IEEE論文：當區塊鏈遇上人工智能——區塊鏈智能未來的三大機會_區塊鏈:人工智能

在談論ABCD的時候，我們把AI排在blockchain前面，在談論AI+Blockchain的時候，我們也總下意識地認為區塊鏈服務于AI智能，用區塊鏈解決人工智能的安全和隱私漏洞等缺點,以AI為主區塊鏈為輔。那么代表生產力的AI真的比代表生產關系的強，更重要？這是我們如何理解區塊鏈，如何定位區塊鏈的問題。以下，我們分享一篇以區塊鏈為主，AI智能服務于區塊鏈論文，用AI智能賦能區塊鏈。

BlockchainIntelligence:WhenBlockchainMeetsArtificialIntelligence區塊鏈智能：當區塊鏈遇上人工智能

https://arxiv.org/pdf/1912.06485.pdfZibinZheng,SeniorMember,IEEE,Hong-NingDai,SeniorMember,IEEE,JiajingWu,Member,IEEE

摘要

區塊鏈以其安全去中心的資源共享方式廣受關注。然而，現有的區塊鏈系統在運營維護、智能合約的質量保證以及區塊鏈上的惡意行為檢測等方面也面臨諸多挑戰。人工智能的最新進展為克服上述挑戰帶來了機遇。區塊鏈與人工智能的整合有利于提升現有的區塊鏈系統。本文介紹了區塊鏈與人工智能的融合。本文還通過案例分析進一步論證了區塊鏈智能化的可行性，并指出了未來的發展方向。

區塊鏈；人工智能；智能合約；機器學習

一、導言

區塊鏈因其提供可追蹤性、不變性和不可否認性的安全數據共享服務而受到廣泛關注。盡管區塊鏈具有諸多優點，但區塊鏈技術的發展仍面臨著許多挑戰，包括可擴展性差、運營維護困難、在智能合約中發現易受攻擊的代碼以及識別區塊鏈歷史數據中的惡意行為。

人工智能的最新進展極大地推動了各種商業應用的發展。人工智能與區塊鏈的融合有可能克服區塊鏈的局限性。我們將人工智能賦予區塊鏈生態系統的智能能力稱為區塊鏈智能。特別是機器學習、數據挖掘和數據可視化等人工智能方法，有助于捕捉區塊鏈中的異常行為，識別交易中的風險，檢測智能合約中可能存在的脆弱程序等。因此，可以采取主動識別行動來防止區塊鏈的破壞性或非法行為，從而使區塊鏈更加智能化。

本文旨在回顧區塊鏈技術以及人工智能技術，對區塊鏈與人工智能的結合進行深入分析，提出區塊鏈智能技術。與目前大多數關于區塊鏈與人工智能集成的研究不同，本文主要集中在應用人工智能技術來改進區塊鏈系統。綜上所述，本文的主要貢獻概括如下：

我們首先對區塊鏈技術進行概述，并指出現有區塊鏈系統面臨的挑戰。

然后我們回顧人工智能的進展，正式介紹人工智能和區塊鏈的融合，然后討論智能區塊鏈帶來的機遇。

BIJIEEX將于9月28日上線存儲公鏈ACL/USDT交易對:據BIJIEEX官方公告，BIJIEEX將于2020年9月28日20:00（UTC+8）上線存儲優選項目Apocalypse Chain（ACL），并開放ACL/USDT交易對。

Apocalypse Chain是一個基于IPFS協議的隱私安全空間網絡解決方案。它是一條公鏈，基于IPFS的底層協議，利用分布式碎片存儲技術，通過DPOS+PBFT的多重算法并行，兼容解決區塊鏈世界存在的不可能三角問題——安全性、去中心化和可擴展性，保障隱私數據能得到真正的安全，人人可享受個人自由的隱私安全空間。據悉，ACL計劃陸續上線多家交易平臺。[2020/9/27]

