Convidado: Zihao Li, estudante de doutorado na Universidade Politécnica de Hong Kong
Organizado por: aididiao.eth, Foresight News
Este artigo é um resumo do vídeo compartilhado por Zihao Li, estudante de doutorado da Universidade Politécnica de Hong Kong no Web3 Young Scholars Program. O Programa Web3 Young Scholars é lançado em conjunto pelo DRK Lab, imToken e Crytape e convidará jovens estudiosos renomados no campo da criptografia para compartilhar alguns dos resultados de pesquisas mais recentes com a comunidade chinesa.
Olá a todos, sou Zihao Li, estudante de doutorado do terceiro ano da Universidade Politécnica de Hong Kong. O tópico que compartilharei hoje é "Revelando as atividades MEV no pacote de transações Ethereum". Simplificando, é como descobrir tipos desconhecidos de atividades MEV na rede Ethereum por meio de pacotes de transações. Em primeiro lugar, farei uma introdução relativamente básica, como o conceito de MEV, o mecanismo do pacote de transações e o contexto do nosso trabalho. Em seguida, apresentarei o fluxo de trabalho completo e algumas ideias de design em detalhes, como em quais princípios de design o fluxo de trabalho foi projetado; quais são nossos conjuntos de dados; quais ferramentas usamos para avaliar nosso fluxo de trabalho em quais indicadores, etc. Finalmente, apresentarei três aplicações incluindo resultados de análises empíricas relevantes.
Introdução básica: MEV, pacote de transação, motivação
A atividade MEV significa que os arbitradores no blockchain geram transações de arbitragem monitorando a rede blockchain, incluindo o status do bloco. Algumas informações de transação são espalhadas na rede P2P blockchain, ou algumas transações que não foram oficialmente listadas na cadeia são armazenadas no pool de transações de mineradores ou validadores.Quando o arbitrador monitora essas informações de transação, ele usa algumas estratégias para gerar suas próprias comércio de arbitragem, e depois especificar o comércio de arbitragem numa determinada posição no próximo bloco, por exemplo, deve estar no topo do próximo bloco, ou executar uma transacção estratégica imediatamente após uma determinada transacção para espalhar o mesmo comércio de arbitragem. Desta forma, para especificar atividades de arbitragem em um determinado local, podemos considerá-las como atividades MEV. Por exemplo, se um arbitrador monitorar a flutuação dos preços dos ativos, ele pode comprar os ativos correspondentes em um pool de negociação com um preço baixo e depois vendê-los a um preço alto em outro pool de fundos com um preço alto. Isso é considerado um MEV. atividade.
As atividades do MEA são atualmente realizadas principalmente por arbitradores em torno do ecossistema DeFi, porque o ecossistema DeFi atualmente reúne principalmente ativos. Até agora, Ethereum, incluindo outros ecossistemas de cadeia DeFi, atraiu mais de US$ 40 bilhões em fundos. Aqui precisamos mencionar um conceito sobre o ecossistema DeFi, denominado ação DeFi, que corresponde a uma operação de serviço atômico fornecido por uma aplicação DeFi. Por exemplo, sabemos que AMM suporta troca entre diferentes tipos de ativos, e os usuários podem vender uma quantia USDC e, em seguida, obter uma quantia de ETH. Tal operação pode ser definida como uma ação DeFi. Podemos usar ações DeFi para representar atividades MEV. Por exemplo, se um usuário detectar uma lacuna nos preços dos ativos em diferentes AMMs, o usuário poderá comprar na baixa e vender na alta para, em última análise, obter lucros com a diferença de preço. Podemos expressar esta atividade MEV como duas ações DeFi.
Actualmente, a investigação académica sobre actividades MEV está principalmente dividida em três categorias, nomeadamente ataques sanduíche, arbitragem inversa e liquidação.No conjunto de dados em que trabalhamos, descobrimos que estes três tipos de actividades MEV aparecem mais de 1 milhão de vezes. Na verdade, há uma questão aqui: depois de conhecermos as definições dessas atividades MEV, como identificar a ocorrência das atividades. Se quisermos identificar essas atividades MEV, precisamos identificar todas as atividades do arbitrador, tais como quais transações o arbitrador gera e quais tipos de arbitragem estão incluídos nessas transações.Então podemos determinar que tipo de atividade MEV está ocorrendo atualmente ., e todo o processo depende muito da nossa definição de atividade conhecida de MEV. Tomemos um ataque sanduíche como exemplo. Depois de conhecermos a definição de um ataque sanduíche, se quisermos determinar o valor de arbitragem do ataque sanduíche e suas transações de arbitragem correspondentes, precisamos configurar muitas regras com base na definição, e, em seguida, filtrar candidatos a ataques sanduíche por meio dessas regras de arbitragem de valores e transações. Ao identificar desta forma tipos de ataques MEV conhecidos, há duas questões: a primeira é se as três atividades MEV comuns que conhecemos podem representar todas as atividades MEV? Obviamente que não, porque o ecossistema DeFi está sempre em desenvolvimento, novas aplicações estão sempre a ser desenvolvidas e as estratégias destes arbitradores estão, na verdade, em constante iteração. A segunda questão é como podemos descobrir essas atividades desconhecidas do MEV. Com esta questão em mente, vamos dar uma olhada no mecanismo do pacote de transações.
O mecanismo de pacote de transações foi proposto pela primeira vez em 2021. Simplificando, os usuários podem organizar uma fila de transações. O comprimento dessa fila de transações pode ser uma transação ou várias transações, e então o usuário envia essas transações para a rede blockchain. O retransmissor as coleta transações e as envia direta e privadamente aos mineradores ou verificadores relevantes. Atualmente, o retransmissor executará o pacote de transações para realizar a tarefa de retransmissão. O mecanismo do pacote de transações tem uma característica muito importante: quando esses usuários constroem um pacote de transações, eles podem colocar as transações de outras pessoas que não foram carregadas na cadeia em um pacote de transações, e a ordem das transações no pacote de transações pode ser manipulada arbitrariamente . Neste momento, o usuário do pacote de negociação ou o arbitrador que utiliza o pacote de negociação pode projetar suas regras de arbitragem. Por exemplo, ele pode projetar estratégias de atividade de MEV mais complexas e mais lucrativas. Tomando o ataque sanduíche como exemplo, se nenhum pacote de transação for usado, um arbitrador em um ataque sanduíche precisa gerar pelo menos um par de transações para obter a arbitragem, e esse par de transações de arbitragem só pode ter como alvo esta transação. A arbitragem gerada por esta transação de ataque deve ser executada em uma determinada ordem para garantir que possa ser arbitrada com sucesso. Mas se um arbitrador utilizar um pacote de negociação, ele poderá coletar muitas transações que podem ser arbitradas.Ele só precisa usar um par de transações de arbitragem correspondentes para gerar arbitragem em múltiplas transações ao mesmo tempo. Enquanto este pacote de transações estiver na cadeia, ele certamente terá sucesso na arbitragem e, como arbitra múltiplas transações arbitráveis ao mesmo tempo, seus resultados de arbitragem também serão mais lucrativos.
