Chuyển tiêu đề gốc: AI làm thay đổi Ethereum như thế nào? Nhìn từ một góc độ khác về "AI+Blockchain"

Trong năm vừa qua, với trí tuệ nhân tạo sinh sáng liên tục vượt quá dự đoán, một làn sóng cách mạng năng suất AI đã lan tỏa qua cộng đồng tiền điện tử. Nhiều dự án AI khái niệm đã mang đến một huyền thoại về sự tạo ra của tài sản trên thị trường phụ. Đồng thời, ngày càng có nhiều nhà phát triển bắt đầu phát triển các dự án “AI+Crypto” của riêng họ.

Tuy nhiên, khi quan sát kỹ hơn, có thể nhận thấy rằng các dự án này thể hiện khả năng thay thế nghiêm trọng, với hầu hết các dự án chỉ tập trung vào việc cải thiện "quan hệ sản xuất", chẳng hạn như tổ chức sức mạnh tính toán thông qua các mạng phi tập trung hoặc tạo ra "khuôn mặt ôm phi tập trung", v.v. Rất ít dự án cố gắng tích hợp và đổi mới thực sự từ công nghệ cơ bản. Chúng tôi tin rằng lý do cho hiện tượng này nằm ở "sự thiên vị miền" giữa các lĩnh vực AI và blockchain. Mặc dù giao điểm rộng lớn của họ, rất ít người thực sự hiểu cả hai lĩnh vực. Ví dụ: các nhà phát triển AI cảm thấy khó khăn khi hiểu được việc triển khai kỹ thuật và tình trạng cơ sở hạ tầng lịch sử của Ethereum, chứ đừng nói đến việc đề xuất các giải pháp tối ưu hóa chuyên sâu.

Lấy machine learning (ML), nhánh cơ bản nhất của trí tuệ nhân tạo ví dụ, đó là một công nghệ mà máy móc có thể ra quyết định dựa trên dữ liệu mà không cần hướng dẫn lập trình rõ ràng. Machine learning đã thể hiện tiềm năng lớn trong phân tích dữ liệu và nhận dạng mẫu và đã trở nên phổ biến trong Web 2. Tuy nhiên, do những hạn chế ban đầu của nó, ngay cả trong hàng đầu của sự đổi mới công nghệ blockchain như Ethereum, kiến trúc, mạng lưới và cơ chế quản trị của nó vẫn chưa thực sự tận dụng hiệu quả machine learning như một công cụ để giải quyết các vấn đề phức tạp.

“Các đổi mới tuyệt vời thường nảy sinh từ những lĩnh vực liên ngành.” Mục đích của việc viết bài này là để giúp các nhà phát triển trí tuệ nhân tạo hiểu rõ hơn về thế giới blockchain và cung cấp ý tưởng mới cho các nhà phát triển trong cộng đồng Ethereum. Trong bài viết này, chúng tôi trước tiên giới thiệu việc triển khai kỹ thuật của Ethereum và sau đó đề xuất một giải pháp để áp dụng học máy, một thuật toán trí tuệ nhân tạo cơ bản, vào mạng lưới Ethereum để nâng cao tính bảo mật, hiệu suất và khả năng mở rộng của nó. Chúng tôi hy vọng rằng trường hợp này sẽ là điểm khởi đầu để trình bày một số quan điểm khác nhau từ thị trường và kích thích thêm các kết hợp chéo sáng tạo hơn của “Trí tuệ nhân tạo + Blockchain” trong hệ sinh thái phát triển viên.

