イーサリアムに革命を起こすAI
原題:另一个角度看「AI+Blockchain」:AI 如何革新以太坊?
この1年間、ジェネレーティブAIが繰り返し国民の期待を打ち砕く中、AI生産性革命の波が暗号通貨コミュニティを席巻しました。 流通市場では、AIをテーマにした多くのプロジェクトが富の伝説を生み出しており、開発者が独自の「AI + Crypto」プロジェクトを開発し始めているのを目にしてきました。 しかし、よく調べてみると、これらのプロジェクトは高度に均質化されており、そのほとんどが、分散型ネットワークによるコンピューティングパワーの組織化や「分散型の抱擁面」の作成など、「生産関係」の改善のみを目的としていることは明らかです。 技術的なコアで真に統合し、革新しようとするプロジェクトはほとんどありません。 これは、AIとブロックチェーンの分野間の「ドメインバイアス」によるものと考えています。 両者は広く共通しているにもかかわらず、両方の分野を深く理解している人はほとんどいません。 例えば、AI開発者は、イーサリアムの技術的な実装や過去のインフラを把握することが難しく、詳細な最適化ソリューションを提案することが難しくなるかもしれません。
AIの最も基本的な分野である機械学習(ML)を例にとると、機械が明示的なプログラミング命令なしでデータを通じて意思決定を行えるようにするテクノロジーです。 機械学習は、データ分析やパターン認識において大きな可能性を示しており、web2では当たり前になっています。 しかし、イーサリアムのようなブロックチェーン技術革新の最前線でさえ、そのアーキテクチャ、ネットワーク、ガバナンスメカニズムは、複雑な問題を解決するための効果的なツールとして機械学習をまだ活用できていません。
「偉大なイノベーションは、多くの場合、分野の交差点から生まれます。」 この記事を書く主な目的は、AI開発者がブロックチェーンの世界をよりよく理解できるようにすると同時に、イーサリアムコミュニティの開発者に新しいアイデアを提供することです。 本稿では、まずイーサリアムの技術的な実装を紹介し、次に基礎となるAIアルゴリズムである機械学習をイーサリアムネットワークに適用し、セキュリティ、効率性、スケーラビリティを強化することを提案します。 この事例が出発点となり、独自の視点を提供し、開発者エコシステム内でより多くの「AI+ブロックチェーン」の革新的な組み合わせを刺激することを願っています。
イーサリアムの技術的実装
- 基本データ構造基本データ構造
ブロックチェーンは、その中核となるブロックをつなぐチェーンであり、チェーン間の区別は主にチェーン構成にあります。 この構成は、ブロックチェーンの起源、つまりブロックチェーンの開始段階に不可欠な部分です。 イーサリアムの場合、チェーン構成はさまざまなイーサリアムチェーンを区別し、重要なアップグレードプロトコルとマイルストーンイベントを識別します。 例えば、DAOForkBlockはDAO攻撃後のハードフォークの高さを示し、ConstantinopleBlockはコンスタンティノープルのアップグレードが発生したブロックの高さを示します。 多数の改善提案を含む大規模なアップグレードの場合、対応するブロックの高さを示す特別なフィールドが設定されます。 さらに、イーサリアムにはさまざまなテストネットワークとメインネットワークが含まれており、それぞれがChainIDによって一意に識別され、ネットワークエコシステムが定義されています。
ジェネシスブロックは、ブロックチェーン全体の最初のブロックであり、他のブロックから直接的または間接的に参照されます。 したがって、ノードは起動時に変更なしで正しいジェネシスブロック情報をロードすることが重要です。 このジェネシスブロック構成には、前述のチェーン構成と、マイニング報酬、タイムスタンプ、難易度、ガスリミットなどの追加情報が含まれています。 注目すべきは、イーサリアムがプルーフ・オブ・ワーク・マイニングのコンセンサスメカニズムからプルーフ・オブ・ステークに移行したことです。
イーサリアムアカウントは、外部アカウントとコントラクトアカウントに分類されます。 外部アカウントは秘密鍵によって一意に制御されますが、秘密鍵を持たない契約アカウントは、外部アカウントによる契約コードの実行によってのみ操作できます。 どちらのアカウントタイプも一意のアドレスを持っています。 イーサリアムの「ワールドステート」はアカウントツリーであり、各アカウントは、さまざまなアカウントやコード情報を含むアカウントの状態を格納するリーフノードに対応しています。
- 取引
イーサリアムは、分散型プラットフォームとして、基本的に取引と契約を容易にします。 イーサリアムは、いくつかの追加情報とともにパッケージトランザクションをブロックします。 具体的には、ブロックはブロックヘッダーとブロック本体に分割されます。 ブロックヘッダーには、すべてのブロックをチェーンにリンクする証拠が含まれており、前のブロックのハッシュとして理解され、ステートルート、トランザクションルート、レシートルート、およびイーサリアムの世界全体の状態を示す難易度やナンスなどの他のデータが含まれています。 ブロック本体には、トランザクションのリストとアンクルブロックヘッダーのリストが格納されています(ただし、イーサリアムがプルーフオブステークに移行したため、アンクルブロックの参照は停止しました)。
トランザクションの領収書は、トランザクション実行後の結果と追加情報を提供し、トランザクション自体から直接は得られない洞察を提供します。 これらの詳細には、コンセンサスコンテンツ、トランザクション情報、トランザクションが成功したかどうかを示すブロック情報、トランザクションログ、ガス消費量が含まれます。 領収書の情報を分析することで、スマートコントラクトのコードのデバッグやガス使用量の最適化に役立ち、取引がネットワークによって処理されたことを確認し、取引の結果と影響を調べることができます。
イーサリアムでは、ガス代は、トークンの送信、コントラクトの実行、イーサリアムの転送、またはブロック上のその他の活動などの操作に必要な取引手数料として簡素化できます。 イーサリアム仮想マシンは、トランザクションを処理するためにネットワークリソースを計算して利用する必要があるため、これらの操作にはガス料金が必要であり、これらの計算サービスに対する支払いが必要になります。 最終的に、燃料費、つまり取引手数料は、手数料 = 使用ガス * ガス価格 という式で計算され、ガス価格は取引開始者によって設定されます。 金額は、チェーン上のトランザクション処理の速度に大きく影響します。 設定が低すぎると、トランザクションが実行されない可能性があります。 さらに、契約の誤りによる予期せぬガス消費を防ぐために、ガスリミットを設定することが重要です。
- トランザクション・プール
イーサリアムには、膨大な数のトランザクションが存在します。 中央集権型システムと比較して、分散型システムの毎秒のトランザクション処理速度は大幅に低くなります。 ノードへのトランザクションの流入により、ノードはこれらのトランザクションを適切に管理するためにトランザクションプールを維持する必要があります。 トランザクションのブロードキャストはピアツーピア(P2P)ネットワークを介して行われ、1つのノードが実行可能なトランザクションを隣接するノードにブロードキャストし、隣接するノードがトランザクションを隣接するノードにブロードキャストします。 このプロセスを通じて、トランザクションは6秒以内にイーサリアムネットワーク全体に広がることができます。
トランザクション・プール内のトランザクションは、実行可能トランザクションと非実行可能トランザクションに分けられます。 実行可能なトランザクションは優先度が高く、実行されてブロックに含まれますが、プールに新しく入力されたすべてのトランザクションは実行不可能であり、後でのみ実行可能になります。 実行可能トランザクションと非実行可能トランザクションは、それぞれ「保留中」コンテナと「キュー」コンテナに記録されます。
さらに、トランザクション プールはローカル トランザクションのリストを保持し、優先順位が高く、トランザクション ボリュームの制限の影響を受けず、ノードの再起動時にすぐにトランザクション プールに再ロードできるなど、いくつかの利点があります。 ローカル・トランザクションのローカル・パーシスタンス・ストレージは、未完了のローカル・トランザクションを失わないようにすることを目標に、ジャーナル (ノードの再起動時に再ロードするため) を使用して実現され、定期的に更新されます。
トランザクションは、キューに入れられる前に、DOS攻撃、ネガティブトランザクション、ガスリミットを超えるトランザクションの防止など、さまざまな種類のチェックを含む合法性チェックを受けます。 トランザクションプールの基本的な構成は、キュー+保留(すべてのトランザクションを形成する)に分けることができます。 合法性チェックに合格した後、トランザクションキューが制限に達しているかどうかをチェックし、リモートトランザクション(つまり、非ローカルトランザクション)がトランザクションプール内で最も低いかどうかを判断して、最低価格のトランザクションを置き換えるなど、さらなるチェックが実行されます。 実行可能なトランザクションを置き換える場合、デフォルトでは、手数料が10%増加したトランザクションのみが実行待ちのトランザクションを置き換えることができ、実行不可能なトランザクションとして格納されます。 さらに、トランザクション プールの保守中に、無効なトランザクションと制限超過のトランザクションが削除され、適格なトランザクションが置き換えられます。