接下來我們將展示一個案例研究，以證明智能區塊鏈的可行性

二。區塊鏈技術概述

作為一種顛覆性的技術，區塊鏈正在重塑不同的行業職能部門。區塊鏈本質上是一種鏈式的數據結構，存儲由整個網絡中的大多數節點達成共識驗證的交易，如圖1所示。由于區塊鏈中已提交的交易已存儲在每個節點，因此極難更改或偽造其數據。結合數字簽名和非對稱加密，對區塊鏈數據進行認證和審計，意味著交易發起方的不可篡改。隨著新的驗證交易被附加到鏈的末尾，區塊鏈的長度不斷增長。區塊鏈數據的數據分析可能會提到取有價值的信息。

區塊鏈技術的發展經歷了兩個階段：1）區塊鏈1.0和區塊鏈2.0。在區塊鏈1.0中，區塊鏈主要用于比特幣等數字貨幣。區塊鏈的出現促進了智能合約的發展。智能合約基本上由多個當事人同意的若干計算機自動化合約協議組成。智能合約中的合約條款被觸發，并在滿足特定條件時自動執行。

智能合約已經在區塊鏈上實現，如圖1所示。經批準授權確認的合同條款被轉換成可執行的計算機程序。合同條款之間的邏輯連接也以程序中的邏輯流的形式保留下來。每個合同語句的執行記錄為存儲在區塊鏈中的不可變事務。同時，智能合約保證了適當的訪問控制和合約執行。特別是，開發人員可以為合同中的每個函數分配訪問權限。

盡管區塊鏈及其智能合約在重塑各行各業方面都有很好的前景，但區塊鏈系統固有的局限性也帶來了不少的挑戰。

1）運行維護。

由于區塊鏈系統的去中心和異質性，很難找出影響區塊鏈績效的潛在因素。例如，由于采用了不同的一致性算法，HyperledgerFabric的交易吞吐量瓶頸不同于比特幣和以太坊。此外，與其他軟件系統一樣，智能合約由許多計算機程序組成，這些程序可能會受到軟件錯誤、惡意代碼和運行環境不兼容的影響。因此，實現復雜區塊鏈系統的智能化、自動化運營維護至關重要。

百度、分布科技、螞蟻集團牽頭發布IEEE C/BDL 跨鏈互操作系列:8月3號，以螞蟻集團螞蟻鏈、百度超級鏈、分布科技Onchain為首的IEEE C/BDL標準工作組牽頭制定了P3200s “跨鏈互操作”系列標準立項提案。該系列標準解決各區塊鏈間算法和底層架構差異大、跨鏈信息不安全、跨鏈事務執行速度低等技術難點；幫助成員鏈快速、便捷、低成本地接入不同底層平臺; 聯通相互隔離的區塊鏈生態孤島，構建下一代互聯網創新模式。其中由分布科技提出的“P3204跨鏈互操作事務一致性協議標準”不僅支持同構鏈間跨鏈協議，更實現“異構鏈”間的任意信息跨鏈與跨鏈信息的事務性一致性，彌補了當前市場上的空白。[2020/8/12]

2）智能合約的質量保證。

智能合約也存在許多漏洞，如重入性漏洞、過充問題、隨機性控制和去中心化自治組織攻擊。此外，合約的正確性對智能合約也至關重要，因為一旦合約部署在區塊鏈之上，幾乎不可能進行任何修改更新。然而，與軟件系統一樣，智能合約通常包含編程錯誤，這些錯誤可能導致崩潰或錯誤行為，同時由于智能合約的復雜性，很難檢測和識別這些錯誤。

3）惡意行為檢測。

除了合法業務外，區塊鏈還可能被用于惡意活動，但由于區塊鏈的假名，這些惡意活動很難被檢測到。另一方面，加密的區塊鏈數據也導致難以通過簡單的數據分析來檢測和識別惡意行為。此外，區塊鏈數據的海量性、異構性以及用戶行為的多樣性使得問題更加嚴重。因此，傳統的基于分類的方法不能直接應用。

三、人工智能帶來的機遇

人工智能是一門涵蓋機器學習和認知計算的廣泛學科，是智能主體進行智能任務的能力。近年來，大數據、人工智能技術和通用計算機硬件的發展極大地推動了人工智能的發展。因此，我們目睹了計算機視覺、自然語言處理、語音識別、情感分析等多種人工智能應用的激增。大數據在推動人工智能和人工智能應用方面起著至關重要的作用。例如，主要基于深度神經網絡的深度學習，由于具有海量數據，使得DNNs能夠從海量數據中提取足夠的特征，從而取得了優異的性能。

