Гость: Цзыхао Ли, аспирант Гонконгского политехнического университета.
Организаторы: aididiao.eth, Foresight News.
Эта статья представляет собой краткое изложение видео, которым поделился Цзихао Ли, аспирант Гонконгского политехнического университета в рамках программы молодых ученых Web3. Программа молодых ученых Web3 запускается совместно DRK Lab, imToken и Crytape и приглашает известных молодых ученых в области шифрования поделиться некоторыми из последних результатов исследований с китайским сообществом.
Привет всем, я Цзихао Ли, аспирант третьего курса Гонконгского политехнического университета. Тема, которой я поделился сегодня, — «Раскрытие активности MEV в пакете транзакций Ethereum». Проще говоря, это то, как обнаружить неизвестные типы действий MEV в сети Ethereum с помощью пакетов транзакций. Прежде всего, я дам относительно базовое введение, такое как концепция MEV, механизм пакета транзакций и предыстория нашей работы. Затем я подробно представлю полный рабочий процесс и некоторые дизайнерские идеи, например, какие принципы проектирования используются для проектирования рабочего процесса; каковы наши наборы данных; какие инструменты мы используем для оценки нашего рабочего процесса, по каким индикаторам и т. д. Наконец, я представляю три приложения, включая соответствующие результаты эмпирического анализа.
Введение: MEV, пакет транзакций, мотивация
Деятельность MEV относится к арбитражерам в блокчейне, генерирующим арбитражные транзакции путем мониторинга сети блокчейна, включая статус блока. Некоторая информация о транзакциях распространяется в P2P-сети блокчейна, или некоторые транзакции, которые не были формально загружены в цепочку, хранятся в пуле транзакций майнеров или верификаторов.Когда арбитражер отслеживает эту информацию о транзакциях, он генерирует свою собственную с помощью некоторых стратегий. Арбитражную транзакцию, а затем указать арбитражную транзакцию на определенной позиции в следующем блоке, например, он хочет быть во главе следующего блока или, другими словами, выполнить стратегическую транзакцию сразу после определенной транзакции для распространения та же самая арбитражная торговля. Таким образом, мы можем рассматривать арбитражную деятельность на определенной позиции как деятельность MEV. Например, если арбитражер отслеживает колебания цен на активы, он может купить соответствующий актив в торговом пуле по низкой цене, а затем продать его по высокой цене в другом пуле по высокой цене. Это считается MEV-деятельностью.
В настоящее время деятельность MEA в основном осуществляется арбитражерами вокруг экологии DeFi, поскольку экология DeFi в настоящее время в основном собирает активы.На сегодняшний день экология DeFi Ethereum и других цепочек привлекла более 40 миллиардов долларов США капитала. Здесь нам нужно упомянуть концепцию экологии DeFi, называемую действием DeFi, которая соответствует операции атомарного сервиса, предоставляемой приложением DeFi.Например, мы знаем, что AMM поддерживает обмен между различными типами активов.Пользователи могут продавать USDC. , а затем получить определенное количество ETH.Такую операцию можно определить как действие DeFi. Мы можем использовать действие DeFi для выражения деятельности MEV.Например, если пользователь обнаруживает, что существует разрыв в ценах на активы на разных AMM, он может покупать дешевле, продавать дороже и, наконец, получить прибыль от разницы цен. Мы можем выразить эту деятельность MEV как два действия DeFi.
В настоящее время академические исследования деятельности MEV в основном разделены на три категории, а именно: сэндвич-атаки, обратный арбитраж и ликвидация.В наборе данных, над которым мы работаем, мы обнаружили, что эти три типа деятельности MEV встречаются более 1 миллиона раз. На самом деле здесь возникает вопрос: после того, как мы узнаем определения этих действий MEV, как определить возникновение действий. Если мы хотим идентифицировать эту деятельность MEV, нам необходимо идентифицировать всю деятельность арбитражера, например, какие транзакции генерирует арбитражер и какие типы арбитража включены в эти транзакции. Затем мы можем определить, какой тип активности MEV происходит в данный момент. ., и весь процесс во многом зависит от нашего определения известной активности MEV. Возьмем, к примеру, сэндвич-атаку. После того, как мы знаем определение сэндвич-атаки, если мы хотим определить арбитражную ценность сэндвич-атаки и соответствующих ей арбитражных транзакций, нам нужно установить множество правил, основанных на этом определении: а затем отфильтровывать потенциальные сэндвич-атаки с помощью этих правил: арбитражная стоимость и торговля. При такой идентификации известных типов атак MEV возникает два вопроса: первый вопрос: могут ли три известных нам типичных действия MEV отражать все действия MEV? Очевидно, нет, потому что экосистема DeFi постоянно развивается, постоянно разрабатываются новые приложения, и стратегии этих арбитражеров фактически постоянно совершенствуются. Второй вопрос: как мы можем обнаружить эту неизвестную деятельность MEV. Учитывая этот вопрос, давайте взглянем на механизм пакета транзакций.
Механизм пакета транзакций был впервые предложен в 2021 году. Проще говоря, пользователи могут организовать очередь транзакций. Длина этой очереди транзакций может составлять одну транзакцию или несколько транзакций, а затем пользователь отправляет эти транзакции в сеть блокчейна. Ретранслятор собирает их. транзакции и отправляет их напрямую и конфиденциально соответствующим майнерам или верификаторам. В настоящее время ретранслятор запускает пакет транзакций для выполнения задачи ретрансляции. Механизм пакета транзакций имеет очень важную особенность: когда эти пользователи создают пакет транзакций, они могут помещать транзакции других людей, которые не были загружены в цепочку, в пакет транзакций, а порядком транзакций в пакете транзакций можно управлять произвольно. . В это время пользователь торгового пакета или арбитражер, использующий торговый пакет, может разработать свои арбитражные правила. Например, он может разрабатывать более сложные и более прибыльные стратегии деятельности MEV. Если взять в качестве примера сэндвич-атаку, то если пакет транзакций не используется, арбитражеру в сэндвич-атаке необходимо сгенерировать хотя бы одну пару транзакций для достижения арбитража, и эта пара арбитражных транзакций может быть нацелена только на эту одну транзакцию. Арбитраж, генерируемый этой атакующей транзакцией, должен выполняться в определенном порядке, чтобы гарантировать возможность успешного арбитража. Но если арбитражер использует торговый пакет, он может собрать множество транзакций, которые можно подвергнуть арбитражу. Ему нужно всего лишь использовать пару соответствующих арбитражных транзакций, чтобы генерировать арбитраж для нескольких транзакций одновременно. Пока этот пакет транзакций находится в цепочке, он определенно будет успешным в арбитраже, а поскольку он арбитражирует несколько арбитражных транзакций одновременно, его результаты арбитража также более прибыльны.
