Mirror Tang | Salus

Yixin Ren | Hongshan capital

Lingzhi Shi | Salus

Jiangyue Wang | Salus 

ในปีที่ผ่านมา เนื่องจาก generative AI ได้เกินความคาดหมายของสาธารณชนครั้งแล้วครั้งเล่า คลื่นแห่งการปฏิวัติการผลิตของ AI ได้แผ่ขยายไปทั่วแวดวงสกุลเงินดิจิทัล เราได้เห็นแล้วว่าโครงการแนวคิด AI จำนวนมากได้ก่อให้เกิดกระแสความเชื่อผิดๆ เกี่ยวกับการสร้างความมั่งคั่งในตลาดรอง ขณะเดียวกัน นักพัฒนาจำนวนมากขึ้นเรื่อยๆ ก็เริ่มพัฒนาโครงการ AI+Crypto ของตนเองมากขึ้นเรื่อยๆ

อย่างไรก็ตาม เมื่อมองอย่างใกล้ชิดเผยให้เห็นว่าความสม่ำเสมอของโครงการเหล่านี้มีความสำคัญมากและโครงการส่วนใหญ่มุ่งเน้นไปที่การปรับปรุง ความสัมพันธ์ในการผลิต เท่านั้น เช่น การจัดระเบียบพลังการประมวลผลผ่านเครือข่ายแบบกระจายอำนาจ หรือการสร้าง ใบหน้ากอดแบบกระจายอำนาจ เป็นต้น มีโครงการเพียงไม่กี่โครงการที่พยายามบูรณาการและสร้างสรรค์นวัตกรรมอย่างแท้จริงจากเทคโนโลยีพื้นฐาน เราเชื่อว่าสาเหตุของปรากฏการณ์นี้คือมี อคติโดเมน ระหว่างฟิลด์ AI และบล็อกเชน แม้จะมีทางแยกที่กว้างขวาง แต่มีเพียงไม่กี่คนที่เข้าใจทั้งสองสาขาอย่างลึกซึ้ง ตัวอย่างเช่น เป็นเรื่องยากสำหรับนักพัฒนา AI ที่จะเข้าใจการใช้งานทางเทคนิคและสถานะโครงสร้างพื้นฐานในอดีตของ Ethereum และยากยิ่งกว่านั้นในการเสนอโซลูชันการปรับให้เหมาะสมในเชิงลึก

ยกตัวอย่างการเรียนรู้ของเครื่อง (ML) ซึ่งเป็นสาขาพื้นฐานที่สุดของ AI เป็นเทคโนโลยีที่ช่วยให้เครื่องจักรสามารถตัดสินใจโดยอิงจากข้อมูลโดยไม่ต้องมีคำสั่งการเขียนโปรแกรมที่ชัดเจน การเรียนรู้ของเครื่องได้แสดงให้เห็นศักยภาพที่ยอดเยี่ยมในการวิเคราะห์ข้อมูลและการจดจำรูปแบบ และกลายเป็นเรื่องปกติใน web2 อย่างไรก็ตาม เนื่องจากข้อจำกัดของยุคแรกเกิด แม้จะอยู่ในระดับแนวหน้าของนวัตกรรมเทคโนโลยีบล็อกเชน เช่น Ethereum สถาปัตยกรรม เครือข่าย และกลไกการกำกับดูแลยังไม่ได้ใช้การเรียนรู้ของเครื่องเป็นเครื่องมือที่มีประสิทธิภาพในการแก้ปัญหาที่ซับซ้อน

นวัตกรรมที่ยอดเยี่ยมมักเกิดในหลากหลายสาขา ความตั้งใจดั้งเดิมของเราในการเขียนบทความนี้คือการช่วยให้นักพัฒนา AI เข้าใจโลกบล็อกเชนได้ดีขึ้น และยังเสนอแนวคิดใหม่ ๆ ให้กับนักพัฒนาในชุมชน Ethereum ในบทความ เราจะแนะนำการใช้งานทางเทคนิคของ Ethereum ก่อน จากนั้นจึงเสนอโซลูชันสำหรับการนำการเรียนรู้ของเครื่องจักรซึ่งเป็นอัลกอริทึม AI พื้นฐานไปใช้กับเครือข่าย Ethereum เพื่อปรับปรุงความปลอดภัย ประสิทธิภาพ และความสามารถในการปรับขนาด เราหวังว่าจะใช้กรณีนี้เป็นจุดเริ่มต้นในการนำเสนอมุมมองที่แตกต่างจากที่มีอยู่ในตลาด และสร้างแรงบันดาลใจให้เกิดการผสมผสานข้ามนวัตกรรมของ AI+Blockchain ในระบบนิเวศของนักพัฒนา

การใช้งานทางเทคนิคของ Ethereum

• โครงสร้างข้อมูลพื้นฐาน

สาระสำคัญของ blockchain คือบล็อกที่เชื่อมต่อ chain กุญแจสำคัญในการแยกแยะ chain คือการกำหนดค่า chain ซึ่งเป็นส่วนที่ขาดไม่ได้ในการสร้าง blockchain สำหรับ Ethereum การกำหนดค่าลูกโซ่ใช้เพื่อแยกความแตกต่างของเครือข่ายใน Ethereum และระบุโปรโตคอลการอัปเกรดที่สำคัญและเหตุการณ์แฟล็ก ตัวอย่างเช่น DAOForkBlock ทำเครื่องหมายความสูงของฮาร์ดฟอร์กเมื่อ Ethereum ประสบกับการโจมตี DAO และ ConstantinopleBlock ทำเครื่องหมายความสูงของบล็อกของการอัปเกรด Constantinople สำหรับการอัปเกรดที่ใหญ่ขึ้นซึ่งมีข้อเสนอการปรับปรุงมากมายจะมีการตั้งค่าช่องพิเศษเพื่อระบุความสูงของบล็อกที่สอดคล้องกัน นอกจากนี้ Ethereum ยังมีเครือข่ายทดสอบและเครือข่ายหลักต่างๆ และระบบนิเวศของเครือข่ายที่เกี่ยวข้องจะถูกระบุโดยไม่ซ้ำกันผ่าน ChainID

บล็อกกำเนิดคือบล็อกที่ศูนย์ของบล็อกเชนทั้งหมด และบล็อกอื่นๆ อ้างอิงโดยตรงหรือโดยอ้อมบล็อกกำเนิด ดังนั้น จะต้องโหลดข้อมูลบล็อกการกำเนิดที่ถูกต้องเมื่อโหนดเริ่มทำงาน และจะต้องไม่ได้รับการแก้ไขโดยพลการ ข้อมูลการกำหนดค่าของบล็อกกำเนิดรวมถึงการกำหนดค่าลูกโซ่ดังกล่าวข้างต้น และยังเพิ่มฟิลด์ เช่น รางวัลการขุดที่เกี่ยวข้อง การประทับเวลา ความยาก และขีดจำกัดของก๊าซ ควรสังเกตว่ากลไกฉันทามติของ Ethereum ได้พัฒนามาจากการขุดแบบพิสูจน์การทำงาน . กลไกนี้ถูกแปลงเป็นหลักฐานการเดิมพัน

บัญชี Ethereum แบ่งออกเป็นบัญชีภายนอกและบัญชีสัญญา บัญชีภายนอกถูกควบคุมโดยคีย์ส่วนตัวโดยเฉพาะ ในขณะที่บัญชีสัญญาไม่มีการควบคุมคีย์ส่วนตัวและสามารถดำเนินการได้โดยการเรียกสัญญาจากบัญชีภายนอกเพื่อดำเนินการรหัสสัญญาเท่านั้น พวกเขาทั้งหมดมีที่อยู่ที่ไม่ซ้ำกัน สถานะโลกของ Ethereum คือโครงสร้างบัญชี Ethereum แต่ละบัญชีสอดคล้องกับโหนดปลายสุดซึ่งจัดเก็บสถานะของบัญชี (ข้อมูลบัญชีต่าง ๆ และข้อมูลรหัส)

