Transaktionsavgifterna på Ethereum blottlägger gränserna för AI-baserade prognoser

Kan AI förutsäga belastning på Ethereum-nätverket?

Ethereum kan fortsätta att producera block samtidigt som nätverket blir dyrt eller krångligt att använda. För den som skickar en betalning, justerar en låneposition eller avvecklar en tokeniserad tillgång spelar den skillnaden roll. Att en blockkedja fungerar innebär inte automatiskt att transaktionskostnaderna är förutsägbara.

En ny studie av S’phesihle Khumalo och Moinak Maiti undersöker om maskininlärning kan identifiera belastning på Ethereum (ETH ) nätverk utifrån förändringar i gaspriser och transaktionsavgifter.¹ Resultaten ger en användbar utgångspunkt för bättre övervakning, men blottlägger också en viktig lucka: det är betydligt lättare att upptäcka ovanliga förhållanden i dag än att förutse dem i morgon.

Den luckan skapar möjligheter för leverantörer av blockkedjeinfrastruktur. I takt med att fler finansiella tjänster flyttar till blockkedjan kan det bli lika viktigt att omvandla nätverksdata till användbara operativa beslut som att öka transaktionskapaciteten.

Varför Ethereums transaktionsavgifter spelar roll även utanför kryptohandeln

Gas mäter det beräkningsarbete som krävs för att genomföra en Ethereum-transaktion. Användarna betalar för arbetet, och kostnaderna kan stiga när efterfrågan på transaktionshantering ökar. En avgiftstopp kan därför tyda på att den tillgängliga kapaciteten är ansträngd, även om det inte nödvändigtvis betyder att nätverket håller på att fallera.

De ekonomiska konsekvenserna beror på transaktionen. En överföring som inte är brådskande kan vänta. En låntagare som tillför säkerheter för att undvika likvidering kan ha mycket små möjligheter att skjuta upp det. Ett företag som hanterar många små betalningar behöver kostnader som förblir rimliga i förhållande till varje betalnings värde.

Detta blir mer relevant i takt med att blockkedjetillämpningar sträcker sig bortom spekulativ handel. Securities.ios senaste rapportering om tokeniseringen av ARK Venture Fund på Ethereum visar hur investeringsprodukter tar sig in i ekosystemet. Tokenisering gör inte varje transaktion brådskande, men ökar vikten av att förstå den infrastruktur som stöder ägande och överföringar.

Ett användbart varningssystem skulle hjälpa operatörer att förutse förutsättningarna för transaktionshantering. För att vara värdefullt skulle det inte behöva förutsäga Ether-priset eller diagnostisera alla tänkbara säkerhetshot.

Så fungerar studien om att upptäcka belastning på Ethereum

Forskarna analyserade mätvärden för Ethereum från juli 2015 till juli 2025, hämtade från Etherscan. Dessa omfattade transaktionsaktivitet, gasanvändning, avgifter och historiska indikatorer med koppling till mining. Trots att artikeln beskriver sin inriktning som blockbaserad använder prognostesterna dagliga observationer. Resultaten bör därför inte tolkas som varningar om enskilda kommande block.

Tre metoder testades. Random Forest kombinerar många beslutsträd. Isolation Forest letar efter observationer som avviker från det typiska mönstret. Ett beslutsträd använder förgrenade regler som gör dess klassificeringar förhållandevis enkla att granska.

Den huvudsakliga definitionen av belastning utgick från ovanligt höga transaktionsavgifter i förhållande till ett rullande referensvärde. Det ger modellerna ett mätbart mål, men medför en komplikation: en modell som använder avgiftsrelaterade indata kan delvis återskapa regeln som användes för att klassificera belastning, snarare än upptäcka ett separat operativt problem.

Forskarna hanterade detta med ytterligare kontroller, bland annat genom att ta bort prediktorer som härletts från avgifter, testa på senare observationer och skapa en alternativ belastningsdefinition baserad på aktiviteten i ommerblock. Dessa historiska block hör samman med Ethereums tidigare system med proof of work och kan inte ge samma oberoende test för den nuvarande proof of stake-eran.

Vad prognosresultaten för Ethereum faktiskt visar

Träffsäkerheten kan vara missvisande när belastning är ovanlig. En modell som oftast förutsäger normala förhållanden kan få höga poäng och samtidigt missa de flesta händelser som operatörerna bryr sig om. Precision mäter hur ofta modellens varningar stämmer, medan återkallning mäter hur många faktiska belastningshändelser den fångar upp. F1 väger samman de två måtten.

Studiens finjusterade Random Forest-modell uppnådde ett F1-värde på 0,50 vid upptäckt samma dag med den fullständiga uppsättningen egenskaper. Resultaten blev sämre när prognoshorisonten förlängdes.

Resultaten tyder på en begränsad prognossignal, snarare än ett tillförlitligt larm som sträcker sig över flera dagar. Den reducerade Random Forest-modellen uppnådde separat en total träffsäkerhet på 91 procent, men upptäckte bara 23 procent av de belastningsobservationer som definierats utifrån avgifter. Oberoende validering med ommerblock gav betydligt svagare och mindre stabila resultat.

Den här skillnaden är central för artikelns relevans för investeringar. Att upptäcka avgiftsvolatilitet, förutsäga överbelastning och prognostisera ett säkerhetshaveri är olika uppgifter. Artikeln ger belägg för den första uppgiften och begränsade belägg för framtida belastning definierad utifrån avgifter. Den visar inte att det går att förutsäga attacker, avbrott eller tillgångspriser på ett tillförlitligt sätt.