各種區塊鏈系統的出現產生了海量的區塊鏈數據，這些數據對所有人都是公開的。以比特幣為例。據Statista在2019年第三季度末報告，比特幣包含近242?GB的數據。對海量區塊鏈數據進行數據分析，不僅可以挖掘出巨大的商業價值，也為克服區塊鏈系統的上述挑戰帶來了巨大的機遇。人工智能的最新進展也極大地推動了大數據分析的發展。因此，人工智能和區塊鏈技術的集成可以潛在地克服區塊鏈系統的上述挑戰，從而形成智能區塊鏈系統。我們將區塊鏈與人工智能的集成稱為智能區塊鏈。值得一提的是、在將區塊鏈與人工智能集成方面有很多研究工作，但大多集中在人工智能上利用區塊鏈，以克服人工智能正在出現的安全和隱私漏洞。與這些研究相比，本文的工作主要集中在利用人工智能技術解決區塊鏈的內在問題上。

HHB將于5月26日20:00上線BIJIEEX:據BIJIEEX（幣界交易所）發布公告稱，BIJIEEX將于5月26日20:00（UTC+8）上線HHB/USDT交易對。

據悉，HHB是一個開放的金融行業的平臺，支持多種 Dapp 的開發和上鏈，幫助所有參與者靈活參與生態。HHB生態通過區塊鏈技術保障各方參與者的利益。促進整個金融行業數據上鏈，多方維護，打破傳統金融行業各環節的壁壘，提高金融行業價值傳遞的效率，建立一個自由、平等、安全、可信、開放、共享的金融行業新生態。

為推動HHB高速發展，BIJIEEX擬攜HHB，于5月26日15:00舉行“235U變”COB兌換HHB專場活動，為HHB上線預熱。[2020/5/25]

我們將人工智能為增強現有區塊鏈系統帶來的機會總結如下。

1）區塊鏈智能運營維護。

區塊鏈實時生成大量數據。通過分析區塊鏈數據，可以發現可能的故障，預測故障，識別性能瓶頸，從而對區塊鏈系統的性能進行調整。數據分析有四個不同的層次，包括：描述性分析、診斷性分析、預測性分析和規定性分析。特別是的工作提供了一個通用平臺，通過對區塊鏈數據的描述性分析來評估三個具有代表性的區塊鏈系統：以太坊、Parity和HyperledgerFabric結構的性能。同時，區塊鏈日志數據的描述性分析有助于監控區塊鏈系統的實時性能，識別可能的故障。除了對區塊鏈數據進行診斷分析外，預測分析對于預測區塊鏈系統的性能瓶頸也是必要的。與診斷分析和預測分析不同，規定性分析可以模擬和優化區塊鏈系統，從而提高區塊鏈系統的可靠性。

2）智能合約的智能質量保證。

與計算機軟件一樣，智能合約可能包含漏洞或錯誤代碼，這些代碼容易造成系統崩潰和被惡意攻擊。為了實現智能合同智能質量保證，對智能合同中的缺陷進行智能檢測和自動識別至關重要。如Oyente平臺，用于檢測和識別潛在的錯誤。同時，智能合約本質上是對執行成本敏感的程序代碼。因此，有必要確定成本高昂的模式，并糾正這些脆弱的智能合約。在中，Chen等人。開發了一個工具GASPER，通過分析以太坊智能合約的字節碼來識別和定位七種耗費巨大的GAS模式。機器學習方法可以自動檢測和識別智能合約中的漏洞。此外，越來越多的智能合約也帶來了組合多個合約的機會。特別是，我們可以找到并識別滿足用戶需求的合約，并將它們組合在一起，實現更全面的應用。與傳統的分布式軟件系統如web服務不同，智能合約缺乏語義描述和服務質量評估指標。因此，基于人工智能的新方法有望自動標記智能合約的語義，并提供數據驅動的智能合約QoS評估。

