ゲスト：Zihao Li、香港理工大学博士課程学生整理：aididiao.eth，Foresight Newsこの記事は、Web3 Young Scholars Program の香港理工大学博士課程学生である Zihao Li が共有したテキストを編集したものです。 Web3 Young Scholars Program は、DRK Lab、imToken、Crytape が共同で開始しており、暗号化分野の著名な若手学者が招待され、最新の研究結果の一部を中国コミュニティと共有します。みなさんこんにちは、香港理工大学博士課程3年生のZihao Liです、今日は「イーサリアムトランザクションパッケージにおけるMEVアクティビティの解明」というテーマでお話しします。簡単に言えば、トランザクション パッケージを通じてイーサリアム ネットワーク内の未知の種類の MEV アクティビティを検出する方法です。最初に、MEV の概念、トランザクション パッケージのメカニズム、私たちの取り組みの背景など、比較的基本的な背景を紹介します。次に、ワークフローがどのような設計原則に基づいて設計されているか、データセットが何であるか、どの指標に基づいてワークフローを評価するためにどのツールを使用しているかなど、完全なワークフローといくつかの設計アイデアを詳細に紹介します。最後に、関連する実証分析結果も含めて 3 つの応用例を紹介します。### 背景の紹介: MEV、トランザクション パッケージ、モチベーションMEV アクティビティとは、ブロックチェーン内の裁定取引者が、ブロック ステータスを含むブロックチェーン ネットワークを監視することによって裁定取引を生成することを意味します。一部の取引情報はブロックチェーン P2P ネットワーク上に拡散されているか、チェーン上に正式にリストされていない一部の取引はマイナーまたはバリデーターのトランザクション プールに保存されています。裁定取引者がこれらの取引情報を監視するとき、彼はいくつかの戦略を使用して独自の取引情報を生成します。裁定取引を開始し、次のブロックの特定の位置で裁定取引を指定します。たとえば、次のブロックの先頭に指定するか、特定の取引の直後に戦略的取引を実行して同じ裁定取引を分散します。このように、特定の場所での裁定取引アクティビティを特定するには、それを MEV アクティビティとみなすことができます。たとえば、裁定取引者が資産価格の変動を監視している場合、取引プール内の対応する資産を低価格で購入し、別のファンドプールで高価格で売却することができます。これは MEV とみなされます。活動。現在、DeFiエコロジーは主に資産を集めているため、MEA活動は主にDeFiエコロジーを中心とした裁定取引者によって行われており、これまでに他のチェーンを含むイーサリアムのDeFiエコロジーには400億米ドル以上の資金が集まっています。ここで、DeFi アプリケーションによって提供されるアトミックなサービス操作に対応する DeFi アクションと呼ばれる DeFi エコロジーに関する概念について言及する必要があります。たとえば、AMM は異なる種類の資産間の交換をサポートしていることがわかります。ユーザーは USDC を販売できます、ETH の合計を取得する、このような操作は DeFi アクションとして定義できます。 DeFi アクションを使用して MEV アクティビティを表現できます。たとえば、ユーザーが異なる AMM の資産価格に差があることを検出した場合、ユーザーは安く買って高く売り、最終的に価格差の利益を得ることができます。この MEV アクティビティは 2 つの DeFi アクションとして表現できます。現在、MEV 活動に関する学術研究は主にサンドイッチ攻撃、リバース アービトラージ、清算の 3 つのカテゴリに分類されており、私たちが扱っているデータセットでは、これら 3 つの MEV 活動が 100 万回以上発生していることがわかりました。実はここで疑問が生じるのですが、これらの MEV アクティビティの定義がわかった後、アクティビティの発生をどのように特定するかということです。これらの MEV アクティビティを特定したい場合は、裁定取引者がどのようなトランザクションを生成するか、これらのトランザクションでどのようなタイプの裁定取引が行われるかなど、裁定取引者のすべてのアクティビティを特定する必要があります。そうすれば、現在どのタイプの MEV アクティビティが発生しているかを判断できます。そしてプロセス全体は、既知の MEV アクティビティの定義に大きく依存します。サンドイッチ攻撃を例に挙げます。サンドイッチ攻撃の定義を理解した後、サンドイッチ攻撃の裁定値とそれに対応する裁定取引を決定する必要があります。定義に基づいて多くのルールを設定する必要があります。これらのルールを通じて値と取引の裁定取引を通じてサンドイッチ攻撃の候補を除外します。この方法で既知の MEV 攻撃タイプを特定する場合、2 つの疑問があります。最初の疑問は、私たちが知っている 3 つの一般的な MEV アクティビティがすべての MEV アクティビティを表すことができるかどうかです。 DeFiエコシステムは発展し、新しいアプリケーションが開発されており、これらの裁定取引者の戦略は実際に繰り返されているため、明らかにそうではありません。 2 番目の質問は、これらの未知の MEV 活動をどのように発見できるかです。この疑問を念頭に置いて、トランザクション パッケージのメカニズムを見てみましょう。トランザクション パッケージのメカニズムは 2021 年に初めて提案されました。簡単に言うと、ユーザーはトランザクション キューを編成できます。このトランザクション キューの長さは 1 つまたは複数のトランザクションであり、ユーザーはこれらのトランザクションをブロックチェーン ネットワークに送信します。リレーラーはこれらを収集します。トランザクションを収集し、関連するマイナーまたは検証者に直接かつ非公開で送信します。現在、リレーラーはトランザクション パッケージを実行してリレー タスクを実行します。トランザクションパッケージの仕組みは非常に重要な特徴を持っており、これらのユーザーがトランザクションパッケージを構築する際、チェーンにアップロードされていない他人のトランザクションをトランザクションパッケージに組み込むことができ、トランザクションパッケージ内のトランザクションの順序を任意に操作することができます。 。この時点で、取引パッケージのユーザーまたは取引パッケージを使用する裁定取引者は、裁定ルールを設計できます。たとえば、MEV 活動に対して、より複雑でより収益性の高い戦略を設計できます。サンドイッチ攻撃を例にとると、トランザクション パッケージが使用されていない場合、サンドイッチ攻撃のアービトラージャーはアービトラージを達成するために少なくとも 1 組のトランザクションを生成する必要があり、この 1 組のアービトラージ トランザクションはこの 1 つのトランザクションのみをターゲットにできます。この攻撃トランザクションによって生成されたアービトラージは、確実にアービトラージを成功させるために、特定の順序で実行される必要があります。しかし、裁定取引者が取引パッケージを使用する場合、裁定取引可能な多くの取引を収集することができ、対応する裁定取引のペアを使用するだけで、複数の取引で同時に裁定取引を生成できます。このトランザクションパッケージがチェーン上にある限り、裁定取引は必ず成功します。また、複数の裁定可能な取引を同時に裁定取引するため、裁定取引の結果もより収益性が高くなります。