Торговый пакет характеризуется очень богатой и сложной деятельностью MEV. Поскольку пользователи, использующие пакеты транзакций, инкапсулируют свои полные транзакции в пакет транзакций, затем отправляют их ретранслятору сети P2P и, наконец, соответствующим майнерам и верификаторам. Мы можем точно и полностью идентифицировать все действия с помощью пакетов транзакций. Таким образом, мы можем более точно идентифицировать некоторые неизвестные действия MEV через среду пакета транзакций.
Рабочий процесс и дизайнерские идеи
Далее давайте подробно представим наш рабочий процесс. Как нам обнаружить неизвестные действия MEV с помощью таких средств, как пакеты транзакций? Основной рабочий процесс включает в себя два инструмента.Во-первых, мы используем инструмент ActLifter для идентификации каждого действия DeFi в пакете транзакций после того, как ретранслятор собирает пакет транзакций.После получения результата мы выражаем все действия в пакете транзакций. Затем используйте инструмент ActCluster, чтобы собрать пакеты транзакций со схожими действиями вместе с помощью метода кластеризации и быстрее обнаруживать новые действия MEV по результатам кластеризации. Если мы хотим обнаружить неизвестные действия MEV, неизбежно вручную подтвердить, является ли действие MEV неизвестным типом.Конечно, цель нашей работы — максимально минимизировать ручную рабочую нагрузку и сделать весь процесс максимально плавно. Выполняется автоматически.
Уже существуют инструменты, которые могут идентифицировать активность MEV по транзакциям. Мы можем грубо разделить его на две категории: первая категория — это чисто ручные сводные правила; вторая категория — чистые эвристические правила, то есть использование чисто автоматизированных эвристических правил для идентификации конкретных типов действий MEV. Например, после того как он распознает некоторую текущую информацию о передаче, он проверяет, выполняются ли эвристические правила, и если они удовлетворены, он может идентифицировать соответствующие действия. Первый чисто ручной метод суммирования правил может обеспечить более высокую точность, поскольку этот процесс представляет собой полностью ручной анализ конкретных приложений, а затем он может гарантировать точность результатов обнаружения, но задача анализа предполагает очень большую рабочую нагрузку, поэтому она не может охватить каждое приложение DeFi. Хотя вторая задача может быть полностью автоматизирована, эвристические правила могут охватывать только некоторые конкретные типы. С другой стороны, существуют некоторые проблемы при разработке эвристического правила, что приводит к неудовлетворительной точности распознавания.
Мы разработали наш рабочий процесс, объединив преимущества двух типов методов. В настоящее время мы можем выделить десять основных действий DeFi. Нам нужно только вручную определить, какое событие в приложении DeFi соответствует какому типу действия DeFi после его инициирования, поэтому нам не нужен ручной анализ, и мы можем полностью передать его на автоматический анализ позже. Второй тип метода может полностью автоматически идентифицировать действия DeFi, но не может определить, что объект анализа связан с деятельностью MEV. Например, если мы признаем перевод SWAP, он может признать комбинацию двух совершенно несвязанных переводов действием DeFi.Естественно, результат его признания будет неверным. Но мы можем использовать эту информацию, чтобы отфильтровать информацию, которая действительно связана с действиями DeFi. Получив эту информацию, мы можем избежать некоторых ошибок, таких как метод второго типа, с помощью автоматизированных методов.
Например, здесь есть транзакция, включающая в общей сложности четыре перевода, порядок их появления, сумма и категория средств отмечены порядковыми номерами. В этом процессе AMM фактически инициировал событие, связанное с действием Swap. После того как метод первого типа определит, что событие инициировано, ему необходимо восстановить текущий контент через некоторые параметры события. Например, ему необходимо просмотреть код, бизнес-логику и некоторые функциональные переменные контракта 699, чтобы восстановить текущий контент. После того, как мы получили эту информацию, мы разработали правило, основанное на его уникальных характеристиках передачи активов. Например, мы усовершенствовали правило, заключающееся в том, что текущий контракт, управляющий DeFi, получает и передает различные типы активов. Когда мы обнаружили, что таких активов было два. передача актива соответствует таким характеристикам, мы можем восстановить соответствующее содержание действия обмена. Второй тип метода напрямую соответствует двум передачам активов. Два счета передачи активов получают и передают разные типы активов. Он будет рассматривать первый и пятый переводы как пару связанных переводов, а счет в середине будет считаться AMM. Очевидно, мы интуитивно можем видеть, что результат распознавания неточен.
Правила, которые мы суммировали с помощью ручного анализа, представляют собой типы действий DeFi, соответствующие соответствующим событиям. Хотя результаты суммируются с помощью ручного анализа, мы все же пытаемся превратить процесс ручного анализа в полуавтоматический процесс, чтобы обеспечить надежность всего нашего процесса. Мы запросим официальный веб-сайт и документацию разработчиков приложений DeFi, включая исходные коды некоторых контрактов, с официальных сайтов DeFiPulse.com и Dapp.com. Мы разрабатываем инструменты синтаксического анализа, которые могут извлекать из этих задействованных материалов некоторые описания событий в документах, например, как это событие определяется с помощью токенов и в каких функциях, фрагментах кода и комментариях кода, где эти события используются. После того, как мы извлекли эти данные, посредством ручного анализа и обсуждения, мы наконец определили, что существует 88 событий, соответствующих различным типам действий DeFi.