Från nätverksvarningar till användbara beslut

Den praktiska frågan är vad en operatör bör göra med en osäker varning. En instrumentpanel som signalerar förhöjd risk utan att föreslå en åtgärd kan tillföra begränsat värde. Ett system som kopplar varningen till hur brådskande transaktionerna är, avgiftsbudgetar och driftpolicyer skulle kunna vara mer användbart.

En betaltjänst skulle till exempel kunna skjuta upp valfri transaktionsbatchning när förhållandena blir kostsamma, samtidigt som kapacitet bevaras för brådskande överföringar. Ett treasuryteam skulle kunna planera rutinmässiga överföringar utifrån förväntade kostnader. Det här är möjliga tillämpningar, inte funktioner som studien har visat.

• Skilj brådskande transaktioner från sådana som kan vänta.
• Anpassa varningströsklarna efter kostnaden för missade händelser och falsklarm.
• Jämför prognoserna med enkla avgiftsbaserade regler innan de tas i bruk.

Vilken tröskel som är lämplig varierar beroende på användningsområde. Ett falsklarm som försenar en rutinöverföring kan vara acceptabelt. Ett falsklarm som avbryter en nödvändig justering av säkerheter kan bli kostsamt. Att utvärdera hur mycket pengar som sparats och hur många transaktioner som genomförts skulle ge ett bättre underlag för beslut om driftsättning än att enbart optimera ett framträdande träffsäkerhetsmått.

Varför Ethereum-uppgraderingar förändrar övervakningsutmaningen

Ett decennium av Ethereums historia omfattar mycket olika driftförhållanden. Övergången till proof of stake förändrade hur block produceras, medan skalningsuppgraderingar förändrade sambandet mellan aktivitet på huvudnätet och applikationskostnader. En modell som tränats på tidigare perioder av överbelastning förblir kanske inte tillförlitlig i all framtid.

Ethereum Foundations tillkännagivande om Fusaka-uppgraderingen beskriver förbättringar av prestandan på lager ett och datakapaciteten för nätverk på lager två. Mekanismen PeerDAS gör det möjligt för noder att kontrollera datatillgänglighet genom sampling i stället för att ladda ned hela blobbar, vilket möjliggör högre genomströmning.

Studiens datamängd sträcker sig inte fram till Fusaka och kan därför inte fastställa prestandan i den uppgraderade miljön. Det är ett praktiskt skäl att uppdatera modeller och validera dem mot aktuella förhållanden.

Övervakningen behöver också flera olika signaler. Avgifter på huvudnätet kan inte fullt ut beskriva driftläget för en applikation på lager två. Tillgängligheten hos sekvenserare, kostnader för datapublicering och hur bekräftelser fungerar kan vara viktiga faktorer utöver gaspriserna. Securities.ios bevakning av AI-baserad granskning av Ponzi-kontrakt på Ethereum illustrerar ytterligare ett separat risklager: kontraktsbeteende. När signaler kombineras måste man bevara vad varje signal faktiskt mäter.

Coinbase ger exponering mot blockkedjeinfrastruktur

Det växande behovet av tillförlitlig infrastruktur skapar en naturlig koppling till Coinbase Global (COIN ). Utöver sin handelsplattform erbjuder Coinbase förvaringstjänster och stakingtjänster och har bidragit till utvecklingen av Base, ett Ethereum-nätverk på lager två. Relevansen ligger i att företaget stöder användningen av blockkedjor, inte i att det kommersialiserar just den här forskningen.

Bases strategi för 2026 betonar globala marknader, betalningar, stablecoins och utvecklarinfrastruktur. Dessa prioriteringar gör driftsäkerhet kommersiellt relevant: användarna behöver tjänster som hanterar aktivitet på ett tillförlitligt sätt i takt med att användningen ökar.

I sin rapport för andra kvartalet 2026 redovisade Coinbase en sjufaldig ökning från föregående år av transaktionsvolymen för stablecoins på Base. Företaget uppgav också att intäkterna från abonnemang och tjänster stod för 48 % av nettointäkterna. Dessa siffror, som företaget självt har rapporterat, ger sammanhang åt dess bredare exponering mot infrastruktur, men är inte ett bevis för att nätverksövervakning kommer att förbättra resultatet väsentligt.

Investerare behöver fortfarande utvärdera värdering, konkurrens, reglering och känslighet för aktiviteten på kryptomarknaden. Ökad användning av blockkedjor leder inte automatiskt till en motsvarande avkastning för aktieägarna.

Senaste nytt och utveckling kring Coinbase Global (COIN)

Bättre övervakning av Ethereum börjar med bättre validering

Forskningen ger en konstruktiv lärdom: gas- och avgiftsdata innehåller användbar information, men ett operativt varningssystem behöver starkare belägg än igenkännbara historiska mönster. Oberoende händelseetiketter, tester på det aktuella nätverket och jämförelser med enkla alternativ är viktiga nästa steg.

Framsteg kan komma genom mindre förbättringar som hjälper användarna att fatta bättre beslut, snarare än genom en enda modell som förutsäger varje störning. För Ethereums växande finansiella ekosystem är det en trovärdig väg mot en mer förutsägbar infrastruktur.

Referenser:

¹ Khumalo, S., & Maiti, M. (2026). Avvikelser på blocknivå som tidiga indikatorer på nätverksbelastning i Ethereum. Research in International Business and Finance. Förhandspublicering på nätet. https://doi.org/10.1016/j.ribaf.2026.103670