Thực Hiện Kỹ Thuật Của Ethereum

1. Cấu trúc dữ liệu cơ bản
   Bản chất của blockchain là một chuỗi các khối, và chìa khóa để phân biệt các chuỗi nằm trong cấu hình chuỗi, một phần thiết yếu của bất kỳ chuỗi khối nào. Đối với Ethereum, cấu hình chuỗi được sử dụng để phân biệt giữa các chuỗi khác nhau trong Ethereum, xác định các giao thức nâng cấp quan trọng và sự kiện mốc. Ví dụ, DAOForkBlock tượng trưng cho độ cao hard fork của Ethereum sau cuộc tấn công DAO, trong khi ConstantinopleBlock đánh dấu độ cao khối cho nâng cấp Constantinople. Đối với các nâng cấp lớn chứa nhiều đề xuất cải tiến, các trường đặc biệt được thiết lập để xác định độ cao khối tương ứng. Ngoài ra, Ethereum bao gồm các mạng thử nghiệm khác nhau và mạng chính, được định danh độc đáo bằng ChainID để biểu thị hệ sinh thái mạng tương ứng của họ.
   Khối khởi tạo phục vụ như khối thứ không của toàn bộ blockchain, được tham chiếu trực tiếp hoặc gián tiếp bởi các khối khác. Do đó, các nút phải tải thông tin khối khởi tạo chính xác khi khởi tạo, không cho phép sửa đổi tùy ý. Thông tin cấu hình khối khởi tạo bao gồm cấu hình chuỗi đã đề cập, cùng với chi tiết bổ sung như phần thưởng khai thác tương ứng, dấu thời gian, độ khó và giới hạn gas. Đáng chú ý rằng cơ chế đồng thuận của Ethereum đã chuyển từ khai thác bằng bằng chứng công việc sang chứng chỉ cổ phần.
   Các tài khoản Ethereum được chia thành tài khoản bên ngoài và tài khoản hợp đồng. Tài khoản bên ngoài được kiểm soát bởi một khóa riêng biệt, trong khi tài khoản hợp đồng thiếu kiểm soát khóa riêng và chỉ có thể được vận hành bằng cách gọi thực thi mã hợp đồng thông qua các tài khoản bên ngoài. Mỗi tài khoản tương ứng với một nút lá trong trạng thái thế giới Ethereum, lưu trữ trạng thái tài khoản (các thông tin tài khoản đa dạng và chi tiết mã).
   Giao dịch: Là một nền tảng phi tập trung chủ yếu dành cho giao dịch và hợp đồng, các khối Ethereum bao gồm các giao dịch được đóng gói và thông tin liên quan bổ sung. Một khối được chia thành hai phần: tiêu đề khối và thân khối. Dữ liệu tiêu đề khối chứa chứng cứ liên kết tất cả các khối thành một chuỗi, bao gồm băm khối trước đó và chứng cứ của trạng thái toàn cầu Ethereum, gốc giao dịch, gốc biên nhận và dữ liệu bổ sung như độ khó và nonce. Thân khối lưu trữ danh sách giao dịch và danh sách tiêu đề khối uncle (do Ethereum đã chuyển sang chứng minh cổ phần, tham chiếu khối uncle không còn tồn tại).
   Biên lai giao dịch cung cấp kết quả của việc thực thi giao dịch và thông tin bổ sung, mà không thể trực tiếp được bằng cách xem xét giao dịch chính nó. Cụ thể, chúng chứa nội dung đồng thuận, thông tin giao dịch và thông tin khối, chỉ ra liệu việc xử lý giao dịch có thành công hay không và cung cấp nhật ký giao dịch và chi tiết tiêu thụ gas. Phân tích thông tin trong biên lai giúp gỡ lỗi mã hợp đồng thông minh và tối ưu hóa tiêu thụ gas, đồng thời cung cấp xác nhận rằng giao dịch đã được xử lý bởi mạng và cho phép xem kết quả và tác động của giao dịch.
   Trong Ethereum, phí gas có thể được hiểu đơn giản là phí giao dịch. Khi bạn gửi mã thông báo, thực thi hợp đồng thông minh, chuyển Ether, hoặc thực hiện các hoạt động khác trên blockchain trong một khối cụ thể, những giao dịch này đòi hỏi phí gas. Tài nguyên tính toán của Ethereum được tiêu thụ khi xử lý những giao dịch này, và bạn phải trả phí gas để khuyến khích mạng làm việc cho bạn. Cuối cùng, phí gas được trả dưới dạng phí giao dịch cho các thợ đào, và công thức tính cụ thể có thể được hiểu như là Phí = Gas Sử Dụng * Giá Gas, nơi giá mỗi đơn vị gas được đặt bởi người khởi tạo giao dịch và thường xác định tốc độ bao gồm giao dịch trong các khối. Đặt giá gas quá thấp có thể dẫn đến việc giao dịch không được thực thi, và cũng cần thiết phải đặt một giới hạn gas như một giới hạn trên để tránh tiêu thụ gas không mong muốn do lỗi trong hợp đồng thông minh.

2. Hồ bơi giao dịch
   Trong Ethereum, có một số lượng lớn giao dịch, và so với các hệ thống tập trung, khả năng xử lý của các hệ thống phi tập trung theo giao dịch mỗi giây thấp đáng kể. Với một số lượng lớn giao dịch nhập vào các nút, các nút cần duy trì một hồ bơi giao dịch để quản lý những giao dịch này một cách chính xác. Việc phát sóng giao dịch xảy ra thông qua giao tiếp ngang hàng. Cụ thể, một nút sẽ phát sóng các giao dịch có thể thực thi đến các nút láng giềng của nó, những nút này sẽ lan truyền giao dịch đến các nút láng giềng của họ, cho phép một giao dịch lan rộng khắp mạng lưới Ethereum trong vòng 6 giây.
   Các giao dịch trong hồ bơi giao dịch được chia thành các giao dịch có thể thực thi và các giao dịch không thể thực thi. Các giao dịch có thể thực thi, có ưu tiên cao hơn, được thực thi và bao gồm trong các khối, trong khi tất cả các giao dịch nhập vào hồ bơi ban đầu đều không thể thực thi và sau này trở thành có thể thực thi. Các giao dịch có thể thực thi và không thể thực thi được ghi lại trong container đang chờ và container hàng đợi tương ứng.
   Ngoài ra, hồ bơi giao dịch duy trì một danh sách các giao dịch cục bộ. Các giao dịch cục bộ có nhiều điểm mạnh khác nhau, bao gồm ưu tiên cao hơn, miễn khỏi các hạn chế về khối lượng giao dịch, và được tải lại ngay vào hồ bơi giao dịch khi nút khởi động lại. Việc lưu trữ cục bộ của các giao dịch cục bộ được thực hiện thông qua một nhật ký, đảm bảo rằng các giao dịch cục bộ chưa hoàn thành không bị mất và được cập nhật định kỳ.
   Trước khi giao dịch được đưa vào hàng đợi, tính hợp lệ của nó được xác minh, bao gồm các loại kiểm tra khác nhau như ngăn chặn tấn công DOS, ngăn chặn các giao dịch tiêu cực và xác minh giới hạn gas của giao dịch. Cấu trúc đơn giản của hồ bơi giao dịch có thể được chia thành hàng đợi + đang chờ (bao gồm tất cả các giao dịch). Sau khi hoàn thành các kiểm tra tính hợp lệ, các kiểm tra tiếp theo được thực hiện, bao gồm kiểm tra xem hàng đợi giao dịch đã đạt đến giới hạn của nó và xác định xem các giao dịch từ xa (giao dịch không địa phương) có giá thấp nhất trong hồ bơi giao dịch, thay thế giao dịch có giá thấp nhất trong hồ bơi. Đối với việc thay thế các giao dịch có thể thực thi, chỉ cho phép các giao dịch với tăng phí lên đến 10% để thay thế những giao dịch đang chờ thực thi, và các giao dịch được thay thế được lưu trữ dưới dạng giao dịch không thể thực thi. Ngoài ra, các giao dịch không hợp lệ và vượt quá giới hạn sẽ bị loại bỏ trong quá trình bảo trì của hồ bơi giao dịch, và các giao dịch đủ điều kiện sẽ được thay thế.