動態 | ARPA加入IEEE標準協會并參與國際標準制定:近日，隱私計算領軍企業ARPA受邀成為IEEE標準協會成員，并參與IEEE《共享機器學習系統技術框架及要求》國際標準制定。IEEE共享機器學習標準由螞蟻金服牽頭，中國電子技術標準化研究院、中國移動、聯想等頂尖企業與研究機構共同參與。ARPA在安全計算領域有深厚的技術積累和部署經驗。

IEEE全稱“電氣和電子工程師協會” Institute of Electrical and Electronics Engineers，是目前全球最大的非營利性專業技術學會IEEE標準在全球范圍內具有權威性和極大的影響力。此前ARPA參與了中國信息通信研究院牽頭制定的安全多方計算標準，為國內首個。[2020/1/3]

3）自動惡意行為檢測。

分布式的區塊鏈系統導致難以審計區塊鏈平臺中發生的洗錢、網絡釣魚、賭博和詐騙等惡意行為。區塊鏈系統生成了大量的交易數據，基本上人人都可以使用，而歷史交易數據則是通過匿名賬戶地址進行的。海量的區塊鏈數據帶來了審計和檢測惡意行為的機會。對海量區塊鏈數據進行大數據分析，有助于識別惡意用戶、識別行為模式、分析市場操縱、發現欺詐行為。的工作展示了以太坊數據的交叉圖分析，并確定了以太坊區塊鏈平臺上發生的幾個主要活動。如所述，提出了一種基于機器學習的方法來檢測和捕獲發生在以太坊的龐氏騙局。的工作通過奇異值分解方法分析了Mt.Gox比特幣交易所的泄露交易歷史，識別了許多市場操縱模式。此外，惡意用戶還可能利用多個匿名帳戶組成犯罪團伙，在區塊鏈系統上進行非法活動。新的機器學習方法以及對多個帳戶的關聯分析有望解決這個問題。

人工智能、機器學習和大數據分析的進步為解決上述區塊鏈挑戰帶來了眾多機遇。接下來，我們將展示一個案例研究，以說明區塊鏈智能的可行性。

四、案例研究

區塊鏈的數據分析有利于交易欺詐識別和智能合約漏洞檢測。然而，對區塊鏈數據進行大數據分析也具有挑戰性。1）由于區塊鏈規模龐大，下載整個區塊鏈數據非常耗時，例如，在一個新加入的對等節點上完全同步整個以太坊需要一周多的時間和超過500GB的存儲空間。2）它需要在提取和處理區塊鏈數據方面付出巨大努力。首先，區塊鏈數據以異構、復雜的數據結構存儲在客戶端，無法直接分析。同時，底層區塊鏈數據要么是二進制的，要么是加密的。因此，有必要提取和處理二進制和加密的區塊鏈數據，以便獲得有價值的信息，而這一過程并不簡單，因為傳統的數據分析方法可能無法處理這類數據。3）區塊鏈數據沒有通用的數據提取工具。盡管有幾種用于區塊鏈數據提取的開放源代碼工具可用，但大多數工具只能支持提取部分區塊鏈數據。

動態 | 全新零知識證明論文被IEEE學術會議收錄 或能抵抗量子計算機:由四位研究人員共同發表的論文透明多項式委托及其在零知識證明中的應用被第 41 屆電氣電子工程師學會安全隱私學術會議（IEEE S&P 2020）接受，其作者之一的Yupeng Zhang在推特上公開了該消息，他來自于德克薩斯州農工大學，另外三名作者來自于加州大學伯克利分校，分別是Jiaheng Zhang、Tiancheng Xie和Dawn Song （宋曉冬），宋曉冬教授也是區塊鏈隱私計算平臺Oasis Labs的創始人。據Yupeng Zhang介紹，該論文提出了一個全新且透明的零知識證明機制，可以提供非常快的驗證時間，也不需要可信設置（trusted setup）。論文中介紹到，該零知識證明機制僅使用了輕量級的加密算法比如抗碰撞的哈希函數，所以也可能是量子安全的。[2019/12/26]

