Orijinal Başlığı İletin：另一个角度看「AI+Blockchain」：AI 如何革新以太坊？

Geçtiğimiz yıl boyunca, üretken yapay zeka kamuoyunun beklentilerini defalarca alt üst ederken, yapay zeka üretkenlik devrimi dalgası kripto para topluluğunu da sardı. İkincil piyasada birçok yapay zeka temalı projenin servet efsaneleri yarattığını gördük ve giderek artan bir şekilde geliştiriciler kendi "AI+Crypto" projelerini geliştirmeye başladılar. Ancak daha yakından incelendiğinde, bu projelerin son derece homojen olduğu ve çoğunun yalnızca merkezi olmayan ağlar aracılığıyla bilgi işlem gücünü organize etmek veya "merkezi olmayan Sarılan Yüzler" oluşturmak gibi "üretim ilişkilerini" geliştirmeyi amaçladığı görülmektedir. Çok az proje teknik temelde gerçek anlamda entegrasyon ve inovasyon girişiminde bulunur. Bunun, yapay zeka ve blok zinciri alanları arasındaki "alan önyargısından" kaynaklandığına inanıyoruz. Geniş kesişimlerine rağmen, çok az kişi her iki alanda da derin bir anlayışa sahiptir. Örneğin, yapay zeka geliştiricileri Ethereum'un teknik uygulamalarını ve geçmiş altyapısını kavramakta zorlanabilir ve bu da derinlemesine optimizasyon çözümleri önermeyi zorlaştırabilir.

Yapay zekanın en temel dalı olan makine öğrenimini (ML) örnek olarak ele alırsak, makinelerin açık programlama talimatları olmadan veriler aracılığıyla kararlar almasına olanak tanıyan bir teknolojidir. Makine öğrenimi, veri analizi ve örüntü tanıma konusunda muazzam bir potansiyel göstermiş ve web2'de yaygın hale gelmiştir. Bununla birlikte, çağın başlangıcındaki sınırlamaları nedeniyle, Ethereum gibi blok zinciri teknolojisi inovasyonunun ön saflarında bile, mimarisi, ağı ve yönetişim mekanizmaları, karmaşık sorunları çözmek için etkili bir araç olarak makine öğreniminden henüz yararlanamamıştır.

"Büyük yenilikler genellikle alanların kesiştiği noktalarda ortaya çıkar." Bu makaleyi yazmaktaki temel amacımız, yapay zeka geliştiricilerinin blok zinciri dünyasını daha iyi anlamalarına yardımcı olmak ve aynı zamanda Ethereum topluluğunun geliştiricileri için yeni fikirler sunmaktır. Bu makalede, öncelikle Ethereum'un teknik uygulamasını tanıtıyor ve ardından Ethereum ağının güvenliğini, verimliliğini ve ölçeklenebilirliğini artırmak için temel bir yapay zeka algoritması olan makine öğrenimini uygulamayı öneriyoruz. Bu vakanın, benzersiz bakış açıları sunmak ve geliştirici ekosisteminde daha fazla "AI+Blockchain" yenilikçi kombinasyonunu teşvik etmek için bir başlangıç noktası olmasını umuyoruz.

Ethereum'un Teknik Uygulaması

• Temel Veri YapılarıTemel Veri Yapıları

Özünde blok zinciri, blokları birbirine bağlayan bir zincirdir ve zincirler arasındaki ayrım öncelikle zincir yapılandırmasında yatar. Bu yapılandırma, bir blok zincirinin oluşumunun, herhangi bir blok zincirinin başlangıç aşamasının önemli bir parçasıdır. Ethereum söz konusu olduğunda, zincir yapılandırması çeşitli Ethereum zincirleri arasında ayrım yapar ve önemli yükseltme protokollerini ve kilometre taşı olaylarını tanımlar. Örneğin, DAOForkBlock DAO saldırısını takip eden hard fork'un yüksekliğini gösterirken, ConstantinopleBlock Constantinople yükseltmesinin gerçekleştiği blok yüksekliğini gösterir. Çok sayıda iyileştirme teklifini kapsayan daha büyük iyileştirmeler için, ilgili blok yüksekliklerini belirtmek üzere özel alanlar ayarlanır. Ayrıca Ethereum, her biri bir ChainID ile benzersiz bir şekilde tanımlanan ve ağ ekosistemini tanımlayan çeşitli test ağlarını ve ana ağı kapsar.

Tüm blok zincirinin ilk bloğu olan genesis bloğu, diğer bloklar tarafından doğrudan veya dolaylı olarak referans alınır. Bu nedenle, düğümlerin başlangıçta doğru genesis blok bilgisini herhangi bir değişiklik yapmadan yüklemesi çok önemlidir. Bu genesis blok yapılandırması, daha önce bahsedilen zincir yapılandırmasının yanı sıra madencilik ödülleri, zaman damgaları, zorluk derecesi ve gaz limitleri gibi ek bilgileri de içerir. Özellikle Ethereum, iş ispatı madencilik mutabakat mekanizmasından hisse ispatına geçiş yapmıştır.

Ethereum hesapları harici hesaplar ve sözleşme hesapları olarak kategorize edilir. Harici hesaplar özel bir anahtarla benzersiz bir şekilde kontrol edilirken, özel anahtarları olmayan sözleşme hesapları yalnızca harici hesaplar tarafından sözleşme kodunun yürütülmesi yoluyla çalıştırılabilir. Her iki hesap türünün de benzersiz bir adresi vardır. Ethereum'un "dünya durumu" bir hesap ağacıdır ve her hesap, çeşitli hesap ve kod bilgileri de dahil olmak üzere hesabın durumunu depolayan bir yaprak düğüme karşılık gelir.