Мы вносим анализируемую транзакцию в этот словарь и анализируем, какие события произошли в транзакции. Затем, когда событие появляется в этом словаре, мы извлекаем ключевую информацию в соответствии с соответствующими правилами, например, какой контракт управляет этим действием DeFi, каков тип этого DeFi и какие передачи активов связаны с этим действием DeFi. После получения такого контента мы суммируем характерные правила передачи активов, а затем используем эти правила для соответствия окончательному действию DeFi. Начиная с десяти определений действия DeFi, мы резюмируем характерные правила передачи активов. После того, как мы собрали эту информацию на предыдущем шаге, мы будем использовать эти правила сопоставления для сопоставления и, наконец, поможем нам определить, какой конкретный контент произошел в том или ином DeFi в этой транзакции. После того как ActCluster распознает каждую транзакцию в пакете транзакций, мы можем выразить поведение пакета транзакций.
Давайте сначала разберемся с принципами проектирования ActCluster. Мы знаем, что ручной анализ неизбежен в этом процессе, и он должен полагаться на ручной труд, чтобы определить, является ли активность пакета транзакций неизвестным типом активности MEV. Исходя из этого, наша основная идея состоит в том, чтобы объединить транзакции со схожими действиями вместе. Для каждого кластера нам нужно только случайным образом выбрать один или несколько пакетов транзакций для анализа, что может ускорить процесс ручного анализа и в конечном итоге обнаружить различные типы действий MEA. Когда мы используем кластерный анализ для кластеризации пакетов транзакций, мы сталкиваемся с дилеммой. Когда мы устанавливаем силу кластеризации пакетов транзакций относительно грубо, пакеты транзакций, содержащие разные типы действий, будут группироваться вместе. В это время, хотя количество кластеров станет меньше, соответствующие задачи ручного анализа также станут меньше. Меньше, но есть несколько новых событий MEV, которые мы пропустим. Если мы скорректируем интенсивность кластеризации, чтобы сделать ее более детальной, хотя мы и сможем различить некоторые пакеты транзакций, соответствующие схожим, но различным действиям MEA, объем работы по ручному анализу значительно увеличится.
Основываясь на такой задаче, мы разработали метод итеративного кластерного анализа, который выполняет кластерный анализ за несколько итераций. В каждом раунде мы будем удалять известные пакеты транзакций, содержащие новые действия MEV, обнаруженные в предыдущих раундах, а затем улучшать силу кластеризации оставшихся пакетов транзакций. Мы не можем напрямую использовать традиционные методы кластеризации для кластеризации пакетов транзакций, поскольку пакеты транзакций на самом деле содержат несколько транзакций, а одна транзакция может содержать несколько действий DeFi. Если выразить весь пакет транзакций, то его структура на самом деле неоднородна и иерархична. В настоящее время мы используем метод обучения представлению, чтобы представить содержимое этого пакета транзакций в пространстве позиционирования. Преимущество использования обучения представлению состоит в том, что нам не нужно проводить углубленное изучение и понимание данных, которые мы хотим анализировать и обрабатывать, а также нам не нужны обширные знания предметной области.Нам нужно только выполнять простую обработку, ориентированную на данные.
Например, нам нужно только пометить пакет транзакций, какие действия MEV включены в пакет транзакций. Если мы знаем определение действия MEV, нам легче разработать соответствующие правила и автоматически определить, существует ли оно. Мы можем автоматически маркировать эти пакеты транзакций, чтобы они представляли обучение. Наш кластерный анализ является итеративным, и после каждой итерации мы можем обнаружить новые действия MEV. В это время мы можем фактически обогатить метки, соответствующие этим недавно обнаруженным действиям MEV, в наш процесс обучения представлению. Когда метки, используемые в нашем процессе обучения представлению, обогащаются, производительность и эффективность всего обучения модели обучения представлениям могут быть итеративно улучшены, и это обучение представлению может итеративно улучшить способность представления активности пакета транзакций. Фактически, в пакете транзакций может быть несколько транзакций, и в транзакции может быть несколько действий DeFi. Нам нужно выразить пакет транзакций. Прежде всего, для каждого типа действий DeFi мы определяем стандартизированный параметр, например, какой контракт действует, а затем какова сумма и тип полученных и переданных активов? Таким образом мы определяем каждое действие DeFi. Если мы признаем, что в транзакции присутствует несколько действий DeFi, мы представляем их с помощью блоков действий, чтобы можно было представить блок транзакции, соответствующий транзакции, включая исходную информацию о транзакции, например, кто инициировал транзакцию, и направление Кому это было отправлено? Когда в транзакции происходит действие DeFi, мы по порядку заполняем ее блоками действий. Каждая транзакция представлена блоком транзакций, и в итоге мы получаем структуру пакета транзакций, которую можно рассматривать как матрицу. После того, как этот пакет транзакций будет представлен, мы можем использовать его для обучения представлению. Каждый пакет транзакций представляет собой единую структуру, и тогда мы можем использовать модель для пакетной обработки.
Оценка эффективности
Затем поделитесь, какие методы мы использовали для оценки производительности рабочего процесса. Набор данных для всего нашего процесса анализа осуществляется через API, предоставляемый Flashbots, и собираются данные пакетов транзакций с февраля 2021 года по декабрь 2022 года, включая более 6 миллионов пакетов транзакций и 26 миллионов транзакций.
