Crypto coin και blockchain : στάδια, τεχνικές εξόρυξης και μηχανική μάθηση

• Κύριος συγγραφέας: Οσμάν, Φατίχ
• Άλλοι συγγραφείς: Osman, Fatich
• Γλώσσα: Greek
• Έκδοση: 2022
• Θέματα: Κρυπτονομίσματα; Εξόρυξη δεδομένων; Μηχανική μάθηση; Αλγόριθμοι; Γραφήματα; Blockchain; Crypto coins; Data mining; Machine learning; Algorithms; Graphs

Ανάλογα με την εξέλιξη της τεχνολογίας, η επικράτηση της χρήσης του διαδικτύου και οι σημερινές συνθήκες παίζουν σημαντικό ρόλο στη διάδοση του ηλεκτρονικού εμπορίου. Μαζί με αυτήν την εξέλιξη, τα κρυπτονομίσματα αρχίζουν επίσης να διαδίδονται. Ορίζεται ως εικονικά νομίσματα που επωφελούνται από κρυπτογραφικά συστήματα, δεν εξαρτώνται από μια κεντρική αρχή και έχουν υψηλότερο επίπεδο ασφάλειας από άλλα νομίσματα. Τα κρυπτονομίσματα, τα οποία είναι γνωστά για το Bitcoin και έχουν χιλιάδες ποικιλίες, συνεχίζουν να κάνουν ένα όνομα για τον εαυτό τους με τον υψηλό όγκο συναλλαγών τους. Με το αυξανόμενο ενδιαφέρον για αυτά τα νομίσματα, οι επενδυτές έχουν αρχίσει να δημιουργούν ένα νέο χαρτοφυλάκιο για τον εαυτό τους. Ως αποτέλεσμα της μελέτης, προβλέπεται ότι τα κρυπτονομίσματα μπορούν να χρησιμοποιηθούν μόνο ως επενδυτική εναλλακτική λύση. Η μηχανική μάθηση έχει μια θέση στον κόσμο των blockchains και των κρυπτονομισμάτων. Η σύνδεση των τρόπων μηχανικής μάθησης εκτείνεται πέρα από την πρόβλεψη ή τη διαπραγμάτευση τιμών κρυπτονομισμάτων. Χρησιμοποιήσαμε αποτελεσματικά μέτρα απόστασης (απόσταση επεξεργασίας γραφήματος, GED) και μέγιστο κοινό χέρι (Hosts)) για να προσδιορίσουμε τη βαθμολογία ομοιότητας μεταξύ των ενσωματώσεων γραφημάτων. Μια απεικόνιση των δεδομένων εκπαίδευσης αποτελείται από ένα στήριγμα κρίσιμων μπλοκ CFG και τον κρίσιμο βαθμό ομοιότητας της αλήθειας. Κατά τη διάρκεια της δοκιμής, η είσοδος στο μοντέλο είναι ένα στήριγμα από κρίσιμα μπλοκ CFG που συνάγονται από δυάδες νόμου και η υπόθεση είναι μια βαθμολογία ομοιότητας. Η συναρπαστική πτυχή της εξερεύνησης είναι η εκτέλεση του συστήματος SiCaGCN στον πραγματικό κόσμο. Οι πειραματιστές δοκίμασαν τις δυνατότητες του συστήματος στον εντοπισμό του νόμου εξόρυξης bitcoin σε μια συλλογή επιστημονικών νόμων πηγών. Το SiCaGCN είχε καλή απόδοση σε σύγκριση με άλλο σύστημα υπολογισμού ομοιότητας γραφήματος (SimGNN). Είναι ασφαλές να υποθέσουμε ότι το SiCaGCN θα μπορούσε να τροποποιηθεί ώστε να λειτουργεί σε ένα ευρύτερο σύστημα προστασίας από ιούς.