O pacote comercial é caracterizado por atividades MEV muito ricas e complexas. Porque os usuários que usam pacotes de transação encapsulam suas transações completas no pacote de transação, depois as enviam para o retransmissor da rede P2P e, finalmente, para os mineradores e verificadores correspondentes. Podemos identificar de forma precisa e completa todas as atividades por meio de pacotes de transações. Portanto, podemos identificar com mais precisão algumas atividades desconhecidas do MEV por meio do pacote de transação.
Fluxo de trabalho e ideias de design
A seguir, vamos apresentar nosso fluxo de trabalho em detalhes. Como descobrimos atividades MEV desconhecidas por meio de um meio como pacotes de transações? O fluxo de trabalho principal inclui duas ferramentas. Primeiro, depois que o retransmissor coleta o pacote de transação, usamos a ferramenta ActLifter para identificar cada ação DeFi no pacote de transação. Depois de obter o resultado, representamos todas as ações no pacote de transação. . Em seguida, use a ferramenta ActCluster para agrupar pacotes de transações com atividades semelhantes e descobrir novas atividades MEV mais rapidamente por meio dos resultados do cluster. Se quisermos descobrir atividades MEV desconhecidas, precisaremos inevitavelmente confirmar manualmente se a atividade MEV é de um tipo desconhecido.Claro, nosso objetivo de design de trabalho é minimizar ao máximo a carga de trabalho manual e tornar todo o processo o mais eficiente possível. possível. Realize automaticamente.
Já existem ferramentas que podem identificar a atividade do MEV nas transações. Podemos dividi-lo aproximadamente em duas categorias: a primeira categoria são regras de resumo puramente manuais; a segunda categoria são regras puramente heurísticas, ou seja, o uso de uma regra heurística puramente automatizada para identificar tipos específicos de atividades MEV. Por exemplo, depois de identificar alguma informação de transferência atual, verifica se as regras heurísticas são satisfeitas e, em caso afirmativo, pode identificar a atividade correspondente. O primeiro método de resumo puramente manual de regras pode alcançar uma precisão relativamente boa, porque este processo é uma análise completamente manual de aplicações específicas, e então pode garantir que os resultados da detecção sejam precisos, mas a tarefa de análise requer uma carga de trabalho muito grande, então não pode cobrir todos os aplicativos DeFi. Embora o segundo trabalho possa ser puramente automatizado, as regras heurísticas só podem abranger alguns tipos específicos. Por outro lado, existem alguns problemas no desenho das regras heurísticas, resultando em precisão de reconhecimento insatisfatória.
Projetamos nosso fluxo de trabalho combinando as vantagens de ambos os métodos. Podemos identificar dez ações DeFi atualmente importantes. Precisamos apenas determinar manualmente qual evento no aplicativo DeFi corresponde a qual tipo de ação DeFi após seu início. Assim, não precisamos de análise manual e podemos deixá-la completamente para análise automatizada. O segundo tipo de método pode identificar ações DeFi de forma totalmente automática, mas não pode determinar se o objeto analisado está relacionado a atividades MEV. Por exemplo, se identificarmos uma transferência SWAP, ela poderá identificar duas combinações de transferência completamente não relacionadas como uma ação DeFi. Naturalmente, o resultado de sua identificação estará errado. Mas podemos usar essas informações para filtrar informações que estejam realmente relacionadas às ações DeFi. Após obter essas informações, podemos evitar alguns erros como os que ocorrem no segundo tipo de método através de métodos automatizados.
Por exemplo, aqui está uma transação que envolve quatro transferências no total, e sua ordem de ocorrência, quantidade de fundos e tipo são marcados com números de série. Nesse processo, o AMM realmente inicia um evento relacionado à ação de Swap. Após o primeiro método determinar que o evento foi iniciado, ele precisa restaurar o conteúdo atual através de alguns parâmetros do evento. Por exemplo, é necessário examinar o código, a lógica de negócios e algumas variáveis de função do contrato 699 para restaurar o conteúdo atual. Depois de obter essas informações, criamos uma regra com base em suas características únicas de transferência de ativos. Por exemplo, a regra que refinamos é que o contrato atualmente em operação no DeFi recebe e transfere diferentes tipos de ativos. Quando descobrimos que existem duas transações como esta Depois que a transferência do ativo estiver em conformidade com essas características, podemos restaurar o conteúdo da ação Swap correspondente. O segundo tipo de método é combinar diretamente duas transferências de ativos.As duas contas de transferência de ativos receberam e transferiram diferentes tipos de ativos. A primeira e a quinta transferências serão consideradas um par de transferências relacionadas, e a conta intermediária será considerada um AMM.Obviamente, podemos ver intuitivamente que o resultado da identificação é impreciso.
As regras que resumimos através da análise manual são os tipos de ação DeFi correspondentes a eventos relevantes. Embora os resultados sejam resumidos através da análise manual, ainda tentamos refinar o processo de análise manual em um processo semiautomático para garantir a confiabilidade de todo o nosso processo. Verificaremos o site oficial dos aplicativos DeFi, documentos do desenvolvedor, incluindo alguns códigos-fonte de contrato dos sites oficiais DeFiPulse.com e Dapp.com. Desenvolvemos ferramentas de análise que podem extrair algumas descrições de eventos em documentos desses materiais envolvidos, como como esse evento é definido com tokens e em quais funções, trechos de código e comentários de código onde esses eventos são usados. Depois de extrairmos essas coisas, por meio de nossa análise e discussão manual, finalmente determinamos que existem 88 eventos correspondentes a diferentes tipos de ações DeFi.
Inserimos a transação a ser analisada neste dicionário e analisamos quais eventos ocorreram na transação. Então, quando um evento aparece neste dicionário, extraímos informações importantes de acordo com as regras correspondentes, como qual contrato está operando esta ação DeFi, qual é o tipo desta DeFi e quais transferências de ativos estão relacionadas a esta ação DeFi. Depois de obter esse conteúdo, resumiremos as regras características da transferência de ativos e, em seguida, usaremos essas regras para corresponder à ação final do DeFi. Partimos da definição de dez ações DeFi e resumimos as regras características da transferência de ativos. Depois de coletarmos essas informações na etapa anterior, usaremos essas regras de correspondência para correspondência e, finalmente, nos ajudaremos a identificar qual conteúdo específico ocorreu em qual DeFi nesta transação. Depois que o ActCluster identifica cada transação no pacote de transações, podemos expressar o comportamento do pacote de transações.