3. Cơ chế đồng thuận
   Ở giai đoạn đầu, lý thuyết đồng thuận Ethereum dựa trên phương pháp tính toán giá trị khó khăn hash. Nói cách khác, cần tính toán giá trị hash của một khối để đáp ứng điều kiện của giá trị khó khăn mục tiêu để khối được coi là hợp lệ. Khi thuật toán đồng thuận Ethereum đã chuyển từ Proof of Work (PoW) sang Proof of Stake (PoS), tôi sẽ đề cập ngắn gọn đến thuật toán PoS ở đây. Ethereum đã hoàn thành việc hợp nhất chuỗi mắt đèn vào tháng 9 năm 2022, triển khai thuật toán PoS. Cụ thể, trong Ethereum dựa trên PoS, thời gian khối của mỗi khối ổn định ở 12 giây. Người dùng đặt cược Ethereum của họ để có quyền trở thành người xác minh. Sau đó, quá trình chọn lọc ngẫu nhiên được thực hiện giữa những người đặt cược tham gia để chọn một tập hợp người xác minh. Trong mỗi vòng, bao gồm 32 khe cắm, một người xác minh được chọn làm người đề xuất cho mỗi khe cắm, trong khi những người xác minh còn lại trong cùng một khe cắm phục vụ như một ủy ban để xác thực tính hợp lệ của khối đề xuất và đánh giá tính hợp lệ của các khối từ vòng trước. Thuật toán PoS ổn định và tăng tốc đáng kể sản xuất khối trong khi tránh lãng phí tài nguyên tính toán một cách lớn.

4. Thuật toán chữ ký
   Ethereum áp dụng cùng tiêu chuẩn thuật toán chữ ký như Bitcoin, sử dụng đường cong secp256k1. Cụ thể, thuật toán chữ ký được sử dụng là ECDSA, trong đó chữ ký được tính dựa trên băm của thông điệp gốc. Chữ ký bao gồm các thành phần R+S+V. Mỗi phép tính đều giới thiệu một số ngẫu nhiên, và R+S đại diện cho kết quả ban đầu của ECDSA. Trường cuối cùng V, được biết đến là trường khôi phục, chỉ số lần thử cần thiết để khôi phục thành công khóa công khai từ nội dung và chữ ký vì việc tìm ra các tọa độ thỏa mãn yêu cầu dựa trên giá trị R trong đường cong elip có thể có nhiều giải pháp.
   Toàn bộ quá trình có thể được tổng kết như sau: dữ liệu giao dịch và thông tin liên quan của người ký được băm sau khi được mã hóa bởi RLP, và chữ ký cuối cùng được thu được bằng cách ký bằng khóa riêng tư thông qua ECDSA. Đường cong được sử dụng trong ECDSA là đường cong elliptic secp256k1. Cuối cùng, dữ liệu giao dịch đã được ký được kết hợp với dữ liệu giao dịch để thu được dữ liệu giao dịch đã được ký có thể được phát sóng.
   Cấu trúc dữ liệu của Ethereum không chỉ dựa vào công nghệ blockchain truyền thống mà còn kết hợp cây Merkle Patricia (MPT), còn được gọi là Cây Tiền Tố Nén Merkle, để lưu trữ và xác minh dữ liệu lớn một cách hiệu quả. MPT kết hợp chức năng băm mật mã của cây Merkle và tính nén đường dẫn khóa của cây Patricia, cung cấp một giải pháp đảm bảo tính toàn vẹn dữ liệu và hỗ trợ tìm kiếm nhanh chóng.

5. Cây Trie Merkle Patricia (MPT)
   Trong Ethereum, MPT được sử dụng để lưu trữ tất cả dữ liệu trạng thái và giao dịch, đảm bảo rằng mọi thay đổi đối với dữ liệu đều được phản ánh trong hàm băm gốc của cây. Điều này có nghĩa là bằng cách xác minh hàm băm gốc, tính toàn vẹn và chính xác của dữ liệu có thể được chứng minh mà không cần kiểm tra toàn bộ cơ sở dữ liệu. MPT bao gồm bốn loại nút: nút lá, nút mở rộng, nút nhánh và nút trống, cùng nhau tạo thành một cây có khả năng thích ứng với các thay đổi dữ liệu động. Bất cứ khi nào dữ liệu được cập nhật, MPT phản ánh những thay đổi này bằng cách thêm, xóa hoặc sửa đổi các nút, đồng thời cập nhật hàm băm gốc của cây. Vì mỗi nút được mã hóa thông qua một hàm băm, bất kỳ thay đổi nhỏ nào đối với dữ liệu sẽ dẫn đến những thay đổi đáng kể trong hàm băm gốc, đảm bảo tính bảo mật và nhất quán của dữ liệu. Ngoài ra, thiết kế của MPT hỗ trợ xác minh "máy khách nhẹ", cho phép các nút xác minh sự tồn tại hoặc trạng thái của thông tin cụ thể thông qua việc chỉ lưu trữ hàm băm gốc của cây và các nút đường dẫn cần thiết, giảm đáng kể nhu cầu lưu trữ và xử lý dữ liệu.
   Thông qua MPT, Ethereum không chỉ đạt được quản lý hiệu quả và truy cập nhanh chóng vào dữ liệu mà còn đảm bảo an ninh và phân cấp của mạng lưới, hỗ trợ hoạt động và phát triển của toàn bộ mạng lưới Ethereum.

