Chuyển tiếp Tiêu đề gốc：另一个角度看 「AI+Blockchain」：AI 如何革新以太坊？

Trong năm qua, khi AI sáng tạo liên tục phá vỡ sự mong đợi của công chúng, làn sóng cách mạng năng suất AI đã quét qua cộng đồng tiền điện tử. Chúng tôi đã thấy nhiều dự án có chủ đề AI trên thị trường thứ cấp tạo ra những huyền thoại về sự giàu có và ngày càng có nhiều nhà phát triển bắt đầu phát triển các dự án “AI+Crypto” của riêng họ. Tuy nhiên, khi kiểm tra kỹ hơn, rõ ràng là các dự án này có tính đồng nhất cao và hầu hết chỉ nhằm mục đích cải thiện “mối quan hệ sản xuất”, chẳng hạn như tổ chức sức mạnh tính toán thông qua các mạng phi tập trung hoặc tạo ra “Những khuôn mặt ôm ấp phi tập trung”. Rất ít dự án cố gắng thực sự tích hợp và đổi mới ở cốt lõi kỹ thuật. Chúng tôi tin rằng điều này là do “sự thiên vị miền” giữa lĩnh vực AI và blockchain. Mặc dù có sự giao thoa rộng rãi nhưng ít người có hiểu biết sâu sắc về cả hai lĩnh vực. Chẳng hạn, các nhà phát triển AI có thể gặp khó khăn trong việc nắm bắt các triển khai kỹ thuật và cơ sở hạ tầng lịch sử của Ethereum, khiến việc đề xuất các giải pháp tối ưu hóa chuyên sâu trở nên khó khăn hơn.

Lấy máy học (ML), nhánh cơ bản nhất của AI, làm ví dụ, đó là công nghệ cho phép máy đưa ra quyết định thông qua dữ liệu mà không cần hướng dẫn lập trình rõ ràng. Học máy đã cho thấy tiềm năng to lớn trong việc phân tích dữ liệu và nhận dạng mẫu và đã trở nên phổ biến trong web2. Tuy nhiên, do những hạn chế của thời đại khi mới bắt đầu, ngay cả khi đi đầu trong đổi mới công nghệ blockchain như Ethereum, các cơ chế kiến trúc, mạng và quản trị của nó vẫn chưa tận dụng được máy học như một công cụ hiệu quả để giải quyết các vấn đề phức tạp.

“Những đổi mới vĩ đại thường nảy sinh ở sự giao thoa của các lĩnh vực.” Mục đích chính của chúng tôi khi viết bài viết này là giúp các nhà phát triển AI hiểu rõ hơn về thế giới blockchain đồng thời cung cấp những ý tưởng mới cho các nhà phát triển cộng đồng Ethereum. Trong bài viết, trước tiên chúng tôi giới thiệu cách triển khai kỹ thuật của Ethereum và sau đó đề xuất áp dụng học máy, một thuật toán AI nền tảng, vào mạng Ethereum để nâng cao tính bảo mật, hiệu quả và khả năng mở rộng của nó. Chúng tôi hy vọng trường hợp này đóng vai trò là điểm khởi đầu để đưa ra những quan điểm độc đáo và kích thích nhiều sự kết hợp đổi mới “AI + Blockchain” hơn trong hệ sinh thái nhà phát triển.

Triển khai kỹ thuật của Ethereum

• Cấu trúc dữ liệu cơ bảnCấu trúc dữ liệu cơ bản

Về cốt lõi, blockchain là một chuỗi liên kết các khối lại với nhau, với sự khác biệt giữa các chuỗi chủ yếu nằm ở cấu hình chuỗi. Cấu hình này là một phần thiết yếu trong quá trình hình thành blockchain, giai đoạn khởi đầu của bất kỳ blockchain nào. Trong trường hợp của Ethereum, cấu hình chuỗi phân biệt giữa các chuỗi Ethereum khác nhau và xác định các giao thức nâng cấp quan trọng cũng như các sự kiện quan trọng. Chẳng hạn, DAOForkBlock đánh dấu chiều cao của hard fork sau cuộc tấn công DAO, trong khi ConstantinopleBlock cho biết chiều cao khối tại đó xảy ra nâng cấp Constantinople. Đối với các bản nâng cấp lớn hơn bao gồm nhiều đề xuất cải tiến, các trường đặc biệt được đặt để biểu thị chiều cao khối tương ứng. Hơn nữa, Ethereum bao gồm nhiều mạng thử nghiệm và mạng chính, mỗi mạng được xác định duy nhất bởi một ChainID, mô tả hệ sinh thái mạng của nó.

Khối Genesis, là khối đầu tiên của toàn bộ chuỗi khối, được tham chiếu trực tiếp hoặc gián tiếp bởi các khối khác. Vì vậy, điều quan trọng là các nút phải tải thông tin khối gốc chính xác khi khởi động mà không có bất kỳ thay đổi nào. Cấu hình khối Genesis này bao gồm cấu hình chuỗi được đề cập trước đó, cùng với các thông tin bổ sung như phần thưởng khai thác, dấu thời gian, độ khó và giới hạn gas. Đáng chú ý, Ethereum đã chuyển từ cơ chế đồng thuận khai thác bằng chứng công việc sang bằng chứng cổ phần.

Tài khoản Ethereum được phân loại thành tài khoản bên ngoài và tài khoản hợp đồng. Các tài khoản bên ngoài được kiểm soát duy nhất bằng khóa riêng, trong khi các tài khoản hợp đồng thiếu khóa riêng chỉ có thể được vận hành thông qua việc thực thi mã hợp đồng bằng các tài khoản bên ngoài. Cả hai loại tài khoản đều có một địa chỉ duy nhất. “Trạng thái thế giới” của Ethereum là một cây tài khoản, với mỗi tài khoản tương ứng với một nút lá lưu trữ trạng thái của tài khoản, bao gồm nhiều thông tin tài khoản và mã khác nhau.