Vamos primeiro entender os princípios de design do ActCluster. Sabemos que a análise manual é inevitável neste processo, e deve contar com trabalho manual para determinar se a atividade do pacote de transações é um tipo desconhecido de atividade MEV. Com base nisso, nossa ideia básica é agrupar alguns pacotes de transações com atividades semelhantes. Para cada cluster, precisamos apenas amostrar aleatoriamente um ou vários pacotes de transações para análise, o que pode acelerar o processo de análise manual e, em última análise, descobrir diferentes tipos de atividades MEA. Quando usamos a análise de cluster para agrupar pacotes de transações, enfrentamos um dilema. Quando definimos a força de agrupamento dos pacotes de transações de forma relativamente grosseira, os pacotes de transações contendo diferentes tipos de atividades serão agrupados. Neste momento, embora o número de clusters se torne menor, as tarefas de análise manual correspondentes também se tornarão menores. Menos, mas algumas novas atividades do MEV serão perdidas. Se ajustarmos a intensidade do agrupamento para ser mais detalhado, embora possamos distinguir alguns pacotes de transações correspondentes a atividades MEA semelhantes, mas diferentes, a carga de trabalho de análise manual envolvida aumentará bastante.
Com base nesse problema, projetamos um método iterativo de análise de agrupamento, que realiza análise de agrupamento em múltiplas iterações. Em cada rodada, eliminaremos os pacotes de transações contendo a nova atividade MEV conhecida encontrada nas rodadas anteriores e, em seguida, aumentaremos a força do cluster para os pacotes de transações restantes. Não podemos usar métodos tradicionais de cluster diretamente para agrupar pacotes de transações, porque os pacotes de transações, na verdade, contêm múltiplas transações, e uma transação pode conter múltiplas ações DeFi. Se expressarmos todo o pacote de transações, sua estrutura é, na verdade, heterogênea e hierárquica. Neste momento, usamos o método de aprendizagem de representação para representar o conteúdo deste pacote de transação em um espaço de posicionamento. A vantagem de usar o aprendizado de representação é que não precisamos fazer aprendizado profundo e compreensão dos dados que queremos analisar e processar, e não precisamos de muito conhecimento de domínio. Precisamos apenas fazer processamento orientado a dados .
Por exemplo, só precisamos rotular o pacote de transações quais atividades MEV estão incluídas no pacote de transações. Se conhecermos a definição de uma atividade MEV, é relativamente fácil projetar regras correspondentes, que possam detectar automaticamente se ela existe ou não. Podemos rotular automaticamente esses pacotes de transações para aprendizagem de representação. Nossa análise de cluster é do tipo iterativo e, após cada iteração, podemos descobrir novas atividades MEV. Neste momento, podemos realmente enriquecer os rótulos correspondentes a essas atividades MEV recém-descobertas em nosso processo de aprendizagem de representação. Quando os rótulos usados em nosso processo de aprendizagem de representação são enriquecidos, o desempenho e a eficiência de todo o treinamento do modelo de aprendizagem de representação podem ser melhorados iterativamente, e esse aprendizado de representação pode melhorar iterativamente a capacidade de representação de atividades do pacote de transação. Na verdade, pode haver múltiplas transações em um pacote de transações, e pode haver múltiplas ações DeFi em uma transação. Precisamos expressar o pacote de transações. Primeiramente, para cada tipo de ação DeFi, definimos um parâmetro padronizado, como qual contrato está em vigor e depois qual a quantidade e tipo de ativos recebidos e transferidos? Definimos cada ação DeFi desta forma. Se reconhecermos que existem múltiplas ações DeFi em uma transação, nós as representaremos com blocos de ação, para que o bloco de transação correspondente à transação possa ser representado, incluindo as informações de origem da transação, como quem iniciou a transação, e o direção Para quem foi enviado? Quando uma ação DeFi ocorre em uma transação, iremos preenchê-la com blocos de ação em ordem. Cada uma dessas transações é representada por um bloco de transações e, finalmente, obtemos a estrutura do pacote de transações, que pode ser considerada uma matriz. Depois que o pacote de transação for representado, podemos usá-lo para aprendizado de representação. Cada pacote de transação é uma estrutura unificada e então podemos usar o modelo para processamento em lote.
Avaliação de desempenho
A seguir, compartilhamos os métodos que usamos para avaliar o desempenho do fluxo de trabalho. O conjunto de dados para todo o nosso processo de análise é feito por meio da API fornecida pelo Flashbots, e os dados dos pacotes de transações de fevereiro de 2021 a dezembro de 2022 são coletados, incluindo mais de 6 milhões de pacotes de transações e 26 milhões de transações.
Projetamos algumas ferramentas para comparar a precisão e integridade das ações DeFi. Deve-se notar aqui que dentre essas ferramentas on-chain, atualmente apenas o Etherscan pode recuperar as ações DeFi na transação por meio de sua página web e das informações que ela fornece. Assim como o DeFiRanger, reproduzimos seu método com base em seu artigo. Além disso, desenvolvemos uma ferramenta chamada EventLifter para tentar recuperar ações DeFi diretamente de eventos de transação. Testamos o ActLifter em diferentes configurações e usamos uma variedade de ferramentas para comparar a precisão do reconhecimento. Para o ActCluster, nossa ideia principal é usar o aprendizado de ablação. Para as novas atividades que podemos identificar, após a ablação de alguns módulos do ActCluster, se ainda quisermos identificar algumas atividades novas que não foram descobertas, de quanta análise manual precisamos • O pacote de negociação ou a carga de trabalho da nossa análise manual é o quão grande ele é. Por exemplo, eliminamos a atualização dinâmica do rótulo no módulo de aprendizado de representação do ActCluster. Na verdade, eliminamos todo o processo. Amostramos aleatoriamente 6 milhões de pacotes de transações e então vimos quantos pacotes de transações teríamos que analisar manualmente para encontrar a mesma quantidade de novas atividades de MEV.
Nossas ferramentas podem atingir quase 100% de precisão e integridade quando configuradas uniformemente. Mas assim como outras ferramentas como o Etherscan, embora sua precisão possa chegar a 100%, o que é bastante satisfatório, ele perderá muitas ações DeFi. O próprio Etherscan não possui um método de código aberto. Especulamos que ele pode usar análise manual para resumir regras para identificar ações DeFi. Conseqüentemente, ele perderá alguns tipos que não podem ser cobertos manualmente. Deve-se notar aqui que o Etherscan na verdade não fornece uma interface automatizada. Se você quiser fazer uma identificação em larga escala, não poderá concluir essa tarefa diretamente. O DeFiRanger, que utiliza completamente a identificação de regras ocultas, é insatisfatório em termos de precisão e integridade. Depois de experimentarmos o ActCluster, descobrimos que, por meio de quatro rodadas de análise iterativa, precisamos apenas analisar um total de 2.000 pacotes de transações para encontrar 17 atividades MEV desconhecidas. Depois de eliminarmos alguns desses módulos, poderemos precisar analisar manualmente até 170.000 pacotes de transações para identificar as 17 atividades MEV desconhecidas que acabamos de mencionar.
