Meneruskan Judul Asli: Bagaimana AI Membaharui Ethereum? Melihat 'AI+Blockchain' dari Sudut Pandang Lain

Selama setahun terakhir, dengan AI generatif secara berulang kali melebihi harapan, gelombang revolusi produktivitas AI telah melanda komunitas cryptocurrency. Banyak proyek konsep AI telah membawa mitos penciptaan kekayaan di pasar sekunder. Pada saat yang bersamaan, semakin banyak pengembang yang mulai mengembangkan proyek mereka sendiri “AI+Crypto”.

Namun, setelah observasi lebih teliti, dapat diperhatikan bahwa proyek-proyek ini menunjukkan fungsibilitas yang parah, dengan sebagian besar proyek hanya fokus pada meningkatkan 'hubungan produksi,' seperti mengatur kekuatan komputasi melalui jaringan terdesentralisasi atau menciptakan 'Hugging Face terdesentralisasi,' dan sebagainya. Sedikit proyek yang mencoba integrasi dan inovasi yang genuine dari teknologi yang mendasar. Kami percaya bahwa alasan dari fenomena ini terletak pada 'bias domain' antara bidang kecerdasan buatan dan blockchain. Meskipun mereka memiliki persimpangan yang luas, sedikit orang yang benar-benar memahami kedua domain tersebut. Sebagai contoh, pengembang kecerdasan buatan merasa sulit untuk memahami implementasi teknis dan status infrastruktur historis Ethereum, apalagi mengusulkan solusi optimisasi yang mendalam.

Mengambil pembelajaran mesin (ML), cabang paling dasar dari AI, sebagai contoh, ini adalah teknologi di mana mesin dapat membuat keputusan berdasarkan data tanpa instruksi pemrograman eksplisit. Pembelajaran mesin telah menunjukkan potensi besar dalam analisis data dan pengenalan pola dan telah menjadi hal yang umum dalam Web 2. Namun, karena keterbatasan awalnya, bahkan di garis depan inovasi teknologi blockchain seperti Ethereum, arsitektur, jaringan, dan mekanisme tata kelolanya belum secara efektif memanfaatkan pembelajaran mesin sebagai alat untuk menyelesaikan masalah kompleks.

"Inovasi besar sering muncul dari bidang lintas disiplin." Tujuan menulis artikel ini adalah untuk membantu pengembang AI memahami dunia blockchain dengan lebih baik dan memberikan ide-ide baru bagi pengembang di komunitas Ethereum. Dalam artikel ini, kami pertama-tama memperkenalkan implementasi teknis Ethereum dan kemudian mengusulkan solusi untuk menerapkan pembelajaran mesin, sebuah algoritma AI yang mendasar, ke jaringan Ethereum untuk meningkatkan keamanan, efisiensi, dan skalabilitasnya. Kami berharap kasus ini menjadi titik awal untuk menyajikan beberapa perspektif yang berbeda dari pasar dan merangsang kombinasi lintas inovatif lebih banyak dari "AI+Blockchain" dalam ekosistem pengembang.