- コンセンサスメカニズム
イーサリアムの初期のコンセンサス理論は、難易度値のハッシュ計算に基づいており、ブロックが有効と見なされるためには、ブロックのハッシュ値が目標の難易度を満たすために計算される必要がありました。 イーサリアムのコンセンサスアルゴリズムはプルーフ・オブ・ワーク(POW)からプルーフ・オブ・ステーク(POS)に移行したため、ここではマイニング関連の理論についての議論は省略します。 POSアルゴリズムの概要は次のとおりです。 イーサリアムは2022年9月にビーコンチェーンの合併を完了し、POSアルゴリズムを実装しました。 具体的には、POSベースのイーサリアムでは、ブロックタイムは12秒で安定しています。 ユーザーはイーサリアムをステークして、バリデーターになる権利を獲得します。 バリデータのグループは、ステーキングに参加する人からランダムに選ばれます。 32スロットで構成される各サイクルでは、各スロットの提案者としてバリデーターが選ばれてブロックを作成し、そのスロットの残りのバリデーターが委員会として機能し、提案者のブロックの合法性を検証し、前のサイクルのブロックの合法性を判断します。 POSアルゴリズムは、計算リソースの浪費を大幅に削減しながら、ブロック生成速度を大幅に安定させ、向上させます。
- 署名アルゴリズム
イーサリアムはビットコインから署名アルゴリズム標準を継承し、secp256k1曲線も採用しています。 使用する特定の署名アルゴリズムは ECDSA であり、署名の計算は元のメッセージのハッシュに基づいて行われます。 署名全体の構成は、単純に R+S+V と見なすことができます。 各計算では、それに応じて乱数が導入され、R+S は ECDSA の元の出力です。 最後のフィールド V は recovery フィールドと呼ばれ、楕円曲線上に R 値に基づく要件を満たす複数の座標点が存在する可能性があるため、コンテンツと署名から公開鍵を正常に回復するために必要な検索回数を示します。
プロセス全体は、次のように簡単に整理できます。 トランザクションデータと署名者関連情報は、RLPエンコーディング後にハッシュ化され、最終的な署名は、秘密鍵を使用したECDSA署名によって取得できます(ECDSAで使用される曲線はsecp256k1楕円曲線です)。 最後に、署名データとトランザクションデータとを組み合わせることにより、署名されたトランザクションデータを取得し、ブロードキャストすることができる。
イーサリアムのデータ構造は、従来のブロックチェーン技術に依存しているだけでなく、大量のデータを効率的に保存および検証するために、マークルトライとしても知られるマークルパトリシアツリーを導入しています。 MPT は、マークル ツリーの暗号化ハッシュ関数と Patricia ツリーのキー パス圧縮機能を組み合わせて、データの整合性を保証し、高速検索をサポートするソリューションを提供します。
- マークルパトリシアツリー
イーサリアムでは、MPTを使用してすべての状態とトランザクションデータを格納し、データの変更がツリーのルートハッシュに反映されるようにします。 つまり、ルートハッシュを検証することで、データベース全体を検査することなく、データの整合性と正確性を証明できます。 MPT は、リーフ ノード、拡張ノード、ブランチ ノード、ヌル ノードの 4 種類のノードで構成され、動的なデータ変更に適応できるツリーを形成します。 MPT は、データを更新するたびに、ノードを追加、削除、または変更し、ツリーのルート ハッシュを更新することで、これらの変更を反映します。 各ノードはハッシュ関数によって暗号化されるため、データに小さな変更を加えると、ルートハッシュが大幅に変更され、データのセキュリティと一貫性が確保されます。 さらに、MPTの設計は「ライトクライアント」検証をサポートしており、ノードはツリーのルートハッシュと必要なパスノードのみを格納することで特定の情報の存在または状態を検証できるため、データストレージと処理の要件が大幅に削減されます。
MPTを通じて、イーサリアムは効率的な管理とデータへの迅速なアクセスを実現するだけでなく、ネットワークのセキュリティと分散化を確保し、イーサリアムネットワーク全体の運用と開発をサポートします。
- ステートマシン
イーサリアムのコアアーキテクチャは、ステートマシンの概念を統合しており、イーサリアム仮想マシン(EVM)はすべてのスマートコントラクトコードを実行するためのランタイム環境として機能し、イーサリアム自体はグローバルに共有された状態遷移システムと見なすことができます。 各ブロックの実行は、グローバルに共有される状態から別の状態に移行する状態遷移プロセスと見なすことができます。 この設計により、イーサリアムネットワークの一貫性と分散性が保証されるだけでなく、スマートコントラクトの実行結果が予測可能になり、改ざんが防止されます。
イーサリアムでは、状態とは、各アカウントの残高、保存データ、スマートコントラクトコードなど、すべてのアカウントの現在の情報を指します。 トランザクションが発生するたびに、EVMはトランザクションの内容に基づいて状態を計算して遷移し、このプロセスはマークル・パトリシア・ツリー(MPT)を通じて効率的かつ安全に記録されます。 各状態遷移は、アカウントデータを変更するだけでなく、MPTの更新にもつながり、ツリーのルートハッシュ値の変更に反映されます。
MPTはイーサリアムの状態遷移のデータ整合性を保証するため、EVMとMPTの関係は非常に重要です。 EVM がトランザクションを実行し、アカウントの状態を変更すると、関連する MPT ノードが更新され、これらの変更が反映されます。 MPTの各ノードはハッシュでリンクされているため、状態を変更するとルートハッシュが変更され、それが新しいブロックに含まれるため、イーサリアムの状態全体の一貫性とセキュリティが確保されます。 以下では、EVM仮想マシンについて紹介します。
- 評価基板 (EVM)
EVM仮想マシンは、イーサリアムの構築の基盤であり、スマートコントラクトの実行と状態遷移を可能にします。 EVMのおかげで、イーサリアムは真に世界のコンピューターとして思い描くことができます。 このEVMはチューリング完全であり、イーサリアム上のスマートコントラクトは任意に複雑な論理計算を行うことができ、ガスメカニズムの導入によりコントラクト内の無限ループを防ぐことに成功し、ネットワークの安定性とセキュリティを確保します。 より深い技術的観点から見ると、EVMはイーサリアム固有のバイトコードを使用してスマートコントラクトを実行するスタックベースの仮想マシンです。 開発者は通常、Solidityなどの高級言語を使用してスマートコントラクトを作成し、EVMが理解できるバイトコードにコンパイルして実行します。 このEVMは、イーサリアムのブロックチェーンイノベーション能力の鍵であり、スマートコントラクトの運用をサポートするだけでなく、分散型アプリケーションの開発のための強固な基盤を提供します。 イーサリアムはEVMを通じて、分散型で安全でオープンなデジタルの未来を形作っています。
歴史の振り返り
図1 イーサリアムの歴史的レビュー
課題
セキュリティ
スマートコントラクトは、イーサリアムブロックチェーン上で動作するコンピュータプログラムです。 これにより、開発者は、レンディングアプリ、分散型取引所、保険、二次融資、ソーシャルネットワーク、NFTなど、さまざまなアプリケーションを作成して展開できます。 スマートコントラクトのセキュリティは、暗号通貨を直接処理および制御するため、これらのアプリケーションにとって非常に重要です。 スマートコントラクトの脆弱性や悪意のある攻撃は、資金のセキュリティに直接的な脅威をもたらし、重大な経済的損失につながる可能性があります。 例えば、2024年2月26日、スマートコントラクトのロジックに欠陥があったDeFiレンディングプロトコル「Blueberry Protocol」が攻撃され、約1,400,000ドルの損失が発生しました。
スマートコントラクトの脆弱性は多面的であり、不合理なビジネスロジック、不適切なアクセス制御、不十分なデータ検証、再入攻撃、DOS(サービス拒否)攻撃などが含まれます。 これらの脆弱性は、契約の実行に問題を引き起こし、スマートコントラクトの効果的な運用に影響を与える可能性があります。 たとえば、DOS攻撃では、攻撃者が大量のトランザクションを送信してネットワークのリソースを使い果たし、通常のユーザートランザクションがタイムリーに処理されるのを防ぎます。 このユーザーエクスペリエンスの低下は、ユーザーが混雑したネットワークで取引を優先するためにより高い手数料を支払う必要があるため、取引ガス料金の増加にもつながる可能性があります。