• Transactions

Ethereum, với tư cách là một nền tảng phi tập trung, về cơ bản tạo điều kiện thuận lợi cho các giao dịch và hợp đồng. Ethereum chặn các giao dịch trọn gói cùng với một số thông tin bổ sung. Cụ thể, một khối được chia thành tiêu đề khối và phần thân khối. Tiêu đề khối chứa bằng chứng liên kết tất cả các khối thành một chuỗi, được hiểu là hàm băm của khối trước đó, cùng với gốc trạng thái, gốc giao dịch, gốc nhận và các dữ liệu khác như độ khó và nonce, biểu thị trạng thái của toàn bộ thế giới Ethereum . Phần thân khối chứa một danh sách các giao dịch và danh sách các tiêu đề khối chú (tuy nhiên, với việc Ethereum chuyển sang bằng chứng cổ phần, các tham chiếu khối chú đã chấm dứt).

Biên lai giao dịch cung cấp kết quả và thông tin bổ sung sau khi thực hiện giao dịch, cung cấp những hiểu biết sâu sắc không thể có được trực tiếp từ chính các giao dịch. Những chi tiết này bao gồm nội dung đồng thuận, thông tin giao dịch và thông tin khối, cho biết liệu giao dịch có thành công hay không, cùng với nhật ký giao dịch và chi phí gas. Phân tích thông tin trong biên lai hỗ trợ gỡ lỗi mã hợp đồng thông minh và tối ưu hóa việc sử dụng gas, đóng vai trò xác nhận rằng giao dịch đã được mạng xử lý và cho phép kiểm tra kết quả cũng như tác động của giao dịch.

Trong Ethereum, phí gas có thể được đơn giản hóa thành phí giao dịch cần thiết cho các hoạt động như gửi mã thông báo, thực hiện hợp đồng, chuyển ether hoặc các hoạt động khác trên khối. Các hoạt động này đòi hỏi phí gas vì máy ảo Ethereum phải tính toán và sử dụng tài nguyên mạng để xử lý giao dịch, do đó yêu cầu thanh toán cho các dịch vụ tính toán này. Cuối cùng, chi phí nhiên liệu hoặc phí giao dịch sẽ được trả cho người khai thác, được tính theo công thức Phí = Gas đã sử dụng * Giá gas, trong đó giá gas do người khởi tạo giao dịch đặt ra. Số lượng ảnh hưởng phần lớn đến tốc độ xử lý giao dịch trên chuỗi. Đặt nó quá thấp có thể dẫn đến các giao dịch không được thực hiện. Ngoài ra, điều quan trọng là phải đặt giới hạn gas để ngăn chặn việc tiêu thụ gas không lường trước do sai sót trong hợp đồng.

• Nhóm giao dịch

Trong Ethereum, tồn tại một số lượng lớn các giao dịch. So với các hệ thống tập trung, tốc độ xử lý giao dịch trên giây của hệ thống phi tập trung thấp hơn đáng kể. Do có nhiều giao dịch đổ vào các nút, các nút cần duy trì nhóm giao dịch để quản lý hợp lý các giao dịch này. Việc phát các giao dịch được thực hiện thông qua mạng ngang hàng (P2P), trong đó một nút phát các giao dịch thực thi đến các nút lân cận, từ đó các nút này sẽ phát giao dịch đến các nút lân cận của chúng. Thông qua quá trình này, một giao dịch có thể lan rộng khắp toàn bộ mạng Ethereum trong vòng 6 giây.

Các giao dịch trong nhóm giao dịch được chia thành các giao dịch có thể thực thi và không thể thực hiện được. Các giao dịch có thể thực thi có mức độ ưu tiên cao hơn và được thực thi cũng như được bao gồm trong các khối, trong khi tất cả các giao dịch mới được nhập vào nhóm đều không thể thực thi được và chỉ sau này mới có thể thực thi được. Các giao dịch có thể thực thi và không thể thực hiện được lần lượt được ghi lại trong các vùng chứa “đang chờ xử lý” và “hàng đợi”.

Hơn nữa, nhóm giao dịch duy trì một danh sách các giao dịch cục bộ, có một số ưu điểm: chúng có mức độ ưu tiên cao hơn, không bị ảnh hưởng bởi giới hạn khối lượng giao dịch và có thể được tải lại ngay vào nhóm giao dịch khi khởi động lại nút. Việc lưu trữ liên tục cục bộ của các giao dịch cục bộ đạt được thông qua việc sử dụng nhật ký (để tải lại khi khởi động lại nút), với mục tiêu không làm mất các giao dịch cục bộ chưa hoàn thành và nó được cập nhật định kỳ.

Trước khi được xếp hàng, các giao dịch phải trải qua quá trình kiểm tra tính hợp pháp, bao gồm nhiều loại kiểm tra khác nhau như ngăn chặn các cuộc tấn công DOS, giao dịch tiêu cực và giao dịch vượt quá giới hạn gas. Thành phần cơ bản của nhóm giao dịch có thể được chia thành: hàng đợi + đang chờ xử lý (hình thành tất cả các giao dịch). Sau khi vượt qua bước kiểm tra tính hợp pháp, các bước kiểm tra tiếp theo sẽ được thực hiện, bao gồm kiểm tra xem hàng đợi giao dịch đã đạt đến giới hạn hay chưa, sau đó xác định xem các giao dịch từ xa (tức là giao dịch phi cục bộ) có thấp nhất trong nhóm giao dịch để thay thế giao dịch có giá thấp nhất hay không. Để thay thế các giao dịch thực thi, theo mặc định, chỉ những giao dịch có mức phí tăng 10% mới được phép thay thế các giao dịch đang chờ thực hiện và được lưu trữ dưới dạng giao dịch không thể thực thi. Ngoài ra, trong quá trình bảo trì nhóm giao dịch, các giao dịch không hợp lệ và vượt quá giới hạn sẽ bị xóa và các giao dịch đủ điều kiện sẽ được thay thế.