Implementasi Teknis Ethereum

1. Struktur data dasar
   Esensi dari blockchain adalah rantai blok, dan kunci untuk membedakan rantai terletak pada konfigurasi rantai, bagian penting dari setiap genesis blockchain. Untuk Ethereum, konfigurasi rantai digunakan untuk membedakan antara rantai yang berbeda dalam Ethereum, mengidentifikasi protokol upgrade penting dan peristiwa penting. Misalnya, DAOForkBlock menandakan tinggi fork keras Ethereum setelah serangan DAO, sementara ConstantinopleBlock menandai tinggi blok untuk upgrade Constantinople. Untuk upgrade utama yang berisi banyak proposal perbaikan, bidang khusus diatur untuk mengidentifikasi tinggi blok yang sesuai. Selain itu, Ethereum terdiri dari berbagai jaringan uji dan jaringan utama, yang unik diidentifikasi oleh ChainID untuk menunjukkan ekosistem jaringan mereka masing-masing.
   Blok genesis berfungsi sebagai blok nol dari seluruh blockchain, yang secara langsung atau tidak langsung dirujuk oleh blok lain. Oleh karena itu, node harus memuat informasi blok genesis yang benar saat inisialisasi, tanpa modifikasi sewenang-wenang yang diperbolehkan. Informasi konfigurasi blok genesis termasuk konfigurasi rantai yang disebutkan sebelumnya, bersama dengan rincian tambahan seperti imbalan penambangan yang relevan, timestamp, kesulitan, dan batas gas. Perlu dicatat bahwa mekanisme konsensus Ethereum telah beralih dari penambangan bukti kerja ke bukti kepemilikan.
   Akun Ethereum dibagi menjadi akun eksternal dan akun kontrak. Akun eksternal dikendalikan oleh kunci pribadi unik, sedangkan akun kontrak tidak memiliki kendali kunci pribadi dan hanya dapat dioperasikan dengan memanggil eksekusi kode kontrak melalui akun eksternal. Setiap akun sesuai dengan simpul daun dalam keadaan dunia Ethereum, menyimpan keadaan akun (berbagai informasi akun dan detail kode).
   Transaksi: Sebagai platform terdesentralisasi yang utamanya untuk transaksi dan kontrak, blok Ethereum terdiri dari transaksi yang dikemas dan informasi terkait tambahan. Sebuah blok terbagi menjadi dua bagian: header blok dan badan blok. Data header blok berisi bukti yang menghubungkan semua blok ke dalam sebuah rantai, termasuk hash blok sebelumnya dan bukti-bukti dari seluruh keadaan dunia Ethereum, root transaksi, root penerimaan, dan data tambahan seperti kesulitan dan nonce. Badan blok menyimpan daftar transaksi dan daftar header blok paman (karena Ethereum telah beralih ke bukti kepemilikan, referensi blok paman tidak lagi ada).
   Tanda terima transaksi menyediakan hasil dari eksekusi transaksi dan informasi tambahan, yang tidak dapat diperoleh secara langsung dengan memeriksa transaksi itu sendiri. Secara khusus, mereka berisi konten konsensus, informasi transaksi, dan informasi blok, menunjukkan apakah pemrosesan transaksi berhasil dan menyediakan log transaksi dan rincian konsumsi gas. Menganalisis informasi dalam tanda terima membantu debug kode kontrak pintar dan mengoptimalkan konsumsi gas, sambil memberikan konfirmasi bahwa transaksi telah diproses oleh jaringan dan memungkinkan melihat hasil transaksi dan dampaknya.
   Di Ethereum, biaya gas dapat dimengerti secara sederhana sebagai biaya transaksi. Ketika Anda mengirim token, menjalankan kontrak pintar, mentransfer Ether, atau melakukan berbagai operasi pada blockchain dalam blok tertentu, transaksi ini memerlukan biaya gas. Sumber daya komputasi Ethereum dikonsumsi saat memproses transaksi ini, dan Anda harus membayar biaya gas untuk mendorong jaringan untuk bekerja untuk Anda. Pada akhirnya, biaya gas dibayarkan sebagai biaya transaksi kepada penambang, dan rumus perhitungan spesifik dapat dimengerti sebagai Biaya = Gas Digunakan * Harga Gas, di mana harga per unit gas ditetapkan oleh inisiasi transaksi dan seringkali menentukan kecepatan inklusi transaksi dalam blok. Menetapkan harga gas terlalu rendah dapat mengakibatkan transaksi tidak dieksekusi, dan juga perlu menetapkan batas gas sebagai batas atas untuk menghindari konsumsi gas yang tidak terduga akibat kesalahan dalam kontrak pintar.

2. Kolam perdagangan
   Di Ethereum, ada sejumlah besar transaksi, dan dibandingkan dengan sistem terpusat, throughput sistem terdesentralisasi dalam hal transaksi per detik jauh lebih rendah. Dengan sejumlah besar transaksi masuk ke node, node perlu mempertahankan kolam transaksi untuk mengelola transaksi tersebut dengan benar. Penyebaran transaksi terjadi melalui komunikasi peer-to-peer. Secara khusus, node akan menyiarkan transaksi yang dapat dieksekusi ke node tetangganya, yang akan lebih lanjut menyebarkan transaksi ke node tetangganya, memungkinkan transaksi menyebar ke seluruh jaringan Ethereum dalam waktu 6 detik.
   Transaksi dalam kolam perdagangan dibagi menjadi transaksi yang dapat dieksekusi dan transaksi yang tidak dapat dieksekusi. Transaksi yang dapat dieksekusi, yang memiliki prioritas lebih tinggi, dieksekusi dan dimasukkan ke dalam blok, sementara semua transaksi yang memasuki kolam awalnya tidak dapat dieksekusi dan menjadi dapat dieksekusi kemudian. Transaksi yang dapat dieksekusi dan transaksi yang tidak dapat dieksekusi dicatat dalam wadah tertunda dan wadah antrian, masing-masing.
   Selain itu, kolam transaksi mempertahankan daftar transaksi lokal. Transaksi lokal memiliki berbagai keunggulan, termasuk prioritas yang lebih tinggi, kekebalan terhadap pembatasan volume transaksi, dan pembaruan langsung ke dalam kolam transaksi saat restart node. Penyimpanan persistensi lokal dari transaksi lokal dicapai melalui jurnal, memastikan bahwa transaksi lokal yang belum selesai tidak hilang dan secara berkala diperbarui.
   Sebelum transaksi dijadwalkan, validitasnya diverifikasi, termasuk berbagai jenis pemeriksaan seperti mencegah serangan DOS, mencegah transaksi negatif, dan memverifikasi batas gas transaksi. Komposisi sederhana pool transaksi dapat dibagi menjadi antrian + tertunda (mencakup semua transaksi). Setelah menyelesaikan pemeriksaan validitas, pemeriksaan lanjutan dilakukan, termasuk memeriksa apakah antrian transaksi telah mencapai batasnya dan menentukan apakah transaksi jarak jauh (transaksi non-lokal) memiliki harga terendah di dalam pool transaksi, menggantikan transaksi termurah dalam pool. Untuk menggantikan transaksi yang dapat dieksekusi, hanya transaksi dengan kenaikan biaya hingga 10% yang diizinkan menggantikan yang menunggu dieksekusi, dan transaksi yang digantikan disimpan sebagai transaksi yang tidak dapat dieksekusi. Selain itu, transaksi yang tidak valid dan melebihi batas dihapus selama proses pemeliharaan pool transaksi, dan transaksi yang memenuhi syarat digantikan.

