Bài viết này giới thiệu về cách triển khai kỹ thuật của Ethereum và sau đó đề xuất giải pháp áp dụng máy học, một thuật toán AI cơ bản, vào mạng Ethereum để cải thiện tính bảo mật, hiệu quả và mở rộng.
Tác giả: Mirror Tang, ZEROBASE; Lingzhi Shi, ZEROBASE; Jiangyue Wang, Salus, ZEROBASE
Bìa: Ảnh của Shubham Dhage trên Unsplash
Trong năm qua, khi AI tạo ra lần phá vỡ kỳ vọng của công chúng, làn sóng cách mạng năng suất AI đã lan rộng trong lĩnh vực crypto. Chúng ta đã thấy rằng nhiều dự án khái niệm AI đã tạo ra làn sóng tạo ra của cải trên thị trường thứ cấp . Đồng thời, ngày càng nhiều nhà phát triển bắt đầu phát triển các dự án "AI+Crypto" của riêng họ.
Tuy nhiên, nếu xem xét kỹ hơn thì thấy tính đồng nhất của các dự án này rất nghiêm trọng và phần lớn chỉ dừng lại ở mức cải thiện "quan hệ sản xuất", chẳng hạn như tổ chức tỷ lệ băm thông qua các mạng phi tập trung hoặc tạo ra "Gương mặt ôm phi phi tập trung". Rất ít dự án cố gắng thực sự tích hợp và đổi mới từ công nghệ cơ bản. Chúng tôi cho rằng rằng lý do của hiện tượng này là do có "sự thiên vị về lĩnh vực" giữa lĩnh vực AI và blockchain . Mặc dù có sự giao thoa sâu rộng giữa hai lĩnh vực này, nhưng rất ít người có hiểu biết sâu sắc về cả hai lĩnh vực. Ví dụ, các nhà phát triển AI khó có thể hiểu được triển khai kỹ thuật và trạng thái cơ sở hạ tầng lịch sử của Ethereum , khiến việc đề xuất các kế hoạch tối ưu hóa chuyên sâu càng trở nên khó khăn hơn.
Lấy ví dụ về học máy (ML), nhánh cơ bản nhất của AI. Đây là công nghệ cho phép máy móc đưa ra quyết định dựa trên dữ liệu mà không cần hướng dẫn lập trình rõ ràng. Học máy cho thấy tiềm năng to lớn trong phân tích dữ liệu và nhận dạng mẫu và đã trở nên phổ biến trong web2. Tuy nhiên, do những hạn chế của thời điểm ban đầu khi công nghệ này được tạo ra, ngay cả ở vị trí tiên phong trong đổi mới công nghệ blockchain như Ethereum, kiến trúc, mạng lưới và cơ chế quản trị của nó vẫn chưa sử dụng máy học như một công cụ hiệu quả để giải quyết các vấn đề phức tạp.
"Những đổi mới lớn thường xuất phát từ các lĩnh vực giao thoa." Mục đích ban đầu của chúng tôi khi viết bài viết này là giúp các nhà phát triển AI hiểu rõ hơn về thế giới blockchain và cung cấp những ý tưởng mới cho các nhà phát triển trong cộng đồng Ethereum. Trong bài viết này, trước tiên chúng tôi giới thiệu về cách triển khai kỹ thuật của Ethereum, sau đó đề xuất giải pháp áp dụng máy học, một thuật toán AI cơ bản, vào mạng Ethereum để cải thiện tính bảo mật, hiệu quả và khả mở rộng. Chúng tôi hy vọng có thể sử dụng trường hợp này làm điểm khởi đầu để đưa ra một số góc nhìn khác nhau từ thị trường và truyền cảm hứng cho sự kết hợp sáng tạo hơn giữa "AI+Blockchain" trong hệ sinh thái nhà phát triển.
Triển khai kỹ thuật của Ethereum
- Cấu trúc dữ liệu cơ bản
Bản chất blockchain là một Chuỗi các khối được kết nối. Chìa khóa để phân biệt Chuỗi là cấu hình Chuỗi, đây cũng là một phần không thể thiếu trong quá trình tạo ra blockchain. Đối với Ethereum, cấu hình Chuỗi được sử dụng để phân biệt Chuỗi khác nhau trong Ethereum và để xác định trong đó giao thức nâng cấp quan trọng và các sự kiện mang tính bước ngoặt. Ví dụ, DAOForkBlock đánh dấu độ cao hard fork mà Ethereum gặp phải cuộc tấn công DAO, và ConstantinopleBlock đánh dấu Block Height của nâng cấp Constantinople. Đối với nâng cấp lớn hơn bao gồm nhiều Đề án cải tiến, các trường đặc biệt được thiết lập để xác định Block Height tương ứng. Ngoài ra, Ethereum bao gồm nhiều mạng thử nghiệm và mạng chính, xác định duy nhất hệ sinh thái mạng tương ứng thông qua ChainID.
Khối Genesis là khối thứ 0 của toàn bộ blockchain và các khối khác trực tiếp hoặc gián tiếp tham chiếu đến Khối Genesis . Do đó, thông tin Khối Genesis chính xác phải được tải khi nút được khởi động và không thể sửa đổi tùy ý. Thông tin cấu hình của Khối Genesis bao gồm cấu hình Chuỗi đã đề cập ở trên và cũng thêm các trường như phần thưởng khai thác có liên quan, dấu thời gian, độ khó và giới hạn gas . Cần lưu ý Ethereum đã thay đổi từ cơ chế khai thác Bằng chứng công việc sang cơ chế khai thác Bằng chứng cổ phần phần.