• Cơ chế đồng thuận

Lý thuyết đồng thuận ban đầu của Ethereum dựa trên tính toán băm giá trị độ khó, nghĩa là giá trị băm của khối cần được tính toán để đáp ứng giá trị độ khó mục tiêu để khối được coi là hợp lệ. Vì thuật toán đồng thuận của Ethereum hiện đã chuyển từ Bằng chứng công việc (POW) sang Bằng chứng cổ phần (POS), nên cuộc thảo luận về các lý thuyết liên quan đến khai thác bị bỏ qua ở đây. Tổng quan ngắn gọn về thuật toán POS như sau: Ethereum đã hoàn thành việc sáp nhập Chuỗi Beacon vào tháng 9 năm 2022, triển khai thuật toán POS. Cụ thể, trong Ethereum dựa trên POS, thời gian tạo khối được ổn định ở mức 12 giây. Người dùng đặt cược Ether của họ để có quyền trở thành người xác nhận. Một nhóm người xác nhận được chọn ngẫu nhiên từ những người tham gia đặt cược. Trong mỗi chu kỳ bao gồm 32 vị trí, một người xác thực được chọn làm người đề xuất cho mỗi vị trí để tạo khối, trong khi những người xác thực còn lại cho vị trí đó đóng vai trò là ủy ban để xác minh tính hợp pháp của khối của người đề xuất và đưa ra phán quyết về tính hợp pháp của các khối từ chu kỳ trước đó. Thuật toán POS ổn định đáng kể và tăng tốc độ sản xuất khối đồng thời giảm đáng kể sự lãng phí tài nguyên tính toán.

• Thuật toán chữ ký

Ethereum kế thừa tiêu chuẩn thuật toán chữ ký từ Bitcoin, đồng thời áp dụng đường cong secp256k1. Thuật toán chữ ký cụ thể mà nó sử dụng là ECDSA, có nghĩa là việc tính toán chữ ký dựa trên hàm băm của tin nhắn gốc. Thành phần của toàn bộ chữ ký có thể được hiểu đơn giản là R+S+V. Mỗi phép tính tương ứng đưa ra một số ngẫu nhiên, trong đó R+S là kết quả đầu ra ban đầu của ECDSA. Trường cuối cùng, V, được gọi là trường khôi phục, cho biết số lượng tìm kiếm cần thiết để khôi phục thành công khóa chung từ nội dung và chữ ký, vì có thể có nhiều điểm tọa độ trên đường cong elip đáp ứng các yêu cầu dựa trên giá trị R .

Toàn bộ quá trình có thể được tổ chức đơn giản như sau: Dữ liệu giao dịch và thông tin liên quan đến người ký được băm sau khi mã hóa RLP và chữ ký cuối cùng có thể thu được thông qua ký ECDSA bằng khóa riêng, trong đó đường cong được sử dụng trong ECDSA là đường cong hình elip secp256k1 . Cuối cùng, bằng cách kết hợp dữ liệu chữ ký với dữ liệu giao dịch, dữ liệu giao dịch đã ký có thể được lấy và phát đi.

Cấu trúc dữ liệu của Ethereum không chỉ dựa vào công nghệ blockchain truyền thống mà còn giới thiệu Cây Merkle Patricia, còn được gọi là Merkle Trie, để lưu trữ và xác minh hiệu quả lượng lớn dữ liệu. MPT kết hợp hàm băm mật mã của cây Merkle với tính năng nén đường dẫn khóa của cây Patricia, cung cấp giải pháp vừa đảm bảo tính toàn vẹn dữ liệu vừa hỗ trợ tra cứu nhanh.

• Cây Merkle Patricia

Trong Ethereum, MPT được sử dụng để lưu trữ tất cả dữ liệu trạng thái và giao dịch, đảm bảo mọi thay đổi về 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 null, cùng nhau tạo thành một cây có khả năng thích ứng với những thay đổi dữ liệu động. Với mỗi lần cập nhật dữ liệu, MPT phản ánh những thay đổi này bằng cách thêm, xóa hoặc sửa đổi các nút và cập nhật hàm băm gốc của cây. Vì mỗi nút được mã hóa thông qua hàm băm nên bất kỳ thay đổi nhỏ nào đối với dữ liệu sẽ dẫn đến thay đổi đáng kể trong hàm băm gốc, do đó đảm bảo tính nhất quán và bảo mật dữ liệu. Hơn nữa, 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 bằng cách chỉ lưu trữ hàm băm gốc của cây và các nút đường dẫn cần thiết, giảm đáng kể yêu cầu xử lý và lưu trữ dữ liệu.

Thông qua MPT, Ethereum không chỉ đạt được khả năng quản lý hiệu quả và truy cập dữ liệu nhanh chóng mà còn đảm bảo tính bảo mật và phân cấp của mạng, hỗ trợ vận hành và phát triển toàn bộ mạng Ethereum.

• Máy trạng thái

Kiến trúc cốt lõi của Ethereum tích hợp khái niệm máy trạng thái, trong đó Máy ảo Ethereum (EVM) đóng vai trò là môi trường thời gian chạy để thực thi tất cả mã hợp đồng thông minh và bản thân Ethereum có thể được coi là một hệ thống chuyển đổi trạng thái được chia sẻ trên toàn cầu. Việc thực thi từng khối có thể được xem như một quá trình chuyển đổi trạng thái, chuyển từ trạng thái được chia sẻ toàn cầu này sang trạng thái khác. Thiết kế này không chỉ đảm bảo tính nhất quán và phân cấp của mạng Ethereum mà còn giúp kết quả thực hiện của các hợp đồng thông minh có thể dự đoán được và chống giả mạo.