3. Mekanisme Konsensus
   Pada tahap awal, teori konsensus Ethereum didasarkan pada metode perhitungan nilai kesulitan hash. Dengan kata lain, diperlukan perhitungan nilai hash dari blok untuk memenuhi kondisi nilai kesulitan target agar blok dianggap valid. Ketika algoritma konsensus Ethereum berubah dari Proof of Work (PoW) ke Proof of Stake (PoS), saya akan secara singkat menjelaskan algoritma PoS di sini. Ethereum menyelesaikan penggabungan rantai penanda pada September 2022, menerapkan algoritma PoS. Secara khusus, dalam Ethereum berbasis PoS, waktu blok setiap blok stabil selama 12 detik. Pengguna mempertaruhkan Ethereum mereka untuk mendapatkan hak menjadi validator. Kemudian, dilakukan proses seleksi acak di antara para pemegang saham yang berpartisipasi untuk memilih seperangkat validator. Dalam setiap putaran, yang mencakup 32 slot, seorang validator dipilih sebagai penunjuk untuk setiap slot, sementara validator lainnya dalam slot yang sama bertindak sebagai komite untuk memvalidasi legitimasi blok yang diajukan dan menghakimi legitimasi blok dari putaran sebelumnya. Algoritma PoS secara signifikan menstabilkan dan mempercepat produksi blok sambil sangat menghindari pemborosan sumber daya komputasi.

4. Algoritma Tanda Tangan
   Ethereum mengadopsi standar algoritma tanda tangan yang sama dengan Bitcoin, yang menggunakan kurva secp256k1. Secara khusus, algoritma tanda tangan yang digunakan adalah ECDSA, di mana tanda tangan dihitung berdasarkan hash pesan asli. Tanda tangan terdiri dari komponen R+S+V. Setiap komputasi memperkenalkan nomor acak, dan R+S mewakili output asli dari ECDSA. Bidang pengekoran V, yang dikenal sebagai bidang pemulihan, menunjukkan jumlah percobaan yang diperlukan untuk berhasil memulihkan kunci publik dari konten dan tanda tangan karena menemukan koordinat yang memenuhi persyaratan berdasarkan nilai R dalam kurva elips dapat memiliki beberapa solusi.
   Seluruh proses dapat dirangkum sebagai berikut: data transaksi dan informasi relevan penandatangan di-hash setelah di-enkode oleh RLP, dan tanda tangan akhir diperoleh dengan menandatangani dengan kunci privat melalui ECDSA. Kurva yang digunakan dalam ECDSA adalah kurva eliptis secp256k1. Akhirnya, data transaksi yang ditandatangani digabungkan dengan data transaksi untuk memperoleh data transaksi yang ditandatangani yang dapat disiarkan.
   Struktur data Ethereum tidak hanya bergantung pada teknologi blockchain tradisional tetapi juga menggabungkan Pohon Merkle Patricia (MPT), juga dikenal sebagai Pohon Prefiks Terkompresi Merkle, untuk penyimpanan dan verifikasi data dalam jumlah besar secara efisien. MPT menggabungkan fungsi hash kriptografis dari pohon Merkle dan fitur kompresi jalur kunci dari pohon Patricia, menyediakan solusi yang menjamin integritas data dan mendukung pencarian cepat.

5. Pohon Merkle Patricia (MPT)
   Di Ethereum, MPT digunakan untuk menyimpan semua data status dan transaksi, memastikan bahwa setiap perubahan pada data tercermin dalam hash root pohon. Ini berarti bahwa dengan memverifikasi hash root, integritas dan keakuratan data dapat dibuktikan tanpa memeriksa seluruh database. MPT terdiri dari empat jenis node: node daun, node ekstensi, node cabang, dan node kosong, yang bersama-sama membentuk pohon yang mampu beradaptasi dengan perubahan data dinamis. Setiap kali data diperbarui, MPT mencerminkan perubahan ini dengan menambahkan, menghapus, atau memodifikasi node, sambil memperbarui hash root pohon. Karena setiap node dienkripsi melalui fungsi hash, setiap perubahan kecil pada data akan menyebabkan perubahan signifikan pada hash root, memastikan keamanan dan konsistensi data. Selain itu, desain MPT mendukung verifikasi "klien ringan", memungkinkan node untuk memverifikasi keberadaan atau status informasi spesifik dengan hanya menyimpan hash root pohon dan node jalur yang diperlukan, sangat mengurangi kebutuhan untuk penyimpanan dan pemrosesan data.
   Melalui MPT, Ethereum tidak hanya mencapai manajemen yang efisien dan akses data yang cepat tetapi juga memastikan keamanan dan desentralisasi jaringan, mendukung operasi dan pengembangan seluruh jaringan Ethereum.