Tài khoản Ethereum được chia thành tài khoản bên ngoài và tài khoản hợp đồng. Tài khoản bên ngoài được kiểm soát duy nhất bằng private key , trong đó tài khoản hợp đồng không được kiểm soát bằng khóa riêng và chỉ có thể được vận hành bằng cách gọi hợp đồng và thực thi mã hợp đồng thông qua tài khoản bên ngoài. Tất cả đều chứa một địa chỉ duy nhất. Trạng thái thế giới Ethereum là một cây tài khoản Ethereum, trong đó mỗi tài khoản tương ứng với một nút lá, trong đó trữ trạng thái của tài khoản (nhiều thông tin tài khoản và thông tin mã).
Giao dịch: Ethereum là một nền tảng phi tập trung và bản chất của nó là dành cho các giao dịch và hợp đồng. Các khối Ethereum là các giao dịch được đóng gói với một số thông tin liên quan khác được đính kèm. Các khối cụ thể được chia thành hai phần, cụ thể là Block Header và thân khối. Trong đó dữ liệu Block Header chứa bằng chứng kết nối tất cả các khối thành Chuỗi, có thể được hiểu là hàm băm của khối trước đó, cũng như gốc trạng thái chứng minh trạng thái của toàn bộ thế giới Ethereum, gốc giao dịch, gốc biên lai và một số dữ liệu bổ sung khác như độ khó nhận dạng và đếm nonce. Thân khối lưu trữ danh sách các giao dịch và danh sách các tiêu đề khối chú (vì Ethereum đã chuyển Bằng chứng cổ phần nên các tham chiếu khối chú không còn tồn tại nữa).
Biên lai giao dịch cung cấp kết quả giao dịch và thông tin bổ sung không thể có được trực tiếp bằng cách chỉ xem giao dịch đó. Cụ thể, thông tin chứa trong đó có thể được chia thành: nội dung đồng thuận, thông tin giao dịch và thông tin khối, bao gồm cả việc xử lý giao dịch có thành công hay không, cũng như thông tin như nhật ký giao dịch và mức tiêu thụ gas . Gỡ lỗi mã hợp đồng thông minh và tối ưu hóa mức tiêu thụ gas bằng cách phân tích thông tin trong biên lai. Nó cung cấp xác nhận rằng giao dịch đã được mạng xử lý và có thể xem kết quả cũng như tác động của giao dịch.
Trong Ethereum, phí gas có thể hiểu đơn giản là phí xử lý. Khi bạn gửi token, thực hiện hợp đồng, chuyển ETH hoặc thực hiện nhiều hoạt động khác nhau trên khối này, các giao dịch này đều yêu cầu phí gas . Máy tính Ethereum cần thực hiện các phép tính và tiêu thụ tài nguyên mạng khi xử lý giao dịch này, vì vậy bạn phải trả phí gas để máy tính hoạt động thay bạn. Phí nhiên liệu cuối cùng được trả cho thợ đào dưới dạng phí xử lý. Công thức tính phí cụ thể có thể hiểu là Phí = Gas đã sử dụng * Giá gas , trong đó lượng tiêu thụ thực tế nhân với giá đơn vị tiêu thụ. Giá đơn vị do người khởi tạo giao dịch đặt ra và số tiền của nó thường quyết định tốc độ giao dịch được đưa vào Chuỗi. Nếu thiết lập quá thấp, giao dịch có thể không được thực hiện. Đồng thời, cũng cần thiết lập giới hạn tiêu thụ gas của phí để tránh tiêu thụ gas ngoài ý muốn do lỗi trong hợp đồng.
- Nhóm giao dịch
Trong Ethereum, có lượng lớn các giao dịch. So với hệ thống tập trung, số lượng giao dịch được xử lý mỗi giây trong hệ thống phi tập trung rõ ràng là ảm đạm. Do lượng lớn nên nút cần duy trì một nhóm giao dịch để quản lý đúng các giao dịch này. Giao dịch được phát thông qua p2p. Cụ thể, một nút sẽ phát giao dịch có thể thực hiện được đến các nút lân cận của nó, sau đó các nút lân cận sẽ phát giao dịch đến nút lân cận của nút . Theo cách này, một giao dịch có thể được lan truyền đến toàn bộ mạng Ethereum trong vòng 6 giây.
Các giao dịch trong nhóm giao dịch được chia thành các giao dịch có thể thực hiện và các giao dịch không thể thực hiện. Các giao dịch có thể thực hiện có mức độ ưu tiên cao hơn và sẽ được thực hiện và đóng gói trong khối. Tất cả các giao dịch vừa mới vào nhóm giao dịch là các giao dịch không thể thực hiện và sẽ trở thành giao dịch có thể thực hiện sau đó. Các giao dịch có thể thực hiện và các giao dịch không thể thực hiện được ghi lại lần lượt trong các vùng chứa đang chờ xử lý và vùng chứa hàng đợi.
Ngoài ra, nhóm giao dịch cũng duy trì danh sách giao dịch cục bộ. Giao dịch cục bộ có nhiều 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 lập tức vào nhóm giao dịch khi nút được khởi động lại. Lưu trữ cục bộ liên tục của các giao dịch cục bộ được triển khai thông qua nhật ký (tải lại khi nút được khởi động lại). Mục đích của nó là tránh mất các giao dịch cục bộ chưa hoàn thành và sẽ được cập nhật định kì.