A、以太坊數據提取

為了應對上述挑戰，我們提出了一個區塊鏈數據分析框架，即XBlockETH，用于分析以太坊數據。特別是，我們提取了8,100,000塊以太坊的原始數據。圖3示出了典型的以太坊事務執行流程，從塊N經由區塊鏈對等端到EVM。在此過程中，我們收集三種類型的區塊鏈原始數據：區塊、接收和跟蹤。由于對原始區塊鏈數據的分析比較困難，我們將獲得的以太坊區塊鏈數據處理和分類為六個數據集：區塊和交易，以太坊的內部交易，合同信息，合同調用，ERC20令牌交易，ERC721令牌交易，如圖3所示。處理raw是非常重要的，因為它需要從原始數據中提取有用的信息并與六個數據集相關聯。然后，我們對這些細化的數據集進行統計分析。在以太坊，礦商有更高的優先權將具有更高“gasPrice”的交易打包到區塊中。“gasPrice”的可視化如圖4所示。從宏觀上看所示），隨著以太坊社區的發展，“gasPrice”正在逐漸減少，除了在網絡擁塞時由于極其頻繁的事務而導致的幾個峰值。從微觀上看所示），我們提取了8,000,000到8,020,000塊的時間，發現這種“fluctuations/起伏”的波動可以用潮汐定律來觀察。這一觀察結果意味著“fluctuations/起伏”的波動是可以預測的。

B、以太坊檢測龐氏騙局

區塊鏈也可以被用來進行詐騙等非法活動的檢測。例如，在中，我們提出了一種通過提取和分析以太坊合約中用戶賬戶和操作碼的關鍵特征來檢測以太坊區塊鏈中龐氏騙局的方法。圖5用以太流圖比較了普通合同和龐氏方案合同，其中橫軸表示時間線，縱軸表示特定合同的參與者數量，紅色圓圈和藍色圓圈分別表示投資交易和支付交易。此外，圓圈的大小也代表交易量，即圓圈越大表示交易量越大。

圖5是正常的合約，圖5是典型的龐氏騙局合約。我們可以觀察到圖5和圖5之間的幾個顯著差異：1）圖5中的參與者比圖5多；2）圖5中的支付交易比圖5中的支付交易多，交易數量的隨機性更強。在提取關鍵特征并應用其他數據挖掘和機器學習方法后，我們可以從其他正常活動中成功地對龐氏騙局進行分類。

五、總結

本文首先回顧了區塊鏈技術，并分析了區塊鏈系統面臨的挑戰。然后我們介紹人工智能以及AI給區塊鏈系統帶來的機遇。我們將這種區塊鏈和人工智能的集成稱為區塊鏈智能。主要討論了人工智能在區塊鏈智能操作維護、智能合約智能質量保證和自動惡意行為檢測等方面給區塊鏈帶來的好處。此外，我們還提供了一個案例來進一步展示區塊鏈智能的巨大潛力。相信人工智能與區塊鏈技術的融合將進一步推動區塊鏈系統的良性發展。我們將區塊鏈智能的未來方向概述如下。

區塊鏈的實時自動化操作維護。未來區塊鏈系統的智能操作將不再只是進行性能監測和故障檢測，而是對區塊鏈系統的多個性能指標進行實時監測，實現從崩潰點的自動恢復。

集體智慧賦予智能合約。目前智能合約的QoS保證方法主要基于對區塊鏈中唯一對等點的合約模式的分析。與單個智能體不同，集體智能能夠激勵所有參與者進行分析和推理，從而貢獻他們的集體知識，在全球范圍內做出更好的決策。未來，集體智能有望與分散的區塊鏈系統整合，提供可信、智能的區塊鏈服務。

集成多種機器學習方法，以監控和監督區塊鏈數據。區塊鏈分散化給區塊鏈平臺交易的監控帶來了困難，導致了大量的違法行為。同時，區塊鏈數據的異構性和假名性使得這種情況更加嚴重。在未來，應將多種機器學習方法結合起來，從不同類型的區塊鏈數據中提取關鍵特征。此外，交易的動態圖也可以用來識別不同賬戶之間的關聯，從而識別惡意行為。

展望

個人認為，代表生產力的智能AI是一種線性的量變過程，多少人工多少智能，多少數據多少智能，而代表生產關系的區塊鏈“B”即是一種非線性質變的過程，它通過改變共識的達成，改變了生產關系，改變了組織結構，這種關系的改變，達到的效果可能是非線性的。所以應以區塊鏈為主AI智能為輔，本文只是討論了，利用智能AI提升區塊鏈，解決區塊鏈上的難維護難識別等問題上。未來，代表著云基礎設施的"C",代表著生產資類的數據"D"也將圍繞能達成“共識”的區塊鏈展開賦能，助力區塊鏈發展。

REFERENCESX.Li,P.Jiang,T.Chen,X.Luo,Q.Wen,“Asurveyonthesecurityofblockchainsystems”,FutureGenerationComputerSystems,2017,?https://doi.org/10.1016/j.future.2017.08.020.

N.Szabo,“Theideaofsmartcontracts”,NickSzabo’sPapersandConciseTutorials.?http://www.fon.hum.uva.nl/rob/Courses/InformationInSpeech/CDROM/Literature/LOTwinterschool2006/szabo.best.vwh.net/smart?contracts2.html

T.Chen,X.Li,X.Luo,X.Zhang,“Under-optimizedsmartcontractsdevouryourmoney”,Proceedingsof24thInternationalConferenceonSoftwareAnalysis,EvolutionandReengineering(SANER),2017,pp.442–446.

J.Bonneau,J.Clark,S.Goldfeder,“Onbitcoinasapublicrandomnesssource”,IACRCryptologyePrintArchive,1015,2015

TheDAO,TheHack,TheSoftForkandTheHardFork(2017).?https://www.cryptocompare.com/coins/guides/the-dao-the-hack-the-soft-fork-and-the-hard-fork/

P.Zheng,Z.Zheng,X.Luo,X.Chen,X.Liu,“Adetailedandrealtimeperformancemonitoringframeworkforblockchainsystems,”2018IEEE/ACM40thInternationalConferenceonSoftwareEngineering:SoftwareEngineeringinPracticeTrack,pp.134–143,2018.(conferenceproceedings)

H.-N.Daietal.,“Bigdataanalyticsforlarge-scalewirelessnetworks:Challengesandopportunities,”,ACMComputingSurveys,vol.52,no.5,2019

T.T.A.Dinh,R.Liu,M.Zhang,G.Chen,B.C.OoiandJ.Wang,“UntanglingBlockchain:ADataProcessingViewofBlockchainSystems,”IEEETransactionsonKnowledgeandDataEngineering,vol.30,no.7,pp.1366-1385,1July2018

L.Luu,D.-H.Chu,H.Olickel,P.Saxena,andA.Hobor,“MakingSmartContractsSmarter,”Proceedingsofthe2016ACMSIGSACConferenceonComputerandCommunicationsSecurity(CCS’16),2016

W.Chen,Z.Zheng,J.Cui,E.Ngai,P.Zheng,andY.Zhou,“DetectingPonziSchemesonEthereum:TowardsHealthierBlockchainTechnology,”Proceedingsofthe2018WorldWideWebConference(WWW’18),1409-1418.

P.Rodriguez-Mier,C.Pedrinaci,M.LamaandM.Mucientes,“AnIntegratedSemanticWebServiceDiscoveryandCompositionFramework,”IEEETransactionsonServicesComputing,vol.9,no.4,pp.537-550,1July-Aug.2016.

T.Chenetal.,“UnderstandingEthereumviaGraphAnalysis,”IEEEINFOCOM2018-IEEEConferenceonComputerCommunications,2018,pp.1484-1492.

W.Chenetal.,“MarketManipulationofBitcoin:EvidencefromMiningtheMt.GoxTransactionNetwork”,IEEEConferenceonComputerCommunications,2019,pp.964-972.

T.N.DinhandM.T.Thai,“AIandBlockchain:ADisruptiveIntegration”,Computer,vol.51,no.9,pp.48-53,September2018.

Nassar,M,Salah,K,urRehman,MH,Svetinovic,D.,“Blockchainforexplainableandtrustworthyartificialintelligence”,WIREsDataMiningKnowlDiscov,2020;10:e1340.?https://doi.org/10.1002/widm.1340

Tags：區塊鏈人工智能INGAND區塊鏈域名如何注冊人工智能電影wing幣創始人Wonderland

TUSD