Forward the Original Title: AI如何革新以太坊？从另一个角度看“AI+Blockchain”

ในช่วงปีที่ผ่านมาด้วย AI เชิงสร้างสรรค์ที่เกินความคาดหมายซ้ําแล้วซ้ําเล่าคลื่นของการปฏิวัติประสิทธิภาพการทํางานของ AI ได้กวาดผ่านชุมชนสกุลเงินดิจิทัล โครงการแนวคิด AI หลายโครงการได้นํามาซึ่งตํานานการสร้างความมั่งคั่งในตลาดรอง ในขณะเดียวกันนักพัฒนาจํานวนมากขึ้นก็เริ่มพัฒนาโครงการ "AI + Crypto" ของตนเอง

อย่างไรก็ตามเมื่อสังเกตอย่างใกล้ชิดจะเห็นได้ว่าโครงการเหล่านี้มีเชื้อราอย่างรุนแรงโดยโครงการส่วนใหญ่มุ่งเน้นไปที่การปรับปรุง "ความสัมพันธ์ด้านการผลิต" เท่านั้นเช่นการจัดระเบียบพลังการประมวลผลผ่านเครือข่ายแบบกระจายอํานาจหรือการสร้าง "Decentralized Hugging Face" เป็นต้น มีเพียงไม่กี่โครงการที่พยายามบูรณาการและนวัตกรรมอย่างแท้จริงจากเทคโนโลยีพื้นฐาน เราเชื่อว่าสาเหตุของปรากฏการณ์นี้อยู่ใน "อคติโดเมน" ระหว่าง AI และสาขาบล็อกเชน แม้จะมีทางแยกที่กว้างขวาง แต่มีเพียงไม่กี่คนที่เข้าใจทั้งสองโดเมนอย่างแท้จริง ตัวอย่างเช่นนักพัฒนา AI พบว่าเป็นการยากที่จะเข้าใจการใช้งานทางเทคนิคและสถานะโครงสร้างพื้นฐานในอดีตของ Ethereum นับประสาอะไรกับการนําเสนอโซลูชันการเพิ่มประสิทธิภาพเชิงลึก

การใช้แมชชีนเลิร์นนิง (ML) ซึ่งเป็นสาขาพื้นฐานที่สุดของ AI เป็นเทคโนโลยีที่เครื่องสามารถตัดสินใจตามข้อมูลโดยไม่มีคําแนะนําการเขียนโปรแกรมที่ชัดเจน แมชชีนเลิร์นนิงได้แสดงศักยภาพอย่างมากในการวิเคราะห์ข้อมูลและการจดจํารูปแบบ และกลายเป็นเรื่องธรรมดาใน Web 2 อย่างไรก็ตามเนื่องจากข้อ จํากัด ในช่วงต้นแม้ในระดับแนวหน้าของนวัตกรรมเทคโนโลยีบล็อกเชนเช่น Ethereum สถาปัตยกรรมเครือข่ายและกลไกการกํากับดูแลยังไม่ได้ใช้แมชชีนเลิร์นนิงเป็นเครื่องมือในการแก้ปัญหาที่ซับซ้อนอย่างมีประสิทธิภาพ

"นวัตกรรมที่ยอดเยี่ยมมักเกิดขึ้นจากสาขาสหวิทยาการ" จุดประสงค์ของการเขียนบทความนี้คือการช่วยให้นักพัฒนา AI เข้าใจโลกบล็อกเชนได้ดีขึ้นและให้แนวคิดใหม่สําหรับนักพัฒนาในชุมชน Ethereum ในบทความนี้ เราจะแนะนําการใช้งานทางเทคนิคของ Ethereum ก่อน จากนั้นจึงเสนอโซลูชันเพื่อใช้แมชชีนเลิร์นนิง ซึ่งเป็นอัลกอริธึม AI พื้นฐานกับเครือข่าย Ethereum เพื่อเพิ่มความปลอดภัย ประสิทธิภาพ และความสามารถในการปรับขนาด เราหวังว่ากรณีนี้จะเป็นจุดเริ่มต้นในการนําเสนอมุมมองที่แตกต่างจากตลาดและกระตุ้นการผสมผสานระหว่าง "AI+Blockchain" ที่เป็นนวัตกรรมมากขึ้นในระบบนิเวศของนักพัฒนา

การปฏิบัติเทคนิคของ Ethereum

1. โครงสร้างข้อมูลพื้นฐาน
   นัยสำคัญของบล็อกเชนคือ การเชื่อมโยงของบล็อก และความสำคัญในการแยกวิธีการเชื่อมโยง อยู่ที่การกำหนดค่าการเชื่อมโยง ส่วนสำคัญของจุดกำเนิดบล็อกเชนใด ๆ สำหรับ Ethereum การกำหนดค่าการเชื่อมโยงถูกใช้เพื่อแยกแยะระหว่างเครือข่ายทดสอบที่แตกต่างกันและเครือข่ายหลัก ที่ระบุโดย ChainID เพื่อระบุระบบนิเวศเครือข่ายที่เกี่ยวข้องของพวกเขา
   บล็อกเจเนซิสทำหน้าที่เป็นบล็อกศูนย์ของบล็อกเชนทั้งหมด ที่ถูกอ้างอิงโดยตรงหรืออ้อมอกจากบล็อกอื่น ดังนั้น โหนดจำเป็นต้องโหลดข้อมูลบล็อกเจเนซิสที่ถูกต้องขึ้นตอนเริ่มต้น โดยไม่อนุญาตให้มีการแก้ไขอย่างสมบูรณ์ ข้อมูลการกำหนดค่าบล็อกเจเนซิสรวมถึงการกำหนดค่าโซ่ที่กล่าวถึงไว้แล้ว รวมถึงรายละเอียดเพิ่มเติมเช่น รางวัลขุดเหมืองที่เกี่ยวข้อง แสตมป์เวลา ความยาก และขีดจำกัดของแก๊ส คุ้มค่าที่จะกล่าวถึงว่า กลไกตรวจสอบข้อตกลงของอีเทอเรียมได้ย้ายจากการทำเหมืองด้วยพิสูจน์การทำงานไปสู่การทำเหมืองด้วยพิสูจน์การเดิม
   บัญชี Ethereum ถูกแบ่งเป็นบัญชีภายนอกและบัญชีสัญญา บัญชีภายนอกถูกควบคุมโดยคีย์ส่วนตัวที่ไม่ซ้ำกัน ในขณะที่บัญชีสัญญาขาดควบคุมด้วยคีย์ส่วนตัวและสามารถดำเนินการได้โดยการเรียกใช้การดำเนินการรหัสสัญญาผ่านบัญชีภายนอก แต่ละบัญชีสอดคล้องกับโหนดใบไม้ในสถานะโลก Ethereum ซึ่งจัดเก็บสถานะบัญชี (ข้อมูลบัญชีต่าง ๆ และรายละเอียดของรหัส)
   การทำธุรกรรม: เป็นแพลตฟอร์มที่ดีเซ็นทรัลไว้สำหรับการทำธุรกรรมและสัญญา บล็อกของ Ethereum ประกอบด้วยการทำธุรกรรมแพคเกจและข้อมูลที่เกี่ยวข้องเพิ่มเติม บล็อกถูกแบ่งออกเป็นสองส่วน: หัวบล็อกและตัวบล็อก ข้อมูลหัวบล็อกมีหลักฐานที่เชื่อมโยงบล็อกทั้งหมดเข้าด้วยกันเป็นโซ่ รวมถึงแฮชบล็อกก่อนหน้าและพิสูจน์ของสถานะโลก Ethereum ทั้งหมด รากการทำธุรกรรม รากการรับเงิน และข้อมูลเพิ่มเติม เช่น ความยากลำบาก และนอนซ์ ตัวบล็อกเก็บรายการทำธุรกรรม และรายการหัวบล็อกน้าย (เนื่องจาก Ethereum ได้เปลี่ยนจากพิสูจน์ของแล้ว การอ้างอิงหัวบล็อกน้ายไม่มีอยู่ในปัจจุบัน)
   ใบเสร็จรับเงินของธุรกรรมให้ผลลัพธ์ของการดําเนินการธุรกรรมและข้อมูลเพิ่มเติมซึ่งไม่สามารถหาได้โดยตรงจากการตรวจสอบธุรกรรมเอง ข้อมูลธุรกรรม และข้อมูลบล็อก ซึ่งระบุว่าการประมวลผลธุรกรรมประสบความสําเร็จหรือไม่ และให้บันทึกธุรกรรมและรายละเอียดการใช้ก๊าซ การวิเคราะห์ข้อมูลในใบเสร็จรับเงินช่วยแก้ปัญหารหัสสัญญาอัจฉริยะและเพิ่มประสิทธิภาพการใช้ก๊าซในขณะที่ให้การยืนยันว่าธุรกรรมได้รับการประมวลผลโดยเครือข่ายและเปิดใช้งานการดูผลลัพธ์และผลกระทบจากการทําธุรกรรม
   ใน Ethereum ค่าธรรมเนียมก๊าซสามารถเข้าใจได้ง่ายว่าเป็นค่าธรรมเนียมการทําธุรกรรม เมื่อคุณส่งโทเค็นดําเนินการสัญญาอัจฉริยะโอน Ether หรือดําเนินการต่าง ๆ บนบล็อกเชนภายในบล็อกเฉพาะธุรกรรมเหล่านี้ต้องใช้ค่าธรรมเนียมก๊าซ ทรัพยากรการคํานวณของ Ethereum ถูกใช้เมื่อประมวลผลธุรกรรมเหล่านี้ และคุณต้องจ่ายค่าธรรมเนียมก๊าซเพื่อจูงใจให้เครือข่ายทํางานให้คุณ ในที่สุดค่าธรรมเนียมก๊าซจะถูกจ่ายเป็นค่าธรรมเนียมการทําธุรกรรมให้กับนักขุดและสูตรการคํานวณเฉพาะสามารถเข้าใจได้ว่าเป็นค่าธรรมเนียม = ก๊าซที่ใช้ * ราคาก๊าซซึ่งราคาต่อหน่วยของก๊าซถูกกําหนดโดยผู้ริเริ่มการทําธุรกรรมและมักจะกําหนดความเร็วของการรวมธุรกรรมในบล็อก การตั้งราคาก๊าซต่ําเกินไปอาจส่งผลให้ธุรกรรมไม่ถูกดําเนินการและยังจําเป็นต้องกําหนดขีด จํากัด ก๊าซเป็นขอบเขตด้านบนเพื่อหลีกเลี่ยงการใช้ก๊าซที่ไม่คาดคิดเนื่องจากข้อผิดพลาดในสัญญาอัจฉริยะ

