Дополненная кооперативная игровая рамка с использованием машинного обучения для блокчейна и невзаимозаменяемой торговли на токенах с доказательствами нулевого разглашения

Ch Sree Kumar; Akhilendra Pratap Singh

doi:10.3791/68889

Для просмотра этого контента требуется подписка на JoVE. Войдите или начните свой бесплатный пробный период.

Исследовательская статья

Дополненная кооперативная игровая рамка с использованием машинного обучения для блокчейна и невзаимозаменяемой торговли на токенах с доказательствами нулевого разглашения

325 просмотров

⸱

DOI:

10.3791/68889

⸱

13 марта 2026 г.

Ch Sree Kumar¹ , Akhilendra Pratap Singh¹

¹Department of Computer Science and Engineering, National Institute of Technology Meghalaya

В этой статье

Краткое содержание

Это исследование улучшает торговлю цифровыми активами на основе NFT в умных городах, интегрируя машинное обучение в фреймворк CoGTT. Реализованная с помощью смарт-контрактов на публичном блокчейне и поддерживаемая доказательствами с нулевым разглашением, фреймворк повышает справедливость, адаптивность и прозрачность, достигая 84% завершения сделки с учётом затрат на выполнение, присущих децентрализованным системам.

Аннотация

В контексте умных городов невзаимозаменяемые токены (NFT) трансформируют рынки цифрового искусства, обеспечивая безопасные и децентрализованные транзакции. По мере роста торговли NFT интеграция интеллекта и адаптивности становится крайне важной — что делает интеграцию машинного обучения (ML) необходимой. Однако существующие модели, особенно фреймворки Cooperative Game Theoretic Trading (CoGTT), недостаточно используют машинное обучение на всех этапах торговли. Ключевые пробелы включают ограниченную адаптивность в реальном времени, неоптимальные стратегии ведения переговоров и недостаточную подборку покупателя и продавца. Это исследование устраняет эти пробелы путём интеграции машинного обучения в трёхфазную структуру CoGTT — ML-дополненную наивную торговлю, переговоры по минимальной и максимальной цене и торговлю на основе равновесия — для улучшения принятия решений и ценообразования. Методология применяет алгоритмы машинного обучения, такие как деревья принятия решений, кластеризация и обучение с подкреплением (Q-обучение), в публичной среде моделирования на базе блокчейна с использованием смарт-контрактов. Симуляция использует индивидуальный набор данных, отражающий как рыночную динамику, так и авторитет художников. Набор данных генерируется синтетически для имитации NFT-маркетплейса при сохранении контролируемых экспериментальных условий, что может ограничить прямое применение на волатильных реальных рынках. Доказательства с нулевым уровнем раскрытия (ZKP) используются для сохранения конфиденциальности. ZKP используются для сохранения конфиденциальности. Сравнительный анализ моделей машинного обучения для оценки цены NFT и стратегических ставок демонстрирует эффективность сочетания предиктивных алгоритмов с подкреплением обучения. Модели линейной регрессии и случайного леса обе точно оценивают цены на NFT, при этом Random Forest достигает более высокой точности прогнозирования в реальном времени (R² = 0,9920). Кластеризация K-Means эффективно сегментирует участников рынка для поддержки целевых переговоров, достигая силуэтного рейтинга 0,8178. Интеграция Q-обучения с Random Forest позволяет разрабатывать динамические стратегии торг, минимизирующие разрыв между рекомендуемыми и реальными ценами. Дискретный набор действий (уменьшение, сохранение, увеличение) поддерживает интерпретируемые корректировки ставок в реальном времени. Эти результаты подчёркивают потенциал систем торговли NFT на основе машинного обучения поддерживать масштабируемые, соответствующие требованиям конфиденциальности цифровые маркетплейсы в умных городах, согласовывая торговое поведение с требованиями рынка через автоматизированные процессы, основанные на данных.

Введение

Слияние технологии блокчейн и невзаимозаменяемых токенов (NFT) ввело трансформационную модель владения и торговли цифровыми активами, особенно в умных городах. В этой среде Digital Artwork Trading Framework позволяет художникам монетизировать свои творения и предлагает коллекционерам проверяемое право собственности через децентрализованную инфраструктуру. Это хорошо соответствует целям умных городов, таким как прозрачность, отслеживаемость и автоматизация. Ряд факторов, таких как высокие комиссии за транзакции, ограниченная совместимость и недостаточное соблюдение авторских прав, препятствуют внедрению и масштабируемости этих систем.<....