• işlemler

Ethereum, merkezi olmayan bir platform olarak, temelde işlemleri ve sözleşmeleri kolaylaştırır. Ethereum blokları işlemleri bazı ek bilgilerle birlikte paketler. Özellikle, bir blok bir blok başlığı ve bir blok gövdesine bölünmüştür. Blok başlığı, durum kökü, işlem kökü, makbuz kökü ve tüm Ethereum dünyasının durumunu ifade eden zorluk ve nonce gibi diğer verilerle birlikte bir önceki bloğun hash'i olarak anlaşılan tüm blokları bir zincire bağlayan kanıtları içerir. Blok gövdesi, işlemlerin bir listesini ve amca blok başlıklarının bir listesini barındırır (ancak Ethereum'un proof-of-stake'e geçişiyle birlikte amca blok referansları sona ermiştir).

İşlem makbuzları, işlemlerin gerçekleştirilmesinden sonraki sonuçları ve ek bilgileri sağlayarak işlemlerin kendisinden doğrudan elde edilemeyen içgörüler sunar. Bu ayrıntılar arasında mutabakat içeriği, işlem bilgileri ve işlemin başarılı olup olmadığını gösteren blok bilgilerinin yanı sıra işlem günlükleri ve gaz harcamaları da yer alır. Makbuzlardaki bilgilerin analiz edilmesi, akıllı sözleşme kodunda hata ayıklama ve gaz kullanımının optimize edilmesine yardımcı olur, işlemin ağ tarafından işlendiğinin teyidi olarak hizmet eder ve işlemin sonuçlarının ve etkisinin incelenmesine olanak tanır.

Ethereum'da gaz ücretleri, token gönderme, sözleşme yürütme, ether aktarma veya bloktaki diğer faaliyetler gibi işlemler için gereken işlem ücretleri olarak basitleştirilebilir. Bu işlemler gaz ücreti gerektirmektedir çünkü Ethereum sanal makinesinin işlemi gerçekleştirmek için hesaplama yapması ve ağ kaynaklarını kullanması gerekmektedir, dolayısıyla bu hesaplama hizmetleri için ödeme yapılması gerekmektedir. Nihayetinde, yakıt maliyeti veya işlem ücreti madencilere ödenir ve Ücret = Kullanılan Gaz * Gaz Fiyatı formülüyle hesaplanır; burada gaz fiyatı işlemi başlatan tarafından belirlenir. Miktar, zincir üzerindeki işlemlerin hızını büyük ölçüde etkiler. Çok düşük ayarlanması işlemlerin gerçekleştirilmemesine neden olabilir. Ayrıca, sözleşmelerdeki hatalar nedeniyle öngörülemeyen gaz tüketimini önlemek için bir gaz limiti belirlemek çok önemlidir.

• İşlem Havuzu

Ethereum'da çok sayıda işlem bulunmaktadır. Merkezi sistemlerle karşılaştırıldığında, merkezi olmayan sistemlerin saniye başına işlem işleme oranı önemli ölçüde daha düşüktür. İşlemlerin düğümlere akması nedeniyle, düğümlerin bu işlemleri düzgün bir şekilde yönetmek için bir işlem havuzu tutması gerekir. İşlemlerin yayınlanması, bir düğümün yürütülebilir işlemleri komşu düğümlerine yayınladığı ve onların da işlemi komşularına yayınladığı bir eşler arası (P2P) ağ aracılığıyla yapılır. Bu süreç sayesinde, bir işlem 6 saniye içinde tüm Ethereum ağına yayılabilir.

İşlem havuzundaki işlemler yürütülebilir ve yürütülemez işlemler olarak ikiye ayrılır. Yürütülebilir işlemler daha yüksek önceliğe sahiptir ve yürütülür ve bloklara dahil edilirken, havuza yeni giren tüm işlemler yürütülemez ve ancak daha sonra yürütülebilir hale gelebilir. Yürütülebilir ve yürütülemez işlemler sırasıyla "bekleyen" ve "kuyruk" konteynerlerine kaydedilir.

Ayrıca, işlem havuzu çeşitli avantajları olan yerel işlemlerin bir listesini tutar: daha yüksek önceliğe sahiptirler, işlem hacmi sınırlarından etkilenmezler ve düğüm yeniden başlatıldığında işlem havuzuna hemen yeniden yüklenebilirler. Yerel işlemlerin yerel kalıcılık deposu, tamamlanmamış yerel işlemleri kaybetmemek amacıyla bir günlük (düğüm yeniden başlatıldığında yeniden yükleme için) kullanılarak elde edilir ve periyodik olarak güncellenir.

İşlemler sıraya alınmadan önce, DOS saldırılarının, negatif işlemlerin ve gaz limitlerini aşan işlemlerin önlenmesi gibi çeşitli kontrol türleri de dahil olmak üzere yasallık kontrollerinden geçer. İşlem havuzunun temel bileşimi şu şekilde ayrılabilir: kuyruk + beklemede (tüm işlemleri oluşturur). Yasallık kontrollerini geçtikten sonra, işlem kuyruğunun sınırına ulaşıp ulaşmadığının kontrol edilmesi ve ardından en düşük fiyatlı işlemin yerini alacak uzak işlemlerin (yani yerel olmayan işlemlerin) işlem havuzundaki en düşük işlem olup olmadığının belirlenmesi de dahil olmak üzere başka kontroller yapılır. Yürütülebilir işlemlerin değiştirilmesi için, varsayılan olarak, yalnızca ücreti %10 artırılmış işlemlerin yürütülmeyi bekleyen işlemlerin yerini almasına izin verilir ve bunlar yürütülemez işlemler olarak saklanır. Ayrıca, işlem havuzunun bakımı sırasında geçersiz ve limit üstü işlemler silinir ve uygun işlemler değiştirilir.