ธุรกรรม: ในฐานะแพลตฟอร์มแบบกระจายอำนาจ สาระสำคัญของ Ethereum คือสำหรับธุรกรรมและสัญญา บล็อกของ Ethereum เป็นธุรกรรมแบบแพ็คเกจรวมถึงข้อมูลที่เกี่ยวข้องเพิ่มเติม บล็อกเฉพาะแบ่งออกเป็นสองส่วน ได้แก่ ส่วนหัวของบล็อกและพื้นที่ บล็อก ซึ่ง ข้อมูลส่วนหัวของบล็อกมีหลักฐานที่เชื่อมโยงบล็อกทั้งหมดเข้ากับห่วงโซ่ซึ่งเราสามารถเข้าใจได้ว่าเป็นแฮชของบล็อกก่อนหน้า เช่นเดียวกับรูทสถานะ รูทธุรกรรม รูทการรับ และการพิสูจน์สถานะของโลก Ethereum ทั้งหมด เพิ่มเติมอื่น ๆ อีกมากมาย ข้อมูลเช่นความยากในการระบุตัวตนและการนับ nonce ตัวบล็อกจะจัดเก็บรายการธุรกรรมและรายการส่วนหัวของบล็อก Uncle (เนื่องจาก Ethereum ได้แปลงเป็น Proof of Stake แล้ว การอ้างอิงบล็อก Uncle จึงไม่มีอยู่อีกต่อไป)

ใบเสร็จรับเงินของธุรกรรมจะให้ผลลัพธ์และข้อมูลเพิ่มเติมหลังจากธุรกรรมถูกดำเนินการ ซึ่งไม่สามารถรับได้โดยตรงเพียงแค่ดูที่ธุรกรรมเท่านั้น โดยเฉพาะอย่างยิ่ง ข้อมูลที่อยู่ในนั้นสามารถแบ่งออกเป็น: เนื้อหาที่เป็นเอกฉันท์ ข้อมูลธุรกรรม และข้อมูลบล็อก รวมถึงข้อมูลที่ว่าการประมวลผลธุรกรรมสำเร็จหรือไม่ และข้อมูลการบริโภค เช่น บันทึกธุรกรรมและก๊าซ แก้ไขข้อบกพร่องโค้ดสัญญาอัจฉริยะและเพิ่มประสิทธิภาพการใช้ก๊าซโดยการวิเคราะห์ข้อมูลในใบเสร็จรับเงิน และให้รูปแบบการยืนยันว่าธุรกรรมได้รับการประมวลผลโดยเครือข่ายแล้ว และสามารถดูผลลัพธ์และผลกระทบของธุรกรรมได้

ใน Ethereum ค่าธรรมเนียมก๊าซสามารถเข้าใจได้ง่ายว่าเป็นค่าธรรมเนียมการจัดการ เมื่อคุณส่ง Token ทำสัญญา โอน Ethereum หรือดำเนินการต่างๆ ในบล็อกนี้ การดำเนินการในธุรกรรมเหล่านี้จะต้องเสียค่าธรรมเนียมก๊าซ อีเธอร์ เมื่อประมวลผลธุรกรรมนี้ คอมพิวเตอร์ จำเป็นต้องคำนวณและใช้ทรัพยากรเครือข่าย ดังนั้นคุณต้องจ่ายค่าน้ำมันเพื่อให้คอมพิวเตอร์ทำงานแทนคุณ ค่าเชื้อเพลิงสุดท้ายจะชำระให้กับนักขุดเป็นค่าธรรมเนียมการจัดการ สูตรการคำนวณสำหรับค่าธรรมเนียมเฉพาะสามารถเข้าใจได้ว่า ค่าธรรมเนียม = ก๊าซที่ใช้ * ราคาก๊าซ ซึ่งเป็นปริมาณการใช้จริงคูณด้วยราคาต่อหน่วยปริมาณการใช้ ราคาต่อหน่วย กำหนดโดยผู้ริเริ่มธุรกรรมและมักจะกำหนดจำนวนเงิน กำหนดความเร็วของธุรกรรมบนลูกโซ่ หากการตั้งค่าต่ำเกินไปธุรกรรมอาจไม่สามารถดำเนินการได้ ในเวลาเดียวกัน จำเป็นต้องตั้งค่าขีดจำกัดสูงสุดของการใช้ก๊าซสำหรับค่าธรรมเนียมเพื่อหลีกเลี่ยงการใช้ก๊าซที่คาดเดาไม่ได้ซึ่งเกิดจากข้อผิดพลาดในสัญญา

• กลุ่มการซื้อขาย

มีธุรกรรมจำนวนมากใน Ethereum เมื่อเปรียบเทียบกับระบบรวมศูนย์แล้ว จำนวนธุรกรรมต่อวินาทีที่ประมวลผลโดยระบบกระจายอำนาจนั้นดูสิ้นหวังอย่างเห็นได้ชัด เนื่องจากมีธุรกรรมจำนวนมากเข้าสู่โหนด โหนดจึงจำเป็นต้องรักษากลุ่มธุรกรรมเพื่อจัดการธุรกรรมเหล่านี้อย่างเหมาะสม การออกอากาศธุรกรรมดำเนินการผ่าน p2p โดยเฉพาะอย่างยิ่ง โหนดจะออกอากาศธุรกรรมที่ปฏิบัติการได้ไปยังโหนดข้างเคียง จากนั้นโหนดข้างเคียงจะออกอากาศธุรกรรมไปยังโหนดข้างเคียงของโหนด ด้วยวิธีนี้ ธุรกรรมสามารถแพร่กระจายไปยัง เครือข่าย Ethereum ทั้งหมดภายใน 6 วินาที

ธุรกรรมในกลุ่มธุรกรรมแบ่งออกเป็นธุรกรรมที่ปฏิบัติการได้และธุรกรรมที่ไม่สามารถดำเนินการได้ ธุรกรรมที่ดำเนินการได้มีลำดับความสำคัญสูงกว่าและจะถูกดำเนินการและบรรจุในบล็อกในขณะที่ธุรกรรมทั้งหมดที่เพิ่งเข้าสู่กลุ่มธุรกรรมนั้นเป็นธุรกรรมที่ไม่สามารถดำเนินการได้ มันจะ จากนั้นก็สามารถปฏิบัติการได้ ธุรกรรมที่ดำเนินการได้และธุรกรรมที่ไม่สามารถดำเนินการได้จะถูกบันทึกไว้ในคอนเทนเนอร์ที่รอดำเนินการและคอนเทนเนอร์คิวตามลำดับ

นอกจากนี้ กลุ่มธุรกรรมจะรักษารายการธุรกรรมในท้องถิ่น ธุรกรรมท้องถิ่นมีข้อดีหลายประการ มีลำดับความสำคัญสูงกว่า ไม่ได้รับผลกระทบจากข้อจำกัดปริมาณธุรกรรม และสามารถโหลดซ้ำลงในกลุ่มธุรกรรมได้ทันทีเมื่อรีสตาร์ทโหนด ที่เก็บข้อมูลถาวรในเครื่องของธุรกรรมในเครื่องนั้นถูกใช้งานผ่านเจอร์นัล (โหลดซ้ำเมื่อรีสตาร์ทโหนด) จุดประสงค์คือไม่สูญเสียธุรกรรมในเครื่องที่ยังไม่เสร็จสิ้นและจะมีการอัปเดตเป็นประจำ

ความถูกต้องตามกฎหมายของธุรกรรมจะถูกตรวจสอบก่อนเข้าคิว รวมถึงการตรวจสอบประเภทต่างๆ เช่น การโจมตีแบบ Anti-DOS, ธุรกรรมแบบ Anti-Negative, ขีดจำกัดของธุรกรรมแก๊ส เป็นต้น องค์ประกอบอย่างง่ายของกลุ่มธุรกรรมสามารถแบ่งออกเป็น: คิว + รอดำเนินการ (ทั้งสองถือเป็นธุรกรรมทั้งหมด) หลังจากเสร็จสิ้นการทดสอบความถูกต้องตามกฎหมายแล้วจะมีการดำเนินการตรวจสอบในภายหลังรวมถึงการตรวจสอบว่าคิวธุรกรรมถึงขีดจำกัดบนหรือไม่ จากนั้น การตัดสินธุรกรรมระยะไกล (ธุรกรรมระยะไกลเป็นธุรกรรมที่ไม่ใช่ในประเทศ) ) ต่ำที่สุดในกลุ่มการซื้อขาย แทนที่ธุรกรรมที่มีราคาต่ำที่สุดในกลุ่มการซื้อขาย สำหรับการแทนที่ธุรกรรมที่ปฏิบัติการได้ โดยค่าเริ่มต้น เฉพาะธุรกรรมที่มีค่าธรรมเนียมเพิ่มขึ้น 10% เท่านั้นที่ได้รับอนุญาตให้แทนที่ธุรกรรมที่กำลังรอการดำเนินการอยู่แล้ว และจะถูกจัดเก็บเป็นธุรกรรมที่ไม่สามารถดำเนินการได้หลังจากการแทนที่ นอกจากนี้ ในระหว่างกระบวนการบำรุงรักษากลุ่มธุรกรรม ธุรกรรมที่ไม่ถูกต้องและเกินขีดจำกัดจะถูกลบ และธุรกรรมที่ตรงตามเงื่อนไขจะถูกแทนที่

