链集市?·让区块链落地更简单
《区块链行业观察》专栏·第58?篇
作者丨YugeshVerma
图片丨来源于网络
区块链技术是近年来的发展趋势。这种技术允许个人通过高度安全和去中心化的系统直接进行交互，而不需要中介。而机器学习除了提供功能外，还可以帮助基于区块链技术的系统突破自身的限制。机器学习和区块链技术的结合可以提供高性能和有用性。本文将探讨如何将机器学习能力与基于区块链技术的系统集成，并讨论了相关的用例。
区块链技术
区块链技术的基础是去中心化存储，使数据不能由特定的参与者拥有或管理。一旦事务记录在区块中，就不能进行修改。在参与方进行记录前，需要验证即将进行的事务。与传统数据库不同的是，数据由去中心化的节点存储，并不需要特定的中央机构来验证这些记录。
IOTA代币持有者将投票决定无人认领的代币该如何处置:1月27日消息，IOTA代币持有者将投票决定无人认领的代币应该如何处置。投票选项有两种：1、用于支持和资助对IOTA社区生态系统至关重要的项目和计划，这些资金将完全由社区管理。2、从IOTA分类账中删除，总供应量将减少。
投票过程将分为三个阶段：提案公告；投票（七天）；计票（10天）。投票结果将通过参与计数的每个节点以分散的方式生成和验证。每个节点都可以通过API终结点公开其当前和最终结果。
据此前消息，在去年的Chrysalis网络升级期间，IOTA基金会要求IOTA社区决定如何使用超过50个无人认领的IOTA代币。[2022/1/28 9:18:08]
虽然区块链技术运行机制实际上是很复杂的，但是我们可以将其简单的视为各种区块的集合，这些区块相连形成了数据流。在这条区块链上，当前区块保存了前一个区块的哈希值，以此类推。
使用这种采用区块链技术的系统可以使其在数据和事务方面都具有可跟踪性。而也正因如此，旧区块上的数据无法被更改，数据的更改意味着哈希值的改变。
区块链由以下三个重要的组件组成。
日本经济安全大臣：日本方面有必要考虑如何使用数字货币:日本经济安全大臣小林鹰之：日本方面有必要考虑如何使用数字货币，以便在国际规则制定中发挥主导作用。（金十）[2021/10/14 20:29:08]
第一是区块，顾名思义，区块链是由许多区块组成的，每个区块都有三个基本元素：数据、随机数、哈希值。随机数是32位整数。是在生成区块时随机生成的，并促使生成区块头的哈希值。哈希值是一个256位的数字，非常小，并且与随机数连接。
每当在链中创建区块时，随机数会立即生成加密的哈希值，该哈希值将被签名并与区块中的数据绑定。而如果在区块中对数据进行挖掘，就可以用数据解开当前的哈希值与随机数。
第二是矿工，矿工们负责通过一个叫做采矿的过程在链上建立新的区块。如前所述，每一个区块都由其唯一的随机数和哈希值组成，而当前区块中的哈希值引用了链上的前一个区块的哈希值，这使得区块的挖矿非常困难，特别是在大型的链上。
矿工需要特殊的技术来解决复杂的数学问题，以找到生成的公认哈希值。随机数只有32位，而哈希值是256位数，所以在找到正确的组合之前，需要挖掘大约数十亿种可能的组合。得到正确组合的矿工通常被称为拥有“黄金随机数”，这将使得一个区块被添加到链上。
“如何看待比特币凌晨突发大跳水”相关讨论上知乎热榜前三:根据知乎首页，一条提问“如何看待比特币凌晨突发大跳水，24小时近20万人爆仓，一度跌破5.5万美元，112亿资金灰飞烟灭？”登上知乎热榜，现排名第三位，热度2375万。[2021/5/13 21:59:09]
要找到黄金随机数，需要大量的时间和计算能力。这使得在区块中进行更改变得很困难，使得区块中的数据可以抵抗篡改。
第三是节点：正如我们已经讨论过的，构建区块链的最重要概念之一是将数据分散到不同的区块中。没有一个特定的人可以拥有所有的信息。这样就使链有可能由不同的人或组织拥有。节点可以被认为是一种设备，它持有区块数据的副本，并使链或网络按照所需的方向工作。
并且每个节点的网络被设置为批准该链更新、信任和验证新的区块。区块链的透明度使得检查或查看账本中的每一项操作都是一件轻而易举的事情。每个参与者都有一个唯一的标识显示他们在链中的事务。
下图表示区块链的可追溯性和对更改数据的抵抗力。
DFI.Money（YFII）发起关于如何分配Balancer奖励提案:9月3日，聚合器项目DFI.Money（YFII）收到首批Balancer（BAL）奖励，共计BAL 679.83个，价值21,814美元。该奖励来源于YFII/DAI矿池，后续每周都将收到。关于奖励如何分配，社区发起提案进行投票：放进循环挖矿池；换成yCRV给投票人激励参与投票；注入社区基金。[2020/9/8]
区块链技术有很多的应用，比如安全数据交易、跨境汇款、实时物联网操作系统、供应链与物流监控、Crypto交易、个人身份安全等等。
基于区块链应用中的机器学习
机器学习算法有惊人的学习能力，可以应用在区块链中，使区块链比以前更智能。这种集成有助于提高区块链的去中心化账本的安全性。此外，机器学习的计算能力可以用来减少寻找黄金随机数所需的时间，也可以用来使数据共享路由变得更好。并且，我们还可以利用区块链技术的去中心化数据结构的特性，建立更好的机器学习模型。
