다른 관점에서 "AI+블록체인" 살펴보기: AI는 어떻게 이더 혁신할 것인가?

본 논문에서는 이더 의 기술적 구현을 ​​소개하고, 기본 AI 알고리즘인 머신러닝(ML) 이더 네트워크에 적용하여 보안, 효율성, 확장성을 개선하기 위한 솔루션을 제안합니다.

저자: Mirror Tang, ZEROBASE; Lingzhi Shi, ZEROBASE; Jiangyue Wang, Salus, ZEROBASE

표지: Unsplash 의 Shubham Dhage가 찍은 사진

지난해, 생성적 AI가 대중의 기대를 거듭해서 깼던 가운데, AI 생산성 혁명의 물결이 암호화폐계에 휩쓸렸습니다. 우리는 많은 AI 컨셉 프로젝트가 유통시장 에서 부의 창출의 물결을 가져왔다는 것을 보았습니다. 동시에 점점 더 많은 개발자들이 자체 "AI+Crypto" 프로젝트를 개발하기 시작했습니다.

그러나 자세히 살펴보면 이러한 프로젝트의 동질성은 매우 심각하며, 대부분은 탈중앙화 네트워크를 통해 해시레이트 조직하거나 "탈중앙화 허깅 페이스"를 만드는 것과 같은 "생산 관계"를 개선하는 수준에 머물고 있습니다. 기반 기술을 진정으로 통합하고 혁신하려는 프로젝트는 거의 없습니다. 우리는 이러한 현상의 원인이 AI와 블록체인 분야 사이에 '도메인 편향'이 있기 때문이라고 생각합니다. 두 분야 사이에는 많은 교차점이 있음에도 불구하고, 두 분야를 모두 깊이 이해하는 사람은 거의 없습니다. 예를 들어, AI 개발자는 이더 의 기술 구현 및 과거 인프라 상태를 이해하기 어렵고, 이로 인해 심층적인 최적화 계획을 제안하는 것이 더욱 어렵습니다.

예를 들어 AI의 가장 기본적인 분야인 머신러닝(ML)(ML)을 살펴보자. 이는 기계가 명확한 프로그래밍 지침 없이도 데이터에 따라 결정을 내릴 수 있도록 하는 기술이다. 머신러닝(ML) 데이터 분석과 패턴 인식에 큰 잠재력을 보여주며 웹 2.0에서 보편화되었습니다. 하지만 처음 만들어졌을 당시의 시대적 제약으로 인해, 이더 과 같은 블록체인 기술 혁신의 최전선에서도 그 아키텍처, 네트워크, 거버넌스 메커니즘은 아직 머신러닝(ML) 복잡한 문제를 해결하는 효과적인 도구로 활용하지 못했습니다.

"큰 혁신은 종종 교차 분야에서 탄생합니다." 이 글을 쓴 원래 의도는 AI 개발자가 블록체인 세계를 더 잘 이해하고, 이더 커뮤니티의 개발자에게 새로운 아이디어를 제공하는 것이었습니다. 본 글에서는 먼저 이더 의 기술적 구현을 ​​소개하고, 다음으로 기본 AI 알고리즘인 머신러닝(ML) 이더 네트워크에 적용하여 보안, 효율성, 확장성을 개선하는 솔루션을 제안했습니다. 우리는 이 사례를 시작점으로 삼아 시장에서 다양한 관점을 제시하고 개발자 생태계에서 "AI+블록체인"의 더욱 혁신적인 교차 조합이 이루어지기를 바랍니다.

이더 의 기술적 구현

• 기본 데이터 구조

블록체인의 본질은 연결된 블록의 사슬입니다. 사슬을 구별하는 열쇠는 사슬 구성이며, 이는 또한 블록체인을 만드는 데 없어서는 안 될 부분입니다. 이더 의 경우 체인 구성은 이더 내의 여러 체인을 구별하고, 몇 가지 중요한 업그레이드 프로토콜과 획기적인 이벤트를 식별하는 데 사용됩니다. 예를 들어, DAOForkBlock은 이더 DAO 공격을 경험한 하드 포크 높이를 표시하고, ConstantinopleBlock은 Constantinople 업그레이드의 블록 높이를 표시합니다. 많은 개선 제안이 포함된 대규모 업그레이드의 경우, 해당 블록 높이를 식별하기 위해 특수 필드가 설정됩니다. 또한, 이더 에는 다양한 테스트 네트워크와 메인 네트워크가 포함되어 있으며, 이는 ChainID를 통해 해당 네트워크 생태계를 고유하게 식별합니다.

제네시스 블록은 전체 블록체인의 0번째 블록이고, 다른 블록은 직접 또는 간접적으로 제네시스 블록을 참조합니다. 따라서 노드가 시작될 때 올바른 제네시스 블록 정보가 로드되어야 하며, 이는 임의로 수정될 수 없습니다. 제네시스 블록의 구성 정보에는 앞서 언급한 체인 구성이 포함되고 관련 채굴 보상, 타임스탬프, 난이도, 가스 한도와 같은 필드도 추가됩니다. 이더 의 합의 메커니즘이 작업 증명 채굴 메커니즘에서 지분 증명 채굴 메커니즘으로 변경되었다는 점에 유의해야 합니다.