2. สระว่ายน้ำการซื้อขาย
   ใน Ethereum มีจำนวนธุรกรรมมากมายเมื่อเปรียบเทียบกับระบบที่มีศูนย์กลาง ประสิทธิภาพของระบบที่ไม่มีศูนย์กลางในเชิงจำนวนธุรกรรมต่อวินาที ต่ำกว่าอย่างมีนัยถึง ด้วยจำนวนธุรกรรมที่มากเข้าสู่โหนด โหนดจำเป็นต้องรักษากลุ่มธุรกรรมเพื่อจัดการกับการทำธุรกรรมเหล่านี้อย่างถูกต้อง การกระจายของธุรกรรมเกิดขึ้นผ่านการสื่อสารแบบ peer-to-peer โดยเฉพาะ โหนดจะกระจายธุรกรรมที่สามารถดำเนินการได้ถึงโหนดบริวารของตน ซึ่งจะกระจายธุรกรรมต่อไปยังโหนดบริวารของพวกเขา ทำให้ธุรกรรมสามารถกระจายไปทั่วเครือข่าย Ethereum ภายใน 6 วินาที
   ธุรกรรมในสระน้ำซื้อขายถูกแบ่งออกเป็นธุรกรรมที่สามารถดำเนินการและธุรกรรมที่ไม่สามารถดำเนินการ ธุรกรรมที่สามารถดำเนินการซึ่งมีลำดับความสำคัญสูง จะถูกดำเนินการและรวมอยู่ในบล็อก ในขณะที่ธุรกรรมทั้งหมดที่เข้าสู่สระน้ำเริ่มแรกจะเป็นธุรกรรมที่ไม่สามารถดำเนินการและกลายเป็นธุรกรรมที่สามารถดำเนินการในภายหลัง ธุรกรรมที่สามารถดำเนินการและธุรกรรมที่ไม่สามารถดำเนินการถูกบันทึกไว้ในคอนเทนเนอร์ที่รอดำเนินการและคอนเทนเนอร์คิวต่อลำดับตามลำดับ
   นอกจากนี้ สระสร้างบันทึกการทำธุรกรรมรักษารายการของการทำธุรกรรมภายในประเทศไว้ การทำธุรกรรมภายในประเทศมีข้อดีต่าง ๆ เช่น มีลำดับความสำคัญสูงกว่า มีความเสถียรจากข้อ จำกัดเกี่ยวกับปริมาตรการทำธุรกรรม และการโหลดอย่างทันทีเข้าสู่สระการทำธุรกรรมเมื่อโหนดเริ่มทำงานใหม่ การเก็บรักษาการทำธุรกรรมภายในประเทศได้ถึงผ่านทางวารสาร ทำให้มั่นใจได้ว่า การทำธุรกรรมภายในประเทศที่ยังไม่เสร็จสมบูรณ์จะไม่สูญหายและถูกอัปเดตเป็นระยะ ๆ
   ก่อนที่จะจัดคิวธุรกรรมความถูกต้องจะถูกตรวจสอบรวมถึงการตรวจสอบประเภทต่างๆเช่นการป้องกันการโจมตี DOS การป้องกันธุรกรรมเชิงลบและการตรวจสอบขีด จํากัด ของธุรกรรม องค์ประกอบที่เรียบง่ายของพูลธุรกรรมสามารถแบ่งออกเป็นคิว + รอดําเนินการ (ประกอบด้วยธุรกรรมทั้งหมด) หลังจากเสร็จสิ้นการตรวจสอบความถูกต้องการตรวจสอบที่ตามมาจะดําเนินการรวมถึงการตรวจสอบว่าคิวธุรกรรมถึงขีด จํากัด หรือไม่และพิจารณาว่าธุรกรรมระยะไกล (ธุรกรรมที่ไม่ใช่ท้องถิ่น) มีราคาต่ําสุดในกลุ่มธุรกรรมหรือไม่แทนที่ธุรกรรมที่มีราคาต่ําสุดในกลุ่ม สําหรับการแทนที่ธุรกรรมที่ปฏิบัติการได้เฉพาะธุรกรรมที่มีค่าธรรมเนียมเพิ่มขึ้นสูงสุด 10% เท่านั้นที่ได้รับอนุญาตให้แทนที่ธุรกรรมที่รอดําเนินการและธุรกรรมที่ถูกแทนที่จะถูกเก็บไว้เป็นธุรกรรมที่ไม่สามารถดําเนินการได้ นอกจากนี้ ธุรกรรมที่ไม่ถูกต้องและเกินขีดจํากัดจะถูกลบออกในระหว่างกระบวนการบํารุงรักษาของพูลธุรกรรม และธุรกรรมที่มีสิทธิ์จะถูกแทนที่