机器学习模型可以利用存储在区块链网络中的数据进行预测或数据分析。我们以基于区块链技术的智能应用程序为例，数据从不同来源收集，例如传感器、智能设备、物联网设备和应用程序中的区块链，它们作为应用程序的一个组成部分，机器学习模型可以应用于实时数据分析或预测。
声音 | 新加坡金管局高管：金管局正在研究如何通过监管应对加密货币带来的风险:据Finance Magnates消息，新加坡金融管理局（MAS）高管Damien Pang在本周四举行的年度金融科技联合大会上表示，许多监管机构和行业人士呼吁以自上而下的方式对加密货币行业进行监管。金管局正在研究加密货币带来的风险，以及如何通过监管来予以应对。 Pang称：“我们绝对需要监管加密货币，这是为了正确应对风险。例如使用加密货币为恐怖主义融资等，这是我们需要解决的问题。因此，问题不在于加密货币是否应该受到监管，而是关于（区块链）技术所带来的风险，以及我们如何在不对整个加密货币行业一网打尽的情况下，试图减轻这些风险。”[2019/6/27]
将数据存储在区块链网络中有助于减少机器学习模型的误差，因为网络中的数据不存在丢失值、重复或噪声，这是机器学习模型获得较高精度的主要要求。下面的图像是基于区块链技术的应用程序中用于机器学习自适应的体系结构。
集成机器学习的优势
在区块链技术中使用机器学习模型可以带来许多好处，比如：
任何授权用户在试图更改区块链时都很容易进行用户身份验证。使用机器学习，我们可以使区块链技术提供高范围的安全性和信任。整合机器学习模型有助于确保以前商定的条款和条件的可持续性。我们可以根据区块链的链环境进行机器学习模型的更新。模型可以帮助从用户端提取良好的数据。它可以连续计算，并在此基础上给予用户奖励。利用区块链技术的可追溯性，我们还可以对不同机器的硬件进行评估，这样机器学习模型就不会偏离在环境中分配它们的学习路径。我们可以在区块链环境中实现实时可信的支付过程。机器学习与区块链集成的系统应用
机器学习和区块链集成的系统可以有许多应用。
加强客户服务：众所周知，客户满意度是任何使用机器学习模型为客户服务的组织的首要需求。自动化机器学习框架应用于基于区块链技术的应用程序上，可以提高服务的效率和自动化程度。
数据交易：在世界各地使用区块链进行数据交易的公司可以使用区块链中的机器学习模型使服务更快。其中的工作机器学习模型就是管理数据的交易路径。相反，我们也可以将它们用于数据验证和数据Crypto。
产品制造：大多数大型制造单位或组织已经开始使用基于区块链的应用来增强生产安全性、透明度和遵从性检查。集成机器学习算法更有助于在特定时期制定灵活的机械维护计划。同时机器学习的集成有助于使产品测试和质量控制自动化。
智能城市：目前，智能城市正在帮助提高人们的生活水平，机器学习和区块链技术在智能城市的建设中发挥着至关重要的作用，例如，智能家居可以通过机器学习算法进行监控，而基于区块链的设备个性化可以提高生活质量。
监视系统：安全是人们关注的一个重要问题，犯罪率不断上升。机器学习和区块链技术可用于监视，区块链技术可用于连续数据的管理，机器学习可用于分析数据。
基于区块链技术的机器学习用例
当前已经有许多公司实施了这两种技术，它们要么集成在同一个应用中，要么集成在一个系统的不同工作中，致力于更好的进行产出。下面列出了机器学习和区块链技术的一些用例：
IBM与TwigaFoods合作，为食品供应商推出了基于区块链技术的小额融资策略。他们成功地实现了一些机器学习技术。在使用移动设备购买基于区块链的数据时，使用机器学习技术进行处理，以确定信用分数并预测不同用户的信誉。这样，放款人就可以利用区块链技术来促进贷款和还款。
做为很受用户欢迎的汽车制造公司保时捷，是早期采用机器学习和区块链技术来提高汽车性能和安全性的公司之一。该公司使用区块链技术可以更安全地交换数据，使用户更加安心，并能更方便地停车、充电和通过第三方系统访问他们的汽车。
一家总部位于纽约的初创公司也在利用基于区块链的创新技术来为当地社区提供能源生产和交易系统。该技术利用基于机器学习模型的微电网智能仪表和基于区块链技术的智能合同来跟踪和管理能源交易。
其他一些与食品行业有关的公司，如联合利华和雀巢，正在利用区块链和机器学习模型来应对浪费和食品污染等食品问题，并以高效的方式运转供应链。
总结
在本文中，我们对区块链技术及其组件和应用进行了简单的介绍。在此基础上，探索了区块链技术与机器学习集成的可能性。这种集成有众多好处，我们可以同时使用它们来掩盖不同技术之间的缺点。
原报告来自YugeshVerma,曾担任数据分析师实习生，对深度学习有很深的研究，并且撰写了多篇有关数据科学和机器学习的播客。中文版本由链集市团队编译整理，英文版权归原作者所有，中文转载请联系编译。
-END-
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。