Reenviar el Título Original: ¿Cómo está revolucionando la inteligencia artificial a Ethereum? Mirando "IA+Cadena de bloques" desde otra perspectiva

Durante el último año, con la inteligencia artificial generativa superando repetidamente las expectativas, una ola de revolución en la productividad de la inteligencia artificial ha barrido la comunidad de criptomonedas. Muchos proyectos conceptuales de inteligencia artificial han traído consigo un mito de creación de riqueza en el mercado secundario. Al mismo tiempo, cada vez más desarrolladores están empezando a desarrollar sus propios proyectos de "IA+Crypto".

Sin embargo, tras una observación más cercana, se puede notar que estos proyectos muestran una fungibilidad severa, ya que la mayoría de los proyectos solo se centran en mejorar las “relaciones de producción”, como organizar la potencia informática a través de redes descentralizadas o crear un “Hugging Face descentralizado”, y así sucesivamente. Pocos proyectos intentan una integración e innovación genuinas desde la tecnología subyacente. Creemos que la razón de este fenómeno radica en un “bias de dominio” entre los campos de la IA y la cadena de bloques. A pesar de su extensa intersección, pocas personas comprenden verdaderamente ambos campos. Por ejemplo, a los desarrolladores de IA les resulta difícil entender la implementación técnica y el estado de la infraestructura histórica de Ethereum, y mucho menos proponer soluciones de optimización en profundidad.

Tomando el aprendizaje automático (ML), la rama más básica de la IA, como ejemplo, es una tecnología en la que las máquinas pueden tomar decisiones basadas en datos sin instrucciones explícitas de programación. El aprendizaje automático ha mostrado un tremendo potencial en el análisis de datos y el reconocimiento de patrones y se ha vuelto común en la Web 2. Sin embargo, debido a sus limitaciones iniciales, incluso en la vanguardia de la innovación tecnológica de la cadena de bloques como Ethereum, su arquitectura, red y mecanismos de gobernanza aún no han utilizado de manera efectiva el aprendizaje automático como una herramienta para resolver problemas complejos.

"Las grandes innovaciones a menudo surgen de campos interdisciplinarios." El propósito de escribir este artículo es ayudar a los desarrolladores de IA a comprender mejor el mundo de la cadena de bloques y proporcionar nuevas ideas para los desarrolladores en la comunidad de Ethereum. En este artículo, primero presentamos la implementación técnica de Ethereum y luego proponemos una solución para aplicar el aprendizaje automático, un algoritmo fundamental de IA, a la red de Ethereum para mejorar su seguridad, eficiencia y escalabilidad. Esperamos que este caso sirva como punto de partida para presentar algunas perspectivas diferentes del mercado y estimular más combinaciones cruzadas innovadoras de "IA+Cadena de bloques" en el ecosistema de desarrolladores.