3. กลไกเชิงเสียงสรรพสังคม
   ในระยะแรกทฤษฎีฉันทามติของ Ethereum ขึ้นอยู่กับวิธีการคํานวณแฮชค่าความยาก กล่าวอีกนัยหนึ่งคือต้องคํานวณค่าแฮชของบล็อกเพื่อให้เป็นไปตามเงื่อนไขของค่าความยากเป้าหมายเพื่อให้บล็อกถือว่าถูกต้อง เนื่องจากอัลกอริธึมฉันทามติของ Ethereum ได้เปลี่ยนจาก Proof of Work (PoW) เป็น Proof of Stake (PoS) ฉันจะร่างอัลกอริทึม PoS สั้น ๆ ที่นี่ Ethereum เสร็จสิ้นการรวมห่วงโซ่บีคอนในเดือนกันยายน 2022, ใช้อัลกอริทึม PoS. โดยเฉพาะใน Ethereum ที่ใช้ PoS เวลาบล็อกของแต่ละบล็อกจะเสถียรที่ 12 วินาที ผู้ใช้เดิมพัน Ethereum ของพวกเขาเพื่อรับสิทธิ์ในการตรวจสอบความถูกต้อง จากนั้นกระบวนการคัดเลือกแบบสุ่มจะดําเนินการระหว่างผู้เดิมพันที่เข้าร่วมเพื่อเลือกชุดผู้ตรวจสอบความถูกต้อง ในแต่ละรอบซึ่งรวมถึง 32 ช่องผู้ตรวจสอบจะถูกเลือกเป็นผู้เสนอสําหรับแต่ละช่องในขณะที่ผู้ตรวจสอบที่เหลือในช่องเดียวกันทําหน้าที่เป็นคณะกรรมการเพื่อตรวจสอบความถูกต้องของบล็อกที่เสนอและตัดสินความชอบธรรมของบล็อกจากรอบก่อนหน้า อัลกอริธึม PoS มีเสถียรภาพและเพิ่มความเร็วในการผลิตบล็อกอย่างมีนัยสําคัญในขณะที่หลีกเลี่ยงการสิ้นเปลืองทรัพยากรการประมวลผลอย่างมาก

4. วิธีการลายมือชื่อ
   Ethereum นำมาใช้มาตรฐานขั้นตอนของอัลกอริทึมเซ็นเนเจอร์เดียวกับ Bitcoin ซึ่งใช้เส้นโค้ง secp256k1 โดยเฉพาะอย่างยิ่ง อัลกอริทึมเซ็นเนเจอร์ที่นำมาใช้คือ ECDSA ที่ลากษณะลายเซ็นเนเจอร์ถูกคำนวณขึ้นบนการแฮชของข้อความต้นฉบับ ลายเซ็นเนเจอร์ประกอบด้วยส่วนประกอบ R+S+V ทุกครั้งที่คำนวณเข้ามาจะมีการนำเลขสุ่มเข้ามา และ R+S แทนผลลัพธ์ต้นฉบับของ ECDSA ส่วน V ที่เหลือ ที่เรียกว่าฟิลด์การกู้คืน ระบุถึงจำนวนครั้งที่ต้องใช้พยายามในการกู้คืนคีย์สาธารณะออกมาจากเนื้อหาและลายเซ็นเนเจอร์เพราะการค้นหาพิกัดที่ตรงตามเงื่อนไขขึ้นอยู่กับค่า R ในเส้นโค้งทัชจะมีคำตอบที่หลายคำตอบ
   กระบวนการทั้งหมดสามารถสรุปได้ดังนี้: ข้อมูลธุรกรรมและข้อมูลที่เกี่ยวข้องของผู้ลงนามถูกแฮชหลังจากถูกเข้ารหัสโดย RLP และลายเซ็นต์สุดท้ายถูกได้รับโดยการลงลายเซ็นด้วยกุญแจส่วนตัวผ่าน ECDSA โครงสร้างที่ใช้ใน ECDSA คือเส้นโค้งที่มีรูปร่างเป็นวงกลมระยะทาง secp256k1 ในที่สุด ข้อมูลธุรกรรมที่ได้ลงลายเซ็นถูกผสมกับข้อมูลธุรกรรมเพื่อให้ได้ข้อมูลธุรกรรมที่ได้รับลายเซ็นที่สามารถถ่ายทอด
   โครงสร้างข้อมูลของ Ethereum ไม่เพียงแต่ขึ้นอยู่กับเทคโนโลยีบล็อกเชนแบบดั้งเดิม แต่ยังรวมถึง Merkle Patricia Tree (MPT) หรือที่เรียกว่า Merkle Compressed Prefix Tree เพื่อการจัดเก็บและตรวจสอบข้อมูลปริมาณมากอย่างมีประสิทธิภาพ MPT รวมคุณสมบัติของฟังก์ชันแฮชของ Merkle tree และคุณสมบัติการบีบอัดเส้นทางของ Patricia tree ซึ่งให้คำตอบที่มั่นคงข้อมูลและรองรับการค้นหาอย่างรวดเร็ว

5. ต้นไม้ Merkle Patricia (MPT)
   ใน Ethereum MPT ใช้เพื่อจัดเก็บข้อมูลสถานะและธุรกรรมทั้งหมดเพื่อให้แน่ใจว่าการเปลี่ยนแปลงใด ๆ กับข้อมูลจะปรากฏในแฮชรากของต้นไม้ ซึ่งหมายความว่าโดยการตรวจสอบแฮชรากความสมบูรณ์และความถูกต้องของข้อมูลสามารถพิสูจน์ได้โดยไม่ต้องตรวจสอบฐานข้อมูลทั้งหมด MPT ประกอบด้วยโหนดสี่ประเภท: โหนดใบโหนดส่วนขยายโหนดสาขาและโหนดว่างซึ่งรวมกันเป็นต้นไม้ที่สามารถปรับให้เข้ากับการเปลี่ยนแปลงข้อมูลแบบไดนามิก เมื่อใดก็ตามที่มีการอัปเดตข้อมูล MPT จะสะท้อนการเปลี่ยนแปลงเหล่านี้โดยการเพิ่มลบหรือแก้ไขโหนดในขณะที่อัปเดตแฮชรากของต้นไม้ เนื่องจากแต่ละโหนดถูกเข้ารหัสผ่านฟังก์ชันแฮชการเปลี่ยนแปลงเล็กน้อยในข้อมูลจะนําไปสู่การเปลี่ยนแปลงที่สําคัญในแฮชรูทเพื่อให้มั่นใจในความปลอดภัยและความสอดคล้องของข้อมูล นอกจากนี้การออกแบบของ MPT ยังรองรับการตรวจสอบ "ไคลเอนต์แสง" ทําให้โหนดสามารถตรวจสอบการมีอยู่หรือสถานะของข้อมูลเฉพาะผ่านการจัดเก็บแฮชรากของต้นไม้และโหนดเส้นทางที่จําเป็นเท่านั้นซึ่งช่วยลดความจําเป็นในการจัดเก็บและประมวลผลข้อมูลได้อย่างมาก
   ผ่าน MPT, Ethereum ไม่เพียงทำให้การจัดการที่มีประสิทธิภาพและการเข้าถึงข้อมูลอย่างรวดเร็วเท่านั้น แต่ยังรักษาความปลอดภัยและการกระจายอำนาจของเครือข่าย รองรับการดำเนินการและการพัฒนาของเครือข่าย Ethereum โดยรวม