이더 계정은 외부 계정과 계약 계정으로 나뉩니다. 외부 계정은 개인 키로 고유하게 제어되는 반면, 계약 계정은 개인 키로 제어되지 않으며 외부 계정을 통해 계약을 호출하고 계약 코드를 실행하여만 작동할 수 있습니다. 이들 모두는 고유한 주소를 포함하고 있습니다. 이더 세계 상태는 이더 계정 트리로, 각 계정은 리프 노드에 해당하며, 리프 노드에는 계정 상태(다양한 계정 정보 및 코드 정보)가 저장됩니다.

거래: 이더 탈중앙화 플랫폼이며, 그 본질은 거래와 계약입니다. 이더 블록은 다른 관련 정보가 첨부된 패키지 거래입니다. 특정 블록은 블록 헤더와 블록 바디의 두 부분으로 나뉩니다. 블록 헤더 데이터에는 모든 블록을 체인으로 연결한 증거가 포함되어 있으며, 이는 이전 블록의 해시로 이해될 수 있으며, 전체 이더 세계의 상태를 증명하는 상태 루트, 거래 루트, 영수증 루트 및 식별 난이도 및 nonce 계산과 같은 여러 추가 데이터가 포함됩니다. 블록 본문에는 거래 목록과 삼촌 블록 헤더 목록이 저장됩니다(이더 지분 증명으로 전환했기 때문에 삼촌 블록 참조는 더 이상 존재하지 않습니다).

거래 영수증은 거래 결과와 거래 자체를 보는 것만으로는 직접적으로 얻을 수 없는 추가 정보를 제공합니다. 구체적으로 여기에 포함된 정보는 다음과 같이 나눌 수 있습니다. 합의 내용, 거래 정보 및 블록 정보(거래 처리가 성공했는지 여부 포함)와 거래 로그 및 가스 소비량과 같은 정보입니다. 영수증의 정보를 분석하여 스마트 계약 코드를 디버깅하고 가스 소비를 최적화합니다. 이는 네트워크에서 거래가 처리되었음을 확인하고 거래의 결과와 영향을 볼 수 있도록 해줍니다.

이더 에서 가스 수수료는 간단히 처리 수수료로 이해할 수 있습니다. 토큰을 보내거나, 계약을 실행하거나, 이더 전송하거나, 이 블록에서 다양한 작업을 수행할 때 이러한 거래에는 가스 수수료가 필요합니다. 이더 컴퓨터는 이 거래를 처리할 때 계산을 수행하고 네트워크 리소스를 소모해야 하므로 컴퓨터가 사용자를 대신하여 작업할 수 있도록 가스 수수료를 지불해야 합니다. 최종 연료 수수료는 채굴자에게 처리 수수료로 지불됩니다. 구체적인 수수료 계산 공식은 수수료 = 사용된 가스 * 가스 가격으로 이해할 수 있으며, 이는 실제 소비량에 소비 단위 가격을 곱한 것입니다. 단위 가격은 거래 개시자가 설정하며, 그 금액은 종종 거래가 체인에 배치되는 속도를 결정합니다. 너무 낮게 설정하면 거래가 실행되지 않을 수 있습니다. 동시에 계약 오류로 인해 예상치 못한 가스 소비를 방지하기 위해 수수료의 가스 한도 소비 한도를 설정하는 것도 필요합니다.

• 트레이딩 풀

이더 에는 대량 의 거래가 있습니다. 중앙 집중형 시스템과 비교했을 때, 탈중앙화 시스템에서 초당 처리되는 거래 수는 분명히 암울합니다. 노드에 들어오는 거래 대량 때문에 노드는 이러한 거래를 적절히 관리하기 위해 거래 풀을 유지해야 합니다. 거래는 p2p를 통해 브로드캐스트됩니다. 구체적으로, 노드는 실행 가능한 거래를 이웃 노드에 브로드캐스트하고, 그런 다음 이웃 노드는 거래를 노드의 이웃 노드에 브로드캐스트합니다. 이런 식으로, 거래는 6초 이내에 전체 이더 네트워크에 확산될 수 있습니다.

트랜잭션 풀의 트랜잭션은 실행 가능한 트랜잭션과 실행 불가능한 트랜잭션으로 나뉩니다. 실행 가능한 트랜잭션은 우선순위가 더 높고 블록에서 실행되고 패키징됩니다. 트랜잭션 풀에 방금 들어온 모든 트랜잭션은 실행 불가능한 트랜잭션이며 나중에 실행 가능해집니다. 실행 가능한 거래와 실행 불가능한 거래는 각각 보류 컨테이너와 대기열 컨테이너에 기록됩니다.

또한 트랜잭션 풀은 로컬 트랜잭션 목록도 유지합니다. 로컬 트랜잭션은 많은 장점이 있습니다. 우선순위가 더 높고, 트랜잭션 볼륨 제한의 영향을 받지 않으며, 노드가 다시 시작되면 트랜잭션 풀에 즉시 다시 로드할 수 있습니다. 로컬 트랜잭션의 로컬 영구 저장소는 저널을 통해 구현됩니다(노드가 재시작될 때 다시 로드됨). 그 목적은 미완료 로컬 트랜잭션을 잃지 않도록 하는 것이며 정기적으로 업데이트됩니다.