Implementación técnica de Ethereum

1. Estructura de datos básica
   La esencia de la cadena de bloques es una cadena de bloques, y la clave para distinguir las cadenas radica en la configuración de la cadena, una parte esencial de cualquier génesis de cadena de bloques. Para Ethereum, la configuración de la cadena se utiliza para diferenciar entre diferentes cadenas dentro de Ethereum, identificando protocolos de actualización importantes y eventos importantes. Por ejemplo, el Bloque de DAOForkBlock significa la altura de la bifurcación dura de Ethereum después del ataque de DAO, mientras que ConstantinopleBlock marca la altura del bloque para la actualización de Constantinople. Para actualizaciones importantes que contienen numerosas propuestas de mejora, se establecen campos especiales para identificar las alturas de bloque correspondientes. Además, Ethereum comprende varias redes de prueba y la red principal, identificadas de forma única por ChainID para denotar sus respectivos ecosistemas de red.
   El bloque génesis sirve como el bloque cero de toda la cadena de bloques, referenciado directa o indirectamente por otros bloques. Por lo tanto, los nodos deben cargar la información correcta del bloque génesis al inicializarse, sin permitir modificaciones arbitrarias. La información de configuración del bloque génesis incluye la configuración de la cadena mencionada anteriormente, junto con detalles adicionales como recompensas de minería relevantes, marcas de tiempo, dificultad y límites de gas. Cabe destacar que el mecanismo de consenso de Ethereum ha cambiado de la minería de prueba de trabajo a la de prueba de participación.
   Las cuentas de Ethereum se dividen en cuentas externas y cuentas de contrato. Las cuentas externas están controladas por una clave privada única, mientras que las cuentas de contrato carecen de control de clave privada y solo pueden ser operadas llamando a la ejecución del código de contrato a través de cuentas externas. Cada cuenta corresponde a un nodo hoja en el estado mundial de Ethereum, almacenando el estado de la cuenta (varia información de la cuenta y detalles del código).
   Transacciones: Como una plataforma descentralizada principalmente para transacciones y contratos, los bloques de Ethereum consisten en transacciones empaquetadas e información relacionada adicional. Un bloque se divide en dos partes: el encabezado del bloque y el cuerpo del bloque. Los datos del encabezado del bloque contienen evidencia que vincula todos los bloques en una cadena, incluido el hash del bloque anterior y pruebas del estado mundial completo de Ethereum, raíz de transacciones, raíz de recibos y datos adicionales como dificultad y nonce. El cuerpo del bloque almacena la lista de transacciones y la lista de encabezados de bloques huérfanos (como Ethereum ha pasado a prueba de participación, las referencias a bloques huérfanos ya no existen).
   Los recibos de transacción proporcionan los resultados de la ejecución de la transacción y la información adicional, que no se puede obtener directamente examinando la transacción en sí misma. Específicamente, contienen contenido de consenso, información de transacción e información de bloque, indicando si el procesamiento de la transacción fue exitoso y proporcionando registros de transacciones y detalles de consumo de gas. Analizar la información en los recibos ayuda a depurar el código del contrato inteligente y optimizar el consumo de gas, al tiempo que proporciona confirmación de que la transacción ha sido procesada por la red y permite la visualización de los resultados e impactos de la transacción.
   En Ethereum, las tarifas de gas se pueden entender simplemente como tarifas de transacción. Cuando envías tokens, ejecutas contratos inteligentes, transfieres Ether o realizas diversas operaciones en la cadena de bloques dentro de un bloque específico, estas transacciones requieren tarifas de gas. Los recursos computacionales de Ethereum se consumen al procesar estas transacciones, y debes pagar tarifas de gas para incentivar a la red a trabajar para ti. En última instancia, las tarifas de gas se pagan como tarifas de transacción a los mineros, y la fórmula de cálculo específica se puede entender como Tarifa = Gas Utilizado * Precio del Gas, donde el precio por unidad de gas lo establece el iniciador de la transacción y a menudo determina la velocidad de inclusión de la transacción en los bloques. Establecer un precio de gas demasiado bajo puede provocar que las transacciones no se ejecuten, y también es necesario establecer un límite de gas como límite superior para evitar el consumo inesperado de gas debido a errores en contratos inteligentes.

2. Piscina de comercio
   En Ethereum, hay un gran número de transacciones, y en comparación con los sistemas centralizados, la capacidad de procesamiento de los sistemas descentralizados en términos de transacciones por segundo es significativamente menor. Con un gran número de transacciones ingresando en los nodos, estos necesitan mantener un pool de transacciones para gestionarlas correctamente. La difusión de transacciones ocurre a través de comunicación de pares a pares. Específicamente, un nodo transmitirá transacciones ejecutables a sus nodos vecinos, los cuales propagarán la transacción a sus nodos vecinos, permitiendo que una transacción se propague por toda la red de Ethereum en 6 segundos.
   Las transacciones en el grupo de operaciones se dividen en transacciones ejecutables y transacciones no ejecutables. Las transacciones ejecutables, que tienen una prioridad más alta, se ejecutan e incluyen en bloques, mientras que todas las transacciones que ingresan inicialmente al grupo son no ejecutables y se vuelven ejecutables más tarde. Las transacciones ejecutables y no ejecutables se registran en el contenedor pendiente y en el contenedor de la cola, respectivamente.
   Además, la piscina de transacciones mantiene una lista de transacciones locales. Las transacciones locales tienen varias ventajas, incluida una prioridad más alta, inmunidad a las restricciones de volumen de transacciones y recarga inmediata en la piscina de transacciones al reiniciar el nodo. El almacenamiento de persistencia local de transacciones locales se logra a través de un diario, asegurando que las transacciones locales no finalizadas no se pierdan y se actualicen periódicamente.
   Antes de que una transacción se ponga en cola, se verifica su validez, incluidos diversos tipos de controles como la prevención de ataques DOS, la prevención de transacciones negativas y la verificación de los límites de gas de la transacción. La composición simple del grupo de transacciones se puede dividir en cola + pendiente (que incluye todas las transacciones). Después de completar los controles de validez, se realizan controles posteriores, que incluyen verificar si la cola de transacciones ha alcanzado su límite y determinar si las transacciones remotas (transacciones no locales) tienen el precio más bajo en el grupo de transacciones, reemplazando la transacción de menor precio en el grupo. Para reemplazar transacciones ejecutables, solo se permiten transacciones con un aumento de tarifa de hasta el 10% para reemplazar aquellas que están esperando ser ejecutadas, y las transacciones reemplazadas se almacenan como transacciones no ejecutables. Además, las transacciones inválidas y por encima del límite se eliminan durante el proceso de mantenimiento del grupo de transacciones, y las transacciones elegibles son reemplazadas.