6. เครื่องจักรสถานะ
   โครงสร้างหลักของ Ethereum รวมถึงแนวคิดของ state machine โดยที่ Ethereum Virtual Machine (EVM) เป็นสภาพแวดล้อมการเรียกใช้โค้ดสมาร์ทคอนแทรคต่าง ๆ และ Ethereum เองสามารถมองเป็นระบบการเปลี่ยนแปลงสถานะของรัฐที่ถูกแชร์โดยรวม การดำเนินการของแต่ละบล็อกสามารถมองเป็นกระบวนการเปลี่ยนสถานะ ย้ายจากสถานะที่ถูกแชร์โดยรวมหนึ่งไปยังอีกอันหนึ่ง การออกแบบนี้ ยืนยันความสม่ำเสมอและการกระจายของเครือข่าย Ethereum และทำให้ผลการดำเนินการของสมาร์ทคอนแทรคต่าง ๆ ทำได้โดยที่สามารถทำนายได้และป้องกันการแก้ไขได้
   ใน Ethereum รัฐหมายถึงข้อมูลปัจจุบันของบัญชีทั้งหมดรวมถึงยอดคงเหลือของแต่ละบัญชีข้อมูลที่เก็บไว้และรหัสของสัญญาอัจฉริยะ เมื่อใดก็ตามที่ธุรกรรมเกิดขึ้น EVM จะคํานวณและแปลงสถานะตามเนื้อหาธุรกรรมและกระบวนการนี้จะถูกบันทึกอย่างมีประสิทธิภาพและปลอดภัยผ่าน MPT การเปลี่ยนแปลงแต่ละสถานะไม่เพียง แต่เปลี่ยนแปลงข้อมูลบัญชี แต่ยังนําไปสู่การอัปเดต MPT ซึ่งสะท้อนให้เห็นในการเปลี่ยนแปลงของแฮชรากของต้นไม้
   ความสัมพันธ์ระหว่าง EVM และ MPT เป็นสิ่งสำคัญเพราะ MPT ให้ความมั่นใจในความสมบูรณ์ของข้อมูลสำหรับการเปลี่ยนแปลงสถานะของ Ethereum เมื่อ EVM ดำเนินการธุรกรรมและเปลี่ยนสถานะบัญชี โหนด MPT ที่เกี่ยวข้องถูกอัพเดทเพื่อแสดงถึงการเปลี่ยนแปลงเหล่านี้ โดยเนื่องจากทุกโหนดของ MPT เชื่อมโยงด้วยแฮช การปรับเปลี่ยนใด ๆ สู่สถานะจะทำให้เกิดการเปลี่ยนแปลงในรากแฮช ซึ่งจะถูกรวมอยู่ในบล็อกใหม่ เพื่อให้มั่นใจในความสอดคล้องและความปลอดภัยของสถานะ Ethereum ทั้งหมด ตอนนี้เรามาแนะนำ Ethereum Virtual Machine (EVM) กัน

7. EVM
   เครื่องเสมือน Ethereum (EVM) เป็นส่วนประกอบที่สำคัญที่รับผิดชอบในการดำเนินการสมาร์ทคอนแทร็กและส faciliting การเปลี่ยนแปลงสถานะภายในเครือข่าย Ethereum. มันเป็นด้วย EVM ที่ Ethereum สามารถถูกมองว่าเป็นคอมพิวเตอร์โลก. EVM มีความสมบูรณ์ Turing ซึ่งหมายความว่าสมาร์ทคอนแทร็กที่ถูกจัดวางบน Ethereum สามารถดำเนินการคำนวณโลจิกที่ซับซ้อนอย่างสมบูรณ์ การนำเสนอกลไกแก๊สใน Ethereum ป้องกันสถานการณ์เช่นลูปอินฟินิตในสัญญา โดยการรับประกันความเสถียรของเครือข่ายและความปลอดภัย

ในระดับทางเทคนิคมากขึ้น EVM เป็นเครื่องจำลองรูปแบบสแต็กที่ดำเนินการสมาร์ทคอนแทรคด้วยไบต์โค้ดที่เฉพาะเจาะจงของ Ethereum นักพัฒนาทั่วไปเขียนสมาร์ทคอนแทรคในภาษาระดับสูงเช่น Solidity ซึ่งจากนั้นถูกคอมไพล์เป็นไบต์โค้ดที่เข้าใจได้โดย EVM เพื่อดำเนินการ EVM เป็นนวัตกรรมสำคัญของบล็อกเชน Ethereum ที่สนับสนุนไม่เพียงแต่การดำเนินการสมาร์ทคอนแทรคแต่ยังให้พื้นฐานที่แข็งแรงสำหรับการพัฒนาแอปพลิเคชันที่จำกัด (DApps) ผ่าน EVM Ethereum กำลังรูปร่างอนาคตดิจิทัลที่มีลักษณะที่เป็นระบบแบบกระจาย ปลอดภัย และเปิด

บทวิจารณ์ประวัติศาสตร์ของ Ethereum

รูปที่ 1 การทบทวนประวัติศาสตร์ของ Ethereum

ความท้าทายต่อความปลอดภัยของอีเธอเรียม

สัญญาอัจฉริยะคือโปรแกรมคอมพิวเตอร์ที่ทํางานบน Ethereum blockchain พวกเขาอนุญาตให้นักพัฒนาสร้างและปรับใช้แอปพลิเคชันต่างๆรวมถึง แต่ไม่ จํากัด เพียงแอพให้ยืมการแลกเปลี่ยนแบบกระจายอํานาจการประกันภัยการจัดหาเงินทุนรองเครือข่ายสังคมออนไลน์และ NFT ความปลอดภัยของสัญญาอัจฉริยะเป็นสิ่งสําคัญสําหรับแอปพลิเคชันเหล่านี้ แอปพลิเคชันเหล่านี้มีหน้าที่โดยตรงในการจัดการและควบคุมสกุลเงินดิจิทัล และช่องโหว่หรือการโจมตีที่เป็นอันตรายในสัญญาอัจฉริยะเป็นภัยคุกคามโดยตรงต่อความปลอดภัยของกองทุน ซึ่งอาจส่งผลให้เกิดความสูญเสียทางเศรษฐกิจอย่างมีนัยสําคัญ ตัวอย่างเช่นเมื่อวันที่ 26 กุมภาพันธ์ 2024 โปรโตคอลการให้กู้ยืม DeFi Blueberry Protocol ถูกโจมตีเนื่องจากข้อบกพร่องทางตรรกะของสัญญาอัจฉริยะส่งผลให้สูญเสียเงินประมาณ 1,400,000 ดอลลาร์

ช่องโหว่ของสัญญาอัจฉริยะมีหลายแง่มุมครอบคลุมตรรกะทางธุรกิจที่ไม่สมเหตุสมผลการควบคุมการเข้าถึงที่ไม่เหมาะสมการตรวจสอบข้อมูลไม่เพียงพอการโจมตีการป้อนซ้ําและการโจมตี DOS (การปฏิเสธการให้บริการ) รวมถึงด้านอื่น ๆ ช่องโหว่เหล่านี้อาจทําให้เกิดปัญหากับการดําเนินการตามสัญญาซึ่งส่งผลต่อการดําเนินงานที่มีประสิทธิภาพของสัญญาอัจฉริยะ ยกตัวอย่างการโจมตี DOS การโจมตีประเภทนี้ใช้ทรัพยากรเครือข่ายโดยการส่งธุรกรรมจํานวนมากทําให้ธุรกรรมที่เริ่มต้นโดยผู้ใช้ปกติได้รับการประมวลผลช้าทําให้ประสบการณ์ของผู้ใช้ลดลง นอกจากนี้ยังสามารถนําไปสู่การเพิ่มขึ้นของค่าธรรมเนียมการทําธุรกรรมก๊าซ เมื่อทรัพยากรเครือข่ายขาดแคลนผู้ใช้อาจต้องจ่ายค่าธรรมเนียมที่สูงขึ้นเพื่อจัดลําดับความสําคัญของธุรกรรมสําหรับการประมวลผล

