Đề án tốt nghiệp Thạc sĩ Kỹ thuật: Áp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối blockchain

Chia sẻ: Cảnh Phương Thanh | Ngày: | Loại File: PDF | Số trang:75

Thêm vào BST

Báo xấu

18
lượt xem 9
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Đề án "Áp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối blockchain" nhằm nghiên cứu tổng quan về học máy, nghiên cứu về các thuật toán học máy; nghiên cứu về tổng quan chuỗi khối; nghiên cứu đề xuất thuật toán tích hợp học máy và chuỗi khối trong môi trường thông minh; nghiên cứu mô phỏng và thực nghiệm thuật toán đã đề xuất. Mời các bạn cùng tham khảo!

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Đề án tốt nghiệp Thạc sĩ Kỹ thuật: Áp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối blockchain

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG ----------------------------------- NGUYỄN HOÀNG VŨ ÁP DỤNG HỌC MÁY TRONG CÁC ỨNG DỤNG THÔNG MINH DỰA TRÊN CHUỖI KHỐI BLOCKCHAIN ĐỀ ÁN TỐT NGHIỆP THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) TP. HỒ CHÍ MINH – NĂM 2023
HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG -------------------------------------- NGUYỄN HOÀNG VŨ ÁP DỤNG HỌC MÁY TRONG CÁC ỨNG DỤNG THÔNG MINH DỰA TRÊN CHUỖI KHỐI BLOCKCHAIN Chuyên ngành: Hệ thống thông tin Mã số: 8.48.01.04 ĐỀ ÁN TỐT NGHIỆP THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS TRẦN CÔNG HÙNG TP.HỒ CHÍ MINH – NĂM 2023
i LỜI CAM ĐOAN Tôi cam đoan rằng đề án tốt nghiệp thạc sĩ: “Áp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối blockchain” là công trình nghiên cứu của chính tôi. Tôi cam đoan các số liệu, kết quả nêu trong đề án là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác. Không có sản phẩm hoặc nghiên cứu nào của người khác được sử dụng trong đề án này mà không được trích dẫn theo đúng quy định. TP. Hồ Chí Minh, ngày 17 tháng 8 năm 2023 Học viên thực hiện đề án Nguyễn Hoàng Vũ
ii LỜI CẢM ƠN Tôi xin chân thành cảm ơn Thầy PGS.TS Trần Công Hùng, người thầy kính yêu đã hết lòng giúp đỡ, hướng dẫn, động viên, tạo điều kiện cho tôi trong suốt quá trình thực hiện và hoàn thành đề án tốt nghiệp thạc sĩ. Trong suốt quá trình học tập và nghiên cứu thực hiện đề án tốt nghiệp thạc sĩ, ngoài nỗ lực của bản thân, tôi đã nhận được sự hướng dẫn nhiệt tình quý báu của quý Thầy Cô, cùng với sự động viên và ủng hộ của gia đình, bạn bè và đồng nghiệp. Với lòng kính trọng và biết ơn sâu sắc, tôi xin gửi lời cảm ơn chân thành tới: Ban Giám Đốc, Phòng đào tạo sau đại học và quý Thầy Cô đã tạo mọi điều kiện thuận lợi giúp tôi hoàn thành đề án. Tôi xin chân thành cảm ơn gia đình, bạn bè, đồng nghiệp trong cơ quan đã động viên, hỗ trợ tôi trong lúc khó khăn để tôi có thể học tập và hoàn thành đề án. Mặc dù đã có nhiều cố gắng, nỗ lực, nhưng do thời gian và kinh nghiệm nghiên cứu khoa học còn hạn chế nên không thể tránh khỏi những thiếu sót. Tôi rất mong nhận được sự góp ý của quý Thầy Cô cùng bạn bè đồng nghiệp để kiến thức của tôi ngày một hoàn thiện hơn. Xin chân thành cảm ơn! TP. Hồ Chí Minh, ngày 17 tháng 8 năm 2023 Học viên thực hiện đề án Nguyễn Hoàng Vũ
iii MỤC LỤC LỜI CAM ĐOAN ......................................................................................................1 LỜI CẢM ƠN ........................................................................................................... ii MỤC LỤC ................................................................................................................ iii DANH SÁCH HÌNH VẼ ...........................................................................................v DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT ...........................................vi PHẦN MỞ ĐẦU ........................................................................................................1 1. Tính cấp thiết của đề