3. Mecanismo de consenso
   En las primeras etapas, la teoría de consenso de Ethereum se basaba en el método de cálculo del valor de dificultad hash. En otras palabras, requería calcular el valor hash de un bloque para cumplir con la condición del valor de dificultad objetivo para que el bloque se considerara válido. A medida que el algoritmo de consenso de Ethereum ha pasado de Prueba de trabajo (PoW) a Prueba de participación (PoS), voy a esbozar brevemente el algoritmo PoS aquí. Ethereum completó la fusión de la cadena de balizas en septiembre de 2022, implementando el algoritmo PoS. Específicamente, en un Ethereum basado en PoS, el tiempo de bloque de cada bloque es estable a 12 segundos. Los usuarios apuestan su Ethereum para obtener el derecho a convertirse en validadores. Luego, se lleva a cabo un proceso de selección aleatoria entre los apostadores participantes para elegir un conjunto de validadores. En cada ronda, que incluye 32 espacios, se selecciona un validador como proponente para cada espacio, mientras que los validadores restantes en el mismo espacio actúan como un comité para validar la legitimidad del bloque propuesto y juzgar la legitimidad de los bloques de la ronda anterior. El algoritmo PoS estabiliza y acelera significativamente la producción de bloques, evitando en gran medida el desperdicio de recursos informáticos.

4. Algoritmo de firma
   Ethereum adopta el mismo estándar de algoritmo de firma que Bitcoin, que utiliza la curva secp256k1. En concreto, el algoritmo de firma empleado es ECDSA, donde la firma se calcula en función del hash del mensaje original. La firma consta de componentes R+S+V. Cada cálculo introduce un número aleatorio y R+S representa la salida original de ECDSA. El campo final V, conocido como campo de recuperación, indica el número de intentos necesarios para recuperar correctamente la clave pública del contenido y la firma, ya que encontrar las coordenadas que cumplen los requisitos basados en el valor R en la curva elíptica puede tener varias soluciones.
   Todo el proceso se puede resumir de la siguiente manera: los datos de transacción y la información relevante del firmante se hashan después de ser codificados por RLP, y la firma final se obtiene firmando con la clave privada a través de ECDSA. La curva utilizada en ECDSA es la curva elíptica secp256k1. Finalmente, los datos de transacción firmados se combinan con los datos de transacción para obtener unos datos de transacción firmados que se pueden difundir.
   La estructura de datos de Ethereum no solo se basa en la tecnología de cadena de bloques tradicional, sino que también incorpora el Árbol de Patricia Merkle (MPT), también conocido como el Árbol de Prefijo Comprimido de Merkle, para el almacenamiento eficiente y la verificación de grandes cantidades de datos. MPT combina la función hash criptográfica del árbol de Merkle y la característica de compresión de ruta clave del árbol de Patricia, proporcionando una solución que garantiza la integridad de los datos y admite búsquedas rápidas.

5. Árbol de prueba de Patricia de Merkle (MPT)
   En Ethereum, MPT se utiliza para almacenar todos los datos de estado y transacciones, asegurando que cualquier cambio en los datos se refleje en el hash raíz del árbol. Esto significa que al verificar el hash raíz, se puede demostrar la integridad y precisión de los datos sin verificar toda la base de datos. MPT consta de cuatro tipos de nodos: nodos hoja, nodos de extensión, nodos de rama y nodos vacíos, que juntos forman un árbol capaz de adaptarse a los cambios dinámicos de los datos. Cada vez que se actualizan los datos, MPT refleja estos cambios añadiendo, eliminando o modificando nodos, al tiempo que se actualiza el hash raíz del árbol. Dado que cada nodo está encriptado a través de una función hash, cualquier cambio menor en los datos conducirá a cambios significativos en el hash raíz, lo que garantiza la seguridad y la coherencia de los datos. Además, el diseño de MPT admite la verificación de "cliente ligero", lo que permite a los nodos verificar la existencia o el estado de información específica almacenando solo el hash raíz del árbol y los nodos de ruta necesarios, lo que reduce en gran medida la necesidad de almacenamiento y procesamiento de datos.
   A través de MPT, Ethereum no solo logra una gestión eficiente y un rápido acceso a los datos, sino que también garantiza la seguridad y descentralización de la red, apoyando el funcionamiento y desarrollo de toda la red Ethereum.

