KI-Engine

QoreChain integriert KI-Funktionen auf mehreren Ebenen des Protokoll-Stacks über das x/ai-Modul. Die On-Chain-Schicht bietet deterministische, heuristikbasierte Analysen, die für konsenskritische Operationen geeignet sind, während ein Off-Chain-Sidecar die Funktionen mit Deep-Learning-Modellen für Beratungs- und Entwickler-Tooling erweitert.

Drei-Schichten-Architektur

Die QCAI-Engine (QoreChain AI) arbeitet über drei Schichten hinweg:

Schicht	Geltungsbereich	Ausführung	Deterministisch
Konsensebene	Blockproduktion, Parameterabstimmung	On-Chain (x/rlconsensus)	Ja
Netzwerkebene	Transaktions-Routing, Betrugserkennung, Gebührenoptimierung	On-Chain (x/ai)	Ja
Anwendungsebene	Vertragsgenerierung, Auditing, Tiefenanalyse	Off-Chain (Sidecar)	Nein

Die Konsensebene wird separat in der PRISM Consensus Engine dokumentiert. Diese Seite behandelt die Netzwerk- und Anwendungsebene.

Transaktions-Router

Der KI-gestützte Router wählt mithilfe gewichteter Multifaktor-Bewertung für jede Transaktion optimale Validatoren und Routen aus.

Optimierungsformel

OptimalRoute = argmin_r( alpha * Latency(r) + beta * Cost(r) + gamma * Security(r)^-1 )

Gewicht	Symbol	Standard	Beschreibung
Latenz	alpha	0.4	Normalisierte Antwortzeit (0=bester, 1=schlechtester Wert). 0ms entspricht 0.0, 1000ms entspricht 1.0.
Kosten	beta	0.3	Aktuelle Auslastung in Prozent als Näherungswert für Kosten.
Sicherheit	gamma	0.3	Kehrwert des Reputationsscores. Höhere Reputation ergibt einen niedrigeren (besseren) Wert.

Der Router unterhält einen Metrik-Cache (Standard-TTL: 30 Sekunden) mit Leistungsdaten je Validator, darunter durchschnittliche Latenz, Verfügbarkeit in Prozent, Auslastung in Prozent und Reputationsscore. Sind zwischengespeicherte Metriken nicht verfügbar, greift das System auf den heuristischen Router zurück.

Routing-Konfidenz

Die Konfidenz skaliert mit der Anzahl der Validatoren, für die Metriken verfügbar sind:

Validatoren mit Metriken	Konfidenz
>= 10	0.95
>= 5	0.85
>= 2	0.75
1	0.60

Betrugserkennung

Der Betrugsdetektor implementiert eine sechsschichtige Erkennungspipeline, die jede Transaktion mit statistischen Methoden gegen den jüngsten Verlauf analysiert.

Erkennungsschichten

Schicht	Detektor	Methode	Auslöseschwelle
1	Isolation Forest	Statistischer Z-Score über die Merkmale Betrag, Gas und Senderhäufigkeit	Anomalie-Score > 0.7
2	Sequence Analyzer	Erkennt abwechselnde Sende-/Empfangsmuster (Wash Trading)	> 3 abwechselnde Transfers zwischen demselben Paar
3	Sybil Detector	Verfolgt neue eindeutige Adressen; markiert Spitzen bei neuen Sendern	> 30 % der jüngsten Transaktionen von neuen Adressen
4	DDoS Detector	Überwacht die Transaktionshäufigkeit je Sender	> 100 Transaktionen pro Minute von einem einzelnen Sender
5	Flash Loan Detector	Identifiziert Borrow-Manipulate-Repay-Muster innerhalb eines einzelnen Blocks	>= 3 Transaktionen im selben Block mit > 10-facher Betragsvarianz
6	Exploit Detector	Markiert ungewöhnlichen Gasverbrauch bei Vertragsaufrufen	> 5-faches durchschnittliches Gas für denselben Transaktionstyp

Bedrohungsklassifizierung

Konfidenzbereich	Bedrohungsstufe
>= 0.9	Kritisch
>= 0.7	Hoch
>= 0.5	Mittel
>= 0.3	Niedrig
< 0.3	Keine

Reaktionsmaßnahmen

Bedrohungsstufe	Konfidenz	Maßnahme
Kritisch	> 0.8	circuit_break — Bestimmte Vertragsausführungen pausieren
Kritisch	<= 0.8	rate_limit — TX-Annahme von der Quelle vorübergehend reduzieren
Hoch	> 0.7	rate_limit
Hoch	<= 0.7	alert — Ereignis für Validatoren und Betreiber auslösen
Mittel	Beliebig	alert
Niedrig / Keine	Beliebig	allow

Wird eine andere Maßnahme als allow ausgelöst, wird ein Betrugsuntersuchungsdatensatz mit einer eindeutigen ID erstellt (Format: INV-{timestamp}-{txhash_prefix}).