6. Mesin Negara
   Arsitektur inti Ethereum menggabungkan konsep mesin keadaan, di mana Mesin Virtual Ethereum (EVM) adalah lingkungan runtime untuk mengeksekusi semua kode kontrak pintar, dan Ethereum sendiri dapat dilihat sebagai sistem transisi keadaan bersama secara global. Pelaksanaan setiap blok dapat dilihat sebagai proses transisi keadaan, berpindah dari satu keadaan bersama secara global ke keadaan lainnya. Desain ini memastikan konsistensi dan desentralisasi jaringan Ethereum dan membuat hasil eksekusi kontrak pintar dapat diprediksi dan tahan terhadap manipulasi.
   Dalam Ethereum, negara merujuk pada informasi saat ini dari semua akun, termasuk saldo masing-masing akun, data yang disimpan, dan kode kontrak pintar. Setiap kali terjadi transaksi, EVM menghitung dan mengubah negara berdasarkan konten transaksi, dan proses ini direkam secara efisien dan aman melalui MPT. Setiap transisi negara tidak hanya mengubah data akun tetapi juga mengakibatkan pembaruan MPT, tercermin dalam perubahan root hash dari pohon.
   Hubungan antara EVM dan MPT sangat penting karena MPT memberikan jaminan integritas data untuk transisi keadaan Ethereum. Ketika EVM menjalankan transaksi dan mengubah keadaan akun, node MPT yang relevan diperbarui untuk mencerminkan perubahan tersebut. Karena setiap node MPT terhubung melalui hash, setiap modifikasi ke keadaan akan menyebabkan perubahan pada hash root, yang kemudian disertakan dalam blok baru, memastikan konsistensi dan keamanan seluruh keadaan Ethereum. Sekarang, mari kita kenalkan Mesin Virtual Ethereum (EVM).

7. EVM
   Mesin Virtual Ethereum (EVM) adalah komponen fundamental yang bertanggung jawab untuk mengeksekusi kontrak pintar dan memfasilitasi transisi status dalam jaringan Ethereum. Berkat EVM, Ethereum dapat diwujudkan sebagai komputer dunia. EVM adalah Turing lengkap, yang berarti bahwa kontrak pintar yang diterapkan di Ethereum dapat mengeksekusi komputasi logika yang sangat kompleks. Pengenalan mekanisme gas di Ethereum mencegah skenario seperti perulangan tak terbatas dalam kontrak, memastikan stabilitas dan keamanan jaringan.

Pada level yang lebih teknis, EVM adalah mesin virtual berbasis tumpukan yang mengeksekusi kontrak pintar menggunakan bytecode khusus Ethereum. Pengembang biasanya menulis kontrak pintar dalam bahasa tingkat tinggi seperti Solidity, yang kemudian dikompilasi menjadi bytecode yang dapat dimengerti oleh EVM untuk dieksekusi. EVM adalah inovasi kunci dari blockchain Ethereum, mendukung tidak hanya eksekusi kontrak pintar tetapi juga menyediakan dasar yang kokoh untuk pengembangan aplikasi terdesentralisasi (DApps). Melalui EVM, Ethereum membentuk masa depan digital yang terdesentralisasi, aman, dan terbuka.

Ulasan Sejarah Ethereum

Gambar 1 Tinjauan Historis tentang Ethereum

Tantangan Keamanan Ethereum

Smart contract adalah program komputer yang berjalan di blockchain Ethereum. Mereka memungkinkan pengembang untuk membuat dan mendeploy berbagai aplikasi, termasuk namun tidak terbatas pada aplikasi peminjaman, pertukaran terdesentralisasi, asuransi, pembiayaan sekunder, jaringan sosial, dan NFT. Keamanan smart contract sangat penting untuk aplikasi-aplikasi ini. Aplikasi-aplikasi ini bertanggung jawab langsung atas penanganan dan pengendalian cryptocurrency, dan setiap kerentanan atau serangan jahat terhadap smart contract merupakan ancaman langsung terhadap keamanan dana, berpotensi mengakibatkan kerugian ekonomi yang signifikan. Sebagai contoh, pada 26 Februari 2024, protokol peminjaman DeFi Blueberry Protocol mengalami serangan akibat kekurangan logika smart contract, yang mengakibatkan kerugian sekitar $1.400.000.

Kerentanan kontrak cerdas bersifat multidimensi, mencakup logika bisnis yang tidak masuk akal, kontrol akses yang tidak tepat, validasi data yang tidak memadai, serangan re-entry, dan serangan DOS (Denial of Service), di antara aspek lainnya. Kerentanan ini dapat menyebabkan masalah dalam eksekusi kontrak, memengaruhi operasi efektif dari kontrak cerdas. Mengambil serangan DOS sebagai contoh, jenis serangan ini mengonsumsi sumber daya jaringan dengan mengirimkan sejumlah besar transaksi, menyebabkan transaksi yang diinisiasi oleh pengguna normal diproses secara lambat, menyebabkan penurunan pengalaman pengguna. Selain itu, ini juga dapat menyebabkan peningkatan biaya gas transaksi. Ketika sumber daya jaringan langka, pengguna mungkin perlu membayar biaya yang lebih tinggi untuk memprioritaskan transaksi mereka untuk diproses.

Selain itu, pengguna di Ethereum juga menghadapi risiko investasi, dengan keamanan dana mereka terancam. Misalnya, ada "rugs," digunakan untuk menggambarkan mata uang kripto yang dianggap memiliki sedikit atau tidak ada nilai atau potensi pertumbuhan jangka panjang. Rugs sering dieksploitasi sebagai alat untuk penipuan atau untuk strategi pump-and-dump untuk manipulasi harga. Berinvestasi di rugs membawa risiko investasi tinggi dan dapat mengakibatkan kerugian keuangan yang signifikan. Karena harganya rendah dan nilainya di pasar, mereka rentan terhadap manipulasi dan volatilitas. Token-token ini sering digunakan untuk skema pump-and-dump dan penipuan honeypot, menarik investor dengan proyek palsu dan mencuri dana mereka. Risiko umum lainnya adalah rug pulling, di mana pencipta tiba-tiba menghapus semua likuiditas dari suatu proyek, menyebabkan nilai token merosot. Penipuan ini sering melibatkan pemasaran melalui kemitraan palsu dan dukungan. Begitu harga token naik, penipu menjual token mereka, menghilang, meninggalkan investor dengan token tak berharga. Selain itu, berinvestasi di rugs juga mengalihkan perhatian dan sumber daya dari mata uang kripto sah dengan utilitas dan potensi pertumbuhan yang sebenarnya. Selain rugs, koin udara dan koin skema piramida juga merupakan metode penghasilan cepat. Bagi pengguna yang kurang memiliki pengetahuan dan pengalaman profesional, membedakan mereka dari mata uang kripto sah sangat menantang.

Efisiensi

Dua indikator yang sangat langsung dari efisiensi Ethereum adalah kecepatan transaksi dan biaya gas. Kecepatan transaksi mengacu pada jumlah transaksi yang dapat diproses oleh jaringan Ethereum dalam satuan waktu. Indikator ini secara langsung mencerminkan kapasitas pemrosesan jaringan Ethereum; semakin cepat kecepatannya, semakin tinggi efisiensinya. Setiap transaksi di Ethereum memerlukan sejumlah biaya gas tertentu untuk mengganti penambang atas verifikasi transaksi. Biaya gas yang lebih rendah menunjukkan efisiensi yang lebih tinggi di Ethereum.

Penurunan kecepatan transaksi dapat menyebabkan peningkatan biaya gas. Secara umum, ketika kecepatan pemrosesan transaksi menurun, karena ruang blok terbatas, mungkin akan ada lebih banyak persaingan untuk transaksi masuk ke blok berikutnya. Untuk unggul dalam persaingan, para pedagang biasanya meningkatkan biaya gas, karena para penambang sering memprioritaskan transaksi dengan biaya gas yang lebih tinggi untuk verifikasi. Akibatnya, biaya gas yang lebih tinggi menurunkan kepuasan pengalaman pengguna.

Transaksi hanyalah kegiatan dasar di Ethereum. Di dalam ekosistem ini, pengguna juga dapat terlibat dalam berbagai kegiatan seperti peminjaman, staking, investasi, asuransi, dll. Semua ini dapat dilakukan melalui DApps tertentu. Namun, mengingat beragamnya DApps dan kurangnya layanan rekomendasi personal yang mirip dengan industri tradisional, pengguna mungkin merasa bingung saat memilih aplikasi dan produk yang sesuai. Situasi ini dapat menyebabkan penurunan kepuasan pengguna, yang memengaruhi efisiensi keseluruhan dari ekosistem Ethereum.

Ambil pinjaman sebagai contoh. Beberapa platform peminjaman DeFi menggunakan mekanisme over-collateralization untuk menjaga keamanan dan stabilitas platform mereka. Ini berarti bahwa peminjam perlu menyediakan lebih banyak aset sebagai jaminan, yang tidak dapat digunakan oleh peminjam untuk kegiatan lain selama periode peminjaman. Hal ini menyebabkan penurunan dalam penggunaan dana peminjam, sehingga mengurangi likuiditas pasar.

Aplikasi Machine Learning di Ethereum

Model pembelajaran mesin seperti model RMF, Jaringan Generatif Adversarial (GAN), model Pohon Keputusan, algoritma Tetangga Terdekat K-K (KNN), dan algoritma pengelompokan DBSCAN memainkan peran penting di Ethereum. Penerapan model pembelajaran mesin ini di Ethereum dapat membantu mengoptimalkan efisiensi pemrosesan transaksi, meningkatkan keamanan kontrak pintar, mencapai segmentasi pengguna untuk memberikan layanan yang lebih personal, dan berkontribusi dalam menjaga stabilitas jaringan.

Pengantar Algoritma

Algoritma pembelajaran mesin adalah serangkaian instruksi atau aturan yang digunakan untuk menganalisis data, mempelajari pola dalam data, dan membuat prediksi atau keputusan berdasarkan pembelajaran ini. Mereka belajar secara otomatis dan memperbaiki dari data yang diberikan tanpa perlu instruksi pemrograman eksplisit dari manusia. Model pembelajaran mesin seperti model RMF, Jaringan Adversarial Generatif (GAN), model Pohon Keputusan, algoritma K-Tetangga Terdekat (KNN), dan algoritma pengelompokan DBSCAN memainkan peran penting di Ethereum. Penerapan model pembelajaran mesin ini di Ethereum dapat membantu mengoptimalkan efisiensi pemrosesan transaksi, meningkatkan keamanan kontrak pintar, mencapai segmentasi pengguna untuk memberikan layanan yang lebih personal, dan berkontribusi dalam menjaga stabilitas jaringan.