• กลไกฉันทามติ

ทฤษฎีฉันทามติในช่วงต้นของ Ethereum ยังคงใช้วิธีการคำนวณค่าความยากของแฮช กล่าวคือ ต้องคำนวณค่าแฮชของบล็อกเพื่อให้ตรงตามเงื่อนไขของค่าความยากของเป้าหมายก่อนที่บล็อกจะถูกกฎหมาย เนื่องจากอัลกอริธึมฉันทามติในปัจจุบันของ Ethereum ได้เปลี่ยนจาก POW เป็น POS ทฤษฎีที่เกี่ยวข้องกับการขุดจะไม่ถูกกล่าวถึงโดยละเอียด ต่อไปนี้เป็นคำอธิบายโดยย่อของอัลกอริทึม POS Ethereum เสร็จสิ้นการควบรวมกิจการของ beacon chain ในเดือนกันยายน 2022 และใช้อัลกอริธึม POS โดยเฉพาะอย่างยิ่ง เวลาบล็อกของแต่ละบล็อกของ Ethereum ตาม POS นั้นคงที่ที่ 12 วินาที และผู้ใช้ให้คำมั่นสัญญา Ethereum ของตนเองใน Ethereum รับสิทธิ์ที่จะเป็น ผู้ตรวจสอบแล้วสุ่มเลือกกลุ่มผู้ตรวจสอบจากผู้ใช้ที่เข้าร่วมในคำมั่นสัญญา ในแต่ละรอบ ผู้ตรวจสอบจะถูกเลือกจากแต่ละช่องจากทั้งหมด 32 ช่อง และจะมีการเลือกหนึ่งช่อง โดยมีผู้ตรวจสอบทำหน้าที่เป็นผู้เสนอ และผู้เสนอใช้การสร้างบล็อก และผู้ตรวจสอบที่เหลือซึ่งสอดคล้องกับสล็อตจะทำหน้าที่เป็นคณะกรรมการเพื่อตรวจสอบความถูกต้องตามกฎหมายของบล็อกของผู้เสนอ และในขณะเดียวกันก็ตัดสินความถูกต้องตามกฎหมายของบล็อกในรอบที่แล้ว อัลกอริธึม POS จะรักษาเสถียรภาพและปรับปรุงความเร็วของการสร้างบล็อกอย่างมีนัยสำคัญ ขณะเดียวกันก็หลีกเลี่ยงการสิ้นเปลืองทรัพยากรการประมวลผลอย่างมาก

• อัลกอริธึมลายเซ็น

Ethereum เป็นไปตามมาตรฐานอัลกอริธึมลายเซ็นของ Bitcoin และยังใช้เส้นโค้ง secp 256 k 1 อัลกอริธึมลายเซ็นเฉพาะของมันใช้ ECDSA ซึ่งหมายความว่าลายเซ็นที่คำนวณได้จะถูกคำนวณตามแฮชของข้อความต้นฉบับ ลายเซ็นทั้งหมดประกอบด้วย หากต้องการพูดง่ายๆ มันคือ R+S+V มีการใช้ตัวเลขสุ่มตามลำดับในการคำนวณแต่ละครั้ง โดยที่ R+S คือเอาต์พุตดั้งเดิมของ ECDSA ฟิลด์สุดท้าย V เรียกว่าฟิลด์การกู้คืน ซึ่งระบุจำนวนการค้นหาที่จำเป็นในการกู้คืนคีย์สาธารณะจากเนื้อหาและลายเซ็นได้สำเร็จ เนื่องจากอาจมีจุดพิกัดหลายจุดในเส้นโค้งรูปไข่ที่ตรงตามข้อกำหนดตามค่า R

กระบวนการทั้งหมดสามารถสรุปได้ง่ายๆ ดังนี้: ข้อมูลธุรกรรมและข้อมูลที่เกี่ยวข้องกับผู้ลงนามจะถูกแฮชหลังจากการเข้ารหัส RLP และลงนามด้วยคีย์ส่วนตัวผ่าน ECDSA เพื่อรับลายเซ็นขั้นสุดท้าย และเส้นโค้งที่ใช้ใน ECDSA คือ secp 256 k 1 เส้นโค้งรูปไข่ สุดท้าย ด้วยการรวมข้อมูลลายเซ็นเข้ากับข้อมูลธุรกรรม คุณสามารถรับข้อมูลธุรกรรมที่ลงนามและออกอากาศได้

โครงสร้างข้อมูลของ Ethereum ไม่เพียงแต่พึ่งพาเทคโนโลยีบล็อกเชนแบบดั้งเดิมเท่านั้น แต่ยังแนะนำแผนผัง Merkle Patricia หรือที่รู้จักกันในชื่อแผนผังคำนำหน้าที่บีบอัดของ Merkle เพื่อการจัดเก็บที่มีประสิทธิภาพและการตรวจสอบข้อมูลจำนวนมาก MPT รวมความสามารถในการแฮชการเข้ารหัสของแผนผัง Merkle เข้ากับคุณสมบัติการบีบอัดเส้นทางคีย์ของแผนผัง Patricia เพื่อมอบโซลูชันที่รับประกันความสมบูรณ์ของข้อมูลและรองรับการค้นหาที่รวดเร็ว

• MPT

ใน Ethereum นั้น MPT ใช้เพื่อจัดเก็บข้อมูลสถานะและข้อมูลธุรกรรมทั้งหมด เพื่อให้มั่นใจว่าการเปลี่ยนแปลงข้อมูลใด ๆ สะท้อนให้เห็นในรูทแฮชของแผนผัง ซึ่งหมายความว่าด้วยการตรวจสอบรูทแฮช คุณสามารถพิสูจน์ความสมบูรณ์และความถูกต้องของข้อมูลได้โดยไม่ต้องตรวจสอบฐานข้อมูลทั้งหมด MPT ประกอบด้วยโหนดสี่ประเภท ได้แก่ โหนดลีฟ โหนดส่วนขยาย โหนดสาขา และโหนดว่าง ซึ่งรวมกันเป็นแผนภูมิต้นไม้ที่สามารถปรับให้เข้ากับการเปลี่ยนแปลงข้อมูลแบบไดนามิกได้ แต่ละครั้งที่มีการอัปเดตข้อมูล MPT จะสะท้อนถึงการเปลี่ยนแปลงเหล่านี้โดยการเพิ่ม ลบ หรือแก้ไขโหนด ในขณะที่อัปเดตแฮชรูทของแผนผัง เนื่องจากแต่ละโหนดได้รับการเข้ารหัสโดยฟังก์ชันแฮช การเปลี่ยนแปลงเล็กๆ น้อยๆ ในข้อมูลจะนำไปสู่การเปลี่ยนแปลงครั้งใหญ่ในรูทแฮช ดังนั้นจึงรับประกันความปลอดภัยและความสม่ำเสมอของข้อมูล นอกจากนี้ MPT ยังได้รับการออกแบบเพื่อรองรับการตรวจสอบ ไคลเอ็นต์แบบเบา ซึ่งช่วยให้โหนดสามารถตรวจสอบการมีอยู่หรือสถานะของข้อมูลเฉพาะได้ง่ายๆ โดยการจัดเก็บรูทแฮชของแผนผังและโหนดเส้นทางที่จำเป็น ซึ่งช่วยลดความจำเป็นในการจัดเก็บข้อมูลและการประมวลผลได้อย่างมาก

Ethereum ไม่เพียงแต่บรรลุการจัดการที่มีประสิทธิภาพและการเข้าถึงข้อมูลอย่างรวดเร็วผ่าน MPT เท่านั้น แต่ยังรับประกันความปลอดภัยและการกระจายอำนาจของเครือข่าย ซึ่งสนับสนุนการดำเนินงานและการพัฒนาเครือข่าย Ethereum ทั้งหมด