トランザクション パッケージは、非常に豊富で複雑な MEV アクティビティによって特徴付けられます。なぜなら、トランザクション パッケージを使用するユーザーは、自分の完全なトランザクションをトランザクション パッケージにカプセル化し、それを P2P ネットワークの中継者に送信し、最後に対応するマイナーと検証者に送信するからです。トランザクション パッケージを通じて、すべてのアクティビティを正確かつ完全に識別できます。したがって、トランザクション パッケージ メディアを通じて、いくつかの未知の MEV アクティビティをより正確に識別できます。### ワークフローとデザインのアイデア次に、ワークフローを詳しく紹介します。トランザクション パッケージのような媒体を通じて未知の MEV アクティビティをどのように発見するのでしょうか?コア ワークフローには 2 つのツールが含まれています。まず、リレーラーがトランザクション パッケージを収集した後、ActLifter ツールを使用してトランザクション パッケージ内の各 DeFi アクションを識別します。結果を取得した後、トランザクション パッケージ内のすべてのアクションを表します。 。次に、ActCluster ツールを使用して、同様のアクティビティを持つトランザクション パッケージをクラスター化し、クラスター化された結果から新しい MEV アクティビティをより迅速に発見します。未知の MEV アクティビティを発見したい場合、必然的に、MEV アクティビティが未知のタイプであるかどうかを手動で確認する必要があります。もちろん、作業設計の目標は、手動の作業負荷を可能な限り最小限に抑え、プロセス全体を可能な限り効率化することです。自動的に実行されます。トランザクションから MEV アクティビティを識別できるツールはすでに存在します。これは大まかに 2 つのカテゴリに分類できます。最初のカテゴリは純粋に手動の要約ルールであり、2 番目のカテゴリは純粋なヒューリスティック ルール、つまり、純粋に自動化されたヒューリスティック ルールを使用して特定の種類の MEV アクティビティを識別します。たとえば、現在の転送情報を特定した後、ヒューリスティック ルールが満たされているかどうかを確認し、満たされている場合は、対応するアクティビティを特定できます。純粋に手動でルールを要約する最初の方法は、このプロセスが特定のアプリケーションを完全に手動で分析するため、比較的高い精度を達成でき、検出結果が正確であることを保証できますが、分析タスクには非常に大きな作業負荷が必要となるため、すべての DeFi アプリケーションをカバーすることはできません。 2 番目のジョブは完全に自動化できますが、ヒューリスティック ルールは一部の特定のタイプのみをカバーできます。一方で、ヒューリスティックルールの設計に問題があり、認識精度が十分ではありません。私たちは両方の方法の利点を組み合わせてワークフローを設計しました。現在主要な DeFi アクションを 10 件特定できます。 DeFi アプリケーションのどのイベントが、DeFi アクションのどのタイプに対応するかを開始後に手動で判断するだけで、手動による分析は不要となり、完全に自動分析に任せることができます。 2 番目のタイプの方法では、DeFi アクションを完全に自動的に識別できますが、分析されたオブジェクトが MEV アクティビティに関連しているかどうかを判断することはできません。例えば、SWAP送金を識別する場合、まったく関係のない2つの送金の組み合わせを1つのDeFiアクションとして識別する場合があり、当然その識別結果は間違ったものになります。しかし、この情報を使用して、本当に DeFi アクションに関連する情報を除外することができます。この情報を取得した後は、自動化された方法により、2 番目のタイプの方法で発生するようないくつかのエラーを回避できます。たとえば、合計 4 回の送金を伴うトランザクションがあり、その発生順序、資金量、種類がシリアル番号でマークされているとします。このプロセスでは、AMM は実際にスワップ アクションに関連するイベントを開始します。最初のメソッドは、イベントが開始されたと判断した後、イベントのいくつかのパラメーターを使用して現在のコンテンツを復元する必要があります。たとえば、現在のコンテンツを復元するには、699 コントラクトのコード、ビジネス ロジック、およびいくつかの関数変数を調べる必要があります。この情報を取得した後、その固有の資産移転の特性に基づいてルールを設計しました。たとえば、現在運用されている DeFi 契約では、異なる種類の資産の受け取りと移転が行われるというルールが洗練されました。このようなトランザクションが 2 つあることが判明したとき、資産譲渡がそのような特性に適合した後、対応するスワップ アクションのコンテンツを復元できます。 2 番目のタイプの方法は、2 つの資産譲渡を直接照合するもので、2 つの資産譲渡口座は異なる種類の資産を受け取り、譲渡しました。 1 回目と 5 回目の送金は関連する送金のペアとみなされ、中央の口座は AMM とみなされるため、明らかに識別結果が不正確であることが直感的にわかります。手動分析を通じて要約したルールは、関連するイベントに対応する DeFi アクション タイプです。結果は手動分析によって要約されていますが、手動分析プロセスを半自動プロセスに洗練するために最善を尽くしています。プロセス全体の信頼性。 DeFiアプリケーションの公式Webサイト、DeFiPulse.comおよびDapp.comの公式Webサイトからの一部の契約ソースコードを含む開発者ドキュメントを確認します。私たちは、このイベントがトークンでどのように定義されているか、これらのイベントがどの関数、コード スニペット、コード コメントで使用されているかなど、関連資料から文書内のイベントの説明を抽出できる解析ツールを開発します。これらを抽出した後、手動分析と議論を通じて、さまざまな種類の DeFi アクションに対応する 88 のイベントがあることが最終的に判明しました。この辞書に分析対象のトランザクションを入力し、トランザクション内でどのようなイベントが発生したかを分析します。次に、イベントがこのディクショナリに表示されると、どの契約がこの DeFi アクションを運営しているか、DeFi の種類、どの資産移転がこの DeFi アクションに関連しているかなど、対応するルールに従って重要な情報を抽出します。このようなコンテンツを取得した後、資産移転の特徴的なルールを要約し、これらのルールを使用して最終的な DeFi アクションを照合します。 10のDeFiアクションの定義から始まり、資産移転の特徴的なルールをまとめました。前のステップでこの情報を収集した後、これらのマッチングルールを使用してマッチングを実行します。これは最終的に、このトランザクションでどのような特定の DeFi コンテンツが発生したかを特定するのに役立ちます。 ActCluster がトランザクション パッケージ内の各トランザクションを識別した後、トランザクション パッケージの動作を表現できます。まず、ActCluster の設計原則を理解しましょう。このプロセスでは手動分析が避けられず、トランザクション パッケージのアクティビティが未知の種類の MEV アクティビティであるかどうかを判断するには手作業に頼る必要があることがわかっています。これに基づいて、私たちの基本的なアイデアは、同様のアクティビティを持ついくつかのトランザクション パッケージをクラスター化することです。