نهج التعلم المعزز العميق لتعديل رسوم المعاملات الديناميكية في إيثريوم

لماذا يهم هذا لمستخدمي الكريبتو اليوميين

أي شخص حاول إرسال دفعة أو سك رمز غير قابل للاستبدال على إيثريوم ربما واجه رسوما مربكة تتقلب وفترات انتظار طويلة عندما تكون الشبكة مشغولة. تستكشف هذه الورقة طريقة جديدة لتحديد تلك الرسوم باستخدام تقنية ذكاء اصطناعي بحيث تبقى الشبكة ناعمة ومتوقعة حتى عند حدوث ارتفاع مفاجئ في الطلب.

كيف تعمل رسوم إيثريوم اليوم

تفرض إيثريوم رسما عن كل عملية بوحدة تسمى الغاز، ويدفع المستخدمون سعر غاز ليُدرجوا معاملاتهم في كتلة. منذ 2021، حاولت قاعدة مدمجة تُعرف باسم EIP-1559 جعل هذه العملية أكثر عدلاً وتنبؤًا عن طريق تعديل رسوم أساسية يجب على الجميع دفعها، مع السماح بإكرامية إضافية لتسريع الخدمة. عندما تكون الكتل ممتلئة إلى حد كبير، ترتفع الرسوم الأساسية، وعندما تكون هناك سعة متاحة، تنخفض. ساعد هذا النهج القائم على قواعد مقارنة بمزادات الرسوم السابقة، لكنه لا يزال يواجه صعوبات أثناء قفزات الطلب الحادة، مثل طرحات NFT الشهيرة، وعندما يقيم العديد من المستخدمين معاملاتِهم عند مستويات قيمة متشابهة.

أين تقصر القواعد الحالية

يبين المؤلفون أن EIP-1559 يمكن أن يتصرف بشكل سيئ في فترات الطلب العالي الحقيقية والمحاكاة. خلال حدث سك NFT مشهور في 2022، على سبيل المثال، ظل استخدام الغاز قرب حد الكتلة بينما تذبذبت الرسوم الأساسية بشكل كبير، مما أدى إلى تكاليف غير مستقرة وازدحام. وجدت أبحاث سابقة أيضًا أنه عندما يضع المستخدمون قيمًا متشابهة جدًا على معاملاتهم، يمكن لتغييرات صغيرة في الرسوم الأساسية أن تدفع الكتل من شبه فارغة إلى ممتلئة تمامًا والعودة مرة أخرى. هذا النمط من الازدهار والانهيار يهدر سعة الكتل ويجعل من الصعب على المستخدمين تخمين ما يجب عليهم دفعه.

ترك وكيل ذكاء اصطناعي ليتعلم الرسوم المناسبة

بدلاً من ترميز كيفية استجابة الرسوم الأساسية للطلب بشكل ثابت، يعالج المؤلفون مسألة تحديد الرسوم كمشكلة تعلم. بنوا بيئة محاكاة تشبه إيثريوم حيث يلاحظ الوكيل الرسوم الأساسية الحالية، وكمية الغاز المستخدمة في الكتلة الأخيرة، وعدة تفاصيل عن تجمع المعاملات المشترك، مثل عدد المعاملات الجديدة والمعلقة وما هي الرسوم التي يعرضها المستخدمون. استنادًا إلى هذه الحالة، يختار الوكيل تعديلًا صغيرًا في الرسوم الأساسية. بعد كل كتلة، يتلقى مكافأة تكون أعلى عندما يكون استخدام الغاز قريبًا من مستوى مستهدف وأقل عندما تكون الكتل فارغة جدًا أو ممتلئة جدًا. باستخدام التعلم المعزز العميق، يكتشف الوكيل تدريجيًا نمطًا من التعديلات يحافظ على الاستخدام قريبًا من الهدف مع تجنّب التقلبات الشديدة.

اختبار آلية الرسوم الجديدة في ظروف متعددة

يشغل الباحثون محاكاة موسعة تحاكي حالات سوقية مختلفة. في بعض السيناريوهات، يرتفع أو ينخفض الطلب على المعاملات بلطف؛ وفي أخرى، يبلغ ذروة حادة أو يسقط فجأة. كما يغيرون سلوك المستخدمين، مميزين بين من يدفعون إكرامية ثابتة ومن يزيدون إكراميتهم عندما تكون الكتل مزدحمة. عبر هذه الضوابط، تُقارن السياسة المتعلمة مع القاعدة القياسية EIP-1559. المقاييس الأساسية هي مدى قرب متوسط استخدام الغاز من الهدف، مدى تذبذب استخدام الغاز من كتلة إلى أخرى، ومدى تقلب الرسوم الأساسية عبر الزمن.

ما تُظهره النتائج عن الاستقرار والمرونة

آلية التعلم العميق تحافظ باستمرار على استخدام الغاز قريبًا من المستوى المطلوب مع تقليل تذبذبه مقارنةً بـ EIP-1559. يكون التحسن لافتًا بشكل خاص عندما تقع تقييمات المستخدمين في نطاق ضيق، وهو الإعداد الذي يمكن أن تُدخل فيه القاعدة الحالية أنماطًا فوضوية. في تلك الحالات، يخفض الأسلوب الجديد تقلبات استخدام الغاز بنحو عامل عشرة ويجعل الرسوم الأساسية أكثر استقرارًا بكثير. كما يتعامل الوكيل مع القفزات المفاجئة بشكل أكثر نعومة: يرفع الرسوم الأساسية بسرعة كافية لإرجاع الاستخدام إلى الهدف دون تجاوز كبير كما في القاعدة القديمة. من خلال ضبط سرعة تحرك الرسوم المسموح بها وإضافة أو إزالة معلومات تجمع المعاملات، يُظهر المؤلفون أن مشغلي الشبكات يمكنهم ضبط المقايضة بين الاستجابة وسلاسة الأداء.

ماذا يعني هذا لرسوم البلوكتشين المستقبلية

من منظور شخص عادي، تشير الدراسة إلى أن الخوارزميات الذكية قد تجعل رسوم إيثريوم أقل شبهاً بلعبة التخمين. يمكن لنظام رسوم يتعلم من النشاط في الوقت الحقيقي، بدلًا من اتباع صيغة ثابتة، أن يحافظ على استخدام جيد للكتل ويقي من تقلبات الرسوم الشديدة ويتعامل مع الفترات المزدحمة بتشويش أقل. بينما تستند الدراسة إلى محاكاة وتحتاج إلى اختبار دقيق قبل النشر، فإنها تشير إلى آليات رسوم تتكيف مع الظروف المتغيرة وقد تحسن كلًا من تجربة المستخدم وكفاءة الشبكة.

الاستشهاد: Jang, H., Shim, J. A deep reinforcement learning approach for dynamic transaction fee adjustment in Ethereum. Sci Rep 16, 15600 (2026). https://doi.org/10.1038/s41598-026-46368-2

الكلمات المفتاحية: رسوم إيثريوم, التعلم المعزز, اقتصاديات البلوكتشين, سعر الغاز, ازدحام المعاملات