• เครื่องของรัฐ

สถาปัตยกรรมหลักของ Ethereum รวมเอาแนวคิดของเครื่องจักรสถานะ Ethereum Virtual Machine (EVM) คือสภาพแวดล้อมรันไทม์ที่รันโค้ดสัญญาอัจฉริยะทั้งหมด และ Ethereum เองก็ถือได้ว่าเป็นระบบการเปลี่ยนสถานะที่ใช้ร่วมกันทั่วโลก การดำเนินการของแต่ละบล็อกสามารถดูได้ว่าเป็นกระบวนการเปลี่ยนสถานะ โดยย้ายจากสถานะที่ใช้ร่วมกันทั่วโลกหนึ่งไปยังอีกสถานะหนึ่ง การออกแบบนี้ไม่เพียงแต่รับประกันความสอดคล้องและการกระจายอำนาจของเครือข่าย Ethereum เท่านั้น แต่ยังทำให้ผลการดำเนินการของสัญญาอัจฉริยะสามารถคาดการณ์ได้และไม่สามารถเปลี่ยนแปลงได้

ใน Ethereum สถานะหมายถึงข้อมูลปัจจุบันของทุกบัญชี รวมถึงยอดคงเหลือของแต่ละบัญชี ข้อมูลการจัดเก็บ และรหัสสัญญาอัจฉริยะ เมื่อใดก็ตามที่มีธุรกรรมเกิดขึ้น EVM จะคำนวณและแปลงสถานะตามเนื้อหาธุรกรรม และกระบวนการนี้จะถูกบันทึกอย่างมีประสิทธิภาพและปลอดภัยผ่าน MPT การเปลี่ยนสถานะแต่ละครั้งไม่เพียงแต่เปลี่ยนข้อมูลบัญชีเท่านั้น แต่ยังส่งผลให้เกิดการอัปเดต MPT ซึ่งสะท้อนให้เห็นในการเปลี่ยนแปลงในรูทแฮชของแผนผัง

ความสัมพันธ์ระหว่าง EVM และ MPT มีความสำคัญเนื่องจาก MPT ให้การรับประกันความสมบูรณ์ของข้อมูลสำหรับการเปลี่ยนสถานะของ Ethereum เมื่อ EVM ดำเนินธุรกรรมที่เปลี่ยนสถานะบัญชี โหนด MPT ที่เกี่ยวข้องจะได้รับการอัปเดตเพื่อแสดงการเปลี่ยนแปลงเหล่านี้ เนื่องจากแต่ละโหนดของ MPT เชื่อมโยงกันด้วยแฮช การปรับเปลี่ยนสถานะใด ๆ จะทำให้เกิดการเปลี่ยนแปลงในรูทแฮช จากนั้น แฮชรูทใหม่นี้จะรวมอยู่ในบล็อกใหม่เพื่อให้มั่นใจถึงความเสถียรของสถานะ Ethereum ทั้งหมด ความสม่ำเสมอและความปลอดภัย ต่อไปเราจะแนะนำเครื่องเสมือน EVM

• EVM

เครื่องเสมือน EVM เป็นรากฐานสำหรับ Ethereum ทั้งหมดในการสร้างสัญญาอัจฉริยะและดำเนินการเปลี่ยนสถานะ ต้องขอบคุณ EVM ที่ทำให้ Ethereum สามารถจินตนาการได้ว่าเป็นคอมพิวเตอร์โลกในความหมายที่แท้จริง เครื่องเสมือน EVM ทัวริงเสร็จสมบูรณ์ ซึ่งหมายความว่าสัญญาอัจฉริยะบน Ethereum สามารถทำการคำนวณเชิงตรรกะที่ซับซ้อนได้ และการนำกลไกของแก๊สไปใช้ป้องกันการวนซ้ำไม่สิ้นสุดในสัญญาได้สำเร็จ และรับประกันความเสถียรและความปลอดภัยของเครือข่าย ในระดับทางเทคนิค EVM คือเครื่องเสมือนแบบสแต็กที่ใช้โค้ดไบต์เฉพาะของ Ethereum เพื่อดำเนินการสัญญาอัจฉริยะ นักพัฒนามักจะใช้ภาษาระดับสูง เช่น Solidity เพื่อเขียนสัญญาอัจฉริยะ จากนั้นคอมไพล์เป็นโค้ดไบต์ที่ EVM สามารถเข้าใจสำหรับการเรียกใช้การดำเนินการโดย EVM EVM เป็นกุญแจสำคัญในความสามารถด้านนวัตกรรมของ Ethereum blockchain ไม่เพียงแต่สนับสนุนการดำเนินงานของสัญญาอัจฉริยะเท่านั้น แต่ยังเป็นรากฐานที่มั่นคงสำหรับการพัฒนาแอปพลิเคชันแบบกระจายอำนาจอีกด้วย Ethereum กำลังสร้างอนาคตดิจิทัลแบบกระจายอำนาจ ปลอดภัย และเปิดกว้างผ่าน EVM

สรุปประวัติ

รูปที่ 1 การทบทวนประวัติศาสตร์ของ Ethereum

ความท้าทายที่ Ethereum เผชิญ

ความปลอดภัย

สัญญาอัจฉริยะคือโปรแกรมคอมพิวเตอร์ที่ทำงานบนบล็อกเชน Ethereum ช่วยให้นักพัฒนาสามารถสร้างและเผยแพร่แอปพลิเคชันที่หลากหลาย รวมถึงแต่ไม่จำกัดเพียงแอปพลิเคชันการให้กู้ยืม การแลกเปลี่ยนแบบกระจายอำนาจ การประกันภัย การจัดหาเงินทุนรอง เครือข่ายโซเชียล และ NFT ความปลอดภัยของสัญญาอัจฉริยะเป็นสิ่งสำคัญสำหรับแอปพลิเคชันเหล่านี้ แอปพลิเคชันเหล่านี้รับผิดชอบโดยตรงในการประมวลผลและควบคุมสกุลเงินดิจิทัล ช่องโหว่ใด ๆ ในสัญญาอัจฉริยะหรือการโจมตีที่เป็นอันตรายจะก่อให้เกิดภัยคุกคามโดยตรงต่อความปลอดภัยของกองทุนและอาจนำไปสู่การสูญเสียทางเศรษฐกิจครั้งใหญ่ ตัวอย่างเช่น ในวันที่ 26 กุมภาพันธ์ 2024 โปรโตคอลการให้ยืม DeFi Blueberry Protocol ถูกโจมตีเนื่องจากข้อบกพร่องทางตรรกะในสัญญาอัจฉริยะ ส่งผลให้สูญเสียเงินประมาณ 1,400,000 เหรียญสหรัฐ

ช่องโหว่ของสัญญาอัจฉริยะมีหลายแง่มุม ครอบคลุมถึงตรรกะทางธุรกิจที่ไม่สมเหตุสมผล (ตรรกะทางธุรกิจ) การควบคุมการเข้าถึงที่ไม่เหมาะสม การตรวจสอบข้อมูลที่ไม่เพียงพอ การโจมตีซ้ำ และการโจมตี DOS (Denial of Service) ช่องโหว่เหล่านี้อาจทำให้เกิดปัญหาในการดำเนินการตามสัญญาและส่งผลกระทบต่อการดำเนินการที่มีประสิทธิภาพของสัญญาอัจฉริยะ ยกตัวอย่างการโจมตี DOS วิธีการโจมตีนี้ใช้ผู้โจมตีเพื่อส่งธุรกรรมจำนวนมากเพื่อใช้ทรัพยากรเครือข่าย จากนั้น ธุรกรรมที่เริ่มต้นโดยผู้ใช้ปกติจะไม่สามารถประมวลผลได้ทันเวลาซึ่งจะส่งผลให้ประสบการณ์ผู้ใช้ลดลง นอกจากนี้ยังจะทำให้ค่าธรรมเนียมการทำธุรกรรมก๊าซเพิ่มขึ้นอีกด้วย เนื่องจากเมื่อทรัพยากรเครือข่ายมีจำกัด ผู้ใช้อาจต้องจ่ายค่าธรรมเนียมที่สูงขึ้นเพื่อจัดลำดับความสำคัญของธุรกรรม