6. Máquina de estados
   La arquitectura central de Ethereum incorpora el concepto de una máquina de estados, donde la Máquina Virtual de Ethereum (EVM) es el entorno de ejecución para ejecutar todo el código de contrato inteligente, y Ethereum mismo puede ser visto como un sistema de transición de estados compartido a nivel mundial. La ejecución de cada bloque se puede ver como un proceso de transición de estados, moviéndose de un estado compartido global a otro. Este diseño garantiza la consistencia y descentralización de la red de Ethereum y hace que los resultados de ejecución de contratos inteligentes sean predecibles y a prueba de manipulaciones.
   En Ethereum, el estado se refiere a la información actual de todas las cuentas, incluido el saldo de cada cuenta, los datos almacenados y el código de los contratos inteligentes. Cada vez que ocurre una transacción, la Máquina Virtual de Ethereum calcula y transforma el estado basándose en el contenido de la transacción, y este proceso se registra de manera eficiente y segura a través de MPT. Cada transición de estado no solo cambia los datos de la cuenta, sino que también conduce a la actualización de MPT, reflejada en el cambio del hash raíz del árbol.
   La relación entre EVM y MPT es crucial porque MPT proporciona la garantía de integridad de datos para las transiciones de estado de Ethereum. Cuando EVM ejecuta transacciones y cambia estados de cuenta, los nodos MPT relevantes se actualizan para reflejar estos cambios. Dado que cada nodo de MPT está vinculado a través de hashes, cualquier modificación en el estado causará un cambio en el hash raíz, que luego se incluye en el nuevo bloque, asegurando la consistencia y seguridad de todo el estado de Ethereum. Ahora, presentemos la Máquina Virtual Ethereum (EVM).

7. EVM
   La Máquina Virtual de Ethereum (EVM) es el componente fundamental responsable de ejecutar contratos inteligentes y facilitar transiciones de estado dentro de la red de Ethereum. Es gracias a la EVM que Ethereum puede ser concebido como un ordenador mundial. La EVM es Turing completa, lo que significa que los contratos inteligentes desplegados en Ethereum pueden ejecutar cálculos de lógica arbitrariamente complejos. La introducción del mecanismo de gas en Ethereum evita escenarios como bucles infinitos dentro de contratos, asegurando la estabilidad y seguridad de la red.

A un nivel más técnico, la EVM es una máquina virtual basada en pila que ejecuta contratos inteligentes utilizando bytecode específico de Ethereum. Los desarrolladores suelen escribir contratos inteligentes en lenguajes de alto nivel como Solidity, que luego se compilan en bytecode comprensible por la EVM para su ejecución. La EVM es la innovación clave de la cadena de bloques de Ethereum, que no solo soporta la ejecución de contratos inteligentes sino que también proporciona una sólida base para el desarrollo de aplicaciones descentralizadas (DApps). A través de la EVM, Ethereum está dando forma a un futuro digital descentralizado, seguro y abierto.

Revisión de la historia de Ethereum

Figura 1 Revisión histórica de Ethereum

Desafíos para la seguridad de Ethereum

Los contratos inteligentes son programas informáticos que se ejecutan en la cadena de bloques de Ethereum. Permiten a los desarrolladores crear e implementar diversas aplicaciones, incluidas, entre otras, aplicaciones de préstamos, intercambios descentralizados, seguros, financiamiento secundario, redes sociales y NFT. La seguridad de los contratos inteligentes es crucial para estas aplicaciones. Estas aplicaciones son directamente responsables de manejar y controlar criptomonedas, y cualquier vulnerabilidad o ataque malicioso a los contratos inteligentes representa una amenaza directa para la seguridad de los fondos, lo que podría resultar en pérdidas económicas significativas. Por ejemplo, el 26 de febrero de 2024, el protocolo de préstamos DeFi Blueberry Protocol sufrió un ataque debido a fallos de lógica en el contrato inteligente, lo que resultó en una pérdida de aproximadamente $1,400,000.

Las vulnerabilidades de los contratos inteligentes son multifacéticas, abarcando lógica empresarial irrazonable, control de acceso inadecuado, validación insuficiente de datos, ataques de reintegro y ataques de denegación de servicio (DOS), entre otros aspectos. Estas vulnerabilidades pueden ocasionar problemas en la ejecución del contrato, afectando el funcionamiento efectivo de los contratos inteligentes. Tomando como ejemplo los ataques de DOS, este tipo de ataque consume recursos de red al enviar una gran cantidad de transacciones, lo que provoca que las transacciones iniciadas por usuarios normales se procesen lentamente, lo que conlleva a una disminución en la experiencia del usuario. Además, esto también puede resultar en un aumento en las tarifas de gas de transacción. Cuando los recursos de red son escasos, los usuarios pueden necesitar pagar tarifas más altas para priorizar sus transacciones para su procesamiento.