tài ...................................................................................1 2. Tình hình nghiên cứu liên quan đến đề tài .......................................................1 3. Mục tiêu, ý nghĩa khoa học và thực tiễn ..........................................................4 4. Đối tượng và phạm vi nghiên cứu....................................................................4 4.1 Đối tượng nghiên cứu ...............................................................................4 4.2 Phạm vi nghiên cứu ..................................................................................4 5. Phương pháp nghiên cứu..................................................................................4 5.1 Phương pháp nghiên cứu lý thuyết ...........................................................4 5.2 Phương pháp nghiên cứu thực nghiệm .....................................................5 6. Bố cục đề án .....................................................................................................5 CHƯƠNG 1: TỔNG QUAN VỀ HỌC MÁY VÀ BLOCKCHAIN......................6 1.1. Tổng quan về công nghệ Blockchain ...............................................................6 1.1.1. Khái niệm ...................................................................................................6 1.1.2. Đặc điểm của Blockchain ..........................................................................6 1.1.3. Cơ chế đồng thuận phân quyền..................................................................7 1.1.4. Chuỗi khối và dịch vụ chuỗi khối ..............................................................7 1.1.5. Hợp đồng thông minh (Smart Contract) ....................................................7 1.2. Tổng quan về học máy (Machine Learning) ....................................................9 1.2.1. Khái niệm học máy ..................................................................................10 1.2.2. Phân loại học máy ....................................................................................10 1.3. Các ứng dụng điển hình của Blockchain ........................................................14
iv CHƯƠNG 2: CÁC CÔNG TRÌNH LIÊN QUAN HỌC MÁY VÀ BLOCKCHAIN .......................................................................................................20 2.1. Các công trình liên quan học máy và Blockchain ..........................................20 2.1.1. Blockchain ...............................................................................................20 2.1.2. Machine learning .....................................................................................24 2.2. Các công trình liên quan Blockchain và học sâu ...........................................26 2.3. Các công trình khác liên quan cải tiến Blockchain bằng học máy .................28 CHƯƠNG 3: HỌC MÁY TRONG ỨNG DỤNG THÔNG MINH DỰA TRÊN CHUỖI KHỐI BLOCKCHAIN.............................................................................32 3.1. Học máy trong ứng dụng thông minh trên chuỗi khối ...................................32 3.2. Thuật toán áp dụng học máy trong ứng dụng thông minh trên chuỗi khối ....34 3.3. Tiêu chí đánh giá ............................................................................................40 CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ .................................................42 4.1. Áp dụng học máy trong ứng dụng thông minh dựa trên chuỗi khối blockchain ...............................................................................................................................42 4.2. Kết quả áp dụng học máy trong ứng dụng thông minh dựa trên chuỗi khối blockchain..............................................................................................................48 4.3. Kết quả và thảo luận .......................................................................................55 PHẦN KẾT LUẬN ..................................................................................................59 1. Kết quả nghiên cứu của đề tài ........................................................................59 2. Hạn chế đề tài .................................................................................................60 3. Vấn đề kiến nghị và hướng đi tiếp theo của nghiên cứu ................................61 DANH MỤC TÀI LIỆU THAM KHẢO ...............................................................62
v DANH SÁCH HÌNH VẼ Hình 1.1: Cấu trúc cơ bản của Blockchain ...............................................................9 Hình 3.1: Sơ đồ áp dụng học máy trong ứng dụng thông minh trên chuỗi khối........35 Hình 3.2: Thuật toán cho pha mô phỏng. ................................................................37 Hình 3.3: Thuật toán pha sắp xếp và thực thi .........................................................38 Hình 3.4: Quy tắc tổng hợp dựa trên lỗi ................................................................40 Hình 4.1: Mô hình chuỗi khối trong huấn luyện dữ liệu........................................44 Hình 4.2: Tấn công Gaussian với ε = 0.4 của dữ liệu Wisconsin ..........................48 Hình 4.3: Tấn công Gaussian với ε = 0.4 của dữ liệu Wisconsin ..........................49 Hình 4.4: Tấn công ở khoảng cách thấp ở khoảng cách 0,75 với ε = 0,4 ..............49 Hình 4.5: Tấn công ở khoảng cách thấp ở khoảng cách 0,63 với ε = 0,4 ..............49 Hình 4.6: Tấn công ở khoảng cách thấp ở khoảng cách 0,48 với ε = 0,4 ..............50 Hình 4.7: Tấn công ở khoảng cách thấp ở khoảng cách 0,75 với ε = 0,2 ..............50 Hình 4.8: Tấn công ở khoảng cách thấp ở khoảng cách 0,48 với ε = 0,2 ..............50 Hình 4.9: Tấn công ở khoảng cách thấp ở khoảng cách 0,63 với ε = 0,2 ..............51 Hình 4.10: Tấn công Gaussian với ε = 0,4 của dữ liệu MNIST ..............................52 Hình 4.11: Tấn công Gaussian với ε = 0,2 của dữ liệu MNIST ..............................52 Hình 4.12: Tấn công ở khoảng cách thấp ở khoảng cách 0,75 với ε = 0,4 của dữ liệu MNIST ......................................................................................................................53 Hình 4.13: Tấn công ở khoảng cách thấp ở khoảng cách 0,75 với ε = 0,2 của dữ liệu MNIST ......................................................................................................................53 Hình 4.14: Thời gian tính toán cho ba quy tắc tổng hợp .........................................54 Hình 4.15: Độ trễ giao dịch cho hai mô hình ...........................................................54
vi DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT VIẾT TẮT NGHĨA TIẾNG ANH NGHĨA TIẾNG VIỆT AI Artificial Intelligence Trí tuệ nhân tạo BT Blockchain Technology Công nghệ chuỗi khối Convolutional Neural CNN Mạng nơ-ron hợp pháp Network Distributed Denial of DDoS Từ chối dịch vụ phân tán Service DoS Denial of Service Từ chối dịch vụ DL Deep Learning Học sâu Differential Privacy DML Mô hình học máy riêng Machine Learning DP Differential Privacy Quyền riêng tư khác biệt IDS Intrusion Detection System Hệ thống phát hiện xâm nhập IoT Internet Of Things Vạn vật kết nối LSTM Long short-term memory Bộ nhớ ngắn hạn dài ML Machine Learning Học máy OS Ordering Service Sắp xếp dịch vụ. SC Smart Contract Hợp đồng thông minh
vii SG Smart Grid Lưới điện thông minh Stochastic Gradient SGD Thuật toán suy giảm độ dốc Descent SVM Support Vector Machines Học máy hỗ trợ TM Trust Management Quản lý tin cậy UAV Unmanned Aerial Vehicle Phương tiện không người lái