Tính hợp pháp của giao dịch sẽ được kiểm tra trước khi đưa vào hàng đợi, bao gồm nhiều loại kiểm tra khác nhau như: chống tấn công DOS, chống giao dịch tiêu cực, giới hạn gas giao dịch, v.v. Nhóm giao dịch có thể được chia thành: hàng đợi + đang chờ (hai phần này cấu thành tất cả các giao dịch). Sau khi hoàn tất kiểm tra tính hợp pháp, các lần kiểm tra tiếp theo sẽ được thực hiện, bao gồm kiểm tra xem hàng đợi giao dịch đã đạt đến giới hạn trên chưa, sau đó xác định xem giao dịch từ xa (giao dịch từ xa là giao dịch không cục bộ) có phải là giao dịch thấp nhất trong nhóm giao dịch hay không và thay thế giao dịch có giá thấp nhất trong nhóm giao dịch. Đối với việc thay thế các giao dịch có thể thực hiện, theo mặc định, chỉ những giao dịch có mức phí xử lý tăng 10% mới được phép thay thế các giao dịch đang chờ thực hiện và sau khi thay thế, chúng sẽ được lưu trữ dưới dạng giao dịch không thể thực hiện. Ngoài ra, trong quá trình bảo trì nhóm giao dịch, các giao dịch không hợp lệ và vượt hạn mức sẽ bị xóa và các giao dịch đáp ứng điều kiện sẽ được thay thế.
- Cơ chế đồng thuận
Lý thuyết đồng thuận ban đầu của Ethereum vẫn dựa trên phương pháp tính toán băm giá trị độ khó, nghĩa là giá trị băm của khối cần được tính toán để đáp ứng các điều kiện về giá trị độ khó mục tiêu để khối đó hợp lệ. Vì thuật toán đồng thuận hiện tại của Ethereum đã thay đổi từ POW sang POS nên các lý thuyết liên quan đến khai thác sẽ không được trình bày chi tiết. Sau đây là mô tả ngắn gọn về thuật toán POS. Ethereum đã hoàn tất việc sáp nhập Beacon Chain và triển khai thuật toán POS vào tháng 9 năm 2022. Cụ thể, dựa trên POS, thời gian khối của mỗi khối Ethereum ổn định ở mức 12 giây. Người dùng đặt cược ETH của riêng mình để có được quyền trở thành người xác thực. Sau đó, một nhóm người xác thực được chọn ngẫu nhiên từ những người dùng tham gia cam kết và những người xác thực được chọn vào mỗi một trong 32 vị trí trong mỗi chu kỳ. Một trong những người xác thực được chọn làm người đề xuất và người đề xuất tạo ra khối. Những người xác thực còn lại tương ứng với vị trí đóng vai trò là một ủy ban để xác minh tính hợp pháp của khối của người đề xuất và đưa ra phán quyết về tính hợp pháp của khối trong chu kỳ trước. Thuật toán POS ổn định và cải thiện đáng kể tốc độ tạo khối, đồng thời tránh lãng phí tài nguyên máy tính.
- Thuật toán chữ ký
Ethereum tuân theo tiêu chuẩn thuật toán chữ ký của Bitcoin và cũng sử dụng đường cong secp256k1. Thuật toán chữ ký cụ thể của nó sử dụng ECDSA, nghĩa là chữ ký được tính toán dựa trên hàm băm của tin nhắn gốc. Thành phần của toàn bộ chữ ký chỉ đơn giản là R+S+V. Lần phép tính sẽ đưa ra một số ngẫu nhiên tương ứng, trong đó R+S là đầu ra ban đầu của ECDSA. Trường cuối cùng V được gọi là trường khôi phục, biểu thị số lần tìm kiếm cần thiết để khôi phục thành công khóa công khai từ nội dung và chữ ký, vì có thể có nhiều điểm tọa độ đáp ứng các yêu cầu trong đường cong elip dựa trên giá trị R.
Toàn bộ quá trình có thể được tóm tắt đơn giản như sau: dữ liệu giao dịch và thông tin liên quan đến người ký được mã hóa RLP và băm, và chữ ký cuối cùng có thể thu được bằng cách ký private key thông qua ECDSA. Đường cong được sử dụng trong ECDSA là đường cong elip secp256k1. Cuối cùng, bằng cách kết hợp dữ liệu chữ ký với dữ liệu giao dịch, bạn có thể nhận được dữ liệu giao dịch đã ký và phát nó đi.
Cấu trúc dữ liệu của Ethereum không chỉ dựa trên công nghệ blockchain truyền thống mà còn giới thiệu cây Merkle Patricia, còn được gọi là cây tiền tố nén Merkle, để lưu trữ và xác minh hiệu quả lượng dữ liệu lượng lớn . MPT kết hợp khả năng băm crypto của Merkle trees và các thuộc tính nén đường dẫn khóa của cây Patricia, cung cấp giải pháp đảm bảo tính toàn vẹn dữ liệu và hỗ trợ tra cứu nhanh.
- Tiền tố nén Merkle Trie
Trong Ethereum, MPT được sử dụng để lưu trữ mọi dữ liệu trạng thái và giao dịch, đảm bảo mọi thay đổi 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 độ chính xác của dữ liệu có thể được chứng minh mà không cần phải kiểm tra toàn bộ cơ sở dữ liệu. MPT bao gồm bốn loại nút: nút lá, nút mở rộng , nút nhánh và nút rỗng, nút nhau tạo thành một cây có thể thích ứng với những thay đổi dữ liệu động. Lần khi dữ liệu được cập nhật, MPT phản ánh những thay đổi này bằng cách thêm, xóa hoặc sửa đổi nút và cập nhật hàm băm gốc của cây. Vì mỗi nút crypto thông qua hàm băm nên bất kỳ thay đổi nhỏ nào đối với dữ liệu cũng sẽ dẫn đến thay đổi lớn trong hàm băm gốc, do đó đảm bảo tính bảo mật và tính nhất quán của dữ liệu. Ngoài ra, thiết kế của MPT hỗ trợ xác minh "máy trạm nhẹ", cho phép nút xác minh sự tồn tại hoặc trạng thái của thông tin cụ thể bằng cách chỉ lưu trữ băm gốc của cây và nút đường dẫn cần thiết, giúp giảm đáng kể nhu cầu lưu trữ và xử lý dữ liệu.