Trong Ethereum, trạng thái đề cập đến thông tin hiện tại của tất cả các tài khoản, bao gồm số dư của từng tài khoản, dữ liệu được lưu trữ và mã hợp đồng thông minh. Bất cứ khi nào giao dịch xảy ra, EVM sẽ tính toán và chuyển đổi trạng thái dựa trên nội dung giao dịch, một quy trình được ghi lại một cách hiệu quả và an toàn thông qua Cây Merkle Patricia (MPT). Mỗi lần chuyển đổi trạng thái không chỉ thay đổi dữ liệu tài khoản mà còn dẫn đến việc cập nhật MPT, được phản ánh qua sự thay đổi giá trị băm gốc của cây.

Mối quan hệ giữa EVM và MPT rất quan trọng vì MPT đảm bảo tính toàn vẹn dữ liệu cho quá trình chuyển đổi trạng thái của Ethereum. Khi EVM thực hiện giao dịch và thay đổi trạng thái tài khoản, các nút MPT liên quan sẽ được cập nhật để phản ánh những thay đổi này. Vì mỗi nút trong MPT được liên kết bằng các hàm băm nên bất kỳ sửa đổi nào đối với trạng thái sẽ gây ra thay đổi trong hàm băm gốc, sau đó được đưa vào một khối mới, đảm bảo tính nhất quán và bảo mật của toàn bộ trạng thái Ethereum. Dưới đây, chúng tôi giới thiệu máy ảo EVM.

• EVM

Máy ảo EVM là nền tảng cho việc xây dựng Ethereum, cho phép thực hiện hợp đồng thông minh và chuyển đổi trạng thái. Nhờ EVM, Ethereum có thể thực sự được hình dung như một máy tính thế giới. EVM là Turing-complete, nghĩa là các hợp đồng thông minh trên Ethereum có thể thực hiện các phép tính logic phức tạp tùy ý, trong khi việc giới thiệu cơ chế gas đã ngăn chặn thành công các vòng lặp vô hạn trong hợp đồng, đảm bảo tính ổn định và bảo mật của mạng. Từ góc độ kỹ thuật sâu hơn, EVM là một máy ảo dựa trên ngăn xếp, thực thi các hợp đồng thông minh bằng cách sử dụng mã byte dành riêng cho Ethereum. Các nhà phát triển thường sử dụng các ngôn ngữ cấp cao, chẳng hạn như Solidity, để viết các hợp đồng thông minh, sau đó được biên dịch thành mã byte mà EVM có thể hiểu được để thực thi. EVM là chìa khóa cho năng lực đổi mới blockchain của Ethereum, không chỉ hỗ trợ hoạt động của hợp đồng thông minh mà còn cung cấp nền tảng vững chắc cho việc phát triển các ứng dụng phi tập trung. Thông qua EVM, Ethereum đang định hình một tương lai kỹ thuật số phi tập trung, an toàn và cởi mở.

Đánh giá lịch sử

Hình 1 Đánh giá lịch sử của Ethereum

Thử thách

Bảo mật

Hợp đồng thông minh là các chương trình máy tính chạy trên chuỗi khối Ethereum. Chúng cho phép các nhà phát triển tạo và triển khai các ứng dụng khác nhau, bao gồm nhưng không giới hạn ở các ứng dụng cho vay, sàn giao dịch phi tập trung, bảo hiểm, tài chính thứ cấp, mạng xã hội và NFT. Tính bảo mật của hợp đồng thông minh là rất quan trọng đối với các ứng dụng này vì chúng trực tiếp xử lý và kiểm soát tiền điện tử. Bất kỳ lỗ hổng nào trong hợp đồng thông minh hoặc các cuộc tấn công độc hại đều có thể gây ra mối đe dọa trực tiếp đến sự an toàn của tiền, có khả năng dẫn đến tổn thất tài chính đáng kể. Ví dụ: vào ngày 26 tháng 2 năm 2024, giao thức cho vay DeFi Blueberry Protocol đã bị tấn công do lỗ hổng trong logic hợp đồng thông minh, dẫn đến tổn thất khoảng 1.400.000 USD.

Các lỗ hổng trong hợp đồng thông minh rất đa dạng, bao gồm logic kinh doanh không hợp lý, kiểm soát truy cập không đúng cách, xác thực dữ liệu không đầy đủ, tấn công reentrancy và tấn công DOS (Từ chối dịch vụ), cùng nhiều lỗ hổng khác. Những lỗ hổng này có thể dẫn đến các vấn đề trong việc thực hiện hợp đồng, ảnh hưởng đến hoạt động hiệu quả của hợp đồng thông minh. Ví dụ: các cuộc tấn công DOS liên quan đến việc kẻ tấn công gửi một khối lượng lớn giao dịch để làm cạn kiệt tài nguyên của mạng, ngăn cản việc xử lý kịp thời các giao dịch thông thường của người dùng. Sự suy giảm trải nghiệm người dùng này cũng có thể dẫn đến phí gas giao dịch tăng lên, vì người dùng có thể cần phải trả phí cao hơn để ưu tiên giao dịch của họ trong một mạng lưới bị tắc nghẽn.