• Mutabakat Mekanizması

Ethereum'un ilk mutabakat teorisi zorluk değeri hash hesaplamasına dayanıyordu, yani bir bloğun geçerli sayılabilmesi için bloğun hash değerinin hedef zorluk değerini karşılayacak şekilde hesaplanması gerekiyordu. Ethereum'un mutabakat algoritması artık Proof of Work'ten (POW) Proof of Stake'e (POS) geçtiğinden, madencilikle ilgili teoriler hakkındaki tartışma burada atlanmıştır. POS algoritmasına kısa bir genel bakış aşağıdaki gibidir: Ethereum, Eylül 2022'de POS algoritmasını uygulayarak Beacon Chain'in birleşmesini tamamladı. Özellikle, POS tabanlı Ethereum'da blok süresi 12 saniyede sabitlenmiştir. Kullanıcılar doğrulayıcı olma hakkını kazanmak için Ether'lerini yatırırlar. Bir grup doğrulayıcı, stake etmeye katılanlar arasından rastgele seçilir. Her bir 32 slottan oluşan döngüde, her slot için bir doğrulayıcı blok oluşturmak üzere teklif sahibi olarak seçilirken, o slot için geri kalan doğrulayıcılar teklif sahibinin bloğunun yasallığını doğrulamak ve bir önceki döngüdeki blokların yasallığı hakkında karar vermek için bir komite olarak hareket eder. POS algoritması, hesaplama kaynaklarının israfını büyük ölçüde azaltırken blok üretim hızını önemli ölçüde stabilize eder ve artırır.

• İmza Algoritması

Ethereum, imza algoritması standardını Bitcoin'den devralır ve secp256k1 eğrisini de benimser. Kullandığı özel imza algoritması ECDSA'dır, bu da imzanın hesaplanmasının orijinal mesajın hash'ine dayandığı anlamına gelir. Tüm imzanın bileşimi basitçe R+S+V olarak görülebilir. Her hesaplama buna karşılık olarak rastgele bir sayı getirir, burada R+S ECDSA'nın orijinal çıktılarıdır. Kurtarma alanı olarak bilinen son alan V, açık anahtarı içerikten ve imzadan başarılı bir şekilde kurtarmak için gereken arama sayısını gösterir, çünkü eliptik eğri üzerinde R değerine dayalı gereksinimleri karşılayan birden fazla koordinat noktası olabilir.

Tüm süreç basitçe aşağıdaki gibi organize edilebilir: İşlem verileri ve imzalayanla ilgili bilgiler RLP kodlamasından sonra hash edilir ve nihai imza, ECDSA'da kullanılan eğrinin secp256k1 eliptik eğrisi olduğu bir özel anahtarla ECDSA imzalama yoluyla elde edilebilir. Son olarak, imza verisi işlem verisi ile birleştirilerek imzalı bir işlem verisi elde edilebilir ve yayınlanabilir.

Ethereum'un veri yapısı yalnızca geleneksel blok zinciri teknolojisine dayanmakla kalmaz, aynı zamanda büyük miktarda veriyi verimli bir şekilde depolamak ve doğrulamak için Merkle Trie olarak da bilinen Merkle Patricia Ağacını da sunar. MPT, Merkle ağacının kriptografik hash fonksiyonunu Patricia ağacının anahtar yolu sıkıştırma özelliği ile birleştirerek hem veri bütünlüğünü garanti eden hem de hızlı aramayı destekleyen bir çözüm sunar.

• Merkle Patricia Ağacı

Ethereum'da MPT, tüm durum ve işlem verilerini depolamak için kullanılır ve verilerdeki herhangi bir değişikliğin ağacın kök karmasına yansıtılmasını sağlar. Bu, kök hash'in doğrulanmasıyla, tüm veritabanını incelemeden verilerin bütünlüğünün ve doğruluğunun kanıtlanabileceği anlamına gelir. MPT dört tür düğümden oluşur: yaprak düğümleri, uzantı düğümleri, dal düğümleri ve boş düğümler, bunlar birlikte dinamik veri değişikliklerine uyum sağlayabilen bir ağaç oluşturur. Her veri güncellemesinde MPT, düğümler ekleyerek, silerek veya değiştirerek ve ağacın kök karmasını güncelleyerek bu değişiklikleri yansıtır. Her bir düğüm bir hash fonksiyonu aracılığıyla şifrelendiğinden, verilerdeki herhangi bir küçük değişiklik kök hash'inde önemli bir değişikliğe neden olur, böylece veri güvenliği ve tutarlılığı sağlanır. Ayrıca, MPT'nin tasarımı "hafif istemci" doğrulamasını destekleyerek düğümlerin yalnızca ağacın kök karmasını ve gerekli yol düğümlerini depolayarak belirli bilgilerin varlığını veya durumunu doğrulamasına olanak tanır ve veri depolama ve işleme gereksinimlerini önemli ölçüde azaltır.

MPT sayesinde Ethereum yalnızca verimli yönetim ve verilere hızlı erişim sağlamakla kalmaz, aynı zamanda ağın güvenliğini ve merkezsizleşmesini sağlayarak tüm Ethereum ağının işleyişini ve gelişimini destekler.

• Durum Makinesi

Ethereum'un temel mimarisi, Ethereum Sanal Makinesinin (EVM) tüm akıllı sözleşme kodlarını yürütmek için çalışma zamanı ortamı olarak hizmet verdiği ve Ethereum'un kendisinin küresel olarak paylaşılan, durum geçiş sistemi olarak görülebileceği bir durum makinesi kavramını entegre eder. Her bir bloğun yürütülmesi, küresel olarak paylaşılan bir durumdan diğerine geçen bir durum geçiş süreci olarak görülebilir. Bu tasarım sadece Ethereum ağının tutarlılığını ve merkezsizliğini sağlamakla kalmaz, aynı zamanda akıllı sözleşmelerin yürütme sonuçlarını öngörülebilir ve kurcalamaya karşı korumalı hale getirir.