さらに、イーサリアムのユーザーは投資リスクにも直面しており、資金の安全性が脅かされています。 例えば、「シットコイン」は、価値がほとんどない、あるいは全くない、あるいは長期的な成長の可能性がないと考えられている暗号通貨です。 シットコインは、詐欺やパンプ・アンド・ダンプのスキームのツールとしてよく使用されます。 シットコインに関連する投資リスクは高く、多額の経済的損失につながる可能性があります。 価格と時価総額が低いため、操作やボラティリティの影響を非常に受けやすいです。 これらの暗号通貨は、投資家が偽のプロジェクトに誘惑され、資金を奪われるパンプアンドダンプスキームやハニーポット詐欺で一般的に使用されています。 シットコインに関連するもう一つの一般的なリスクは、クリエイターが突然プロジェクトからすべての流動性を取り除き、トークンの価値を急落させる「ラグプル」です。 これらの詐欺は、偽のパートナーシップや承認を通じて販売されることが多く、トークンの価格が上昇すると、詐欺師はトークンを売却して利益を上げ、姿を消し、投資家に価値のないトークンを残します。 さらに、シットコインに投資することで、実際の用途や成長の可能性を秘めた合法的な暗号通貨から注意やリソースをそらすことができます。
シットコインとは別に、「エアコイン」や「ねずみ講コイン」も手っ取り早く利益を得るための方法です。 専門的な知識や経験が不足しているユーザーにとって、正規の暗号通貨と区別することは特に困難です。
効率
イーサリアムの効率性を評価するための2つの非常に直接的な指標は、取引速度とガス料金です。 トランザクション速度とは、イーサリアムネットワークが単位時間内に処理できるトランザクションの数を指します。 この指標は、イーサリアムネットワークの処理能力を直接反映しており、速度が速いほど効率が高いことを示します。 イーサリアムのすべての取引には一定額のガス料金が必要であり、これは取引検証のためにマイナーに補償されます。 ガス料金が低いということは、イーサリアムの効率が高いことを示しています。
取引速度の低下は、ガス料金の増加につながります。 一般的に、トランザクションの処理速度が低下すると、ブロックスペースが限られているため、次のブロックに入るためのトランザクション間の競争が激しくなる可能性があります。 この競争で目立つために、マイナーは検証中にガス料金の高い取引を優先する傾向があるため、トレーダーはガス料金を引き上げることがよくあります。 したがって、ガス料金が高くなると、ユーザーエクスペリエンスが低下する可能性があります。
トランザクションは、イーサリアムの基本的なアクティビティにすぎません。 このエコシステム内では、ユーザーは貸し出し、ステーキング、投資、保険などのさまざまな活動を行うことができ、これらはすべて特定のDAppsを通じて行うことができます。 しかし、DAppsは多種多様で、従来の業界のようなパーソナライズされたレコメンデーションサービスがないことを考えると、ユーザーは自分に合ったアプリや製品を選ぶのに戸惑うかもしれません。 この状況は、ユーザーの満足度の低下につながり、イーサリアムエコシステムの全体的な効率に影響を与える可能性があります。
融資を例にとってみましょう。 一部のDeFiレンディングプラットフォームは、プラットフォームのセキュリティと安定性を維持するために過剰担保メカニズムを使用しています。 これは、借り手が担保としてより多くの資産を差し出す必要があることを意味し、ローン期間中は他の活動に使用できません。 これは、借り手の資本稼働率の低下につながり、市場の流動性を低下させます。
イーサリアムにおける機械学習の応用
イーサリアムでは、RFMモデル、敵対的生成ネットワーク(GAN)、デシジョンツリーモデル、K-Nearest Neighborsアルゴリズム(KNN)、DBSCANクラスタリングアルゴリズムなどの機械学習モデルが重要な役割を果たしています。 これらの機械学習モデルをイーサリアムに適用することで、トランザクション処理効率の最適化、スマートコントラクトのセキュリティ強化、ユーザーセグメンテーションの実装によるよりパーソナライズされたサービスの提供、ネットワークの安定運用への貢献などが可能になります。
アルゴリズムの紹介
機械学習アルゴリズムは、データを解析し、データ内のパターンを学習し、これらの学習に基づいて予測または決定を行うために使用される一連の命令またはルールです。 これらは、人間による明示的なプログラミングを必要とせずに、提供されたデータから学習することで自動的に改善されます。 イーサリアムでは、RFMモデル、敵対的生成ネットワーク(GAN)、デシジョンツリーモデル、K-Nearest Neighborsアルゴリズム(KNN)、DBSCANクラスタリングアルゴリズムなどの機械学習モデルが重要な役割を果たしています。 これらの機械学習モデルをイーサリアムに適用することで、トランザクション処理効率の最適化、スマートコントラクトのセキュリティ強化、ユーザーセグメンテーションの実装によるよりパーソナライズされたサービスの提供、ネットワークの安定運用への貢献が可能になります。
ベイズ分類器
ベイズ分類器は、分類エラーの可能性を最小化したり、特定のコスト フレームワークの下で平均リスクを最小化したりすることを目的としたさまざまな統計的分類方法の 1 つです。 彼らの設計哲学はベイズの定理に深く根ざしており、いくつかの既知の特性が与えられた場合、オブジェクトが特定のクラスに属する確率を計算することができます。 オブジェクトの事後確率を計算することによって、決定が下されます。 具体的には、ベイズ分類器は、最初にオブジェクトの事前確率を考慮し、次にベイズ式を適用して観測データを考慮に入れることで、オブジェクトの分類に関する信念を更新します。 ベイズ分類器は、すべての可能な分類の中から、オブジェクトの事後確率が最も高いカテゴリを選択します。 この方法の主な利点は、不確実性や不完全な情報を処理する自然な能力にあり、幅広いアプリケーションに適した強力で柔軟なツールになっています。
図2に示すように、教師あり機械学習では、ベイズの定理に基づくデータと確率モデルを使用して分類の判断が行われます。 ベイズ分類器は、カテゴリと特徴の尤度、事前確率を利用して、データポイントの各カテゴリの事後確率を計算し、事後確率が最も高いカテゴリにデータポイントを割り当てます。 右側の散布図では、分類器は異なる色の点を最適に分離する曲線を見つけようとするため、分類誤差が最小限に抑えられます。
図2 ベイズ分類器
- 決定木
デシジョン ツリー アルゴリズムは、分類と回帰のタスクに一般的に使用され、階層的な意思決定アプローチを採用しています。 既知のデータに基づいて情報量の多い特徴量を分割することでツリーを生成し、それによって決定木をトレーニングします。 要するに、アルゴリズムはデータから意思決定ルールを自己学習して、変数の値を決定できます。 具体的には、複雑な意思決定プロセスをいくつかのより単純なサブ意思決定に簡素化します。 より単純な各決定は、親の決定基準から派生し、ツリーのような構造を形成します。
図 3 に示すように、各ノードは決定を表し、特定の属性を判断するための基準を定義し、分岐は決定の結果を表します。 各リーフ ノードは、最終的な予測結果とカテゴリを表します。 構造的な観点から見ると、決定木モデルは直感的で理解しやすく、説明力が強いです。
画像3 決定木モデル
- DBSCAN アルゴリズム
DBSCAN (Density-Based Spatial Clustering of Applications with Noise) は、密度ベースの空間クラスタリング アルゴリズムであり、ノイズのあるデータセットや、クラスターの数を事前に指定することなく任意の形状のクラスターを識別する場合に特に効果的です。 データセット内の外れ値に対して堅牢なパフォーマンスを発揮します。 このアルゴリズムは、図 4 に示すように、低密度エリアのポイントとして定義される外れ値を効果的に特定できます。
- KNN アルゴリズム
K 近傍法 (KNN) アルゴリズムは、分類タスクと回帰タスクの両方に使用できます。 分類では、分類される項目のカテゴリは、投票メカニズムによって決定されます。回帰では、最も近い k 個のサンプルの平均または加重平均を計算して予測します。
図 5 に示すように、分類における KNN アルゴリズムの動作原理は、新しいデータ ポイントの最も近い k 個の近傍を見つけ、これらの近傍のカテゴリに基づいて新しいデータ ポイントのカテゴリを予測することです。 K=1 の場合、新しいデータ点は単に最近傍のカテゴリに割り当てられます。 K>1 の場合、カテゴリは通常、多数決によって決定され、新しいデータ ポイントは、その近傍で最も一般的なカテゴリに割り当てられます。 回帰で使用する場合、原理は変わりませんが、結果は最も近い k 個のサンプルの出力の平均になります。
図5 分類に用いたKNNアルゴリズム
- ジェネレーティブ人工知能ジェネレーティブ人工知能
ジェネレーティブ人工知能(AI)は、入力要件に基づいて新しいコンテンツ(テキスト、画像、音楽など)を生成できるAI技術の一種です。 その基盤は、機械学習と深層学習の進歩、特に自然言語処理と画像認識分野への応用にあります。 ジェネレーティブAIは、膨大なデータからパターンや連想を学習し、学習した情報に基づいてまったく新しいアウトプットを生成します。 ジェネレーティブ人工知能の鍵となるのはモデル学習にあり、学習や学習には高品質なデータが必要です。 このプロセスでは、データセット内の構造、パターン、および関係を分析および理解することで、新しいコンテンツを生成する能力が段階的に向上します。
- 変流器
トランスフォーマーは、生成人工知能の基盤として、画期的な方法でアテンションメカニズムを導入しました。 これにより、重要なポイントに集中しながら情報処理を行うことができ、グローバルな視点を持つことができ、Transformerをテキスト生成分野で輝かせたユニークな機能です。 GPT(Generative Pre-trained Transformer)などの最新の自然言語モデルを活用し、自然言語で表現されたユーザー要件を理解し、実行可能なコードに自動変換することで、開発の複雑さを軽減し、大幅な効率化を実現します。