Análise empírica e aplicação
Quais são as aplicações específicas do nosso método, que podem identificar tipos desconhecidos de atividade do MEV? A primeira é se pode melhorar as medidas existentes de mitigação de MEV para defesa contra algumas atividades de MEV. A segunda é usar os resultados da análise para ver se podemos analisar de forma mais abrangente o impacto das atividades do MEV na ecologia do blockchain, incluindo o impacto na reorganização da bifurcação da floresta de blocos e na segurança financeira dos usuários.
Mencionamos anteriormente que os invasores de rede do MEV Boost executarão ferramentas para obter pacotes de transações dos usuários e, finalmente, distribuí-los aos mineradores e validadores que os conectam. Os retransmissores removerão os pacotes de transações que contêm atividades MEA dos pacotes de transações que recebem, o que pode reduzir parte do impacto negativo das atividades MEA no blockchain. A ideia principal deste link é projetar regras correspondentes através da definição de atividades MEV existentes para detectar se o pacote de transações contém atividades MEV. Obviamente, esses retransmissores não conseguem excluir alguns pacotes de transações contendo atividades MEV desconhecidas. Com base em nosso fluxo de trabalho, projetamos uma ferramenta MEVHunter, que pode detectar os novos tipos de atividades MEV que detectamos no pacote de transações.
Os resultados da detecção mostram que mais de 1 milhão de pacotes de negociação contêm atividades MEV de arbitragem reversa e 30% dos outros 6 milhões de pacotes de negociação contêm três atividades MEV conhecidas. Em relação às nossas atividades MEV recém-descobertas, descobrimos que quase metade dos pacotes de transações continham apenas essas novas atividades MEV. Se os retransmissores usarem a ferramenta MEVHunter, ela poderá ajudá-los a filtrar 3 milhões de pacotes de transações contendo atividades MEV e, então, eles poderão optar por eliminar esses pacotes de transações para reduzir o impacto negativo das atividades MEV no blockchain.
A segunda aplicação é explorar o impacto das novas atividades do MEV nas bifurcações e reorganizações do blockchain. Alguns estudos anteriores relataram que alguns mineradores financeiros serão motivados pelos benefícios de algumas atividades de MEV para bifurcar e reorganizar o blockchain atual, conduzir eles próprios atividades de MEV e aproveitar os benefícios. Por exemplo, quando o rendimento da atividade MEV de um bloco é 4 vezes a recompensa do bloco, nada menos que 10% dos mineiros irão bifurcar e reorganizar o bloco.
Primeiro identificamos quais pacotes de transações contêm novas atividades de MEV com base na ferramenta MEVHunter que acabamos de mencionar e, em seguida, usamos a renda dos mineradores nesses pacotes de transações para estimar a intensidade correspondente dessas atividades de MEV. Um conceito precisa ser introduzido aqui: no mecanismo de pacote de transações, para garantir que seus pacotes de transações de arbitragem possam ser colocados na cadeia, esses arbitradores geralmente compartilham parte da receita das atividades de MEV com os mineradores, e então os mineradores acabarão por escolha o pacote de transação com maior retorno a ser colocado na cadeia. Podemos usar essa receita para estimar uniformemente as atividades do MEV em cada pacote de transação. De acordo com nossos resultados estatísticos, existem mais de 900 blocos com recompensas MEV quatro a oito vezes a recompensa do bloco.Além disso, a recompensa MEV de um bloco é ainda mais de 700 vezes a recompensa do bloco. Usamos a estrutura de decisão de Markov para determinar o número mínimo de mineradores que podem incentivar bifurcações e reorganizações de blocos com um benefício de MEV. Finalmente descobrimos que mais de 1.000 blocos podem motivar nada menos que 10% dos mineradores a fazer bifurcações e reorganizações de blocos. E como o bloco mais sério, há nada menos que 6/10.000 mineradores para fazer bifurcações e reorganizações de blocos.
A terceira aplicação é explorar o impacto das atividades do MEV na segurança financeira dos usuários do blockchain. As atividades MEV podem, na verdade, fazer com que os usuários do blockchain esperem que as transações no pool de transações ou na rede P2P sejam estendidas, o que também é uma das principais ameaças à segurança financeira dos usuários decorrentes das atividades MEV. Se as transações dos usuários forem atrasadas na cadeia, os arbitradores poderão ter mais tempo para projetar atividades MEV mais complexas e lucrativas. A terceira aplicação é comparar o impacto da atividade do MEV no tempo de espera para que as transações do usuário sejam finalmente carregadas na cadeia. O primeiro passo é coletar o tempo de espera da transação. Implantamos principalmente nós na rede e, em seguida, registramos o momento em que a transação foi descoberta pela primeira vez na rede e o momento em que a transação foi finalmente carregada na cadeia e, finalmente, calculamos o tempo de espera. Utilizamos os três quartis do tempo de espera de todas as transações em cada bloco para estatísticas, para que possamos organizar o tempo de espera das transações em uma série temporal em unidades de cada bloco. Em seguida, a atividade MEV correspondente em cada bloco também é descrita pela receita obtida pelos mineradores em cada bloco do pacote de transações que contém a nova atividade MEV. Desta forma, obtemos múltiplas séries temporais. Usamos o teste de causalidade de Granger para avaliar o impacto Da atividade MEV no tempo de negociação.O teste de causalidade pode determinar se as flutuações EM UMA série temporal causam flutuações EM outra série temporal, e por Quanto tempo afeta ou causa flutuações EM outras séries temporais. Quando a atividade do MEV flutua, isso faz com que o tempo de espera da transação do usuário se torne mais longo e em quantos blocos subsequentes o impacto existirá?
Quando o valor P do teste de causalidade é menor ou igual a 0,5, significa que o tempo de espera das transações neste bloco é prolongado pela influência das atividades anteriores do MEV. De acordo com os resultados da análise, verifica-se que quando ocorrer atividade MEV, 50% do tempo de espera da transação nos próximos dois blocos será estendido. Após a ocorrência da atividade MEV, 25% do tempo de espera da transação nos próximos 30 blocos será estendido. Mineiros ou validadores colocarão transações com taxas de gás relativamente baixas no final do bloco encapsulado.Quanto menor a taxa de gás da transação de um usuário, maior será o impacto das atividades do MEV e o tempo de espera será estendido por mais tempo.
Concluindo, primeiro compartilhamos como encontrar atividades MEV desconhecidas por meio do fluxo de trabalho e do design detalhado de dois módulos no fluxo de trabalho, depois verificamos a eficácia do fluxo de trabalho por meio de análise empírica e listamos três aplicações. Até agora, descobrimos 17 novas atividades MEV usando fluxo de trabalho.