Ethereum'da durum, her hesabın bakiyesi, depolanan veriler ve akıllı sözleşme kodu dahil olmak üzere tüm hesapların mevcut bilgilerini ifade eder. Bir işlem gerçekleştiğinde, EVM, Merkle Patricia Ağacı (MPT) aracılığıyla verimli ve güvenli bir şekilde kaydedilen bir işlem olan işlem içeriğine dayalı olarak durumu hesaplar ve değiştirir. Her durum geçişi yalnızca hesap verilerini değiştirmekle kalmaz, aynı zamanda ağacın kök hash değerinin değişimine yansıyan MPT'nin güncellenmesine de yol açar.

EVM ve MPT arasındaki ilişki çok önemlidir çünkü MPT, Ethereum'un durum geçişleri için veri bütünlüğünü garanti eder. EVM işlemleri yürüttüğünde ve hesap durumlarını değiştirdiğinde, ilgili MPT düğümleri bu değişiklikleri yansıtacak şekilde güncellenir. MPT'deki her düğüm hash'lerle birbirine bağlı olduğundan, durumdaki herhangi bir değişiklik kök hash'te bir değişikliğe neden olacak ve bu da daha sonra yeni bir bloğa dahil edilerek tüm Ethereum durumunun tutarlılığını ve güvenliğini sağlayacaktır. Aşağıda, EVM sanal makinesini tanıtıyoruz.

• EVM

EVM sanal makinesi Ethereum'un yapısının temelini oluşturmakta, akıllı sözleşmelerin yürütülmesini ve durum geçişlerini mümkün kılmaktadır. EVM sayesinde Ethereum gerçekten bir dünya bilgisayarı olarak düşünülebilir. EVM Turing-complete'dir, yani Ethereum'daki akıllı sözleşmeler keyfi olarak karmaşık mantıksal hesaplamalar gerçekleştirebilirken, gaz mekanizmasının getirilmesi sözleşmelerdeki sonsuz döngüleri başarıyla önleyerek ağ istikrarını ve güvenliğini sağlar. Daha derin bir teknik perspektiften bakıldığında EVM, Ethereum'a özgü bayt kodu kullanarak akıllı sözleşmeleri yürüten yığın tabanlı bir sanal makinedir. Geliştiriciler genellikle akıllı sözleşmeler yazmak için Solidity gibi yüksek seviyeli diller kullanır ve bu sözleşmeler daha sonra EVM tarafından yürütülmek üzere anlaşılabilir bayt koduna derlenir. EVM, Ethereum'un blok zinciri inovasyon kapasitesinin anahtarıdır ve yalnızca akıllı sözleşmelerin işleyişini desteklemekle kalmaz, aynı zamanda merkezi olmayan uygulamaların geliştirilmesi için sağlam bir temel sağlar. Ethereum, EVM aracılığıyla merkezi olmayan, güvenli ve açık bir dijital geleceği şekillendiriyor.

Tarihsel İnceleme

Şekil 1 Ethereum'un tarihsel incelemesi

Zorluklar

Güvenlik

Akıllı sözleşmeler, Ethereum blok zinciri üzerinde çalışan bilgisayar programlarıdır. Geliştiricilerin borç verme uygulamaları, merkezi olmayan borsalar, sigorta, ikincil finansman, sosyal ağlar ve NFT'ler dahil ancak bunlarla sınırlı olmamak üzere çeşitli uygulamalar oluşturmasına ve dağıtmasına olanak tanırlar. Akıllı sözleşmelerin güvenliği, kripto para birimlerini doğrudan ele aldıkları ve kontrol ettikleri için bu uygulamalar için çok önemlidir. Akıllı sözleşmelerdeki herhangi bir güvenlik açığı veya kötü niyetli saldırılar, fonların güvenliğine doğrudan tehdit oluşturabilir ve potansiyel olarak önemli mali kayıplara yol açabilir. Örneğin, 26 Şubat 2024'te DeFi borç verme protokolü Blueberry Protokolü, akıllı sözleşme mantığındaki bir kusur nedeniyle saldırıya uğradı ve yaklaşık 1.400.000 dolarlık bir kayıpla sonuçlandı.

Akıllı sözleşmelerdeki güvenlik açıkları çok yönlüdür ve diğerlerinin yanı sıra mantıksız iş mantığı, uygunsuz erişim kontrolü, yetersiz veri doğrulama, yeniden merkezleme saldırıları ve DOS (Hizmet Reddi) saldırılarını kapsar. Bu güvenlik açıkları, sözleşmenin yürütülmesinde sorunlara yol açarak akıllı sözleşmelerin etkili bir şekilde çalışmasını etkileyebilir. Örneğin, DOS saldırıları, saldırganların ağın kaynaklarını tüketmek için büyük miktarda işlem göndermesini ve normal kullanıcı işlemlerinin zamanında işlenmesini engellemesini içerir. Kullanıcı deneyimindeki bu bozulma, kullanıcıların sıkışık bir ağda işlemlerine öncelik vermek için daha yüksek ücretler ödemeleri gerekebileceğinden, işlem gazı ücretlerinin artmasına da neden olabilir.

Ayrıca Ethereum kullanıcıları, fon güvenliğinin tehdit altında olması nedeniyle yatırım riskleriyle de karşı karşıya. Örneğin, "shitcoinler" çok az değere veya uzun vadeli büyüme potansiyeline sahip olduğu düşünülen kripto para birimleridir. Shitcoin'ler genellikle dolandırıcılık veya pump-and-dump planları için araç olarak kullanılır. Shitcoin'lerle ilişkili yatırım riski yüksektir ve potansiyel olarak önemli mali kayıplara yol açabilir. Düşük fiyatları ve piyasa değerleri nedeniyle manipülasyona ve oynaklığa karşı oldukça hassastırlar. Bu kripto paralar, yatırımcıların sahte projelerle kandırıldığı ve ardından fonlarının çalındığı pump-and-dump planlarında ve honey pot dolandırıcılıklarında yaygın olarak kullanılmaktadır. Shitcoin'lerle ilişkili bir diğer yaygın risk de, yaratıcıların bir projeden aniden tüm likiditeyi çekerek token değerinin düşmesine neden olduğu "halının çekilmesi "dir. Bu dolandırıcılıklar genellikle sahte ortaklıklar ve onaylar aracılığıyla pazarlanır ve token fiyatı arttığında dolandırıcılar tokenlarını satar, kâr eder ve yatırımcıları değersiz tokenlarla bırakarak ortadan kaybolur. Ayrıca, shitcoin'lere yatırım yapmak dikkatleri ve kaynakları gerçek uygulamaları ve büyüme potansiyeli olan meşru kripto paralardan başka yöne çekebilir.

