Pastel独一无二的复制检测系统（第一部分）
Pastel网络的“复制检测”系统是其软件中最具创新性的一部分。该系统通过结合Tensorflow与Keras应用，运用了7个深度学习模型，实现了对NFT文件的近似复制检测，并为其划分稀缺性级别。以下是对该系统需求分析的详细阐述：
一、需求分析背景
在NFT市场中，当用户从其他平台（如Nifty Gateway、OpenSea、Rarible等）购买NFT时，他们只是购买了创建者上传的特定文件，而并不关心这些数据的真实性或原创性。这主要是因为大多数NFT项目都是建立在以太坊等其他基础设施上，没有一个项目拥有完全专用的原生区块链来整合特定的技术架构和软件，用以确定数字资产是否真的是复制品。
然而，这种现状似乎有悖于NFT的核心理念，即内在的稀缺性是持续存在的，且不应被颠覆。如果NFT可以被轻易复制并重新上传，那么创作者的整个价值主张都将受到破坏。此外，这种现状还会将问题转移到用户身上，使创作者和收藏家都暴露在各种骗局之下。
二、复制检测的需求
验证原创性：
复制检测系统需要能够验证NFT的原创性，确保用户购买的NFT是真实且未被复制的。
评估稀缺性：
系统应能对NFT进行稀缺性评估，为NFT划分不同的稀缺性级别（如“稀缺”或“高度稀缺”），从而帮助收藏家做出更明智的购买决策。
防止欺诈：
通过复制检测系统，平台可以有效防止伪创作者注册类似的NFT，保护创作者和收藏家的利益。
三、现有方法的局限性
目前，许多加密货币项目区分NFT的标准方法是将文件的哈希作为底层数据的ID或指纹。然而，这种方法存在明显的局限性。因为如果有人修改了NFT或直接复制并重新上传，即使文件内容相似，其哈希值也会完全改变。这意味着传统的哈希方法无法有效检测近似复制。
四、Pastel的创新解决方案
为了克服现有方法的局限性，Pastel开发了一种新奇且具创造性的近似复制检测系统。该系统利用了机器学习的先进技术以及对经典统计方法的创造性应用，将NFT的固有内容表征为更强大的指纹。
深度学习模型：
系统运用了7个深度学习模型，这些模型能够学习并识别NFT中的特征，从而生成具有唯一性和稳定性的指纹。
指纹生成：
每个NFT文件都被转换为一个约有8000个数字的固定列表（即NFT“指纹”）。这个指纹能够唯一地代表NFT的内容，并且对于相似的NFT文件，其指纹也会表现出一定的相似性。
相关性评估：
系统借助Pastel及其竞手平台（如OpenSea）上的所有现存指纹数据库，甚至整个互联网上的开放图像数据库（例如Google），对给定的指纹进行相关性评估。通过比较不同NFT的指纹，系统可以判断它们之间的相似程度。
稀缺性划分：
基于上述评估结果，系统给NFT划分稀缺性级别。收藏家可以根据NFT的稀缺性级别来做出购买决策，从而更愿意为那些从像素图案角度上被认定为稀缺的NFT支付更高的价格。
综上所述，Pastel的复制检测系统通过创新的解决方案，有效解决了NFT市场中存在的原创性和稀缺性问题。该系统不仅保护了创作者和收藏家的利益，还推动了NFT市场的健康发展。