1 PHẦN MỞ ĐẦU 1. Tính cấp thiết của đề tài Trong những năm gần đây, sự xuất hiện của Công nghệ Blockchain (Blockchain Technology – BT) đã trở thành một công nghệ độc đáo, đột phá nhất và có xu hướng. Cơ sở dữ liệu phi tập trung trong BT nhấn mạnh tính bảo mật và quyền riêng tư của dữ liệu. Ngoài ra, cơ chế đồng thuận trong đó đảm bảo rằng dữ liệu được bảo mật và hợp pháp. Tuy nhiên, nó làm nảy sinh các vấn đề bảo mật mới như tấn công số đông và chi tiêu gấp đôi. Để xử lý các vấn đề nói trên, cần có phân tích dữ liệu trên dữ liệu an toàn dựa trên BT. Phân tích trên những dữ liệu này nâng cao tầm quan trọng của công nghệ phát sinh Học máy (Machine Learning - ML). ML liên quan đến lượng dữ liệu hợp lý để đưa ra quyết định chính xác. Độ tin cậy của dữ liệu và sự chia sẻ của nó là rất quan trọng trong ML để cải thiện độ chính xác của kết quả. Sự kết hợp của hai công nghệ này (ML và BT) có thể mang lại kết quả chính xác cao. Trong phần đề án này, tôi trình bày một nghiên cứu chi tiết về việc áp dụng ML để làm cho các ứng dụng thông minh dựa trên BT có khả năng chống lại các cuộc tấn công tốt hơn. Có nhiều kỹ thuật ML truyền thống khác nhau, chẳng hạn như Máy vectơ hỗ trợ (Support Vector Machines - SVM), các thuật toán phân cụm, đóng gói và Học sâu (Deep Learning - DL) như Mạng nơ-ron hợp pháp (Convolutional Neural Network - CNN) và Bộ nhớ ngắn hạn dài (Long short-term memory - LSTM) có thể được sử dụng để phân tích các cuộc tấn công vào mạng dựa trên BT. Đề tài như sau: “Áp dụng học máy trong các ứng dụng thông minh dựa trên chuỗi khối blockchain”. 2. Tình hình nghiên cứu liên quan đến đề tài Từ vài thập kỷ qua, dữ liệu đã trở thành một nguồn thông minh thiết yếu và mang lại những cơ hội mới cho các vấn đề trong cuộc sống thực như truyền thông không dây, công thức sinh học, nông nghiệp và tài chính thông qua các ứng dụng thông minh. Các ứng dụng này dựa trên dữ liệu và dựa trên tỷ lệ thông tin chi tiết hữu
2 ích về trải nghiệm người dùng, cho phép các cá nhân hoàn thành nhiệm vụ mong muốn một cách hiệu quả hơn. Nó vận hành thông tin chi tiết, cá nhân hóa trải nghiệm của khách hàng, tối ưu hóa các tương tác của khách hàng, cải thiện hiệu quả hoạt động và kích hoạt mô hình kinh doanh mới. Có nhiều ứng dụng thông minh khác nhau như SG, UAV, Smart Cities, làm cho cuộc sống của một cá nhân dễ dàng hơn. Các ứng dụng này tạo ra một lượng lớn dữ liệu và việc lưu trữ dữ liệu không ngừng phát triển này trong cơ sở dữ liệu là một vấn đề và giao tiếp của nó cũng làm tăng mối lo ngại về bảo mật. Để xử lý những vấn đề này, có thể sử dụng BT có mạng cơ sở dữ liệu phân tán. Nó được Satoshi Nakamoto đặt ra vào năm 2008 và chứa một loạt hồ sơ chống giả mạo được đóng dấu thời gian, được quản lý bởi một nhóm máy tính phân tán. Nó bao gồm một chuỗi các khối được kết nối bằng cách sử dụng các nguyên thủy mật mã. Ba điểm chính của BT là tính bất biến, tính phi tập trung và tính minh bạch. Ba đặc tính này đã mở ra cánh cửa cho nhiều ứng dụng khác nhau, ví dụ, sự tồn tại của tiền kỹ thuật số (tiền tệ không có tồn tại vật lý) và phân tích về tính phù hợp của nó trong các ứng dụng thông minh. Mặc dù BT đảm bảo an ninh và quyền riêng tư các vấn đề, một số lỗ hổng bảo mật cũng bắt đầu xuất hiện sau khi triển khai. Ví dụ, bản chất của các cuộc tấn công bắt đầu ngày càng tinh vi như tấn công đa số (tấn công 51%) để kiểm soát việc bỏ phiếu, tấn công Sybil để tạo danh tính giả để kiểm soát sự đồng thuận. Để xử lý vấn đề đã đề cập ở trên, cần có Hệ thống phát hiện xâm nhập (IDS) mạnh mẽ vì các phương pháp truyền thống sử dụng cách tiếp cận dựa trên chữ ký để phát hiện các mẫu cụ thể. Tuy nhiên, để phát hiện các cuộc xâm nhập và các kiểu tấn công, một trong những công nghệ mới nổi được gọi là ML có thể được sử dụng để phân tích lưu lượng dữ liệu. Do đó, việc thiết kế các thuật toán hiệu quả và hiệu quả để phân tích lượng dữ liệu khổng lồ này là nhu cầu rất lớn của các ứng dụng thông minh dựa trên Blockchain. Do đó, ML ngày nay rất thịnh hành và sử dụng hàng chục lần một ngày mà không hề hay biết. ML bao gồm máy tính để nghiên cứu, suy nghĩ và hành động mà không cần sự can thiệp của con người. Nó được coi là một trong những ứng dụng của Trí tuệ nhân tạo (AI).
3 ML cung cấp cho máy tính khả năng học hỏi mà không cần được lập trình nó một cách rõ ràng. Ý tưởng cơ bản của nó là xây dựng một thuật toán hiệu quả có thể chấp nhận dữ liệu đầu vào và với sự trợ giúp của phân tích thống kê, đưa ra dự đoán và cập nhật kết quả đầu ra. Một lượng dữ liệu đáng kể có thể được ML phân tích để tạo ra các quyết định theo hướng dữ liệu. Trong một mạng lưới giao tiếp của các ứng dụng thông minh dựa trên Blockchain, có việc xử lý các vấn đề bảo mật theo từng lớp. Một số vấn đề bảo mật được xử lý ở lớp mạng, chẳng hạn như các gói độc hại và một số vấn đề ở lớp ứng dụng như phần mềm độc hại. Ở lớp mạng, các gói dữ liệu độc hại có thể được sử dụng để áp đặt mạng nhằm thiết lập sự đồng thuận gian lận. Một giải pháp đơn giản cho vấn đề này có thể là sử dụng tường lửa để đảm bảo rằng các gói đáp ứng các tiêu chí bảo mật được xác định trước. Mặc dù vậy, các cuộc tấn công ngày càng trở nên tinh vi hơn với các mô hình khó nhìn thấy để vượt qua tường lửa. Để ngăn chặn vấn đề này, dữ liệu tiêu đề gói có thể được phân tích bằng cách sử dụng mô hình ML trong thời gian thực bằng cách sử dụng dữ liệu lịch sử. Phân tích này giúp phát hiện các mẫu mới và thay đổi. Tương tự, các kỹ thuật ML có thể được sử dụng để phân loại phần mềm độc hại đến điểm cuối như máy chủ, thiết bị di động hoặc máy trạm. Hơn nữa, một số ứng dụng thông minh dựa trên Blockchain như UAV, Data Trading, SG xây dựng lòng tin giữa các bên trao đổi dữ liệu. Nó rất quan trọng trong bất kỳ ứng dụng thông minh nào đồng thời; dữ liệu phải được bảo mật. BT đảm bảo bảo mật dữ liệu nhưng để xây dựng độ tin cậy và các kỹ thuật ML được sử dụng để dự đoán các nút không đáng tin cậy dựa trên các mẫu trong quá khứ. Tương tự, UAV có cấu trúc liên kết mạng khác biệt đáng kể so với cấu trúc liên kết mạng Blockchain thông thường. Nó bao gồm thông tin liên lạc bằng vệ tinh và các trạm mặt đất khác nhau. Đối với UAV, BT được sử dụng để lưu trữ an toàn tọa độ và các dữ liệu liên quan khác nhằm duy trì tính toàn vẹn của đồ thị cho các phương tiện. Trong các phần tiếp theo, tôi tìm hiểu công trình nghiên cứu gần đây về việc áp dụng ML trong ứng dụng thông minh dựa trên Blockchain.
4 3. Mục tiêu, ý nghĩa khoa học và thực tiễn Mục tiêu chính của đề tài Nghiên cứu đề xuất xây dựng ứng dụng tích hợp học máy (ML) với chuỗi khối Blockchain trong môi trường thông minh. Xuất phát từ mục tiêu chính trên, đề án hướng tới những mục tiêu cụ thể như sau: • Nghiên cứu tổng quan về học máy, Nghiên cứu về các thuật toán học máy. • Nghiên cứu về tổng quan chuỗi khối. • Nghiên cứu đề xuất thuật toán tích hợp học máy và chuỗi khối trong môi trường thông minh. • Nghiên cứu mô phỏng và thực nghiệm thuật toán đã đề xuất. 4. Đối tượng và phạm vi nghiên cứu 4.1 Đối tượng nghiên cứu Đối tượng nghiên cứu: • Đối tượng nghiên cứu chính là tác vụ trên chuỗi khối Blockchain. • Nghiên cứu các thuật toán dự báo áp dụng vào dự báo tác vụ. 4.2 Phạm vi nghiên cứu Phạm vi nghiên cứu: • Xây dựng mô hình mô phỏng thuật toán: để tiết kiệm chi phí nên trong đề án này, thuật toán sẽ xây dựng với mức mô phỏng. • Nghiên cứu các thuật toán ML hỗ trợ nâng cao hiệu năng về năng lượng và truyền dữ liệu trong mạng blockchain (đơn giản, theo thời gian thực) • Xây dựng mô phỏng ở mức từ 2~ 5 server đồng thuận, các ứng dụng đơn giản tích hợp blockchain, áp dụng vào 1 vài lĩnh vực cụ thể như truy xuất nguồn gốc thực phẩm, truy xuất bảng điểm sinh viên. 5. Phương pháp nghiên cứu 5.1 Phương pháp nghiên cứu lý thuyết - Tìm hiểu các phương pháp nghiên cứu tài liệu, tổng quan tài liệu - Tìm hiểu cơ sở lý thuyết về các lý thuyết về học máy, Blockchain
5 - Tìm hiểu các công nghệ Blockchain và học máy 5.2 Phương pháp nghiên cứu thực nghiệm - Xây dựng mô hình mô phỏng và thực nghiệm thuật toán đã đề xuất 6. Bố cục đề án Bên cạnh phần mở đầu, phần kết luận và phần danh mục tài liệu tham khảo, phần nội dung chính của bài nghiên cứu được chia thành 4 chương chính như sau: Chương 1: Tổng quan về học máy và Blockchain Chương 2: Các công trình liên quan về học máy và Blockchain Chương 3: Học máy trong ứng dụng thông minh dựa trên chuỗi khối Blockchain Chương 4: Thực nghiệm và đánh giá
6 CHƯƠNG 1: TỔNG QUAN VỀ HỌC MÁY VÀ BLOCKCHAIN 1.1. Tổng quan về công nghệ Blockchain 1.1.1. Khái niệm Blockchain (chuỗi khối), tên ban đầu blockchain là một cơ sở dữ liệu phân cấp lưu trữ thông tin trong các khối thông tin được liên kết với nhau bằng mã hóa và mở rộng theo thời gian. Mỗi khối thông tin đều chứa thông tin về thời gian khởi tạo và được liên kết đến khối trước đó, kèm một mã thời gian và dữ liệu giao dịch. Blockchain được thiết kế để chống lại sự thay đổi của dữ liệu: Một khi dữ liệu đã được mạng lưới chấp nhận thì sẽ không có cách nào thay đổi được [3]. Blockchain được đảm bảo nhờ cách thiết kế sử dụng hệ thống tính toán phân cấp với khả năng chịu lỗi byzantine cao. Nhờ thế nên Blockchain có thể đạt được sự đồng thuận phân cấp. Vì vậy Blockchain phù hợp để ghi lại những sự kiện, hồ sơ y tế, xử lý giao dịch, công chứng, danh tính và chứng minh nguồn gốc. Việc này có tiềm năng giúp xóa bỏ các hậu quả lớn khi dữ liệu bị thay đổi trong bối cảnh thương mại toàn cầu. Blockchain lần đầu tiên được phát minh [2] và thiết kế bởi Satoshi Nakamoto vào năm 2008 và được hiện thực hóa vào năm sau đó như là một phần cốt lõi của Bitcoin, khi công nghệ blockchain đóng vai trò như là một cuốn sổ cái cho tất cả các giao dịch. Qua việc sử dụng mạng lưới ngang hàng và một hệ thống dữ liệu phân cấp, Bitcoin Blockchain được quản lý tự động. Việc phát minh ra Blockchain cho Bitcoin đã làm cho nó trở thành loại tiền tệ kỹ thuật số đầu tiên giải quyết được vấn đề double spending (chi tiêu gian lận khi 1 lượng tiền được dùng 2 lần). Công nghệ này của Bitcoin đã trở thành nguồn cảm hứng cho một loạt các ứng dụng khác. 1.1.2. Đặc điểm của Blockchain Blockchain là một cấu trúc dữ liệu phân tán, nghĩa là dữ liệu được lưu trữ trên nhiều máy tính khác nhau trên một mạng lưới. Các giao dịch được ghi lại và lưu trữ trong các khối liên kết với nhau [4] theo một trình tự xác định. Mỗi khối chứa một số
7 giao dịch và mã hash của khối trước đó. Mã hash được tạo ra bằng cách sử dụng thuật toán mã hóa độc đáo, điều này đảm bảo tính toàn vẹn của dữ liệu trong khối và liên kết giữa các khối với nhau. Hình 1.1: Cấu trúc cơ bản của Blockchain 1.1.3. Cơ chế đồng thuận phân quyền Cơ chế này ngược lại với mô hình cổ điển về cơ chế đồng thuận tập trung nghĩa là khi một cơ sở dữ liệu tập trung được dùng để quản lý việc xác thực giao dịch. Một sơ đồ phân tán đồng đẳng chuyển giao quyền lực và sự tin tưởng cho một mạng lưới phân tán đồng đẳng và cho phép các nút của mạng lưới đó liên tục lưu trữ các giao dịch trên một khối (block) công cộng, tạo nên một chuỗi (chain) độc nhất: chuỗi khối (blockchain). 1.1.4. Chuỗi khối và dịch vụ chuỗi khối Một chuỗi khối giống như một nơi để lưu trữ dữ liệu bán công cộng trong một không gian chứa hẹp (khối). Bất cứ ai cũng có thể xác nhận việc bạn nhập thông tin vào vì khối chứa có chữ ký của bạn, nhưng chỉ có bạn (hoặc một chương trình) có thể thay đổi được dữ liệu của khối đó vì chỉ có bạn cầm khóa bí mật cho dữ liệu đó. 1.1.5. Hợp đồng thông minh (Smart Contract) Hợp đồng thông minh (Smart Contract) là một dạng [5] hợp đồng kỹ thuật số được lập trình trên một nền tảng Blockchain. Smart Contract là một mã chương trình được thiết kế để tự động thực hiện các giao dịch khi các điều kiện trong hợp đồng được thỏa mãn.
8 Smart Contract được tạo ra để giải quyết các vấn đề pháp lý và giảm thiểu các rủi ro liên quan đến việc sử dụng hợp đồng truyền thống. Điều này được đảm bảo bằng cách mã hóa các điều khoản và điều kiện của hợp đồng vào mã nguồn của Smart Contract. Khi mã nguồn này được thực thi trên mạng Blockchain, các điều khoản và điều kiện sẽ được tự động áp dụng và thực hiện theo cách đã được định trước. Các Smart Contract được lập trình trên các nền tảng Blockchain như Ethereum, Solana, Near, ... và chúng thường được sử dụng để tạo ra các ứng dụng phi tập trung (decentralized applications - DApps), trong đó các giao dịch được thực hiện trực tiếp giữa các bên mà không cần thông qua một bên trung gian. Ví dụ, một Smart Contract có thể được lập trình để tự động chuyển tiền từ tài khoản của một người dùng đến tài khoản của người bán khi một sản phẩm được mua bằng tiền điện tử được định danh trên nền tảng Blockchain. Smart Contract có thể được thiết lập để tự động thực hiện các hành động như thế mà không cần sự can thiệp của bên thứ ba. Smart Contract (Hợp đồng thông minh) là một đoạn mã được viết trong ngôn ngữ lập trình và triển khai trên nền tảng blockchain, đặc biệt là trên blockchain Ethereum. Smart Contract là một hợp đồng tự thực thi và tự động thực hiện các điều khoản và điều kiện đã được định nghĩa trước một cách tự động, tin cậy và không thể thay đổi sau khi triển khai. Smart Contract hoạt động như một mô-đun phần mềm tự động, giúp thực hiện, xác minh, thực thi và ghi nhận các giao dịch hoặc hành động giữa các bên trong một mạng lưới blockchain. Một Smart Contract có thể chứa các điều khoản và điều kiện mà các bên tham gia phải tuân thủ. Khi các điều kiện đó được đáp ứng, hợp đồng sẽ tự động thực thi các hành động liên quan, chẳng hạn như chuyển tiền, ghi nhật ký, gửi thông báo, và nhiều hành động khác. Smart Contract không chỉ giúp giảm thiểu sự phụ thuộc vào bên thứ ba và tăng tính tin cậy trong các giao dịch, mà còn cung cấp tính toàn vẹn và minh bạch. Các
9 hợp đồng thông minh thường được lưu trữ và thực thi trên blockchain, nơi mọi người có thể kiểm tra và xác minh các giao dịch và quy trình một cách công khai. Ứng dụng của Smart Contract rất đa dạng, bao gồm việc xử lý giao dịch tài chính, quản lý dữ liệu, chia sẻ tài nguyên, thực hiện giao dịch trong lĩnh vực bất động sản, bảo hiểm, thương mại điện tử và nhiều lĩnh vực khác. Smart Contract đã trở thành một công nghệ tiềm năng để thúc đẩy sự cách mạng trong các lĩnh vực kinh tế và xã hội. Các Smart Contract đem lại tính minh bạch, an toàn và tin cậy cho các giao dịch kỹ thuật số. Chúng cũng có thể được sử dụng trong nhiều lĩnh vực, bao gồm tài chính, bảo hiểm, chuỗi cung ứng, bất động sản và y tế… Một số ứng dụng của Smart Contract [10] trong Blockchain bao gồm: - Thực hiện các giao dịch tài chính: Smart Contract có thể được sử dụng để thực hiện các giao dịch tài chính một cách tự động và an toàn hơn. Ví dụ, Smart Contract có thể được tạo ra để thực hiện các giao dịch chứng khoán hoặc chuyển tiền trên mạng Blockchain. - Đảm bảo tính toàn vẹn dữ liệu: Smart Contract có thể được sử dụng để đảm bảo tính toàn vẹn của dữ liệu và các giao dịch trên mạng Blockchain. Điều này đảm bảo rằng các giao dịch được thực hiện chính xác và không bị thay đổi. - Quản lý hợp đồng: Smart Contract có thể được sử dụng để quản lý các hợp đồng trên mạng Blockchain một cách tự động và an toàn hơn. Điều này giúp giảm thiểu các rủi ro liên quan đến việc thực hiện các hợp đồng truyền thống. 1.2. Tổng quan về học máy (Machine Learning) Ngày nay, các thuật ngữ của cách mạng công nghiệp 4.0 như Robot thông minh, Trí tuệ nhân tạo đã trở lên phổ biến và quen thuộc đối với tất cả mọi người. Nhờ vào các công nghệ này, máy tính đã có thể thực hiện được những nhiệm vụ phức tạp một cách thông minh như con người, thay vì thực hiện từng bước cụ thể được chỉ ra bởi con người để giải quyết một vấn đề thì máy tính giờ đây có thể học được thông qua việc quan sát từ dữ liệu.