Мы разработали несколько инструментов для сравнения точности и полноты действий DeFi. Здесь следует отметить, что среди этих сетевых инструментов в настоящее время только Etherscan может восстановить действия DeFi в транзакции через свою веб-страницу и информацию, которую она предоставляет. И, как и DeFiRanger, мы воспроизводим их методы на основе их статей. Кроме того, мы разработали инструмент под названием EventLifter, чтобы попытаться восстановить действия DeFi непосредственно из событий транзакций. Мы протестировали ActLifter в разных конфигурациях и использовали различные инструменты для сравнения точности распознавания. Для ActCluster наша основная идея - использовать обучение абляции. Для новых действий, которые мы можем идентифицировать, после удаления некоторых модулей ActCluster, если мы все еще хотим идентифицировать некоторые новые действия, которые еще не были обнаружены, сколько ручного анализа нам нужно Насколько велик пакет транзакций или объем работы, связанной с нашим ручным анализом. Например, мы удалили обновление динамических меток в модуле обучения представлению ActCluster и фактически удалили весь процесс. Мы берем случайную выборку из 6 миллионов пакетов транзакций и смотрим, сколько пакетов транзакций нам нужно проанализировать вручную, чтобы обнаружить такой же объем новой активности MEV.
Наши инструменты могут достигать почти 100% точности и полноты при условии единообразной конфигурации. Но, как и другие инструменты, такие как Etherscan, хотя его точность может достигать 100%, что вполне удовлетворительно, он будет пропускать множество действий DeFi. У самого Etherscan нет метода с открытым исходным кодом. Мы предполагаем, что он может использовать ручной анализ для обобщения правил и идентификации действий DeFi. Соответственно, он будет упускать некоторые типы, которые невозможно охватить вручную. Здесь следует отметить, что Etherscan на самом деле не предоставляет автоматизированный интерфейс.Если вы хотите выполнить крупномасштабную идентификацию, вы не сможете напрямую выполнить такую задачу. Точность и полнота DeFiRanger, который полностью определяется скрытыми правилами, не является удовлетворительным. Поэкспериментировав с ActCluster, мы обнаружили, что за четыре раунда итеративного анализа нам нужно всего лишь проанализировать 2000 пакетов транзакций, чтобы найти 17 неизвестных действий MEV. После удаления некоторых из этих модулей нам, возможно, придется вручную проанализировать до 170 000 пакетов транзакций, чтобы выявить 17 только что упомянутых неизвестных действий MEV.
Эмпирический анализ и применение
Каковы конкретные применения нашего метода, позволяющего идентифицировать неизвестные типы активности MEV? Во-первых, может ли он усилить существующие меры по смягчению последствий MEV для защиты от некоторых видов деятельности MEV. Второй — использовать результаты анализа, чтобы увидеть, сможем ли мы более комплексно проанализировать влияние деятельности MEV на экологию блокчейна, включая влияние на реорганизацию блочного леса и финансовую безопасность пользователей.
Ранее мы упоминали, что злоумышленники сети MEV Boost будут использовать инструменты для получения пакетов транзакций от пользователей, а затем, наконец, распространять их среди майнеров и валидаторов, которые их подключают. Ретрансляторы будут удалять пакеты транзакций, содержащие действия MEA, из пакетов транзакций, которые они получают.Таким образом, они могут уменьшить некоторое негативное влияние действий MEA на блокчейн. Основная идея этой ссылки заключается в разработке соответствующих правил посредством определения существующих действий MEV, чтобы определить, включены ли действия MEV в пакет транзакций. Очевидно, что эти ретрансляторы не могут исключить некоторые пакеты транзакций, содержащие неизвестные действия MEV. На основе нашего рабочего процесса мы разработали инструмент MEVHunter, который может обнаруживать новые типы действий MEV, обнаруженные нами в пакете транзакций.
Результаты обнаружения показывают, что более 1 миллиона пакетов транзакций содержат действия MEV обратного арбитража, а 30% из остальных 6 миллионов пакетов транзакций содержат три известных действия MEV. Что касается наших недавно обнаруженных действий MEV, мы обнаружили, что почти половина пакетов транзакций содержала только эти новые действия MEV. Если ретранслятор использует инструмент MEVHunter, он может помочь им отфильтровать 3 миллиона пакетов транзакций, содержащих действия MEV, а затем удалить эти пакеты транзакций, чтобы уменьшить негативное влияние действий MEV на блокчейн.
Второе применение заключается в том, что мы исследуем влияние новых действий MEV на разветвления и реорганизации блокчейна. В некоторых предыдущих исследованиях сообщалось, что некоторые финансовые майнеры будут мотивированы преимуществами некоторых видов деятельности MEV, чтобы разветвить и реорганизовать текущий блокчейн, самостоятельно осуществлять деятельность MEV и пользоваться преимуществами. Например, когда доход от активности MEV блока в 4 раза превышает вознаграждение за блок, не менее 10% майнеров произведут форк и реорганизуют блок.
Сначала мы определяем, какие пакеты транзакций содержат новые действия MEV, на основе только что упомянутого инструмента MEVHunter, а затем используем доходы майнеров в этих пакетах транзакций, чтобы оценить соответствующую интенсивность этих действий MEV. Здесь необходимо ввести концепцию: в механизме пакетов транзакций, чтобы гарантировать, что их пакеты арбитражных транзакций могут быть помещены в цепочку, эти арбитражеры обычно делятся частью дохода от деятельности MEV с майнерами, и тогда майнеры в конечном итоге выберите пакет транзакций с наибольшей доходностью для включения в цепочку. Мы можем использовать этот доход для единой оценки активности MEV в каждом пакете транзакций. Согласно нашим статистическим результатам, мы обнаружили, что существует более 900 блоков с вознаграждением MEV, в четыре-восемь раз превышающим вознаграждение за блок.Кроме того, вознаграждение MEV за один блок даже более чем в 700 раз превышает вознаграждение за блок. Мы используем структуру принятия решений по Маркову, чтобы определить минимальное количество майнеров, которые могут быть мотивированы на выполнение форков и реорганизаций блоков при наличии дохода MEV. Наконец мы обнаружили, что существует более 1000 блоков, которые могут мотивировать не менее 10% майнеров на форк и реорганизацию блоков. Для самого серьезного блока не менее 6 из 10 000 майнеров несут ответственность за форк и реорганизацию блока.