Ver original
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
Descobrindo o tipo desconhecido de MEV em pacotes de transações Ethereum
Convidado: Zihao Li, estudante de doutorado na Universidade Politécnica de Hong Kong
Organizado por: aididiao.eth, Foresight News
Este artigo é um resumo do vídeo compartilhado por Zihao Li, estudante de doutorado da Universidade Politécnica de Hong Kong no Web3 Young Scholars Program. O Programa Web3 Young Scholars é lançado em conjunto pelo DRK Lab, imToken e Crytape e convidará jovens estudiosos renomados no campo da criptografia para compartilhar alguns dos resultados de pesquisas mais recentes com a comunidade chinesa.
Olá a todos, sou Zihao Li, estudante de doutorado do terceiro ano da Universidade Politécnica de Hong Kong. O tópico que compartilharei hoje é "Revelando as atividades MEV no pacote de transações Ethereum". Simplificando, é como descobrir tipos desconhecidos de atividades MEV na rede Ethereum por meio de pacotes de transações. Em primeiro lugar, farei uma introdução relativamente básica, como o conceito de MEV, o mecanismo do pacote de transações e o contexto do nosso trabalho. Em seguida, apresentarei o fluxo de trabalho completo e algumas ideias de design em detalhes, como em quais princípios de design o fluxo de trabalho foi projetado; quais são nossos conjuntos de dados; quais ferramentas usamos para avaliar nosso fluxo de trabalho em quais indicadores, etc. Finalmente, apresentarei três aplicações incluindo resultados de análises empíricas relevantes.
Introdução básica: MEV, pacote de transação, motivação
A atividade MEV significa que os arbitradores no blockchain geram transações de arbitragem monitorando a rede blockchain, incluindo o status do bloco. Algumas informações de transação são espalhadas na rede P2P blockchain, ou algumas transações que não foram oficialmente listadas na cadeia são armazenadas no pool de transações de mineradores ou validadores.Quando o arbitrador monitora essas informações de transação, ele usa algumas estratégias para gerar suas próprias comércio de arbitragem, e depois especificar o comércio de arbitragem numa determinada posição no próximo bloco, por exemplo, deve estar no topo do próximo bloco, ou executar uma transacção estratégica imediatamente após uma determinada transacção para espalhar o mesmo comércio de arbitragem. Desta forma, para especificar atividades de arbitragem em um determinado local, podemos considerá-las como atividades MEV. Por exemplo, se um arbitrador monitorar a flutuação dos preços dos ativos, ele pode comprar os ativos correspondentes em um pool de negociação com um preço baixo e depois vendê-los a um preço alto em outro pool de fundos com um preço alto. Isso é considerado um MEV. atividade.
As atividades do MEA são atualmente realizadas principalmente por arbitradores em torno do ecossistema DeFi, porque o ecossistema DeFi atualmente reúne principalmente ativos. Até agora, Ethereum, incluindo outros ecossistemas de cadeia DeFi, atraiu mais de US$ 40 bilhões em fundos. Aqui precisamos mencionar um conceito sobre o ecossistema DeFi, denominado ação DeFi, que corresponde a uma operação de serviço atômico fornecido por uma aplicação DeFi. Por exemplo, sabemos que AMM suporta troca entre diferentes tipos de ativos, e os usuários podem vender uma quantia USDC e, em seguida, obter uma quantia de ETH. Tal operação pode ser definida como uma ação DeFi. Podemos usar ações DeFi para representar atividades MEV. Por exemplo, se um usuário detectar uma lacuna nos preços dos ativos em diferentes AMMs, o usuário poderá comprar na baixa e vender na alta para, em última análise, obter lucros com a diferença de preço. Podemos expressar esta atividade MEV como duas ações DeFi.
Actualmente, a investigação académica sobre actividades MEV está principalmente dividida em três categorias, nomeadamente ataques sanduíche, arbitragem inversa e liquidação.No conjunto de dados em que trabalhamos, descobrimos que estes três tipos de actividades MEV aparecem mais de 1 milhão de vezes. Na verdade, há uma questão aqui: depois de conhecermos as definições dessas atividades MEV, como identificar a ocorrência das atividades. Se quisermos identificar essas atividades MEV, precisamos identificar todas as atividades do arbitrador, tais como quais transações o arbitrador gera e quais tipos de arbitragem estão incluídos nessas transações.Então podemos determinar que tipo de atividade MEV está ocorrendo atualmente ., e todo o processo depende muito da nossa definição de atividade conhecida de MEV. Tomemos um ataque sanduíche como exemplo. Depois de conhecermos a definição de um ataque sanduíche, se quisermos determinar o valor de arbitragem do ataque sanduíche e suas transações de arbitragem correspondentes, precisamos configurar muitas regras com base na definição, e, em seguida, filtrar candidatos a ataques sanduíche por meio dessas regras de arbitragem de valores e transações. Ao identificar desta forma tipos de ataques MEV conhecidos, há duas questões: a primeira é se as três atividades MEV comuns que conhecemos podem representar todas as atividades MEV? Obviamente que não, porque o ecossistema DeFi está sempre em desenvolvimento, novas aplicações estão sempre a ser desenvolvidas e as estratégias destes arbitradores estão, na verdade, em constante iteração. A segunda questão é como podemos descobrir essas atividades desconhecidas do MEV. Com esta questão em mente, vamos dar uma olhada no mecanismo do pacote de transações.
O mecanismo de pacote de transações foi proposto pela primeira vez em 2021. Simplificando, os usuários podem organizar uma fila de transações. O comprimento dessa fila de transações pode ser uma transação ou várias transações, e então o usuário envia essas transações para a rede blockchain. O retransmissor as coleta transações e as envia direta e privadamente aos mineradores ou verificadores relevantes. Atualmente, o retransmissor executará o pacote de transações para realizar a tarefa de retransmissão. O mecanismo do pacote de transações tem uma característica muito importante: quando esses usuários constroem um pacote de transações, eles podem colocar as transações de outras pessoas que não foram carregadas na cadeia em um pacote de transações, e a ordem das transações no pacote de transações pode ser manipulada arbitrariamente . Neste momento, o usuário do pacote de negociação ou o arbitrador que utiliza o pacote de negociação pode projetar suas regras de arbitragem. Por exemplo, ele pode projetar estratégias de atividade de MEV mais complexas e mais lucrativas. Tomando o ataque sanduíche como exemplo, se nenhum pacote de transação for usado, um arbitrador em um ataque sanduíche precisa gerar pelo menos um par de transações para obter a arbitragem, e esse par de transações de arbitragem só pode ter como alvo esta transação. A arbitragem gerada por esta transação de ataque deve ser executada em uma determinada ordem para garantir que possa ser arbitrada com sucesso. Mas se um arbitrador utilizar um pacote de negociação, ele poderá coletar muitas transações que podem ser arbitradas.Ele só precisa usar um par de transações de arbitragem correspondentes para gerar arbitragem em múltiplas transações ao mesmo tempo. Enquanto este pacote de transações estiver na cadeia, ele certamente terá sucesso na arbitragem e, como arbitra múltiplas transações arbitráveis ao mesmo tempo, seus resultados de arbitragem também serão mais lucrativos.