นอกจากนี้ผู้ใช้บน Ethereum ยังต้องเผชิญกับความเสี่ยงในการลงทุนโดยความปลอดภัยของกองทุนถูกคุกคาม ตัวอย่างเช่น มี "พรม" ซึ่งใช้เพื่ออธิบายสกุลเงินดิจิทัลที่ถือว่ามีมูลค่าเพียงเล็กน้อยหรือไม่มีเลยหรือมีศักยภาพในการเติบโตในระยะยาว พรมมักถูกใช้ประโยชน์เป็นเครื่องมือสําหรับการหลอกลวงหรือสําหรับกลยุทธ์ปั๊มและดัมพ์สําหรับการจัดการราคา การลงทุนในพรมมีความเสี่ยงในการลงทุนสูงและอาจส่งผลให้เกิดการสูญเสียทางการเงินอย่างมีนัยสําคัญ เนื่องจากราคาและมูลค่าตลาดต่ําจึงมีความเสี่ยงต่อการจัดการและความผันผวน โทเค็นเหล่านี้มักใช้สําหรับแผนการปั๊มและดัมพ์และการหลอกลวง honeypot ล่อลวงนักลงทุนด้วยโครงการเท็จและขโมยเงินของพวกเขา ความเสี่ยงทั่วไปอีกประการหนึ่งของการดึงพรมซึ่งผู้สร้างก็ลบสภาพคล่องทั้งหมดออกจากโครงการทําให้มูลค่าโทเค็นลดลง การหลอกลวงเหล่านี้มักเกี่ยวข้องกับการตลาดผ่านพันธมิตรและการรับรองที่เป็นเท็จ เมื่อราคาโทเค็นสูงขึ้นนักต้มตุ๋นจะขายโทเค็นของพวกเขาหายไปทําให้นักลงทุนมีโทเค็นที่ไร้ค่า นอกจากนี้การลงทุนในพรมยังเบี่ยงเบนความสนใจและทรัพยากรจาก cryptocurrencies ที่ถูกกฎหมายด้วยยูทิลิตี้และศักยภาพในการเติบโตที่แท้จริง นอกจากพรมแล้วเหรียญอากาศและเหรียญโครงการปิรามิดยังเป็นวิธีการทํากําไรที่รวดเร็ว สําหรับผู้ใช้ที่ขาดความรู้และประสบการณ์ระดับมืออาชีพการแยกแยะพวกเขาจาก cryptocurrencies ที่ถูกกฎหมายนั้นท้าทายเป็นพิเศษ

ประสิทธิภาพ

สองตัวชี้วัดอย่างตรงไปตรงมาของประสิทธิภาพของ Ethereum คือความเร็วในการทำธุรกรรมและค่าธรรมเนียมแก๊ส ความเร็วในการทำธุรกรรมหมายถึงจำนวนของธุรกรรมที่เครือข่าย Ethereum สามารถประมวลผลในหน่วยเวลาหนึ่ง ตัวชี้วัดนี้สะท้อนถึงความสามารถในการประมวลผลของเครือข่าย Ethereum โดยตรง ความเร็วที่เร็วขึ้น ยิ่งสูงประสิทธิภาพก็ยิ่งสูง ทุกธุรกรรมใน Ethereum ต้องใช้ค่าธรรมเนียมแก๊สบางจำนวนเพื่อชดเชยนักขุดเหมืองในการตรวจสอบธุรกรรม ค่าธรรมเนียมแก๊สต่ำหมายถึงประสิทธิภาพที่สูงใน Ethereum

การลดความเร็วในการทำธุรกรรม อาจส่งผลให้ค่าธรรมเนียมในการใช้ Gas เพิ่มขึ้น โดยทั่วไปเมื่อความเร็วในการประมวลผลธุรกรรมลดลง เนื่องจากพื้นที่บล็อกจำกัด อาจมีการแข่งขันมากขึ้นสำหรับการทำธุรกรรมเข้าบล็อกถัดไป เพื่อที่จะโดดเด่นในการแข่งขัน นักซื้อขายโดยทั่วไปจะเพิ่มค่าธรรมเนียมใช้ Gas เนื่องจากนักขุดบ่อยครั้งจะให้ความสำคัญกับธุรกรรมที่มีค่าธรรมเนียมใช้ Gas สูงกว่าเพื่อทำการตรวจสอบ ดังนั้น ค่าธรรมเนียมในการใช้ Gas สูงขึ้นจะทำให้ความพึงพอใจของผู้ใช้ลดลง

ธุรกรรมเป็นกิจกรรมพื้นฐานเท่านั้นบน Ethereum ในสิ่งแวดล้อมนี้ผู้ใช้ยังสามารถมีส่วนร่วมในกิจกรรมต่าง ๆ เช่น การให้ยืม การจ่ายเงิน การลงทุน การประกันภัย ฯลฯ สามารถทำได้ผ่าน DApps ที่เฉพาะเจาะจง อย่างไรก็ตาม จากความหลากหลายของ DApps และขาดบริการแนะนำที่ประนีทที่เหมาะสมเหมือนกับธุรกิจดั้งเดิมผู้ใช้อาจรู้สึกสับสนเมื่อเลือกใช้แอพพลิเคชันและสินค้าที่เหมาะสม สถานการณ์นี้สามารถนำไปสู่การลดความพึงพอใจของผู้ใช้และมีผลต่อประสิทธิภาพโดยรวมของระบบนิติบุคคล Ethereum

พิจารณาการให้ยืมเงินเป็นตัวอย่าง บางแพลตฟอร์มการให้ยืม DeFi ใช้กลไกการปลอดทุนมากเกินไปเพื่อรักษาความปลอดภัยและความมั่นคงของแพลตฟอร์มของพวกเขา นั่นหมายความว่าผู้กู้จำเป็นต้องให้สินทรัพย์มากขึ้นเป็นการค้ำประกัน ซึ่งไม่สามารถใช้โดยผู้กู้สำหรับกิจกรรมอื่นๆ ในระหว่างระยะเวลาการยืมเงิน สิ่งนี้ทำให้มีการลดลงในการใช้เงินของผู้กู้ ซึ่งจะทำให้เหลือเฉพาะเงินทุนของผู้กู้ลดลง ซึ่งส่งผลให้มีความไม่สะดวกในการใช้เงินของผู้กู้ ลดลงเช่นกันในการจ่ายเงินในตลาด

การประยุกต์ใช้ Machine Learning ใน Ethereum

โมเดลการเรียนรู้ของเครื่องเช่นโมเดล RMF, ระบบสร้างภาพ (GAN), โมเดลต้นไม้การตัดสินใจ, อัลกอริทึมเพื่อบรรจุบริเวณเคียงข้าง k (KNN) และอัลกอริทึมการจัดกลุ่ม DBSCAN เล่นบทบาทสำคัญใน Ethereum การประยุกต์ใช้โมเดลการเรียนรู้เหล่านี้ใน Ethereum สามารถช่วยในการปรับปรุงความมีประสิทธิภาพในการประมวลผลธุรกรรม เสริมความปลอดภัยของสัญญาอัจฉริยะ บรรลุการแบ่งกลุ่มผู้ใช้เพื่อให้บริการที่มีลักษณะส่วนตัวมากขึ้น และมีส่วนสำคัญในการรักษาความมั่นคงของเครือข่าย

การแนะนำอัลกอริทึม

อัลกอริธึมแมชชีนเลิร์นนิงคือชุดของคําสั่งหรือกฎที่ใช้ในการวิเคราะห์ข้อมูลเรียนรู้รูปแบบในข้อมูลและทําการคาดการณ์หรือตัดสินใจตามการเรียนรู้นี้ พวกเขาเรียนรู้และปรับปรุงโดยอัตโนมัติจากข้อมูลที่ให้ไว้โดยไม่จําเป็นต้องมีคําแนะนําการเขียนโปรแกรมที่ชัดเจนจากมนุษย์ โมเดลแมชชีนเลิร์นนิง เช่น โมเดล RMF, Generative Adversarial Networks (GAN), โมเดล Decision Tree, อัลกอริทึม K-Nearest Neighbors (KNN) และอัลกอริธึมการจัดกลุ่ม DBSCAN มีบทบาทสําคัญใน Ethereum การประยุกต์ใช้โมเดลแมชชีนเลิร์นนิงเหล่านี้ใน Ethereum สามารถช่วยเพิ่มประสิทธิภาพการประมวลผลธุรกรรมเพิ่มความปลอดภัยของสัญญาอัจฉริยะบรรลุการแบ่งกลุ่มผู้ใช้เพื่อให้บริการที่เป็นส่วนตัวมากขึ้นและมีส่วนร่วมในการรักษาเสถียรภาพของเครือข่าย