Третье применение — изучить влияние деятельности MEV на финансовую безопасность пользователей блокчейна. Действия MEV могут фактически привести к увеличению времени ожидания загрузки транзакций пользователей блокчейна в цепочку пула транзакций или сети P2P. Это также является одной из основных угроз финансовой безопасности пользователей, вызванных деятельностью MEV. Если транзакции пользователей задерживаются в цепочке, у арбитражеров появляется больше времени для разработки более сложных и прибыльных действий MEV. Третье приложение — сравнить влияние активности MEV на время ожидания окончательной загрузки пользовательских транзакций в цепочку. Первым шагом также является сбор времени ожидания транзакции. В основном мы развертываем узлы в сети, затем записываем время, когда транзакция впервые обнаруживается в сети, время, когда транзакция наконец загружается в цепочку, и, наконец, рассчитываем время, которое ей нужно ждать. Мы используем три квартиля времени ожидания всех транзакций в каждом блоке для создания статистики, чтобы мы могли организовать время ожидания транзакций во временной ряд для каждого блока. Тогда соответствующая активность MEV в каждом блоке также характеризуется доходом, полученным майнерами в каждом блоке от пакета транзакций, содержащего новую активность MEV. Таким образом, мы получаем несколько временных рядов. Мы оцениваем влияние активности MEV на время торговли с помощью теста причинности Грейнджера.Тест причинности может определить, приводят ли колебания одного временного ряда к колебаниям в другом временном ряду, а также в каком диапазоне он влияет или вызывает колебания других временных рядов. Когда активность MEV колеблется, приводит ли это к увеличению времени ожидания транзакции пользователя и на сколько последующих блоков это повлияет?
Когда значение P теста причинности меньше или равно 0,5, это означает, что время ожидания транзакций в этом блоке продлевается под влиянием предыдущих действий MEV. По результатам анализа можно обнаружить, что при возникновении активности MEV 50% времени ожидания транзакции в следующих двух блоках будет продлено. После возникновения активности MEV время ожидания транзакции в следующих 30 блоках будет увеличено на 25 %. Майнеры или валидаторы помещают транзакции с относительно низкой комиссией за газ в конец инкапсулированного блока.
В заключение мы сначала рассказали, как найти неизвестные действия MEV с помощью рабочего процесса, а также детально проработали два модуля рабочего процесса.Затем мы проверили эффективность рабочего процесса посредством эмпирического анализа и перечислили три приложения. На данный момент мы обнаружили 17 новых действий MEV с использованием рабочих процессов.
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
Демистификация неизвестного типа MEV в пакете транзакций Ethereum
Гость: Цзыхао Ли, аспирант Гонконгского политехнического университета.
Организаторы: aididiao.eth, Foresight News.
Эта статья представляет собой краткое изложение видео, которым поделился Цзихао Ли, аспирант Гонконгского политехнического университета в рамках программы молодых ученых Web3. Программа молодых ученых Web3 запускается совместно DRK Lab, imToken и Crytape и приглашает известных молодых ученых в области шифрования поделиться некоторыми из последних результатов исследований с китайским сообществом.
Привет всем, я Цзихао Ли, аспирант третьего курса Гонконгского политехнического университета. Тема, которой я поделился сегодня, — «Раскрытие активности MEV в пакете транзакций Ethereum». Проще говоря, это то, как обнаружить неизвестные типы действий MEV в сети Ethereum с помощью пакетов транзакций. Прежде всего, я дам относительно базовое введение, такое как концепция MEV, механизм пакета транзакций и предыстория нашей работы. Затем я подробно представлю полный рабочий процесс и некоторые дизайнерские идеи, например, какие принципы проектирования используются для проектирования рабочего процесса; каковы наши наборы данных; какие инструменты мы используем для оценки нашего рабочего процесса, по каким индикаторам и т. д. Наконец, я представляю три приложения, включая соответствующие результаты эмпирического анализа.
Введение: MEV, пакет транзакций, мотивация
Деятельность MEV относится к арбитражерам в блокчейне, генерирующим арбитражные транзакции путем мониторинга сети блокчейна, включая статус блока. Некоторая информация о транзакциях распространяется в P2P-сети блокчейна, или некоторые транзакции, которые не были формально загружены в цепочку, хранятся в пуле транзакций майнеров или верификаторов.Когда арбитражер отслеживает эту информацию о транзакциях, он генерирует свою собственную с помощью некоторых стратегий. Арбитражную транзакцию, а затем указать арбитражную транзакцию на определенной позиции в следующем блоке, например, он хочет быть во главе следующего блока или, другими словами, выполнить стратегическую транзакцию сразу после определенной транзакции для распространения та же самая арбитражная торговля. Таким образом, мы можем рассматривать арбитражную деятельность на определенной позиции как деятельность MEV. Например, если арбитражер отслеживает колебания цен на активы, он может купить соответствующий актив в торговом пуле по низкой цене, а затем продать его по высокой цене в другом пуле по высокой цене. Это считается MEV-деятельностью.
В настоящее время деятельность MEA в основном осуществляется арбитражерами вокруг экологии DeFi, поскольку экология DeFi в настоящее время в основном собирает активы.На сегодняшний день экология DeFi Ethereum и других цепочек привлекла более 40 миллиардов долларов США капитала. Здесь нам нужно упомянуть концепцию экологии DeFi, называемую действием DeFi, которая соответствует операции атомарного сервиса, предоставляемой приложением DeFi.Например, мы знаем, что AMM поддерживает обмен между различными типами активов.Пользователи могут продавать USDC. , а затем получить определенное количество ETH.Такую операцию можно определить как действие DeFi. Мы можем использовать действие DeFi для выражения деятельности MEV.Например, если пользователь обнаруживает, что существует разрыв в ценах на активы на разных AMM, он может покупать дешевле, продавать дороже и, наконец, получить прибыль от разницы цен. Мы можем выразить эту деятельность MEV как два действия DeFi.