Además de esto, los usuarios en Ethereum también enfrentan riesgos de inversión, con la seguridad de sus fondos siendo amenazada. Por ejemplo, existen los "rugs", usados para describir criptomonedas consideradas de poco o ningún valor o potencial de crecimiento a largo plazo. Los rugs son a menudo explotados como herramientas para estafas o para estrategias de pump-and-dump para la manipulación de precios. Invertir en rugs conlleva altos riesgos de inversión y puede resultar en pérdidas financieras significativas. Debido a su bajo precio y valor de mercado, son vulnerables a la manipulación y a la volatilidad. Estos tokens suelen ser utilizados para esquemas de pump-and-dump y estafas honeypot, atrayendo a los inversores con proyectos falsos y robándoles sus fondos. Otro riesgo común es el rug pulling, donde los creadores eliminan repentinamente toda la liquidez de un proyecto, haciendo que el valor del token se desplome. Estas estafas a menudo implican marketing a través de falsas asociaciones y patrocinios. Una vez que el precio del token sube, los estafadores venden sus tokens, desaparecen, dejando a los inversores con tokens sin valor. Además, invertir en rugs también desvía la atención y los recursos de las criptomonedas legítimas con utilidad y potencial de crecimiento reales. Además de los rugs, las air coins y las monedas de esquemas piramidales también son métodos rápidos para obtener beneficios. Para los usuarios que carecen de conocimientos y experiencia profesionales, distinguirlos de las criptomonedas legítimas es particularmente desafiante.

Eficiencia

Dos indicadores muy directos de la eficiencia de Ethereum son la velocidad de las transacciones y las tarifas de gas. La velocidad de las transacciones se refiere al número de transacciones que la red de Ethereum puede procesar en una unidad de tiempo. Este indicador refleja directamente la capacidad de procesamiento de la red de Ethereum; cuanto más rápida sea la velocidad, mayor será la eficiencia. Cada transacción en Ethereum requiere una cierta cantidad de tarifas de gas para compensar a los mineros por la verificación de la transacción. Tarifas de gas más bajas indican una mayor eficiencia en Ethereum.

Una disminución en la velocidad de transacción puede llevar a un aumento en las tarifas de gas. Generalmente, cuando la velocidad de procesamiento de transacciones disminuye, debido al espacio limitado de bloques, puede haber más competencia para que las transacciones entren en el próximo bloque. Para destacarse en la competencia, los comerciantes suelen aumentar las tarifas de gas, ya que los mineros a menudo priorizan las transacciones con tarifas de gas más altas para su verificación. En consecuencia, las tarifas de gas más altas disminuyen la satisfacción de la experiencia del usuario.

Las transacciones son solo actividades básicas en Ethereum. En este ecosistema, los usuarios también pueden participar en diversas actividades como préstamos, participación, inversión, seguros, etc. Estas pueden realizarse a través de DApps específicas. Sin embargo, dada la variedad de DApps y la falta de servicios de recomendación personalizados similares a las industrias tradicionales, los usuarios pueden sentirse confundidos al elegir aplicaciones y productos adecuados. Esta situación puede llevar a una disminución en la satisfacción del usuario, afectando la eficiencia general del ecosistema de Ethereum.

Tomemos el préstamo como ejemplo. Algunas plataformas de préstamos DeFi utilizan mecanismos de sobrecolateralización para mantener la seguridad y estabilidad de sus plataformas. Esto significa que los prestatarios deben proporcionar más activos como garantía, los cuales no pueden ser utilizados por los prestatarios para otras actividades durante el período de préstamo. Esto conlleva a una disminución en la utilización de los fondos por parte de los prestatarios, reduciendo así la liquidez del mercado.

Aplicación de Aprendizaje Automático en Ethereum

Modelos de aprendizaje automático como el modelo RMF, Redes Generativas Antagonistas (GAN), modelo de árbol de decisiones, algoritmo de vecinos más cercanos (KNN) y algoritmo de agrupamiento DBSCAN están desempeñando un papel importante en Ethereum. La aplicación de estos modelos de aprendizaje automático en Ethereum puede ayudar a optimizar la eficiencia del procesamiento de transacciones, mejorar la seguridad de los contratos inteligentes, lograr la segmentación de usuarios para proporcionar servicios más personalizados y contribuir a mantener la estabilidad de la red.

Introducción al algoritmo

Los algoritmos de aprendizaje automático son un conjunto de instrucciones o reglas utilizadas para analizar datos, aprender patrones en los datos y hacer predicciones o decisiones basadas en este aprendizaje. Aprenden automáticamente y mejoran a partir de los datos proporcionados sin necesidad de instrucciones de programación explícitas de los humanos. Modelos de aprendizaje automático como el modelo RMF, Redes Generativas Antagonistas (GAN), modelo de árbol de decisión, algoritmo de vecinos más cercanos K (KNN) y algoritmo de agrupación DBSCAN están desempeñando un papel importante en Ethereum. La aplicación de estos modelos de aprendizaje automático en Ethereum puede ayudar a optimizar la eficiencia del procesamiento de transacciones, mejorar la seguridad de los contratos inteligentes, lograr la segmentación de usuarios para proporcionar servicios más personalizados y contribuir a mantener la estabilidad de la red.

