Dunia cryptocurrency dan blockchain sedang menjadi topik populer belakangan ini, selain karena Ethereum dan Bitcoin sejauh ini berada pada harga tertinggi sepanjang masa pada tahun 2021 serta peningkatan penerapan teknologi blockchain, terutama dalam popularitas Token Non-Fungible (NFT) atau Token Digital.
Namun seperti teknologi apa pun, blockchain dan cryptocurrency memiliki masalah yang terkait dengan Security (keamanan), Utilisation (pemanfaatan), dan Efficiency (efisiensi).
Dalam artikel ini akan memperkenalkan beberapa dari masalah tersebut dan upaya penelitian yang menggunakan teknik machine learning untuk memecahkan masalah terkait blockchain/crypto dan penelitian yang disajikan dalam artikel ini dirilis dalam beberapa tahun terakhir. Yuk simak dalam konten berikut CyberFriends!
- Trading (Reinforcement Learning)
Perdagangan cryptocurrency seperti Bitcoin dan Ethereum telah menjadi aktivitas di antara investor ritel dan lembaga keuangan besar. Ada kurang lebih 308 pertukaran cryptocurrency yang dilacak di CoinMarketCap per bulan Mei 2021.
Bot perdagangan tradisional yang digunakan di pasar saham saat ini hadir dengan algoritma yang didukung oleh machine learning. Oleh karena itu, tidak mengherankan bahwa teknik ML juga membantu dalam membangun sistem yang memperdagangkan pasar cryptocurrency.
Thomas E. Koker dan Dimitrios Koutmos menulis research paper yang mempresentasikan penggunaan direct reinforcement learning untuk membuat model cryptocurrency-based active trading atau perdagangan aktif berbasis cryptocurrency.
Reinforcement Learning (RL) adalah subdomain dari Machine Learning yang umum dalam program game dan simulasi. RL beroperasi dengan program pelatihan (agen) untuk mengembangkan strategi (kebijakan) yang dioptimalkan untuk mendapatkan imbalan dalam lingkungan yang interaktif serta pendekatan yang layak untuk untuk mengembangkan strategi perdagangan cryptocurrency yang menguntungkan dan adaptif.
- Optimizing Mining Strategies (Reinforcement Learning)
Penambangan cryptocurrency melibatkan penggunaan sumber daya komputasi untuk menebak serangkaian nilai yang digunakan guna menyelesaikan suatu fungsi pada blockchain.
Jaringan blockchain kemudian diperbarui untuk menampung transaksi baru. Tujuan penambangan adalah untuk memperbarui blockchain dengan transaksi yang tertunda, dan upaya para penambang akan menghasilkan rewards dalam aktivitas tersebut.
Para peneliti telah menciptakan sistem Reinforcement Learning yang memberikan optimalisasi pada strategi penambangan cryptocurrency. Hal ini membuktikan bahwa melalui teknik ML, pengembangan strategi performance penambangan dapat diselesaikan.
Penelitian yang diterbitkan Taotao Wang, Soung Chang Liew, dan Shengli Zhang pada Januari 2021, menyajikan penerapan Reinforcement Learning (RL) untuk mengoptimalkan strategi penambangan blockchain untuk cryptocurrency seperti Bitcoin.
Upaya penelitian mereka membuktikan bahwa tanpa model awal blockchain dan parameter yang sesuai (sumber daya komputasi penambang, biaya transaksi, dll.) adalah mungkin untuk memanfaatkan teknik RL guna mengekstrapolasi strategi penambangan yang lebih berkinerja dan dinamis jika dibandingkan dengan strategi lain yakni traditional honest mining dan selfish mining.
Hal ini membuktikan bahwa melalui teknik Machine Learning, pengembangan strategi penambangan berkinerja dapat diselesaikan. Oleh sebab itu, bukan rahasia lagi bahwa penambangan bitcoin dan cryptocurrency adalah industri yang sedang booming. Beberapa perusahaan pertambangan seperti Argo Blockchain, Riot Blockchain, dan Hive Blockchain dilaporkan telah menambang Bitcoin senilai beberapa juta. Perusahaan yang sama ini dapat memiliki Machine Learning Engineers di antara tim teknologi mereka.
- Tackling Cryptojacking (Deep Learning)
Cryptojackers membajak sumber daya komputasi untuk menambang cryptocurrency dan serangan semacam itu telah menjadi umum dan menjadi berita utama.
Para peneliti dari AS telah menggabungkan upaya untuk merancang metode untuk mendeteksi keberadaan program jahat yang bermaksud untuk membajak sumber daya komputasi.
Sistem tersebut diberi nama SiCaGCN dan memberikan hasil yang menjanjikan saat diuji kemampuannya dalam mendeteksi kode penambangan bitcoin asing. Sistem ini mencegah penggunaan sumber daya komputasi yang kasar dan tidak sah oleh program asing. Sistem SiCaGCN terdiri dari komponen arsitektur dan teknik jaringan saraf yang ditemukan di domain Deep Learning dan ML seperti Control Flow Graphs, Graph Convolutional Neural Networks, Attention Mechanism dan Neural Tensor Network, Capsule networks.
Machine learning memiliki tempat di dunia blockchain dan cryptocurrency. Penerapan teknik ML menjangkau lebih jauh dari perkiraan atau perdagangan harga cryptocurrency.
Karena semakin banyak teknik ini masuk ke lingkungan produksi dan dikomersialkan, dunia blockchain dapat mulai terbuka untuk praktisi Machine learning di tahun-tahun mendatang.
Sumber Referensi :