Ethereum’de dinamik işlem ücreti ayarlaması için derin pekiştirmeli öğrenme yaklaşımı

Günlük kripto kullanıcıları için neden önemli

Ethereum üzerinde bir ödeme göndermeye veya bir değiştirilemez token (NFT) bastırmaya çalışmış olan herkes, ağ meşgul olduğunda aniden yükselen ücretler ve uzun beklemelerle karşılaşmıştır. Bu makale, talep aniden arttığında bile ağın düzgün ve öngörülebilir kalmasını sağlamak için ücretleri yapay zekâ tekniğiyle belirlemenin yeni bir yolunu inceliyor.

Ethereum ücretleri bugün nasıl çalışıyor

Ethereum, her işlem için gaz adı verilen bir birim üzerinden ücret alır ve kullanıcılar işlemlerinin bir bloğa dahil edilmesi için bir gaz fiyatı öder. 2021’den beri EIP-1559 olarak adlandırılan yerleşik bir kural, taban ücreti ayarlayarak bu süreci daha adil ve öngörülebilir hale getirmeye çalıştı; aynı zamanda daha hızlı hizmet için ek bir bahşişe izin veriyor. Bloklar çoğunlukla dolu olduğunda taban ücret yükselir, boş yer olduğunda düşer. Bu kurala dayalı yaklaşım, önceki açık artırma usullerine göre iyileşme sağladı ancak popüler NFT lansmanları gibi ani talep patlamalarında ve birçok kullanıcının işlemlerine benzer değer verdiği durumlarda hâlâ zorlanıyor.

Mevcut kuralların yetersiz kaldığı noktalar

Yazarlar, EIP-1559’un gerçek ve benzetimli yüksek talep dönemlerinde kötü davranış sergileyebileceğini gösteriyor. Örneğin 2022’deki ünlü bir NFT basımında, gaz kullanımı blok sınırına yakın seyrederken taban ücret şiddetle dalgalandı; bunun sonucu olarak maliyetler ve tıkanıklık istikrarsız hale geldi. Önceki araştırmalar ayrıca kullanıcıların işlemlerine çok benzer değerler verdiği durumlarda taban ücrete yapılacak küçük değişikliklerin blokları neredeyse boştan tamamen doluya ve geri çevirebileceğini buldu. Bu tür patlama ve çöküş desenleri blok alanını israf ediyor ve kullanıcıların ne ödemesi gerektiğini tahmin etmeyi zorlaştırıyor.

Doğru ücreti öğrenmesine izin vermek: bir AI ajanı

Taban ücretin talebe nasıl tepki vereceğini sabit kodlamak yerine, yazarlar ücret belirlemeyi bir öğrenme problemi olarak ele alıyor. Bir ajanın mevcut taban ücretini, son blokta ne kadar gaz kullanıldığını ve yeni ve bekleyen işlem sayısı ile kullanıcıların teklif ettiği ücretler gibi paylaşılan işlem havuzu hakkında birkaç ayrıntıyı gözlemlediği Ethereum benzeri simüle bir ortam kuruyorlar. Bu durum temelinde ajan, taban ücret için küçük bir ayarlama seçiyor. Her bloktan sonra, gaz kullanımı hedef seviyeye yakın olduğunda ödül artıyor; bloklar çok boş veya çok dolu olduğunda ödül azalıyor. Derin pekiştirmeli öğrenme kullanarak ajan, kullanımın hedefe yakın kalmasını sağlarken aşırı dalgalanmaları önleyen bir ayarlama düzeni keşfediyor.

Yeni ücret mekanizmasını birçok koşul altında test etmek

Araştırmacılar farklı piyasa durumlarını taklit eden kapsamlı simülasyonlar çalıştırıyor. Bazı senaryolarda işlem talebi yavaşça yükselip düşüyor; diğerlerinde keskin zirveler yapıyor veya aniden düşüyor. Ayrıca kullanıcı davranışlarını da değiştiriyorlar; sabit bir bahşiş ödeyenlerle bloklar kalabalıklaştıkça bahşişini yükseltenleri ayırıyorlar. Bu kurulumlarda öğrenilmiş politika, standart EIP-1559 kuralı ile karşılaştırılıyor. Önemli ölçütler, ortalama gaz kullanımının hedefe ne kadar yakın kaldığı, bloklar arası gaz kullanımındaki dalgalanma ve zaman içindeki taban ücret oynaklığıdır.

Sonuçların istikrar ve esneklik hakkında gösterdikleri

Derin öğrenmeye dayalı mekanizma, gaz kullanımını istenen seviyeye yakın tutmakta ve EIP-1559’a kıyasla değişkenliği azaltmakta tutarlı şekilde başarılı oluyor. İyileşme, kullanıcı değerlerinin dar bir aralığa düştüğü durumda özellikle çarpıcı; bu, mevcut kuralın kaotik desenlere girebildiği tam senaryo. Bu durumlarda yeni yöntem, gaz kullanımındaki dalgalanmaları yaklaşık on kat azaltıyor ve taban ücreti çok daha istikrarlı hâle getiriyor. Ajan aynı zamanda ani sıçramalara daha nazikçe yanıt veriyor: kullanımın hedefe geri çekilmesi için taban ücreti yeterince çabuk yükseltiyor, ancak eski kurala göre daha az aşırı tepki veriyor. Ücretin ne kadar hızlı hareket etmesine izin verileceğini ayarlayarak ve işlem havuzu bilgisini ekleyip çıkararak yazarlar, ağ operatörlerinin duyarlılık ve düzgünlük arasındaki takasları ayarlayabileceğini gösteriyor.

Gelecekteki blokzinciri ücretleri için anlamı

Bir düz vatandaş bakış açısından, çalışma akıllı algoritmaların Ethereum ücretlerini tahmin oyunundan daha az hissettirebileceğini öne sürüyor. Gerçek zamanlı etkinlikten öğrenen bir ücret sistemi, sabit bir formülü takip etmek yerine blokların verimli kullanılmasını, vahşi ücret dalgalanmalarının sınırlanmasını ve yoğun dönemlerin daha az kesintiyle yönetilmesini sağlayabilir. Çalışma simülasyonlara dayandığı ve dağıtımdan önce dikkatli test gerektireceği için uygulanmaya hemen hazır değil, ancak değişen koşullara uyum sağlayan ve hem kullanıcı deneyimini hem de ağ verimliliğini iyileştirebilecek ücret mekanizmalarına işaret ediyor.

Atıf: 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

Anahtar kelimeler: Ethereum ücretleri, pekiştirmeli öğrenme, blokzinciri ekonomisi, gaz fiyatı, işlem tıkanıklığı