นอกจากนี้ ผู้ใช้บน Ethereum ยังเผชิญกับความเสี่ยงในการลงทุน และความปลอดภัยของกองทุนก็จะถูกคุกคาม ตัวอย่างเช่น สแปมคอยน์ใช้เพื่ออธิบายสกุลเงินดิจิทัลที่ถือว่ามีมูลค่าน้อยหรือไม่มีโอกาสเติบโตในระยะยาว เหรียญสแปมมักใช้เป็นเครื่องมือในการฉ้อโกงหรือเพื่อปั่นราคาในกลยุทธ์การปั๊มและการถ่ายโอนข้อมูล การลงทุนในเหรียญขยะมีความเสี่ยงสูงและอาจส่งผลให้เกิดการสูญเสียทางการเงินอย่างมาก เนื่องจากราคาต่ำและมูลค่าตลาดต่ำ จึงมีความเสี่ยงสูงต่อการถูกบิดเบือนและความผันผวน เหรียญนี้มักใช้ในโครงการ pump-and-dump และการหลอกลวงแบบ honeypot โดยที่โครงการปลอมถูกใช้เพื่อล่อลวงนักลงทุนและขโมยเงินทุนของพวกเขา ความเสี่ยงจากสแปมคอยน์ทั่วไปอีกประการหนึ่งคือการดึงพรม ซึ่งผู้สร้างจะดึงสภาพคล่องทั้งหมดออกจากโครงการอย่างกะทันหัน ส่งผลให้มูลค่าของโทเค็นลดลง การหลอกลวงเหล่านี้มักทำการตลาดโดยมีพันธมิตรและการรับรองปลอม และเมื่อราคาโทเค็นเพิ่มขึ้น นักต้มตุ๋นจะขายโทเค็น ทำกำไร และหายไป ทำให้นักลงทุนเหลือโทเค็นที่ไร้ค่า ในขณะเดียวกัน การลงทุนใน shitcoin จะเบี่ยงเบนความสนใจและทรัพยากรจากสกุลเงินดิจิทัลที่ถูกกฎหมายซึ่งมีการใช้งานจริงและมีศักยภาพในการเติบโต

นอกจากเหรียญขยะแล้ว เหรียญอากาศและเหรียญ MLM ยังเป็นวิธีในการทำกำไรอย่างรวดเร็วอีกด้วย การแยกความแตกต่างจากสกุลเงินดิจิทัลที่ถูกกฎหมายเป็นเรื่องยากโดยเฉพาะสำหรับผู้ใช้ที่ขาดความเชี่ยวชาญและประสบการณ์

ประสิทธิภาพ

ตัวชี้วัดสองตัวที่ตรงไปตรงมามากสำหรับการประเมินประสิทธิภาพของ Ethereum คือความเร็วของการทำธุรกรรมและค่าธรรมเนียมก๊าซ ความเร็วของธุรกรรมหมายถึงจำนวนธุรกรรมที่เครือข่าย Ethereum สามารถประมวลผลได้ต่อหน่วยเวลา ตัวชี้วัดนี้สะท้อนถึงพลังการประมวลผลของเครือข่าย Ethereum โดยตรงด้วยความเร็วที่เร็วขึ้นหมายถึงประสิทธิภาพที่สูงขึ้น ทุกธุรกรรมใน Ethereum จะต้องเสียค่าธรรมเนียมก๊าซเพื่อชดเชยนักขุดที่ทำการตรวจสอบธุรกรรม ยิ่งต้นทุนก๊าซต่ำ ประสิทธิภาพของ Ethereum ก็จะยิ่งสูงขึ้น

ความเร็วในการทำธุรกรรมที่ลดลงส่งผลให้ค่าธรรมเนียมก๊าซสูงขึ้น โดยทั่วไปแล้ว เมื่อความเร็วการประมวลผลธุรกรรมช้าลง อาจมีการทำธุรกรรมเพิ่มขึ้นที่แข่งขันกันเพื่อเข้าสู่บล็อกถัดไปเนื่องจากพื้นที่บล็อกที่จำกัด เพื่อให้โดดเด่นจากคู่แข่ง เทรดเดอร์มักจะเพิ่มค่าธรรมเนียมก๊าซ เนื่องจากนักขุดมักจะจัดลำดับความสำคัญของธุรกรรมโดยมีค่าธรรมเนียมก๊าซที่สูงกว่าเมื่อตรวจสอบความถูกต้องของธุรกรรม จากนั้นค่าธรรมเนียมน้ำมันที่สูงขึ้นจะลดประสบการณ์ผู้ใช้

ธุรกรรมเป็นเพียงกิจกรรมพื้นฐานใน Ethereum ในระบบนิเวศนี้ ผู้ใช้ยังสามารถดำเนินกิจกรรมต่างๆ เช่น การให้กู้ยืม การจำนำ การลงทุน และการประกันภัย ทั้งหมดนี้สามารถทำได้ผ่าน DApps เฉพาะ อย่างไรก็ตาม เนื่องจาก DApps มีความหลากหลายและการขาดบริการแนะนำส่วนบุคคลที่คล้ายกับอุตสาหกรรมแบบดั้งเดิม ผู้ใช้จะรู้สึกสับสนเมื่อเลือกแอปและผลิตภัณฑ์ที่เหมาะกับพวกเขา สถานการณ์นี้จะส่งผลให้ความพึงพอใจของผู้ใช้ลดลง ซึ่งจะส่งผลต่อประสิทธิภาพของระบบนิเวศ Ethereum ทั้งหมด

ดูการให้กู้ยืมเป็นตัวอย่าง เพื่อรักษาความปลอดภัยและเสถียรภาพของแพลตฟอร์มของตนเอง แพลตฟอร์มการให้กู้ยืม DeFi บางแห่งใช้กลไกการค้ำประกันมากเกินไป ซึ่งหมายความว่าผู้กู้จำเป็นต้องวางทรัพย์สินเพิ่มเติมเป็นหลักประกัน และผู้ยืมไม่สามารถใช้สินทรัพย์เหล่านี้เพื่อกิจกรรมอื่น ๆ ในระหว่างระยะเวลาการกู้ยืม ซึ่งจะส่งผลให้การใช้เงินทุนของผู้กู้ลดลง ส่งผลให้สภาพคล่องของตลาดลดลง

การประยุกต์ใช้การเรียนรู้ของเครื่องใน Ethereum

โมเดลการเรียนรู้ของเครื่อง เช่น โมเดล RFM, เครือข่ายปฏิปักษ์ทั่วไป (GAN), โมเดลแผนผังการตัดสินใจ, อัลกอริธึมเพื่อนบ้าน K-ที่ใกล้ที่สุด (KNN), อัลกอริธึมการจัดกลุ่ม DBSCAN ฯลฯ กำลังมีบทบาทสำคัญใน Ethereum การใช้โมเดลการเรียนรู้ของเครื่องเหล่านี้ใน Ethereum สามารถช่วยเพิ่มประสิทธิภาพการประมวลผลธุรกรรม ปรับปรุงความปลอดภัยของสัญญาอัจฉริยะ ตระหนักถึงการแบ่งชั้นผู้ใช้เพื่อให้บริการที่เป็นส่วนตัวมากขึ้น และช่วยรักษาการทำงานที่มั่นคงของเครือข่าย

การแนะนำอัลกอริทึม

อัลกอริทึมการเรียนรู้ของเครื่องคือชุดคำสั่งหรือกฎสำหรับการแยกวิเคราะห์ข้อมูล รูปแบบการเรียนรู้ในข้อมูล และการคาดการณ์หรือการตัดสินใจตามการเรียนรู้เหล่านั้น พวกเขาเรียนรู้และปรับปรุงโดยอัตโนมัติจากข้อมูลที่ได้รับโดยไม่จำเป็นต้องมีคำสั่งการเขียนโปรแกรมที่ชัดเจนจากมนุษย์ โมเดลการเรียนรู้ของเครื่อง เช่น โมเดล RFM, เครือข่ายปฏิปักษ์ทั่วไป (GAN), โมเดลแผนผังการตัดสินใจ, อัลกอริธึมเพื่อนบ้าน K-ที่ใกล้ที่สุด (KNN), อัลกอริธึมการจัดกลุ่ม DBSCAN ฯลฯ กำลังมีบทบาทสำคัญใน Ethereum การใช้โมเดลการเรียนรู้ของเครื่องเหล่านี้ใน Ethereum สามารถช่วยเพิ่มประสิทธิภาพการประมวลผลธุรกรรม ปรับปรุงความปลอดภัยของสัญญาอัจฉริยะ ตระหนักถึงการแบ่งชั้นผู้ใช้เพื่อให้บริการที่เป็นส่วนตัวมากขึ้น และช่วยรักษาการทำงานที่มั่นคงของเครือข่าย