O pacote comercial é caracterizado por atividades MEV muito ricas e complexas. Porque os usuários que usam pacotes de transação encapsulam suas transações completas no pacote de transação, depois as enviam para o retransmissor da rede P2P e, finalmente, para os mineradores e verificadores correspondentes. Podemos identificar de forma precisa e completa todas as atividades por meio de pacotes de transações. Portanto, podemos identificar com mais precisão algumas atividades desconhecidas do MEV por meio do pacote de transação.
Fluxo de trabalho e ideias de design
A seguir, vamos apresentar nosso fluxo de trabalho em detalhes. Como descobrimos atividades MEV desconhecidas por meio de um meio como pacotes de transações? O fluxo de trabalho principal inclui duas ferramentas. Primeiro, depois que o retransmissor coleta o pacote de transação, usamos a ferramenta ActLifter para identificar cada ação DeFi no pacote de transação. Depois de obter o resultado, representamos todas as ações no pacote de transação. . Em seguida, use a ferramenta ActCluster para agrupar pacotes de transações com atividades semelhantes e descobrir novas atividades MEV mais rapidamente por meio dos resultados do cluster. Se quisermos descobrir atividades MEV desconhecidas, precisaremos inevitavelmente confirmar manualmente se a atividade MEV é de um tipo desconhecido.Claro, nosso objetivo de design de trabalho é minimizar ao máximo a carga de trabalho manual e tornar todo o processo o mais eficiente possível. possível. Realize automaticamente.
Já existem ferramentas que podem identificar a atividade do MEV nas transações. Podemos dividi-lo aproximadamente em duas categorias: a primeira categoria são regras de resumo puramente manuais; a segunda categoria são regras puramente heurísticas, ou seja, o uso de uma regra heurística puramente automatizada para identificar tipos específicos de atividades MEV. Por exemplo, depois de identificar alguma informação de transferência atual, verifica se as regras heurísticas são satisfeitas e, em caso afirmativo, pode identificar a atividade correspondente. O primeiro método de resumo puramente manual de regras pode alcançar uma precisão relativamente boa, porque este processo é uma análise completamente manual de aplicações específicas, e então pode garantir que os resultados da detecção sejam precisos, mas a tarefa de análise requer uma carga de trabalho muito grande, então não pode cobrir todos os aplicativos DeFi. Embora o segundo trabalho possa ser puramente automatizado, as regras heurísticas só podem abranger alguns tipos específicos. Por outro lado, existem alguns problemas no desenho das regras heurísticas, resultando em precisão de reconhecimento insatisfatória.
Projetamos nosso fluxo de trabalho combinando as vantagens de ambos os métodos. Podemos identificar dez ações DeFi atualmente importantes. Precisamos apenas determinar manualmente qual evento no aplicativo DeFi corresponde a qual tipo de ação DeFi após seu início. Assim, não precisamos de análise manual e podemos deixá-la completamente para análise automatizada. O segundo tipo de método pode identificar ações DeFi de forma totalmente automática, mas não pode determinar se o objeto analisado está relacionado a atividades MEV. Por exemplo, se identificarmos uma transferência SWAP, ela poderá identificar duas combinações de transferência completamente não relacionadas como uma ação DeFi. Naturalmente, o resultado de sua identificação estará errado. Mas podemos usar essas informações para filtrar informações que estejam realmente relacionadas às ações DeFi. Após obter essas informações, podemos evitar alguns erros como os que ocorrem no segundo tipo de método através de métodos automatizados.
Por exemplo, aqui está uma transação que envolve quatro transferências no total, e sua ordem de ocorrência, quantidade de fundos e tipo são marcados com números de série. Nesse processo, o AMM realmente inicia um evento relacionado à ação de Swap. Após o primeiro método determinar que o evento foi iniciado, ele precisa restaurar o conteúdo atual através de alguns parâmetros do evento. Por exemplo, é necessário examinar o código, a lógica de negócios e algumas variáveis de função do contrato 699 para restaurar o conteúdo atual. Depois de obter essas informações, criamos uma regra com base em suas características únicas de transferência de ativos. Por exemplo, a regra que refinamos é que o contrato atualmente em operação no DeFi recebe e transfere diferentes tipos de ativos. Quando descobrimos que existem duas transações como esta Depois que a transferência do ativo estiver em conformidade com essas características, podemos restaurar o conteúdo da ação Swap correspondente. O segundo tipo de método é combinar diretamente duas transferências de ativos.As duas contas de transferência de ativos receberam e transferiram diferentes tipos de ativos. A primeira e a quinta transferências serão consideradas um par de transferências relacionadas, e a conta intermediária será considerada um AMM.Obviamente, podemos ver intuitivamente que o resultado da identificação é impreciso.
As regras que resumimos através da análise manual são os tipos de ação DeFi correspondentes a eventos relevantes. Embora os resultados sejam resumidos através da análise manual, ainda tentamos refinar o processo de análise manual em um processo semiautomático para garantir a confiabilidade de todo o nosso processo. Verificaremos o site oficial dos aplicativos DeFi, documentos do desenvolvedor, incluindo alguns códigos-fonte de contrato dos sites oficiais DeFiPulse.com e Dapp.com. Desenvolvemos ferramentas de análise que podem extrair algumas descrições de eventos em documentos desses materiais envolvidos, como como esse evento é definido com tokens e em quais funções, trechos de código e comentários de código onde esses eventos são usados. Depois de extrairmos essas coisas, por meio de nossa análise e discussão manual, finalmente determinamos que existem 88 eventos correspondentes a diferentes tipos de ações DeFi.
Inserimos a transação a ser analisada neste dicionário e analisamos quais eventos ocorreram na transação. Então, quando um evento aparece neste dicionário, extraímos informações importantes de acordo com as regras correspondentes, como qual contrato está operando esta ação DeFi, qual é o tipo desta DeFi e quais transferências de ativos estão relacionadas a esta ação DeFi. Depois de obter esse conteúdo, resumiremos as regras características da transferência de ativos e, em seguida, usaremos essas regras para corresponder à ação final do DeFi. Partimos da definição de dez ações DeFi e resumimos as regras características da transferência de ativos. Depois de coletarmos essas informações na etapa anterior, usaremos essas regras de correspondência para correspondência e, finalmente, nos ajudaremos a identificar qual conteúdo específico ocorreu em qual DeFi nesta transação. Depois que o ActCluster identifica cada transação no pacote de transações, podemos expressar o comportamento do pacote de transações.