Ngoài ra, người dùng Ethereum cũng phải đối mặt với rủi ro đầu tư, an ninh quỹ đang bị đe dọa. Ví dụ: “shitcoin” là tiền điện tử được coi là có ít hoặc không có giá trị hoặc tiềm năng tăng trưởng dài hạn. Shitcoin thường được sử dụng làm công cụ lừa đảo hoặc cho các kế hoạch bơm và đổ. Rủi ro đầu tư liên quan đến shitcoin rất cao, có khả năng dẫn đến tổn thất tài chính đáng kể. Do giá và vốn hóa thị trường thấp nên chúng rất dễ bị thao túng và biến động. Những loại tiền điện tử này thường được sử dụng trong các kế hoạch bơm và đổ và lừa đảo mật ong, nơi các nhà đầu tư bị dụ dỗ bởi các dự án giả mạo và sau đó bị cướp tiền của họ. Một rủi ro phổ biến khác liên quan đến shitcoin là “sự kéo thảm”, trong đó người sáng tạo đột nhiên loại bỏ tất cả tính thanh khoản khỏi dự án, khiến giá trị của mã thông báo giảm mạnh. Những trò lừa đảo này thường được tiếp thị thông qua quan hệ đối tác và chứng thực giả mạo và khi giá của mã thông báo tăng lên, những kẻ lừa đảo sẽ bán mã thông báo của họ, thu lợi nhuận và biến mất, để lại cho các nhà đầu tư những mã thông báo vô giá trị. Hơn nữa, đầu tư vào shitcoin có thể chuyển hướng sự chú ý và nguồn lực khỏi tiền điện tử hợp pháp bằng các ứng dụng thực tế và tiềm năng tăng trưởng.

Ngoài shitcoin, “air coin” và “coin 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 một thách thức đặc biệt.

Hiệu quả

Hai chỉ số rất trực tiếp để đánh giá hiệu quả 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. Số liệu này phản ánh trực tiếp khả năng xử lý của mạng Ethereum, trong đó tốc độ nhanh hơn cho thấy hiệu quả cao hơn. Mỗi giao dịch trong Ethereum đều yêu cầu một khoản phí gas nhất định để bù đắp cho những người khai thác xác minh giao dịch. Phí gas thấp hơn cho thấy hiệu quả cao hơn của Ethereum.

Tốc độ giao dịch giảm dẫn đến phí gas tăng. Nói chung, khi tốc độ xử lý giao dịch giảm, do không gian khối có hạn, sự cạnh tranh giữa các giao dịch để vào khối tiếp theo có thể tăng lên. Để nổi bật trong cuộc cạnh tranh này, các nhà giao dịch thường tăng phí gas, vì các thợ đào có xu hướng ưu tiên các giao dịch có phí gas cao hơn trong quá trình xác minh. Do đó, phí gas cao hơn có thể làm giảm trải nghiệm người dùng.

Giao dịch chỉ là hoạt động cơ bản trong Ethereum. Trong hệ sinh thái này, người dùng cũng có thể tham gia vào nhiều hoạt động khác nhau như cho vay, đặt cược, đầu tư, bảo hiểm, v.v., tất cả đều có thể được thực hiện thông qua các DApp cụ thể. Tuy nhiên, do sự đa dạng của DApp và thiếu các dịch vụ đề xuất được cá nhân hóa tương tự như các dịch vụ trong các ngành truyền thống, người dùng có thể cảm thấy bối rối khi chọn ứng dụng và sản phẩm phù hợp cho mình. Tình trạng này có thể làm giảm sự hài lòng của người dùng, từ đó ảnh hưởng đến hiệu quả chung của hệ sinh thái Ethereum.

Lấy việc cho vay làm ví dụ. Một số nền tảng cho vay DeFi sử dụng cơ chế thế chấp quá mức để duy trì tính bảo mật và ổn định cho nền tảng của họ. Điều này có nghĩa là người vay cần phải thế chấp thêm tài sản và không thể sử dụng tài sản này cho các hoạt động khác trong thời gian vay. Điều này dẫn đến tỷ lệ sử dụng vốn của người đi vay giảm, từ đó làm giảm tính thanh khoản của thị trường.

Các ứng dụng của Machine Learning trong Ethereum

Các mô hình học máy, chẳng hạn như mô hình RFM, Mạng đối thủ sáng tạo (GAN), mô hình Cây quyết định, thuật toán K-Nearest Neighbors (KNN) và thuật toán phân cụm DBSCAN, đang đóng những vai trò quan trọng trong Ethereum. Việc áp dụng các mô hình học máy này trong Ethereum có thể giúp tối ưu hóa hiệu quả xử lý giao dịch, tăng cường tính bảo mật của hợp đồng thông minh, triển khai phân khúc người dùng để cung cấp nhiều dịch vụ được cá nhân hóa hơn và góp phần vào hoạt động ổn định của mạng.

Giới thiệu về thuật toán

Thuật toán học máy là một tập hợp các hướng dẫn hoặc quy tắc được sử dụng để phân tích dữ liệu, tìm hiểu các mẫu trong dữ liệu và đưa ra dự đoán hoặc quyết định dựa trên những thông tin học được này. Chúng tự động cải thiện thông qua việc học hỏi từ dữ liệu được cung cấp mà không cần con người lập trình rõ ràng. Các mô hình học máy, chẳng hạn như mô hình RFM, Mạng đối thủ sáng tạo (GAN), mô hình Cây quyết định, thuật toán K-Nearest Neighbors (KNN) và thuật toán phân cụm DBSCAN, đang đóng những vai trò quan trọng trong Ethereum. Việc áp dụng các mô hình học máy này trong Ethereum có thể giúp tối ưu hóa hiệu quả xử lý giao dịch, tăng cường tính bảo mật của hợp đồng thông minh, triển khai phân khúc người dùng để cung cấp nhiều dịch vụ được cá nhân hóa hơn và góp phần vận hành ổn định mạng.

