x402 มีธุรกรรม 66,073,201 รายการ เซอร์เคิลเสนอ Anduin จัดอันดับบริการ AI

ทีมนักวิจัยของเซอร์เคิล (Circle) ($CRCL) เสนอ Anduin ระบบจัดอันดับผู้ให้บริการสำหรับ AI Agent โดยใช้ประวัติการชำระเงินผ่าน x402 พร้อมประเมินความแม่นยำของคำแนะนำและต้นทุนในการปั่นอันดับ

Foresight News รายงานเมื่อวันที่ 13 ว่า Circle Research เผยข้อเสนอ Anduin โดยงานวิจัยเผยแพร่เมื่อวันที่ 3 พฤศจิกายน และวิเคราะห์ธุรกรรม x402 จำนวน 66,073,201 รายการ ซึ่งเกิดขึ้นบนบล็อกเชน 16 แห่งในช่วง 157 วัน ตั้งแต่วันที่ 23 มีนาคมถึง 26 สิงหาคม มูลค่าการชำระเงินรวมอยู่ที่ 6.1 ล้านดอลลาร์ (ประมาณ 8.14 พันล้านวอน)

บันทึกธุรกรรมครอบคลุมผู้ซื้อ 162,882 รายและผู้ให้บริการ 50,390 ราย โดยมูลค่าการชำระเงินมัธยฐานต่อรายการอยู่ที่ 0.01 ดอลลาร์ (ประมาณ 13 วอน) นักวิจัยระบุว่าได้ตัดธุรกรรมที่ชำระเงินให้ตัวเองออกจากการรวบรวมข้อมูลแล้ว แต่อาจมีธุรกรรมบางส่วนที่ไม่ถูกบันทึก เพราะเกี่ยวข้องกับตัวกลางการชำระเงินที่ไม่สามารถระบุตัวตนได้หรือผู้ขายที่ไม่ได้ลงทะเบียน จำนวนธุรกรรมนี้มาจากประวัติการชำระเงินที่นำมาวิเคราะห์ ไม่ใช่จำนวนที่ Anduin ประมวลผลจริงหลังนำไปใช้ในบริการ

x402 เป็นระบบที่เว็บไซต์ส่งคำขอชำระเงินผ่านรหัสสถานะ HTTP 402 จากนั้นผู้ซื้อส่งการอนุมัติการชำระเงินที่ลงนามแล้ว และตัวกลางดำเนินการชำระบัญชีบนบล็อกเชน ธุรกรรมในการศึกษาส่วนใหญ่ใช้สเตเบิลคอยน์ เช่น ยูเอสดีคอยน์ (USDC) และเทเธอร์ (USDT)

ก่อนหน้านี้ เซอร์เคิลรวม Agent Marketplace ไว้ใน Agent Stack โดยออกแบบให้ AI Agent ตรวจสอบราคาและฟังก์ชันของบริการก่อนชำระเงิน มีรายงานว่า Venice ลงทะเบียนเป็นผู้ให้บริการในตลาดดังกล่าว งานวิจัยครั้งนี้มุ่งศึกษาว่า หลังชำระเงินแล้ว Agent จะเลือกผู้ให้บริการรายใด

นักวิจัยชี้ว่าอันดับที่อิงปริมาณธุรกรรมหรือจำนวนผู้ใช้สามารถถูกปั่นให้สูงเกินจริงได้ ผู้เล่นรายหนึ่งอาจสร้างกระเป๋าเงินหลายใบแล้วชำระเงินซ้ำให้บริการที่ตนเองดูแล เพื่อทำให้ดูเหมือนมีผู้ใช้จริงจำนวนมาก การสร้างตัวตนปลอมเพื่อเพิ่มชื่อเสียงลักษณะนี้เรียกว่าการโจมตีแบบ Sybil

Anduin เริ่มจากผู้ให้บริการที่ผู้ซื้อเคยชำระเงินให้ แล้วติดตามความเชื่อมโยงของการชำระเงิน โดยตรวจสอบว่าผู้ซื้อรายอื่นที่ใช้ผู้ให้บริการเดียวกันได้ชำระเงินให้ผู้ให้บริการรายใหม่หรือไม่ จากนั้นใช้ความเชื่อมโยงนี้จัดอันดับผู้ให้บริการที่ผู้ซื้อยังไม่เคยใช้

ภายใต้รูปแบบการโจมตีที่นักวิจัยกำหนด ผู้โจมตีไม่สามารถเพิ่มอันดับคำแนะนำให้ผู้ซื้อได้ด้วยการหมุนเวียนเงินระหว่างกระเป๋าเงินปลอมเพียงอย่างเดียว หากต้องการดันอันดับขึ้น ผู้โจมตีต้องจ่ายเงินจริงให้ผู้ให้บริการอิสระที่ผู้ซื้อรายนั้นเคยใช้แล้ว เพราะระบบใช้ความสัมพันธ์การชำระเงินเดิมของผู้ซื้อเป็นเกณฑ์คำนวณต้นทุนการโจมตี