거래가 대기열에 추가되기 전에 다양한 유형의 검사(예: DOS 공격 방지, 부정 거래 방지, 거래 가스 한도 등)를 통해 거래의 적법성이 검사됩니다. 거래 풀은 간단히 대기열 + 보류(두 가지가 모든 거래를 구성함)로 나눌 수 있습니다. 합법성 검사를 완료한 후, 거래 대기열이 상한에 도달했는지 확인하는 것을 포함한 후속 검사가 수행되고, 그런 다음 원격 거래(원격 거래는 비로컬 거래임)가 거래 풀에서 가장 낮은지 확인하고 거래 풀에서 가장 낮은 가격의 거래를 대체합니다. 실행 가능한 거래의 대체에 대해 기본적으로 처리 수수료가 10% 증가한 거래만이 이미 실행을 기다리고 있는 거래를 대체할 수 있으며, 대체 후에는 실행 불가능한 거래로 저장됩니다. 또한, 거래풀 점검 시, 유효하지 않은 거래, 한도 초과 거래는 삭제되며, 조건을 충족하는 거래는 대체됩니다.

• 합의 메커니즘

이더 의 초기 합의 이론은 여전히 ​​난이도 값 해시 계산 방식에 기반을 두고 있었습니다. 즉, 블록이 합법적이려면 블록의 해시 값이 목표 난이도 값 조건을 충족하도록 계산되어야 합니다. 현재 이더 의 합의 알고리즘이 POW에서 POS로 변경되었기 때문에 채굴 과 관련된 이론은 자세히 설명하지 않겠습니다. POS 알고리즘에 대한 간략한 설명은 다음과 같습니다. 이더 2022년 9월 비콘 체인의 합병을 완료하고 POS 알고리즘을 구현했습니다. 구체적으로 POS를 기반으로 이더 의 각 블록의 블록 시간은 12초로 안정적입니다. 사용자는 자신의 이더 스테이킹 검증자가 될 권리를 얻습니다. 그 후, 스테이킹 참여한 사용자 중에서 검증자 그룹이 무작위로 선정되고, 각 사이클의 32개 슬롯에서 검증자가 선정됩니다. 검증자 중 한 명이 제안자로 선정되고, 제안자가 블록을 생성합니다. 슬롯에 해당하는 나머지 검증자는 제안자 블록의 합법성을 검증하고 이전 사이클의 블록의 합법성에 대한 판단을 내리는 위원회 역할을 합니다. POS 알고리즘은 컴퓨팅 리소스의 낭비를 크게 피하면서 블록 생성 속도를 크게 안정화하고 향상시킵니다.

• 서명 알고리즘

이더 비트코인의 서명 알고리즘 표준을 따르고 secp256k1 곡선도 사용합니다. 특정 서명 알고리즘은 ECDSA를 사용하는데, 이는 계산된 서명이 원래 메시지의 해시에 따라 계산된다는 것을 의미합니다. 전체 서명의 구성은 단순히 R+S+V입니다. 각 계산은 해당 난수를 생성합니다. 여기서 R+S는 ECDSA의 원래 출력입니다. 마지막 필드 V는 복구 필드라고 하며, R 값을 기준으로 타원 곡선의 요구 사항을 충족하는 좌표 점이 여러 개일 수 있으므로 콘텐츠와 서명에서 공개 키를 성공적으로 복구하는 데 필요한 검색 횟수를 나타냅니다.

전체 프로세스는 다음과 같이 간단히 요약할 수 있습니다. 거래 데이터와 서명자 관련 정보는 RLP 인코딩 및 해싱되고, 최종 서명은 ECDSA를 통해 개인 키로 서명하여 얻을 수 있습니다. ECDSA에서 사용되는 곡선은 secp256k1 타원 곡선입니다. 마지막으로 서명 데이터와 거래 데이터를 결합하면 서명된 거래 데이터를 얻고 이를 브로드캐스트할 수 있습니다.

이더 의 데이터 구조는 기존의 블록체인 기술에 의존할 뿐만 아니라, 대량 의 데이터를 효율적으로 저장하고 검증하기 위해 머클 패트리샤 트리(Merkle Patricia Tree) 또는 머클 압축 접두사 트리(Merkle Compressed Prefix Tree)를 도입했습니다. MPT는 Merkle 트리의 암호화 해싱 기능과 Patricia 트리의 키 경로 압축 속성을 결합하여 데이터 무결성을 보장하고 빠른 조회를 지원하는 솔루션을 제공합니다.

• Merkle 압축 접두사 Trie

이더 에서는 MPT를 사용하여 모든 상태 및 거래 데이터를 저장하고, 모든 데이터 변경 사항이 트리의 루트 해시에 반영되도록 합니다. 즉, 루트 해시를 검증하면 전체 데이터베이스를 확인하지 않고도 데이터의 무결성과 정확성을 입증할 수 있습니다. MPT는 리프 노드, 확장 노드, 분기 노드, 빈 노드의 4가지 유형의 노드로 구성되며, 이러한 노드가 모여 동적 데이터 변경에 적응할 수 있는 트리를 형성합니다. 데이터가 업데이트될 때마다 MPT는 노드를 추가, 삭제 또는 수정하고 트리의 루트 해시를 업데이트하여 이러한 변경 사항을 반영합니다. 각 노드는 해시 함수를 통해 암호화되므로 데이터가 약간만 변경되어도 루트 해시에 큰 변화가 발생합니다. 따라서 데이터의 보안과 일관성이 보장됩니다. 또한, MPT의 설계는 "라이트 클라이언트" 검증을 지원하여 노드가 트리의 루트 해시와 필요한 경로 노드만 저장하여 특정 정보의 존재 또는 상태를 검증할 수 있으므로 데이터 저장 및 처리의 필요성이 크게 줄어듭니다.