Thông qua MPT, Ethereum không chỉ đạt được hiệu quả quản lý và truy cập dữ liệu nhanh chóng mà còn đảm bảo tính bảo mật và phi tập trung của mạng, hỗ trợ hoạt động và phát triển của toàn bộ mạng Ethereum.
- Máy Nhà Nước
Kiến trúc cốt lõi của Ethereum kết hợp khái niệm về máy trạng thái, trong đó Máy ảo Ethereum(EVM) là hoàn cảnh thời gian chạy để thực thi tất cả các 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 hiện mỗi khối có thể được xem như một quá trình chuyển đổi trạng thái, di chuyển từ trạng thái chung toàn cục này sang trạng thái chung toàn cục khác. Thiết kế này không chỉ đảm bảo tính nhất quán và phi tập trung của mạng lưới Ethereum mà còn giúp kết quả thực hiện của các hợp đồng thông minh có thể dự đoán được và không thể thay đổi.
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 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 và quá trình này được ghi lại hiệu quả và an toàn thông qua 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 trong việc thay đổi giá trị băm gốc của cây.
Mối quan hệ giữa EVM và MPT rất quan trọng vì MPT cung cấp sự đảm bảo toàn vẹn dữ liệu cho quá trình chuyển đổi trạng thái của Ethereum . Khi EVM thực hiện các giao dịch làm thay đổi trạng thái tài khoản, nút MPT liên quan sẽ được cập nhật để phản ánh những thay đổi này. Vì mỗi nút của MPT được liên kết bằng hàm băm, bất kỳ sửa đổi nào đối với trạng thái sẽ gây ra thay đổi trong hàm băm gốc. Hàm băm gốc mới này sau đó được đưa vào khối mới, đảm bảo tính nhất quán và bảo mật của toàn bộ trạng thái Ethereum. Tiếp theo, chúng tôi giới thiệu máy ảo EVM.
- Máy tính điện tử
Máy ảo EVM là nền tảng cho toàn bộ Ethereum để xây dựng hợp đồng thông minh và thực hiện chuyển đổi trạng thái. Nhờ EVM, Ethereum thực sự có thể được hình dung như một máy tính thế giới. Máy ảo 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 và 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. Theo góc nhìn kỹ thuật hơn, EVM là máy ảo dựa trên ngăn xếp thực thi các hợp đồng thông minh bằng cách sử dụng bytecode dành riêng cho Ethereum . Các nhà phát triển thường sử dụng ngôn ngữ cấp cao, chẳng hạn như Solidity, để viết hợp đồng thông minh, sau đó được biên dịch thành mã bytecode mà EVM có thể hiểu để thực hiện lệnh gọi thực thi. EVM là chìa khóa cho khả năng đổi mới của blockchain Ethereum . Nó không chỉ hỗ trợ hoạt động của hợp đồng thông minh mà còn cung cấp nền tảng vững chắc cho sự phát triển của 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.
Tổng quan lịch sử
Những thách thức mà Ethereum phải đối mặt
Bảo vệ
Hợp đồng thông minh là các chương trình máy tính chạy trên blockchain Ethereum . Chúng cho phép các nhà phát triển tạo và ra mắt nhiều ứng dụng khác nhau, bao gồm nhưng không giới hạn ở các ứng dụng vay mượn, sàn giao dịch phi tập trung, bảo hiểm, tài chính lần, mạng xã hội và NFT. Tính bảo mật của hợp đồng thông minh rất quan trọng đối với các ứng dụng này. Các ứng dụng này chịu trách nhiệm trực tiếp trong việc xử lý và kiểm soát crypto. Bất kỳ lỗ hổng nào trong hợp đồng thông minh hoặc các cuộc tấn công ác ý vào chúng sẽ gây ra mối đe dọa trực tiếp đến tính bảo mật của tiền và thậm chí dẫn đến tổn thất kinh tế lớn. Ví dụ, vào ngày 26 tháng 2 năm 2024, giao thức cho vay DeFi Blueberry Protocol đã bị tấn công do lỗi logic hợp đồng thông minh, gây ra thiệt hại khoảng 1.400.000 đô la.
Hợp đồng thông minh có nhiều lỗ hổng, bao gồm logic việc kinh doanh không hợp lý, kiểm soát truy cập không phù hợp, xác minh dữ liệu không đầy đủ, tấn công tái nhập và tấn công DOS (Từ chối dịch vụ). Những lỗ hổng này có thể gây ra vấn đề trong quá trình thực hiện hợp đồng và ảnh hưởng đến hiệu quả hoạt động của hợp đồng thông minh. Lấy tấn công DOS làm ví dụ. Phương pháp tấn công này tiêu tốn tài nguyên mạng bằng cách gửi lượng lớn giao dịch. Sau đó, các giao dịch do người dùng bình thường khởi tạo không thể được xử lý kịp thời, điều này sẽ dẫn đến giảm trải nghiệm của người dùng. Hơn nữa, điều này cũng sẽ dẫn đến tăng phí gas giao dịch. Bởi vì khi tài nguyên mạng bị hạn chế, người dùng có thể phải trả phí cao hơn để ưu tiên giao dịch của mình.