• ตัวจําแนกแบบเบย์

ตัวแยกประเภทแบบเบย์คือตัวแยกประเภทที่มีประสิทธิภาพซึ่งมีจุดมุ่งหมายเพื่อลดความน่าจะเป็นของข้อผิดพลาดในการจำแนกประเภท หรือลดความเสี่ยงโดยเฉลี่ยภายใต้กรอบต้นทุนเฉพาะในวิธีการจำแนกประเภททางสถิติต่างๆ ปรัชญาการออกแบบมีรากฐานมาจากทฤษฎีบทของ Bayes ซึ่งช่วยให้สามารถตัดสินใจโดยการคำนวณความน่าจะเป็นภายหลังของวัตถุ โดยพิจารณาจากความน่าจะเป็นที่วัตถุจะอยู่ในประเภทใดประเภทหนึ่งโดยมีลักษณะเฉพาะบางอย่าง โดยเฉพาะอย่างยิ่ง ตัวแยกประเภทแบบเบย์จะพิจารณาความน่าจะเป็นก่อนหน้าของวัตถุ จากนั้นจึงใช้สูตรแบบเบย์เพื่อพิจารณาข้อมูลการสังเกตอย่างครอบคลุมเพื่ออัปเดตความเชื่อเกี่ยวกับการจำแนกวัตถุ ในบรรดาการจำแนกประเภทที่เป็นไปได้ทั้งหมด ตัวแยกประเภทแบบเบย์จะเลือกประเภทที่มีความน่าจะเป็นหลังมากที่สุดในการจัดประเภทวัตถุให้เป็นหมวดหมู่นี้ ข้อได้เปรียบหลักของแนวทางนี้คือความสามารถในการจัดการกับความไม่แน่นอนและข้อมูลที่ไม่สมบูรณ์ตามธรรมชาติ ทำให้เป็นเครื่องมือที่ทรงพลังและยืดหยุ่นเหมาะสำหรับสถานการณ์การใช้งานที่หลากหลาย

ดังแสดงในรูปที่ 2 ในการเรียนรู้ของเครื่องภายใต้การดูแล ข้อมูลและแบบจำลองความน่าจะเป็นตามทฤษฎีบทของ Bayes จะถูกนำมาใช้ในการตัดสินใจจำแนกประเภท ด้วยการใช้ความน่าจะเป็นและความน่าจะเป็นก่อนหน้าของหมวดหมู่และคุณลักษณะ ตัวแยกประเภทแบบเบย์จะคำนวณความน่าจะเป็นภายหลังที่จุดข้อมูลอยู่ในแต่ละหมวดหมู่ และกำหนดจุดข้อมูลให้กับหมวดหมู่ที่มีความน่าจะเป็นหลังที่ใหญ่ที่สุด ในแผนภาพกระจายทางด้านขวา ตัวแยกประเภทจะพยายามค้นหาเส้นโค้งที่แยกจุดของสีต่างๆ ได้ดีที่สุด ซึ่งจะช่วยลดข้อผิดพลาดในการจำแนกประเภทให้เหลือน้อยที่สุด

รูปที่ 2 ตัวลักษณนามแบบเบย์

• ต้นไม้ตัดสินใจ

อัลกอริธึมแผนผังการตัดสินใจมักใช้ในงานจำแนกประเภทและการถดถอย ใช้แนวคิดของการตัดสินแบบลำดับชั้น จากข้อมูลที่ทราบ ต้นไม้การตัดสินใจได้รับการฝึกอบรมโดยการเลือกคุณลักษณะที่มีอัตราการได้รับข้อมูลขนาดใหญ่ จากนั้นจึงแยกออกเป็น ต้นไม้ กล่าวง่ายๆ ก็คือ อัลกอริธึมทั้งหมดสามารถเรียนรู้กฎการตัดสินใจด้วยตนเองโดยอิงจากข้อมูลเพื่อตัดสินค่าของตัวแปร ในแง่ของการนำไปปฏิบัติ อัลกอริธึมสามารถแยกย่อยกระบวนการตัดสินใจที่ซับซ้อนออกเป็นกระบวนการตัดสินใจย่อยง่ายๆ หลายกระบวนการ . ด้วยวิธีการอนุพันธ์ดังกล่าวการตัดสินการตัดสินใจที่ง่ายกว่าแต่ละครั้งนั้นได้มาจากเกณฑ์การตัดสินใจของผู้ปกครองซึ่งสร้างโครงสร้างแบบต้นไม้

ดังที่เห็นได้จากรูปที่ 3 แต่ละโหนดแสดงถึงการตัดสินใจและกำหนดเกณฑ์การตัดสินสำหรับคุณลักษณะเฉพาะ และสาขาต่างๆ แสดงถึงผลลัพธ์ของการตัดสินใจ แต่ละโหนดใบแสดงถึงผลลัพธ์และหมวดหมู่ที่คาดการณ์ไว้ขั้นสุดท้าย จากมุมมองขององค์ประกอบของอัลกอริธึม โมเดลแผนผังการตัดสินใจค่อนข้างใช้งานง่าย เข้าใจง่าย และมีความสามารถในการตีความได้ดี

ภาพที่ 3แบบจำลองแผนผังการตัดสินใจ

• อัลกอริทึม DBSCAN

DBSCAN (การจัดกลุ่มแอปพลิเคชันเชิงพื้นที่ตามความหนาแน่นของสัญญาณรบกวน) เป็นอัลกอริธึมการจัดกลุ่มเชิงพื้นที่ตามความหนาแน่นพร้อมสัญญาณรบกวน ซึ่งดูเหมือนว่าจะทำงานได้ดีเป็นพิเศษสำหรับชุดข้อมูลที่ไม่ได้เชื่อมต่อกัน อัลกอริธึมนี้สามารถค้นหากลุ่มของรูปร่างต่างๆ ได้โดยไม่ต้องระบุจำนวนกลุ่มล่วงหน้า และมีความทนทานต่อค่าผิดปกติในชุดข้อมูลได้ดี อัลกอริธึมยังมีประสิทธิภาพในการระบุค่าผิดปกติในชุดข้อมูลที่มีสัญญาณรบกวน โดยที่สัญญาณรบกวนหรือค่าผิดปกติถูกกำหนดให้เป็นจุดในพื้นที่ที่มีความหนาแน่นต่ำ ดังแสดงในรูปที่ 4

รูปที่ 4อัลกอริธึม DBSCAN ระบุสัญญาณรบกวน

• อัลกอริทึม KNN

อัลกอริธึม KNN (K-Nearest Neighbors) สามารถใช้สำหรับทั้งการจำแนกประเภทและการถดถอย ในปัญหาการจำแนกประเภท กลไกการลงคะแนนเสียงใช้เพื่อกำหนดหมวดหมู่ของรายการที่จะจัดประเภท ในปัญหาการถดถอย ค่าเฉลี่ยหรือค่าเฉลี่ยถ่วงน้ำหนักของตัวอย่างเพื่อนบ้านที่ใกล้ที่สุด k ตัวอย่างจะถูกคำนวณเพื่อการทำนาย

ดังที่แสดงในรูปที่ 5 อัลกอริธึม KNN ทำงานในการจัดหมวดหมู่โดยการค้นหาเพื่อนบ้าน K ที่ใกล้ที่สุดของจุดข้อมูลใหม่ จากนั้นคาดการณ์หมวดหมู่ของจุดข้อมูลใหม่ตามประเภทของเพื่อนบ้านเหล่านี้ ถ้า K= 1 จุดข้อมูลใหม่จะถูกกำหนดให้กับคลาสของเพื่อนบ้านที่ใกล้ที่สุด ถ้า K>1 โดยปกติแล้ววิธีการลงคะแนนเสียงจะถูกใช้เพื่อกำหนดคลาสของจุดข้อมูลใหม่ นั่นคือ จุดข้อมูลใหม่จะถูกกำหนดให้กับคลาสที่มีเพื่อนบ้านมากที่สุด เมื่อใช้อัลกอริทึม KNN สำหรับปัญหาการถดถอย แนวคิดพื้นฐานจะเหมือนกัน และผลลัพธ์คือค่าเฉลี่ยของค่าเอาต์พุตตัวอย่าง K ของเพื่อนบ้านที่ใกล้ที่สุด