Bok paraların yanı sıra, "hava paraları" ve "piramit şeması paraları" da hızlı kar elde etme yöntemleridir. Profesyonel bilgi ve deneyimden yoksun kullanıcılar için bunları yasal kripto paralardan ayırt etmek özellikle zordur.

Verimlilik

Ethereum'un verimliliğini değerlendirmek için çok doğrudan iki gösterge işlem hızı ve gaz ücretleridir. İşlem hızı, Ethereum ağının bir birim zaman içinde işleyebileceği işlem sayısını ifade eder. Bu metrik doğrudan Ethereum ağının işlem kapasitesini yansıtır ve daha yüksek hız daha yüksek verimliliğe işaret eder. Ethereum'daki her işlem, işlem doğrulaması için madencileri telafi eden belirli bir miktar gaz ücreti gerektirir. Düşük gaz ücretleri Ethereum'da daha yüksek verimliliğe işaret eder.

İşlem hızının düşmesi gaz ücretlerinin artmasına neden olur. Genel olarak, sınırlı blok alanı nedeniyle işlem işleme hızı düştüğünde, bir sonraki bloğa girmek için işlemler arasındaki rekabet artabilir. Madenciler doğrulama sırasında daha yüksek gaz ücretlerine sahip işlemlere öncelik verme eğiliminde olduğundan, bu rekabette öne çıkmak için tüccarlar genellikle gaz ücretlerini artırır. Bu nedenle, daha yüksek gaz ücretleri kullanıcı deneyimini bozabilir.

İşlemler Ethereum'da sadece temel faaliyetlerdir. Bu ekosistem içerisinde kullanıcılar ayrıca borç verme, stake etme, yatırım yapma, sigorta vb. gibi çeşitli faaliyetlerde bulunabilir ve bunların tümü belirli DApp'ler aracılığıyla yapılabilir. Ancak çok çeşitli DApp'ler ve geleneksel sektörlerdekine benzer kişiselleştirilmiş öneri hizmetlerinin eksikliği göz önüne alındığında, kullanıcılar kendileri için doğru uygulamaları ve ürünleri seçmeyi kafa karıştırıcı bulabilir. Bu durum kullanıcı memnuniyetinin azalmasına yol açarak Ethereum ekosisteminin genel verimliliğini etkileyebilir.

Örnek olarak kredi vermeyi ele alalım. Bazı DeFi borç verme platformları, platformlarının güvenliğini ve istikrarını korumak için bir aşırı teminatlandırma mekanizması kullanır. Bu, borçluların teminat olarak daha fazla varlık göstermeleri gerektiği ve kredi süresi boyunca başka faaliyetler için kullanılamayacağı anlamına gelir. Bu da borçluların sermaye kullanım oranının düşmesine ve dolayısıyla piyasa likiditesinin azalmasına yol açar.

Ethereum'da Makine Öğrenimi Uygulamaları

RFM modeli, Generative Adversarial Networks (GAN), Decision Tree modelleri, K-Nearest Neighbors algoritması (KNN) ve DBSCAN kümeleme algoritması gibi makine öğrenimi modelleri Ethereum'da önemli roller oynamaktadır. Bu makine öğrenimi modellerinin Ethereum içinde uygulanması, işlem işleme verimliliğini optimize etmeye, akıllı sözleşmelerin güvenliğini artırmaya, daha kişiselleştirilmiş hizmetler sağlamak için kullanıcı segmentasyonunu uygulamaya ve ağın istikrarlı çalışmasına katkıda bulunmaya yardımcı olabilir.

Algoritmalara Giriş

Makine öğrenimi algoritmaları, verileri ayrıştırmak, verilerdeki kalıpları öğrenmek ve bu öğrenmelere dayalı tahminler veya kararlar almak için kullanılan bir dizi talimat veya kuraldır. İnsanların açık bir şekilde programlamasına gerek kalmadan, sağlanan verilerden öğrenme yoluyla otomatik olarak gelişirler. RFM modeli, Generative Adversarial Networks (GAN), Decision Tree modelleri, K-Nearest Neighbors algoritması (KNN) ve DBSCAN kümeleme algoritması gibi makine öğrenimi modelleri Ethereum'da önemli roller oynamaktadır. Bu makine öğrenimi modellerinin Ethereum'da uygulanması, işlem işleme verimliliğini optimize etmeye, akıllı sözleşmelerin güvenliğini artırmaya, daha kişiselleştirilmiş hizmetler sağlamak için kullanıcı segmentasyonunu uygulamaya ve ağın istikrarlı çalışmasına katkıda bulunmaya yardımcı olabilir.