Vamos primeiro entender os princípios de design do ActCluster. Sabemos que a análise manual é inevitável neste processo, e deve contar com trabalho manual para determinar se a atividade do pacote de transações é um tipo desconhecido de atividade MEV. Com base nisso, nossa ideia básica é agrupar alguns pacotes de transações com atividades semelhantes. Para cada cluster, precisamos apenas amostrar aleatoriamente um ou vários pacotes de transações para análise, o que pode acelerar o processo de análise manual e, em última análise, descobrir diferentes tipos de atividades MEA. Quando usamos a análise de cluster para agrupar pacotes de transações, enfrentamos um dilema. Quando definimos a força de agrupamento dos pacotes de transações de forma relativamente grosseira, os pacotes de transações contendo diferentes tipos de atividades serão agrupados. Neste momento, embora o número de clusters se torne menor, as tarefas de análise manual correspondentes também se tornarão menores. Menos, mas algumas novas atividades do MEV serão perdidas. Se ajustarmos a intensidade do agrupamento para ser mais detalhado, embora possamos distinguir alguns pacotes de transações correspondentes a atividades MEA semelhantes, mas diferentes, a carga de trabalho de análise manual envolvida aumentará bastante.
Com base nesse problema, projetamos um método iterativo de análise de agrupamento, que realiza análise de agrupamento em múltiplas iterações. Em cada rodada, eliminaremos os pacotes de transações contendo a nova atividade MEV conhecida encontrada nas rodadas anteriores e, em seguida, aumentaremos a força do cluster para os pacotes de transações restantes. Não podemos usar métodos tradicionais de cluster diretamente para agrupar pacotes de transações, porque os pacotes de transações, na verdade, contêm múltiplas transações, e uma transação pode conter múltiplas ações DeFi. Se expressarmos todo o pacote de transações, sua estrutura é, na verdade, heterogênea e hierárquica. Neste momento, usamos o método de aprendizagem de representação para representar o conteúdo deste pacote de transação em um espaço de posicionamento. A vantagem de usar o aprendizado de representação é que não precisamos fazer aprendizado profundo e compreensão dos dados que queremos analisar e processar, e não precisamos de muito conhecimento de domínio. Precisamos apenas fazer processamento orientado a dados .
Por exemplo, só precisamos rotular o pacote de transações quais atividades MEV estão incluídas no pacote de transações. Se conhecermos a definição de uma atividade MEV, é relativamente fácil projetar regras correspondentes, que possam detectar automaticamente se ela existe ou não. Podemos rotular automaticamente esses pacotes de transações para aprendizagem de representação. Nossa análise de cluster é do tipo iterativo e, após cada iteração, podemos descobrir novas atividades MEV. Neste momento, podemos realmente enriquecer os rótulos correspondentes a essas atividades MEV recém-descobertas em nosso processo de aprendizagem de representação. Quando os rótulos usados em nosso processo de aprendizagem de representação são enriquecidos, o desempenho e a eficiência de todo o treinamento do modelo de aprendizagem de representação podem ser melhorados iterativamente, e esse aprendizado de representação pode melhorar iterativamente a capacidade de representação de atividades do pacote de transação. Na verdade, pode haver múltiplas transações em um pacote de transações, e pode haver múltiplas ações DeFi em uma transação. Precisamos expressar o pacote de transações. Primeiramente, para cada tipo de ação DeFi, definimos um parâmetro padronizado, como qual contrato está em vigor e depois qual a quantidade e tipo de ativos recebidos e transferidos? Definimos cada ação DeFi desta forma. Se reconhecermos que existem múltiplas ações DeFi em uma transação, nós as representaremos com blocos de ação, para que o bloco de transação correspondente à transação possa ser representado, incluindo as informações de origem da transação, como quem iniciou a transação, e o direção Para quem foi enviado? Quando uma ação DeFi ocorre em uma transação, iremos preenchê-la com blocos de ação em ordem. Cada uma dessas transações é representada por um bloco de transações e, finalmente, obtemos a estrutura do pacote de transações, que pode ser considerada uma matriz. Depois que o pacote de transação for representado, podemos usá-lo para aprendizado de representação. Cada pacote de transação é uma estrutura unificada e então podemos usar o modelo para processamento em lote.
Avaliação de desempenho
A seguir, compartilhamos os métodos que usamos para avaliar o desempenho do fluxo de trabalho. O conjunto de dados para todo o nosso processo de análise é feito por meio da API fornecida pelo Flashbots, e os dados dos pacotes de transações de fevereiro de 2021 a dezembro de 2022 são coletados, incluindo mais de 6 milhões de pacotes de transações e 26 milhões de transações.
Projetamos algumas ferramentas para comparar a precisão e integridade das ações DeFi. Deve-se notar aqui que dentre essas ferramentas on-chain, atualmente apenas o Etherscan pode recuperar as ações DeFi na transação por meio de sua página web e das informações que ela fornece. Assim como o DeFiRanger, reproduzimos seu método com base em seu artigo. Além disso, desenvolvemos uma ferramenta chamada EventLifter para tentar recuperar ações DeFi diretamente de eventos de transação. Testamos o ActLifter em diferentes configurações e usamos uma variedade de ferramentas para comparar a precisão do reconhecimento. Para o ActCluster, nossa ideia principal é usar o aprendizado de ablação. Para as novas atividades que podemos identificar, após a ablação de alguns módulos do ActCluster, se ainda quisermos identificar algumas atividades novas que não foram descobertas, de quanta análise manual precisamos • O pacote de negociação ou a carga de trabalho da nossa análise manual é o quão grande ele é. Por exemplo, eliminamos a atualização dinâmica do rótulo no módulo de aprendizado de representação do ActCluster. Na verdade, eliminamos todo o processo. Amostramos aleatoriamente 6 milhões de pacotes de transações e então vimos quantos pacotes de transações teríamos que analisar manualmente para encontrar a mesma quantidade de novas atividades de MEV.
Nossas ferramentas podem atingir quase 100% de precisão e integridade quando configuradas uniformemente. Mas assim como outras ferramentas como o Etherscan, embora sua precisão possa chegar a 100%, o que é bastante satisfatório, ele perderá muitas ações DeFi. O próprio Etherscan não possui um método de código aberto. Especulamos que ele pode usar análise manual para resumir regras para identificar ações DeFi. Conseqüentemente, ele perderá alguns tipos que não podem ser cobertos manualmente. Deve-se notar aqui que o Etherscan na verdade não fornece uma interface automatizada. Se você quiser fazer uma identificação em larga escala, não poderá concluir essa tarefa diretamente. O DeFiRanger, que utiliza completamente a identificação de regras ocultas, é insatisfatório em termos de precisão e integridade. Depois de experimentarmos o ActCluster, descobrimos que, por meio de quatro rodadas de análise iterativa, precisamos apenas analisar um total de 2.000 pacotes de transações para encontrar 17 atividades MEV desconhecidas. Depois de eliminarmos alguns desses módulos, poderemos precisar analisar manualmente até 170.000 pacotes de transações para identificar as 17 atividades MEV desconhecidas que acabamos de mencionar.