6. Máy Trạng Thái
   Kiến trúc cốt lõi của Ethereum tích hợp khái niệm về máy trạng thái, nơi Máy ảo Ethereum (EVM) là môi trường thực thi cho tất cả mã hợp đồng thông minh, và chính Ethereum có thể được xem là một hệ thống chuyển đổi trạng thái được chia sẻ toàn cầu. Việc thực thi của mỗi khối có thể được xem như một quá trình chuyển đổi trạng thái, di chuyển từ một trạng thái được chia sẻ toàn cầu sang một trạng thái khác. Thiết kế này đảm bảo tính nhất quán và phân cấp của mạng lưới Ethereum và làm cho kết quả thực thi của hợp đồng thông minh trở nên dự đoán và không thể can thiệp được.
   Trong Ethereum, trạng thái đề cập đến thông tin hiện tại của tất cả các tài khoản, bao gồm số dư của mỗi tài khoản, dữ liệu được lưu trữ và mã của hợp đồng thông minh. Mỗi khi giao dịch xảy ra, EVM tính toán và biến đổi trạng thái dựa trên nội dung giao dịch, và quá trình này được ghi lại một cách hiệu quả và an toàn thông qua MPT. Mỗi chuyển đổi trạng thái không chỉ thay đổi dữ liệu tài khoản mà còn dẫn đến cập nhật của MPT, phản ánh qua sự thay đổi của hash gốc của cây.
   Mối quan hệ giữa EVM và MPT rất quan trọng vì MPT cung cấp sự đảm bảo về tính toàn vẹn dữ liệu cho các chuyển đổi trạng thái của Ethereum. Khi EVM thực thi giao dịch và thay đổi trạng thái tài khoản, các nút MPT liên quan được cập nhật để phản ánh những thay đổi này. Khi mỗi nút của MPT được liên kết thông qua các hash, bất kỳ sửa đổi nào đối với trạng thái sẽ gây ra sự thay đổi trong root hash, sau đó được bao gồm trong khối mới, đảm bảo tính nhất quán và an toàn của toàn bộ trạng thái Ethereum. Bây giờ, hãy giới thiệu Máy ảo Ethereum (EVM).

7. EVM
   Máy ảo Ethereum (EVM) là thành phần cơ bản chịu trách nhiệm thực thi hợp đồng thông minh và tạo điều kiện cho việc chuyển đổi trạng thái trong mạng lưới Ethereum. Chính nhờ EVM mà Ethereum có thể được hình dung như một máy tính thế giới. EVM là một máy Turing hoàn chỉnh, có nghĩa là các hợp đồng thông minh triển khai trên Ethereum có thể thực thi các tính toán logic phức tạp một cách tùy ý. Việc giới thiệu cơ chế gas trong Ethereum ngăn ngừa các tình huống như vòng lặp vô hạn trong các hợp đồng, đảm bảo tính ổn định và bảo mật của mạng lưới.

Ở mức kỹ thuật cao hơn, EVM là một máy ảo dựa trên ngăn xếp thực hiện hợp đồng thông minh bằng cách sử dụng bytecode cụ thể của Ethereum. Các nhà phát triển thường viết các hợp đồng thông minh bằng ngôn ngữ cấp cao như Solidity, sau đó biên dịch thành bytecode hiểu được bởi EVM để thực thi. EVM là sáng kiến chính của blockchain Ethereum, hỗ trợ không chỉ việc thực thi hợp đồng thông minh mà còn cung cấp nền tảng vững chắc cho việc phát triển ứng dụng phi tập trung (DApps). Qua EVM, Ethereum đang hình thành một tương lai kỹ thuật số phi tập trung, an toàn và mở.

Đánh giá Lịch sử Ethereum

Hình 1 Đánh giá Lịch sử của Ethereum

Thách thức đối với Bảo mật Ethereum

Hợp đồng thông minh là các chương trình máy tính chạy trên blockchain Ethereum. Chúng cho phép các nhà phát triển tạo và triển khai các ứng dụng khác nhau, bao gồm nhưng không giới hạn ứng dụng cho vay, sàn giao dịch phi tập trung, bảo hiểm, tài chính phụ, mạng xã hội và NFT. An ninh của các hợp đồng thông minh rất quan trọng đối với những ứng dụng này. Những ứng dụng này trực tiếp chịu trách nhiệm xử lý và kiểm soát tiền điện tử, và bất kỳ lỗ hổng hoặc tấn công độc hại vào các hợp đồng thông minh đều đe dọa trực tiếp đến an ninh quỹ, có thể dẫn đến mất mát kinh tế đáng kể. Ví dụ, vào ngày 26 tháng 2 năm 2024, giao thức cho vay DeFi Blueberry Protocol đã bị tấn công do lỗi logic của hợp đồng thông minh, dẫn đến mất mát khoảng 1.400.000 đô la.

Nhược điểm của hợp đồng thông minh là đa chiều, bao gồm logic kinh doanh không hợp lý, kiểm soát truy cập không đúng, xác nhận dữ liệu không đủ, tấn công tái nhập, và tấn công DOS (Từ chối Dịch vụ), cùng với các khía cạnh khác. Những lỗ hổng này có thể gây ra vấn đề trong việc thực thi hợp đồng, ảnh hưởng đến hoạt động hiệu quả của hợp đồng thông minh. Lấy tấn công DOS làm ví dụ, loại tấn công này tiêu thụ tài nguyên mạng bằng cách gửi một số lượng lớn giao dịch, khiến cho các giao dịch được khởi xướng bởi người dùng bình thường được xử lý chậm, dẫn đến giảm trải nghiệm người dùng. Ngoài ra, điều này cũng có thể dẫn đến tăng phí gas giao dịch. Khi tài nguyên mạng khan hiếm, người dùng có thể cần phải trả phí cao hơn để ưu tiên giao dịch của họ được xử lý.