1. clasificador de Bayes

El clasificador de Bayes es eficiente en varios métodos estadísticos de clasificación, con el objetivo de minimizar la probabilidad de errores de clasificación o minimizar el riesgo promedio bajo marcos de costo específicos. Su filosofía de diseño está profundamente arraigada en el teorema de Bayes, lo que le permite determinar la probabilidad de que un objeto pertenezca a una cierta clase dadas ciertas características y tomar decisiones calculando la probabilidad posterior del objeto.

Específicamente, el clasificador de Bayes primero considera la probabilidad previa de un objeto, luego aplica la fórmula de Bayes para considerar de manera integral los datos observados, actualizando así las creencias sobre la clasificación de objetos. Entre todas las posibles clasificaciones, el clasificador de Bayes selecciona la clase con la mayor probabilidad posterior y asigna el objeto a esta clase. La ventaja principal de este enfoque es su capacidad para manejar de manera natural la incertidumbre y la información incompleta, lo que lo convierte en una herramienta poderosa y flexible aplicable a una amplia gama de escenarios.

Figura 2: Clasificador de Bayes

Como se ilustra en la Figura 2, en el aprendizaje automático supervisado, el clasificador bayesiano utiliza datos y un modelo de probabilidad basado en el teorema de Bayes para tomar decisiones de clasificación. Al considerar la verosimilitud, las probabilidades previas de las clases y las características, el clasificador de Bayes calcula la probabilidad posterior de que los puntos de datos pertenezcan a cada clase y asigna los puntos de datos a la clase con la probabilidad posterior más alta. En el gráfico de dispersión a la derecha, el clasificador intenta encontrar una curva para separar los puntos de diferentes colores, minimizando así los errores de clasificación.

1. Árbol de decisión

El algoritmo del árbol de decisiones se utiliza comúnmente en tareas de clasificación y regresión. Adopta un enfoque jerárquico de toma de decisiones, dividiendo los árboles en función de las características con tasas de ganancia de información más altas a partir de datos conocidos, para entrenar árboles de decisión. En esencia, todo el algoritmo puede aprender autónomamente reglas de decisión a partir de datos para determinar valores variables. En la implementación, el árbol de decisiones puede descomponer procesos de decisión complejos en varios subprocesos de decisión simples, formando una estructura similar a un árbol.

Como se muestra en la Figura 3, cada nodo representa una decisión, con criterios para juzgar ciertos atributos, mientras que las ramas representan los resultados de la decisión. Cada nodo hoja representa el resultado final predicho y la categoría. Desde la perspectiva de la composición del algoritmo, los modelos de árboles de decisión son intuitivos, fáciles de entender y poseen una fuerte capacidad de interpretación.

Imagen 3: modelo de árbol de decisiones

1. algoritmo DBSCAN

DBSCAN (Density-Based Spatial Clustering of Applications with Noise) es un algoritmo de agrupamiento espacial basado en densidad que maneja ruido, y parece ser particularmente efectivo para conjuntos de datos no conectados. Este algoritmo puede descubrir grupos de formas arbitrarias sin la necesidad de especificar el número de grupos de antemano, y demuestra una buena robustez contra valores atípicos en el conjunto de datos. Además, el algoritmo puede identificar efectivamente puntos atípicos en conjuntos de datos con ruido, donde los puntos de ruido o atípicos se definen como puntos en áreas de baja densidad, como se muestra en la Figura 4.

Imagen 4: El algoritmo DBSCAN identifica ruido

1. algoritmo KNN

El algoritmo KNN (K-Vecinos más Cercanos) se puede utilizar tanto para tareas de clasificación como de regresión. En problemas de clasificación, el algoritmo determina la categoría del elemento a clasificar basándose en un mecanismo de votación, mientras que en problemas de regresión, calcula el promedio o promedio ponderado de los valores de los k ejemplos más cercanos para hacer predicciones.

Como se muestra en la Figura 5, el principio de funcionamiento del algoritmo KNN en la clasificación consiste en encontrar los K vecinos más cercanos de un nuevo punto de datos y luego predecir la categoría del nuevo punto de datos en función de las categorías de estos vecinos. Si K=1, entonces el nuevo punto de datos simplemente se asigna a la categoría de su vecino más cercano. Si K>1, entonces típicamente se utiliza un método de votación para determinar la categoría del nuevo punto de datos, lo que significa que se asignará a la categoría a la que pertenezca la mayoría de sus vecinos. Cuando se utiliza el algoritmo KNN para problemas de regresión, la idea básica es la misma, pero el resultado es el valor promedio de los valores de salida de los K vecinos más cercanos.