Ngoài ra, người dùng Ethereum cũng phải đối mặt với rủi ro đầu tư và tính bảo mật của tiền của họ có thể bị đe dọa. Ví dụ, coin rác được sử dụng để mô tả crypto được cho rằng là có ít giá trị hoặc không có tiềm năng tăng trưởng dài hạn. Coin rác thường được sử dụng như một công cụ lừa đảo hoặc chiến lược kéo lên và xả để thao túng giá. Đầu tư vào coin rác rất rủi ro và có thể dẫn đến tổn thất tài chính đáng kể. Do giá và giá trị vốn hóa thị trường thấp nên chúng rất dễ bị thao túng và biến động. Đồng tiền này thường được sử dụng trong các chương trình bơm và xả giá và lừa đảo honeypot, trong đó các dự án giả được sử dụng để thu hút các nhà đầu tư và đánh cắp tiền của họ. Một rủi ro phổ biến khác coin rác là Rug Pull, khi người tạo ra nó đột nhiên rút toàn bộ thanh khoản khỏi dự án, khiến giá trị token giảm mạnh. Những vụ lừa đảo này thường được tiếp thị thông qua các quan hệ đối tác và chứng thực giả mạo, và khi giá token tăng, những kẻ lừa đảo sẽ bán token của mình, biến mất sau khi kiếm được lợi nhuận và để lại cho các nhà đầu tư token vô giá trị. Đồng thời, việc đầu tư coin rác cũng làm mất đi sự chú ý và nguồn lực khỏi crypto hợp pháp có ứng dụng thực sự và tiềm năng tăng trưởng .
Ngoài coin rác, coin rác và tiền mô hình kim tự tháp cũng là những cách kiếm lợi nhuận nhanh chóng. Người dùng thiếu chuyên môn và kinh nghiệm đặc biệt khó có thể phân biệt chúng với crypto hợp pháp.
hiệu quả
Hai chỉ báo trực tiếp đánh giá hiệu quả 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 trên một đơn vị thời gian. Chỉ báo này phản ánh trực tiếp sức mạnh xử lý của mạng lưới Ethereum. Tốc độ càng nhanh thì hiệu quả càng cao. Mỗi giao dịch trong Ethereum đều phải trả một khoản phí gas nhất định để trả công cho thợ đào thác xác minh giao dịch. Phí gas càng thấp thì Ethereum càng hiệu quả.
Tốc độ giao dịch chậm hơn sẽ dẫn đến phí gas cao hơn. Nói chung, khi tốc độ xử lý giao dịch giảm, có thể có nhiều giao dịch cạnh tranh để được đưa vào khối tiếp theo do không gian khối bị hạn chế. Để nổi bật hơn so với đối thủ cạnh tranh, các nhà giao dịch thường tăng phí gas vì thợ đào có xu hướng ưu tiên các giao dịch có phí gas cao hơn khi xác minh giao dịch. Khi đó, phí gas cao hơn sẽ làm giảm trải nghiệm của 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 vay mượn, thế chấp, đầu tư và bảo hiểm. Tất cả những điều này có thể được thực hiện thông qua các DApp cụ thể. Tuy nhiên, do sự đa dạng của các DApp và việc thiếu các dịch vụ đề xuất được cá nhân hóa tương tự như các ngành công nghiệp truyền thống, người dùng cảm thấy bối rối khi lựa chọn các ứng dụng và sản phẩm phù hợp với mình. Tình trạng này sẽ dẫn đến giảm mức độ hài lòng của người dùng, do đó ảnh hưởng đến hiệu quả của toàn bộ hệ sinh thái Ethereum.
Lấy vay mượn làm ví dụ. Để duy trì tính bảo mật và ổn định của nền tảng, một số nền tảng lending DeFi sẽ sử dụng cơ chế thế chấp vượt mức. Điều này có nghĩa là người vay cần phải thế chấp thêm tài sản và tài sản này không thể được người vay sử dụng cho các hoạt động khác trong thời gian vay. Điều này sẽ dẫn đến giảm quả sử dụng vốn của người đi vay, từ đó làm giảm thanh khoản của thị trường.
Ứng dụng của máy học trong Ethereum
Các mô hình học máy, chẳng hạn như mô hình RFM, mạng đối nghịch tạo sinh (GAN), mô hình cây quyết định, thuật toán K-nearest neighbor (KNN), thuật toán phân cụ DBSCAN, v.v., đang đóng vai trò quan trọng trong Ethereum. Việc ứng dụng các mô hình máy học này vào Ethereum có thể giúp tối ưu hóa hiệu quả xử lý giao dịch, cải thiện tính bảo mật của hợp đồng thông minh, phân tầng người dùng để cung cấp các dịch vụ cá nhân hóa hơn và giúp duy trì hoạt động ổn định của mạng.
Giới thiệu thuật toán
Thuật toán học máy là một tập hợp các hướng dẫn hoặc quy tắc để phân tích dữ liệu, học các mẫu trong dữ liệu và đưa ra dự đoán hoặc quyết định dựa trên những kiến thức đó. Chúng thực hiện điều này bằng cách tự động học hỏi và cải thiện từ dữ liệu được cung cấp, mà không cần hướng dẫn lập trình rõ ràng từ con người. Các mô hình học máy, chẳng hạn như mô hình RFM, mạng đối nghịch tạo sinh (GAN), mô hình cây quyết định, thuật toán K-nearest neighbor (KNN), thuật toán phân cụ DBSCAN, v.v., đang đóng vai trò quan trọng trong Ethereum. Việc ứng dụng các mô hình máy học này vào Ethereum có thể giúp tối ưu hóa hiệu quả xử lý giao dịch, cải thiện tính bảo mật của hợp đồng thông minh, phân tầng người dùng để cung cấp các dịch vụ cá nhân hóa hơn và giúp duy trì hoạt động ổn định của mạng.