図6に示すように、マルチヘッドアテンション機構とセルフアテンション機構を導入し、残差接続と全結合ニューラルネットワークを組み合わせ、過去の単語埋め込み技術を活用することで、自然言語処理に関連する生成モデルの性能を大幅に向上させました。
図6 トランスフォーマーモデル
- RFM モデル
RFMモデルは、顧客の購買行動に基づく分析モデルであり、取引行動を分析することで、さまざまな価値の顧客グループを識別できます。 このモデルでは、直近の購入時間 (Recency、R)、購入頻度 (Frequency、F)、および支出金額 (Monetary value, M) に基づいて顧客をスコアリングし、分類します。
図7に示すように、これら3つの指標はRFMモデルの中核を成しています。 このモデルでは、これら 3 つのディメンションで顧客をスコアリングし、スコアに基づいて並べ替えて、最も価値のある顧客グループを特定します。 さらに、このモデルは、顧客をさまざまなグループに効果的にセグメント化し、顧客階層化の機能を促進します。
図 7 RFM レイヤリング モデル
推奨アプリケーション例
イーサリアムのセキュリティ上の課題に対処するために機械学習技術を適用する際、私たちは主に4つの側面から研究を行いました。
推奨アプリケーション例
機械学習技術を通じてイーサリアムのセキュリティ上の課題に取り組むにあたり、私たちは主に4つの側面から研究を行いました。
ベイズ分類器に基づく悪意のあるトランザクションの識別とフィルタリング**
ベイズ分類器を構築することで、大量の頻繁で小規模なトランザクションを通じてDOS攻撃を引き起こすものを含むがこれらに限定されない、潜在的なスパムトランザクションを識別し、フィルタリングすることができます。 この方法は、ガス価格や取引頻度などの取引特性を分析することで、ネットワークの健全性を効果的に維持し、イーサリアムネットワークの安定した運用を確保します。
安全で特定の要件を満たすスマートコントラクトコードの生成**
敵対的生成ネットワーク(GAN)とトランスフォーマーベースの生成ネットワークは、どちらもコードのセキュリティを可能な限り確保しながら、特定の要件を満たすスマートコントラクトコードを生成するために使用できます。 ただし、これら 2 つのアプローチは、モデル トレーニングのために依存するデータの種類が異なり、前者は主に安全でないコード サンプルに依存し、後者はその逆に依存します。
GANをトレーニングして既存の安全なコントラクトパターンを学習し、潜在的に安全でないコードを生成するための自己敵対的モデルを構築し、これらの不安を特定する方法を学習することで、高品質で安全なスマートコントラクトコードを自動的に生成することができます。 Transformerベースのジェネレーティブネットワークモデルを活用し、膨大な数の安全なコントラクトの例から学ぶことで、特定のニーズを満たすコントラクトコードを生成し、ガス消費を最適化することが可能であり、スマートコントラクト開発の効率と安全性を高めることは間違いありません。
デシジョンツリーに基づくスマートコントラクトのリスク分析**
デシジョンツリーを使用して、関数呼び出しの頻度、トランザクション値、ソースコードの複雑さなどのスマートコントラクトの特性を分析することで、コントラクトの潜在的なリスクレベルを効果的に特定できます。 コントラクトの運用パターンとコード構造を分析することで、潜在的な脆弱性とリスクポイントを予測し、開発者とユーザーに安全性評価を提供できます。 この手法により、イーサリアムエコシステム内のスマートコントラクトの安全性が大幅に向上し、脆弱性や悪意のあるコードによる損失が軽減されることが期待されています。
投資リスクを軽減するための暗号通貨評価モデルの構築**
機械学習アルゴリズムによって暗号通貨の取引データ、ソーシャルメディア活動、および市場パフォーマンスを分析することにより、暗号通貨が「ジャンクコイン」である可能性を予測できる評価モデルを構築することができます。 このモデルは、投資家に貴重な洞察を提供し、投資家が投資リスクを回避するのに役立ち、それによって暗号通貨市場の健全な発展を促進することができます。
さらに、機械学習の応用は、イーサリアムの効率をさらに高める可能性も秘めています。 これは、次の3つの主要な側面から検討できます。
- トランザクション・プール・キューイング・モデルを最適化するためのデシジョン・ツリー・アプリケーション
トランザクション・プール・キュー・モデルの最適化におけるデシジョン・ツリーの適用
デシジョンツリーを使用することで、イーサリアムのトランザクションプールのキューイングメカニズムを効果的に最適化することができます。 ガス価格や取引サイズなどの取引特性を分析することで、決定木は取引の選択と順序付けを最適化できます。 この方法は、トランザクション処理効率を大幅に向上させ、ネットワークの輻輳を効果的に軽減し、ユーザーのトランザクションの待ち時間を短縮できます。
- ユーザーのセグメント化とパーソナライズされたサービスの提供
顧客関係管理で広く使用されているツールであるRFMモデル(Recency、Frequency、Monetary value)は、最新のトランザクション時間(Recency)、トランザクション頻度(Frequency)、およびトランザクション金額(Monetary value)を評価することで、ユーザーを効果的にセグメント化できます。 イーサリアムプラットフォームにRFMモデルを適用することで、価値の高いユーザーグループを特定し、リソース配分を最適化し、よりパーソナライズされたサービスを提供することで、ユーザーの満足度とプラットフォーム全体の効率を高めることができます。顧客関係管理で広く使用されているツールであるRFMモデル(Recency、Frequency、Monetary value)は、最新のトランザクション時間(Recency)、トランザクション頻度(Frequency)、およびトランザクション金額(Monetary value)を評価することで、ユーザーを効果的にセグメント化できます。 イーサリアムプラットフォームにRFMモデルを適用することで、価値の高いユーザーグループを特定し、リソース配分を最適化し、よりパーソナライズされたサービスを提供することで、ユーザーの満足度とプラットフォーム全体の効率を高めることができます。
また、DBSCANアルゴリズムは、ユーザーの取引行動を分析し、イーサリアム上のさまざまなユーザーグループを識別し、さらに異なるユーザーにカスタマイズされた金融サービスを提供するのに役立ちます。 このユーザーセグメンテーション戦略により、マーケティング戦略を最適化し、顧客満足度とサービス効率を高めることができます。
- KNNに基づくクレジットスコアリング
K-Nearest Neighborsアルゴリズム(KNN)は、貸し出しなどの金融活動において非常に重要な役割を果たすイーサリアム上での取引履歴や行動パターンを分析することで、ユーザーの信用度をスコアリングすることができます。 クレジットスコアリングは、金融機関や融資プラットフォームが借り手の返済能力と信用リスクを評価し、より正確な融資決定を下すのに役立ちます。 これにより、過剰な借入を防ぎ、市場の流動性を向上させることができます。
今後の方向性
マクロ資本配分の観点から見ると、世界最大の分散型コンピューターであるイーサリアムは、インフラ層に過剰投資することは決してできず、多様なバックグラウンドを持つより多くの開発者を共創に参加させる必要があります。 この記事では、イーサリアムの技術的な実装とそれが直面している問題を精査することで、機械学習の一連の直感的なアプリケーションを想定し、コミュニティのAI開発者がこれらのビジョンを真の価値に提供することを期待しています。
オンチェーンのコンピューティング能力が徐々に向上するにつれて、ネットワーク管理、トランザクション監視、セキュリティ監査など、より複雑なモデルが開発され、イーサリアムネットワークの効率とセキュリティが向上することが予想されます。
さらに、AI/エージェント主導のガバナンスメカニズムも、イーサリアムエコシステムにおける重要なイノベーションになる可能性があります。 このメカニズムは、より効率的で透明性が高く、自動化された意思決定プロセスをもたらし、イーサリアムに、より柔軟で信頼性の高いガバナンス構造を提供することができます。 これらの将来の開発は、イーサリアム技術の革新を促進するだけでなく、ユーザーに高品質のオンチェーン体験を提供します。
免責事項：
- この記事は[TechFlow]からの転載です。 ※原題「另一个角度看「AI+Blockchain」:AI 如何革新以太坊?'を名乗る。すべての著作権は原著作者[Salus]に帰属します。 この転載に異議がある場合は、 Gate Learn チームに連絡していただければ、迅速に対応いたします。
- 免責事項:この記事で表明された見解や意見は、著者のものであり、投資アドバイスを構成するものではありません。
- 記事の他言語への翻訳は、Gate Learnチームによって行われます。 特に明記されていない限り、翻訳された記事を複製、配布、盗用することは禁止されています。
関連記事
ETHを賭ける方法は?
ステーブルコインとは何ですか？
イーサリアムに革命を起こすAI
原題:另一个角度看「AI+Blockchain」:AI 如何革新以太坊?
この1年間、ジェネレーティブAIが繰り返し国民の期待を打ち砕く中、AI生産性革命の波が暗号通貨コミュニティを席巻しました。 流通市場では、AIをテーマにした多くのプロジェクトが富の伝説を生み出しており、開発者が独自の「AI + Crypto」プロジェクトを開発し始めているのを目にしてきました。 しかし、よく調べてみると、これらのプロジェクトは高度に均質化されており、そのほとんどが、分散型ネットワークによるコンピューティングパワーの組織化や「分散型の抱擁面」の作成など、「生産関係」の改善のみを目的としていることは明らかです。 技術的なコアで真に統合し、革新しようとするプロジェクトはほとんどありません。 これは、AIとブロックチェーンの分野間の「ドメインバイアス」によるものと考えています。 両者は広く共通しているにもかかわらず、両方の分野を深く理解している人はほとんどいません。 例えば、AI開発者は、イーサリアムの技術的な実装や過去のインフラを把握することが難しく、詳細な最適化ソリューションを提案することが難しくなるかもしれません。
AIの最も基本的な分野である機械学習(ML)を例にとると、機械が明示的なプログラミング命令なしでデータを通じて意思決定を行えるようにするテクノロジーです。 機械学習は、データ分析やパターン認識において大きな可能性を示しており、web2では当たり前になっています。 しかし、イーサリアムのようなブロックチェーン技術革新の最前線でさえ、そのアーキテクチャ、ネットワーク、ガバナンスメカニズムは、複雑な問題を解決するための効果的なツールとして機械学習をまだ活用できていません。
「偉大なイノベーションは、多くの場合、分野の交差点から生まれます。」 この記事を書く主な目的は、AI開発者がブロックチェーンの世界をよりよく理解できるようにすると同時に、イーサリアムコミュニティの開発者に新しいアイデアを提供することです。 本稿では、まずイーサリアムの技術的な実装を紹介し、次に基礎となるAIアルゴリズムである機械学習をイーサリアムネットワークに適用し、セキュリティ、効率性、スケーラビリティを強化することを提案します。 この事例が出発点となり、独自の視点を提供し、開発者エコシステム内でより多くの「AI+ブロックチェーン」の革新的な組み合わせを刺激することを願っています。
イーサリアムの技術的実装
- 基本データ構造基本データ構造
ブロックチェーンは、その中核となるブロックをつなぐチェーンであり、チェーン間の区別は主にチェーン構成にあります。 この構成は、ブロックチェーンの起源、つまりブロックチェーンの開始段階に不可欠な部分です。 イーサリアムの場合、チェーン構成はさまざまなイーサリアムチェーンを区別し、重要なアップグレードプロトコルとマイルストーンイベントを識別します。 例えば、DAOForkBlockはDAO攻撃後のハードフォークの高さを示し、ConstantinopleBlockはコンスタンティノープルのアップグレードが発生したブロックの高さを示します。 多数の改善提案を含む大規模なアップグレードの場合、対応するブロックの高さを示す特別なフィールドが設定されます。 さらに、イーサリアムにはさまざまなテストネットワークとメインネットワークが含まれており、それぞれがChainIDによって一意に識別され、ネットワークエコシステムが定義されています。
ジェネシスブロックは、ブロックチェーン全体の最初のブロックであり、他のブロックから直接的または間接的に参照されます。 したがって、ノードは起動時に変更なしで正しいジェネシスブロック情報をロードすることが重要です。 このジェネシスブロック構成には、前述のチェーン構成と、マイニング報酬、タイムスタンプ、難易度、ガスリミットなどの追加情報が含まれています。 注目すべきは、イーサリアムがプルーフ・オブ・ワーク・マイニングのコンセンサスメカニズムからプルーフ・オブ・ステークに移行したことです。
イーサリアムアカウントは、外部アカウントとコントラクトアカウントに分類されます。 外部アカウントは秘密鍵によって一意に制御されますが、秘密鍵を持たない契約アカウントは、外部アカウントによる契約コードの実行によってのみ操作できます。 どちらのアカウントタイプも一意のアドレスを持っています。 イーサリアムの「ワールドステート」はアカウントツリーであり、各アカウントは、さまざまなアカウントやコード情報を含むアカウントの状態を格納するリーフノードに対応しています。
- 取引
イーサリアムは、分散型プラットフォームとして、基本的に取引と契約を容易にします。 イーサリアムは、いくつかの追加情報とともにパッケージトランザクションをブロックします。 具体的には、ブロックはブロックヘッダーとブロック本体に分割されます。 ブロックヘッダーには、すべてのブロックをチェーンにリンクする証拠が含まれており、前のブロックのハッシュとして理解され、ステートルート、トランザクションルート、レシートルート、およびイーサリアムの世界全体の状態を示す難易度やナンスなどの他のデータが含まれています。 ブロック本体には、トランザクションのリストとアンクルブロックヘッダーのリストが格納されています(ただし、イーサリアムがプルーフオブステークに移行したため、アンクルブロックの参照は停止しました)。
トランザクションの領収書は、トランザクション実行後の結果と追加情報を提供し、トランザクション自体から直接は得られない洞察を提供します。 これらの詳細には、コンセンサスコンテンツ、トランザクション情報、トランザクションが成功したかどうかを示すブロック情報、トランザクションログ、ガス消費量が含まれます。 領収書の情報を分析することで、スマートコントラクトのコードのデバッグやガス使用量の最適化に役立ち、取引がネットワークによって処理されたことを確認し、取引の結果と影響を調べることができます。
イーサリアムでは、ガス代は、トークンの送信、コントラクトの実行、イーサリアムの転送、またはブロック上のその他の活動などの操作に必要な取引手数料として簡素化できます。 イーサリアム仮想マシンは、トランザクションを処理するためにネットワークリソースを計算して利用する必要があるため、これらの操作にはガス料金が必要であり、これらの計算サービスに対する支払いが必要になります。 最終的に、燃料費、つまり取引手数料は、手数料 = 使用ガス * ガス価格 という式で計算され、ガス価格は取引開始者によって設定されます。 金額は、チェーン上のトランザクション処理の速度に大きく影響します。 設定が低すぎると、トランザクションが実行されない可能性があります。 さらに、契約の誤りによる予期せぬガス消費を防ぐために、ガスリミットを設定することが重要です。
- トランザクション・プール
イーサリアムには、膨大な数のトランザクションが存在します。 中央集権型システムと比較して、分散型システムの毎秒のトランザクション処理速度は大幅に低くなります。 ノードへのトランザクションの流入により、ノードはこれらのトランザクションを適切に管理するためにトランザクションプールを維持する必要があります。 トランザクションのブロードキャストはピアツーピア(P2P)ネットワークを介して行われ、1つのノードが実行可能なトランザクションを隣接するノードにブロードキャストし、隣接するノードがトランザクションを隣接するノードにブロードキャストします。 このプロセスを通じて、トランザクションは6秒以内にイーサリアムネットワーク全体に広がることができます。
トランザクション・プール内のトランザクションは、実行可能トランザクションと非実行可能トランザクションに分けられます。 実行可能なトランザクションは優先度が高く、実行されてブロックに含まれますが、プールに新しく入力されたすべてのトランザクションは実行不可能であり、後でのみ実行可能になります。 実行可能トランザクションと非実行可能トランザクションは、それぞれ「保留中」コンテナと「キュー」コンテナに記録されます。
さらに、トランザクション プールはローカル トランザクションのリストを保持し、優先順位が高く、トランザクション ボリュームの制限の影響を受けず、ノードの再起動時にすぐにトランザクション プールに再ロードできるなど、いくつかの利点があります。 ローカル・トランザクションのローカル・パーシスタンス・ストレージは、未完了のローカル・トランザクションを失わないようにすることを目標に、ジャーナル (ノードの再起動時に再ロードするため) を使用して実現され、定期的に更新されます。
トランザクションは、キューに入れられる前に、DOS攻撃、ネガティブトランザクション、ガスリミットを超えるトランザクションの防止など、さまざまな種類のチェックを含む合法性チェックを受けます。 トランザクションプールの基本的な構成は、キュー+保留(すべてのトランザクションを形成する)に分けることができます。 合法性チェックに合格した後、トランザクションキューが制限に達しているかどうかをチェックし、リモートトランザクション(つまり、非ローカルトランザクション)がトランザクションプール内で最も低いかどうかを判断して、最低価格のトランザクションを置き換えるなど、さらなるチェックが実行されます。 実行可能なトランザクションを置き換える場合、デフォルトでは、手数料が10%増加したトランザクションのみが実行待ちのトランザクションを置き換えることができ、実行不可能なトランザクションとして格納されます。 さらに、トランザクション プールの保守中に、無効なトランザクションと制限超過のトランザクションが削除され、適格なトランザクションが置き換えられます。
- コンセンサスメカニズム
イーサリアムの初期のコンセンサス理論は、難易度値のハッシュ計算に基づいており、ブロックが有効と見なされるためには、ブロックのハッシュ値が目標の難易度を満たすために計算される必要がありました。 イーサリアムのコンセンサスアルゴリズムはプルーフ・オブ・ワーク(POW)からプルーフ・オブ・ステーク(POS)に移行したため、ここではマイニング関連の理論についての議論は省略します。 POSアルゴリズムの概要は次のとおりです。 イーサリアムは2022年9月にビーコンチェーンの合併を完了し、POSアルゴリズムを実装しました。 具体的には、POSベースのイーサリアムでは、ブロックタイムは12秒で安定しています。 ユーザーはイーサリアムをステークして、バリデーターになる権利を獲得します。 バリデータのグループは、ステーキングに参加する人からランダムに選ばれます。 32スロットで構成される各サイクルでは、各スロットの提案者としてバリデーターが選ばれてブロックを作成し、そのスロットの残りのバリデーターが委員会として機能し、提案者のブロックの合法性を検証し、前のサイクルのブロックの合法性を判断します。 POSアルゴリズムは、計算リソースの浪費を大幅に削減しながら、ブロック生成速度を大幅に安定させ、向上させます。
- 署名アルゴリズム
イーサリアムはビットコインから署名アルゴリズム標準を継承し、secp256k1曲線も採用しています。 使用する特定の署名アルゴリズムは ECDSA であり、署名の計算は元のメッセージのハッシュに基づいて行われます。 署名全体の構成は、単純に R+S+V と見なすことができます。 各計算では、それに応じて乱数が導入され、R+S は ECDSA の元の出力です。 最後のフィールド V は recovery フィールドと呼ばれ、楕円曲線上に R 値に基づく要件を満たす複数の座標点が存在する可能性があるため、コンテンツと署名から公開鍵を正常に回復するために必要な検索回数を示します。
プロセス全体は、次のように簡単に整理できます。 トランザクションデータと署名者関連情報は、RLPエンコーディング後にハッシュ化され、最終的な署名は、秘密鍵を使用したECDSA署名によって取得できます(ECDSAで使用される曲線はsecp256k1楕円曲線です)。 最後に、署名データとトランザクションデータとを組み合わせることにより、署名されたトランザクションデータを取得し、ブロードキャストすることができる。
イーサリアムのデータ構造は、従来のブロックチェーン技術に依存しているだけでなく、大量のデータを効率的に保存および検証するために、マークルトライとしても知られるマークルパトリシアツリーを導入しています。 MPT は、マークル ツリーの暗号化ハッシュ関数と Patricia ツリーのキー パス圧縮機能を組み合わせて、データの整合性を保証し、高速検索をサポートするソリューションを提供します。
- マークルパトリシアツリー
イーサリアムでは、MPTを使用してすべての状態とトランザクションデータを格納し、データの変更がツリーのルートハッシュに反映されるようにします。 つまり、ルートハッシュを検証することで、データベース全体を検査することなく、データの整合性と正確性を証明できます。 MPT は、リーフ ノード、拡張ノード、ブランチ ノード、ヌル ノードの 4 種類のノードで構成され、動的なデータ変更に適応できるツリーを形成します。 MPT は、データを更新するたびに、ノードを追加、削除、または変更し、ツリーのルート ハッシュを更新することで、これらの変更を反映します。 各ノードはハッシュ関数によって暗号化されるため、データに小さな変更を加えると、ルートハッシュが大幅に変更され、データのセキュリティと一貫性が確保されます。 さらに、MPTの設計は「ライトクライアント」検証をサポートしており、ノードはツリーのルートハッシュと必要なパスノードのみを格納することで特定の情報の存在または状態を検証できるため、データストレージと処理の要件が大幅に削減されます。
MPTを通じて、イーサリアムは効率的な管理とデータへの迅速なアクセスを実現するだけでなく、ネットワークのセキュリティと分散化を確保し、イーサリアムネットワーク全体の運用と開発をサポートします。
- ステートマシン
イーサリアムのコアアーキテクチャは、ステートマシンの概念を統合しており、イーサリアム仮想マシン(EVM)はすべてのスマートコントラクトコードを実行するためのランタイム環境として機能し、イーサリアム自体はグローバルに共有された状態遷移システムと見なすことができます。 各ブロックの実行は、グローバルに共有される状態から別の状態に移行する状態遷移プロセスと見なすことができます。 この設計により、イーサリアムネットワークの一貫性と分散性が保証されるだけでなく、スマートコントラクトの実行結果が予測可能になり、改ざんが防止されます。
イーサリアムでは、状態とは、各アカウントの残高、保存データ、スマートコントラクトコードなど、すべてのアカウントの現在の情報を指します。 トランザクションが発生するたびに、EVMはトランザクションの内容に基づいて状態を計算して遷移し、このプロセスはマークル・パトリシア・ツリー(MPT)を通じて効率的かつ安全に記録されます。 各状態遷移は、アカウントデータを変更するだけでなく、MPTの更新にもつながり、ツリーのルートハッシュ値の変更に反映されます。
MPTはイーサリアムの状態遷移のデータ整合性を保証するため、EVMとMPTの関係は非常に重要です。 EVM がトランザクションを実行し、アカウントの状態を変更すると、関連する MPT ノードが更新され、これらの変更が反映されます。 MPTの各ノードはハッシュでリンクされているため、状態を変更するとルートハッシュが変更され、それが新しいブロックに含まれるため、イーサリアムの状態全体の一貫性とセキュリティが確保されます。 以下では、EVM仮想マシンについて紹介します。
- 評価基板 (EVM)
EVM仮想マシンは、イーサリアムの構築の基盤であり、スマートコントラクトの実行と状態遷移を可能にします。 EVMのおかげで、イーサリアムは真に世界のコンピューターとして思い描くことができます。 このEVMはチューリング完全であり、イーサリアム上のスマートコントラクトは任意に複雑な論理計算を行うことができ、ガスメカニズムの導入によりコントラクト内の無限ループを防ぐことに成功し、ネットワークの安定性とセキュリティを確保します。 より深い技術的観点から見ると、EVMはイーサリアム固有のバイトコードを使用してスマートコントラクトを実行するスタックベースの仮想マシンです。 開発者は通常、Solidityなどの高級言語を使用してスマートコントラクトを作成し、EVMが理解できるバイトコードにコンパイルして実行します。 このEVMは、イーサリアムのブロックチェーンイノベーション能力の鍵であり、スマートコントラクトの運用をサポートするだけでなく、分散型アプリケーションの開発のための強固な基盤を提供します。 イーサリアムはEVMを通じて、分散型で安全でオープンなデジタルの未来を形作っています。
歴史の振り返り
図1 イーサリアムの歴史的レビュー
課題
セキュリティ
スマートコントラクトは、イーサリアムブロックチェーン上で動作するコンピュータプログラムです。 これにより、開発者は、レンディングアプリ、分散型取引所、保険、二次融資、ソーシャルネットワーク、NFTなど、さまざまなアプリケーションを作成して展開できます。 スマートコントラクトのセキュリティは、暗号通貨を直接処理および制御するため、これらのアプリケーションにとって非常に重要です。 スマートコントラクトの脆弱性や悪意のある攻撃は、資金のセキュリティに直接的な脅威をもたらし、重大な経済的損失につながる可能性があります。 例えば、2024年2月26日、スマートコントラクトのロジックに欠陥があったDeFiレンディングプロトコル「Blueberry Protocol」が攻撃され、約1,400,000ドルの損失が発生しました。
スマートコントラクトの脆弱性は多面的であり、不合理なビジネスロジック、不適切なアクセス制御、不十分なデータ検証、再入攻撃、DOS(サービス拒否)攻撃などが含まれます。 これらの脆弱性は、契約の実行に問題を引き起こし、スマートコントラクトの効果的な運用に影響を与える可能性があります。 たとえば、DOS攻撃では、攻撃者が大量のトランザクションを送信してネットワークのリソースを使い果たし、通常のユーザートランザクションがタイムリーに処理されるのを防ぎます。 このユーザーエクスペリエンスの低下は、ユーザーが混雑したネットワークで取引を優先するためにより高い手数料を支払う必要があるため、取引ガス料金の増加にもつながる可能性があります。