Bayes Sınıflandırıcıları

Bayes sınıflandırıcılar, belirli bir maliyet çerçevesi altında sınıflandırma hatası olasılığını en aza indirmeyi veya ortalama riski en aza indirmeyi amaçlayan çeşitli istatistiksel sınıflandırma yöntemleri arasında yer almaktadır. Tasarım felsefeleri, bilinen bazı özellikler göz önüne alındığında bir nesnenin belirli bir sınıfa ait olma olasılığının hesaplanmasına olanak tanıyan Bayes teoremine dayanmaktadır. Nesnenin sonsal olasılığı hesaplanarak kararlar verilir. Spesifik olarak, Bayes sınıflandırıcılar önce nesnenin önceki olasılığını dikkate alır ve ardından gözlemlenen verileri dikkate almak için Bayes formülünü uygular, böylece nesnenin sınıflandırılması hakkındaki inancı günceller. Bayes sınıflandırıcıları, tüm olası sınıflandırmalar arasından nesne için en yüksek sonsal olasılığa sahip kategoriyi seçer. Bu yöntemin temel avantajı, belirsizliği ve eksik bilgiyi ele alma konusundaki doğal yeteneğinde yatmaktadır ve bu da onu çok çeşitli uygulamalar için uygun güçlü ve esnek bir araç haline getirmektedir.

Şekil 2'de gösterildiği gibi, denetimli makine öğreniminde, Bayes teoremine dayalı veri ve olasılık modelleri kullanılarak sınıflandırma kararları verilir. Olabilirlik, kategorilerin ve özelliklerin önceki olasılıklarını kullanan Bayes sınıflandırıcıları, veri noktaları için her kategorinin sonsal olasılıklarını hesaplar ve veri noktalarını en yüksek sonsal olasılığa sahip kategoriye atar. Sağdaki dağılım grafiğinde sınıflandırıcı, farklı renkteki noktaları en iyi şekilde ayıran ve böylece sınıflandırma hatalarını en aza indiren bir eğri bulmaya çalışır.

Şekil 2 Bayes sınıflandırıcı

• Karar Ağaçları

Karar ağacı algoritmaları, hiyerarşik bir karar verme yaklaşımı benimseyerek sınıflandırma ve regresyon görevleri için yaygın olarak kullanılır. Bilinen verilere dayalı olarak yüksek bilgi kazancına sahip özelliklere bölünerek ağaçlar oluştururlar ve böylece bir karar ağacı eğitirler. Özünde algoritma, değişkenlerin değerlerini belirlemek için verilerden kendi kendine bir karar verme kuralı öğrenebilir. Özellikle, karmaşık karar alma süreçlerini daha basit birkaç alt karara indirger. Her bir basit karar, bir üst karar kriterinden türetilerek ağaç benzeri bir yapı oluşturur.

Şekil 3'te gösterildiği gibi, her bir düğüm, belirli bir niteliği değerlendirmek için bir kriter tanımlayan bir kararı temsil ederken, dallar kararın sonuçlarını temsil eder. Her bir yaprak düğümü nihai tahmin edilen sonucu ve kategoriyi temsil eder. Yapısal bir perspektiften bakıldığında, karar ağacı modeli sezgiseldir, anlaşılması kolaydır ve güçlü bir açıklama gücüne sahiptir.

görüntü 3 Karar ağacı modeli

• DBSCAN algoritması

DBSCAN (Gürültülü Uygulamaların Yoğunluk Tabanlı Mekansal Kümelenmesi), özellikle gürültülü veri kümeleri için ve küme sayısını önceden belirtmeye gerek kalmadan herhangi bir şekle sahip kümeleri tanımlamak için etkili olan yoğunluk tabanlı bir mekansal kümeleme algoritmasıdır. Veri setindeki aykırı değerlere karşı sağlam bir performansa sahiptir. Algoritma, Şekil 4'te gösterildiği gibi, düşük yoğunluklu alanlardaki noktalar olarak tanımlanan aykırı değerleri etkili bir şekilde belirleyebilir.

Şekil 4 DBSCAN Algoritması ile Gürültü Tanımlama

• KNN algoritması

K-En Yakın Komşular (KNN) algoritması hem sınıflandırma hem de regresyon görevleri için kullanılabilir. Sınıflandırmada, sınıflandırılacak bir öğenin kategorisi bir oylama mekanizması aracılığıyla belirlenir; regresyonda ise k en yakın örneğin ortalamasını veya ağırlıklı ortalamasını hesaplayarak tahminde bulunur.

Şekil 5'te gösterildiği gibi, KNN algoritmasının sınıflandırmadaki çalışma prensibi, yeni bir veri noktasının en yakın k komşusunu bulmak ve bu komşuların kategorilerine dayanarak yeni veri noktasının kategorisini tahmin etmektir. K=1 ise, yeni veri noktası basitçe en yakın komşusunun kategorisine atanır. K>1 ise, kategori genellikle oy çokluğuyla belirlenir, yani yeni veri noktası komşuları arasında en yaygın olan kategoriye atanır. Regresyonda kullanıldığında, prensip aynı kalır, ancak sonuç en yakın k örneğin çıktılarının ortalamasıdır.

Şekil 5 Sınıflandırma için kullanılan KNN algoritması

• Üretken Yapay ZekaGenerative Artificial Intelligence

Üretken yapay zeka (AI), girdi gereksinimlerine dayalı olarak yeni içerik (metin, görüntü, müzik vb.) üretebilen bir AI teknolojisi türüdür. Temeli, özellikle doğal dil işleme ve görüntü tanıma alanlarındaki uygulamalarda makine öğrenimi ve derin öğrenmedeki ilerlemelere dayanmaktadır. Üretken yapay zeka, büyük miktarda veriden kalıpları ve ilişkileri öğrenir ve ardından bu öğrenilen bilgilere dayanarak tamamen yeni çıktılar üretir. Üretken yapay zekanın anahtarı, öğrenme ve eğitim için yüksek kaliteli veri gerektiren model eğitiminde yatmaktadır. Bu süreç boyunca model, veri kümesi içindeki yapıyı, kalıpları ve ilişkileri analiz edip anlayarak yeni içerik üretme becerisini aşamalı olarak geliştirir.

