Gassgebyrene på Ethereum avdekker grensene for KI-prognoser

Kan KI forutsi belastning på Ethereum-nettverket?

Ethereum kan fortsette å produsere blokker samtidig som det blir dyrt eller upraktisk å bruke nettverket. For den som sender en betaling, justerer en utlånsposisjon eller gjør opp et tokenisert aktivum, er dette skillet viktig. En blokkjede som fungerer, gir ikke automatisk forutsigbare transaksjonskostnader.

En ny studie av S’phesihle Khumalo og Moinak Maiti undersøker om maskinlæring kan identifisere belastning på Ethereum-nettverket (ETH ) ut fra endringer i gaspriser og transaksjonsgebyrer.¹ Funnene gir et nyttig utgangspunkt for bedre overvåking, men avdekker også et viktig gap: Det er langt enklere å oppdage uvanlige forhold i dag enn å forutsi dem i morgen.

Dette gapet gir leverandører av blokkjedeinfrastruktur en mulighet. Etter hvert som flere finansielle tjenester flyttes til blokkjeden, kan det bli like viktig å omsette nettverksdata til nyttige driftsbeslutninger som å øke transaksjonskapasiteten.

Derfor er gassgebyrer på Ethereum viktige også utenfor kryptohandel

Gas måler beregningsarbeidet som kreves for å gjennomføre en Ethereum-transaksjon. Brukerne betaler for dette arbeidet, og kostnadene kan øke når etterspørselen etter transaksjonsbehandling stiger. Et gebyrhopp kan derfor tyde på press på den tilgjengelige kapasiteten, men betyr ikke nødvendigvis at nettverket svikter.

De økonomiske konsekvensene avhenger av transaksjonen. En overføring som ikke haster, kan vente. En låntaker som stiller mer sikkerhet for å unngå tvangslikvidering, har kanskje liten mulighet til å vente. En bedrift som behandler mange små betalinger, trenger kostnader som står i et rimelig forhold til verdien av hver betaling.

Dette blir mer relevant etter hvert som bruken av blokkjedeapplikasjoner strekker seg utover spekulativ handel. Securities.ios nylige omtale av tokeniseringen av ARK Venture Fund på Ethereum viser hvordan investeringsprodukter finner veien inn i økosystemet. Tokenisering gjør ikke alle transaksjoner presserende, men øker betydningen av å forstå infrastrukturen som legger til rette for eierskap og overføringer.

Et nyttig varslingssystem ville hjelpe operatører med å forutse forholdene for transaksjonsgjennomføring. Det trenger ikke å forutsi Ether-prisen eller avdekke alle mulige sikkerhetstrusler for å være nyttig.

Slik fungerer studien av belastningsdeteksjon på Ethereum

Forskerne analyserte Ethereum-målinger for perioden fra juli 2015 til juli 2025, hentet fra Etherscan. Disse omfattet transaksjonsaktivitet, gasbruk, gebyrer og historiske indikatorer knyttet til blokkutvinning. Selv om studien rammer inn analysen på blokknivå, bygger prognosetestene på daglige observasjoner. Resultatene bør derfor ikke tolkes som varsler om enkeltblokker som snart skal produseres.

Tre metoder ble testet. Random Forest kombinerer mange beslutningstrær. Isolation Forest leter etter observasjoner som skiller seg fra typisk atferd. Et beslutningstre bruker forgreningsregler som gjør klassifiseringene relativt enkle å undersøke.

Studiens hoveddefinisjon av belastning tok utgangspunkt i transaksjonsgebyrer som var uvanlig høye sammenlignet med et rullerende referansenivå. Dette gir modellene et målbart mål, men skaper også en komplikasjon: En modell som bruker gebyrrelaterte inndata, kan til dels gjenskape regelen som ble brukt til å klassifisere belastning, i stedet for å avdekke et eget driftsproblem.

Forskerne undersøkte dette nærmere med flere kontroller. De fjernet blant annet prediktorer som var utledet fra gebyrer, testet modellen på senere observasjoner og laget en alternativ definisjon av belastning basert på ommer-blokker. Disse historiske blokkene er knyttet til Ethereums tidligere proof-of-work-system og kan ikke gi den samme uavhengige testen for dagens proof-of-stake-periode.

Dette viser resultatene fra Ethereum-prognosene faktisk

Treffsikkerhet kan være misvisende når belastning forekommer sjelden. En modell som som regel forutsier normale forhold, kan få høy poengsum selv om den overser de fleste hendelsene operatørene er opptatt av. Presisjon måler hvor ofte varslene er riktige, mens tilbakekalling måler hvor mange av de faktiske belastningshendelsene modellen fanger opp. F1 kombinerer disse to målene.

Studiens finjusterte Random Forest-modell oppnådde en F1-skår på 0,50 ved deteksjon samme dag med hele funksjonssettet. Resultatene ble svakere etter hvert som prognosehorisonten økte.

Resultatene tyder på et begrenset prognosesignal, ikke et pålitelig varsel som dekker flere dager. Random Forest-modellen med færre funksjoner oppnådde separat en samlet treffsikkerhet på 91 %, men fanget bare opp 23 % av observasjonene som var klassifisert som belastning ut fra gebyrer. Uavhengig validering basert på ommer-blokker ga langt svakere og mindre stabile resultater.

Dette skillet er sentralt for artikkelens relevans for investorer. Å oppdage gebyrvolatilitet, forutsi overbelastning og varsle om sikkerhetssvikt er ulike oppgaver. Studien gir evidens for den første og begrenset evidens for framtidig belastning definert ut fra gebyrer. Den dokumenterer ikke pålitelig varsling av angrep, driftsavbrudd eller utviklingen i aktivapriser.