Figura 5: algoritmo KNN utilizado para clasificación

1. IA generativa

La IA generativa es una tecnología de IA que puede generar nuevo contenido (como texto, imágenes, música, etc.) basado en requisitos de entrada. Está arraigada en los avances del aprendizaje automático y el aprendizaje profundo, particularmente en campos como el procesamiento del lenguaje natural y el reconocimiento de imágenes. La IA generativa aprende patrones y correlaciones a partir de grandes cantidades de datos y luego genera completamente nuevos resultados basados en esta información aprendida. La clave de la IA generativa radica en el entrenamiento del modelo, que requiere datos excelentes para el aprendizaje y entrenamiento. Durante este proceso, el modelo mejora gradualmente su capacidad para generar nuevo contenido mediante el análisis y la comprensión de la estructura, los patrones y las relaciones dentro del conjunto de datos.

1. Transformador
   Como piedra angular de la IA generativa, el Transformer introdujo el mecanismo de atención, lo que permite un procesamiento enfocado en la información clave y también considerando el contexto global. Esta capacidad única ha mejorado enormemente el campo de la generación de texto con modelos Transformer. Utilizando modelos de procesamiento de lenguaje natural de última generación como GPT (Transformer preentrenado generativo), es posible comprender los requisitos de aplicación del usuario expresados en lenguaje natural y convertirlos automáticamente en código ejecutable, reduciendo la complejidad del desarrollo y mejorando significativamente la eficiencia.

Como se muestra en la Figura 6, la introducción de mecanismos de atención de múltiples cabezas y autoatención, junto con conexiones residuales y redes neuronales completamente conectadas, combinadas con técnicas anteriores de incrustación de palabras, ha mejorado enormemente el rendimiento de los modelos generativos relacionados con el procesamiento del lenguaje natural.

Figura 6 modelo Transformer

1. Introducción al modelo RFM:

El modelo RFM es un modelo analítico basado en el comportamiento de compra del usuario, que puede identificar segmentos de usuarios de diferente valor mediante el análisis de su comportamiento de transacción. Este modelo estratifica a los usuarios en función de su Recencia (R), Frecuencia (F) y Valor Monetario (M) de compras. Como se muestra en la Figura 7, estos tres indicadores forman colectivamente el núcleo del modelo RFM. El modelo puntúa a los usuarios en función de estas tres dimensiones y los clasifica según sus puntuaciones para identificar los segmentos de usuarios más valiosos. Además, el modelo segmenta eficazmente a los clientes en diferentes grupos para lograr la funcionalidad de estratificación de usuarios.

Figura 7 modelo en capas RFM

Posibles aplicaciones

Al abordar los desafíos de seguridad de Ethereum utilizando técnicas de aprendizaje automático, llevamos a cabo investigaciones en cuatro áreas principales:

Identificación y filtrado de transacciones maliciosas basado en el clasificador de Bayes

Al construir un clasificador de Bayes, es posible identificar y filtrar transacciones de spam potenciales, incluidas, entre otras, aquellas que causan ataques DOS a través de transacciones a gran escala, frecuentes y pequeñas. Este enfoque mantiene de manera efectiva la salud de la red mediante el análisis de características de transacción como los precios del gas y la frecuencia de transacción, asegurando el funcionamiento estable de la red Ethereum.

1. Generando código de contrato inteligente seguro y personalizado

Las redes generativas adversariales (GAN) y las redes generativas basadas en Transformers se pueden utilizar para generar código de contratos inteligentes que cumpla con requisitos específicos y garantice la seguridad del código tanto como sea posible. Sin embargo, hay diferencias en los tipos de datos en los que se basan estos dos durante el proceso de entrenamiento; las primeras se basan principalmente en muestras de código inseguro, mientras que las segundas es lo opuesto.

Al entrenar GANs para aprender patrones de contratos seguros existentes y construir modelos auto-adversarios para generar código inseguro potencial, luego aprender a identificar estas inseguridades, es posible generar automáticamente un código de contrato inteligente de alta calidad y más seguro. Aprovechando modelos de redes generativas basadas en Transformer, al aprender de una gran cantidad de ejemplos de contratos seguros, se puede generar código de contrato que cumpla con requisitos específicos y optimice el consumo de gas, mejorando así significativamente la eficiencia y la seguridad del desarrollo de contratos inteligentes.

Análisis de riesgos de contratos inteligentes basado en árboles de decisión

Utilizando árboles de decisión para analizar las características de los contratos inteligentes, como la frecuencia de llamadas a funciones, el valor de las transacciones, la complejidad del código fuente, etc., se puede identificar de manera efectiva los niveles de riesgo potencial de los contratos. Al analizar los patrones de operación de los contratos y las estructuras de código, se pueden predecir posibles vulnerabilidades y puntos de riesgo, proporcionando evaluaciones de seguridad a los desarrolladores y usuarios. Se espera que este método mejore significativamente la seguridad de los contratos inteligentes en el ecosistema de Ethereum, reduciendo así las pérdidas causadas por vulnerabilidades o código malicioso.