各クラスターについて、分析のために 1 つまたは複数のトランザクション パッケージをランダムにサンプリングするだけで済みます。これにより、手動分析プロセスが高速化され、最終的にはさまざまな種類の MEA アクティビティを発見できます。クラスター分析を使用してトランザクション パッケージをクラスター化すると、ジレンマに直面します。トランザクション パッケージのクラスタリング強度を比較的粗く設定すると、異なる種類のアクティビティを含むトランザクション パッケージがクラスタ化され、その際、クラスタの数は少なくなりますが、対応する手動分析タスクも小さくなります。一部の新しい MEV アクティビティは失われます。クラスタリングの強度をより詳細に調整すると、類似しているものの異なる MEA アクティビティに対応するいくつかのトランザクション パッケージを区別できますが、それに伴う手動分析の作業負荷は大幅に増加します。このような問題を踏まえ、我々はクラスタリング分析を複数回反復して行う反復クラスタリング分析手法を設計した。各ラウンドでは、前のラウンドで発見された新しい MEV アクティビティを含む既知のトランザクション パッケージを削除し、残りのトランザクション パッケージのクラスタリング強度を向上させます。トランザクション パッケージには実際には複数のトランザクションが含まれており、1 つのトランザクションに複数の DeFi アクションが含まれる可能性があるため、従来のクラスタリング手法を直接使用してトランザクション パッケージをクラスタ化することはできません。トランザクション パッケージ全体を表現すると、その構造は実際には異質かつ階層的になります。このとき、表現学習という手法を用いて、このトランザクションパッケージの内容を位置決め空間に表現します。表現学習を使用する利点は、分析および処理したいデータについて深い学習や理解を行う必要がなく、豊富なドメイン知識も必要なく、単純なデータ指向の処理を行うだけで済むことです。たとえば、トランザクション パッケージにどの MEV アクティビティが含まれるかをラベル付けするだけで済みます。 MEV アクティビティの定義がわかっていれば、対応するルールを設計し、それが存在するかどうかを自動的に検出することが容易になります。表現学習のためにこれらのトランザクション パッケージに自動的にラベルを付けることができます。私たちのクラスター分析は反復型であり、各反復後に新しい MEV アクティビティを発見できます。この時点で、これらの新しく発見された MEV アクティビティに対応するラベルを実際に表現学習プロセスに組み込むことができます。表現学習プロセスで使用されるラベルが強化されると、表現学習モデルのトレーニング全体のパフォーマンスと効率が反復的に向上し、トランザクション パッケージのアクティビティを表現するこの表現学習の能力も反復的に向上します。実際にはトランザクション パッケージ内に複数のトランザクションが存在する可能性があり、実際には 1 つのトランザクション内に複数の DeFi アクションが存在する可能性があるため、トランザクション パッケージのニーズを表現する必要があります。まず、DeFiアクションのタイプごとに、どの契約が運用されているか、受領および送金される資産の量と種類は何かなど、標準化されたパラメータを定義します。このようにして各 DeFi アクションを定義します。トランザクション内に複数の DeFi アクションがあることが判明した場合、トランザクションに対応するトランザクション ブロックを表すことができるように、それらをアクション ブロックとして表します。トランザクション ブロックには、誰がトランザクションを開始したかなどのトランザクションのソース情報が含まれます。リダイレクトは誰に送信されましたか?トランザクションでDeFiアクションが発生すると、アクションブロックを順番に埋めていきます。これらのトランザクションはそれぞれトランザクション ブロックで表され、最終的にはマトリックスとして考えることができるトランザクション パッケージの構造が得られます。トランザクション パッケージが表現されると、それを表現学習に使用できます。各トランザクション パッケージは統一された構造になっており、そのモデルをバッチ処理に使用できます。### パフォーマンス評価次に、ワークフローのパフォーマンスを評価するために使用した方法を共有します。分析プロセス全体のデータセットは、Flashbots が提供する API を通じて提供され、2021 年 2 月から 2022 年 12 月までに 600 万件を超えるトランザクション パッケージと 2,600 万件以上のトランザクションを含むトランザクション パッケージ データが収集されました。私たちは、DeFi アクションの精度と完全性を比較するためにいくつかのツールを設計しました。ここで注意すべき点は、これらのオンチェーンツールの中で、現在、Webページとそれが提供する情報を通じてトランザクション内のDeFiアクションを回復できるのはEtherscanだけです。そして、DeFiRanger と同様に、私たちは論文に基づいて彼らの手法を再現します。さらに、トランザクションイベントから直接DeFiアクションを回復しようとするために、EventLifterと呼ばれるツールを設計しました。 ActLifter をさまざまな構成でテストし、さまざまなツールを使用して認識精度を比較しました。 ActCluster の場合、私たちの主なアイデアはアブレーション学習を使用することです。ActCluster のいくつかのモジュールをアブレーションした後、特定できる新しいアクティビティについて、まだ発見されていない新しいアクティビティを特定したい場合、どれだけの手動分析が必要になるか? トランザクション パッケージまたは手動分析のワークロードはどのくらいの大きさですか。たとえば、ActCluster 表現学習モジュールで動的ラベルの更新をアブレーションし、実際にプロセス全体をアブレーションしました。 600 万個のトランザクション パケットのランダム サンプルを取得し、同量の新しい MEV アクティビティを検出するために手動で分析する必要があるトランザクション パケットの数を確認します。当社のツールは、均一な構成の条件下で 100% に近い精度と完全性を達成できます。しかし、Etherscanなどの他のツールと同様に、その精度は100％に達する可能性があり、これは非常に満足のいくものですが、多くのDeFiアクションを見逃すことになります。 Etherscan 自体にはオープンソースの手法はなく、DeFi アクションを特定するためのルールを要約するために手動分析を使用する可能性があり、手動でカバーできないいくつかのタイプが見逃される可能性があると推測されます。ここで注意すべき点は、Etherscan は実際には自動化されたインターフェイスを提供していないため、大規模な識別を実行したい場合、そのようなタスクを直接完了することはできません。隠されたルールによって完全に識別される DeFiRanger の精度と完全性は満足できるものではありません。 ActCluster を実験した結果、合計 2000 トランザクション パケットを分析するだけで、4 ラウンドの反復分析を通じて 17 個の未知の MEV アクティビティを見つけることができることがわかりました。これらのモジュールの一部を除去した後、最大 170,000 個のトランザクション パケットを手動で分析して、先ほど述べた 17 個の未知の MEV アクティビティを特定する必要がある場合があります。