Anduin ประกอบด้วยอัลกอริทึม 3 แบบ ได้แก่ วิธี Maximum Flow และรูปแบบดัดแปลงที่ผ่อนปรนลงอีก 2 แบบ นักวิจัยเปรียบเทียบแต่ละวิธีทั้งด้านประสิทธิภาพการแนะนำและต้นทุนในการปั่นอันดับ

การทดสอบประสิทธิภาพใช้ประวัติการชำระเงิน 90 วันก่อนหน้า โดยกำหนดเวลาตัดข้อมูล ณ วันที่ 21 มิถุนายน เวลา 09.00 น. ตามเวลาเกาหลีใต้ ช่วงดังกล่าวมีธุรกรรม 24,429,942 รายการ มูลค่ารวม 3.83 ล้านดอลลาร์ (ประมาณ 5.109 พันล้านวอน)

จากผู้ซื้อทั้งหมด 136,646 ราย นักวิจัยพบ 3,656 รายที่กลับมาทำธุรกรรมในช่วง 30 วันถัดมา ในจำนวนนี้มี 813 รายที่ใช้ผู้ให้บริการซึ่งไม่เคยชำระเงินให้มาก่อนเป็นครั้งแรก และถูกนำมาใช้ประเมินความแม่นยำ ส่วนผู้ให้บริการที่ถือว่าอยู่ในกลุ่ม mature หมายถึงผู้ให้บริการที่มีผู้ซื้ออย่างน้อย 2 รายชำระเงินให้

ในกลุ่มประเมิน 813 ราย การตั้งค่าหนึ่งของวิธี Amplified Flow จัดผู้ให้บริการที่ผู้ซื้อเลือกใช้จริงเป็นอันดับ 1 ได้ถูกต้อง 23.6% เทียบกับ 23.2% ของวิธี Collaborative Filtering และ 3.7% ของวิธีนับจำนวนธุรกรรมเพียงอย่างเดียว

อย่างไรก็ตาม ผล 23.6% มาจากการตั้งค่าที่คำนวณมูลค่าการชำระเงินด้วยวิธีลอการิทึม ส่วนการเปรียบเทียบต้นทุนการโจมตีใช้การตั้งค่าแยกต่างหากที่ถ่วงน้ำหนักด้วยมูลค่าการชำระเงินรวมค่าธรรมเนียม ภายใต้การตั้งค่าเดียวกันนี้ วิธี Amplified Flow มีอัตราจัดอันดับผู้ให้บริการที่เลือกจริงเป็นอันดับ 1 อยู่ที่ 22.8%

ในการโจมตีจำลอง การดันผู้ให้บริการรายหนึ่งให้ขึ้นเป็นอันดับ 1 ในรายการแนะนำของผู้ซื้อทั้ง 813 ราย ต้องใช้เงิน 8,259 ดอลลาร์ (ประมาณ 11.02 ล้านวอน) ด้วยวิธี Amplified Flow เทียบกับ 358 ดอลลาร์ (ประมาณ 480,000 วอน) ด้วย Collaborative Filtering หรือมีต้นทุนสูงกว่าราว 23 เท่า ทั้งสองตัวเลขเป็นต้นทุนขั้นต่ำภายใต้เงื่อนไขการโจมตีที่นักวิจัยกำหนด

ตัวเลขดังกล่าวไม่ได้วัดต้นทุนจริงในการป้องกันการปั่นอันดับในตลาด นักวิจัยจำลองสถานการณ์โจมตีจากประวัติการชำระเงินในอดีต และไม่ได้ประเมินผลจากการนำ Anduin ไปใช้ในบริการจริง

ระบบนี้จัดอันดับผู้ซื้อที่ไม่มีประวัติการชำระเงินไม่ได้ เพราะไม่มีผู้ให้บริการเดิมหรือผู้สมัครที่เชื่อมโยงกันให้ใช้เป็นจุดเริ่มต้น งานวิจัยยังระบุด้วยว่า หาก AI Agent หลายตัวใช้กระเป๋าเงินร่วมกัน ประวัติการชำระเงินที่แตกต่างกันอาจปะปนและทำให้คำแนะนำมีสัญญาณรบกวน

เกณฑ์ประเมินวัดว่าระบบจัดอันดับผู้ให้บริการรายถัดไปที่ผู้ซื้อเลือกได้แม่นยำเพียงใด ไม่ได้ตรวจสอบคำตอบหรือคุณภาพของบริการโดยตรง