- Phân loại Bayesian
Phân loại Bayesian là một bộ phân loại hiệu quả trong nhiều phương pháp phân loại thống kê, nhằm mục đích giảm thiểu khả năng xảy ra lỗi phân loại hoặc giảm thiểu rủi ro trung bình trong một khuôn khổ chi phí cụ thể. Triết lý thiết kế của nó bắt nguồn sâu sắc từ định lý Bayes, cho phép nó đưa ra quyết định bằng cách tính toán xác suất sau của một đối tượng, dựa trên xác suất đối tượng đó thuộc về một loại nhất định khi biết một số đặc điểm nhất định. Cụ thể, bộ phân loại Bayesian đầu tiên sẽ xem xét xác suất trước của đối tượng và sau đó áp dụng công thức Bayesian để xem xét toàn diện dữ liệu quan sát được nhằm cập nhật niềm tin về phân loại đối tượng. Trong số tất cả các phân loại có thể, bộ phân loại Bayesian sẽ chọn phân loại có xác suất sau lớn nhất và phân loại đối tượng vào lớp đó. Ưu điểm cốt lõi của phương pháp này là khả năng xử lý tự nhiên sự không chắc chắn và thông tin không đầy đủ, khiến nó trở thành một công cụ mạnh mẽ và linh hoạt cho nhiều tình huống ứng dụng.
Như thể hiện trong Hình 2, trong học máy có giám sát, dữ liệu và mô hình xác suất dựa trên định lý Bayes được sử dụng để đưa ra quyết định phân loại. Sử dụng khả năng xảy ra và xác suất trước của các danh mục và tính năng, bộ phân loại Bayesian tính toán xác suất sau rằng dữ liệu thuộc về từng danh mục và gán điểm dữ liệu cho danh mục có xác suất sau cao nhất. Trong biểu đồ phân tán bên phải, bộ phân loại sẽ cố gắng tìm đường cong phân tách tốt nhất các điểm có màu khác nhau và do đó giảm thiểu lỗi phân loại.
- Cây quyết định
Thuật toán cây quyết định thường được sử dụng trong nhiệm vụ phân loại và hồi quy. Nó áp dụng ý tưởng phán đoán phân cấp. Theo dữ liệu đã biết, nó chọn các tính năng có tỷ lệ tăng thông tin lớn và chia chúng thành các cây để đào tạo cây quyết định. Nói một cách đơn giản, toàn bộ thuật toán có thể tự học một quy tắc ra quyết định dựa trên dữ liệu để xác định giá trị của biến. Về mặt triển khai, nó có thể phân tích quá trình ra quyết định phức tạp thành một số quy trình quyết định phụ đơn giản. Thông qua phương pháp đạo hàm như vậy, mỗi phán đoán quyết định đơn giản hơn được suy ra từ tiêu chí quyết định cha, do đó hình thành nên cấu trúc cây.
Như có thể thấy trong Hình 3, mỗi nút biểu thị một quyết định, xác định tiêu chí cho một thuộc tính nhất định và nhánh biểu thị kết quả của quyết định. Mỗi nút lá biểu diễn kết quả dự đoán và danh mục cuối cùng. Theo quan điểm về thành phần thuật toán, mô hình cây quyết định trực quan hơn, dễ hiểu hơn và có khả năng diễn giải cao.
- Thuật toán DBSCAN
DBSCAN (Phân cụm không gian dựa trên mật độ của ứng dụng có nhiễu) là một thuật toán phân cụm không gian dựa trên mật độ có nhiễu, có vẻ hoạt động đặc biệt tốt đối với các tập dữ liệu không được kết nối. Thuật toán có thể khám phá các cụm có hình dạng tùy ý mà không cần chỉ định trước số lượng cụm và có khả năng chống lại các giá trị ngoại lai trong tập dữ liệu. Thuật toán cũng có thể xác định hiệu quả các điểm ngoại lệ trong các tập dữ liệu nhiễu. Nhiễu hoặc các điểm ngoại lệ được định nghĩa là các điểm trong các khu vực có mật độ thấp, như thể hiện trong Hình 4.
- Thuật toán KNN
Thuật toán KNN (K-Nearest Neighbors) có thể được sử dụng cho cả phân loại và hồi quy. Trong các bài toán phân loại, danh mục của mục cần phân loại được xác định dựa trên cơ chế bỏ phiếu; trong các bài toán hồi quy, giá trị trung bình hoặc giá trị trung bình có trọng số của k mẫu lân cận gần nhất được tính toán để dự đoán.
Như thể hiện trong Hình 5, nguyên lý hoạt động của thuật toán KNN trong phân loại là tìm K láng giềng gần nhất của một điểm dữ liệu mới và sau đó dự đoán danh mục của điểm dữ liệu mới dựa trên danh mục của những láng giềng này. Nếu K = 1, thì các điểm dữ liệu mới chỉ được gán vào lớp của điểm lân cận gần nhất của chúng. Nếu K>1, việc bỏ phiếu thường được sử dụng để xác định loại điểm dữ liệu mới, nghĩa là điểm dữ liệu mới sẽ được gán vào loại mà hầu hết các điểm lân cận thuộc về. Khi sử dụng thuật toán KNN cho các bài toán hồi quy, ý tưởng cơ bản là giống nhau, kết quả là giá trị trung bình của các giá trị đầu ra của K mẫu lân cận gần nhất.