### 実証分析と応用未知のタイプの MEV 活動を特定する私たちの方法の具体的な用途は何ですか?まず、既存の MEV 緩和策を強化し、一部の MEV 活動を防御できるかどうか。 2つ目は、分析結果を使用して、ブロックフォレストのフォーク再編成やユーザーの経済的安全への影響など、ブロックチェーンエコロジーに対するMEV活動の影響をより包括的に分析できるかどうかを確認することです。MEV Boost ネットワーク攻撃者はツールを実行してユーザーからトランザクション パッケージを取得し、最終的にそれらを接続するマイナーやバリデーターに配布することについて前述しました。中継者は、受け取ったトランザクション パッケージから MEA アクティビティを含むトランザクション パッケージを削除することで、ブロックチェーンに対する MEA アクティビティの悪影響の一部を軽減できます。このリンクの主なアイデアは、既存の MEV アクティビティの定義を通じて対応するルールを設計し、トランザクション パッケージに MEV アクティビティが含まれているかどうかを検出することです。明らかに、これらのリレーラーは、未知の MEV アクティビティを含む一部のトランザクション パッケージを除外できません。ワークフローに基づいて、トランザクション パッケージから検出した新しいタイプの MEV アクティビティを検出できる MEVHunter ツールを設計しました。検出結果は、100 万を超える取引パッケージにリバース アービトラージ MEV アクティビティが含まれており、他の 600 万の取引パッケージの 30% に 3 つの既知の MEV アクティビティが含まれていることを示しています。新しく発見された MEV アクティビティに関しては、トランザクション パッケージのほぼ半数にこれらの新しい MEV アクティビティのみが含まれていることがわかりました。中継者が MEVHunter ツールを使用すると、MEV アクティビティを含む 300 万個のトランザクション パッケージをフィルタリングして除外することができ、ブロックチェーンに対する MEV アクティビティの悪影響を軽減するために、これらのトランザクション パッケージを削除することを選択できます。2 番目のアプリケーションは、ブロックチェーンのフォークと再組織に対する新しいタイプの MEV アクティビティの影響を調査することです。一部の以前の研究では、金融マイナーの中には、現在のブロックチェーンをフォークして再編成し、MEV アクティビティを実行してそのメリットを享受するために、MEV アクティビティの利点によって動機づけられる人もいると報告されています。たとえば、ブロックの MEV アクティビティ収入がブロック報酬の 4 倍である場合、マイナーの 10% 以上がフォークしてブロックを再編成します。まず、先ほど述べた MEVHunter ツールに基づいて、どのトランザクション パッケージに新しい MEV アクティビティが含まれているかを特定し、次に、これらのトランザクション パッケージのマイナーの収入を使用して、これらの MEV アクティビティの対応する強度を推定します。ここで概念を導入する必要があります。トランザクション パッケージ メカニズムでは、アービトラージ トランザクション パッケージを確実にチェーンに乗せるために、これらの裁定取引者は通常、MEV 活動からの収入の一部をマイナーと共有します。チェーンに載せるリターンが最も高いトランザクション パッケージを選択します。この収入を使用して、各トランザクション パッケージの MEV アクティビティを均一に推定できます。統計結果によると、MEV 報酬がブロック報酬の 4 ～ 8 倍であるブロックが 900 以上あり、さらに 1 つのブロックの MEV 報酬はブロック報酬の 700 倍以上であることがわかりました。私たちはマルコフ意思決定のフレームワークを使用して、MEV 収入が与えられた場合にブロック フォークと再編成を実行する動機となるマイナーの最小数を決定します。最終的に、マイナーの 10% 以上がブロック フォークと再編成を行う動機となるブロックが 1,000 以上あることがわかりました。最も深刻なブロックでは、10,000 人のマイナーのうち 6 人以上がブロックのフォークと再編成を担当します。3 番目のアプリケーションは、ブロックチェーン ユーザーの経済的安全に対する MEV アクティビティの影響を調査することです。 MEV アクティビティは実際に、ブロックチェーン ユーザーのトランザクションがトランザクション プールまたは P2P ネットワーク上のチェーンにアップロードされるまでの待ち時間を延長させる可能性があり、これは MEV アクティビティによって引き起こされるユーザーの経済的安全性に対する主な脅威の 1 つでもあります。ユーザーのトランザクションがオンチェーンで遅延すると、裁定取引者はより複雑で収益性の高い MEV アクティビティを設計するためのより多くの時間を得ることができます。 3 番目のアプリケーションは、ユーザー トランザクションが最終的にチェーンにアップロードされるまでの待ち時間に対する MEV アクティビティの影響を比較することです。最初のステップは、トランザクションの待機時間を収集することです。主にネットワーク上にノードをデプロイし、トランザクションがネットワーク上で最初に検出された時刻、トランザクションが最終的にチェーンにアップロードされた時刻を記録し、最後に待機に必要な時間を計算します。各ブロック内のすべてのトランザクションの待機時間の 3 つの四分位を使用して統計を作成し、トランザクションの待機時間をブロックごとの時系列に整理できるようにします。次に、各ブロックの対応する MEV アクティビティも、新しい MEV アクティビティを含むトランザクション パッケージから各ブロックのマイナーが得た収入によって特徴付けられ、複数の時系列が得られます。グレンジャー因果関係テストを通じて、MEV アクティビティが取引時間に及ぼす影響を評価します。因果関係テストでは、ある時系列の変動が別の時系列の変動につながるかどうか、また、他の時系列の変動にどのような範囲で影響を与えるか、または他の時系列の変動を引き起こすかを判断できます。 MEV アクティビティが変動すると、ユーザーのトランザクションの待ち時間が長くなりますか? また、その後のブロック数に影響が出ますか?因果関係テストの P 値が 0.5 以下の場合、このブロックのトランザクション待ち時間が以前の MEV アクティビティの影響により延長されたことを意味します。分析結果によると、MEV アクティビティが発生すると、次の 2 ブロックのトランザクションの 50% の待ち時間が延長されることがわかります。 MEV アクティビティが発生すると、次の 30 ブロック内のトランザクションの 25% の待機時間が延長されます。マイナーまたはバリデーターは、比較的低いガス料金のトランザクションをカプセル化されたブロックの最後に配置します。ユーザーのトランザクションのガス料金が低いほど、MEV アクティビティの影響が大きくなり、待ち時間が長くなります。結論として、最初にワークフローを通じて未知の MEV アクティビティを見つける方法とワークフロー内の 2 つのモジュールの詳細設計を共有し、次に実証分析によってワークフローの有効性を検証し、3 つのアプリケーションをリストしました。現在、ワークフローを使用した 17 の新しい MEV アクティビティを発見しました。
イーサリアムトランザクションパッケージ内の未知のタイプの MEV を明らかにする
