IOSG Ventures: углубленное изучение нового DeFi, раскрытие потенциала данных

Автор оригинала: Момир, IOSG Ventures

Смарт-контракты ограничены, потому что им не хватает возможности взаимодействовать с окружающей средой, что ограничивает потенциал децентрализованных приложений (dApps). Для достижения все более и более сложных функций у протоколов DeFi есть два варианта: они могут иметь гибкий дизайн, например, игроки могут персонализировать различные сценарии, или они могут вводить внешние зависимости — опираясь на инфраструктуру вне сети, такую как оракул, хранители. , или вычисления вне сети — для обеспечения простого взаимодействия с пользователем.

В недавней наводящей на размышления статье под названием «Почему DeFi не работает и как это исправить — часть 1: протоколы без Oracle» Дэн Элитцер выступает за использование примитивов DeFi с нулевыми внешними зависимостями для минимизации векторов атак. Идея состоит в том, чтобы устранить потребность в доверии к сторонним институтам. Однако экосистема DeFi с нулевой зависимостью будет иметь более высокие требования к специализации. Большинству пользователей не хватает времени, опыта или ресурсов, чтобы стать маркет-мейкерами на Uniswap v3 или оценить качество обеспечения в протоколе без внешних зависимостей, и им приходится полагаться на доверенных посредников для участия.

Таким образом, стремление к нулевым зависимостям может вернуть нас к исходной точке или, что еще хуже, заставить неопытных пользователей доверять сложным объектам или вносить средства в переходные смарт-контракты, что увеличивает небезопасность. Вместо того, чтобы бороться за полное устранение внешних зависимостей, рассмотрите более прагматичные подходы, такие как более строгий контроль над внешними зависимостями и ограничение потенциальных сценариев черного лебедя. Мы должны признать, что некоторая степень зависимости неизбежна и даже имеет решающее значение для развития отрасли.

Среди известных проектов DeFi ранняя версия Uniswap была ближе всего к нулевой зависимости. Однако недавнее введение Uniswap v4 демонстрирует сдвиг в сторону высокомодульного подхода («крючки») для продвижения вперед в этой области.

Примитивы данных

Дискуссии о внешних зависимостях вращаются вокруг способности смарт-контрактов взаимодействовать с внешними данными. Сегодня взаимодействие с данными часто зависит от оракулов для доступа к информации вне сети, хотя и в ограниченном объеме (в основном включая цены на основные криптовалюты).

По мере того, как все больше и больше действий переходят на блокчейн, можно использовать множество ценных данных в цепочке для алгоритмического и прозрачного улучшения конструкции механизма. Однако, несмотря на прозрачность данных в сети, их интеграция со смарт-контрактами — непростая задача. Для чтения, обработки и доставки значимых данных требуется сложная и надежная инфраструктура. В результате разработчики часто полагаются на существующие инструменты для удовлетворения своих потребностей в данных. Однако большинство существующих решений для работы с данными основаны на фреймворках Web 2.0, и даже большее количество собственных протоколов Web 3.0 не может гарантировать точность предоставляемых ими данных.

Sushiswap Обсуждение неточной отправки данных из подграфа Polygon Sushi-Matic

Учитывая, что смарт-контракты могут даже управлять депозитами в миллиарды долларов, для них нежелательно и непрактично напрямую подключаться к надежному источнику API, поскольку такая зависимость подорвет децентрализованный характер экосистемы блокчейна.

Создайте защищенное от несанкционированного доступа решение для обработки данных

Наша инвестиционная философия основана на фундаментальном убеждении, что защищенные от несанкционированного доступа данные станут краеугольным камнем протоколов DeFi следующего поколения. Однако достижение защиты от несанкционированного доступа к данным — непростая задача, требующая сложной инфраструктуры и обширных оптимизаций, чтобы сделать ее экономически целесообразной.

В этом контексте Space and Time стала пионером в создании защищенной от несанкционированного доступа инфраструктуры данных. Ключевой частью являются доказательства SQL, улучшение по сравнению с доказательствами SNARK, разработанными специально для запроса данных из реляционных баз данных. Такой подход гарантирует, что запрос и лежащие в его основе данные не были изменены. Кроме того, он обеспечивает гарантии достоверности данных при извлечении данных из архивных узлов с помощью вызовов RPC.

Некоторые другие известные примитивные проекты данных без доверия включают, помимо прочего, Nil Foundation, Axiom, Brevis, Herodotus и т. д.

Данные с защитой от несанкционированного доступа открывают новые горизонты для протоколов DeFi, позволяя им раздвигать границы функциональности, способствуя дальнейшему росту и инновациям в отрасли.