• Transformatör

Üretken yapay zekanın temel taşı olan Transformer, dikkat mekanizmasını çığır açıcı bir şekilde tanıtmıştır. Bu, Transformer'ın metin oluşturma alanında parlamasını sağlayan benzersiz bir özellik olarak, bilgilerin işlenmesinin kilit noktalara odaklanmasına ve aynı zamanda küresel bir bakış açısına sahip olmasına olanak tanır. GPT (Generative Pre-trained Transformer) gibi en yeni doğal dil modellerini kullanarak doğal dilde ifade edilen kullanıcı gereksinimlerini anlamak ve bunları otomatik olarak çalıştırılabilir koda dönüştürmek, geliştirme karmaşıklığını azaltabilir ve verimliliği önemli ölçüde artırabilir.

Şekil 6'da gösterildiği gibi, çok kafalı dikkat mekanizması ve öz dikkat mekanizmasının artık bağlantılar ve tam bağlantılı sinir ağları ile birleştirilmesi ve geçmiş kelime gömme teknolojilerinden yararlanılması, doğal dil işleme ile ilgili üretici modellerin performansını büyük ölçüde artırmıştır.

Şekil 6 Transformatör modeli

• RFM modeli

RFM modeli, işlem davranışlarını analiz ederek farklı değerdeki müşteri gruplarını belirleyebilen, müşteri satın alma davranışına dayalı bir analiz modelidir. Bu model, müşterileri en son satın alma zamanlarına (Recency, R), satın alma sıklıklarına (Frequency, F) ve harcadıkları miktara (Monetary value, M) göre puanlar ve kategorize eder.

Şekil 7'de gösterildiği gibi, bu üç gösterge RFM modelinin çekirdeğini oluşturmaktadır. Model, müşterileri bu üç boyuta göre puanlar ve en değerli müşteri gruplarını belirlemek için puanlara göre sıralar. Dahası, bu model müşterileri etkin bir şekilde farklı gruplara ayırarak müşteri tabakalaşmasının işlevselliğini kolaylaştırır.

Şekil 7 RFM Katmanlama modeli

Potansiyel Uygulamalar

Ethereum'un güvenlik sorunlarını ele almak için makine öğrenimi teknolojisini uygularken, dört ana açıdan araştırma yaptık:

Potansiyel Uygulamalar

Makine öğrenimi teknikleri aracılığıyla Ethereum'un güvenlik sorunlarını ele alırken, dört ana açıdan araştırma yaptık:

• Bayes Sınıflandırıcısına Dayalı Kötü Amaçlı İşlemlerin Tanımlanması ve Filtrelenmesi**

  Bir Bayesian sınıflandırıcı oluşturarak, büyük hacimli sık, küçük işlemler yoluyla DOS saldırılarına neden olanlar dahil ancak bunlarla sınırlı olmamak üzere potansiyel spam işlemleri tanımlanabilir ve filtrelenebilir. Bu yöntem, Gaz fiyatları ve işlem sıklığı gibi işlem özelliklerini analiz ederek ağın sağlığını etkili bir şekilde korur ve böylece Ethereum ağının istikrarlı çalışmasını sağlar.

• Güvenli ve Spesifik Gereksinimleri Karşılayan Akıllı Sözleşme Kodu Üretimi**

  Generative Adversarial Networks (GANs) ve Transformer tabanlı generative networks, kodun güvenliğini mümkün olduğunca sağlarken belirli gereksinimleri karşılayan akıllı sözleşme kodu üretmek için kullanılabilir. Ancak, bu iki yaklaşım model eğitimi için kullandıkları veri türleri bakımından farklılık göstermektedir: birincisi öncelikle güvenli olmayan kod örneklerine dayanırken, ikincisi tam tersine dayanmaktadır.

  Mevcut güvenli sözleşme modellerini öğrenmek için GAN'ları eğiterek ve potansiyel olarak güvenli olmayan kod üretmek için kendi kendine düşman modeller oluşturarak ve ardından bu güvensizlikleri tanımlamayı öğrenerek, otomatik olarak yüksek kaliteli, daha güvenli akıllı sözleşme kodu üretmek mümkündür. Transformatör tabanlı üretici ağ modellerini kullanarak, çok sayıda güvenli sözleşme örneğinden öğrenerek, belirli ihtiyaçları karşılayan ve Gaz tüketimini optimize eden sözleşme kodları oluşturmak mümkündür ve şüphesiz akıllı sözleşme geliştirmenin verimliliğini ve güvenliğini artırır.

• Karar Ağaçlarına Dayalı Akıllı Sözleşme Risk Analizi**

  Akıllı sözleşmelerin işlev çağrı sıklığı, işlem değeri ve kaynak kod karmaşıklığı gibi özelliklerini analiz etmek için karar ağaçlarının kullanılması, sözleşmelerin potansiyel risk seviyelerini etkili bir şekilde belirleyebilir. Sözleşmelerin operasyonel modellerinin ve kod yapısının analiz edilmesi, olası güvenlik açıklarını ve risk noktalarını tahmin ederek geliştiricilere ve kullanıcılara bir güvenlik değerlendirmesi sağlayabilir. Bu yöntemin Ethereum ekosistemindeki akıllı sözleşmelerin güvenliğini önemli ölçüde artırması ve böylece güvenlik açıkları veya kötü niyetli kodlardan kaynaklanan kayıpları azaltması bekleniyor.

• Yatırım Risklerini Azaltmak için Bir Kripto Para Değerlendirme Modeli Oluşturmak**

  Kripto paraların alım satım verilerini, sosyal medya faaliyetlerini ve piyasa performanslarını makine öğrenimi algoritmaları aracılığıyla analiz ederek, bir kripto paranın "önemsiz para" olma olasılığını tahmin edebilen bir değerlendirme modeli oluşturmak mümkündür. Bu model yatırımcılara değerli bilgiler sunarak yatırım risklerinden kaçınmalarına yardımcı olabilir ve böylece kripto para piyasasının sağlıklı gelişimini teşvik edebilir.