ゲスト：Zihao Li、香港理工大学博士課程学生
整理：aididiao.eth，Foresight News
この記事は、Web3 Young Scholars Program の香港理工大学博士課程学生である Zihao Li が共有したテキストを編集したものです。 Web3 Young Scholars Program は、DRK Lab、imToken、Crytape が共同で開始しており、暗号化分野の著名な若手学者が招待され、最新の研究結果の一部を中国コミュニティと共有します。
みなさんこんにちは、香港理工大学博士課程3年生のZihao Liです、今日は「イーサリアムトランザクションパッケージにおけるMEVアクティビティの解明」というテーマでお話しします。簡単に言えば、トランザクション パッケージを通じてイーサリアム ネットワーク内の未知の種類の MEV アクティビティを検出する方法です。最初に、MEV の概念、トランザクション パッケージのメカニズム、私たちの取り組みの背景など、比較的基本的な背景を紹介します。次に、ワークフローがどのような設計原則に基づいて設計されているか、データセットが何であるか、どの指標に基づいてワークフローを評価するためにどのツールを使用しているかなど、完全なワークフローといくつかの設計アイデアを詳細に紹介します。最後に、関連する実証分析結果も含めて 3 つの応用例を紹介します。
背景の紹介: MEV、トランザクション パッケージ、モチベーション
MEV アクティビティとは、ブロックチェーン内の裁定取引者が、ブロック ステータスを含むブロックチェーン ネットワークを監視することによって裁定取引を生成することを意味します。一部の取引情報はブロックチェーン P2P ネットワーク上に拡散されているか、チェーン上に正式にリストされていない一部の取引はマイナーまたはバリデーターのトランザクション プールに保存されています。裁定取引者がこれらの取引情報を監視するとき、彼はいくつかの戦略を使用して独自の取引情報を生成します。裁定取引を開始し、次のブロックの特定の位置で裁定取引を指定します。たとえば、次のブロックの先頭に指定するか、特定の取引の直後に戦略的取引を実行して同じ裁定取引を分散します。このように、特定の場所での裁定取引アクティビティを特定するには、それを MEV アクティビティとみなすことができます。たとえば、裁定取引者が資産価格の変動を監視している場合、取引プール内の対応する資産を低価格で購入し、別のファンドプールで高価格で売却することができます。これは MEV とみなされます。活動。
現在、DeFiエコロジーは主に資産を集めているため、MEA活動は主にDeFiエコロジーを中心とした裁定取引者によって行われており、これまでに他のチェーンを含むイーサリアムのDeFiエコロジーには400億米ドル以上の資金が集まっています。ここで、DeFi アプリケーションによって提供されるアトミックなサービス操作に対応する DeFi アクションと呼ばれる DeFi エコロジーに関する概念について言及する必要があります。たとえば、AMM は異なる種類の資産間の交換をサポートしていることがわかります。ユーザーは USDC を販売できます、ETH の合計を取得する、このような操作は DeFi アクションとして定義できます。 DeFi アクションを使用して MEV アクティビティを表現できます。たとえば、ユーザーが異なる AMM の資産価格に差があることを検出した場合、ユーザーは安く買って高く売り、最終的に価格差の利益を得ることができます。この MEV アクティビティは 2 つの DeFi アクションとして表現できます。
現在、MEV 活動に関する学術研究は主にサンドイッチ攻撃、リバース アービトラージ、清算の 3 つのカテゴリに分類されており、私たちが扱っているデータセットでは、これら 3 つの MEV 活動が 100 万回以上発生していることがわかりました。実はここで疑問が生じるのですが、これらの MEV アクティビティの定義がわかった後、アクティビティの発生をどのように特定するかということです。これらの MEV アクティビティを特定したい場合は、裁定取引者がどのようなトランザクションを生成するか、これらのトランザクションでどのようなタイプの裁定取引が行われるかなど、裁定取引者のすべてのアクティビティを特定する必要があります。そうすれば、現在どのタイプの MEV アクティビティが発生しているかを判断できます。そしてプロセス全体は、既知の MEV アクティビティの定義に大きく依存します。サンドイッチ攻撃を例に挙げます。サンドイッチ攻撃の定義を理解した後、サンドイッチ攻撃の裁定値とそれに対応する裁定取引を決定する必要があります。定義に基づいて多くのルールを設定する必要があります。これらのルールを通じて値と取引の裁定取引を通じてサンドイッチ攻撃の候補を除外します。この方法で既知の MEV 攻撃タイプを特定する場合、2 つの疑問があります。最初の疑問は、私たちが知っている 3 つの一般的な MEV アクティビティがすべての MEV アクティビティを表すことができるかどうかです。 DeFiエコシステムは発展し、新しいアプリケーションが開発されており、これらの裁定取引者の戦略は実際に繰り返されているため、明らかにそうではありません。 2 番目の質問は、これらの未知の MEV 活動をどのように発見できるかです。この疑問を念頭に置いて、トランザクション パッケージのメカニズムを見てみましょう。
トランザクション パッケージのメカニズムは 2021 年に初めて提案されました。簡単に言うと、ユーザーはトランザクション キューを編成できます。このトランザクション キューの長さは 1 つまたは複数のトランザクションであり、ユーザーはこれらのトランザクションをブロックチェーン ネットワークに送信します。リレーラーはこれらを収集します。トランザクションを収集し、関連するマイナーまたは検証者に直接かつ非公開で送信します。現在、リレーラーはトランザクション パッケージを実行してリレー タスクを実行します。トランザクションパッケージの仕組みは非常に重要な特徴を持っており、これらのユーザーがトランザクションパッケージを構築する際、チェーンにアップロードされていない他人のトランザクションをトランザクションパッケージに組み込むことができ、トランザクションパッケージ内のトランザクションの順序を任意に操作することができます。 。この時点で、取引パッケージのユーザーまたは取引パッケージを使用する裁定取引者は、裁定ルールを設計できます。たとえば、MEV 活動に対して、より複雑でより収益性の高い戦略を設計できます。サンドイッチ攻撃を例にとると、トランザクション パッケージが使用されていない場合、サンドイッチ攻撃のアービトラージャーはアービトラージを達成するために少なくとも 1 組のトランザクションを生成する必要があり、この 1 組のアービトラージ トランザクションはこの 1 つのトランザクションのみをターゲットにできます。この攻撃トランザクションによって生成されたアービトラージは、確実にアービトラージを成功させるために、特定の順序で実行される必要があります。しかし、裁定取引者が取引パッケージを使用する場合、裁定取引可能な多くの取引を収集することができ、対応する裁定取引のペアを使用するだけで、複数の取引で同時に裁定取引を生成できます。このトランザクションパッケージがチェーン上にある限り、裁定取引は必ず成功します。また、複数の裁定可能な取引を同時に裁定取引するため、裁定取引の結果もより収益性が高くなります。