Thêm vào đó, người dùng trên Ethereum cũng phải đối mặt với rủi ro đầu tư, với bảo mật quỹ của họ bị đe dọa. Ví dụ, có những "tấm thảm", được sử dụng để mô tả tiền điện tử được coi là có ít hoặc không có giá trị hoặc tiềm năng tăng trưởng dài hạn. Thảm thường được khai thác làm công cụ để lừa đảo hoặc cho các chiến lược bơm và bán phá giá để thao túng giá. Đầu tư vào thảm mang lại rủi ro đầu tư cao và có thể dẫn đến tổn thất tài chính đáng kể. Do giá thấp và giá trị thị trường, chúng dễ bị thao túng và biến động. Những mã thông báo này thường được sử dụng cho các kế hoạch bơm và bán phá giá và lừa đảo honeypot, lôi kéo các nhà đầu tư bằng các dự án giả mạo và ăn cắp tiền của họ. Một rủi ro phổ biến khác của việc kéo thảm, nơi người sáng tạo đột nhiên loại bỏ tất cả thanh khoản khỏi một dự án, khiến giá trị mã thông báo giảm mạnh. Những trò gian lận này thường liên quan đến tiếp thị thông qua quan hệ đối tác và xác nhận sai. Khi giá mã thông báo tăng, những kẻ lừa đảo bán mã thông báo của họ, biến mất, để lại cho các nhà đầu tư những mã thông báo vô giá trị. Hơn nữa, đầu tư vào thảm cũng chuyển hướng sự chú ý và nguồn lực từ các loại tiền điện tử hợp pháp với tiện ích thực tế và tiềm năng tăng trưởng. Bên cạnh thảm, tiền xu không khí và tiền xu sơ đồ kim tự tháp cũng là những phương pháp kiếm lợi nhuận nhanh chóng. Đối với người dùng thiếu kiến thức và kinh nghiệm chuyên môn, việc phân biệt chúng với tiền điện tử hợp pháp là đặc biệt khó khăn.

Hiệu quả

Hai chỉ số rất trực tiếp về hiệu suất của Ethereum là tốc độ giao dịch và phí gas. Tốc độ giao dịch đề cập đến số lượng giao dịch mà mạng Ethereum có thể xử lý trong một đơn vị thời gian. Chỉ số này phản ánh trực tiếp khả năng xử lý của mạng Ethereum; tốc độ càng nhanh, hiệu suất càng cao. Mỗi giao dịch trên Ethereum đều yêu cầu một lượng phí gas nhất định để bồi thường cho các thợ đào để xác minh giao dịch. Phí gas thấp chỉ ra hiệu suất cao hơn trong Ethereum.

Sự giảm tốc độ giao dịch có thể dẫn đến việc tăng phí gas. Thông thường, khi tốc độ xử lý giao dịch giảm, do không gian khối hạn chế, có thể có nhiều sự cạnh tranh hơn cho các giao dịch để nhập vào khối tiếp theo. Để nổi bật trong cuộc cạnh tranh, các nhà giao dịch thường tăng phí gas, vì các thợ đào thường ưu tiên các giao dịch có phí gas cao hơn để xác minh. Do đó, việc tăng phí gas cao hơn làm giảm sự hài lòng của trải nghiệm người dùng.

Giao dịch chỉ là các hoạt động cơ bản trên Ethereum. Trong hệ sinh thái này, người dùng cũng có thể tham gia vào các hoạt động khác như cho vay, đặt cược, đầu tư, bảo hiểm, v.v. Những điều này có thể được thực hiện thông qua các ứng dụng cụ thể. Tuy nhiên, do sự đa dạng của các ứng dụng cụ thể và thiếu dịch vụ khuyến nghị cá nhân hóa tương tự như các ngành công nghiệp truyền thống, người dùng có thể cảm thấy bối rối khi chọn ứng dụng và sản phẩm phù hợp. Tình hình này có thể dẫn đến sự giảm sự hài lòng của người dùng, ảnh hưởng đến hiệu quả tổng thể của hệ sinh thái Ethereum.

Lấy việc cho vay làm ví dụ. Một số nền tảng cho vay DeFi sử dụng cơ chế tài sản đảm bảo quá mức để duy trì an ninh và sự ổn định của nền tảng của họ. Điều này có nghĩa là người vay cần cung cấp nhiều tài sản hơn làm tài sản đảm bảo, mà không thể sử dụng cho các hoạt động khác trong suốt thời gian vay. Điều này dẫn đến sự giảm sút trong việc sử dụng quỹ của người vay, từ đó giảm tính thanh khoản của thị trường.

Ứng dụng Machine Learning trong Ethereum

Các mô hình học máy như mô hình RMF, Mạng đối nghịch sinh sản (GAN), Mô hình cây quyết định, Thuật toán láng giềng gần nhất K (KNN) và thuật toán phân cụm DBSCAN đang đóng vai trò quan trọng trong Ethereum. Việc áp dụng các mô hình học máy này trong Ethereum có thể giúp tối ưu hóa hiệu suất xử lý giao dịch, tăng cường an ninh của hợp đồng thông minh, đạt được phân đoạn người dùng để cung cấp dịch vụ cá nhân hóa hơn và đóng góp vào việc duy trì sự ổn định của mạng.

Giới thiệu Thuật toán

Các thuật toán học máy là một bộ hướng dẫn hoặc quy tắc được sử dụng để phân tích dữ liệu, học các mẫu trong dữ liệu và đưa ra dự đoán hoặc quyết định dựa trên việc học này. Chúng tự động học và cải thiện từ dữ liệu được cung cấp mà không cần các hướng dẫn lập trình rõ ràng từ con người. Các mô hình học máy như mô hình RMF, Mạng nơ-ron đối nghịch sinh (GAN), mô hình cây quyết định, thuật toán láng giềng gần nhất K (KNN) và thuật toán phân cụm DBSCAN đang đóng vai trò quan trọng trong Ethereum. Việc áp dụng các mô hình học máy này trong Ethereum có thể giúp tối ưu hóa hiệu suất xử lý giao dịch, tăng cường bảo mật của các hợp đồng thông minh, đạt được phân đoạn người dùng để cung cấp dịch vụ cá nhân hóa hơn và góp phần duy trì sự ổn định của mạng.