Ayrıca, makine öğreniminin uygulanması da Ethereum'un verimliliğini daha da artırma potansiyeline sahiptir. Bunu aşağıdaki üç temel boyuttan inceleyebiliriz:

• İşlem havuzu kuyruk modelini optimize etmek için karar ağacı uygulaması

İşlem havuzu kuyruk modelinin optimizasyonunda karar ağaçlarının uygulanması

Karar ağaçlarının kullanımı, Ethereum işlem havuzunun kuyruk mekanizmasını etkili bir şekilde optimize edebilir. Karar ağaçları, Gaz fiyatları ve işlem boyutu gibi işlem özelliklerini analiz ederek işlemlerin seçimini ve sıralamasını optimize edebilir. Bu yöntem, işlem işleme verimliliğini önemli ölçüde artırabilir, ağ tıkanıklığını etkili bir şekilde azaltabilir ve kullanıcıların işlemler için bekleme süresini kısaltabilir.

• Kullanıcıları segmentlere ayırma ve kişiselleştirilmiş hizmetler sunma

Müşteri ilişkileri yönetiminde yaygın olarak kullanılan bir araç olan RFM modeli (Recency, Frequency, Monetary value), kullanıcıları en son işlem zamanlarını (Recency), işlem sıklıklarını (Frequency) ve işlem miktarlarını (Monetary value) değerlendirerek etkili bir şekilde segmentlere ayırabilir. RFM modelinin Ethereum platformunda uygulanması, yüksek değerli kullanıcı gruplarının belirlenmesine, kaynak tahsisinin optimize edilmesine ve daha kişiselleştirilmiş hizmetler sağlanmasına yardımcı olabilir, böylece kullanıcı memnuniyetini ve platformun genel verimliliğini artırabilir. Müşteri ilişkileri yönetiminde yaygın olarak kullanılan bir araç olan RFM modeli (Recency, Frequency, Monetary value), kullanıcıları en son işlem sürelerini (Recency), işlem sıklıklarını (Frequency) ve işlem miktarlarını (Monetary value) değerlendirerek etkili bir şekilde segmentlere ayırabilir. RFM modelinin Ethereum platformunda uygulanması, yüksek değerli kullanıcı gruplarının belirlenmesine, kaynak tahsisinin optimize edilmesine ve daha kişiselleştirilmiş hizmetler sunulmasına yardımcı olarak kullanıcı memnuniyetini ve platformun genel verimliliğini artırabilir.

DBSCAN algoritması ayrıca kullanıcıların işlem davranışlarını analiz ederek Ethereum'daki farklı kullanıcı gruplarının belirlenmesine yardımcı olabilir ve farklı kullanıcılara daha özelleştirilmiş finansal hizmetler sağlayabilir. Bu kullanıcı segmentasyonu stratejisi pazarlama stratejilerini optimize edebilir, müşteri memnuniyetini ve hizmet verimliliğini artırabilir.

• KNN tabanlı kredi skorlaması

K-En Yakın Komşular algoritması (KNN), borç verme gibi finansal faaliyetlerde son derece önemli bir rol oynayan Ethereum'daki işlem geçmişini ve davranış kalıplarını analiz ederek kullanıcıların kredisini puanlayabiliyor. Kredi skorlama, finans kuruluşlarının ve kredi platformlarının borçluların geri ödeme kabiliyetlerini ve kredi riskini değerlendirmelerine yardımcı olarak daha doğru kredi verme kararları almalarını sağlar. Bu, aşırı borçlanmayı önleyebilir ve piyasa likiditesini artırabilir.

Gelecek yönelimleri

Makro sermaye tahsisi açısından bakıldığında, dünyanın en büyük dağıtık bilgisayarı olan Ethereum'un alt katmanına asla aşırı yatırım yapılamaz ve farklı geçmişlere sahip daha fazla geliştiricinin ortak inşaya katılması gerekir. Bu makalede, Ethereum'un teknik uygulamasını ve karşılaştığı sorunları tarayarak, makine öğreniminin bir dizi sezgisel uygulamasını öngörüyoruz ve topluluktaki yapay zeka geliştiricilerinin bu vizyonları gerçek değere dönüştürmesini dört gözle bekliyoruz.

Zincir üzerindeki bilgi işlem gücü kademeli olarak arttıkça, ağ yönetimi, işlem izleme, güvenlik denetimi vb. için daha karmaşık modellerin geliştirileceğini ve Ethereum ağının verimliliğini ve güvenliğini artıracağını öngörebiliriz.

Ayrıca, yapay zeka/ajan güdümlü yönetişim mekanizmaları da Ethereum ekosisteminde önemli bir yenilik haline gelebilir. Daha verimli, şeffaf ve otomatik karar alma süreçleri getiren bu mekanizma, Ethereum'a daha esnek ve güvenilir bir yönetişim yapısı sağlayabilir. Gelecekteki bu gelişmeler yalnızca Ethereum teknolojisindeki yenilikleri teşvik etmekle kalmayacak, aynı zamanda kullanıcılara daha kaliteli bir zincir içi deneyim de sağlayacaktır.

Sorumluluk Reddi：

1. Bu makale [TechFlow]'dan yeniden basılmıştır. *Orijinal Başlığı '另一个角度看「AI+Blockchain」：AI 如何革新以太坊？' Tüm telif hakları orijinal yazara[Salus] aittir. Bu baskıya itirazınız varsa, lütfen Gate Learn ekibiyle iletişime geçin, onlar bu konuyu derhal ele alacaklardır.
2. Sorumluluk Reddi: Bu makalede ifade edilen görüş ve fikirler yalnızca yazara aittir ve herhangi bir yatırım tavsiyesi teşkil etmez.
3. Makalenin diğer dillere çevirisi Gate Learn ekibi tarafından yapılmaktadır. Belirtilmediği sürece, çevrilen makalelerin kopyalanması, dağıtılması veya intihal edilmesi yasaktır.