MPT를 통해 이더 데이터의 효율적인 관리와 빠른 접근을 실현할 뿐만 아니라 네트워크의 보안과 탈중앙화 보장하여 전체 이더 네트워크의 운영과 개발을 지원합니다.

• 상태 머신

이더 의 핵심 아키텍처에는 상태 머신의 개념이 통합되어 있습니다. 이더 가상 머신(EVM)은 모든 스마트 계약 코드를 실행하는 런타임 환경이고, 이더 자체는 글로벌하게 공유되는 상태 전환 시스템으로 볼 수 있습니다. 각 블록의 실행은 하나의 글로벌 공유 상태에서 다른 글로벌 공유 상태로 이동하는 상태 전환 프로세스로 볼 수 있습니다. 이러한 설계는 이더 네트워크의 일관성과 탈중앙화 보장할 뿐만 아니라 스마트 계약의 실행 결과를 예측 가능하고 변경 불가능하게 만듭니다.

이더 에서 상태는 각 계정의 잔액, 저장된 데이터, 스마트 계약 코드를 포함한 모든 계정의 현재 정보를 나타냅니다. 거래가 발생할 때마다 EVM은 거래 내용을 기반으로 상태를 계산하고 변환하는데, 이 과정은 MPT를 통해 효율적이고 안전하게 기록됩니다. 각 상태 전환은 계정 데이터를 변경할 뿐만 아니라 MPT 업데이트로 이어지고, 이는 트리의 루트 해시 값의 변경에 반영됩니다.

EVM과 MPT의 관계는 MPT가 이더 의 상태 전환에 대한 데이터 무결성을 보장하기 때문에 매우 중요합니다. EVM이 계정 상태를 변경하는 트랜잭션을 실행하면 연관된 MPT 노드가 업데이트되어 해당 변경 사항이 반영됩니다. MPT의 각 노드는 해시로 연결되므로 상태에 대한 모든 수정은 루트 해시를 변경합니다. 그런 다음 이 새로운 루트 해시가 새 블록에 포함되어 전체 이더 상태의 일관성과 보안이 보장됩니다. 다음으로 EVM 가상 머신을 소개합니다.

• 이벤트

EVM 가상 머신은 전체 이더 스마트 계약을 구축하고 상태 전환을 실행하기 위한 기반입니다. EVM 덕분에 이더 진정으로 세계 컴퓨터로 상상될 수 있습니다. EVM 가상 머신은 튜링 완전성을 갖추고 있습니다. 즉, 이더 의 스마트 계약은 임의로 복잡한 논리 계산을 수행할 수 있으며 가스 메커니즘을 도입하여 계약의 무한 루프를 성공적으로 방지하여 네트워크의 안정성과 보안을 보장합니다. 보다 기술적인 관점에서 보면, EVM은 이더 전용 바이트코드를 사용하여 스마트 계약을 실행하는 스택 기반 가상 머신입니다. 개발자는 일반적으로 Solidity와 같은 고급 언어를 사용하여 스마트 계약을 작성하며, 이후 이러한 계약은 EVM이 실행 호출을 위해 이해할 수 있는 바이트코드로 컴파일됩니다. EVM은 이더 블록체인의 혁신 역량의 핵심입니다. 스마트 계약의 운영을 지원할 뿐만 아니라 탈중앙화 애플리케이션 개발을 위한 견고한 기반을 제공합니다. 이더 EVM을 통해 탈중앙화 안전하며 개방적인 디지털 미래를 형성하고 있습니다.

역사적 개요

이더 리움이 직면한 과제

보안

스마트 계약은 이더 온체인 에서 실행되는 컴퓨터 프로그램입니다. 개발자는 이를 통해 대출 애플리케이션, 탈중앙화 거래소, 보험, 2차 융자, 소셜 네트워크, NFT를 포함하되 이에 국한되지 않는 다양한 애플리케이션을 만들고 출시할 수 있습니다. 이러한 애플리케이션에는 스마트 계약의 보안이 매우 중요합니다. 이러한 애플리케이션은 암호화폐를 처리하고 제어하는 ​​데 직접적으로 책임이 있습니다. 스마트 계약의 허점이나 이에 대한 악의적인 공격은 자금 보안에 직접적인 위협을 가하고 심지어 막대한 경제적 손실로 이어질 수 있습니다. 예를 들어, 2024년 2월 26일, DeFi 대출 프로토콜인 Blueberry Protocol은 스마트 계약 논리 결함으로 인해 공격을 받아 약 1,400,000달러의 손실이 발생했습니다.

스마트 계약에는 비합리적인 업무 로직, 부적절한 액세스 제어, 불충분한 데이터 검증, 재진입 공격, DOS(서비스 거부) 공격 등 많은 취약점이 있습니다. 이러한 취약점은 계약 실행에 문제를 일으킬 수 있으며 스마트 계약의 효과적인 작동에 영향을 미칠 수 있습니다. DOS 공격을 예로 들어보겠습니다. 이 공격 방법은 대량 거래를 보내 네트워크 리소스를 소모합니다. 그러면 일반 사용자가 시작한 거래는 제때 처리되지 않아 사용자 경험이 저하됩니다. 게다가, 이로 인해 거래 가스 수수료도 증가하게 됩니다. 네트워크 리소스가 부족하면 사용자는 거래 우선순위를 위해 더 높은 수수료를 지불해야 할 수도 있습니다.