Bộ phân loại Bayes

Trình phân loại Bayes là một trong những phương pháp phân loại thống kê khác nhau nhằm giảm thiểu xác suất xảy ra lỗi phân loại hoặc giảm thiểu rủi ro trung bình trong một khung chi phí cụ thể. Triết lý thiết kế của họ bắt nguồn sâu xa từ định lý Bayes, cho phép tính toán xác suất mà một đối tượng thuộc về một lớp nhất định, dựa trên một số đặc điểm đã biết. Bằng cách tính toán xác suất hậu nghiệm của đối tượng, các quyết định được đưa ra. Cụ thể, các bộ phân loại Bayesian trước tiên xem xét xác suất trước đó của đối tượng, sau đó áp dụng công thức Bayesian để tính đến dữ liệu quan sát được, từ đó cập nhật niềm tin về phân loại của đối tượng. Trong số tất cả các phân loại có thể có, bộ phân loại Bayes chọn danh mục có xác suất hậu nghiệm cao nhất cho đối tượng. Ưu điểm cốt lõi của phương pháp này nằm ở khả năng tự nhiên của nó trong việc xử lý thông tin không chắc chắn và không đầy đủ, khiến nó trở thành một công cụ mạnh mẽ và linh hoạt, phù hợp với nhiều ứng dụng.

Như minh họa trong Hình 2, trong học máy có giám sát, các quyết định phân loại được đưa ra bằng cách sử dụng dữ liệu và mô hình xác suất dựa trên định lý Bayes. Bằng cách sử dụng khả năng, xác suất trước của các danh mục và tính năng, bộ phân loại Bayes tính toán xác suất sau của từng danh mục cho các điểm dữ liệu và gán các điểm dữ liệu cho danh mục có xác suất sau cao nhất. Trong biểu đồ phân tán ở bên phải, bộ phân loại cố gắng tìm một đường cong phân tách tốt nhất các điểm có màu khác nhau, từ đó giảm thiểu lỗi phân loại.

Hình 2 Bộ phân loại Bayes

• Cây quyết định

Các thuật toán cây quyết định thường được sử dụng cho các nhiệm vụ phân loại và hồi quy, áp dụng phương pháp ra quyết định phân cấp. Họ tạo ra cây bằng cách phân tách các đặc điểm có mức thu thập thông tin cao dựa trên dữ liệu đã biết, từ đó huấn luyện cây quyết định. Về bản chất, thuật toán có thể tự học quy tắc ra quyết định từ dữ liệu để xác định giá trị của các biến. Cụ thể, nó đơn giản hóa các quy trình ra quyết định phức tạp thành nhiều quyết định phụ đơn giản hơn. Mỗi quyết định đơn giản hơn đều bắt nguồn từ tiêu chí quyết định gốc, tạo thành một cấu trúc dạng cây.

Như được hiển thị trong Hình 3, mỗi nút biểu thị một quyết định, xác định tiêu chí để đánh giá một thuộc tính nhất định, trong khi các nhánh biểu thị kết quả của quyết định. Mỗi nút lá đại diện cho kết quả và danh mục được dự đoán cuối cùng. Từ góc độ cấu trúc, mô hình cây quyết định mang tính trực quan, dễ hiểu và có khả năng giải thích mạnh mẽ.

hình 3 Mô hình cây quyết định

• Thuật toán DBSCAN

DBSCAN (Phân cụm ứng dụng không gian có nhiễu dựa trên mật độ) là thuật toán phân cụm không gian dựa trên mật độ, đặc biệt hiệu quả đối với các tập dữ liệu có nhiễu và để xác định các cụm có hình dạng bất kỳ mà không cần chỉ định trước số lượng cụm. Nó có hiệu suất mạnh mẽ chống lại các ngoại lệ trong tập dữ liệu. Thuật toán có thể xác định một cách hiệu quả các ngoại lệ, được định nghĩa là các điểm trong khu vực có mật độ thấp, như minh họa trong Hình 4.

Hình 4 Nhận dạng tiếng ồn bằng thuật toán DBSCAN

• Thuật toán KNN

Thuật toán K-Nearest Neighbors (KNN) có thể được sử dụng cho cả nhiệm vụ phân loại và hồi quy. Trong phân loại, hạng mục cần phân loại được xác định thông qua cơ chế bỏ phiếu; trong hồi quy, nó dự đoán bằng cách tính trung bình hoặc trung bình có trọng số của k mẫu gần nhất.

Như được hiển thị trong Hình 5, nguyên tắc hoạt động của thuật toán KNN trong phân loại là tìm k lân cận gần nhất của điểm dữ liệu mới và dự đoán danh mục của điểm dữ liệu mới dựa trên danh mục của các lân cận này. Nếu K=1, điểm dữ liệu mới chỉ được gán cho danh mục lân cận gần nhất của nó. Nếu K>1, danh mục thường được xác định theo đa số phiếu bầu, nghĩa là điểm dữ liệu mới được gán cho danh mục phổ biến nhất trong số các điểm lân cận của nó. Khi được sử dụng trong hồi quy, nguyên tắc vẫn giữ nguyên, nhưng kết quả là giá trị trung bình của kết quả đầu ra của k mẫu gần nhất.

Hình 5 Thuật toán KNN dùng để phân loại

• Trí tuệ nhân tạo sáng tạoTrí tuệ nhân tạo sáng tạo

Trí tuệ nhân tạo sáng tạo (AI) là một loại công nghệ AI có thể tạo ra nội dung mới (chẳng hạn như văn bản, hình ảnh, âm nhạc, v.v.) dựa trên yêu cầu đầu vào. Nền tảng của nó nằm ở những tiến bộ trong học máy và học sâu, đặc biệt là trong các ứng dụng trong lĩnh vực xử lý ngôn ngữ tự nhiên và nhận dạng hình ảnh. AI sáng tạo học các mẫu và mối liên kết từ một lượng lớn dữ liệu, sau đó tạo ra kết quả hoàn toàn mới dựa trên thông tin đã học này. Chìa khóa của trí tuệ nhân tạo tổng hợp nằm ở đào tạo mô hình, đòi hỏi dữ liệu chất lượng cao cho việc học tập và đào tạo. Trong quá trình này, mô hình dần dần cải thiện khả năng tạo nội dung mới bằng cách phân tích và hiểu cấu trúc, mẫu và mối quan hệ trong tập dữ liệu.

• Máy biến áp

Transformer, với tư cách là nền tảng của trí tuệ nhân tạo tổng hợp, đã giới thiệu cơ chế chú ý một cách đột phá. Điều này cho phép xử lý thông tin để tập trung vào các điểm chính đồng thời có được cái nhìn tổng thể, một khả năng độc đáo đã giúp Transformer tỏa sáng trong lĩnh vực tạo văn bản. Việc sử dụng các mô hình ngôn ngữ tự nhiên mới nhất, chẳng hạn như GPT (Generative Pre-training Transformer), để hiểu các yêu cầu của người dùng được thể hiện bằng ngôn ngữ tự nhiên và tự động chuyển đổi chúng thành mã thực thi có thể giảm độ phức tạp của quá trình phát triển và cải thiện đáng kể hiệu quả.

Như được hiển thị trong Hình 6, việc giới thiệu cơ chế chú ý nhiều đầu và cơ chế tự chú ý, kết hợp với các kết nối còn lại và mạng lưới thần kinh được kết nối đầy đủ, đồng thời tận dụng các công nghệ nhúng từ trong quá khứ, đã nâng cao đáng kể hiệu suất của các mô hình tổng quát liên quan đến ngôn ngữ tự nhiên xử lý.

Hình 6 Model máy biến áp

• mô hình RFM

Mô hình RFM là mô hình phân tích dựa trên hành vi mua hàng của khách hàng, có thể xác định các nhóm khách hàng có giá trị khác nhau bằng cách phân tích hành vi giao dịch của họ. Mô hình này chấm điểm và phân loại khách hàng dựa trên thời gian mua hàng gần đây nhất của họ (Lần mua gần đây, R), tần suất mua hàng (Tần suất, F) và số tiền chi tiêu (Giá trị tiền tệ, M).

Như được minh họa trong Hình 7, ba chỉ số này tạo thành cốt lõi của mô hình RFM. Mô hình chấm điểm khách hàng theo ba khía cạnh này và sắp xếp họ dựa trên điểm số để xác định các nhóm khách hàng có giá trị nhất. Hơn nữa, mô hình này phân chia khách hàng thành các nhóm khác nhau một cách hiệu quả, tạo điều kiện thuận lợi cho chức năng phân tầng khách hàng.

Hình 7 Mô hình phân lớp RFM

Ứng dụng tiềm năng

Khi áp dụng công nghệ máy học để giải quyết các thách thức bảo mật của Ethereum, chúng tôi đã tiến hành nghiên cứu từ bốn khía cạnh chính:

Ứng dụng tiềm năng

Để giải quyết các thách thức bảo mật của Ethereum thông qua các kỹ thuật học máy, chúng tôi đã tiến hành nghiên cứu từ bốn khía cạnh chính:

• Xác định và lọc các giao dịch độc hại dựa trên phân loại Bayesian**

  Bằng cách xây dựng bộ phân loại Bayesian, các giao dịch spam tiềm ẩn, bao gồm nhưng không giới hạn ở những giao dịch gây ra các cuộc tấn công DOS thông qua khối lượng lớn các giao dịch nhỏ, thường xuyên, có thể được xác định và lọc. Phương pháp này duy trì hiệu quả tình trạng của mạng bằng cách phân tích các đặc điểm giao dịch, chẳng hạn như giá Gas và tần suất giao dịch, từ đó đảm bảo mạng Ethereum hoạt động ổn định.

• Tạo mã hợp đồng thông minh đáp ứng yêu cầu cụ thể và an toàn**

  Cả Mạng đối thủ sáng tạo (GAN) và mạng tổng hợp dựa trên Transformer đều có thể được sử dụng để tạo mã hợp đồng thông minh đáp ứng các yêu cầu cụ thể đồng thời đảm bảo tính bảo mật của mã nhiều nhất có thể. Tuy nhiên, hai cách tiếp cận này khác nhau ở loại dữ liệu mà chúng dựa vào để đào tạo mô hình: cách trước chủ yếu phụ thuộc vào các mẫu mã không an toàn, trong khi cách sau dựa vào mẫu ngược lại.

  Bằng cách đào tạo GAN để tìm hiểu các mẫu hợp đồng an toàn hiện có và xây dựng các mô hình tự đối nghịch để tạo ra mã có khả năng không an toàn, sau đó học cách xác định những điểm không an toàn này, có thể tự động tạo mã hợp đồng thông minh chất lượng cao, an toàn hơn. Bằng cách sử dụng các mô hình mạng tạo sinh dựa trên Transformer, bằng cách học hỏi từ vô số ví dụ hợp đồng an toàn, việc tạo mã hợp đồng đáp ứng nhu cầu cụ thể và tối ưu hóa mức tiêu thụ Gas là khả thi, chắc chắn sẽ nâng cao hiệu quả và an toàn của việc phát triển hợp đồng thông minh.

• Phân tích rủi ro hợp đồng thông minh dựa trên cây quyết định**

  Sử dụng cây quyết định để phân tích các đặc điểm của hợp đồng thông minh, chẳng hạn như tần suất gọi hàm, giá trị giao dịch và độ phức tạp của mã nguồn, có thể xác định một cách hiệu quả mức độ rủi ro tiềm ẩn của hợp đồng. Phân tích mô hình hoạt động và cấu trúc mã của hợp đồng có thể dự đoán các lỗ hổng và điểm rủi ro có thể xảy ra, cung cấp cho nhà phát triển và người dùng đánh giá an toàn. Phương pháp này được kỳ vọng sẽ cải thiện đáng kể tính an toàn 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 mô hình đánh giá tiền điện tử để giảm rủi ro đầu tư**

  Bằng cách phân tích dữ liệu giao dịch, hoạt động truyền thông xã hội và hiệu suất thị trường của tiền điện tử thông qua thuật toán học máy, có thể xây dựng một mô hình đánh giá có thể dự đoán khả năng tiền điện tử trở thành “đồng xu rác”. Mô hình này có thể cung cấp những hiểu biết có giá trị cho các nhà đầu tư, giúp họ tránh rủi ro đầu tư và từ đó thúc đẩy sự phát triển lành mạnh của thị trường tiền điện tử.

Hơn nữa, ứng dụng học máy cũng có khả năng nâng cao hơn nữa hiệu quả của Ethereum. Chúng ta có thể khám phá điều này từ ba khía cạnh chính sau:

• Ứng dụng cây quyết định để tối ưu hóa mô hình xếp hàng nhóm giao dịch

Ứng dụng cây quyết định trong việc tối ưu hóa mô hình xếp hàng nhóm giao dịch

Việc sử dụng cây quyết định có thể tối ưu hóa hiệu quả cơ chế xếp hàng của nhóm giao dịch Ethereum. Bằng cách phân tích các đặc điểm giao dịch, chẳng hạn như giá Gas và quy mô giao dịch, cây quyết định có thể tối ưu hóa việc lựa chọn và đặt hàng các giao dịch. Phương pháp này có thể cải thiện đáng kể hiệu quả xử lý giao dịch, giảm tắc nghẽn mạng một cách hiệu quả và giảm thời gian chờ giao dịch của người dùng.

• Phân khúc người dùng và cung cấp dịch vụ được cá nhân hóa

Mô hình RFM (Lần truy cập gần đây, Tần suất, Giá trị tiền tệ), một công cụ được sử dụng rộng rãi trong quản lý quan hệ khách hàng, có thể phân khúc người dùng một cách hiệu quả bằng cách đánh giá thời gian giao dịch gần đây nhất của họ (Lần gần đây), tần suất giao dịch (Tần suất) và số tiền giao dịch (Giá trị tiền tệ). Áp dụng mô hình RFM trên nền tảng Ethereum có thể giúp xác định các nhóm người dùng có giá trị cao, tối ưu hóa việc phân bổ nguồn lực và cung cấp nhiều dịch vụ được cá nhân hóa hơn, từ đó làm tăng sự hài lòng của người dùng và hiệu quả chung của nền tảng. Mô hình RFM (Lần truy cập gần đây, Tần suất, Giá trị tiền tệ), a công cụ được sử dụng rộng rãi trong quản lý quan hệ khách hàng, có thể phân khúc người dùng một cách hiệu quả bằng cách đánh giá thời gian giao dịch gần đây nhất của họ (Lần gần đây), tần suất giao dịch (Tần suất) và số tiền giao dịch (Giá trị tiền tệ). Áp dụng mô hình RFM trên nền tảng Ethereum có thể giúp xác định các nhóm người dùng có giá trị cao, tối ưu hóa việc phân bổ tài nguyên và cung cấp nhiều dịch vụ được cá nhân hóa hơn, từ đó tăng sự hài lòng của người dùng và hiệu quả chung 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 thêm các dịch vụ tài chính tùy chỉnh hơn cho những người dùng khác nhau. Chiến lược phân khúc người dùng này có thể tối ưu hóa chiến lược tiếp thị, nâng cao sự hài lòng của khách hàng và hiệu quả dịch vụ.

• Chấm điểm tín dụng dựa trên KNN

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

Định hướng tương lai

Từ góc độ phân bổ vốn vĩ mô, Ethereum, với tư cách là máy tính phân tán lớn nhất thế giới, không bao giờ có thể được đầu tư quá mức vào lớp cơ sở hạ tầng, cần thu hút nhiều nhà phát triển hơn từ nhiều nền tảng khác nhau tham gia hợp tác xây dựng. Trong bài viết này, bằng cách xem xét việc triển khai kỹ thuật của Ethereum và các vấn đề mà nó gặp phải, chúng tôi hình dung ra một loạt ứng dụng trực quan của học máy và mong muốn các nhà phát triển AI trong cộng đồng biến những tầm nhìn này thành giá trị thực.

Khi sức mạnh tính toán trên chuỗi tăng dần, chúng ta có thể thấy trước các mô hình phức tạp hơn đang được phát triển để quản lý mạng, giám sát giao dịch, kiểm tra bảo mật, v.v., cải thiện hiệu quả và bảo mật của mạng Ethereum.

Hơn nữa, cơ chế quản trị do AI/tác nhân điều khiển cũng có thể trở thành một sự đổi mới đáng kể trong hệ sinh thái Ethereum. Cơ chế này mang lại các quy trình ra quyết định tự động, minh bạch và hiệu quả hơn, có thể cung cấp cho Ethereum một cấu trúc quản trị linh hoạt và đáng tin cậy hơn. Những phát triển trong tương lai này sẽ không chỉ thúc đẩy sự đổi mới trong công nghệ Ethereum mà còn cung cấp cho người dùng trải nghiệm trực tuyến chất lượng cao hơn.

Tuyên bố từ chối trách nhiệm:

1. Bài viết này được in lại từ [TechFlow]. *Chuyển tiếp tiêu đề gốc'另一个角度看 「AI+Blockchain」：AI 如何革新以太坊？'.Tất cả bản quyền thuộc về tác giả gốc [Salus]. Nếu có ý kiến phản đối việc tái bản này, vui lòng liên hệ với nhóm Gate Learn , họ sẽ xử lý kịp thời.
2. Tuyên bố miễn trừ trách nhiệm pháp lý: Các quan điểm và ý kiến trình bày trong bài viết này chỉ là của tác giả và không cấu thành bất kỳ lời khuyên đầu tư nào.
3. Việc dịch bài viết sang các ngôn ngữ khác được thực hiện bởi nhóm Gate Learn. Trừ khi được đề cập, việc sao chép, phân phối hoặc đạo văn các bài viết đã dịch đều bị cấm.