Что это такое и почему мы его создали Если вы следите за пространством и временем, вы, вероятно, слышали, что мы создали первое и единственное доказательство ZK для SQL. Доказательство SQL — невероятно мощный инструмент, который позволяет смарт-контракту извлекать и обрабатывать данные с помощью SQL криптографически проверенным способом, что открывает множество новых вариантов использования технологии блокчейн. Но хотя SQL — мощный и почти полный по Тьюрингу язык, он не охватывает 100% случаев использования в бизнесе. Например, чтобы создать собственную бизнес-логику, вы в конечном итоге столкнетесь с необходимостью развертывания произвольного кода. Chainlink создал впечатляющее решение для этой проблемы: функции Chainlink. Функции позволяют Javascript резервно запускаться на узлах Chainlink, которые приходят к консенсусу на выходе. Теперь смарт-контракты могут получить доступ к проверенной ZK аналитике и обработке данных с помощью Proof of SQL, а также к быстро выполняемым сценариям с помощью функций.

Но есть еще один класс вариантов использования, который не решен в Web3: длительные задания Python. Компании и разработчики, работающие с пространством и временем, работают с данными, а инженеры данных используют Python, поэтому мы знали, что нам нужно решить две вещи. Первое: дать пользователям возможность использовать Python для извлечения данных из существующей базы данных, их преобразования и загрузки в пространство и время самым простым и быстрым способом, без фактического написания кода. Второе: соедините задания Python со смарт-контрактами криптографически гарантированным способом. Представляем задания данных Python для пространства и времени, которые теперь доступны в бета-версии в Space and Time Studio.

Как это работает Перенос данных в пространство и время Python Data Jobs ускоряет процесс передачи данных в пространство и время из любого автономного источника без написания кода. Ранее в этом году Space and Time выпустила AI SQL, сервис на базе OpenAI, который позволяет пользователю писать подсказку на естественном языке, например «покажите мне 5 лучших кошельков на Sui с наибольшим количеством транзакций, упорядоченных по балансу», и преобразует ее в запрос SQL. запрос и возвращает результат. Мы рады сообщить, что Хьюстон, чат-бот с искусственным интеллектом в студии Space and Time, теперь можно использовать для создания простых ETL-скриптов (извлечение, преобразование, загрузка) для получения данных из источника из баз данных Web2 или децентрализованных платформ хранения Web3. его и загрузите в Пространство и Время. Хьюстон создает сценарий, который подключается к PostgreSQL (или Snowflake или IPFS, например), понимает, что находится в базе данных, преобразует ее, создает таблицы в SxT и загружает по одной строке из PostgreSQL в SxT. Обычно миграция базы данных — это долгая, дорогая и утомительная работа, требующая Python. Теперь вы можете сделать это на естественном языке за один проход.

Получение данных из пространства и времени Задания данных Python также можно использовать для получения данных из пространства и времени, их обработки и отправки в смарт-контракт. Причина, по которой эта проблема для Web3 еще не решена, заключается в том, что задания Python часто выполняются в течение длительного времени. Например, если у вас есть сценарий для расчета вероятности того, что BTC останется выше 40 тысяч долларов до конца года, этот сценарий должен собирать данные с рынков, обрабатывать их и запускать моделирование Монте-Карло на Python, что в целом может занять около 20 секунд. И если вы подключаете результат к смарт-контракту, вам необходимо убедиться, что он защищен от несанкционированного доступа. Доказательство на основе консенсуса идеально подходит для быстро выполняемых сценариев, но оно не очень хорошо работает для сценариев, работающих так долго. Если вы выполняете вычисления с избыточностью, скажем, на 30 узлах, узел 1 может завершить задание за 18 секунд, узел 5 — за 25, а узел 15 — за 21. Требуется новая архитектура.

На протяжении всей бета-версии Python Data Jobs компания Space and Time работает над решением, позволяющим сделать это с помощью ZK. Сегодня он опирается на оптимистическую безопасность (что-то вроде оптимистического накопительного пакета). Когда вы запускаете задание данных Python в SxT, входные, выходные данные и сам код хэшируются в основную цепочку. Сценарий запускается только один раз, и если результат не соответствует ожиданиям, пользователь может запросить подтверждение, и SxT криптографически докажет, что было выполнено. Вместо того, чтобы доказывать это в реальном времени с помощью избыточных вычислений и консенсуса, мы просто запускаем его один раз и хэшируем все метаданные, чтобы создать защищенный от несанкционированного доступа контрольный журнал, чтобы стимулировать операторов узлов не вмешиваться в выполнение. Мы рады рассказать больше о решении ZK, которое повысит безопасность заданий данных Python в реальном времени.

Что это позволяет Бесшовная миграция баз данных Просто сообщите Хьюстону, какую миграцию вы хотите выполнить, предоставьте ему доступ к исходной базе данных, и Хьюстон воспользуется уже встроенной платформой запроса на SQL для получения информации о базе данных. Если вы скажете: «Напишите сценарий Python для загрузки моих данных Snowflake в SxT», Хьюстон предложит вам доступ и создаст сценарий Python, который запрашивает Snowflake, получает данные, определяет схему и реплицирует ее в SxT за один раз. Вывод LLM.

Пример использования: Truflation поглощает огромные объемы данных об инфляции в реальном времени из десятков различных источников данных (товары, ставки облигаций, жилье и т. д.) в хранилище, а затем создает агрегаты (индексы инфляции) для их представления в цепочке через оракулы. С помощью заданий Python Data Jobs эти большие объемы данных можно эффективно обрабатывать и готовить к агрегированию.

Пример варианта использования: dClimate периодически собирает данные о погоде ETL из нескольких каналов погоды и сохраняет их. Python Data Jobs может упростить этот процесс, автоматизируя извлечение и преобразование данных о погоде.

Сложные расчеты для DeFi Представьте себе, что ваш смарт-контракт мог бы выполнять сложные автономные вычисления, такие как прогнозирование будущей производительности монеты на основе меняющихся рыночных условий, защищенным от несанкционированного доступа. Python Data Jobs позволяет интегрировать сложные финансовые модели, например те, которые используются для прогнозирования движения цен или оценки факторов риска, в ваш смарт-контракт с оптимистичной безопасностью. Это позволяет протоколам DeFi использовать более сложную бизнес-логику, выходящую за рамки возможностей Proof of SQL.

Пример варианта использования: dYdX выполняет расчеты для определения цен на бессрочные опционы/фьючерсы вне цепочки, поскольку для этого требуются входные данные об исторических ценах и сложные вычисления, которые не могут быть выполнены с помощью смарт-контрактов в цепочке. Python Data Jobs позволяет выполнять эти вычисления защищенным от несанкционированного доступа способом.

Пример варианта использования: 3Commas выполняет модели машинного обучения вне цепочки для принятия решений DeFi/CeFi (свопы, фьючерсы, бот-торговля и т. д.) в централизованной вычислительной контейнерной среде. Python Data Jobs предоставляет альтернативу Web3.

Начать Вы можете начать создавать задания данных Python вместе с Хьюстоном в Space and Time Studio. Чтобы отпраздновать выпуск бета-версии нашего нового продукта, мы бесплатно предоставляем задания Python Data Jobs для всех пользователей на один месяц.