1. Bộ phân loại Bayes

Bộ phân loại Bayes hiệu quả trong các phương pháp phân loại thống kê khác nhau, nhằm mục đích làm giảm xác suất lỗi phân loại hoặc làm giảm rủi ro trung bình trong các khung viện phí cụ thể. Triết lý thiết kế của nó chìm sâu trong định lý Bayes, cho phép nó xác định xác suất của một đối tượng thuộc về một lớp nhất định khi có các đặc điểm nhất định và ra quyết định bằng cách tính xác suất hậu nghiệm của đối tượng.

Cụ thể, bộ phân loại Bayes trước tiên xem xét xác suất tiên nghiệm của một đối tượng, sau đó áp dụng công thức Bayes để xem xét dữ liệu quan sát một cách toàn diện, do đó cập nhật niềm tin về phân loại đối tượng. Trong số tất cả các phân loại có thể, bộ phân loại Bayes chọn lớp có xác suất hậu nghiệm cao nhất và gán đối tượng vào lớp này. Ưu điểm cốt lõi của phương pháp này là khả năng xử lý tự nhiên không chắc chắn và thông tin không đầy đủ, biến nó thành một công cụ mạnh mẽ và linh hoạt có thể áp dụng cho một loạt các tình huống.

Hình 2: Bộ phân loại Bayes

Như minh họa trong Hình 2, trong việc học máy giám sát, bộ phân loại Bayesian sử dụng dữ liệu và một mô hình xác suất dựa trên định lý Bayes để đưa ra quyết định phân loại. Bằng cách xem xét xác suất, xác suất trước của các lớp và đặc điểm, bộ phân loại Bayes tính toán xác suất hậu nghiệm của các điểm dữ liệu thuộc về mỗi lớp và gán các điểm dữ liệu vào lớp có xác suất hậu nghiệm cao nhất. Trong biểu đồ phân tán bên phải, bộ phân loại cố gắng tìm một đường cong để phân tách các điểm có màu khác nhau, từ đó giảm thiểu lỗi phân loại.

1. Cây quyết định

Thuật toán cây quyết định thường được sử dụng trong các nhiệm vụ phân loại và hồi quy. Nó áp dụng một phương pháp ra quyết định phân cấp, chia cây dựa trên các đặc điểm với tỷ lệ thu được thông tin cao hơn từ dữ liệu đã biết, để huấn luyện các cây quyết định. Về bản chất, toàn bộ thuật toán có thể tự động học các quy tắc quyết định từ dữ liệu để xác định giá trị biến. Trong việc thực hiện, cây quyết định có thể phân rã quy trình quyết định phức tạp thành một số quy trình quyết định phụ đơn giản, tạo thành một cấu trúc giống như cây.

Như được hiển thị trong Hình 3, mỗi nút đại diện cho một quyết định, với tiêu chí để đánh giá các thuộc tính cụ thể, trong khi nhánh đại diện cho kết quả quyết định. Mỗi nút lá đại diện cho kết quả và danh mục dự đoán cuối cùng. Từ quan điểm về cấu trúc thuật toán, mô hình cây quyết định là sáng tỏ, dễ hiểu và có tính giải thích mạnh mẽ.

Hình 3: Mô hình cây quyết định

1. Thuật toán DBSCAN

DBSCAN (Density-Based Spatial Clustering of Applications with Noise) là một thuật toán gom cụm không gian dựa trên mật độ xử lý noise, và nó dường như đặc biệt hiệu quả đối với các bộ dữ liệu không kết nối. Thuật toán này có thể phát hiện các cụm có hình dạng tùy ý mà không cần phải xác định trước số lượng cụm, và nó cho thấy tính ổn định tốt đối với các điểm ngoại lai trong bộ dữ liệu. Ngoài ra, thuật toán có thể hiệu quả xác định các điểm ngoại lai trong các bộ dữ liệu có noise, nơi mà điểm noise hoặc ngoại lai được xác định là các điểm trong các khu vực mật độ thấp, như được thể hiện trong Hình 4.

Hình 4: Thuật toán DBSCAN xác định nhiễu

1. Thuật toán KNN

Thuật toán KNN (K-Nearest Neighbors) có thể được sử dụng cho cả các nhiệm vụ phân loại và hồi quy. Trong các vấn đề phân loại, thuật toán xác định danh mục của mục cần phân loại dựa trên cơ chế bỏ phiếu, trong khi trong các vấn đề hồi quy, nó tính toán trung bình hoặc trung bình có trọng số của các giá trị của k mẫu gần nhất để đưa ra dự đoán.

Như được thể hiện trong Hình 5, nguyên tắc hoạt động của thuật toán KNN trong phân loại là tìm ra K hàng xóm gần nhất của một điểm dữ liệu mới và sau đó dự đoán phân loại của điểm dữ liệu mới dựa trên các phân loại của những hàng xóm này. Nếu K=1, thì điểm dữ liệu mới đơn giản được gán vào phân loại của hàng xóm gần nhất của nó. Nếu K>1, thì thường sẽ sử dụng một phương pháp bỏ phiếu để xác định phân loại của điểm dữ liệu mới, nghĩa là nó sẽ được gán vào phân loại mà phần lớn của những hàng xóm của nó thuộc về. Khi thuật toán KNN được sử dụng cho các vấn đề hồi quy, ý tưởng cơ bản vẫn giống nhưng kết quả là giá trị trung bình của các giá trị đầu ra của K hàng xóm gần nhất.

Hình 5: Thuật lý KNN được sử dụng cho việc phân loại

1. Generative AI

Trí tuệ nhân tạo sinh sản là một công nghệ trí tuệ nhân tạo có thể tạo ra nội dung mới (như văn bản, hình ảnh, âm nhạc, v.v.) dựa trên yêu cầu đầu vào. Nó chủ yếu dựa vào sự tiến bộ của học máy và học sâu, đặc biệt là trong các lĩnh vực như xử lý ngôn ngữ tự nhiên và nhận dạng hình ảnh. Trí tuệ nhân tạo sinh sản học các mẫu và tương quan từ lượng lớn dữ liệu sau đó tạo ra đầu ra hoàn toàn mới dựa trên thông tin đã học này. Chìa khóa của trí tuệ nhân tạo sinh sản nằm ở việc huấn luyện mô hình, cần có dữ liệu xuất sắc để học và huấn luyện. Trong quá trình này, mô hình dần cải thiện khả năng tạo ra nội dung mới bằng cách phân tích và hiểu cấu trúc, mẫu và mối quan hệ trong tập dữ liệu.