Gebührenoptimierer

Der Gebührenoptimierer prognostiziert die Netzwerküberlastung und schlägt mithilfe von Überlastungsverfolgung per exponentiell gleitendem Mittelwert (EMA) optimale Gebühren für gewünschte Bestätigungszeiten vor.

Überlastungsprognose

• EMA-Glättungsfaktor (alpha): 0.2
• Verlaufsfenster: 100 Blöcke
• Trendanalyse: Vergleicht die jüngsten 5 Blöcke mit den vorherigen 5 Blöcken, um Überlastungstrends zu erkennen, und projiziert dann mit 50 % Dämpfung in die Zukunft.

Dringlichkeitsstufen

Dringlichkeit	Basismultiplikator	Geschätzte Bestätigung
fast	2.0x	1-2 Blöcke
normal	1.0x	3-5 Blöcke
slow	0.5x	6-10 Blöcke

Die endgültige Gebühr berücksichtigt einen Überlastungsmultiplikator (1.0x bei 0 % Überlastung, bis zu 5.0x bei 100 % Überlastung) sowie einen Trendaufschlag, wenn die prognostizierte Überlastung die aktuelle Überlastung übersteigt. Die Mindestgebührenuntergrenze beträgt 500 uqor (0.0005 QOR).

Netzwerkoptimierer

Der Netzwerkoptimierer überwacht kontinuierlich Leistungsmetriken und generiert mithilfe einer Mehrziel-Belohnungsfunktion Empfehlungen für Governance-Parameter.

Belohnungsfunktion

R(s, a, s') = alpha * DeltaPerformance + beta * DeltaLatency + gamma * DeltaEnergy - delta * StabilityPenalty

Gewicht	Wert	Ziel
alpha	0.35	Leistungsverbesserung
beta	0.30	Latenzreduktion
gamma	0.15	Energie-/Ressourceneinsparung
delta	0.20	Stabilitätserhaltung

Empfehlungstypen

Der Optimierer generiert Empfehlungen für:

• Block-Gas-Limit: Erhöhen bei Auslastung > 80 %, verringern bei < 20 %
• Mindestprovisionssatz: Senken, wenn die Validatorenanzahl unter 5 liegt
• Maximale Validatorenanzahl: Erhöhen, wenn die Blockzeiten gesund sind und >= 10 Validatoren aktiv sind
• Blockzeit-Zielwert: Warnen, wenn die durchschnittliche Blockzeit 8 Sekunden überschreitet

Jede Empfehlung umfasst den aktuellen Wert, den vorgeschlagenen Wert, die erwartete Auswirkung, den Konfidenzscore und die Begründung.

KI-Sidecar

Das QCAI-Sidecar erweitert die On-Chain-KI mit Off-Chain-Deep-Learning-Modellen, die vom QCAI-Backend gestützt werden. Das Sidecar ist optional und nicht konsenskritisch und wird über eine interne gRPC-Schnittstelle erreicht.

Funktionen

Funktion	Beschreibung
Vertragsgenerierung	Generiert Smart Contracts aus natürlichsprachigen Spezifikationen über 17 Plattformen hinweg
Vertrags-Auditing	Tiefgehende Sicherheitsanalyse von Smart-Contract-Code
Tiefe Betrugsanalyse	Erweiterte Betrugsuntersuchung mit trainierten Modellen (ergänzt On-Chain-Heuristiken)
Netzwerkberatung	Fortgeschrittene Empfehlungen zur Parameteroptimierung

Modelle

Modellname	Anwendungsfall
QCAI Fast	Antworten mit geringer Latenz für Gebührenschätzung und Routing
QCAI Balanced	Tiefere Analyse für Auditing und Betrugsuntersuchung

Das Sidecar läuft als unabhängiger Off-Chain-Dienst, sodass Deep-Learning-Workloads die konsenskritische Ausführung niemals blockieren oder beeinflussen.