1. klasifikasi Bayes

Klasifikasi Bayes efisien dalam berbagai metode klasifikasi statistik, bertujuan untuk meminimalkan probabilitas kesalahan klasifikasi atau meminimalkan risiko rata-rata dalam kerangka biaya tertentu. Filosofi desainnya sangat berakar pada teorema Bayes, yang memungkinkannya untuk menentukan probabilitas suatu objek termasuk dalam suatu kelas tertentu dengan fitur tertentu dan membuat keputusan dengan menghitung probabilitas posterior objek tersebut.

Secara khusus, klasifikasi Bayes pertama kali mempertimbangkan probabilitas sebelumnya dari suatu objek, kemudian menerapkan rumus Bayesian untuk mempertimbangkan data yang diamati secara komprehensif, sehingga memperbarui keyakinan tentang klasifikasi objek. Di antara semua klasifikasi yang mungkin, klasifikasi Bayes memilih kelas dengan probabilitas posterior tertinggi dan menetapkan objek ke kelas ini. Keuntungan inti dari pendekatan ini adalah kemampuannya untuk secara alami menangani ketidakpastian dan informasi yang tidak lengkap, menjadikannya alat yang kuat dan fleksibel yang dapat diterapkan pada berbagai skenario.

Gambar 2: Klasifikasi Bayes

Seperti yang diilustrasikan dalam Gambar 2, dalam pembelajaran mesin yang terawasi, klasifikasi Bayesian menggunakan data dan model probabilitas berdasarkan teorema Bayes untuk membuat keputusan klasifikasi. Dengan mempertimbangkan kemungkinan, probabilitas sebelumnya dari kelas dan fitur, klasifikasi Bayes menghitung probabilitas posterior dari titik data yang termasuk ke setiap kelas dan menetapkan titik data ke kelas dengan probabilitas posterior tertinggi. Pada plot sebar di sebelah kanan, klasifikasi mencoba untuk menemukan kurva untuk memisahkan titik-titik dengan warna yang berbeda, dengan demikian meminimalkan kesalahan klasifikasi.

1. Pohon Keputusan

Algoritma pohon keputusan umumnya digunakan dalam tugas klasifikasi dan regresi. Ini mengadopsi pendekatan pengambilan keputusan hierarkis, membagi pohon berdasarkan fitur dengan tingkat keuntungan informasi yang lebih tinggi dari data yang diketahui, untuk melatih pohon keputusan. Pada intinya, seluruh algoritma dapat belajar secara otomatis aturan keputusan dari data untuk menentukan nilai variabel. Dalam implementasinya, pohon keputusan dapat mendekomposisi proses keputusan kompleks menjadi beberapa subproses keputusan sederhana, membentuk struktur mirip pohon.

Seperti yang ditunjukkan pada Gambar 3, setiap node mewakili sebuah keputusan, dengan kriteria untuk menilai atribut tertentu, sementara cabang-cabang mewakili hasil keputusan. Setiap node daun mewakili hasil prediksi akhir dan kategori. Dari perspektif komposisi algoritma, model pohon keputusan adalah intuitif, mudah dipahami, dan memiliki interpretasi yang kuat.

Gambar 3: model pohon keputusan

1. Algoritma DBSCAN

DBSCAN (Density-Based Spatial Clustering of Applications with Noise) adalah algoritma pengelompokan spasial berbasis kepadatan yang menangani noise, dan tampaknya sangat efektif untuk dataset yang tidak terhubung. Algoritma ini dapat menemukan kelompok dengan bentuk sembarang tanpa perlu menentukan jumlah kelompok terlebih dahulu, dan menunjukkan ketahanan yang baik terhadap pencilan dalam dataset. Selain itu, algoritma dapat mengidentifikasi titik pencilan secara efektif dalam dataset dengan noise, di mana titik noise atau pencilan didefinisikan sebagai titik-titik dalam area kepadatan rendah, seperti yang ditunjukkan dalam Gambar 4.

Gambar 4: Algoritma DBSCAN mengidentifikasi noise

1. algoritma KNN

Algoritma KNN (K-Nearest Neighbors) dapat digunakan untuk tugas klasifikasi maupun regresi. Dalam masalah klasifikasi, algoritma menentukan kategori item yang akan diklasifikasikan berdasarkan mekanisme voting, sedangkan dalam masalah regresi, algoritma menghitung rata-rata atau rata-rata tertimbang dari nilai-nilai k sampel terdekat untuk membuat prediksi.

Seperti yang ditunjukkan dalam Gambar 5, prinsip kerja algoritma KNN dalam klasifikasi adalah untuk menemukan K tetangga terdekat dari titik data baru dan kemudian memprediksi kategori titik data baru berdasarkan kategori tetangga-tetangga tersebut. Jika K=1, maka titik data baru secara sederhana ditempatkan ke kategori tetangga terdekatnya. Jika K>1, maka biasanya metode pemungutan suara digunakan untuk menentukan kategori titik data baru, yang berarti akan ditempatkan ke kategori yang mayoritas tetangganya termasuk ke dalamnya. Ketika algoritma KNN digunakan untuk masalah regresi, ide dasarnya sama, tetapi hasilnya adalah nilai rata-rata dari nilai-nilai output dari K tetangga terdekat.

Gambar 5: Algoritma KNN digunakan untuk klasifikasi

1. Generatif AI

Generative AI adalah teknologi AI yang dapat menghasilkan konten baru (seperti teks, gambar, musik, dll.) berdasarkan persyaratan input. Ini berakar dalam kemajuan pembelajaran mesin dan deep learning, khususnya dalam bidang seperti pemrosesan bahasa alami dan pengenalan gambar. Generative AI belajar pola dan korelasi dari jumlah data yang besar dan kemudian menghasilkan output yang benar-benar baru berdasarkan informasi yang dipelajari ini. Kunci dari generative AI terletak dalam pelatihan model, yang membutuhkan data yang sangat baik untuk belajar dan pelatihan. Selama proses ini, model secara bertahap meningkatkan kemampuannya untuk menghasilkan konten baru dengan menganalisis dan memahami struktur, pola, dan hubungan dalam dataset.

1. Transformer
   Sebagai landasan dari kecerdasan buatan yang generatif, Transformer memperkenalkan mekanisme perhatian, yang memungkinkan pemrosesan yang difokuskan pada informasi kunci sambil juga mempertimbangkan konteks global. Kemampuan unik ini telah sangat meningkatkan bidang generasi teks dengan model Transformer. Dengan memanfaatkan model pemrosesan bahasa alami mutakhir seperti GPT (Generative Pre-trained Transformer), memungkinkan untuk memahami kebutuhan aplikasi pengguna yang terungkap dalam bahasa alami dan secara otomatis mengubahnya menjadi kode yang dapat dieksekusi, mengurangi kompleksitas pengembangan dan meningkatkan efisiensi secara signifikan.

Seperti yang ditunjukkan dalam Gambar 6, pengenalan mekanisme perhatian multi-head dan self-attention, bersama dengan koneksi residual dan jaringan saraf terhubung penuh, yang dikombinasikan dengan teknik penyemat kata sebelumnya, telah sangat meningkatkan kinerja model generatif yang terkait dengan pemrosesan bahasa alami.

Gambar 6 model Transformer

1. Pengenalan model RFM:

Model RFM adalah model analitis berdasarkan perilaku pembelian pengguna, yang dapat mengidentifikasi segmen pengguna dengan nilai yang berbeda dengan menganalisis perilaku transaksi mereka. Model ini membagi pengguna berdasarkan Recency (R), Frequency (F), dan nilai Moneter (M) dari pembelian mereka. Seperti yang ditunjukkan dalam Gambar 7, ketiga indikator ini secara bersama-sama membentuk inti dari model RFM. Model ini memberi skor kepada pengguna berdasarkan tiga dimensi ini dan menempatkan mereka berdasarkan skor mereka untuk mengidentifikasi segmen pengguna paling berharga. Selain itu, model ini efektif membagi pelanggan ke dalam kelompok-kelompok yang berbeda untuk mencapai fungsionalitas stratifikasi pengguna.

Gambar 7 model berlapis RFM

Aplikasi yang Memungkinkan

Dalam mengatasi tantangan keamanan Ethereum dengan menggunakan teknik pembelajaran mesin, kami melakukan penelitian dalam empat area utama:

Identifikasi dan Penyaringan Transaksi Berbahaya Berdasarkan Klasifikasi Bayes

Dengan membangun klasifikasi Bayes, transaksi spam potensial, termasuk namun tidak terbatas pada yang menyebabkan serangan DOS melalui transaksi kecil yang berskala besar dan sering, dapat diidentifikasi dan disaring. Pendekatan ini secara efektif menjaga kesehatan jaringan dengan menganalisis karakteristik transaksi seperti harga gas dan frekuensi transaksi, memastikan operasi stabil jaringan Ethereum.

1. Menghasilkan Kode Kontrak Pintar yang Aman dan Disesuaikan

Jaringan Adversarial Generatif (GAN) dan jaringan generatif berbasis Transformer dapat digunakan untuk menghasilkan kode kontrak pintar yang memenuhi persyaratan tertentu dan memastikan keamanan kode sebanyak mungkin. Namun, ada perbedaan dalam jenis data yang digunakan kedua metode ini selama proses pelatihan; yang pertama terutama mengandalkan contoh kode yang tidak aman, sementara yang kedua sebaliknya.

Dengan melatih GAN untuk mempelajari pola kontrak yang aman yang ada dan membangun model self-adversarial untuk menghasilkan kode yang tidak aman, kemudian belajar mengidentifikasi ketidakamanan ini, maka mungkin untuk secara otomatis menghasilkan kode kontrak pintar yang lebih berkualitas tinggi dan lebih aman. Dengan memanfaatkan model jaringan generatif berbasis Transformer, dengan belajar dari sejumlah besar contoh kontrak yang aman, seseorang dapat menghasilkan kode kontrak yang memenuhi persyaratan khusus dan mengoptimalkan konsumsi gas, dengan demikian secara signifikan meningkatkan efisiensi dan keamanan pengembangan kontrak pintar.

Analisis Risiko Kontrak Pintar Berdasarkan Pohon Keputusan

Dengan memanfaatkan pohon keputusan untuk menganalisis fitur kontrak pintar, seperti frekuensi panggilan fungsi, nilai transaksi, kompleksitas kode sumber, dll., dapat mengidentifikasi tingkat risiko potensial dari kontrak dengan efektif. Dengan menganalisis pola operasi kontrak dan struktur kode, kerentanan dan titik risiko dapat diprediksi, memberikan penilaian keamanan kepada pengembang dan pengguna. Metode ini diharapkan dapat secara signifikan meningkatkan keamanan kontrak pintar dalam ekosistem Ethereum, sehingga mengurangi kerugian yang disebabkan oleh kerentanan atau kode jahat.