รูปที่ 5 อัลกอริธึม KNN ที่ใช้ในการจำแนกประเภท

• ปัญญาประดิษฐ์กำเนิด

ปัญญาประดิษฐ์เชิงสร้างสรรค์เป็นเทคโนโลยี AI ที่สามารถสร้างเนื้อหาใหม่ (เช่น ข้อความ รูปภาพ เพลง ฯลฯ) ตามความต้องการอินพุต พื้นหลังของมันขึ้นอยู่กับความก้าวหน้าในการเรียนรู้ของเครื่องและการเรียนรู้เชิงลึก โดยเฉพาะอย่างยิ่งกับแอปพลิเคชันในด้านต่างๆ เช่น การประมวลผลภาษาธรรมชาติและการจดจำภาพ AI เชิงสร้างสรรค์ทำงานโดยรูปแบบการเรียนรู้และการเชื่อมโยงจากข้อมูลจำนวนมาก จากนั้นสร้างผลลัพธ์ใหม่ตามข้อมูลที่เรียนรู้นี้ กุญแจสำคัญในการสร้างปัญญาประดิษฐ์อยู่ที่การฝึกโมเดลซึ่งต้องใช้ข้อมูลที่ดีเยี่ยมสำหรับการเรียนรู้และการฝึกอบรม ในกระบวนการนี้ โมเดลจะค่อยๆ ปรับปรุงความสามารถในการสร้างเนื้อหาใหม่โดยการวิเคราะห์และทำความเข้าใจโครงสร้าง รูปแบบ และความสัมพันธ์ในชุดข้อมูล

• Transformer

ในฐานะรากฐานสำคัญของปัญญาประดิษฐ์เจเนอเรชัน Transformer เป็นผู้บุกเบิกการแนะนำกลไกความสนใจซึ่งช่วยให้การประมวลผลข้อมูลมุ่งเน้นไปที่ประเด็นสำคัญในขณะเดียวกันก็มีภาพรวมด้วย ความสามารถพิเศษนี้ทำให้ Transformer โดดเด่นในด้านการสร้างข้อความ การใช้โมเดลภาษาประมวลผลภาษาธรรมชาติล่าสุด เช่น GPT (Generative Pre-trained Transformer) เพื่อทำความเข้าใจข้อกำหนดการใช้งานของผู้ใช้ที่แสดงเป็นภาษาธรรมชาติ และแปลงเป็นโค้ดที่ปฏิบัติการได้โดยอัตโนมัติ สามารถลดปัญหาในการพัฒนาและปรับปรุงประสิทธิภาพได้อย่างมาก

ดังแสดงในรูปที่ 6 ด้วยการแนะนำกลไกความสนใจแบบหลายหัวและกลไกการเอาใจใส่ตนเอง รวมกับการเชื่อมต่อที่เหลือและโครงข่ายประสาทเทียมที่เชื่อมต่ออย่างสมบูรณ์ และด้วยความช่วยเหลือของเทคโนโลยีการฝังคำก่อนหน้านี้ ประสิทธิภาพของแบบจำลองกำเนิดที่เกี่ยวข้องกับภาษาธรรมชาติ การประมวลผลได้รับการปรับปรุงอย่างมาก โลกขึ้น

รูปที่ 6 รุ่นหม้อแปลงไฟฟ้า

• โมเดล RFM

โมเดล RFM เป็นรูปแบบการวิเคราะห์ตามพฤติกรรมการซื้อของผู้ใช้ โดยการวิเคราะห์พฤติกรรมการทำธุรกรรมของผู้ใช้ ทำให้สามารถระบุกลุ่มผู้ใช้ที่มีค่าต่างกันได้ โมเดลนี้แบ่งกลุ่มผู้ใช้ตามเวลาการบริโภคล่าสุด (R) ความถี่การบริโภค (F) และจำนวนการบริโภค (M)

ดังแสดงในรูปที่ 7 ตัวบ่งชี้ทั้งสามนี้รวมกันเป็นแกนหลักของโมเดล RFM โมเดลจะให้คะแนนผู้ใช้ตามมิติทั้งสามนี้ และจัดเรียงตามคะแนนเพื่อระบุกลุ่มผู้ใช้ที่มีค่าที่สุด นอกจากนี้ โมเดลนี้สามารถแบ่งลูกค้าออกเป็นกลุ่มต่างๆ ได้อย่างมีประสิทธิภาพ เพื่อตระหนักถึงหน้าที่ของการแบ่งชั้นผู้ใช้

รูปที่ 7 แบบจำลองชั้น RFM

แอปพลิเคชันที่เป็นไปได้

เมื่อใช้เทคโนโลยีการเรียนรู้ของเครื่องเพื่อจัดการกับความท้าทายด้านความปลอดภัยของ Ethereum เราได้ทำการวิจัยจากสี่ประเด็นหลัก:

• ระบุและกรองธุรกรรมที่เป็นอันตรายตามตัวแยกประเภทแบบเบย์

ด้วยการสร้างตัวแยกประเภทแบบ Bayesian ธุรกรรมสแปมที่เป็นไปได้จะถูกระบุและกรอง ซึ่งรวมถึงแต่ไม่จำกัดเพียงธุรกรรมขนาดใหญ่ บ่อยครั้ง และขนาดเล็กที่นำไปสู่การโจมตี DOS วิธีการนี้จะรักษาสภาพของเครือข่ายอย่างมีประสิทธิภาพและรับประกันการทำงานที่มั่นคงของเครือข่าย Ethereum โดยการวิเคราะห์ลักษณะธุรกรรม เช่น ราคาก๊าซ ความถี่ของการทำธุรกรรม ฯลฯ

• สร้างรหัสสัญญาอัจฉริยะที่ปลอดภัยและตรงตามข้อกำหนดเฉพาะ

ทั้ง Generative Adversarial Networks (GAN) และเครือข่าย generative ที่ใช้ Transformer สามารถใช้เพื่อสร้างโค้ดสัญญาอัจฉริยะที่ตรงตามข้อกำหนดเฉพาะและรับรองความปลอดภัยของโค้ดให้ได้มากที่สุด อย่างไรก็ตาม ทั้งสองมีความแตกต่างกันในด้านประเภทของข้อมูลที่ต้องใช้ในการฝึกโมเดล กระบวนการฝึกอบรมแบบแรกอาศัยตัวอย่างโค้ดที่ไม่ปลอดภัยเป็นหลัก

ด้วยการฝึกอบรม GAN เราเรียนรู้รูปแบบสัญญารักษาความปลอดภัยที่มีอยู่ สร้างแบบจำลองการเผชิญหน้าด้วยตนเองเพื่อสร้างรหัสที่อาจไม่ปลอดภัย จากนั้นเรียนรู้ที่จะระบุความไม่มั่นคงเหล่านี้ผ่านการเรียนรู้แบบจำลอง ซึ่งท้ายที่สุดแล้วจะบรรลุความสามารถในการสร้างรหัสสัญญาอัจฉริยะคุณภาพสูงและปลอดภัยยิ่งขึ้นโดยอัตโนมัติ . . การใช้โมเดลเครือข่ายกำเนิดตาม Transformer และการเรียนรู้ตัวอย่างสัญญารักษาความปลอดภัยจำนวนมากเพื่อสร้างรหัสสัญญาที่ตรงกับความต้องการเฉพาะและเพิ่มประสิทธิภาพการใช้ก๊าซจะช่วยปรับปรุงประสิทธิภาพและความปลอดภัยของการพัฒนาสัญญาอัจฉริยะต่อไปอย่างไม่ต้องสงสัย

