Feb, 2023

VDHLA: 变深度混合学习自动机及其在比特币自私挖掘攻击防御中的应用

HTML
PDF
TL;DR提出了一种新型的混合式学习自动机模型VDHLA，可以在变化的环境下，通过改变固定结构自动机的层数来提高自适应性，在实验中有效防御了Bitcoin中的自私挖矿攻击。
发现论文，激发创造
  • 将AI学习与区块链挖掘连接在6G系统中

    本文提出了一种E-PoW共识，它能将AI训练中广泛存在的矩阵计算整合到区块挖掘中，以实现共用计算资源，从而提高6G系统中并行AI训练的效能并节约高达80%的计算能力。

    Apr, 2021

  • 基于区块链的联邦学习在多服务器边缘计算中的延迟优化

    本文研究了面向多服务器边缘计算的基于区块链的联邦学习的延迟优化问题，利用区块链的共识机制建立了去中心化的基于点对点的 ML 模型聚合方案，并通过深度强化学习算法实现了数据卸载决策、移动设备传输功率、频道带宽分配、移动设备的计算分配和哈希功率分配等多个因素的联合考虑来实际降低了系统的延迟、提升了模型训练效率和收敛速率，并提供了对一些重要参数的理论分析和对抗模型污染攻击的防御。

    Mar, 2022

  • Nik防御：基于人工智能的比特币自私挖掘防御机制

    该研究提出采用学习自动机理论的基于人工智能的防御机制来对抗 Bitcoin 自私挖矿攻击，通过根据区块发现时间分配权重、自适应地评估分支高度差异来修改当前的比特币分叉解决策略，可将利润阈值提高至 40％，并降低自私攻击者的收益。

    Jan, 2023

  • 使用学习自动机的智能防御系统降低自私挖矿和双花攻击的风险

    本文提出了结合双花攻击和私有挖掘攻击的新攻击方式，并提出了基于机器学习的SDTLA和WVBM方法来有效防御自私挖掘攻击，实验结果表明，这两种方法都能有效减少双花风险和提高安全性和效率。

    Jul, 2023

  • 深度学习的证明：方法、挑战和未来方向

    利用计算能力进行区块链的安全性和完整性维护的一种机制是深度学习证明(PoDL)，本文调查了PoDL的各种方法、算法类型、优缺点及其潜在应用，并讨论了实施PoDL的挑战和未来研究方向。

    Aug, 2023

  • 基于模型的机器学习方法用于评估区块链应用的性能

    本研究采用机器学习模型方法，通过预设配置参数训练k最近邻和支持向量机来预测区块链性能，并利用蚂蚁群优化模型对达到所需性能水平的最优区块链配置进行研究。使用粗糙集理论增强蚂蚁群优化模型，证明了在不确定性条件下实现了精确推荐最优参数配置；统计比较表明，本模型具有竞争优势，k最近邻模型的性能超过支持向量机5％，ISO模型相较于常规蚂蚁群优化模型减少了4％的不准确度偏差。

    Sep, 2023

  • 赋能强化学习智能体的因果分析框架：提升自动加密货币交易

    本研究旨在通过开发基于强化学习的自动化交易系统来应对加密货币市场中不断演进的挑战。通过使用因果分析增强强化学习代理的能力，我们设计了CausalReinforceNet框架作为交易系统的基础架构，利用贝叶斯网络在特征工程过程中识别对加密货币价格变动产生因果关系的相关特征，并通过动态贝叶斯网络引入概率性价格方向信号来增强强化学习代理的决策能力。该框架在盈利能力方面显著超过了买入持有基准策略，并为Binance Coin和Ethereum生成了可观的投资回报。

    Oct, 2023

  • 基于动态数据驱动的区块链系统数字孪生

    本文研究了如何利用DDDAS反馈循环来支持trilemma的优化组件，利用强化学习代理和模拟组件来提高学习模型的质量，同时减少决策所需的计算开销。

    Dec, 2023

  • 带有奖励安全性的学习验证

    利用实用的工作证明（PoUW）机制的提案，解决了传统PoW和PoS机制所面临的能源消耗、安全性和经济性问题，在区块链系统中整合机器学习训练以实现环境友好的解决方案，并提出了一种全新的人工智能时代下的完全去中心化计算能力市场。

    Apr, 2024

  • 简化检测：大型语言模型在Solidity漏洞中的潜力

    本研究解决了Solidity智能合约中日益严重的安全漏洞问题，通过引入VulSmart数据集并开发SmartVD框架，评估大型语言模型在检测OWASP前十漏洞中的效果。研究发现，SmartVD在检测漏洞的准确性、类型识别和严重性评估方面优于其他开源和闭源模型，特别是在使用“思维链”提示策略时展现最佳性能。

    Sep, 2024