Подход с глубоким усиленным обучением для динамической корректировки комиссий в Ethereum

Почему это важно для обычных пользователей криптовалют

Каждому, кто пытался отправить платеж или чеканить невзаимозаменяемый токен в Ethereum, вероятно, приходилось сталкиваться с непредсказуемыми сборами, которые скачут, и долгими задержками в периоды загруженности сети. В этой работе исследуется новый способ установки этих сборов с помощью методов искусственного интеллекта, чтобы сеть оставалась плавной и предсказуемой даже при внезапных всплесках спроса.

Как сейчас работают комиссии в Ethereum

Ethereum взимает плату за каждую операцию в единицах, называемых газом, и пользователи платят цену газа за включение своих транзакций в блок. С 2021 года встроенное правило EIP-1559 пытается сделать этот процесс более справедливым и предсказуемым, регулируя базовую комиссию, которую обязан платить каждый, и при этом позволяя добавлять чаевые за ускорение подтверждения. Когда блоки заполнены в основном, базовая комиссия растет, а при наличии свободного места — снижается. Этот правил-ориентированный подход улучшил ситуацию по сравнению с предыдущими аукционами сборов, но по-прежнему испытывает трудности при резких всплесках спроса, например при популярных релизах NFT, и когда многие пользователи оценивают свои транзакции примерно одинаково.

Где текущие правила не справляются

Авторы показывают, что EIP-1559 может работать плохо в реальных и смоделированных периодах высокого спроса. Во время известного чеканья NFT в 2022 году, например, потребление газа держалось близко к лимиту блока, в то время как базовая комиссия колебалась скачкообразно, что приводило к нестабильным затратам и заторам. Предыдущие исследования также выявили, что когда пользователи придают транзакциям очень схожую ценность, небольшие изменения базовой комиссии могут переводить блоки от почти пустых до полностью заполненных и обратно. Такой цикл бума и спада тратит пространство блока и затрудняет пользователям предугадать, сколько им следует платить.

Позволить агенту ИИ научиться правильной настройке комиссии

Вместо того чтобы жестко задавать, как базовая комиссия реагирует на спрос, авторы рассматривают установку сборов как задачу обучения. Они строят имитированную среду, похожую на Ethereum, где агент наблюдает текущую базовую комиссию, сколько газа было использовано в последнем блоке, а также несколько деталей о пуле ожидающих транзакций, таких как количество новых и висящих транзакций и какие сборы предлагают пользователи. Исходя из этого состояния, агент выбирает небольшую корректировку базовой комиссии. После каждого блока он получает вознаграждение, которое выше, когда использование газа близко к целевому уровню, и ниже, когда блоки слишком пустые или переполненные. С помощью глубокого усиленного обучения агент постепенно выявляет шаблон корректировок, который поддерживает использование близко к цели, избегая при этом экстремальных колебаний.

Тестирование нового механизма сборов в разных условиях

Исследователи проводят масштабные симуляции, имитирующие разные настроения рынка. В одних сценариях спрос на транзакции плавно растет или падает; в других он резко пиковый или внезапно обрывается. Они также варьируют поведение пользователей, различая тех, кто просто платит фиксированную «чаевую», и тех, кто увеличивает чаевые при загруженности блоков. Во всех этих настройках выученная политика сравнивается со стандартным правилом EIP-1559. Ключевые показатели — насколько близко среднее использование газа держится к целевому уровню, насколько варьируется использование газа от блока к блоку и насколько волатильна базовая комиссия во времени.

Что показывают результаты о стабильности и гибкости

Механизм на основе глубокого обучения последовательно удерживает использование газа близко к желаемому уровню, одновременно снижая его вариативность по сравнению с EIP-1559. Улучшение особенно заметно, когда оценки пользователей находятся в узком диапазоне — именно в такой ситуации текущее правило может скатываться в хаотичные паттерны. В этих случаях новый метод сокращает колебания использования газа примерно в десять раз и делает базовую комиссию значительно более стабильной. Агент также реагирует более деликатно на внезапные всплески: он повышает базовую комиссию достаточно быстро, чтобы вернуть использование к цели, не переусердствуя так сильно, как старое правило. Путем настройки скорости допустимого изменения комиссии и путем добавления или удаления информации о пуле транзакций авторы показывают, что операторы сети могут настраивать компромисс между отзывчивостью и плавностью.

Что это значит для будущих комиссий в блокчейнах

С точки зрения неспециалиста, исследование указывает на то, что интеллектуальные алгоритмы могут сделать комиссии Ethereum менее похожими на игру в угадайку. Система комиссий, обучающаяся на данных в реальном времени, а не следующая фиксированной формуле, может обеспечить более эффективное заполнение блоков, ограничить резкие колебания сборов и справляться с загруженными периодами с меньшими потрясениями. Хотя работа основана на симуляциях и требует тщательного тестирования перед внедрением, она указывает в сторону механизмов сборов, которые адаптируются к меняющимся условиям и могут улучшить как пользовательский опыт, так и эффективность сети.

Цитирование: 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

Ключевые слова: Комиссии Ethereum, усиленное обучение, экономика блокчейна, цена газа, конгестия транзакций