トランザクション パッケージは、非常に豊富で複雑な MEV アクティビティによって特徴付けられます。なぜなら、トランザクション パッケージを使用するユーザーは、自分の完全なトランザクションをトランザクション パッケージにカプセル化し、それを P2P ネットワークの中継者に送信し、最後に対応するマイナーと検証者に送信するからです。トランザクション パッケージを通じて、すべてのアクティビティを正確かつ完全に識別できます。したがって、トランザクション パッケージ メディアを通じて、いくつかの未知の MEV アクティビティをより正確に識別できます。
ワークフローとデザインのアイデア
次に、ワークフローを詳しく紹介します。トランザクション パッケージのような媒体を通じて未知の MEV アクティビティをどのように発見するのでしょうか?コア ワークフローには 2 つのツールが含まれています。まず、リレーラーがトランザクション パッケージを収集した後、ActLifter ツールを使用してトランザクション パッケージ内の各 DeFi アクションを識別します。結果を取得した後、トランザクション パッケージ内のすべてのアクションを表します。 。次に、ActCluster ツールを使用して、同様のアクティビティを持つトランザクション パッケージをクラスター化し、クラスター化された結果から新しい MEV アクティビティをより迅速に発見します。未知の MEV アクティビティを発見したい場合、必然的に、MEV アクティビティが未知のタイプであるかどうかを手動で確認する必要があります。もちろん、作業設計の目標は、手動の作業負荷を可能な限り最小限に抑え、プロセス全体を可能な限り効率化することです。自動的に実行されます。
トランザクションから MEV アクティビティを識別できるツールはすでに存在します。これは大まかに 2 つのカテゴリに分類できます。最初のカテゴリは純粋に手動の要約ルールであり、2 番目のカテゴリは純粋なヒューリスティック ルール、つまり、純粋に自動化されたヒューリスティック ルールを使用して特定の種類の MEV アクティビティを識別します。たとえば、現在の転送情報を特定した後、ヒューリスティック ルールが満たされているかどうかを確認し、満たされている場合は、対応するアクティビティを特定できます。純粋に手動でルールを要約する最初の方法は、このプロセスが特定のアプリケーションを完全に手動で分析するため、比較的高い精度を達成でき、検出結果が正確であることを保証できますが、分析タスクには非常に大きな作業負荷が必要となるため、すべての DeFi アプリケーションをカバーすることはできません。 2 番目のジョブは完全に自動化できますが、ヒューリスティック ルールは一部の特定のタイプのみをカバーできます。一方で、ヒューリスティックルールの設計に問題があり、認識精度が十分ではありません。
私たちは両方の方法の利点を組み合わせてワークフローを設計しました。現在主要な DeFi アクションを 10 件特定できます。 DeFi アプリケーションのどのイベントが、DeFi アクションのどのタイプに対応するかを開始後に手動で判断するだけで、手動による分析は不要となり、完全に自動分析に任せることができます。 2 番目のタイプの方法では、DeFi アクションを完全に自動的に識別できますが、分析されたオブジェクトが MEV アクティビティに関連しているかどうかを判断することはできません。例えば、SWAP送金を識別する場合、まったく関係のない2つの送金の組み合わせを1つのDeFiアクションとして識別する場合があり、当然その識別結果は間違ったものになります。しかし、この情報を使用して、本当に DeFi アクションに関連する情報を除外することができます。この情報を取得した後は、自動化された方法により、2 番目のタイプの方法で発生するようないくつかのエラーを回避できます。
たとえば、合計 4 回の送金を伴うトランザクションがあり、その発生順序、資金量、種類がシリアル番号でマークされているとします。このプロセスでは、AMM は実際にスワップ アクションに関連するイベントを開始します。最初のメソッドは、イベントが開始されたと判断した後、イベントのいくつかのパラメーターを使用して現在のコンテンツを復元する必要があります。たとえば、現在のコンテンツを復元するには、699 コントラクトのコード、ビジネス ロジック、およびいくつかの関数変数を調べる必要があります。この情報を取得した後、その固有の資産移転の特性に基づいてルールを設計しました。たとえば、現在運用されている DeFi 契約では、異なる種類の資産の受け取りと移転が行われるというルールが洗練されました。このようなトランザクションが 2 つあることが判明したとき、資産譲渡がそのような特性に適合した後、対応するスワップ アクションのコンテンツを復元できます。 2 番目のタイプの方法は、2 つの資産譲渡を直接照合するもので、2 つの資産譲渡口座は異なる種類の資産を受け取り、譲渡しました。 1 回目と 5 回目の送金は関連する送金のペアとみなされ、中央の口座は AMM とみなされるため、明らかに識別結果が不正確であることが直感的にわかります。
手動分析を通じて要約したルールは、関連するイベントに対応する DeFi アクション タイプです。結果は手動分析によって要約されていますが、手動分析プロセスを半自動プロセスに洗練するために最善を尽くしています。プロセス全体の信頼性。 DeFiアプリケーションの公式Webサイト、DeFiPulse.comおよびDapp.comの公式Webサイトからの一部の契約ソースコードを含む開発者ドキュメントを確認します。私たちは、このイベントがトークンでどのように定義されているか、これらのイベントがどの関数、コード スニペット、コード コメントで使用されているかなど、関連資料から文書内のイベントの説明を抽出できる解析ツールを開発します。これらを抽出した後、手動分析と議論を通じて、さまざまな種類の DeFi アクションに対応する 88 のイベントがあることが最終的に判明しました。
この辞書に分析対象のトランザクションを入力し、トランザクション内でどのようなイベントが発生したかを分析します。次に、イベントがこのディクショナリに表示されると、どの契約がこの DeFi アクションを運営しているか、DeFi の種類、どの資産移転がこの DeFi アクションに関連しているかなど、対応するルールに従って重要な情報を抽出します。このようなコンテンツを取得した後、資産移転の特徴的なルールを要約し、これらのルールを使用して最終的な DeFi アクションを照合します。 10のDeFiアクションの定義から始まり、資産移転の特徴的なルールをまとめました。前のステップでこの情報を収集した後、これらのマッチングルールを使用してマッチングを実行します。これは最終的に、このトランザクションでどのような特定の DeFi コンテンツが発生したかを特定するのに役立ちます。 ActCluster がトランザクション パッケージ内の各トランザクションを識別した後、トランザクション パッケージの動作を表現できます。