1. Transformer
   Là một phần quan trọng của trí tuệ nhân tạo sinh sản, Transformer giới thiệu cơ chế chú ý, cho phép xử lý tập trung vào thông tin chính trong khi cũng xem xét ngữ cảnh toàn cầu. Khả năng độc đáo này đã tăng cường đáng kể lĩnh vực tạo văn bản với các mô hình Transformer. Bằng cách sử dụng các mô hình xử lý ngôn ngữ tự nhiên tiên tiến như GPT (Generative Pre-trained Transformer), có thể hiểu được yêu cầu ứng dụng của người dùng được diễn đạt bằng ngôn ngữ tự nhiên và tự động chuyển đổi chúng thành mã thực thi, giảm bớt sự phức tạp trong phát triển và cải thiện đáng kể hiệu suất.

Như được hiển thị trong Hình 6, việc giới thiệu các cơ chế chú ý đa đầu và chú ý tự, cùng với các kết nối dư và mạng nơ-ron kết nối đầy đủ, kết hợp với các kỹ thuật nhúng từ trước đó, đã tăng cường đáng kể hiệu suất của các mô hình sinh liên quan đến xử lý ngôn ngữ tự nhiên.

Hình 6 Mô hình Transformer

1. Giới thiệu mô hình RFM:

RFM model là một mô hình phân tích dựa trên hành vi mua hàng của người dùng, có thể xác định các đoạn người dùng có giá trị khác nhau bằng cách phân tích hành vi giao dịch của họ. Mô hình này phân lớp người dùng dựa trên Recency (R), Frequency (F), và Monetary value (M) của các giao dịch. Như được hiển thị trong Hình 7, ba chỉ số này cùng nhau tạo nên lõi của mô hình RFM. Mô hình điểm người dùng dựa trên ba chiều này và xếp hạng họ theo điểm số để xác định các đoạn người dùng có giá trị nhất. Hơn nữa, mô hình phân đoạn khách hàng hiệu quả thành các nhóm khác nhau để đạt được chức năng phân lớp người dùng.

Hình 7 mô hình lớp RFM

Ứng Dụng Có Thể

Trong việc giải quyết các thách thức về bảo mật của Ethereum bằng cách sử dụng các kỹ thuật học máy, chúng tôi đã tiến hành nghiên cứu trong bốn lĩnh vực chính:

Xác định và Lọc Các Giao Dịch Độc Hại Dựa trên Bộ Phân Loại Bayes

Bằng cách xây dựng một bộ phân loại Bayes, các giao dịch spam tiềm năng, bao gồm nhưng không giới hạn ở những giao dịch gây ra cuộc tấn công DOS thông qua các giao dịch quy mô lớn, thường xuyên, nhỏ có thể được xác định và lọc. Phương pháp này hiệu quả duy trì sức khỏe của mạng bằng cách phân tích các đặc điểm của giao dịch như giá gas và tần suất giao dịch, đảm bảo hoạt động ổn định của mạng Ethereum.

1. Tạo mã hợp đồng thông minh an toàn và tùy chỉnh

Mạng phân biệt tự sinh (GANs) và các mạng sinh dựa trên Transformer có thể được sử dụng để tạo ra mã hợp đồng thông minh đáp ứng các yêu cầu cụ thể và đảm bảo an ninh mã nguồn một cách tối đa. Tuy nhiên, có sự khác biệt trong các loại dữ liệu mà hai mô hình này dựa vào trong quá trình huấn luyện; mô hình trước chủ yếu dựa vào các mẫu mã không an toàn, trong khi mô hình sau là ngược lại.

Bằng cách huấn luyện GAN để học các mẫu hợp đồng an toàn hiện có và xây dựng các mô hình tự phản đối để tạo ra mã không an toàn tiềm năng, sau đó học cách xác định những lỗ hổng này, có thể tự động tạo ra mã hợp đồng thông minh chất lượng cao, an toàn hơn. Tận dụng các mô hình mạng sinh học dựa trên Transformer, bằng cách học từ một số lượng lớn các ví dụ về hợp đồng an toàn, người ta có thể tạo ra mã hợp đồng đáp ứng các yêu cầu cụ thể và tối ưu hóa việc tiêu thụ gas, từ đó cải thiện đáng kể hiệu quả và an ninh của việc phát triển hợp đồng thông minh.

Phân tích rủi ro của Hợp đồng Thông minh dựa trên Cây quyết định

Sử dụng cây quyết định để phân tích các tính năng hợp đồng thông minh, chẳng hạn như tần suất cuộc gọi hàm, giá trị giao dịch, độ phức tạp của mã nguồn, v.v., có thể xác định hiệu quả mức độ rủi ro tiềm ẩn của hợp đồng. Bằng cách phân tích các mẫu hoạt động hợp đồng và cấu trúc mã, các lỗ hổng và điểm rủi ro có thể được dự đoán, cung cấp cho các nhà phát triển và người dùng các đánh giá bảo mật. Phương pháp này được kỳ vọng sẽ cải thiện đáng kể tính bảo mật của các hợp đồng thông minh trong hệ sinh thái Ethereum, từ đó giảm tổn thất do lỗ hổng hoặc mã độc gây ra.