В настоящее время академические исследования деятельности MEV в основном разделены на три категории, а именно: сэндвич-атаки, обратный арбитраж и ликвидация.В наборе данных, над которым мы работаем, мы обнаружили, что эти три типа деятельности MEV встречаются более 1 миллиона раз. На самом деле здесь возникает вопрос: после того, как мы узнаем определения этих действий MEV, как определить возникновение действий. Если мы хотим идентифицировать эту деятельность MEV, нам необходимо идентифицировать всю деятельность арбитражера, например, какие транзакции генерирует арбитражер и какие типы арбитража включены в эти транзакции. Затем мы можем определить, какой тип активности MEV происходит в данный момент. ., и весь процесс во многом зависит от нашего определения известной активности MEV. Возьмем, к примеру, сэндвич-атаку. После того, как мы знаем определение сэндвич-атаки, если мы хотим определить арбитражную ценность сэндвич-атаки и соответствующих ей арбитражных транзакций, нам нужно установить множество правил, основанных на этом определении: а затем отфильтровывать потенциальные сэндвич-атаки с помощью этих правил: арбитражная стоимость и торговля. При такой идентификации известных типов атак MEV возникает два вопроса: первый вопрос: могут ли три известных нам типичных действия MEV отражать все действия MEV? Очевидно, нет, потому что экосистема DeFi постоянно развивается, постоянно разрабатываются новые приложения, и стратегии этих арбитражеров фактически постоянно совершенствуются. Второй вопрос: как мы можем обнаружить эту неизвестную деятельность MEV. Учитывая этот вопрос, давайте взглянем на механизм пакета транзакций.
Механизм пакета транзакций был впервые предложен в 2021 году. Проще говоря, пользователи могут организовать очередь транзакций. Длина этой очереди транзакций может составлять одну транзакцию или несколько транзакций, а затем пользователь отправляет эти транзакции в сеть блокчейна. Ретранслятор собирает их. транзакции и отправляет их напрямую и конфиденциально соответствующим майнерам или верификаторам. В настоящее время ретранслятор запускает пакет транзакций для выполнения задачи ретрансляции. Механизм пакета транзакций имеет очень важную особенность: когда эти пользователи создают пакет транзакций, они могут помещать транзакции других людей, которые не были загружены в цепочку, в пакет транзакций, а порядком транзакций в пакете транзакций можно управлять произвольно. . В это время пользователь торгового пакета или арбитражер, использующий торговый пакет, может разработать свои арбитражные правила. Например, он может разрабатывать более сложные и более прибыльные стратегии деятельности MEV. Если взять в качестве примера сэндвич-атаку, то если пакет транзакций не используется, арбитражеру в сэндвич-атаке необходимо сгенерировать хотя бы одну пару транзакций для достижения арбитража, и эта пара арбитражных транзакций может быть нацелена только на эту одну транзакцию. Арбитраж, генерируемый этой атакующей транзакцией, должен выполняться в определенном порядке, чтобы гарантировать возможность успешного арбитража. Но если арбитражер использует торговый пакет, он может собрать множество транзакций, которые можно подвергнуть арбитражу. Ему нужно всего лишь использовать пару соответствующих арбитражных транзакций, чтобы генерировать арбитраж для нескольких транзакций одновременно. Пока этот пакет транзакций находится в цепочке, он определенно будет успешным в арбитраже, а поскольку он арбитражирует несколько арбитражных транзакций одновременно, его результаты арбитража также более прибыльны.
Торговый пакет характеризуется очень богатой и сложной деятельностью MEV. Поскольку пользователи, использующие пакеты транзакций, инкапсулируют свои полные транзакции в пакет транзакций, затем отправляют их ретранслятору сети P2P и, наконец, соответствующим майнерам и верификаторам. Мы можем точно и полностью идентифицировать все действия с помощью пакетов транзакций. Таким образом, мы можем более точно идентифицировать некоторые неизвестные действия MEV через среду пакета транзакций.
Рабочий процесс и дизайнерские идеи
Далее давайте подробно представим наш рабочий процесс. Как нам обнаружить неизвестные действия MEV с помощью таких средств, как пакеты транзакций? Основной рабочий процесс включает в себя два инструмента.Во-первых, мы используем инструмент ActLifter для идентификации каждого действия DeFi в пакете транзакций после того, как ретранслятор собирает пакет транзакций.После получения результата мы выражаем все действия в пакете транзакций. Затем используйте инструмент ActCluster, чтобы собрать пакеты транзакций со схожими действиями вместе с помощью метода кластеризации и быстрее обнаруживать новые действия MEV по результатам кластеризации. Если мы хотим обнаружить неизвестные действия MEV, неизбежно вручную подтвердить, является ли действие MEV неизвестным типом.Конечно, цель нашей работы — максимально минимизировать ручную рабочую нагрузку и сделать весь процесс максимально плавно. Выполняется автоматически.
Уже существуют инструменты, которые могут идентифицировать активность MEV по транзакциям. Мы можем грубо разделить его на две категории: первая категория — это чисто ручные сводные правила; вторая категория — чистые эвристические правила, то есть использование чисто автоматизированных эвристических правил для идентификации конкретных типов действий MEV. Например, после того как он распознает некоторую текущую информацию о передаче, он проверяет, выполняются ли эвристические правила, и если они удовлетворены, он может идентифицировать соответствующие действия. Первый чисто ручной метод суммирования правил может обеспечить более высокую точность, поскольку этот процесс представляет собой полностью ручной анализ конкретных приложений, а затем он может гарантировать точность результатов обнаружения, но задача анализа предполагает очень большую рабочую нагрузку, поэтому она не может охватить каждое приложение DeFi. Хотя вторая задача может быть полностью автоматизирована, эвристические правила могут охватывать только некоторые конкретные типы. С другой стороны, существуют некоторые проблемы при разработке эвристического правила, что приводит к неудовлетворительной точности распознавания.