まず、ActCluster の設計原則を理解しましょう。このプロセスでは手動分析が避けられず、トランザクション パッケージのアクティビティが未知の種類の MEV アクティビティであるかどうかを判断するには手作業に頼る必要があることがわかっています。これに基づいて、私たちの基本的なアイデアは、同様のアクティビティを持ついくつかのトランザクション パッケージをクラスター化することです。各クラスターについて、分析のために 1 つまたは複数のトランザクション パッケージをランダムにサンプリングするだけで済みます。これにより、手動分析プロセスが高速化され、最終的にはさまざまな種類の MEA アクティビティを発見できます。クラスター分析を使用してトランザクション パッケージをクラスター化すると、ジレンマに直面します。トランザクション パッケージのクラスタリング強度を比較的粗く設定すると、異なる種類のアクティビティを含むトランザクション パッケージがクラスタ化され、その際、クラスタの数は少なくなりますが、対応する手動分析タスクも小さくなります。一部の新しい MEV アクティビティは失われます。クラスタリングの強度をより詳細に調整すると、類似しているものの異なる MEA アクティビティに対応するいくつかのトランザクション パッケージを区別できますが、それに伴う手動分析の作業負荷は大幅に増加します。
このような問題を踏まえ、我々はクラスタリング分析を複数回反復して行う反復クラスタリング分析手法を設計した。各ラウンドでは、前のラウンドで発見された新しい MEV アクティビティを含む既知のトランザクション パッケージを削除し、残りのトランザクション パッケージのクラスタリング強度を向上させます。トランザクション パッケージには実際には複数のトランザクションが含まれており、1 つのトランザクションに複数の DeFi アクションが含まれる可能性があるため、従来のクラスタリング手法を直接使用してトランザクション パッケージをクラスタ化することはできません。トランザクション パッケージ全体を表現すると、その構造は実際には異質かつ階層的になります。このとき、表現学習という手法を用いて、このトランザクションパッケージの内容を位置決め空間に表現します。表現学習を使用する利点は、分析および処理したいデータについて深い学習や理解を行う必要がなく、豊富なドメイン知識も必要なく、単純なデータ指向の処理を行うだけで済むことです。
たとえば、トランザクション パッケージにどの MEV アクティビティが含まれるかをラベル付けするだけで済みます。 MEV アクティビティの定義がわかっていれば、対応するルールを設計し、それが存在するかどうかを自動的に検出することが容易になります。表現学習のためにこれらのトランザクション パッケージに自動的にラベルを付けることができます。私たちのクラスター分析は反復型であり、各反復後に新しい MEV アクティビティを発見できます。この時点で、これらの新しく発見された MEV アクティビティに対応するラベルを実際に表現学習プロセスに組み込むことができます。表現学習プロセスで使用されるラベルが強化されると、表現学習モデルのトレーニング全体のパフォーマンスと効率が反復的に向上し、トランザクション パッケージのアクティビティを表現するこの表現学習の能力も反復的に向上します。実際にはトランザクション パッケージ内に複数のトランザクションが存在する可能性があり、実際には 1 つのトランザクション内に複数の DeFi アクションが存在する可能性があるため、トランザクション パッケージのニーズを表現する必要があります。まず、DeFiアクションのタイプごとに、どの契約が運用されているか、受領および送金される資産の量と種類は何かなど、標準化されたパラメータを定義します。このようにして各 DeFi アクションを定義します。トランザクション内に複数の DeFi アクションがあることが判明した場合、トランザクションに対応するトランザクション ブロックを表すことができるように、それらをアクション ブロックとして表します。トランザクション ブロックには、誰がトランザクションを開始したかなどのトランザクションのソース情報が含まれます。リダイレクトは誰に送信されましたか?トランザクションでDeFiアクションが発生すると、アクションブロックを順番に埋めていきます。これらのトランザクションはそれぞれトランザクション ブロックで表され、最終的にはマトリックスとして考えることができるトランザクション パッケージの構造が得られます。トランザクション パッケージが表現されると、それを表現学習に使用できます。各トランザクション パッケージは統一された構造になっており、そのモデルをバッチ処理に使用できます。
パフォーマンス評価
次に、ワークフローのパフォーマンスを評価するために使用した方法を共有します。分析プロセス全体のデータセットは、Flashbots が提供する API を通じて提供され、2021 年 2 月から 2022 年 12 月までに 600 万件を超えるトランザクション パッケージと 2,600 万件以上のトランザクションを含むトランザクション パッケージ データが収集されました。
私たちは、DeFi アクションの精度と完全性を比較するためにいくつかのツールを設計しました。ここで注意すべき点は、これらのオンチェーンツールの中で、現在、Webページとそれが提供する情報を通じてトランザクション内のDeFiアクションを回復できるのはEtherscanだけです。そして、DeFiRanger と同様に、私たちは論文に基づいて彼らの手法を再現します。さらに、トランザクションイベントから直接DeFiアクションを回復しようとするために、EventLifterと呼ばれるツールを設計しました。 ActLifter をさまざまな構成でテストし、さまざまなツールを使用して認識精度を比較しました。 ActCluster の場合、私たちの主なアイデアはアブレーション学習を使用することです。ActCluster のいくつかのモジュールをアブレーションした後、特定できる新しいアクティビティについて、まだ発見されていない新しいアクティビティを特定したい場合、どれだけの手動分析が必要になるか? トランザクション パッケージまたは手動分析のワークロードはどのくらいの大きさですか。たとえば、ActCluster 表現学習モジュールで動的ラベルの更新をアブレーションし、実際にプロセス全体をアブレーションしました。 600 万個のトランザクション パケットのランダム サンプルを取得し、同量の新しい MEV アクティビティを検出するために手動で分析する必要があるトランザクション パケットの数を確認します。
当社のツールは、均一な構成の条件下で 100% に近い精度と完全性を達成できます。しかし、Etherscanなどの他のツールと同様に、その精度は100％に達する可能性があり、これは非常に満足のいくものですが、多くのDeFiアクションを見逃すことになります。 Etherscan 自体にはオープンソースの手法はなく、DeFi アクションを特定するためのルールを要約するために手動分析を使用する可能性があり、手動でカバーできないいくつかのタイプが見逃される可能性があると推測されます。ここで注意すべき点は、Etherscan は実際には自動化されたインターフェイスを提供していないため、大規模な識別を実行したい場合、そのようなタスクを直接完了することはできません。隠されたルールによって完全に識別される DeFiRanger の精度と完全性は満足できるものではありません。 ActCluster を実験した結果、合計 2000 トランザクション パケットを分析するだけで、4 ラウンドの反復分析を通じて 17 個の未知の MEV アクティビティを見つけることができることがわかりました。これらのモジュールの一部を除去した後、最大 170,000 個のトランザクション パケットを手動で分析して、先ほど述べた 17 個の未知の MEV アクティビティを特定する必要がある場合があります。