1. ตัวจำแนกเบยส์

ตัวจำแนก Bayes เป็นเครื่องมือที่มีประสิทธิภาพในวิธีการจำแนกสถิติต่าง ๆ ซึ่งมีจุดมุ่งหมายในการลดความน่าจะเป็นของข้อผิดพลาดในการจำแนกหรือลดความเสี่ยงเฉลี่ยภายใต้กรอบงบประมาณที่เฉพาะเจาะจง แนวคิดการออกแบบของมันเชื่อมั่นอย่างมากในทฤษฎีเบย์สธรรม, ซึ่งทำให้สามารถกำหนดความน่าจะเป็นของวัตถุที่เป็นสมาชิกในชั้นบางอย่างจากลักษณะบางอย่าง และตัดสินใจโดยการคำนวณความน่าจะเป็นหลังเหตุการเป็นของวัตถุ

โดยเฉพาะอย่างยิ่ง ตัวแยกประเภท Bayes พิจารณาความน่าจะเป็นก่อนเสมอ จากนั้นใช้สูตรเบสเชี่ยนเพื่อพิจารณาข้อมูลที่สังเกตได้โดยละเอียด ซึ่งจะทำให้เกิดการอัพเดทความเชื่อเกี่ยวกับการจำแนกประเภทของวัตถุ ในหมวดอย่างที่เป็นไปได้ทั้งหมด ตัวแยกประเภท Bayes จะเลือกหมวดที่มีความน่าจะเป็นหลังสูงที่สุดและกำหนดวัตถุให้เข้าไปในหมวดนี้ ข้อดีหลักของวิธีการนี้คือความสามารถในการจัดการกับความไม่แน่นอนและข้อมูลที่ไม่สมบูรณ์อย่างธรรมชาติ ซึ่งทำให้เป็นเครื่องมือที่มีประสิทธิภาพและยืดหยุ่นสามารถนำไปใช้ในสถานการณ์หลากหลาย

รูปที่ 2: ตัวจัดแยกเบย์

ดังที่แสดงในรูปที่ 2 ในแมชชีนเลิร์นนิงภายใต้การดูแลตัวจําแนก Bayesian ใช้ข้อมูลและแบบจําลองความน่าจะเป็นตามทฤษฎีบท Bayes เพื่อตัดสินใจจําแนก เมื่อพิจารณาถึงความเป็นไปได้ความน่าจะเป็นก่อนหน้าของคลาสและคุณสมบัติตัวจําแนก Bayes จะคํานวณความน่าจะเป็นด้านหลังของจุดข้อมูลที่เป็นของแต่ละคลาสและกําหนดจุดข้อมูลให้กับคลาสที่มีความน่าจะเป็นด้านหลังสูงสุด ในพล็อตกระจายทางด้านขวาตัวจําแนกจะพยายามหาเส้นโค้งเพื่อแยกจุดที่มีสีต่างกันซึ่งจะช่วยลดข้อผิดพลาดในการจําแนกประเภท

1. ต้นไม้การตัดสินใจ

อัลกอริทึมต้นไม้การตัดสินใช้กันอย่างแพร่หลายในงานการจำแนกและงานสร้างโมเดล มันนำเสนอการตัดสินที่มีลำดับชั้นเป็นพื้นฐาน โดยแบ่งต้นไม้โดยใช้คุณลักษณะที่มีอัตราการได้ข้อมูลสูงจากข้อมูลที่ทราบไปเพื่อฝึกต้นไม้การตัดสิน ในแง่มุมของความสำคัญแล้ว อัลกอริทึมทั้งหมดสามารถเรียนรู้กฎการตัดสินโดยอัตโนมัสจากข้อมูลเพื่อกำหนดค่าตัวแปร ในการนำไปใช้ ต้นไม้การตัดสินสามารถแยกกระบวนการตัดสินที่ซับซ้อนเป็นกระบวนการตัดสินย่อยๆ หลายๆ กระบวนการเพื่อสร้างโครงสร้างที่เหมือนต้นไม้

ตามที่แสดงในรูปที่ 3 แต่ละโหนดแทนการตัดสินใจ พร้อมเกณฑ์ในการตัดสินให้คะแนนบางอย่างในขณะที่สาขาแทนผลลัพธ์การตัดสิน แต่ละโหนดใบแทนผลลัพธ์และหมวดหมู่ที่ทำนายได้สุดท้าย จากมุมมองของการสร้างอัลกอริทึม โมเดลต้นไม้ตัดสินเป็นแบบนึงที่เข้าใจง่าย และมีความชัดเจน

รูปภาพ 3: โมเดลต้นไม้การตัดสินใจ

1. อัลกอริทึม DBSCAN

DBSCAN (Density-Based Spatial Clustering of Applications with Noise) เป็นอัลกอริทึมการจัดกลุ่มทางพื้นที่ที่ขึ้นอยู่กับความหนาแน่นที่จัดการกับเสียง และมีความเหมาะสมมากสำหรับชุดข้อมูลที่ไม่เชื่อมต่อ อัลกอริทึมนี้สามารถค้นพบกลุ่มของรูปร่างอย่างอิสระโดยไม่ต้องระบุจำนวนกลุ่มล่วงหน้า และมีความคงทนที่ดีต่อค่าเหลือในชุดข้อมูล นอกจากนี้ อัลกอริทึมสามารถระบุจุดผิดปกติอย่างมีประสิทธิภาพในชุดข้อมูลที่มีเสียง โดยที่จุดเสียงหรือจุดผิดปกติถูกกำหนดให้เป็นจุดในพื้นที่ความหนาแนน้อย ตามที่แสดงในภาพที่ 4

รูปที่ 4: อัลกอริทึม DBSCAN ระบุเสียงรบกวน

1. อัลกอริทึม KNN

อัลกอริทึม KNN (K-Nearest Neighbors) สามารถใช้สำหรับงานการจำแนกประเภทและการทำนายทั้งสองประเภทได้ ในปัญหาการจำแนกประเภท อัลกอริทึมจะกำหนดหมวดหมู่ของรายการที่จะจำแนกโดยขึ้นอยู่กับกลไกการลงคะแนน ในปัญหาการทำนาย จะคำนวณค่าเฉลี่ยหรือค่าเฉลี่ยที่ถูกน้ำหนักของค่าของตัวอย่าง k ที่ใกล้ที่สุดเพื่อการทำนาย

ตามที่แสดงในภาพที่ 5 หลักการทำงานของอัลกอริทึม KNN ในการจำแนกประเภทคือ ค้นหา K ที่ใกล้ที่สุดของจุดข้อมูลใหม่ แล้วทำนายหมวดหมู่ของจุดข้อมูลใหม่โดยขึ้นอยู่กับหมวดหมู่ของเพื่อนบ้านเหล่านี้ หาก K=1 จากนั้นจุดข้อมูลใหม่จะถูกกำหนดให้เป็นหมวดหมู่ของเพื่อนบ้านที่ใกลที่สุดของมัน หาก K>1 จะใช้วิธีการโหวตโดยทั่วไปเพื่อกำหนดหมวดหมู่ของจุดข้อมูลใหม่ หมายความว่าจะถูกกำหนดให้เป็นหมวดหมู่ที่เพื่อนบ้านส่วนใหญ่เป็นของ ขณะที่อัลกอริทึม KNN ถูกใช้สำหรับปัญหาการถดถอย แนวคิดพื้นฐานก็เหมือนกัน แต่ผลลัพธ์คือค่าเฉลี่ยของค่าผลลัพธ์ของเพื่อนบ้าน K ที่ใกลที่สุด