EVM-Precompiles

Zwei vorkompilierte Verträge stellen EVM-Smart-Contracts On-Chain-KI-Funktionen bereit:

Precompile	Adresse	Beschreibung
aiRiskScore	0x0B01	Gibt einen Risikoscore (0-100) für eine bestimmte Adresse oder einen Transaktions-Hash zurück
aiAnomalyCheck	0x0B02	Gibt ein boolesches Anomalie-Flag und einen Konfidenzscore für eine Transaktion zurück

Wichtig: EVM-Precompiles verwenden ausschließlich die deterministische heuristische Engine. Sie rufen niemals das Sidecar auf und stellen so sicher, dass die gesamte EVM-Ausführung vollständig deterministisch und reproduzierbar bleibt.

TEE-Attestierung

Das KI-Modul definiert Schnittstellen für die Attestierung einer Trusted Execution Environment, was eine zukünftige verifizierbare Ausführung von KI-Modellen innerhalb sicherer Hardware-Enklaven ermöglicht.

Unterstützte Plattformen

Plattform	Bezeichner	Beschreibung
Intel SGX	sgx	Software Guard Extensions
Intel TDX	tdx	Trust Domain Extensions
AMD SEV-SNP	sev-snp	Secure Encrypted Virtualization - Secure Nested Paging
ARM CCA	arm-cca	Confidential Compute Architecture

Attestierungsablauf

1. Modellgewichte laden — Das Sidecar lädt KI-Modellgewichte in eine TEE-Enklave.
2. Inferenz innerhalb der Enklave ausführen — Die Inferenz läuft im geschützten Speicher der Enklave.
3. Attestierungsbericht erstellen — Die Enklave erstellt einen Attestierungsbericht, der den Modell-Hash, den Eingabe-Hash und den Ausgabe-Hash bindet.
4. Attestierung On-Chain verifizieren — Validatoren verifizieren die Attestierung On-Chain, bevor sie Inferenzergebnisse akzeptieren.

Die TEE-Attestierung befindet sich derzeit im Stadium der Schnittstellenspezifikation. Die Implementierung ist für eine zukünftige Version geplant.

Föderiertes Lernen

Das KI-Modul definiert Schnittstellen für die Koordination von On-Chain-föderiertem Lernen, bei dem Validator-Knoten lokale Modelle trainieren und Gradientenaktualisierungen einreichen, die in ein globales Modell aggregiert werden, ohne dass Rohdaten für das Training geteilt werden.

Aggregationsmethoden

Methode	Beschreibung
fedavg	Federated Averaging — gewichteter Durchschnitt der Gradienten nach Stichprobenanzahl
fedprox	Federated Proximal — fügt einen Proximalterm zur Behandlung heterogener Daten hinzu
scaffold	SCAFFOLD — verwendet Kontrollvariate zur Korrektur von Client-Drift

Lebenszyklus einer Runde

Pending --> Training --> Aggregating --> Complete
                                    \-> Failed (timeout or insufficient participants)

Jede Runde wird mit minimaler/maximaler Teilnehmerzahl, Timeout, Lernrate, Gradient-Clipping-Norm und einem optionalen Rauschmultiplikator für Differential Privacy konfiguriert. Alle Gradienteneinreichungen werden mit PQC-Signaturen (Dilithium-5) signiert.

Das föderierte Lernen befindet sich derzeit im Stadium der Schnittstellenspezifikation. Die Implementierung ist für eine zukünftige Version geplant.

REST-Endpunkte

Endpunkt	Beschreibung
/ai/v1/fee-estimate	Gibt Gebührenschätzungen für die Dringlichkeitsstufen fast, normal und slow zurück
/ai/v1/fraud/investigations	Listet aktive und abgeschlossene Betrugsuntersuchungen auf
/ai/v1/network/recommendations	Gibt aktuelle Empfehlungen zur Optimierung der Netzwerkparameter zurück
/ai/v1/circuit-breakers	Listet aktive Circuit-Breaker-Zustände für Verträge auf

Verwandte Themen

• PRISM Consensus Engine — die KI-Schicht, die die Konsensoptimierung steuert.
• Smart Contract Creator — KI-gestützte Vertragsgenerierung im Dashboard.
• Contract Auditor — KI-gestützte Sicherheitsprüfung von Verträgen.