Maschinelles Lernen in der Welt von Blockchain und Kryptowährungen

Erforschung des maschinellen Lernens und seiner Anwendbarkeit in der Welt des Mining und Handels mit Kryptowährungen.
Die Welt der Kryptowährungen und der Blockchain wird immer spannender, und das zu Recht, denn sowohl Ethereum als auch Bitcoin haben im Jahr 2021 neue Preishöchststände erreicht. Ganz zu schweigen von der zunehmenden Anwendung der Blockchain-Technologie, insbesondere durch die steigende Popularität von Non-Fungible Tokens (NFTs).
Wie bei jeder Technologie gibt es auch bei Blockchain und Kryptowährungen Probleme in Bezug auf Sicherheit, Nutzung und Effizienz. Jenseits all der Aufregung und der Aufmerksamkeit des Mainstreams gibt es vernünftige Bemühungen, die sich auf die Lösung wichtiger Probleme im Zusammenhang mit Blockchain konzentrieren.
In diesem Artikel werden einige dieser Probleme und die Forschungsbemühungen vorgestellt, bei denen Techniken des maschinellen Lernens zur Lösung von Problemen im Zusammenhang mit Blockchain/Kryptowährungen eingesetzt werden. Die in diesem Artikel vorgestellten Forschungsarbeiten wurden in den letzten Jahren veröffentlicht.

Handel (Verstärkungslernen)

Der Handel mit Kryptowährungen wie Bitcoin und Ethereum ist zu einer Aktivität unter Kleinanlegern und großen Finanzinstituten geworden. Zum Zeitpunkt der Erstellung dieses Artikels gab es 308 Kryptowährungsbörsen, die von CoinMarketCap erfasst wurden.
Traditionelle Handelsroboter, die heute auf dem Aktienmarkt eingesetzt werden, verfügen über eingebettete Algorithmen, die auf maschinellem Lernen basieren. Daher ist es keine Überraschung, dass ML-Techniken auch bei der Entwicklung von Systemen für den Handel mit Kryptowährungen zum Einsatz kommen. Die Eingabe von „Machine Learning crypto trading bots“ in die Google-Suchmaschine liefert über 12 Millionen Suchergebnisse, aber lenken wir unsere Aufmerksamkeit auf akademische Bemühungen.
Thomas E. Koker und Dimitrios Koutmos haben ein Forschungspapier verfasst, in dem die Verwendung von direktem Verstärkungslernen zur Erstellung eines Modells für den aktiven Handel mit Kryptowährungen vorgestellt wird.
Reinforcement Learning (RL) ist ein Teilbereich des maschinellen Lernens, der in Spiel- und Simulationsprogrammen üblich ist. RL funktioniert, indem Programme (Agenten) darauf trainiert werden, eine optimierte Strategie (Politik) zu entwickeln, um Belohnungen in einer interaktiven Umgebung zu erhalten.
Der in dieser Forschungsarbeit vorgestellte Ansatz nutzt das direkte Verstärkungslernen (Direct Reinforcement Learning, DRL). Beim traditionellen RL gibt es keine unmittelbare Rückmeldung über die Leistung des Agenten, aber beim DRL wird die Leistung der vorherigen Fenster als Feedback für den Agenten verwendet. Mithilfe von DRL konnten die Forscher auf die Erstellung eines Preisprognosemodells verzichten und ein System entwickeln, das sich auf der Grundlage eines bestimmten Zeitintervalls (täglich) anpasst.
Verstärkungslernen ist ein praktikabler Ansatz zur Entwicklung von Kryptowährungshandelsstrategien, die profitabel und anpassungsfähig sind.

Optimierung von Mining-Strategien (Verstärkungslernen)

Bevor wir uns der Forschung widmen, hier ein kurzer Crashkurs darüber, wie Bitcoin-Mining funktioniert. Beim Mining von Kryptowährungen werden Rechenressourcen eingesetzt, um eine Reihe von Werten zu erraten, die zur Lösung einer Funktion in einer Blockchain verwendet werden. Der Miner, der die Funktion löst, darf die Blockchain mit gültigen, ausstehenden Transaktionen aktualisieren.
Das Blockchain-Netzwerk wird dann aktualisiert und enthält die neuen Transaktionen. Der Zweck des Mining besteht darin, die Blockchain mit ausstehenden Transaktionen zu aktualisieren, und für die Bemühungen der Miner werden Belohnungen gezahlt.
Die Miner werden für ihre Bemühungen mit Block-Belohnungen (d. h. Bitcoin) und Transaktionsgebühren aus den entsprechenden Transaktionen belohnt. Je leistungsfähiger Ihr Computer ist, desto mehr Vermutungen können Sie anstellen, um die Funktion zu lösen. Bitte beachten Sie, dass dies eine stark vereinfachte Beschreibung des Krypto-Minings ist, aber Sie haben das Wesentliche verstanden.

Bekämpfung von Kryptojacking (Deep Learning)

Ein weiterer bemerkenswerter Einsatz des maschinellen Lernens beim Mining von Kryptowährungen hat mit der Sicherheit zu tun. Forschungslabors, die von akademischen Einrichtungen und nationalen Regierungen unterstützt werden, sind mit beträchtlichen Rechenressourcen und Infrastrukturen ausgestattet. Dies macht sie zu bevorzugten Zielen für „Kryptojacker“.
Kryptojacker kapern Rechenressourcen, um Kryptowährungen zu schürfen. Solche Angriffe sind inzwischen weit verbreitet und haben für Schlagzeilen gesorgt. Forscher aus den USA haben sich zusammengetan, um eine Methode zur Erkennung von bösartigen Programmen zu entwickeln, die Rechenressourcen entführen wollen.
SiCaGCN ist der Name des von den Forschern entwickelten Systems. SiCaGCN bestimmt die Ähnlichkeiten zwischen einem Paar von Programmen oder Code auf der Grundlage von Abstandsmessungen, die an einer Kontrollflussgraphen-Darstellung der Programme vorgenommen werden. Das SiCaGCN-System umfasst Komponenten neuronaler Netzwerkarchitekturen und Techniken aus den Bereichen Deep Learning und ML.

Fazit

Maschinelles Lernen hat einen Platz in der Welt der Blockchains und Kryptowährungen. Die Anwendbarkeit von ML-Techniken geht über die Vorhersage von Kryptowährungskursen oder den Handel hinaus.
Je mehr dieser Techniken ihren Weg in Produktionsumgebungen finden und kommerzialisiert werden, desto mehr könnte sich die Welt der Blockchain in den kommenden Jahren für Machine-Learning-Experten öffnen.