Ниже мы обсудим оптимизацию дизайна протокола на основе данных, когда:

1. Индивидуальный пользовательский опыт

2. Протокол самопараметризации

3. Протокольная экономика

4. Квалифицированный доступ

1. Персонализированный пользовательский опыт

В мире технического бизнеса обычным делом является предоставление пользователям индивидуальных услуг. Однако смарт-контракты (по сути, строки кода, представляющие некоторую бизнес-логику) часто унифицируют пользовательский опыт, что часто приравнивается к плохому пользовательскому опыту. Например, на некоторых кредитных платформах пользователь A — новичок, пользователь B — пользователь долгосрочного соглашения, а пользователь C — опытный пользователь. Это отсутствие дифференциации не учитывает поведение пользователей и упускает возможности повысить лояльность пользователей, стимулировать позитивное поведение и оптимизировать использование капитала.

Протоколы заинтересованы в выявлении поведения пользователей и соответствующей корректировке. Например, используя кредитные рейтинги, предлагая более дешевые кредиты или более низкие ставки по ипотечным кредитам успешным клиентам. Такой проект естественным образом привлечет пользователей с площадок с едиными условиями. Кроме того, этот подход предоставляет пользователям неявные стимулы к хорошему поведению, чтобы получить более выгодные условия.

Думая с точки зрения финтеха, где такие компании, как SoFi, получают долю рынка, отказываясь от унификации, DeFi dApps также могут учиться. Например, SoFi обнаружила неэффективность рынка на рынке студенческих кредитов, где с выпускников Стэнфорда взимались те же процентные ставки по кредитам, что и с других заемщиков, даже несмотря на то, что у них было больше шансов получить высокооплачиваемую работу после выпуска. SoFi добилась заметного успеха, корректируя ставки, чтобы лучше отражать профили рисков пользователей.

Точно так же в пространстве DeFi мы видим возможность внедрять инновационные протоколы, которые учитывают риск пользователя в процентных ставках и залоге. Однако следует проявлять осторожность, чтобы не давать кредиты с недостаточным обеспечением, основываясь исключительно на существующих исторических данных, которые становятся неактуальными, когда меняется теория игр.

Стоит отметить, что такие проекты, как Spectral и Cred Protocol, пытаются построить модели кредитного скоринга на основе данных в сети. Однако все эти проекты работают в централизованных базах данных, поэтому, пока данные и модели, которые они обслуживают, поступают из централизованных данных и могут быть легко подделаны, маловероятно, что основные протоколы DeFi будут подключаться к их API. Вместо этого, если эти проекты примут защищенные от несанкционированного доступа решения, они могут стать вездесущими кредитными оракулами DeFi, поддерживающими ряд инновационных приложений.

2. Самопараметризующиеся протоколы (минимизация вмешательства руководства)

Многие протоколы DeFi по-прежнему полагаются на процессы ручного управления, которые часто направляются независимыми консалтинговыми фирмами для настройки их параметров. Например, AAVE платит внешним консалтинговым фирмам за мониторинг и управление параметрами риска протокола.

Однако такой подход создает несколько проблем:

1. Отсутствие поддержки в режиме реального времени: системе не хватает возможности реагировать на меняющиеся рыночные условия или возникающие риски.

2. Ручные системы: зависимость от вмешательства человека приводит к проблемам с задержкой и потенциальной неэффективности при настройке параметров протокола.

3. Доверие к внешним организациям: зависимость от внешних консалтинговых фирм вызывает опасения по поводу прозрачности и методологии, используемой при выработке рекомендаций.

Этот статический подход был раскрыт во время атаки на AAVE, что привело к безнадежным долгам, которых можно было бы избежать с помощью подходящих параметров кредитования, которые лучше отражают ликвидность заимствованных токенов. Кроме того, риски использования находящихся в обращении токенов в качестве залога в протоколах кредитования не были должным образом учтены.

Чтобы устранить эти ограничения, проекты должны быть переведены в режим реального времени, автоматизированы, прозрачны и не требуют доверия. Например, кредитные протоколы могут использовать инфраструктуру, такую как пространство и время, для мониторинга данных в режиме реального времени. Это позволит им динамически регулировать обеспечение, параметры заимствования и другие ключевые параметры.

Аналогичным образом биржи могут вводить динамические структуры комиссий, основанные на волатильности или непостоянных убытках. Многие пулы ликвидности на Uniswap v3 трудно обеспечить устойчивую работу, главным образом потому, что они не могут динамически заряжать LP. С крючком Uniswap v4 или модулем Valantis возможны динамические сборы.

Кроме того, агрегаторы могут быть свободны от человеческого труда и фиксированных сборов, чтобы адаптироваться к меняющимся рискам и вознаграждениям базового протокола. Сотрудничество между Spool и Solity — это шаг в этом направлении, поскольку Solity использует подход больших данных для анализа соотношения риска и вознаграждения пулов.

3. Экономика протокола

Подход, основанный на данных, может улучшить экономику протоколов и экономические модели токенов в DeFi, где проекты могут делиться стимулами с подходящими пользователями.

Например, агрегатор DEX, стремящийся к привязанности и лояльности пользователей, может распределять преимущества проскальзывания между пользователями, которые соответствуют определенным условиям, таким как выполнение определенного количества транзакций и достижение минимального объема транзакций.