รูปที่ 5: อัลกอริทึม KNN ที่ใช้สำหรับการจำแนกประเภท

1. Generative AI

Generative AI เป็นเทคโนโลยี AI ที่สามารถสร้างเนื้อหาใหม่ (เช่น ข้อความ ภาพ ดนตรี ฯลฯ) โดยอ้างอิงตามความต้องการข้อมูลนำเข้า มันเชื่อมโยงกับความคืบหน้าของ machine learning และ deep learning โดยเฉพาะในสาขาเช่น natural language processing และ image recognition Generative AI เรียนรู้รูปแบบและความสัมพันธ์จากข้อมูลจำนวนมากและจากนั้นสร้างเนื้อหาใหม่ทั้งหมดโดยอ้างอิงตามข้อมูลที่เรียนรู้นี้ ความสำคัญของ generative AI อยู่ที่การฝึกโมเดลซึ่งต้องการข้อมูลที่ดีเพื่อการเรียนรู้และการฝึก ในระหว่างขั้นตอนนี้ โมเดลจะปรับปรุงความสามารถของมันในการสร้างเนื้อหาใหม่ๆ โดยการวิเคราะห์และเข้าใจโครงสร้าง รูปแบบ และความสัมพันธ์ภายในชุดข้อมูล

1. Transformer
   เป็นหลักการของ AI ที่สร้างสรรค์ ตัวแปร Transformer ได้นำเสนอกลไกการให้ความสนใจซึ่งช่วยในการประมวลผลที่โฟกัสที่ข้อมูลสำคัญพร้อมพิจารณาบริบททั่วโลก ความสามารถที่ไม่ซ้ำซ้อนนี้ได้เสริมสร้างด้านการสร้างข้อความด้วยโมเดล Transformer อย่างมาก เมื่อใช้โมเดลการประมวลผลภาษาธรรมชาติระดับล้นชนอย่าง GPT (Generative Pre-trained Transformer) จะสามารถเข้าใจความต้องการของแอปพลิเคชันของผู้ใช้ที่แสดงออกมาในภาษาธรรมชาติและแปลงเป็นรหัสที่สามารถประมวลผลได้โดยอัตโนมัติ ลดความซับซ้อนในการพัฒนาและเพิ่มประสิทธิภาพอย่างมีนัยสำคัญ

ตามที่แสดงในรูปที่ 6 การนำเข้ากลไกความสนใจหลายหัวและความสนใจตนเองพร้อมกับการเชื่อมต่อที่เหลือเชื่อมต่อและเครือข่ายประสาทเชื่อมต่อเต็ม ร่วมกับเทคนิคการฝังคำก่อนหน้านี้ ได้เสริมสมรรถนะของระบบโมเดลที่เกี่ยวข้องกับการประมวลผลภาษาธรรมชาติอย่างมาก

รูปที่ 6 โมเดลตัวแปร

1. RFM model introduction: บทนำของโมเดล RFM

โมเดล RFM เป็นโมเดลทางการวิเคราะห์ที่ขึ้นอยู่กับพฤติกรรมการซื้อของผู้ใช้ ซึ่งสามารถระบุกลุ่มผู้ใช้ที่มีค่าต่าง ๆ โดยการวิเคราะห์พฤติกรรมธุรกรรมของพวกเขา โมเดลนี้จะแบ่งกลุ่มผู้ใช้โดยใช้ Recency (R), Frequency (F), และ Monetary value (M) ของการซื้อ เหมือนที่แสดงในรูปที่ 7 สามตัวชี้วัดเหล่านี้รวมกันเป็นส่วนสำคัญของโมเดล RFM โมเดลจะให้คะแนนผู้ใช้โดยใช้สามมิติเหล่านี้และจัดอันดับตามคะแนนเพื่อระบุกลุ่มผู้ใช้ที่มีค่าสูงสุด นอกจากนี้ โมเดลยังแบ่งกลุ่มลูกค้าได้อย่างมีประสิทธิภาพเพื่อทำให้การแบ่งกลุ่มของผู้ใช้เป็นไปได้

รูปที่ 7 โมเดลชั้นใส RFM

แอปพลิเคชั่นที่เป็นไปได้

ในการแก้ไขปัญหาด้านความปลอดภัยของ Ethereum โดยใช้เทคนิคการเรียนรู้ของเครื่อง เราได้ทำการวิจัยใน 4 พื้นที่หลัก

การระบุและกรองธุรกรรมที่เป็นอันตรายโดยใช้ตัวจำแนกเบยส์

โดยการสร้างตัวจำแนก Bayes การทำธุรกรรมสแปมที่เป็นไปได้ รวมถึงการโจมตี DOS ผ่านการทำธุรกรรมขนาดใหญ่, บ่อยครั้ง, ขนาดเล็ก, สามารถระบุและกรองได้ ทางนี้จะช่วยรักษาสุขภาพของเครือข่ายโดยการวิเคราะห์ลักษณะของการทำธุรกรรม เช่น ราคา gas และความถี่ของการทำธุรกรรม เพื่อให้มั่นใจในการดำเนินการของเครือข่าย Ethereum อย่างมีประสิทธิภาพ

1. สร้างรหัสสัญญาอัจฉริยะที่ปลอดภัยและปรับแต่ง

เครือข่ายที่สร้างขึ้นโดยการต่อสู้ (GANs) และเครือข่ายสร้างโดยโรงขึ้นบนรูปแบบการเป็นผู้สร้างสามารถนำมาใช้สร้างรหัสสัญญาฉลาดที่ตรงตามข้อกำหนดและให้ความมั่นคงของรหัสให้มากที่สุด อย่างไรก็ตาม มีความแตกต่างในประเภทของข้อมูลที่ทั้งสองนี้พึ่งพาในระหว่างกระบวนการฝึกฝน; ข้อแตกต่างคือครูหน้าหลักพึ่งพาตัวอย่างรหัสที่ไม่ปลอดภัยในขณะที่หลังพึ่งพาข้อมูลที่ตรงข้าม

ด้วยการฝึกอบรม GANs เพื่อเรียนรู้รูปแบบสัญญาที่ปลอดภัยที่มีอยู่และสร้างแบบจําลองที่เป็นปฏิปักษ์ด้วยตนเองเพื่อสร้างรหัสที่ไม่ปลอดภัยที่อาจเกิดขึ้นจากนั้นเรียนรู้ที่จะระบุความไม่มั่นคงเหล่านี้เป็นไปได้ที่จะสร้างรหัสสัญญาอัจฉริยะที่มีคุณภาพสูงและปลอดภัยกว่าโดยอัตโนมัติ การใช้ประโยชน์จากโมเดลเครือข่ายเชิงกําเนิดที่ใช้ Transformer โดยการเรียนรู้จากตัวอย่างสัญญาที่ปลอดภัยจํานวนมากเราสามารถสร้างรหัสสัญญาที่ตรงตามข้อกําหนดเฉพาะและเพิ่มประสิทธิภาพการใช้ก๊าซซึ่งจะช่วยปรับปรุงประสิทธิภาพและความปลอดภัยของการพัฒนาสัญญาอัจฉริยะได้อย่างมาก

การวิเคราะห์ความเสี่ยงของสัญญาอัจฉริยะโดยใช้ต้นไม้ตัดสินใจ

การใช้ต้นไม้ตัดสินในการวิเคราะห์คุณลักษณะของสมาร์ทคอนแทรค เช่น ความถี่ของการเรียกใช้ฟังก์ชัน มูลค่าของธุรกรรม ความซับซ้อนของโค้ดต้นฉบับ เป็นต้น สามารถช่วยในการระบุระดับความเสี่ยงของสัญญาได้อย่างมีประสิทธิภาพ โดยการวิเคราะห์รูปแบบการดำเนินการของสัญญาและโครงสร้างของโค้ด สามารถทำนายจุดอ่อนและจุดเสี่ยงได้ ซึ่งจะช่วยให้นักพัฒนาและผู้ใช้ได้รับการประเมินความปลอดภัย วิธีนี้คาดว่าจะช่วยในการปรับปรุงความปลอดภัยของสัญญาฉลองในระบบ Ethereum โดยลดความเสี่ยงจากจุดอ่อนหรือโค้ดที่เจ้าชัด

สร้างโมเดลประเมินสกุลเงินดิจิทัลเพื่อลดความเสี่ยงในการลงทุน

โดยวิเคราะห์ข้อมูลธุรกรรมเหรียญดิจิทัลกิจกรรมสื่อสังคมประสิทธิภาพตลาดและข้อมูลมิติเยอะมากโดยใช้อัลกอริทึมเรียนรู้ของเครื่อง สามารถสร้างโมเดลประเมินที่ทำนายความน่าจะเป็นของเหรียญขยะได้ โมเดลนี้สามารถให้ข้อมูลอ้างอิงมีค่าสำหรับนักลงทุน ช่วยให้พวกเขาหลีกเลี่ยงความเสี่ยงในการลงทุนและส่งเสริมการพัฒนาที่ดีขึ้นของตลาดเหรียญดิจิทัล

นอกจากนี้การใช้งานเรียนรู้ของเครื่องมีศักยภาพในการเสริมสร้างประสิทธิภาพของ Ethereum อีกด้วย เราสามารถศึกษาลึกลงในมิติสามอย่างต่อไปนี้:

การปรับปรุงการใช้งานต้นไม้ตัดสินในรูปแบบคิวของโมเดลสระบุธุรกรรม

โดยใช้ต้นไม้การตัดสินใจ สามารถปรับปรุงกลไกการคิวของกองทรัพยากรธุรกิจเอเทอร์เรียได้อย่างมีประสิทธิภาพ โดยการวิเคราะห์ลักษณะของธุรกรรม เช่น ราคาแก๊สและขนาดของธุรกรรม ต้นไม้การตัดสินใจสามารถปรับปรุงการเลือกธุรกรรมและลำดับคิว วิธีการนี้สามารถปรับปรุงประสิทธิภาพของการประมวลผลธุรกรรมอย่างมาก ลดการแออัดของเครือข่ายอย่างมีประสิทธิภาพ และลดเวลารอธุรกรรมของผู้ใช้

การจัดประเภทผู้ใช้และการให้บริการโดยการปรับให้เหมาะกับแต่ละบุคคล

โมเดล RFM (Recency, Frequency, Monetary value), ที่ใช้อย่างแพร่หลายเป็นเครื่องมือทางการวิเคราะห์ในการบริหารความสัมพันธ์กับลูกค้า สามารถแบ่งกลุ่มผู้ใช้ได้อย่างมีประสิทธิภาพโดยการประเมินความทันสมัยของธุรกรรมล่าสุดของผู้ใช้ ความถี่ของธุรกรรม และจำนวนธุรกรรม การนำโมเดล RFM ไปใช้บนแพลตฟอร์ม Ethereum สามารถช่วยในการระบุกลุ่มผู้ใช้มูลค่าสูง จัดสรรทรัพยากรให้เหมาะสม และให้บริการที่มีการปรับปรุงเพิ่มเติม ซึ่งจะเสริมสร้างความพึงพอใจของผู้ใช้และประสิทธิภาพของแพลตฟอร์มโดยรวม

อัลกอริทึม DBSCAN ยังสามารถวิเคราะห์พฤติกรรมการทำธุรกรรมของผู้ใช้ได้เช่นกัน ช่วยในการระบุกลุ่มผู้ใช้ที่แตกต่างกันบนเอเธอเรียม และให้บริการทางการเงินที่กำหนดเองมากขึ้นสำหรับผู้ใช้ที่แตกต่างกัน กลยุทธ์การแบ่งชั้นผู้ใช้นี้สามารถทำให้กลยุทธ์การตลาดที่ถูกจัดทำให้เหมาะสมมากขึ้น และเพิ่มความพึงพอใจของลูกค้าและประสิทธิภาพในการให้บริการ

การจัดคะแนนเครดิตโดยใช้ KNN

อัลกอริทึม K-Nearest Neighbors (KNN) สามารถวิเคราะห์ประวัติธุรกรรมของผู้ใช้ Ethereum และรูปแบบพฤติกรรมเพื่อประเมินคะแนนเครดิตของผู้ใช้ ซึ่งเป็นสิ่งสำคัญมากในกิจกรรมทางการเงิน เช่นการให้ยืม การประเมินคะแนนเครดิตช่วยให้สถาบันการเงินและแพลตฟอร์มการให้ยืมประเมินความสามารถในการชำระหนี้ของผู้กู้และความเสี่ยงทางเครดิตได้ถูกต้องมากขึ้น ทำให้การตัดสินใจในการให้ยืมมีความแม่นยำมากขึ้น นอกจากนี้ยังช่วยลดการให้ยืมเกิน และเพิ่ม Likuiditas ของตลาด

ทิศทางอนาคต

จากมุมมองของการจัดสรรทุนระดับมาโคร อีเทอเรียม ซึ่งเป็นคอมพิวเตอร์แบบกระจายที่ใหญ่ที่สุดของโลก ไม่สามารถมีการลงทุนมากเกินไปในเส้นพื้นฐานของพื้นฐาน มันต้องดึงดูดนักพัฒนาจากพื้นหลังที่หลากหลายมาเข้าร่วมในการก่อสร้างร่วมกัน ในบทความนี้ โดยการทบทวนการปฏิบัติทางเทคโนโลยีของอีเทอเรียม และความท้าทายที่เจอ เรามองเห็นชุดของแอปพลิเคชันที่มีศักยภาพที่เป็นรูปธรรมของการเรียนรู้ของเครื่อง และยังคาดหวังให้นักพัฒนาปัญญาประดิษฐ์ภายในชุมชนนี้ส่งมอบวิสัยทัศน์เหล่านี้เป็นค่าที่เป็นไปได้

เนื่องจากพลังการคำนวณ on-chain เพิ่มขึ้นเรื่อย ๆ เราสามารถคาดการณ์ได้ว่าจะมีการพัฒนาโมเดลที่ซับซ้อนมากขึ้นสำหรับการบริหารจัดการเครือข่าย การตรวจสอบธุรกรรม การตรวจสอบความปลอดภัย และด้านอื่น ๆ อีกมากมาย ซึ่งในที่สุดจะเพิ่มประสิทธิภาพและความปลอดภัยของเครือข่าย Ethereum

มองไปข้างหน้ามากขึ้น กลไกการปกครองที่ได้รับการขับเคลื่อนด้วย AI/ตัวแทนอาจกลายเป็นจุดประกายสำคัญภายในนิเวศ Ethereum ด้วย เช่นกันกลไกเช่นนี้จะนำมาซึ่งกระบวนการตัดสินสุดยอดที่มีประสิทธิภาพมากขึ้น โปร่งใส และอัตโนมัติ ทำให้เกิดโครงสร้างการปกครองที่ยืดหยุ่นและเชื่อถือได้มากขึ้นสำหรับแพลตฟอร์ม Ethereum ทิศทางในอนาคตเหล่านี้จะไม่เพียงทำให้เกิดนวัตกรรมในเทคโนโลยี Ethereum เท่านั้น แต่ยังมอบประสบการณ์ในโซนตลอดสูงขึ้นให้กับผู้ใช้

Disclaimer：

1. บทความนี้ถูกพิมพ์ซ้ำจาก [ panews]. *Forward the Original Title‘AI如何革新以太坊？从另一个角度看“AI+Blockchain’.All copyrights belong to the original author [Salus]. If there are objections to this reprint, please contact the Gate เรียนทีม และพวกเขาจะดำเนินการด้วยรวดเร็ว
2. คำประกาศความรับผิด: มุมมองและความเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่เป็นการให้คำปรึกษาด้านการลงทุนใดๆ
3. การแปลบทความเป็นภาษาอื่นๆ นำมาทำโดยทีม Gate Learn ห้ามมิให้ทำการคัดลอก แจกจ่าย หรือลอกเลียนแบบบทความที่ถูกแปล นอกจากที่ได้ระบุไว้