게다가 이더 사용자들은 투자 리스크 에 직면할 수도 있으며 자금의 보안이 위협받을 수도 있습니다. 예를 들어, 'shitcoin'이라는 용어는 가치가 거의 없거나 장기적으로 성장 잠재력이 없는 것으로 간주되는 암호화폐를 설명하는 데 사용됩니다. 싯코인은 종종 사기 도구로 사용되거나 가격 조작을 위한 펌프 앤 덤프 전략에 사용됩니다. 싯코인에 투자하는 것은 매우 리스크 하며 상당한 재정적 손실을 초래할 수 있습니다. 낮은 가격과 시총 으로 인해 조작과 변동성에 매우 취약합니다. 이 코인은 펌프 앤 덤프 사기와 허니팟 사기에 자주 사용되며, 여기서는 가짜 프로젝트를 이용해 투자자를 유인하고 자금을 훔칩니다. 또 다른 흔한 똥코인 리스크 러그 풀(Rug Pull)입니다. 이는 제작자가 갑자기 프로젝트의 모든 유동성을 제거하여 토큰 가치가 폭락하는 경우입니다. 이러한 사기는 종종 가짜 파트너십과 보증을 통해 마케팅되며, 토큰 가격이 오르면 사기꾼은 토큰을 판매하고 이익을 챙긴 뒤 사라지며 투자자들에게 가치 없는 토큰을 남겨둡니다. 동시에, 똥코인에 투자하면 실제 활용과 성장 잠재력이 있는 합법적인 암호화폐로부터 관심과 자원이 쏠리는 셈입니다.

쓰레기 동전 외에도 스캠코인 과 피라미드 판매 방식의 동전도 빠르게 수익을 낼 수 있는 방법입니다. 특히 전문성과 경험이 부족한 사용자가 이를 합법적인 암호화폐와 구별하는 것은 어렵습니다.

능률

이더 효율성을 평가하는 데 가장 직접적인 두 가지 지표는 거래 속도와 가스 요금입니다. 거래 속도는 이더 네트워크가 단위 시간당 처리할 수 있는 거래 수를 말합니다. 이 지표는 이더 네트워크의 처리 능력을 직접 반영합니다. 속도가 빠를수록 효율성이 높아집니다. 이더 에서 이루어지는 모든 거래에는 거래를 검증하는 채굴자에게 보상하기 위한 특정 가스 수수료가 필요합니다. 가스 요금이 낮을수록 이더 효율성이 높아집니다.

거래 속도가 느리면 가스 요금도 높아집니다. 일반적으로 거래 처리 속도가 낮아지면 블록 공간이 제한되어 다음 블록에 포함되기 위해 경쟁하는 거래가 늘어날 수 있습니다. 경쟁에서 돋보이기 위해 거래자 종종 가스 수수료를 인상하는데, 이는 채굴자들이 거래를 검증할 때 가스 수수료가 높은 거래를 우선시하는 경향이 있기 때문입니다. 그러면 가스 요금이 높아지면 사용자 경험이 저하됩니다.

거래는 이더 의 기본적인 활동 중 하나입니다. 이 생태계에서 사용자는 대출, 스테이킹, 투자, 보험 등 다양한 활동에 참여할 수도 있습니다. 이 모든 작업은 특정 DApp을 통해 수행될 수 있습니다. 하지만 DApp의 종류가 너무 다양하고 기존 산업에서 제공하는 개인화된 추천 서비스가 부족해, 사용자는 자신에게 적합한 애플리케이션과 제품을 선택하는 데 혼란을 느낍니다. 이런 상황은 사용자 만족도의 저하로 이어지고, 결국 이더 생태계 전체의 효율성에 영향을 미치게 됩니다.

예를 들어 차용을 생각해 보자. 일부 DeFi 대출 플랫폼은 플랫폼의 보안과 안정성을 유지하기 위해 초과담보 메커니즘을 사용합니다. 즉, 대출인은 더 많은 자산을 담보로 내놓아야 하며, 대출 기간 동안 대출인은 이러한 자산을 다른 활동에 사용할 수 없습니다. 이는 차용인의 자본 활용도를 감소시키고, 결과적으로 시장 유동성을 감소시킵니다.

이더 에서의 머신러닝(ML) 적용

RFM 모델, 생성적 적대 신경망(GAN), 결정 트리 모델, K-최근접 이웃 알고리즘(KNN), DBSCAN 클러스터링 알고리즘 등의 머신러닝(ML) 모델은 이더 에서 중요한 역할을 하고 있습니다. 이러한 머신러닝(ML) 모델을 이더 에 적용하면 거래 처리 효율성을 최적화하고, 스마트 계약의 보안을 강화하고, 사용자 계층화를 통해 더욱 개인화된 서비스를 제공하고, 네트워크의 안정적인 운영을 유지하는 데 도움이 될 수 있습니다.