10 1.2.1. Khái niệm học máy Học máy là một lĩnh vực của trí tuệ nhân tạo (AI) tập trung [14] vào việc phát triển các thuật toán và các mô hình máy tính để tự động học hỏi từ dữ liệu và sử dụng kết quả học để thực hiện các tác vụ cụ thể mà không cần được lập trình trực tiếp. Nó liên quan đến việc tạo ra các mô hình dựa trên các kết quả học từ dữ liệu và sử dụng chúng để dự đoán hoặc phân loại đầu vào mới. Quá trình học này được thực hiện bằng cách sử dụng các thuật toán học máy để xác định các mẫu, cấu trúc và thông tin trong dữ liệu. Các mô hình học máy có thể được sử dụng trong nhiều lĩnh vực, bao gồm phân tích tài chính, y học, marketing, giáo dục và nhiều lĩnh vực khác. Các mô hình học máy có thể đạt được hiệu suất tốt hơn so với các phương pháp truyền thống trong nhiều trường hợp, đặc biệt là khi đối tượng phải được phân loại hoặc dự đoán dựa trên các dữ liệu phức tạp. Học máy (Machine Learning) là một lĩnh vực trong trí tuệ nhân tạo (Artificial Intelligence - AI) tập trung vào việc phát triển các thuật toán và mô hình để máy tính có thể học và cải thiện hiệu suất của nó từ dữ liệu mà không cần được lập trình một cách cụ thể. Thay vì việc lập trình trực tiếp các quy tắc và quyết định cụ thể, học máy cho phép máy tính học hỏi từ các dữ liệu đầu vào và tạo ra các dự đoán và quyết định dựa trên những gì đã học. Quá trình học này dựa trên việc phân tích và hiểu các mẫu, quy luật và thông tin tiềm ẩn trong dữ liệu. Các ứng dụng của học máy rất đa dạng và phổ biến trong nhiều lĩnh vực như nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên, hệ thống gợi ý, dự đoán thị trường tài chính, phân loại và nhận dạng mẫu, và nhiều lĩnh vực khác. Học máy đã đóng góp đáng kể vào sự tiến bộ của nhiều công nghệ và ứng dụng trong cuộc sống hàng ngày của chúng ta. 1.2.2. Phân loại học máy Học máy có giám sát Học có giám sát (supervised learning) là một loại học máy, trong đó một thuật toán được đào tạo trên một tập dữ liệu đã được gán nhãn trước, trong đó các đầu vào
11 (input) được liên kết với các đầu ra (output) tương ứng. Mục tiêu của quá trình học có giám sát là tìm ra mối quan hệ giữa các đầu vào và các đầu ra, từ đó có thể dự đoán đầu ra mới dựa trên đầu vào mới. Quá trình học này được thực hiện [17] bằng cách đưa vào mô hình học máy một tập dữ liệu đã được gán nhãn, có thể được chia thành hai phần: tập huấn luyện và tập kiểm tra. Trong đó, tập huấn luyện được sử dụng để đào tạo mô hình, trong khi tập kiểm tra được sử dụng để kiểm tra độ chính xác của mô hình trên dữ liệu mới. Một số ví dụ của học có giám sát bao gồm phân loại ảnh, nhận dạng giọng nói, dự đoán giá cổ phiếu và phân loại email spam. Các thuật toán học có giám sát phổ biến bao gồm các mô hình hồi quy tuyến tính, mô hình hồi quy logistic và các mô hình cây quyết định. Trong supervised learning, dữ liệu được chia thành hai tập: tập huấn luyện (training set) và tập kiểm tra (test set). Tập huấn luyện chứa các điểm dữ liệu đã biết đầu ra, được sử dụng để huấn luyện mô hình. Tập kiểm tra là tập dữ liệu được sử dụng để kiểm tra hiệu suất của mô hình đã huấn luyện trên tập huấn luyện. Các thuật toán supervised learning được sử dụng để giải quyết nhiều bài toán khác nhau, bao gồm phân loại (classification), dự đoán (prediction), hồi quy (regression) và xác định giá trị bị khuyết (imputation). Ví dụ về supervised learning là bài toán phân loại email, trong đó một mô hình được huấn luyện để phân loại email vào các nhóm khác nhau, như spam hoặc không phải spam. Trong trường hợp này, tập huấn luyện sẽ chứa các email đã được phân loại và tập kiểm tra sẽ chứa các email chưa được phân loại. Mô hình sẽ được huấn luyện trên tập huấn luyện để dự đoán xem mỗi email trong tập kiểm tra có phải là spam hay không. Học máy không giám sát Học không giám sát (unsupervised learning) là một loại học máy [6] trong đó một thuật toán được đào tạo trên một tập dữ liệu không có nhãn hoặc không có đầu ra mong muốn được gán trước. Mục tiêu của quá trình học không giám sát là tìm ra