実証分析と応用
未知のタイプの MEV 活動を特定する私たちの方法の具体的な用途は何ですか?まず、既存の MEV 緩和策を強化し、一部の MEV 活動を防御できるかどうか。 2つ目は、分析結果を使用して、ブロックフォレストのフォーク再編成やユーザーの経済的安全への影響など、ブロックチェーンエコロジーに対するMEV活動の影響をより包括的に分析できるかどうかを確認することです。
MEV Boost ネットワーク攻撃者はツールを実行してユーザーからトランザクション パッケージを取得し、最終的にそれらを接続するマイナーやバリデーターに配布することについて前述しました。中継者は、受け取ったトランザクション パッケージから MEA アクティビティを含むトランザクション パッケージを削除することで、ブロックチェーンに対する MEA アクティビティの悪影響の一部を軽減できます。このリンクの主なアイデアは、既存の MEV アクティビティの定義を通じて対応するルールを設計し、トランザクション パッケージに MEV アクティビティが含まれているかどうかを検出することです。明らかに、これらのリレーラーは、未知の MEV アクティビティを含む一部のトランザクション パッケージを除外できません。ワークフローに基づいて、トランザクション パッケージから検出した新しいタイプの MEV アクティビティを検出できる MEVHunter ツールを設計しました。
検出結果は、100 万を超える取引パッケージにリバース アービトラージ MEV アクティビティが含まれており、他の 600 万の取引パッケージの 30% に 3 つの既知の MEV アクティビティが含まれていることを示しています。新しく発見された MEV アクティビティに関しては、トランザクション パッケージのほぼ半数にこれらの新しい MEV アクティビティのみが含まれていることがわかりました。中継者が MEVHunter ツールを使用すると、MEV アクティビティを含む 300 万個のトランザクション パッケージをフィルタリングして除外することができ、ブロックチェーンに対する MEV アクティビティの悪影響を軽減するために、これらのトランザクション パッケージを削除することを選択できます。
2 番目のアプリケーションは、ブロックチェーンのフォークと再組織に対する新しいタイプの MEV アクティビティの影響を調査することです。一部の以前の研究では、金融マイナーの中には、現在のブロックチェーンをフォークして再編成し、MEV アクティビティを実行してそのメリットを享受するために、MEV アクティビティの利点によって動機づけられる人もいると報告されています。たとえば、ブロックの MEV アクティビティ収入がブロック報酬の 4 倍である場合、マイナーの 10% 以上がフォークしてブロックを再編成します。
まず、先ほど述べた MEVHunter ツールに基づいて、どのトランザクション パッケージに新しい MEV アクティビティが含まれているかを特定し、次に、これらのトランザクション パッケージのマイナーの収入を使用して、これらの MEV アクティビティの対応する強度を推定します。ここで概念を導入する必要があります。トランザクション パッケージ メカニズムでは、アービトラージ トランザクション パッケージを確実にチェーンに乗せるために、これらの裁定取引者は通常、MEV 活動からの収入の一部をマイナーと共有します。チェーンに載せるリターンが最も高いトランザクション パッケージを選択します。この収入を使用して、各トランザクション パッケージの MEV アクティビティを均一に推定できます。統計結果によると、MEV 報酬がブロック報酬の 4 ～ 8 倍であるブロックが 900 以上あり、さらに 1 つのブロックの MEV 報酬はブロック報酬の 700 倍以上であることがわかりました。私たちはマルコフ意思決定のフレームワークを使用して、MEV 収入が与えられた場合にブロック フォークと再編成を実行する動機となるマイナーの最小数を決定します。最終的に、マイナーの 10% 以上がブロック フォークと再編成を行う動機となるブロックが 1,000 以上あることがわかりました。最も深刻なブロックでは、10,000 人のマイナーのうち 6 人以上がブロックのフォークと再編成を担当します。
3 番目のアプリケーションは、ブロックチェーン ユーザーの経済的安全に対する MEV アクティビティの影響を調査することです。 MEV アクティビティは実際に、ブロックチェーン ユーザーのトランザクションがトランザクション プールまたは P2P ネットワーク上のチェーンにアップロードされるまでの待ち時間を延長させる可能性があり、これは MEV アクティビティによって引き起こされるユーザーの経済的安全性に対する主な脅威の 1 つでもあります。ユーザーのトランザクションがオンチェーンで遅延すると、裁定取引者はより複雑で収益性の高い MEV アクティビティを設計するためのより多くの時間を得ることができます。 3 番目のアプリケーションは、ユーザー トランザクションが最終的にチェーンにアップロードされるまでの待ち時間に対する MEV アクティビティの影響を比較することです。最初のステップは、トランザクションの待機時間を収集することです。主にネットワーク上にノードをデプロイし、トランザクションがネットワーク上で最初に検出された時刻、トランザクションが最終的にチェーンにアップロードされた時刻を記録し、最後に待機に必要な時間を計算します。各ブロック内のすべてのトランザクションの待機時間の 3 つの四分位を使用して統計を作成し、トランザクションの待機時間をブロックごとの時系列に整理できるようにします。次に、各ブロックの対応する MEV アクティビティも、新しい MEV アクティビティを含むトランザクション パッケージから各ブロックのマイナーが得た収入によって特徴付けられ、複数の時系列が得られます。グレンジャー因果関係テストを通じて、MEV アクティビティが取引時間に及ぼす影響を評価します。因果関係テストでは、ある時系列の変動が別の時系列の変動につながるかどうか、また、他の時系列の変動にどのような範囲で影響を与えるか、または他の時系列の変動を引き起こすかを判断できます。 MEV アクティビティが変動すると、ユーザーのトランザクションの待ち時間が長くなりますか? また、その後のブロック数に影響が出ますか?
因果関係テストの P 値が 0.5 以下の場合、このブロックのトランザクション待ち時間が以前の MEV アクティビティの影響により延長されたことを意味します。分析結果によると、MEV アクティビティが発生すると、次の 2 ブロックのトランザクションの 50% の待ち時間が延長されることがわかります。 MEV アクティビティが発生すると、次の 30 ブロック内のトランザクションの 25% の待機時間が延長されます。マイナーまたはバリデーターは、比較的低いガス料金のトランザクションをカプセル化されたブロックの最後に配置します。ユーザーのトランザクションのガス料金が低いほど、MEV アクティビティの影響が大きくなり、待ち時間が長くなります。
結論として、最初にワークフローを通じて未知の MEV アクティビティを見つける方法とワークフロー内の 2 つのモジュールの詳細設計を共有し、次に実証分析によってワークフローの有効性を検証し、3 つのアプリケーションをリストしました。現在、ワークフローを使用した 17 の新しい MEV アクティビティを発見しました。