Análise empírica e aplicação
Quais são as aplicações específicas do nosso método, que podem identificar tipos desconhecidos de atividade do MEV? A primeira é se pode melhorar as medidas existentes de mitigação de MEV para defesa contra algumas atividades de MEV. A segunda é usar os resultados da análise para ver se podemos analisar de forma mais abrangente o impacto das atividades do MEV na ecologia do blockchain, incluindo o impacto na reorganização da bifurcação da floresta de blocos e na segurança financeira dos usuários.
Mencionamos anteriormente que os invasores de rede do MEV Boost executarão ferramentas para obter pacotes de transações dos usuários e, finalmente, distribuí-los aos mineradores e validadores que os conectam. Os retransmissores removerão os pacotes de transações que contêm atividades MEA dos pacotes de transações que recebem, o que pode reduzir parte do impacto negativo das atividades MEA no blockchain. A ideia principal deste link é projetar regras correspondentes através da definição de atividades MEV existentes para detectar se o pacote de transações contém atividades MEV. Obviamente, esses retransmissores não conseguem excluir alguns pacotes de transações contendo atividades MEV desconhecidas. Com base em nosso fluxo de trabalho, projetamos uma ferramenta MEVHunter, que pode detectar os novos tipos de atividades MEV que detectamos no pacote de transações.
Os resultados da detecção mostram que mais de 1 milhão de pacotes de negociação contêm atividades MEV de arbitragem reversa e 30% dos outros 6 milhões de pacotes de negociação contêm três atividades MEV conhecidas. Em relação às nossas atividades MEV recém-descobertas, descobrimos que quase metade dos pacotes de transações continham apenas essas novas atividades MEV. Se os retransmissores usarem a ferramenta MEVHunter, ela poderá ajudá-los a filtrar 3 milhões de pacotes de transações contendo atividades MEV e, então, eles poderão optar por eliminar esses pacotes de transações para reduzir o impacto negativo das atividades MEV no blockchain.
A segunda aplicação é explorar o impacto das novas atividades do MEV nas bifurcações e reorganizações do blockchain. Alguns estudos anteriores relataram que alguns mineradores financeiros serão motivados pelos benefícios de algumas atividades de MEV para bifurcar e reorganizar o blockchain atual, conduzir eles próprios atividades de MEV e aproveitar os benefícios. Por exemplo, quando o rendimento da atividade MEV de um bloco é 4 vezes a recompensa do bloco, nada menos que 10% dos mineiros irão bifurcar e reorganizar o bloco.
Primeiro identificamos quais pacotes de transações contêm novas atividades de MEV com base na ferramenta MEVHunter que acabamos de mencionar e, em seguida, usamos a renda dos mineradores nesses pacotes de transações para estimar a intensidade correspondente dessas atividades de MEV. Um conceito precisa ser introduzido aqui: no mecanismo de pacote de transações, para garantir que seus pacotes de transações de arbitragem possam ser colocados na cadeia, esses arbitradores geralmente compartilham parte da receita das atividades de MEV com os mineradores, e então os mineradores acabarão por escolha o pacote de transação com maior retorno a ser colocado na cadeia. Podemos usar essa receita para estimar uniformemente as atividades do MEV em cada pacote de transação. De acordo com nossos resultados estatísticos, existem mais de 900 blocos com recompensas MEV quatro a oito vezes a recompensa do bloco.Além disso, a recompensa MEV de um bloco é ainda mais de 700 vezes a recompensa do bloco. Usamos a estrutura de decisão de Markov para determinar o número mínimo de mineradores que podem incentivar bifurcações e reorganizações de blocos com um benefício de MEV. Finalmente descobrimos que mais de 1.000 blocos podem motivar nada menos que 10% dos mineradores a fazer bifurcações e reorganizações de blocos. E como o bloco mais sério, há nada menos que 6/10.000 mineradores para fazer bifurcações e reorganizações de blocos.
A terceira aplicação é explorar o impacto das atividades do MEV na segurança financeira dos usuários do blockchain. As atividades MEV podem, na verdade, fazer com que os usuários do blockchain esperem que as transações no pool de transações ou na rede P2P sejam estendidas, o que também é uma das principais ameaças à segurança financeira dos usuários decorrentes das atividades MEV. Se as transações dos usuários forem atrasadas na cadeia, os arbitradores poderão ter mais tempo para projetar atividades MEV mais complexas e lucrativas. A terceira aplicação é comparar o impacto da atividade do MEV no tempo de espera para que as transações do usuário sejam finalmente carregadas na cadeia. O primeiro passo é coletar o tempo de espera da transação. Implantamos principalmente nós na rede e, em seguida, registramos o momento em que a transação foi descoberta pela primeira vez na rede e o momento em que a transação foi finalmente carregada na cadeia e, finalmente, calculamos o tempo de espera. Utilizamos os três quartis do tempo de espera de todas as transações em cada bloco para estatísticas, para que possamos organizar o tempo de espera das transações em uma série temporal em unidades de cada bloco. Em seguida, a atividade MEV correspondente em cada bloco também é descrita pela receita obtida pelos mineradores em cada bloco do pacote de transações que contém a nova atividade MEV. Desta forma, obtemos múltiplas séries temporais. Usamos o teste de causalidade de Granger para avaliar o impacto Da atividade MEV no tempo de negociação.O teste de causalidade pode determinar se as flutuações EM UMA série temporal causam flutuações EM outra série temporal, e por Quanto tempo afeta ou causa flutuações EM outras séries temporais. Quando a atividade do MEV flutua, isso faz com que o tempo de espera da transação do usuário se torne mais longo e em quantos blocos subsequentes o impacto existirá?
Quando o valor P do teste de causalidade é menor ou igual a 0,5, significa que o tempo de espera das transações neste bloco é prolongado pela influência das atividades anteriores do MEV. De acordo com os resultados da análise, verifica-se que quando ocorrer atividade MEV, 50% do tempo de espera da transação nos próximos dois blocos será estendido. Após a ocorrência da atividade MEV, 25% do tempo de espera da transação nos próximos 30 blocos será estendido. Mineiros ou validadores colocarão transações com taxas de gás relativamente baixas no final do bloco encapsulado.Quanto menor a taxa de gás da transação de um usuário, maior será o impacto das atividades do MEV e o tempo de espera será estendido por mais tempo.
Concluindo, primeiro compartilhamos como encontrar atividades MEV desconhecidas por meio do fluxo de trabalho e do design detalhado de dois módulos no fluxo de trabalho, depois verificamos a eficácia do fluxo de trabalho por meio de análise empírica e listamos três aplicações. Até agora, descobrimos 17 novas atividades MEV usando fluxo de trabalho.