Xây dựng một Mô hình Đánh giá Tiền điện tử để Giảm thiểu Rủi ro Đầu tư

Bằng cách phân tích dữ liệu giao dịch tiền điện tử, hoạt động trên mạng xã hội, hiệu suất thị trường và thông tin đa chiều khác bằng cách sử dụng các thuật toán học máy, có thể xây dựng một mô hình đánh giá dự đoán khả năng xuất hiện đồng tiền rác. Mô hình này có thể cung cấp các tài liệu tham khảo quý giá cho nhà đầu tư, giúp họ tránh các rủi ro đầu tư và thúc đẩy sự phát triển lành mạnh của thị trường tiền điện tử.

Ngoài ra, việc áp dụng học máy có tiềm năng tăng cường hiệu quả của Ethereum. Chúng ta có thể đào sâu vào ba chiều chính sau đây:

Tối ưu hóa ứng dụng cây quyết định của các mô hình xếp hàng trong hồ sơ giao dịch

Dựa trên cây quyết định, việ có thể tối ưu hóa cơ chế xếp hàng của các hồ bơi giao dịch Ethereum một cách hiệu quả. Bằng cách phân tích các đặc điểm của giao dịch như giá khí và kích thước giao dịch, cây quyết định có thể tối ưu hóa việc lựa chọn và thứ tự xếp hàng của giao dịch. Phương pháp này có thể cải thiện đáng kể hiệu suất xử lý giao dịch, giảm tắc nghẽn mạng hiệu quả và giảm thời gian chờ giao dịch của người dùng.

Phân lớp người dùng và cung cấp dịch vụ cá nhân hóa

Mô hình RFM (Recency, Frequency, Monetary value), được sử dụng rộng rãi như một công cụ phân tích trong quản lý mối quan hệ khách hàng, có thể phân loại người dùng một cách hiệu quả bằng cách đánh giá sự gần đây của giao dịch cuối cùng của người dùng, tần suất giao dịch và số tiền giao dịch. Áp dụng mô hình RFM trên nền tảng Ethereum có thể giúp xác định các nhóm người dùng giá trị cao, tối ưu hóa phân bổ tài nguyên và cung cấp dịch vụ cá nhân hóa hơn, từ đó nâng cao sự hài lòng của người dùng và hiệu quả tổng thể của nền tảng.

Thuật toán DBSCAN cũng có thể phân tích hành vi giao dịch của người dùng, giúp xác định các nhóm người dùng khác nhau trên Ethereum và cung cấp các dịch vụ tài chính cá nhân hóa hơn đến từng người dùng. Chiến lược phân tầng người dùng này có thể tối ưu hóa chiến lược tiếp thị và cải thiện sự hài lòng của khách hàng cũng như hiệu quả phục vụ.

Điểm Tín dụng Dựa trên KNN

Thuật toán K-Nearest Neighbors (KNN) có thể phân tích lịch sử giao dịch và mô hình hành vi của người dùng Ethereum để đánh giá điểm tín dụng người dùng, điều này đóng vai trò cực kỳ quan trọng trong các hoạt động tài chính như cho vay. Điểm tín dụng giúp các tổ chức tài chính và các nền tảng cho vay đánh giá khả năng thanh toán và rủi ro tín dụng của người vay một cách chính xác hơn, từ đó đưa ra quyết định cho vay chính xác hơn. Điều này có thể tránh việc cho vay quá mức và cải thiện tính thanh khoản của thị trường.

Hướng phát triển tương lai

Từ quan điểm về phân bổ quỹ cấp độ macro, Ethereum, với tư cách là máy tính phân phối lớn nhất thế giới, không thể đầu tư quá nhiều vào tầng cơ sở hạ tầng của mình. Nó cần thu hút thêm nhiều nhà phát triển từ các nền tảng đa dạng khác nhau để tham gia xây dựng chung. Trong bài viết này, thông qua việc xem xét các triển khai kỹ thuật của Ethereum và những thách thức mà nó đối mặt, chúng tôi định hình một loạt ứng dụng tiềm năng của học máy một cách trực quan. Chúng tôi cũng rất mong chờ các nhà phát triển trí tuệ nhân tạo trong cộng đồng chuyển những tầm nhìn này thành giá trị cụ thể.

Khi năng lực tính toán trên chuỗi ngày càng tăng, chúng ta có thể dự đoán sự phát triển của các mô hình phức tạp hơn cho quản lý mạng, giám sát giao dịch, kiểm toán bảo mật và các khía cạnh khác, từ đó nâng cao hiệu suất và bảo mật của mạng Ethereum.

Nhìn xa hơn, cơ chế quản trị do trí tuệ nhân tạo/đại lý cũng có thể trở thành một điểm đổi mới lớn trong hệ sinh thái Ethereum. Các cơ chế như vậy sẽ đem lại quyết định hiệu quả, minh bạch và tự động hơn, dẫn đến một cấu trúc quản trị linh hoạt và đáng tin cậy hơn cho nền tảng Ethereum. Những hướng phát triển tương lai này không chỉ thúc đẩy sự đổi mới trong công nghệ Ethereum mà còn cung cấp cho người dùng trải nghiệm trên chuỗi chất lượng cao hơn.

Disclaimer：

1. Bài viết này được sao chép từ [ panewsChuyển tiếp Tiêu đề Gốc 'AI如何革新以太坊？从另一个角度看“AI+Blockchain’.Tất cả bản quyền thuộc về tác giả gốc [Salus]. Nếu có ý kiến phản đối về việc in lại này, vui lòng liên hệCổng Họcđội, và họ sẽ xử lý nhanh chóng.
2. Tuyên bố từ chối trách nhiệm: Các quan điểm và ý kiến được thể hiện trong bài viết này chỉ thuộc về tác giả và không đại diện cho bất kỳ lời khuyên đầu tư nào.
3. Các bản dịch của bài viết sang các ngôn ngữ khác được thực hiện bởi đội ngũ Gate Learn. Trừ khi được nêu, việc sao chép, phân phối hoặc đạo văn các bài viết dịch là cấm.