Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

גישת חיזוק עמוק לכוונון דינמי של עמלות עסקאות באת'ריום

· חזרה לאינדקס

מדוע זה חשוב למשתמשי קריפטו יומיומיים

כל מי שניסה לשלוח תשלום או למטבוע אסימון לא-ניתן-להחלפה באת'ריום כנראה נתקל בעמלות מבלבלות שקופצות משם לשם ובמתנות ארוכות כשהרשת עמוסה. המאמר הזה בוחן דרך חדשה להגדיר את העמלות באמצעות טכניקת בינה מלאכותית, כך שהרשת תישאר חלקה וצפויה גם כאשר הביקוש זינק לפתע.

Figure 1. בקר בינה מלאכותית שומר על תעבורת העסקאות של את'ריום חלקה ועל עמלות יציבות תחת ביקושים משתנים.
Figure 1. בקר בינה מלאכותית שומר על תעבורת העסקאות של את'ריום חלקה ועל עמלות יציבות תחת ביקושים משתנים.

איך עמלות את'ריום עובדות היום

את'ריום גובה תשלום עבור כל פעולה בעזרת יחידה שנקראת גז, והמשתמשים משלמים מחיר גז כדי שתנועותיהם ייכללו בבלוק. מאז 2021 כלל מובנה בשם EIP-1559 ניסה להנגיש את התהליך הזה ולהפכו צפוי והוגן יותר על ידי התאמת דמי בסיס שחובה על כולם לשלם, תוך אפשרות לתשלום טיפ נוסף לשירות מהיר יותר. כשהבלוקים מלאים ברובם, דמי הבסיס עולים, וכשהיש מקום פנוי הם יורדים. הגישה המבוססת כללים הזו שיפרה בהשוואה למה שאפיין מכרזי עמלות קודמים, אבל היא עדיין מתקשה בזמן זינוקים חדים בביקוש, כמו שחרורי NFT פופולריים, וכשהרבה משתמשים מעריכים את עסקאותיהם ברמה דומה.

איפה הכללים הנוכחיים מושפלים

המחברים מראים כי EIP-1559 עלולה להיבדק בצורה גרועה בתקופות ביקוש גבוהות במציאות ובסימולציות. במהלך מטבע NFT מפורסם ב-2022, למשל, שימוש הגז נשאר על סף מגבלת הבלוק בעוד דמי הבסיס התנודדו בצורה קיצונית, מה שהוביל לעלויות ולאי-יציבות ברשת. מחקרים קודמים מצאו גם שכאשר משתמשים מדרגים את עסקאותיהם בטווח ערכים צר, שינויים קטנים בדמי הבסיס יכולים לדחוף בלוקים מריקים כמעט למלאים לגמרי בחזרה — תבנית של בום ובאסט שמבזבזת מקום בבלוקים וקשה למשתמשים לנחש כמה לשלם.

Figure 2. מבט שלב אחר שלב על סוכן בינה שמכוונן את דמי הבסיס כך שמידות הבלוקים מתייצבות לתבנית יציבה.
Figure 2. מבט שלב אחר שלב על סוכן בינה שמכוונן את דמי הבסיס כך שמידות הבלוקים מתייצבות לתבנית יציבה.

לתת לסוכן בינה ללמוד את דמי הבסיס הנכונים

במקום להקשות בקוד כיצד דמי הבסיס יגיבו לביקוש, המחברים מגדירים את קביעת העמלה כבעיה של למידה. הם בונים סביבה מדומה בסגנון את'ריום שבה סוכן צופה בדמי הבסיס הנוכחיים, בכמות הגז שנוצלה בבלוק האחרון ובכמה פרטים על מאגר העסקאות המשותף, כגון כמה עסקאות חדשות וממתינות קיימות ואילו עמלות משתמשים מציעים. על בסיס המצב הזה בוחר הסוכן התאמה קטנה לדמי הבסיס. לאחר כל בלוק הוא מקבל תגמול גבוה יותר כשהשימוש בגז קרוב לרמת היעד ותגמול נמוך יותר כשהבלוקים ריקים מדי או מלאים מדי. באמצעות למידת חיזוק עמוקה הסוכן מפתח בהדרגה תבנית התאמות שמחזיקה את השימוש קרוב ליעד תוך הימנעות מתנודות קיצוניות.

בדיקת מנגנון העמלות החדש בתנאים רבים

החוקרים מריצים סימולציות נרחבות שמדמות מצבי שוק שונים. בתרחישים מסוימים הביקוש לעסקאות עולה או יורד בעדינות; בתרחישים אחרים הוא מגיע לשיא חד או יורד בפתאומיות. הם גם משנים את התנהגות המשתמשים, ומבדילים בין מי שמשלם טיפ קבוע לבין מי שמעלה את הטיפ כשהבלוקים צפופים. בכל ההגדרות הללו משווים את המדיניות שנלמדה עם כלל EIP-1559 הסטנדרטי. המדדים המרכזיים הם כמה קרוב השימוש הממוצע בגז נשאר ליעד, עד כמה השימוש משתנה מבלוק לבלוק, וכמה דמי הבסיס תנודתיים לאורך זמן.

מה התוצאות מראות לגבי יציבות וגמישות

המנגנון המבוסס למידה עמוקה שומר בעקביות על שימוש הגז קרוב לרמה הרצויה תוך הקטנת השונות בהשוואה ל-EIP-1559. השיפור בולט במיוחד כאשר הערכות המשתמשים מצויות בטווח צר — בדיוק המצב שבו הכלל הנוכחי עלול לצאת לתנודות כיאוטיות. במקרים אלה השיטה החדשה מצמצמת את התנודות בשימוש הגז בכמעט עשרה מונים ומייצבת את דמי הבסיס משמעותית. הסוכן גם מגיב בצורה מתונה יותר לזינוקים פתאומיים: הוא מעלה את דמי הבסיס במהירות מספקת כדי להחזיר את השימוש לכיוון היעד מבלי להזדחף קדימה באותה מידה כמו הכלל הישן. על ידי כוונון מהירות תזוזת העמלה והוספה או הסרה של מידע ממאגר העסקאות, המחברים מראים שמפעילי רשת יוכלו לכוונן את הפשרה בין תגובתיות לחלקות.

מה המשמעות לעמלות בלוקצ'יין בעתיד

מנקודת מבט של קורא שאינו מומחה, המחקר מרמז שאלגוריתמים חכמים יכולים להפוך את העמלות של את'ריום לפחות למשחק ניחושים. מערכת עמלות שלומדת מפעילות בזמן אמת, במקום לפעול לפי נוסחה קבועה, יכולה לשמור על ניצול תקין של הבלוקים, להגביל תנודות קיצוניות בעמלות ולהתמודד עם תקופות עומס בפחות השיבוש. בעוד שהעבודה מבוססת על סימולציות ותצטרך בדיקות קפדניות לפני פריסה, היא מצביעה על מנגנוני עמלות שמסתגלים לתנאים משתנים ועלולים לשפר גם את חוויית המשתמש וגם את יעילות הרשת.

ציטוט: 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

מילות מפתח: עמלות את'ריום, למידת חיזוק, כלכלת בלוקצ'יין, מחיר גז, עומס עסקאות