알고리즘 소개

머신러닝(ML) 알고리즘은 데이터를 분석하고, 데이터 패턴을 학습하고, 학습 내용을 기반으로 예측이나 결정을 내리기 위한 일련의 지침 또는 규칙입니다. 이는 인간의 명확한 프로그래밍 지침이 필요 없이, 제공된 데이터를 기반으로 자동으로 학습하고 개선함으로써 가능합니다. RFM 모델, 생성적 적대 신경망(GAN), 결정 트리 모델, K-최근접 이웃 알고리즘(KNN), DBSCAN 클러스터링 알고리즘 등의 머신러닝(ML) 모델은 이더 에서 중요한 역할을 하고 있습니다. 이러한 머신러닝(ML) 모델을 이더 에 적용하면 거래 처리 효율성을 최적화하고, 스마트 계약의 보안을 강화하고, 사용자 계층화를 통해 더욱 개인화된 서비스를 제공하고, 네트워크의 안정적인 운영을 유지하는 데 도움이 될 수 있습니다.

• 베이지안 분류기

베이지안 분류기는 다양한 통계적 분류 방법에서 효율적인 분류기로, 특정 비용 프레임 하에서 분류 오류의 확률을 최소화하거나 평균 리스크 최소화하는 것을 목표로 합니다. 이 모델의 설계 철학은 베이즈 정리에 깊이 뿌리를 두고 있습니다. 베이즈 정리에 따르면, 특정 특성이 알려져 있을 때 객체가 특정 범주에 속할 확률이 주어지면 객체의 사후 확률을 계산하여 결정을 내릴 수 있습니다. 구체적으로, 베이지안 분류기는 먼저 객체의 사전 확률을 고려한 다음 베이지안 공식을 적용하여 관찰된 데이터를 종합적으로 고려하여 객체의 분류에 대한 믿음을 업데이트합니다. 가능한 모든 분류 중에서 베이지안 분류기는 사후 확률이 가장 큰 분류를 선택하여 객체를 해당 클래스로 분류합니다. 이 접근 방식의 핵심적인 장점은 불확실성과 불완전한 정보를 자연스럽게 처리할 수 있는 능력으로, 광범위한 응용 시나리오에 적합한 강력하고 유연한 도구입니다.

그림 2에서 보듯이, 지도 머신러닝(ML) 에서 분류 결정은 데이터와 베이즈 정리에 따른 확률적 모델을 사용하여 내려집니다. 베이지안 분류기는 범주 및 특성의 우도 및 사전 확률을 사용하여 데이터 포인트가 각 범주에 속할 사후 확률을 계산하고 사후 확률이 가장 높은 범주에 데이터 포인트를 할당합니다. 오른쪽의 산점도에서 분류기는 서로 다른 색상의 점을 가장 잘 분리하는 곡선을 찾아 분류 오류를 최소화하려고 합니다.

• 의사결정 트리

결정 트리 알고리즘은 종종 분류 및 회귀 작업에서 사용됩니다. 계층적 판단 아이디어를 채택합니다. 알려진 데이터에 따라 정보 이득률이 큰 피처를 선택하고 이를 트리로 분할하여 결정 트리를 훈련합니다. 간단히 말해서, 전체 알고리즘은 변수의 값을 결정하기 위해 데이터에 기반한 의사결정 규칙을 스스로 학습할 수 있습니다. 구현 측면에서 복잡한 의사결정 프로세스를 여러 개의 간단한 하위 의사결정 프로세스로 분해할 수 있습니다. 이러한 파생 방법을 통해 각 간단한 의사결정 판단은 부모 의사결정 기준에서 파생되어 트리 구조를 형성합니다.

그림 3에서 볼 수 있듯이, 각 노드는 결정을 나타내고, 특정 속성에 대한 기준을 정의하며, 분기는 결정의 결과를 나타냅니다. 각 리프 노드는 최종 예측 결과와 범주를 나타냅니다. 알고리즘 구성의 관점에서 볼 때, 의사결정 트리 모델은 더 직관적이고, 이해하기 쉽고, 해석성이 뛰어납니다.

• DBSCAN 알고리즘

DBSCAN(Density-Based Spatial Clustering of Applications with Noise)은 노이즈가 있는 밀도 기반 공간 클러스터링 알고리즘으로, 연결되지 않은 데이터 세트에 특히 잘 작동하는 것으로 보입니다. 이 알고리즘은 미리 클러스터의 개수를 지정하지 않고도 임의의 모양의 클러스터를 발견할 수 있으며, 데이터 집합의 이상치에 대한 견고성이 뛰어납니다. 이 알고리즘은 또한 노이즈가 많은 데이터 세트에서 이상치를 효과적으로 식별할 수 있습니다. 노이즈 또는 이상치는 그림 4에 표시된 대로 저밀도 영역의 점으로 정의됩니다.

• KNN 알고리즘

KNN(K-Nearest Neighbors) 알고리즘은 분류와 회귀 모두에 사용할 수 있습니다. 분류 문제에서 분류될 항목의 범주는 투표 메커니즘을 기반으로 결정되며, 회귀 문제에서 k개의 최근접 이웃 샘플의 평균이나 가중 평균이 예측을 위해 계산됩니다.

그림 5에서 보듯이, 분류에서 KNN 알고리즘의 작동 원리는 새로운 데이터 포인트의 가장 가까운 K개 이웃을 찾은 다음, 이러한 이웃의 범주를 기반으로 새로운 데이터 포인트의 범주를 예측하는 것입니다. K=1이면, 새로운 데이터 포인트는 단순히 가장 가까운 이웃의 클래스에 할당됩니다. K>1인 경우, 투표는 일반적으로 새로운 데이터 포인트의 범주를 결정하는 데 사용됩니다. 즉, 새로운 데이터 포인트는 대부분의 이웃이 속하는 범주에 할당됩니다. KNN 알고리즘을 회귀 문제에 사용하는 경우 기본 아이디어는 동일하며, 결과는 K개의 최근접 이웃 샘플의 출력 값의 평균입니다.