•  การวิเคราะห์ความเสี่ยงของสัญญาอัจฉริยะตามแผนผังการตัดสินใจ

การใช้แผนผังการตัดสินใจเพื่อวิเคราะห์ลักษณะของสัญญาอัจฉริยะ เช่น ความถี่ในการเรียกใช้ฟังก์ชัน มูลค่าธุรกรรม ความซับซ้อนของซอร์สโค้ด ฯลฯ สามารถระบุระดับความเสี่ยงที่อาจเกิดขึ้นของสัญญาได้อย่างมีประสิทธิภาพ ด้วยการวิเคราะห์โหมดการทำงานและโครงสร้างโค้ดของสัญญา ทำให้สามารถคาดการณ์จุดอ่อนและจุดความเสี่ยงที่อาจเกิดขึ้นได้ ดังนั้นจึงช่วยให้นักพัฒนาและผู้ใช้ได้รับการประเมินความปลอดภัย แนวทางนี้คาดว่าจะปรับปรุงความปลอดภัยของสัญญาอัจฉริยะในระบบนิเวศ Ethereum ได้อย่างมาก ซึ่งช่วยลดความสูญเสียอันเนื่องมาจากช่องโหว่หรือโค้ดที่เป็นอันตราย

• สร้างแบบจำลองการประเมินสำหรับสกุลเงินดิจิทัลเพื่อลดความเสี่ยงในการลงทุน

ใช้อัลกอริธึมการเรียนรู้ของเครื่องเพื่อวิเคราะห์ข้อมูลหลายมิติ เช่น ข้อมูลธุรกรรมสกุลเงินดิจิทัล กิจกรรมโซเชียลมีเดีย และประสิทธิภาพของตลาด เพื่อสร้างแบบจำลองการประเมินที่สามารถทำนายความเป็นไปได้ของเหรียญสแปม โมเดลนี้สามารถให้ข้อมูลอ้างอิงอันมีค่าแก่นักลงทุน เพื่อช่วยพวกเขาหลีกเลี่ยงความเสี่ยงในการลงทุน ซึ่งจะช่วยส่งเสริมการพัฒนาที่ดีของตลาดสกุลเงินดิจิทัล

นอกจากนี้ การใช้การเรียนรู้ของเครื่องยังมีศักยภาพในการปรับปรุงประสิทธิภาพของ Ethereum ต่อไป เราสามารถเจาะลึกลงไปในมิติสำคัญทั้งสามดังต่อไปนี้:

• แอปพลิเคชันแผนผังการตัดสินใจเพื่อเพิ่มประสิทธิภาพโมเดลการจัดคิวธุรกรรม

ขึ้นอยู่กับแผนผังการตัดสินใจ กลไกการจัดคิวของกลุ่มธุรกรรม Ethereum สามารถเพิ่มประสิทธิภาพได้อย่างมีประสิทธิภาพ ด้วยการวิเคราะห์ลักษณะของธุรกรรม เช่น ราคาก๊าซและขนาดธุรกรรม แผนผังการตัดสินใจจะเพิ่มประสิทธิภาพการเลือกและลำดับคิวของธุรกรรมได้ วิธีนี้สามารถปรับปรุงประสิทธิภาพการประมวลผลธุรกรรมได้อย่างมาก ลดความแออัดของเครือข่ายได้อย่างมีประสิทธิภาพ และลดเวลารอการทำธุรกรรมของผู้ใช้

• แบ่งกลุ่มผู้ใช้และให้บริการส่วนบุคคล

โมเดล RFM (Recency, Monetary value, Frequency) เป็นเครื่องมือวิเคราะห์ที่ใช้กันอย่างแพร่หลายในการจัดการลูกค้าสัมพันธ์ โดยสามารถประเมินเวลาการทำธุรกรรมล่าสุดของผู้ใช้ (Recency) ความถี่ในการทำธุรกรรม (Frequency) และจำนวนธุรกรรม (มูลค่าทางการเงิน) ดำเนินการผู้ใช้อย่างมีประสิทธิภาพ การแบ่งชั้น การใช้โมเดล RFM บนแพลตฟอร์ม Ethereum สามารถช่วยระบุกลุ่มผู้ใช้ที่มีมูลค่าสูง เพิ่มประสิทธิภาพการจัดสรรทรัพยากร และให้บริการที่เป็นส่วนตัวมากขึ้น ซึ่งจะช่วยปรับปรุงความพึงพอใจของผู้ใช้และประสิทธิภาพโดยรวมของแพลตฟอร์ม

อัลกอริธึม DBSCAN ยังสามารถวิเคราะห์พฤติกรรมการซื้อขายของผู้ใช้ ช่วยระบุกลุ่มผู้ใช้ที่แตกต่างกันบน Ethereum และให้บริการทางการเงินที่ปรับแต่งเพิ่มเติมสำหรับผู้ใช้ที่แตกต่างกัน กลยุทธ์การแบ่งชั้นผู้ใช้นี้สามารถเพิ่มประสิทธิภาพกลยุทธ์การตลาดและปรับปรุงความพึงพอใจของลูกค้าและประสิทธิภาพการบริการ

• การให้คะแนนเครดิตตาม KNN

อัลกอริธึมเพื่อนบ้าน K ใกล้ที่สุด (KNN) ให้คะแนนเครดิตของผู้ใช้โดยการวิเคราะห์ประวัติการทำธุรกรรมและรูปแบบพฤติกรรมของผู้ใช้ Ethereum ซึ่งมีบทบาทสำคัญในกิจกรรมทางการเงิน เช่น การให้กู้ยืม คะแนนเครดิตสามารถช่วยให้สถาบันการเงินและแพลตฟอร์มการให้กู้ยืมประเมินความสามารถในการชำระหนี้และความเสี่ยงด้านเครดิตของผู้กู้ ส่งผลให้ตัดสินใจกู้ยืมได้แม่นยำยิ่งขึ้น สิ่งนี้จะช่วยหลีกเลี่ยงการกู้ยืมมากเกินไปและปรับปรุงสภาพคล่องของตลาด

ทิศทางในอนาคต

จากมุมมองของการจัดสรรกองทุนมหภาค Ethereum ซึ่งเป็นคอมพิวเตอร์แบบกระจายที่ใหญ่ที่สุดในโลก ไม่สามารถลงทุนมากเกินไปในชั้นอินฟาเรดได้ และจำเป็นต้องดึงดูดนักพัฒนาจากภูมิหลังที่มากกว่าให้เข้าร่วมในการก่อสร้างร่วม ในบทความนี้ โดยการแยกแยะการใช้งานทางเทคนิคและปัญหาที่ Ethereum ต้องเผชิญ เราได้จินตนาการถึงชุดของแอปพลิเคชัน Machine Learning ที่เป็นไปได้ค่อนข้างง่าย นอกจากนี้ เรายังหวังเป็นอย่างยิ่งว่านักพัฒนา AI ในชุมชนจะสามารถส่งมอบวิสัยทัศน์เหล่านี้และสร้างมูลค่าที่แท้จริงได้ . ลงจอด.

เมื่อพลังการประมวลผลบนเชนค่อยๆ เพิ่มขึ้น เราคาดการณ์ได้ว่าจะมีการพัฒนาโมเดลที่ซับซ้อนมากขึ้นสำหรับการจัดการเครือข่าย การตรวจสอบธุรกรรม การตรวจสอบความปลอดภัย และด้านอื่น ๆ เพื่อปรับปรุงประสิทธิภาพและความปลอดภัยของเครือข่าย Ethereum

นอกจากนี้ กลไกการกำกับดูแลที่ขับเคลื่อนด้วยปัญญาประดิษฐ์/เอเจนต์อาจกลายเป็นจุดนวัตกรรมที่สำคัญในระบบนิเวศ Ethereum กระบวนการตัดสินใจที่มีประสิทธิภาพมากขึ้น โปร่งใสมากขึ้น และเป็นอัตโนมัติมากขึ้นที่เกิดจากกลไกนี้ จะนำโครงสร้างการกำกับดูแลที่ยืดหยุ่นและเชื่อถือได้มากขึ้นมาสู่แพลตฟอร์ม Ethereum ทิศทางการพัฒนาในอนาคตเหล่านี้ไม่เพียงแต่ส่งเสริมนวัตกรรมของเทคโนโลยี Ethereum เท่านั้น แต่ยังมอบประสบการณ์ออนไลน์ที่ดีขึ้นให้กับผู้ใช้อีกด้วย

หากคุณเป็นผู้เชี่ยวชาญในเทคโนโลยี AI หรือ Ethereum และสนใจที่จะพูดคุยเพิ่มเติมหรือทำงานร่วมกันในหัวข้อนี้ โปรดติดต่อเรา

Mirror Tang | Salus

Yixin Ren ｜Hongshan capital