Такие стимулы сильно стимулируют первых пользователей, укрепляют лояльность в пользовательской базе и предоставляют стимулы непосредственно существующим пользователям для продвижения использования протокола среди их собственного населения.

4. Квалифицированный доступ

Хотя блокчейн не имеет разрешений, он также допускает свободу выбора. Во многих случаях разрешенный доступ на прикладном уровне может гарантировать, что протокол не будет использоваться во вред или эффективно взаимодействовать с предполагаемой пользовательской базой.

Например, протоколы конфиденциальности, такие как Tornado Cash, находятся под пристальным вниманием регулирующих органов, поскольку они могут использоваться для отмывания денег или других незаконных действий. Чтобы предотвратить отмывание денег, разработчики протоколов могут принять меры, чтобы злоумышленники не взаимодействовали с их платформами.

Также для маркетмейкеров крайне ценны знания о контрагентах, но дексам такая информация зачастую недоступна. Предполагая, что можно использовать данные для создания доказательств реальных людей, DEX могут разрешать взаимодействие только с адресами, не являющимися ботами, тогда эта проблема также может быть решена.

Требования к проверяемым вычислениям

То, что обсуждалось в предыдущем разделе, может быть полностью реализовано за счет интеграции с ненадежными примитивами данных. Однако другим потребуются дополнительные ресурсы для выполнения статистических вычислений или машинного обучения. Например, программы кредитного скоринга могут использовать данные, защищенные от несанкционированного доступа, но по-прежнему требуют алгоритмов машинного обучения для создания кредитных рейтингов.

Или в контексте Risk Oracle доступ к данным о оборотном предложении, объеме, количестве транзакций, количестве держателей, времени с момента TGE и т. д. конкретного токена имеет решающее значение для определения соответствующего залога и кредитных факторов. Однако методы машинного обучения должны выполнять точные вычисления на основе этих данных.

источник:

Другие области в DeFi, требующие более сложных вычислений, включают, помимо прочего:

• Агрегатор доходов: оцените доход и риски базового протокола и найдите оптимальное распределение.
• Оптимизация портфеля: расчет целевого распределения портфеля на основе заранее определенных критериев, изменение направления воздействия на основе технических индикаторов и т. д.
• Децентрализованный обмен деривативами: управление системным риском, корректировка стоимости капитала, ценообразование деривативов и т. д.
• Расширенный алгоритм исполнения сделок
• Логика маркетмейкинга хранилища ликвидности
• Очистка библиотеки

Такие проекты, как ChainML, удовлетворяют эту потребность, предоставляя проверяемый уровень вычислений вне сети, основанный на специально созданном механизме консенсуса. Другие, которые создают уровни распределенных вычислений машинного обучения, включают, помимо прочего, GenSyn, Together.xyz, Akash и т. д.

Аналогичным образом, ZKML предоставляет интересную возможность, когда доказательства ZK могут сжимать вычисления в краткие доказательства, которые можно проверить в цепочке, или продемонстрировать использование конкретной модели, не раскрывая ее свойств. Такие как Modulus Labs, Giza и другие проекты ZK.

Однако внедрение машинного обучения в ZK в настоящее время очень дорого, что затрудняет практическую реализацию. Хотя аппаратное ускорение и оптимизация схемы могут улучшить производительность в будущем, ожидается, что вычислительные потребности ИИ будут расти более быстрыми темпами, что сделает ZKML ограниченным нишевыми вычислительными методами, которые нельзя адаптировать к современным моделям ИИ. Таким образом, такие подходы, как пессимистический подход, основанный на консенсусе, или оптимистический подход, основанный на доказательствах мошенничества, предлагаемые такими проектами, как ChainML, могут быть лучшей возможностью для интеграции новейших алгоритмов искусственного интеллекта в Web 3.0.

Подведем итог

Сочетание защищенных от несанкционированного доступа данных, передовых вычислительных мощностей и принятия решений на основе данных может открыть новые инновации, повысить эффективность и удовлетворенность пользователей в экосистеме DeFi. Хотя в этой статье основное внимание уделяется оптимизации, которую можно выполнить поверх примитивов данных в сети, мы в равной степени оптимистично оцениваем возможности, предоставляемые интеграцией различных данных вне сети с помощью доказательств zk. Мы считаем, что данные улучшат взаимодействие внутри и вне сети и будут способствовать интеграции между децентрализованными финансами и традиционными финансовыми системами.

Поскольку отрасль продолжает развиваться, протокол должен охватывать новые технологии, сотрудничать с ведущими проектами и отдавать приоритет прозрачности и недоверию, которые могут не только построить сильное и устойчивое будущее для DeFi, но и способствовать влиянию DeFi на глобальную финансовую ситуацию. Это видение предлагает возможность иметь далеко идущие последствия.

Отказ от ответственности: Space and Time, ChainML, Nil Foundation и Soity являются портфелями IOSG.

Рекомендации:

Крипто х ИИ:

ЗКМЛ:

эко: