Использование методов искусственного интеллекта в технологиях распределенных реестров

Содержание

Введение 3
Постановка задачи 5
Обзор литературы 6
Глава 1. Обзор и сравнение классификаторов 10
1.1. Обзор методов классификации 10
1.1.1. Метод k-ближайших соседей 11
1.1.2. Метод опорных векторов 11
1.1.3. Решающие деревья 14
1.1.4. Случайный лес 16
1.1.5. Градиентный бустинг 17
1.1.6. Искусственные нейронные сети 19
1.2. Метрики оценки классификации 23
1.2.1. Accuracy 24
1.2.2. Precision и recall 25
1.2.3. М-мера 25
Глава 2. Результаты 26
2.1. Датасет 26
2.2. Результаты классификации 30
2.2.1. Метод k-ближайших соседей 31
2.2.2. Метод опорных векторов 36
2.2.3. Решающие деревья 38
2.2.4. Случайный лес 42
2.2.5. Градиентный бустинг 46
2.2.6. Искусственные нейронные сети 49
Выводы 56
Заключение 58
Список литературы 59

Введение

С развитием вычислительных мощностей стало возможно совершенствование систем искусственного интеллекта. Сейчас искусственный интеллект внедрен в огромное число различных областей. Система искусственного интеллекта - это довольно абстрактное понятие, под которым обычно понимают систему, способную воспринимать окружающую среду и предпринимать действия, которые максимизируют шансы системы на успешное достижение поставленных целей. Искусственный интеллект часто используется в сложно формализуемых задачах благодаря возможности автоматического выделения особенностей исходных данных и способности к обобщению. Также внедрение систем искусственного интеллекта может значительно сократить расходы на высококвалифицированных экспертов в различных областях и исключить ошибки, связанные с человеческим фактором.
Появление распределенных реестров сильно повлияло на развитие IT. Технологии распределенных реестров (Distributed ledger technology, DLT) можно рассматривать как технологии хранения данных, в которых отсутствует доверие между узлами. Ключевыми особенностями распределенных реестров являются:
• отсутствие центрального администратора;
• предоставление возможности совместного использования;
• обеспечение синхронизации между несколькими узлами (которые могут принадлежать различным государствам или учреждениям).
Распределенный реестр представляет из себя одноранговую (пиринговую) сеть, в которой информация хранится сразу на нескольких узлах. Между узлами сети отсутствует доверие, поэтому для обновления данных реестра участники сети должны прийти к консенсусу - некому заранее установленному условию разрешения конфликтов.
Существует множество различных технологий распределенных реестров:
• Blockchain [1],
• Hashgraph [2],
• Направленный ациклический граф (Directed Acyclic Graph, DAG) [3], и т.д.
Среди всех распределенных реестров, наибольшую популярность получила технология блокчейн, что связано с появлением криптовалюты Bitcoin [4].
Взаимодействие систем искусственного интеллекта с различными DLT является довольно перспективной областью исследований, так как это дает возможность использовать преимущества искусственного интеллекта в распределенных системах, в которых отсутствует доверие между узлами. Также интеллектуальные системы могут быть применены для анализа и оптимизации распределенных реестров.

Возникли сложности?

Нужна помощь преподавателя?

Помощь в написании работ!

ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ

КУРСОВЫЕ СТАТЬИ ВКР

Заключение

В данной работе была поставлена задача классификации адресов сети Ethereum по заранее известным типам. Были рассмотрены различные методы искусственного интеллекта для решения задачи классификации.
В результате работы был собран датасет для обучения моделей и произведена оценка пригодности рассматриваемых алгоритмов для решения поставленной задачи по различным метрикам. Вычислительные эксперименты позволили определить наиболее подходящие для решения задачи методы. Для полученных моделей были определены степени важности признаков, используемых для классификации. Также были предложены направления дальнейшего исследования рассматриваемой области. Учитывая дефицит работ по теме классификации адресов блокчейн-сетей, данная работа может быть полезна для изучения указанной темы.

Литература

1. A Gentle Introduction to Blockchain Technology [Электронный ресурс]: URL: https://bitsonblocks.net/2015/09/09/gentle-introduction-blockchain- technology (дата обращения: 12.04.2020).
2. Can hashgraph succeed blockchain as the technology of choice for cryptocurrencies? [Электронный ресурс]: URL: https://www.thehindu.com/ sci-tech/technology/can-hashgraph-succeed-blockchain-as-the-technology-of- choice-for-cryptocurrencies/article23348176.ece (дата обращения: 12.04.2020).
3. Kiran Kumar Kondru, R Saranya. Directed Acyclic Graph-based Distributed Ledgers - An Evolutionary Perspective. // International Journal of Engineering and Advanced Technology (IJEAT), ISSN: 2249 - 8958, Volume-9 Issue-1, 2019.
4. Satoshi Nakamoto. Bitcoin: A Peer-to-Peer Electronic Cash System. [Электронный ресурс]: URL: https://bitcoin.org/bitcoin.pdf (дата обращения: 3.03.2020).
5. Ethereum is a global, open-source platform for decentralized applications. [Электронный ресурс] URL: https://ethereum.org (дата обращения: 5.03.2020).
6. Nick Szabo. Smart Contracts: Building Blocks for Digital Markets. [Электронный ресурс] URL: http://www.fon.hum.uva.nl/rob/Courses/ InformationInSpeech/CDROM/Literature/LOTwinterschool2006/szabo.best.v wh.net/smart contracts 2.html (дата обращения: 7.04.2020).
7. Solidity. Language Documentation. [Электронный ресурс] URL: https: //solidity. readthedocs. io/en/latest (дата обращения: 7.04.2020).
8. Justin D. Harris, Bo Waggoner. Decentralized & Collaborative AI on Blockchain. // IEEE International Conference on Blockchain, 2019, 368 - 375.
9. Besir Kurtulmus, Kenny Daniel. Trustless Machine Learning Contracts; Evaluating and Exchanging Machine Learning Models on the Ethereum Blockchain [Электронный ресурс]. URL:https://algorithmia.com/research/ ml-models-on-blockchain (дата обращения: 14.05.2020).
10. Ajay Singh. Anomaly detection in the Ethereum network // A thesis for the degree of Master of Technology / Indian Institute of Technology Kanpur, 2019.
11. Chen F., Wan H., Cai H., Cheng G. Machine Learning in/for Blockchain: Future and Challenges // arXiv preprint arXiv: 1909.06189, 2019.
12. McMahan H. B., Moore E., Ramage D., Hampson S. Communication-Efficient Learning of Deep Networks from Decentralized Data // arXiv preprint arXiv:1602.05629, 2016.
13. Matthias De Aliaga. Classifying Ethereum users using blockchain data. [Электронный ресурс] URL: https://medium.com/tokenanalyst/classifying- ethereum-users-using-blockchain-data-dd6edb867de3 (дата обращения: 8.04.2020).
14. Will Price. Clustering Ethereum Addresses. [Электронный ресурс] URL:https://towardsdatascience.com/clustering-ethereum-addresses- 18aeca61919d (дата обращения: 8.04.2020).
15. Scikit-learn. Choosing the right estimator. [Электронный ресурс] URL: https: //scikit-learn. org/stable/tutorial/machine_learning _map/index.html (дата обращения: 26.04.2020).
...