Gjør nettverksvarsler om til nyttige beslutninger

Det praktiske spørsmålet er hva en operatør bør gjøre med et ufullkomment varsel. Et dashbord som varsler om økt risiko uten å foreslå en reaksjon, kan ha liten verdi. Et system som kobler varselet til hvor mye det haster med transaksjonen, gebyrbudsjetter og driftsregler, kan være mer nyttig.

En betalingstjeneste kan for eksempel utsette valgfri samling av transaksjoner når forholdene gjør det dyrt, samtidig som den beholder kapasitet til hasteoverføringer. Et treasury-team kan planlegge rutinemessige overføringer ut fra forventede kostnader. Dette er mulige bruksområder, ikke funksjoner studien har vist at systemet har.

• Skill mellom haste­transaksjoner og transaksjoner som kan vente.
• Tilpass varseltersklene til kostnadene ved oversette hendelser og falske alarmer.
• Sammenlign prognosene med enkle gebyrbaserte regler før utrulling.

Hvilken terskel som passer, vil variere etter bruksområde. En falsk alarm som forsinker en rutinemessig overføring, kan være akseptabel. En alarm som avbryter en nødvendig justering av sikkerhet, kan bli kostbar. Det vil gi et bedre grunnlag for beslutninger om utrulling å vurdere hvor mye penger som spares og hvor mange transaksjoner som gjennomføres, enn å optimalisere en enkelt, fremtredende nøyaktighetsscore.

Hvorfor Ethereum-oppgraderinger endrer utfordringen med overvåking

Ethereums tiårige historie omfatter svært ulike driftsforhold. Overgangen til bevis på innsats endret produksjonen av blokker, mens oppgraderinger for skalering endret forholdet mellom aktiviteten på hovednettet og kostnadene for applikasjoner. En modell som er trent på tidligere perioder med overbelastning, er ikke nødvendigvis pålitelig for alltid.

Ethereum Foundations kunngjøring om Fusaka-oppgraderingen beskriver forbedringer av ytelsen på lag 1 og datakapasiteten for lag 2-nettverk. PeerDAS-mekanismen gjør det mulig for noder å kontrollere datatilgjengeligheten ved å ta stikkprøver i stedet for å laste ned hele blobber, noe som legger til rette for større gjennomstrømning.

Datasettet i studien slutter før Fusaka, så det kan ikke si noe sikkert om ytelsen i det oppgraderte miljøet. Dette er en praktisk grunn til å oppdatere modellene og validere dem mot dagens forhold.

Overvåking krever også flere ulike signaler. Gebyrene på hovednettet gir ikke et fullstendig bilde av driftshelsen til en lag 2-applikasjon. Tilgjengeligheten til sekvensereren, kostnadene ved datapublisering og hvordan bekreftelser oppfører seg, kan være relevant ved siden av gassprisene. Securities.ios omtale av KI-screening av Ponzi-kontrakter på Ethereum illustrerer et annet, separat risikonivå: kontraktenes atferd. Når signaler kombineres, må man bevare hva hvert enkelt signal faktisk måler.

Coinbase gir eksponering mot blokkjedeinfrastruktur

Dette økende behovet for pålitelig infrastruktur gir en naturlig kobling til Coinbase Global (COIN ) . I tillegg til børsen tilbyr Coinbase oppbevarings- og stakingtjenester og har bidratt til utviklingen av Base, et Ethereum-nettverk på lag 2. Selskapets relevans ligger i at det støtter bruken av blokkjeder, ikke i kommersialiseringen av akkurat denne forskningen.

Bases strategi for 2026 legger vekt på globale markeder, betalinger, stablecoins og infrastruktur for utviklere. Disse prioriteringene gjør driftssikkerhet kommersielt relevant: Brukerne trenger tjenester som håndterer aktiviteten på en stabil måte etter hvert som bruken øker.

I resultatene for andre kvartal 2026 rapporterte Coinbase at transaksjonsvolumet for stablecoins på Base hadde økt til det sjudobbelte fra året før, og at inntekter fra abonnementer og tjenester utgjorde 48 % av nettoinntektene. Disse tallene, som selskapet selv har rapportert, gir kontekst for selskapets bredere eksponering mot infrastruktur, men beviser ikke at nettverksovervåking vil forbedre inntjeningen vesentlig.

Investorer må fortsatt vurdere verdsettelse, konkurranse, regulering og følsomhet for aktiviteten i kryptomarkedet. Økt bruk av blokkjeder fører ikke automatisk til en tilsvarende avkastning for aksjonærene.

Siste nytt og utvikling om Coinbase Global (COIN)

Bedre Ethereum-overvåking begynner med bedre validering

Forskningen gir en konstruktiv lærdom: Data om gass og gebyrer inneholder nyttig informasjon, men et operativt varslingssystem trenger sterkere dokumentasjon enn gjenkjennelige historiske mønstre. Uavhengig merking av hendelser, testing på dagens nettverk og sammenligninger med enkle alternativer er viktige neste steg.

Fremskritt kan komme gjennom beskjedne forbedringer som hjelper brukerne med å ta bedre beslutninger, snarere enn gjennom én enkelt modell som forutsier alle forstyrrelser. For Ethereums voksende finansielle økosystem er dette en troverdig vei mot mer forutsigbar infrastruktur.

Referanser:

¹ Khumalo, S., & Maiti, M. (2026). Avvik på blokknivå som tidlige indikatorer på nettverksbelastning i Ethereum. Research in International Business and Finance. Forhåndspublisering på nett. https://doi.org/10.1016/j.ribaf.2026.103670