Ein Deep-Reinforcement-Learning-Ansatz zur dynamischen Anpassung von Transaktionsgebühren in Ethereum

Warum das für alltägliche Krypto‑Nutzer wichtig ist

Jeder, der schon einmal eine Zahlung geschickt oder einen Non‑Fungible Token auf Ethereum geprägt hat, kennt vermutlich die rätselhaften Gebühren, die springen, und die langen Wartezeiten bei hoher Netzbelastung. Diese Arbeit untersucht einen neuen Weg, diese Gebühren mit einer KI‑Methode festzulegen, sodass das Netzwerk auch bei plötzlichen Nachfragesteigerungen glatt und vorhersehbar bleibt.

Wie Ethereum‑Gebühren heute funktionieren

Ethereum berechnet für jede Operation eine Einheit namens Gas, und Nutzer bezahlen einen Gaspreis, damit ihre Transaktionen in einen Block aufgenommen werden. Seit 2021 versucht eine eingebaute Regel, bekannt als EIP‑1559, diesen Prozess gerechter und vorhersagbarer zu machen, indem sie eine Basisgebühr anpasst, die alle zahlen müssen, während ein zusätzlicher Tipp für schnellere Bearbeitung möglich bleibt. Wenn Blöcke größtenteils voll sind, steigt die Basisgebühr, und wenn Platz vorhanden ist, sinkt sie. Dieser regelbasierte Ansatz war gegenüber früheren Auktionsmechanismen eine Verbesserung, hat aber weiterhin Probleme bei plötzlichen Nachfragespitzen, etwa bei populären NFT‑Drops, und wenn viele Nutzer ihren Transaktionen ähnliche Werte beimessen.

Wo die aktuellen Regeln versagen

Die Autoren zeigen, dass sich EIP‑1559 in realen und simulierten Hochlastphasen schlecht verhalten kann. Bei einem bekannten NFT‑Mint 2022 schwankte etwa die Gasnutzung nahe dem Blocklimit, während die Basisgebühr heftig ausschlug, was zu instabilen Kosten und Staus führte. Frühere Untersuchungen fanden ebenfalls heraus, dass, wenn Nutzer ihren Transaktionen sehr ähnliche Werte beimessen, kleine Änderungen der Basisgebühr Blöcke von nahezu leer zu völlig voll und wieder zurück treiben können. Solche Boom‑und‑Bust‑Muster verschwenden Blockraum und erschweren es Nutzern, die passende Gebühr einzuschätzen.

Den richtigen Gebührensatz von einem KI‑Agenten lernen lassen

Statt fest vorzugeben, wie die Basisgebühr auf Nachfrage reagieren soll, betrachten die Autoren das Festlegen der Gebühren als Lernproblem. Sie bauen eine simulierte Ethereum‑ähnliche Umgebung, in der ein Agent die aktuelle Basisgebühr, den Gasverbrauch des letzten Blocks und mehrere Details zum geteilten Transaktionspool beobachtet, etwa wie viele neue und wartende Transaktionen existieren und welche Gebühren Nutzer anbieten. Auf Grundlage dieses Zustands wählt der Agent eine kleine Anpassung der Basisgebühr. Nach jedem Block erhält er eine Belohnung, die höher ausfällt, wenn der Gasverbrauch nahe einem Zielniveau liegt, und geringer, wenn Blöcke zu leer oder zu voll sind. Mithilfe von Deep Reinforcement Learning entdeckt der Agent schrittweise ein Anpassungsmuster, das die Nutzung nahe dem Ziel hält und extreme Schwankungen vermeidet.

Testen des neuen Gebührenmechanismus unter vielen Bedingungen

Die Forscher führen umfangreiche Simulationen durch, die verschiedene Marktlagen nachbilden. In einigen Szenarien steigt oder fällt die Transaktionsnachfrage sanft; in anderen kommt es zu scharfen Spitzen oder plötzlichen Einbrüchen. Sie variieren außerdem das Nutzerverhalten, unterscheiden etwa zwischen denen, die einen festen Tipp zahlen, und solchen, die ihren Tipp erhöhen, wenn Blöcke überfüllt sind. In all diesen Einstellungen wird die gelernte Politik mit der Standardregel EIP‑1559 verglichen. Wichtige Messgrößen sind, wie nah der durchschnittliche Gasverbrauch am Ziel bleibt, wie stark der Gasverbrauch von Block zu Block schwankt und wie volatil die Basisgebühr über die Zeit ist.

Was die Ergebnisse über Stabilität und Flexibilität aussagen

Der auf Deep Learning basierende Mechanismus hält die Gasnutzung durchgängig näher am gewünschten Niveau und reduziert deren Variabilität im Vergleich zu EIP‑1559. Die Verbesserung ist besonders auffällig, wenn Nutzerbewertungen in einem engen Bereich liegen — genau das Szenario, in dem die aktuelle Regel zu chaotischen Mustern neigt. In diesen Fällen reduziert die neue Methode Schwankungen der Gasnutzung um etwa den Faktor zehn und macht die Basisgebühr deutlich gleichmäßiger. Der Agent reagiert auch eleganter auf plötzliche Spitzen: Er erhöht die Basisgebühr schnell genug, um die Nutzung wieder in Richtung Ziel zu ziehen, ohne so stark zu überschießen wie die alte Regel. Indem man die erlaubte Geschwindigkeit der Gebührbewegung anpasst und Informationen aus dem Transaktionspool hinzufügt oder entfernt, zeigen die Autoren, dass Netzbetreiber den Kompromiss zwischen Reaktionsschnelligkeit und Glätte feinjustieren könnten.

Was das für künftige Blockchain‑Gebühren bedeutet

Aus Sicht eines Laien deutet die Studie darauf hin, dass intelligente Algorithmen Ethereum‑Gebühren weniger zu einem Ratespiel machen könnten. Ein Gebührensystem, das aus Echtzeit‑Aktivitäten lernt statt einer fixen Formel zu folgen, kann Blöcke gut ausgelastet halten, wilde Gebührenschwankungen begrenzen und Spitzenzeiten mit weniger Störungen bewältigen. Obwohl die Arbeit auf Simulationen beruht und vor einem Einsatz sorgfältig getestet werden müsste, weist sie auf Gebühremechanismen hin, die sich an veränderte Bedingungen anpassen und sowohl die Nutzererfahrung als auch die Netzeffizienz verbessern könnten.

Zitation: 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

Schlüsselwörter: Ethereum-Gebühren, Reinforcement Learning, Blockchain-Ökonomie, Gaspreis, Transaktionsstau