- AI tạo ra
Trí tuệ nhân tạo (AI) là công nghệ AI có khả năng tạo ra nội dung mới (như văn bản, hình ảnh, nhạc, v.v.) dựa trên nhu cầu đầu vào. Bối cảnh của nó dựa trên những tiến bộ trong học máy và học độ sâu, đặc biệt là với các ứng dụng trong các lĩnh vực như xử lý ngôn ngữ tự nhiên và nhận dạng hình ảnh. Trí tuệ nhân tạo (AI) tạo sinh hoạt động bằng cách học các mẫu hình và mối liên kết từ lượng lớn dữ liệu, sau đó tạo ra đầu ra hoàn toàn mới dựa trên thông tin đã học đó. Chìa khóa của trí tuệ nhân tạo sinh ra nằm ở việc đào tạo mô hình, đòi hỏi dữ liệu tuyệt vời để học và đào tạo. Trong quá trình này, mô hình 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
Là nền tảng của trí tuệ nhân tạo tạo ra, Transformer tiên phong trong việc giới thiệu cơ chế chú ý, cho phép xử lý thông tin tập trung vào các điểm chính trong khi có được cái nhìn toàn cảnh về tình hình chung. Khả năng độc đáo này đã giúp Transformer tỏa sáng trong lĩnh vực tạo văn bản. Việc sử dụng các mô hình xử lý ngôn ngữ tự nhiên mới nhất, chẳng hạn như GPT (Generative Pre-trained Transformer), để hiểu các yêu cầu ứng dụng do người dùng thể hiện bằng ngôn ngữ tự nhiên và tự động chuyển đổi chúng thành mã thực thi có thể giảm bớt khó khăn trong quá trình phát triển và cải thiện hiệu quả đáng kể.
Như thể hiện trong Hình 6, bằng cách giới thiệu cơ chế chú ý đa đầu và cơ chế tự chú ý, kết hợp với các kết nối còn lại và mạng nơ-ron được kết nối đầy đủ, cùng với sự trợ giúp của công nghệ nhúng từ trước đó, hiệu suất của các mô hình tạo liên quan đến xử lý ngôn ngữ tự nhiên đã được cải thiện đáng kể.
- Mô hình RFM
Mô hình RFM là mô hình phân tích dựa trên hành vi mua sắm của người dùng. Bằng cách phân tích hành vi giao dịch của người dùng, nó có thể xác định các nhóm người dùng có giá trị khác nhau. Mô hình này phân tầng người dùng theo thời gian tiêu thụ gần đây nhất (R), tần suất tiêu thụ (F) và lượng tiêu thụ (M).
Như thể hiện trong Hình 7. Ba chỉ báo này cùng nhau tạo thành cốt lõi của mô hình RFM. Mô hình chấm điểm người dùng dựa trên ba chiều này và sắp xếp theo điểm số để xác định nhóm người dùng có giá trị nhất. Hơn nữa, mô hình có thể phân chia khách hàng thành các nhóm khác nhau một cách hiệu quả để thực hiện chức năng phân tầng người dùng.
Các ứng dụng có thể
Khi áp dụng các kỹ thuật học máy để giải quyết các thách thức về bảo mật của Ethereum, chúng tôi đã tiến hành nghiên cứu theo bốn góc độ chính:
- Xác định và lọc các giao dịch độc hại dựa trên bộ phân loại Bayesian
Bằng cách xây dựng bộ phân loại Bayesian, các giao dịch rác có thể được xác định và lọc, bao gồm nhưng không giới hạn ở các giao dịch lượng lớn, thường xuyên và nhỏ dẫn đến các cuộc tấn công DOS. Phương pháp này duy trì hiệu quả tình trạng của mạng lưới và đảm bảo hoạt động ổn định của mạng lưới Ethereum bằng cách phân tích các đặc điểm giao dịch như giá Gas và tần suất giao dịch.
- Tạo mã hợp đồng thông minh an toàn và đáp ứng các yêu cầu cụ thể
Cả Mạng đối nghịch tạo sinh (GAN) và Mạng tạo sinh dựa trên Transformer đều có thể được sử dụng để tạo mã hợp đồng thông minh đáp ứng các yêu cầu cụ thể và đảm bảo tính bảo mật của mã ở mức cao nhất có thể. Tuy nhiên, hai phương pháp này khác nhau ở loại dữ liệu mà mô hình đào tạo dựa vào, trong khi quá trình đào tạo của phương pháp trước chủ yếu dựa vào các mẫu mã không an toàn, trong khi phương pháp sau thì ngược lại.
Bằng cách đào tạo GAN để tìm hiểu các mẫu hợp đồng bảo mật hiện có và xây dựng một mô hình tự đối kháng để tạo ra mã có khả năng không an toàn, sau đó mô hình sẽ được sử dụng để tìm hiểu cách xác định những điểm không an toàn này, cuối cùng cho phép tự động tạo ra mã hợp đồng thông minh an toàn và chất lượng cao hơn. Bằng cách sử dụng mô hình mạng tạo dựa trên Transformer và học hỏi từ lượng lớn các ví dụ về hợp đồng an toàn, chúng ta có thể tạo ra mã hợp đồng đáp ứng các nhu cầu cụ thể và tối ưu hóa mức tiêu thụ Gas , điều này chắc chắn sẽ cải thiện hiệu quả và tính bảo mật của quá trình phát triển hợp đồng thông minh.