• 생성형 AI

생성적 AI는 수요 입력을 기반으로 새로운 콘텐츠(예: 텍스트, 이미지, 음악 등)를 생성할 수 있는 AI 기술입니다. 그 배경은 머신러닝(ML) 과 딥 러닝의 발전, 특히 자연어 처리 및 이미지 인식과 같은 분야에 응용되는 기술에 있습니다. 생성적 AI는 대량 의 데이터에서 패턴과 연관성을 학습한 다음 학습한 정보를 기반으로 완전히 새로운 출력을 생성합니다. 생성적 인공 지능의 핵심은 모델 훈련에 있으며, 이를 위해서는 학습과 훈련을 위한 우수한 데이터가 필요합니다. 이 과정에서 모델은 데이터 세트의 구조, 패턴 및 관계를 분석하고 이해함으로써 새로운 콘텐츠를 생성하는 능력을 점차 향상시킵니다.

• 변신 로봇

생성적 인공 지능의 초석으로서 Transformer는 어텐션 메커니즘을 도입한 선구자였으며, 이를 통해 정보 처리가 주요 지점에 집중하는 동시에 전반적인 상황을 파노라마로 볼 수 있게 되었습니다. 이 독특한 능력 덕분에 Transformer는 텍스트 생성 분야에서 빛을 발했습니다. GPT(Generative Pre-trained Transformer)와 같은 최신 자연어 처리 모델을 사용하면 사용자가 자연어로 표현한 애플리케이션 요구 사항을 이해하고 이를 자동으로 실행 가능한 코드로 변환할 수 있으므로 개발의 어려움을 줄이고 효율성을 크게 향상시킬 수 있습니다.

그림 6에서 보듯이 멀티헤드 어텐션 메커니즘과 셀프 어텐션 메커니즘을 도입하고 잔여 연결과 완전 연결 신경망을 결합하고 기존의 단어 임베딩 기술의 도움을 받아 자연어 처리와 관련된 생성 모델의 성능이 크게 향상되었습니다.

• RFM 모델

RFM 모델은 사용자 구매 행동을 기반으로 한 분석 모델입니다. 사용자 거래 행동을 분석하여 다양한 가치의 사용자 그룹을 식별할 수 있습니다. 이 모델은 사용자를 가장 최근의 소비 시간(R), 소비 빈도(F), 소비량(M)에 따라 계층화합니다.

그림 7과 같이. 이 세 가지 지표는 함께 RFM 모델의 핵심을 형성합니다. 이 모델은 이러한 세 가지 차원에 따라 사용자의 점수를 매기고, 점수에 따라 순서 가장 가치 있는 사용자 그룹을 식별합니다. 더욱이 이 모델은 고객을 효과적으로 여러 그룹으로 나누어 사용자 계층화 기능을 실현할 수 있습니다.

가능한 응용 프로그램

이더 의 보안 과제를 해결하기 위해 머신러닝(ML) 기술을 적용할 때 우리는 네 가지 주요 관점에서 연구를 수행했습니다.

• 베이지안 분류기를 기반으로 악성 거래를 식별하고 필터링합니다.

베이지안 분류기를 구축하면 DOS 공격으로 이어지는 대량, 빈번하고 소규모 거래를 포함하되 이에 국한되지 않는, 잠재적인 쓰레기 거래를 식별하고 걸러낼 수 있습니다. 이 방법은 가스 가격, 거래 빈도 등의 거래 특성을 분석함으로써 네트워크의 상태를 효과적으로 유지하고 이더 네트워크의 안정적인 운영을 보장합니다.

• 특정 요구 사항을 충족하고 보안성이 뛰어난 스마트 계약 코드를 생성합니다.

생성적 적대 신경망(GAN)과 변압기 기반 생성 신경망은 모두 특정 요구 사항을 충족하는 스마트 계약 코드를 생성하는 데 사용할 수 있으며, 코드의 보안을 최대한 보장할 수 있습니다. 그러나 둘은 학습 모델이 의존하는 데이터 유형이 다릅니다. 전자의 학습 과정은 주로 안전하지 않은 코드 샘플에 의존하는 반면, 후자는 그 반대의 과정을 수행합니다.

GAN이 기존 보안 계약 패턴을 학습하도록 훈련하고 잠재적으로 안전하지 않은 코드를 생성하는 자기 적대적 모델을 구축한 후, 이 모델을 사용하여 이러한 불안전성을 식별하는 방법을 학습하고 궁극적으로는 보다 안전한 고품질 스마트 계약 코드를 자동으로 생성할 수 있습니다. Transformer 기반 생성적 네트워크 모델을 사용하고 대량 안전한 계약 사례에서 학습하면 특정 요구 사항을 충족하고 Gas 소비를 최적화하는 계약 코드를 생성할 수 있습니다. 이를 통해 스마트 계약 개발의 효율성과 보안이 더욱 향상될 것은 의심할 여지가 없습니다.