さらに、イーサリアムのユーザーは投資リスクにも直面しており、資金の安全性が脅かされています。 例えば、「シットコイン」は、価値がほとんどない、あるいは全くない、あるいは長期的な成長の可能性がないと考えられている暗号通貨です。 シットコインは、詐欺やパンプ・アンド・ダンプのスキームのツールとしてよく使用されます。 シットコインに関連する投資リスクは高く、多額の経済的損失につながる可能性があります。 価格と時価総額が低いため、操作やボラティリティの影響を非常に受けやすいです。 これらの暗号通貨は、投資家が偽のプロジェクトに誘惑され、資金を奪われるパンプアンドダンプスキームやハニーポット詐欺で一般的に使用されています。 シットコインに関連するもう一つの一般的なリスクは、クリエイターが突然プロジェクトからすべての流動性を取り除き、トークンの価値を急落させる「ラグプル」です。 これらの詐欺は、偽のパートナーシップや承認を通じて販売されることが多く、トークンの価格が上昇すると、詐欺師はトークンを売却して利益を上げ、姿を消し、投資家に価値のないトークンを残します。 さらに、シットコインに投資することで、実際の用途や成長の可能性を秘めた合法的な暗号通貨から注意やリソースをそらすことができます。
シットコインとは別に、「エアコイン」や「ねずみ講コイン」も手っ取り早く利益を得るための方法です。 専門的な知識や経験が不足しているユーザーにとって、正規の暗号通貨と区別することは特に困難です。
効率
イーサリアムの効率性を評価するための2つの非常に直接的な指標は、取引速度とガス料金です。 トランザクション速度とは、イーサリアムネットワークが単位時間内に処理できるトランザクションの数を指します。 この指標は、イーサリアムネットワークの処理能力を直接反映しており、速度が速いほど効率が高いことを示します。 イーサリアムのすべての取引には一定額のガス料金が必要であり、これは取引検証のためにマイナーに補償されます。 ガス料金が低いということは、イーサリアムの効率が高いことを示しています。
取引速度の低下は、ガス料金の増加につながります。 一般的に、トランザクションの処理速度が低下すると、ブロックスペースが限られているため、次のブロックに入るためのトランザクション間の競争が激しくなる可能性があります。 この競争で目立つために、マイナーは検証中にガス料金の高い取引を優先する傾向があるため、トレーダーはガス料金を引き上げることがよくあります。 したがって、ガス料金が高くなると、ユーザーエクスペリエンスが低下する可能性があります。
トランザクションは、イーサリアムの基本的なアクティビティにすぎません。 このエコシステム内では、ユーザーは貸し出し、ステーキング、投資、保険などのさまざまな活動を行うことができ、これらはすべて特定のDAppsを通じて行うことができます。 しかし、DAppsは多種多様で、従来の業界のようなパーソナライズされたレコメンデーションサービスがないことを考えると、ユーザーは自分に合ったアプリや製品を選ぶのに戸惑うかもしれません。 この状況は、ユーザーの満足度の低下につながり、イーサリアムエコシステムの全体的な効率に影響を与える可能性があります。
融資を例にとってみましょう。 一部のDeFiレンディングプラットフォームは、プラットフォームのセキュリティと安定性を維持するために過剰担保メカニズムを使用しています。 これは、借り手が担保としてより多くの資産を差し出す必要があることを意味し、ローン期間中は他の活動に使用できません。 これは、借り手の資本稼働率の低下につながり、市場の流動性を低下させます。
イーサリアムにおける機械学習の応用
イーサリアムでは、RFMモデル、敵対的生成ネットワーク(GAN)、デシジョンツリーモデル、K-Nearest Neighborsアルゴリズム(KNN)、DBSCANクラスタリングアルゴリズムなどの機械学習モデルが重要な役割を果たしています。 これらの機械学習モデルをイーサリアムに適用することで、トランザクション処理効率の最適化、スマートコントラクトのセキュリティ強化、ユーザーセグメンテーションの実装によるよりパーソナライズされたサービスの提供、ネットワークの安定運用への貢献などが可能になります。
アルゴリズムの紹介
機械学習アルゴリズムは、データを解析し、データ内のパターンを学習し、これらの学習に基づいて予測または決定を行うために使用される一連の命令またはルールです。 これらは、人間による明示的なプログラミングを必要とせずに、提供されたデータから学習することで自動的に改善されます。 イーサリアムでは、RFMモデル、敵対的生成ネットワーク(GAN)、デシジョンツリーモデル、K-Nearest Neighborsアルゴリズム(KNN)、DBSCANクラスタリングアルゴリズムなどの機械学習モデルが重要な役割を果たしています。 これらの機械学習モデルをイーサリアムに適用することで、トランザクション処理効率の最適化、スマートコントラクトのセキュリティ強化、ユーザーセグメンテーションの実装によるよりパーソナライズされたサービスの提供、ネットワークの安定運用への貢献が可能になります。
ベイズ分類器
ベイズ分類器は、分類エラーの可能性を最小化したり、特定のコスト フレームワークの下で平均リスクを最小化したりすることを目的としたさまざまな統計的分類方法の 1 つです。 彼らの設計哲学はベイズの定理に深く根ざしており、いくつかの既知の特性が与えられた場合、オブジェクトが特定のクラスに属する確率を計算することができます。 オブジェクトの事後確率を計算することによって、決定が下されます。 具体的には、ベイズ分類器は、最初にオブジェクトの事前確率を考慮し、次にベイズ式を適用して観測データを考慮に入れることで、オブジェクトの分類に関する信念を更新します。 ベイズ分類器は、すべての可能な分類の中から、オブジェクトの事後確率が最も高いカテゴリを選択します。 この方法の主な利点は、不確実性や不完全な情報を処理する自然な能力にあり、幅広いアプリケーションに適した強力で柔軟なツールになっています。
図2に示すように、教師あり機械学習では、ベイズの定理に基づくデータと確率モデルを使用して分類の判断が行われます。 ベイズ分類器は、カテゴリと特徴の尤度、事前確率を利用して、データポイントの各カテゴリの事後確率を計算し、事後確率が最も高いカテゴリにデータポイントを割り当てます。 右側の散布図では、分類器は異なる色の点を最適に分離する曲線を見つけようとするため、分類誤差が最小限に抑えられます。
図2 ベイズ分類器
- 決定木
デシジョン ツリー アルゴリズムは、分類と回帰のタスクに一般的に使用され、階層的な意思決定アプローチを採用しています。 既知のデータに基づいて情報量の多い特徴量を分割することでツリーを生成し、それによって決定木をトレーニングします。 要するに、アルゴリズムはデータから意思決定ルールを自己学習して、変数の値を決定できます。 具体的には、複雑な意思決定プロセスをいくつかのより単純なサブ意思決定に簡素化します。 より単純な各決定は、親の決定基準から派生し、ツリーのような構造を形成します。
図 3 に示すように、各ノードは決定を表し、特定の属性を判断するための基準を定義し、分岐は決定の結果を表します。 各リーフ ノードは、最終的な予測結果とカテゴリを表します。 構造的な観点から見ると、決定木モデルは直感的で理解しやすく、説明力が強いです。
画像3 決定木モデル
- DBSCAN アルゴリズム
DBSCAN (Density-Based Spatial Clustering of Applications with Noise) は、密度ベースの空間クラスタリング アルゴリズムであり、ノイズのあるデータセットや、クラスターの数を事前に指定することなく任意の形状のクラスターを識別する場合に特に効果的です。 データセット内の外れ値に対して堅牢なパフォーマンスを発揮します。 このアルゴリズムは、図 4 に示すように、低密度エリアのポイントとして定義される外れ値を効果的に特定できます。
- KNN アルゴリズム
K 近傍法 (KNN) アルゴリズムは、分類タスクと回帰タスクの両方に使用できます。 分類では、分類される項目のカテゴリは、投票メカニズムによって決定されます。回帰では、最も近い k 個のサンプルの平均または加重平均を計算して予測します。
図 5 に示すように、分類における KNN アルゴリズムの動作原理は、新しいデータ ポイントの最も近い k 個の近傍を見つけ、これらの近傍のカテゴリに基づいて新しいデータ ポイントのカテゴリを予測することです。 K=1 の場合、新しいデータ点は単に最近傍のカテゴリに割り当てられます。 K>1 の場合、カテゴリは通常、多数決によって決定され、新しいデータ ポイントは、その近傍で最も一般的なカテゴリに割り当てられます。 回帰で使用する場合、原理は変わりませんが、結果は最も近い k 個のサンプルの出力の平均になります。
図5 分類に用いたKNNアルゴリズム
- ジェネレーティブ人工知能ジェネレーティブ人工知能
ジェネレーティブ人工知能(AI)は、入力要件に基づいて新しいコンテンツ(テキスト、画像、音楽など)を生成できるAI技術の一種です。 その基盤は、機械学習と深層学習の進歩、特に自然言語処理と画像認識分野への応用にあります。 ジェネレーティブAIは、膨大なデータからパターンや連想を学習し、学習した情報に基づいてまったく新しいアウトプットを生成します。 ジェネレーティブ人工知能の鍵となるのはモデル学習にあり、学習や学習には高品質なデータが必要です。 このプロセスでは、データセット内の構造、パターン、および関係を分析および理解することで、新しいコンテンツを生成する能力が段階的に向上します。
- 変流器
トランスフォーマーは、生成人工知能の基盤として、画期的な方法でアテンションメカニズムを導入しました。 これにより、重要なポイントに集中しながら情報処理を行うことができ、グローバルな視点を持つことができ、Transformerをテキスト生成分野で輝かせたユニークな機能です。 GPT(Generative Pre-trained Transformer)などの最新の自然言語モデルを活用し、自然言語で表現されたユーザー要件を理解し、実行可能なコードに自動変換することで、開発の複雑さを軽減し、大幅な効率化を実現します。