- Phân tích rủi ro hợp đồng thông minh dựa trên cây quyết định
Việc 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, 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 chế độ hoạt động và cấu trúc mã của hợp đồng, có thể dự đoán các lỗ hổng và điểm rủi ro tiềm ẩn, do đó cung cấp cho nhà phát triển và người dùng đánh giá về tính an toàn. 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, qua đó giảm thiểu tổn thất do lỗ hổng bảo mật hoặc mã độc gây ra.
- Xây dựng mô hình định giá crypto để giảm rủi ro đầu tư
Thông qua các thuật toán học máy, chúng tôi phân tích thông tin đa chiều như dữ liệu giao dịch crypto , hoạt động truyền thông xã hội, hiệu suất thị trường, v.v. và xây dựng mô hình đánh giá có thể dự đoán khả năng tồn tại của coin rác. Mô hình này có thể cung cấp tham khảo có giá trị cho các nhà đầu tư, giúp họ tránh được rủi ro đầu tư và do đó thúc đẩy sự phát triển lành mạnh của thị trường crypto.
Ngoài ra, việc sử dụng máy học cũng có tiềm năng cải thiện hiệu quả của Ethereum hơn nữa. Chúng ta có thể khám phá điều này theo ba chiều hướng chính:
- Ứng dụng cây quyết định để tối ưu hóa mô hình xếp hàng nhóm giao dịch
Dựa trên cây quyết định, cơ chế xếp hàng của nhóm giao dịch Ethereum có thể được tối ưu hóa hiệu quả. 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 giao dịch và thứ tự xếp hàng. Phương pháp này có thể cải thiện đáng kể hiệu quả xử lý giao dịch, giảm tắc nghẽn mạng hiệu quả và giảm thời gian chờ giao dịch của người dùng.
- Phân tầng người dùng và cung cấp dịch vụ được cá nhân hóa
Mô hình RFM (Gần đây, Giá trị tiền tệ, Tần suất) là một công cụ phân tích được sử dụng rộng rãi trong quản lý quan hệ khách hàng. Nó có thể phân khúc người dùng hiệu quả bằng cách đánh giá thời gian giao dịch gần đây nhất của người dùng (Gần đây), tần suất giao dịch (Tần suất) và số tiền giao dịch (Giá trị tiền tệ). Việc 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 các dịch vụ được cá nhân hóa hơn, qua đó cải thiện 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 cho những người dùng khác nhau. Chiến lược phân khúc người dùng này có thể tối ưu hóa các chiến lược tiếp thị và cải thiện sự hài lòng của khách hàng cũng như hiệu quả dịch vụ.
- Điểm tín dụng dựa trên KNN
Thuật toán K-nearest neighbor (KNN) có thể phân tích lịch sử giao dịch và mô hình hành vi của người dùng Ethereum để chỉ định điểm tín dụng cho người dùng, đóng vai trò cực kỳ quan trọng trong các hoạt động tài chính như vay mượn. Điểm tín dụng có thể giúp các tổ chức tài chính và nền tảng lending đánh giá khả năng trả nợ và rủi ro tín dụng của người vay, từ đó đưa ra quyết định cho vay chính xác hơn. Điều này có thể tránh được tình vay mượn quá mức và cải thiện thanh khoản của thị trường.
Hướng đi trong tương lai
Theo góc độ phân bổ quỹ vĩ mô, với tư cách là máy tính phân tán lớn nhất thế giới, Ethereum không thể đầu tư quá nhiều vào cơ sở hạ tầng và cần thu hút các nhà phát triển từ nhiều bối cảnh hơn để tham gia vào quá trình đồng xây dựng. Trong bài viết này, chúng tôi đã xem xét việc triển khai kỹ thuật của Ethereum và các vấn đề mà nó phải đối mặt, đồng thời hình dung ra sê-ri các ứng dụng có thể tương đối trực quan của máy học. Chúng tôi cũng rất mong các nhà phát triển AI trong cộng đồng có thể biến viễn cảnh mong đợi này thành giá trị thực.
Khi tỷ lệ băm Chuỗi dần tăng lên, chúng ta có thể thấy trước rằng các mô hình phức tạp hơn sẽ được phát triển để quản lý mạng, giám sát giao dịch, kiểm toán bảo mật và các khía cạnh khác nhằm cải thiện hiệu quả và tính bảo mật của mạng Ethereum.
Đi xa hơn nữa, các cơ chế quản trị do AI/tác nhân điều khiển cũng có thể trở thành một cải tiến lớn trong hệ sinh thái Ethereum. Cơ chế này mang lại quy trình ra quyết định hiệu quả, minh bạch và tự động hơn, cung cấp cấu trúc quản trị linh hoạt và đáng tin cậy hơn cho nền tảng Ethereum. Những định hướng phát triển trong tương lai này không chỉ thúc đẩy sự đổi mới của công nghệ Ethereum mà còn mang đến cho người dùng trải nghiệm tốt hơn Chuỗi .
Tuyên bố miễn trừ trách nhiệm: Là blockchain, các bài viết được đăng trên trang web này chỉ đại diện cho quan điểm tác giả và khách và không liên quan gì đến quan điểm của Web3Caff. Thông tin trong bài viết chỉ mang tham khảo và không cấu thành bất kỳ lời khuyên hoặc đề nghị đầu tư nào. Vui lòng tuân thủ luật pháp và quy định có liên quan của quốc gia hoặc khu vực của bạn.
Chào mừng bạn tham gia cộng đồng chính thức của Web3Caff : Tài khoản X (Twitter) | Nhóm độc giả WeChat | Tài khoản công khai WeChat | Nhóm đăng ký Telegram | Nhóm trao đổi Telegram
