ці три показники утворюють ядро моделі RFM. Модель оцінює користувачів за цими трьома вимірами та ранжує їх за оцінками, щоб ідентифікувати найцінніші сегменти користувачів. Більше того, модель ефективно сегментує клієнтів на різні групи, щоб досягти функціональності стратифікації користувачів.

Модель шарування RFM, рис. 7

Можливі застосування

При вирішенні проблем безпеки Ethereum за допомогою технік машинного навчання ми провели дослідження у чотирьох основних напрямках:

Визначення та фільтрація зловмисних транзакцій на основі класифікатора Байєса

Шляхом побудови баєсівського класифікатора можна ідентифікувати та відфільтрувати потенційні спам-транзакції, включаючи, але не обмежуючись, ті, які спричиняють атаки DOS через масштабні, часті, невеликі транзакції. Цей підхід ефективно забезпечує здоров'я мережі шляхом аналізу характеристик транзакцій, таких як ціни на газ та частота транзакцій, забезпечуючи стабільну роботу мережі Ethereum.

1. Генерація захищеного та налаштованого коду розумного контракту

Генеративно-противницькі мережі (GAN) та генеративні мережі на основі трансформаторів можуть бути використані для генерації коду розумних контрактів, який відповідає конкретним вимогам та забезпечує безпеку коду якомога більш ефективно. Однак існують різниці у типах даних, на яких під час навчання покладаються ці дві системи; перша в основному ґрунтується на небезпечних зразках коду, тоді як друга є протилежністю.

Навчаючи GAN на вивчення існуючих безпечних шаблонів контрактів та конструюючи самоантиагоністичні моделі для генерації потенційного небезпечного коду, потім вивчаючи ці небезпеки, можна автоматично генерувати високоякісний, безпечніший код смарт-контрактів. Використовуючи моделі генеративних мереж на основі трансформаторів, вивчаючи на прикладі великої кількості безпечних контрактів, можна генерувати код контракту, який відповідає конкретним вимогам та оптимізує використання газу, тим самим значно покращуючи ефективність та безпеку розробки смарт-контрактів.

Аналіз ризиків розумних контрактів на основі дерев рішень

Використання дерев рішень для аналізу особливостей смарт-контрактів, таких як частота виклику функцій, значення транзакції, складність вихідного коду тощо, може ефективно визначити потенційні рівні ризику контрактів. Аналізуючи шаблони роботи контрактів та структури коду, можна передбачити можливі вразливості та точки ризику, надаючи розробникам та користувачам оцінки безпеки. Цей метод передбачає значне покращення безпеки смарт-контрактів в екосистемі Ethereum, тим самим зменшуючи збитки, спричинені вразливостями або зловмисним кодом.

Створення моделі оцінки криптовалют для зменшення інвестиційних ризиків

Аналізуючи дані про криптовалютні транзакції, активність у соціальних мережах, ринкові показники та іншу багатовимірну інформацію за допомогою алгоритмів машинного навчання, можна побудувати модель оцінки, що передбачає ймовірність появи шахрайських монет. Ця модель може надати цінні посилання для інвесторів, допомагаючи їм уникати інвестиційних ризиків та сприяючи здоровому розвитку ринку криптовалют.

Крім того, застосування машинного навчання має потенціал для подальшого підвищення ефективності Ethereum. Ми можемо дослідити наступні три ключові виміри:

Оптимізація застосування дерева рішень моделей черги пулу транзакцій

На основі дерев прийняття рішень можливо ефективно оптимізувати механізм упорядкування пулів транзакцій Ethereum. Аналізуючи характеристики транзакцій, такі як ціни на газ та розміри транзакцій, дерева прийняття рішень можуть оптимізувати вибір транзакцій та порядок у черзі. Цей метод може значно покращити ефективність обробки транзакцій, ефективно зменшити мережеву заторність та знизити час очікування транзакцій користувачів.

Розділення користувачів та надання персоналізованих послуг

Модель RFM (Recency, Frequency, Monetary value), широко використовується як аналітичний інструмент у управлінні взаємовідносинами з клієнтами, може ефективно стратифікувати користувачів, оцінюючи нещодавність останньої транзакції користувача, частоту транзакцій та обсяг транзакцій. Застосування моделі RFM на платформі Ethereum може допомогти ідентифікувати групи користувачів високої вартості, оптимізувати розподіл ресурсів та надавати більше персоналізованих послуг, тим самим підвищуючи задоволеність користувачів та загальну ефективність платформи.

Алгоритм DBSCAN також може аналізувати поведінку користувачів угод, допомагаючи визначити різні групи користувачів на Ethereum та надавати більш індивідуалізовані фінансові послуги різним користувачам. Ця стратегія стратифікації користувачів може оптимізувати маркетингові стратегії та покращити задоволеність клієнтів та ефективність обслуговування.

Кредитне оцінювання на основі KNN

Алгоритм найближчих сусідів (KNN) може аналізувати історії транзакцій користувачів Ethereum та моделі поведінки для оцінки кредиту користувача, яка відіграє надзвичайно важливу роль у фінансових діяльностях, таких як позики. Оцінка кредитоспроможності допомагає фінансовим установам та платформам кредитування більш точно оцінювати здатність позичальників до погашення та кредитний ризик, тим самим роблячи більш точні кредитні рішення. Це дозволяє уникнути перекредитування та покращити ринкову ліквідність.

Майбутні напрямки

З погляду на макро-рівень розподілу коштів, Ethereum, як найбільший у світі розподілений комп'ютер, не може мати занадто багато інвестицій у свій інфраструктурний рівень. Йому потрібно залучати більше розробників з різних фондів, щоб вони брали участь у спільній побудові. У цій статті, оглядаючи технічні реалізації Ethereum та виклики, з якими він стикається, ми уявляємо серію інтуїтивних потенційних застосувань машинного навчання. Ми також з нетерпінням чекаємо розробників ШІ зі спільноти, які перетворять ці уявлення в реальну вартість.

З поступовим збільшенням обчислювальної потужності on-chain ми можемо очікувати розвитку більш вдосконалених моделей для управління мережею, моніторингу транзакцій, аудиту безпеки та різних інших аспектів, що в кінцевому підсумку підвищить ефективність та безпеку мережі Ethereum.

Дивлячись вперед, механізми управління штучним інтелектом / агентами також можуть стати основною точкою інновацій в екосистемі Ethereum. Такі механізми принесли б більш ефективні, прозорі та автоматизовані процеси прийняття рішень, що призвело б до більш гнучкої та надійної структури управління платформою Ethereum. Ці майбутні напрямки не тільки сприятимуть інноваціям у технології Ethereum, але й забезпечать користувачів вищою якість онлайн-досвіду.

Disclaimer：

1. Ця стаття перепечатана з [ panews]. *Пересилайте оригінальний заголовок‘Як штучний інтелект реформує Ethereum? З іншого ракурсу ‘AI+Blockchain’.Усі авторські права належать оригінальному авторові [Salus]. Якщо є зауваження до цього перепублікування, будь ласка, зв'яжіться зGate Навчаннякоманда, і вони оперативно цим займуться.
2. Відповідальність за відмову: Погляди та думки, виражені в цій статті, є виключно тими автора та не становлять жодних інвестиційних порад.
3. Переклади статей на інші мови виконуються командою Gate Learn. Якщо не зазначено інше, копіювання, поширення або плагіатування перекладених статей заборонене.