Membangun Model Evaluasi Cryptocurrency untuk Mengurangi Risiko Investasi

Dengan menganalisis data transaksi cryptocurrency, aktivitas media sosial, kinerja pasar, dan informasi multidimensional lainnya menggunakan algoritma pembelajaran mesin, memungkinkan untuk membuat model evaluasi yang memprediksi kemungkinan koin sampah. Model ini dapat memberikan referensi berharga bagi investor, membantu mereka menghindari risiko investasi dan mempromosikan perkembangan sehat pasar cryptocurrency.

Selain itu, penerapan pembelajaran mesin memiliki potensi untuk lebih meningkatkan efisiensi Ethereum. Kita dapat menyelami tiga dimensi kunci berikut:

Mengoptimalkan Aplikasi Pohon Keputusan dari Model Antrian Kolam Transaksi

Berdasarkan pohon keputusan, memungkinkan untuk mengoptimalkan mekanisme antrian kolam transaksi Ethereum dengan efektif. Dengan menganalisis karakteristik transaksi seperti harga gas dan ukuran transaksi, pohon keputusan dapat mengoptimalkan pilihan transaksi dan urutan antrian. Metode ini dapat signifikan meningkatkan efisiensi pemrosesan transaksi, efektif mengurangi kemacetan jaringan, dan menurunkan waktu tunggu transaksi pengguna.

Stratifikasi Pengguna dan Penyediaan Layanan yang Dipersonalisasi

Model RFM (Recency, Frequency, Monetary value), yang banyak digunakan sebagai alat analisis dalam manajemen hubungan pelanggan, dapat secara efektif mengelompokkan pengguna dengan mengevaluasi kebaruan transaksi terakhir pengguna, frekuensi transaksi, dan nilai transaksi. Mengaplikasikan model RFM pada platform Ethereum dapat membantu mengidentifikasi kelompok pengguna bernilai tinggi, mengoptimalkan alokasi sumber daya, dan memberikan 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 lebih lanjut menyediakan layanan keuangan yang lebih disesuaikan kepada pengguna yang berbeda. Strategi stratifikasi pengguna ini dapat mengoptimalkan strategi pemasaran, dan meningkatkan kepuasan pelanggan serta efisiensi layanan.

Penilaian Kredit Berdasarkan KNN

Algoritma K-Nearest Neighbors (KNN) dapat menganalisis riwayat transaksi pengguna Ethereum dan pola perilaku untuk memberikan skor kredit pengguna, yang memainkan peran yang sangat penting dalam aktivitas keuangan seperti pemberian pinjaman. Skor kredit membantu lembaga keuangan dan platform pemberian pinjaman menilai kemampuan pengembalian dan risiko kredit peminjam dengan lebih akurat, sehingga membuat keputusan pemberian pinjaman yang lebih tepat. Hal ini dapat menghindari pemberian pinjaman berlebihan dan meningkatkan likuiditas pasar.

Arah Masa Depan

Dari perspektif alokasi dana tingkat makro, Ethereum, sebagai komputer terdistribusi terbesar di dunia, tidak dapat memiliki terlalu banyak investasi di lapisan infrastrukturnya. Perlu menarik lebih banyak pengembang dari berbagai latar belakang untuk berpartisipasi dalam pembangunan bersama. Dalam artikel ini, dengan meninjau implementasi teknis Ethereum dan tantangan yang dihadapinya, kami membayangkan serangkaian aplikasi potensial machine learning yang intuitif. Kami juga dengan antusias menantikan pengembang AI dalam komunitas untuk mewujudkan visi ini menjadi nilai yang nyata.

Ketika daya komputasi on-chain meningkat secara bertahap, kita dapat mengantisipasi pengembangan model yang lebih canggih untuk manajemen jaringan, pemantauan transaksi, audit keamanan, dan berbagai aspek lainnya, yang pada akhirnya akan meningkatkan efisiensi dan keamanan jaringan Ethereum.

Lebih jauh, mekanisme governance AI/agen juga dapat menjadi titik inovasi utama dalam ekosistem Ethereum. Mekanisme tersebut akan membawa proses pengambilan keputusan yang lebih efisien, transparan, dan otomatis, yang menghasilkan struktur governance yang lebih fleksibel dan dapat diandalkan untuk platform Ethereum. Arah masa depan ini tidak hanya akan mendorong inovasi dalam teknologi Ethereum tetapi juga memberikan pengalaman on-chain yang berkualitas tinggi bagi pengguna.

Penafian：

1. Artikel ini dicetak ulang dari [panews*Teruskan Judul Asal 'AI Bagaimana Merombak Ethereum? Melihat 'AI+Blockchain' dari Sudut Lain. Semua hak cipta milik penulis asli [Salus]. Jika ada keberatan terhadap terbitan ini, silakan hubungi Gate Belajartim, dan mereka akan menanganinya dengan segera.
2. Penolakan Tanggung Jawab: Pandangan dan opini yang terdapat dalam artikel ini semata-mata milik penulis dan tidak merupakan nasihat investasi apa pun.
3. Terjemahan artikel ke dalam bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, menyalin, mendistribusikan, atau menjiplak artikel yang diterjemahkan dilarang.