図6に示すように、マルチヘッドアテンション機構とセルフアテンション機構を導入し、残差接続と全結合ニューラルネットワークを組み合わせ、過去の単語埋め込み技術を活用することで、自然言語処理に関連する生成モデルの性能を大幅に向上させました。
図6 トランスフォーマーモデル
- RFM モデル
RFMモデルは、顧客の購買行動に基づく分析モデルであり、取引行動を分析することで、さまざまな価値の顧客グループを識別できます。 このモデルでは、直近の購入時間 (Recency、R)、購入頻度 (Frequency、F)、および支出金額 (Monetary value, M) に基づいて顧客をスコアリングし、分類します。
図7に示すように、これら3つの指標はRFMモデルの中核を成しています。 このモデルでは、これら 3 つのディメンションで顧客をスコアリングし、スコアに基づいて並べ替えて、最も価値のある顧客グループを特定します。 さらに、このモデルは、顧客をさまざまなグループに効果的にセグメント化し、顧客階層化の機能を促進します。
図 7 RFM レイヤリング モデル
推奨アプリケーション例
イーサリアムのセキュリティ上の課題に対処するために機械学習技術を適用する際、私たちは主に4つの側面から研究を行いました。
推奨アプリケーション例
機械学習技術を通じてイーサリアムのセキュリティ上の課題に取り組むにあたり、私たちは主に4つの側面から研究を行いました。
ベイズ分類器に基づく悪意のあるトランザクションの識別とフィルタリング**
ベイズ分類器を構築することで、大量の頻繁で小規模なトランザクションを通じてDOS攻撃を引き起こすものを含むがこれらに限定されない、潜在的なスパムトランザクションを識別し、フィルタリングすることができます。 この方法は、ガス価格や取引頻度などの取引特性を分析することで、ネットワークの健全性を効果的に維持し、イーサリアムネットワークの安定した運用を確保します。
安全で特定の要件を満たすスマートコントラクトコードの生成**
敵対的生成ネットワーク(GAN)とトランスフォーマーベースの生成ネットワークは、どちらもコードのセキュリティを可能な限り確保しながら、特定の要件を満たすスマートコントラクトコードを生成するために使用できます。 ただし、これら 2 つのアプローチは、モデル トレーニングのために依存するデータの種類が異なり、前者は主に安全でないコード サンプルに依存し、後者はその逆に依存します。
GANをトレーニングして既存の安全なコントラクトパターンを学習し、潜在的に安全でないコードを生成するための自己敵対的モデルを構築し、これらの不安を特定する方法を学習することで、高品質で安全なスマートコントラクトコードを自動的に生成することができます。 Transformerベースのジェネレーティブネットワークモデルを活用し、膨大な数の安全なコントラクトの例から学ぶことで、特定のニーズを満たすコントラクトコードを生成し、ガス消費を最適化することが可能であり、スマートコントラクト開発の効率と安全性を高めることは間違いありません。
デシジョンツリーに基づくスマートコントラクトのリスク分析**
デシジョンツリーを使用して、関数呼び出しの頻度、トランザクション値、ソースコードの複雑さなどのスマートコントラクトの特性を分析することで、コントラクトの潜在的なリスクレベルを効果的に特定できます。 コントラクトの運用パターンとコード構造を分析することで、潜在的な脆弱性とリスクポイントを予測し、開発者とユーザーに安全性評価を提供できます。 この手法により、イーサリアムエコシステム内のスマートコントラクトの安全性が大幅に向上し、脆弱性や悪意のあるコードによる損失が軽減されることが期待されています。
投資リスクを軽減するための暗号通貨評価モデルの構築**
機械学習アルゴリズムによって暗号通貨の取引データ、ソーシャルメディア活動、および市場パフォーマンスを分析することにより、暗号通貨が「ジャンクコイン」である可能性を予測できる評価モデルを構築することができます。 このモデルは、投資家に貴重な洞察を提供し、投資家が投資リスクを回避するのに役立ち、それによって暗号通貨市場の健全な発展を促進することができます。
さらに、機械学習の応用は、イーサリアムの効率をさらに高める可能性も秘めています。 これは、次の3つの主要な側面から検討できます。
- トランザクション・プール・キューイング・モデルを最適化するためのデシジョン・ツリー・アプリケーション
トランザクション・プール・キュー・モデルの最適化におけるデシジョン・ツリーの適用
デシジョンツリーを使用することで、イーサリアムのトランザクションプールのキューイングメカニズムを効果的に最適化することができます。 ガス価格や取引サイズなどの取引特性を分析することで、決定木は取引の選択と順序付けを最適化できます。 この方法は、トランザクション処理効率を大幅に向上させ、ネットワークの輻輳を効果的に軽減し、ユーザーのトランザクションの待ち時間を短縮できます。
- ユーザーのセグメント化とパーソナライズされたサービスの提供
顧客関係管理で広く使用されているツールであるRFMモデル(Recency、Frequency、Monetary value)は、最新のトランザクション時間(Recency)、トランザクション頻度(Frequency)、およびトランザクション金額(Monetary value)を評価することで、ユーザーを効果的にセグメント化できます。 イーサリアムプラットフォームにRFMモデルを適用することで、価値の高いユーザーグループを特定し、リソース配分を最適化し、よりパーソナライズされたサービスを提供することで、ユーザーの満足度とプラットフォーム全体の効率を高めることができます。顧客関係管理で広く使用されているツールであるRFMモデル(Recency、Frequency、Monetary value)は、最新のトランザクション時間(Recency)、トランザクション頻度(Frequency)、およびトランザクション金額(Monetary value)を評価することで、ユーザーを効果的にセグメント化できます。 イーサリアムプラットフォームにRFMモデルを適用することで、価値の高いユーザーグループを特定し、リソース配分を最適化し、よりパーソナライズされたサービスを提供することで、ユーザーの満足度とプラットフォーム全体の効率を高めることができます。
また、DBSCANアルゴリズムは、ユーザーの取引行動を分析し、イーサリアム上のさまざまなユーザーグループを識別し、さらに異なるユーザーにカスタマイズされた金融サービスを提供するのに役立ちます。 このユーザーセグメンテーション戦略により、マーケティング戦略を最適化し、顧客満足度とサービス効率を高めることができます。
- KNNに基づくクレジットスコアリング
K-Nearest Neighborsアルゴリズム(KNN)は、貸し出しなどの金融活動において非常に重要な役割を果たすイーサリアム上での取引履歴や行動パターンを分析することで、ユーザーの信用度をスコアリングすることができます。 クレジットスコアリングは、金融機関や融資プラットフォームが借り手の返済能力と信用リスクを評価し、より正確な融資決定を下すのに役立ちます。 これにより、過剰な借入を防ぎ、市場の流動性を向上させることができます。
今後の方向性
マクロ資本配分の観点から見ると、世界最大の分散型コンピューターであるイーサリアムは、インフラ層に過剰投資することは決してできず、多様なバックグラウンドを持つより多くの開発者を共創に参加させる必要があります。 この記事では、イーサリアムの技術的な実装とそれが直面している問題を精査することで、機械学習の一連の直感的なアプリケーションを想定し、コミュニティのAI開発者がこれらのビジョンを真の価値に提供することを期待しています。
オンチェーンのコンピューティング能力が徐々に向上するにつれて、ネットワーク管理、トランザクション監視、セキュリティ監査など、より複雑なモデルが開発され、イーサリアムネットワークの効率とセキュリティが向上することが予想されます。
さらに、AI/エージェント主導のガバナンスメカニズムも、イーサリアムエコシステムにおける重要なイノベーションになる可能性があります。 このメカニズムは、より効率的で透明性が高く、自動化された意思決定プロセスをもたらし、イーサリアムに、より柔軟で信頼性の高いガバナンス構造を提供することができます。 これらの将来の開発は、イーサリアム技術の革新を促進するだけでなく、ユーザーに高品質のオンチェーン体験を提供します。
免責事項：
- この記事は[TechFlow]からの転載です。 ※原題「另一个角度看「AI+Blockchain」:AI 如何革新以太坊?'を名乗る。すべての著作権は原著作者[Salus]に帰属します。 この転載に異議がある場合は、 Gate Learn チームに連絡していただければ、迅速に対応いたします。
- 免責事項:この記事で表明された見解や意見は、著者のものであり、投資アドバイスを構成するものではありません。
- 記事の他言語への翻訳は、Gate Learnチームによって行われます。 特に明記されていない限り、翻訳された記事を複製、配布、盗用することは禁止されています。
関連記事
ETHを賭ける方法は?
ステーブルコインとは何ですか？