Мы разработали наш рабочий процесс, объединив преимущества двух типов методов. В настоящее время мы можем выделить десять основных действий DeFi. Нам нужно только вручную определить, какое событие в приложении DeFi соответствует какому типу действия DeFi после его инициирования, поэтому нам не нужен ручной анализ, и мы можем полностью передать его на автоматический анализ позже. Второй тип метода может полностью автоматически идентифицировать действия DeFi, но не может определить, что объект анализа связан с деятельностью MEV. Например, если мы признаем перевод SWAP, он может признать комбинацию двух совершенно несвязанных переводов действием DeFi.Естественно, результат его признания будет неверным. Но мы можем использовать эту информацию, чтобы отфильтровать информацию, которая действительно связана с действиями DeFi. Получив эту информацию, мы можем избежать некоторых ошибок, таких как метод второго типа, с помощью автоматизированных методов.
Например, здесь есть транзакция, включающая в общей сложности четыре перевода, порядок их появления, сумма и категория средств отмечены порядковыми номерами. В этом процессе AMM фактически инициировал событие, связанное с действием Swap. После того как метод первого типа определит, что событие инициировано, ему необходимо восстановить текущий контент через некоторые параметры события. Например, ему необходимо просмотреть код, бизнес-логику и некоторые функциональные переменные контракта 699, чтобы восстановить текущий контент. После того, как мы получили эту информацию, мы разработали правило, основанное на его уникальных характеристиках передачи активов. Например, мы усовершенствовали правило, заключающееся в том, что текущий контракт, управляющий DeFi, получает и передает различные типы активов. Когда мы обнаружили, что таких активов было два. передача актива соответствует таким характеристикам, мы можем восстановить соответствующее содержание действия обмена. Второй тип метода напрямую соответствует двум передачам активов. Два счета передачи активов получают и передают разные типы активов. Он будет рассматривать первый и пятый переводы как пару связанных переводов, а счет в середине будет считаться AMM. Очевидно, мы интуитивно можем видеть, что результат распознавания неточен.
Правила, которые мы суммировали с помощью ручного анализа, представляют собой типы действий DeFi, соответствующие соответствующим событиям. Хотя результаты суммируются с помощью ручного анализа, мы все же пытаемся превратить процесс ручного анализа в полуавтоматический процесс, чтобы обеспечить надежность всего нашего процесса. Мы запросим официальный веб-сайт и документацию разработчиков приложений DeFi, включая исходные коды некоторых контрактов, с официальных сайтов DeFiPulse.com и Dapp.com. Мы разрабатываем инструменты синтаксического анализа, которые могут извлекать из этих задействованных материалов некоторые описания событий в документах, например, как это событие определяется с помощью токенов и в каких функциях, фрагментах кода и комментариях кода, где эти события используются. После того, как мы извлекли эти данные, посредством ручного анализа и обсуждения, мы наконец определили, что существует 88 событий, соответствующих различным типам действий DeFi.
Мы вносим анализируемую транзакцию в этот словарь и анализируем, какие события произошли в транзакции. Затем, когда событие появляется в этом словаре, мы извлекаем ключевую информацию в соответствии с соответствующими правилами, например, какой контракт управляет этим действием DeFi, каков тип этого DeFi и какие передачи активов связаны с этим действием DeFi. После получения такого контента мы суммируем характерные правила передачи активов, а затем используем эти правила для соответствия окончательному действию DeFi. Начиная с десяти определений действия DeFi, мы резюмируем характерные правила передачи активов. После того, как мы собрали эту информацию на предыдущем шаге, мы будем использовать эти правила сопоставления для сопоставления и, наконец, поможем нам определить, какой конкретный контент произошел в том или ином DeFi в этой транзакции. После того как ActCluster распознает каждую транзакцию в пакете транзакций, мы можем выразить поведение пакета транзакций.
Давайте сначала разберемся с принципами проектирования ActCluster. Мы знаем, что ручной анализ неизбежен в этом процессе, и он должен полагаться на ручной труд, чтобы определить, является ли активность пакета транзакций неизвестным типом активности MEV. Исходя из этого, наша основная идея состоит в том, чтобы объединить транзакции со схожими действиями вместе. Для каждого кластера нам нужно только случайным образом выбрать один или несколько пакетов транзакций для анализа, что может ускорить процесс ручного анализа и в конечном итоге обнаружить различные типы действий MEA. Когда мы используем кластерный анализ для кластеризации пакетов транзакций, мы сталкиваемся с дилеммой. Когда мы устанавливаем силу кластеризации пакетов транзакций относительно грубо, пакеты транзакций, содержащие разные типы действий, будут группироваться вместе. В это время, хотя количество кластеров станет меньше, соответствующие задачи ручного анализа также станут меньше. Меньше, но есть несколько новых событий MEV, которые мы пропустим. Если мы скорректируем интенсивность кластеризации, чтобы сделать ее более детальной, хотя мы и сможем различить некоторые пакеты транзакций, соответствующие схожим, но различным действиям MEA, объем работы по ручному анализу значительно увеличится.
Основываясь на такой задаче, мы разработали метод итеративного кластерного анализа, который выполняет кластерный анализ за несколько итераций. В каждом раунде мы будем удалять известные пакеты транзакций, содержащие новые действия MEV, обнаруженные в предыдущих раундах, а затем улучшать силу кластеризации оставшихся пакетов транзакций. Мы не можем напрямую использовать традиционные методы кластеризации для кластеризации пакетов транзакций, поскольку пакеты транзакций на самом деле содержат несколько транзакций, а одна транзакция может содержать несколько действий DeFi. Если выразить весь пакет транзакций, то его структура на самом деле неоднородна и иерархична. В настоящее время мы используем метод обучения представлению, чтобы представить содержимое этого пакета транзакций в пространстве позиционирования. Преимущество использования обучения представлению состоит в том, что нам не нужно проводить углубленное изучение и понимание данных, которые мы хотим анализировать и обрабатывать, а также нам не нужны обширные знания предметной области.Нам нужно только выполнять простую обработку, ориентированную на данные.