Construyendo un Modelo de Evaluación de Criptomonedas para Reducir los Riesgos de Inversión

Al analizar los datos de transacciones de criptomonedas, actividades en redes sociales, rendimiento del mercado y otra información multidimensional utilizando algoritmos de aprendizaje automático, es posible construir un modelo de evaluación que predice la probabilidad de monedas basura. Este modelo puede proporcionar referencias valiosas para los inversores, ayudándoles a evitar riesgos de inversión y promover el desarrollo saludable del mercado de criptomonedas.

Además, la aplicación del aprendizaje automático tiene el potencial de mejorar aún más la eficiencia de Ethereum. Podemos adentrarnos en las siguientes tres dimensiones clave:

Optimizando la Aplicación del Árbol de Decisiones de Modelos de Cola de Transacciones de Pool

Basado en árboles de decisión, es posible optimizar de manera efectiva el mecanismo de encolamiento de las piscinas de transacciones de Ethereum. Al analizar características de transacciones como los precios del gas y los tamaños de las transacciones, los árboles de decisión pueden optimizar la selección de transacciones y el orden de encolamiento. Este método puede mejorar significativamente la eficiencia del procesamiento de transacciones, reducir efectivamente la congestión de la red y disminuir los tiempos de espera de las transacciones de los usuarios.

Estratificación de usuarios y provisión de servicios personalizados

El modelo RFM (Recencia, Frecuencia, Valor monetario), ampliamente utilizado como una herramienta analítica en la gestión de relaciones con los clientes, puede estratificar efectivamente a los usuarios evaluando la recencia de la última transacción del usuario, la frecuencia de transacción y la cantidad de transacción. Aplicar el modelo RFM en la plataforma Ethereum puede ayudar a identificar grupos de usuarios de alto valor, optimizar la asignación de recursos y proporcionar servicios más personalizados, mejorando así la satisfacción del usuario y la eficiencia general de la plataforma.

El algoritmo DBSCAN también puede analizar el comportamiento de transacción del usuario, ayudando a identificar diferentes grupos de usuarios en Ethereum y proporcionar servicios financieros más personalizados a diferentes usuarios. Esta estrategia de estratificación de usuarios puede optimizar estrategias de marketing y mejorar la satisfacción del cliente y la eficiencia del servicio.

Puntuación de crédito basada en KNN

El algoritmo de los K-Vecinos Más Cercanos (KNN) puede analizar los historiales de transacciones de usuarios de Ethereum y los patrones de comportamiento para puntuar el crédito del usuario, lo cual desempeña un papel extremadamente importante en actividades financieras como los préstamos. La puntuación de crédito ayuda a las instituciones financieras y plataformas de préstamos a evaluar de manera más precisa la capacidad de pago de los prestatarios y el riesgo crediticio, lo que permite tomar decisiones de préstamo más precisas. Esto puede evitar el exceso de préstamos y mejorar la liquidez del mercado.

Direcciones Futuras

Desde la perspectiva de la asignación de fondos a nivel macro, Ethereum, como el ordenador distribuido más grande del mundo, no puede tener demasiada inversión en su capa de infraestructura. Necesita atraer a más desarrolladores de diversos ámbitos para participar en la co-construcción. En este artículo, al revisar las implementaciones técnicas de Ethereum y los desafíos a los que se enfrenta, visualizamos una serie de aplicaciones potenciales e intuitivas de aprendizaje automático. También esperamos con ansias que los desarrolladores de IA dentro de la comunidad conviertan estas visiones en valor tangible.

A medida que la potencia informática en cadena aumenta gradualmente, podemos anticipar el desarrollo de modelos más sofisticados para la gestión de redes, monitorización de transacciones, auditorías de seguridad y diversos otros aspectos, mejorando en última instancia la eficiencia y seguridad de la red de Ethereum.

Mirando más allá, los mecanismos de gobernanza impulsados por IA/agentes también podrían convertirse en un importante punto de innovación dentro del ecosistema de Ethereum. Dichos mecanismos llevarían a procesos de toma de decisiones más eficientes, transparentes y automatizados, lo que resultaría en una estructura de gobernanza más flexible y confiable para la plataforma de Ethereum. Estas direcciones futuras no solo impulsarán la innovación en la tecnología de Ethereum, sino que también proporcionarán a los usuarios una experiencia en cadena de mayor calidad.

Descargo de responsabilidad：

1. Este artículo se ha reimpreso de [panews]. *Reenviar el Título Original 'AI如何革新以太坊？从另一个角度看“AI+Blockchain’.Todos los derechos de autor pertenecen al autor original [Salus]. Si hay objeciones a esta reimpresión, por favor contactar al Gate Aprenderequipo, y lo resolverán rápidamente.
2. Renuncia de responsabilidad: Las opiniones expresadas en este artículo son únicamente del autor y no constituyen consejos de inversión.
3. Las traducciones del artículo a otros idiomas son realizadas por el equipo de Gate Learn. A menos que se mencione, está prohibido copiar, distribuir o plagiar los artículos traducidos.