• 의사결정 트리 기반 스마트 계약 리스크 분석

의사결정 트리를 사용하여 함수 호출 빈도, 거래 가치, 소스 코드 복잡성 등 스마트 계약의 특성을 분석하면 계약의 잠재적 리스크 수준을 효과적으로 파악할 수 있습니다. 계약의 운영 모드와 코드 구조를 분석함으로써 발생 가능한 취약점과 리스크 지점을 예측하여 개발자와 사용자에게 안전성 평가를 제공할 수 있습니다. 이러한 접근방식을 통해 이더 생태계에서 스마트 계약의 보안이 크게 향상되어 취약점이나 악성 코드로 인한 손실이 줄어들 것으로 기대됩니다.

• 투자 리스크 줄이기 위한 암호화폐 가치평가 모델 구축

머신러닝(ML) 알고리즘을 통해 암호화폐 거래 데이터, 소셜미디어 활동, 시장 성과 등의 다차원적 정보를 분석하고, 정크 코인의 발생 가능성을 예측할 수 있는 평가 모델을 구축합니다. 이 모델은 투자자들에게 귀중한 참고자료를 제공하여 투자 리스크 피하는 데 도움을 주고, 결과적으로 암호화폐 시장의 건전한 발전을 촉진할 수 있습니다.

또한, 머신러닝(ML) 사용하면 이더 의 효율성을 더욱 향상시킬 수 있는 잠재력도 있습니다. 우리는 이를 세 가지 핵심 차원에서 살펴볼 수 있습니다.

• 트레이딩 풀 대기 모델 최적화를 위한 의사결정 트리 적용

결정 트리를 기반으로 이더 거래 풀의 대기열 메커니즘을 효과적으로 최적화할 수 있습니다. 결정 트리는 가스 가격, 거래 규모와 같은 거래 특성을 분석함으로써 거래 선택 및 대기 순서를 최적화할 수 있습니다. 이 방법을 사용하면 거래 처리 효율성을 크게 향상시키고, 네트워크 혼잡을 효과적으로 줄이며, 사용자의 거래 대기 시간을 줄일 수 있습니다.

• 사용자를 계층화하고 개인화된 서비스를 제공합니다.

RFM 모델(Recency, Monetary value, Frequency)은 고객 관계 관리에서 널리 사용되는 분석 도구입니다. 사용자의 가장 최근 거래 시간(Recency), 거래 빈도(Frequency) 및 거래 금액(Monetary value)을 평가하여 사용자를 효과적으로 세분화할 수 있습니다. 이더 플랫폼에 RFM 모델을 적용하면 가치가 높은 사용자 그룹을 식별하고, 리소스 할당을 최적화하고, 보다 개인화된 서비스를 제공하는 데 도움이 되며, 이를 통해 사용자 만족도와 플랫폼의 전반적인 효율성을 향상시킵니다.

DBSCAN 알고리즘은 또한 사용자의 거래 행동을 분석하고, 이더 의 다양한 사용자 그룹을 식별하고, 나아가 다양한 사용자에게 더욱 맞춤화된 금융 서비스를 제공할 수 있습니다. 이러한 사용자 세분화 전략을 통해 마케팅 전략을 최적화하고 고객 만족도와 서비스 효율성을 향상시킬 수 있습니다.

• KNN 기반 신용 평가

K-최근접 이웃 알고리즘(KNN)은 이더 사용자의 거래 내역과 행동 패턴을 분석하여 사용자에게 신용 점수를 부여할 수 있으며, 이는 대출과 같은 금융 활동에서 매우 중요한 역할을 합니다. 신용점수는 금융기관과 대출 플랫폼이 차용인의 상환 능력과 신용 리스크 평가하여 보다 정확한 대출 결정을 내리는 데 도움이 될 수 있습니다. 이를 통해 과도한 차입을 피하고 시장 유동성을 개선할 수 있습니다.

미래 방향

거시 자금 배분의 관점에서 볼 때, 이더 세계 최대의 분산형 컴퓨터로서 인프라 계층에 너무 많은 투자를 할 수 없으며, 더 많은 배경을 가진 개발자들이 공동 구축에 참여하도록 유치해야 합니다. 이 글에서 우리는 이더 의 기술적 구현과 그것이 직면한 문제를 검토했고, 머신러닝(ML) 의 비교적 직관적인 가능한 일련의 응용 프로그램을 구상했습니다. 또한 우리는 커뮤니티의 AI 개발자들이 이러한 비전을 실제 가치로 전달할 수 있기를 매우 기대합니다.

온체인 파워가 점차 증가함에 따라, 네트워크 관리, 거래 모니터링, 보안 감사 및 기타 측면에서 더욱 복잡한 모델이 개발되어 이더 네트워크의 효율성과 보안을 개선할 수 있을 것으로 예상할 수 있습니다.

더 나아가, AI/에이전트 기반 거버넌스 메커니즘도 이더 이더 생태계의 주요 혁신이 될 수 있습니다. 이 메커니즘은 보다 효율적이고 투명하며 자동화된 의사결정 프로세스를 제공하여 이더 플랫폼에 보다 유연하고 안정적인 거버넌스 구조를 제공합니다. 이러한 향후 개발 방향은 이더 기술의 혁신을 촉진할 뿐만 아니라, 사용자에게 더 나은 온체인 경험을 제공할 것입니다.

면책 조항: 블록체인 정보 플랫폼으로서, 이 사이트에 게시된 기사는 작성자와 게스트 관점 만을 나타내며 Web3Caff의 입장과 아무런 관련이 없습니다. 기사의 정보는 참고용일 뿐이며 어떠한 투자 조언이나 제안도 구성하지 않습니다. 귀하의 국가 또는 지역의 관련 법률 및 규정을 준수하십시오.