Например, нам нужно только пометить пакет транзакций, какие действия MEV включены в пакет транзакций. Если мы знаем определение действия MEV, нам легче разработать соответствующие правила и автоматически определить, существует ли оно. Мы можем автоматически маркировать эти пакеты транзакций, чтобы они представляли обучение. Наш кластерный анализ является итеративным, и после каждой итерации мы можем обнаружить новые действия MEV. В это время мы можем фактически обогатить метки, соответствующие этим недавно обнаруженным действиям MEV, в наш процесс обучения представлению. Когда метки, используемые в нашем процессе обучения представлению, обогащаются, производительность и эффективность всего обучения модели обучения представлениям могут быть итеративно улучшены, и это обучение представлению может итеративно улучшить способность представления активности пакета транзакций. Фактически, в пакете транзакций может быть несколько транзакций, и в транзакции может быть несколько действий DeFi. Нам нужно выразить пакет транзакций. Прежде всего, для каждого типа действий DeFi мы определяем стандартизированный параметр, например, какой контракт действует, а затем какова сумма и тип полученных и переданных активов? Таким образом мы определяем каждое действие DeFi. Если мы признаем, что в транзакции присутствует несколько действий DeFi, мы представляем их с помощью блоков действий, чтобы можно было представить блок транзакции, соответствующий транзакции, включая исходную информацию о транзакции, например, кто инициировал транзакцию, и направление Кому это было отправлено? Когда в транзакции происходит действие DeFi, мы по порядку заполняем ее блоками действий. Каждая транзакция представлена блоком транзакций, и в итоге мы получаем структуру пакета транзакций, которую можно рассматривать как матрицу. После того, как этот пакет транзакций будет представлен, мы можем использовать его для обучения представлению. Каждый пакет транзакций представляет собой единую структуру, и тогда мы можем использовать модель для пакетной обработки.
Оценка эффективности
Затем поделитесь, какие методы мы использовали для оценки производительности рабочего процесса. Набор данных для всего нашего процесса анализа осуществляется через API, предоставляемый Flashbots, и собираются данные пакетов транзакций с февраля 2021 года по декабрь 2022 года, включая более 6 миллионов пакетов транзакций и 26 миллионов транзакций.
Мы разработали несколько инструментов для сравнения точности и полноты действий DeFi. Здесь следует отметить, что среди этих сетевых инструментов в настоящее время только Etherscan может восстановить действия DeFi в транзакции через свою веб-страницу и информацию, которую она предоставляет. И, как и DeFiRanger, мы воспроизводим их методы на основе их статей. Кроме того, мы разработали инструмент под названием EventLifter, чтобы попытаться восстановить действия DeFi непосредственно из событий транзакций. Мы протестировали ActLifter в разных конфигурациях и использовали различные инструменты для сравнения точности распознавания. Для ActCluster наша основная идея - использовать обучение абляции. Для новых действий, которые мы можем идентифицировать, после удаления некоторых модулей ActCluster, если мы все еще хотим идентифицировать некоторые новые действия, которые еще не были обнаружены, сколько ручного анализа нам нужно Насколько велик пакет транзакций или объем работы, связанной с нашим ручным анализом. Например, мы удалили обновление динамических меток в модуле обучения представлению ActCluster и фактически удалили весь процесс. Мы берем случайную выборку из 6 миллионов пакетов транзакций и смотрим, сколько пакетов транзакций нам нужно проанализировать вручную, чтобы обнаружить такой же объем новой активности MEV.
Наши инструменты могут достигать почти 100% точности и полноты при условии единообразной конфигурации. Но, как и другие инструменты, такие как Etherscan, хотя его точность может достигать 100%, что вполне удовлетворительно, он будет пропускать множество действий DeFi. У самого Etherscan нет метода с открытым исходным кодом. Мы предполагаем, что он может использовать ручной анализ для обобщения правил и идентификации действий DeFi. Соответственно, он будет упускать некоторые типы, которые невозможно охватить вручную. Здесь следует отметить, что Etherscan на самом деле не предоставляет автоматизированный интерфейс.Если вы хотите выполнить крупномасштабную идентификацию, вы не сможете напрямую выполнить такую задачу. Точность и полнота DeFiRanger, который полностью определяется скрытыми правилами, не является удовлетворительным. Поэкспериментировав с ActCluster, мы обнаружили, что за четыре раунда итеративного анализа нам нужно всего лишь проанализировать 2000 пакетов транзакций, чтобы найти 17 неизвестных действий MEV. После удаления некоторых из этих модулей нам, возможно, придется вручную проанализировать до 170 000 пакетов транзакций, чтобы выявить 17 только что упомянутых неизвестных действий MEV.
Эмпирический анализ и применение
Каковы конкретные применения нашего метода, позволяющего идентифицировать неизвестные типы активности MEV? Во-первых, может ли он усилить существующие меры по смягчению последствий MEV для защиты от некоторых видов деятельности MEV. Второй — использовать результаты анализа, чтобы увидеть, сможем ли мы более комплексно проанализировать влияние деятельности MEV на экологию блокчейна, включая влияние на реорганизацию блочного леса и финансовую безопасность пользователей.
Ранее мы упоминали, что злоумышленники сети MEV Boost будут использовать инструменты для получения пакетов транзакций от пользователей, а затем, наконец, распространять их среди майнеров и валидаторов, которые их подключают. Ретрансляторы будут удалять пакеты транзакций, содержащие действия MEA, из пакетов транзакций, которые они получают.Таким образом, они могут уменьшить некоторое негативное влияние действий MEA на блокчейн. Основная идея этой ссылки заключается в разработке соответствующих правил посредством определения существующих действий MEV, чтобы определить, включены ли действия MEV в пакет транзакций. Очевидно, что эти ретрансляторы не могут исключить некоторые пакеты транзакций, содержащие неизвестные действия MEV. На основе нашего рабочего процесса мы разработали инструмент MEVHunter, который может обнаруживать новые типы действий MEV, обнаруженные нами в пакете транзакций.
Результаты обнаружения показывают, что более 1 миллиона пакетов транзакций содержат действия MEV обратного арбитража, а 30% из остальных 6 миллионов пакетов транзакций содержат три известных действия MEV. Что касается наших недавно обнаруженных действий MEV, мы обнаружили, что почти половина пакетов транзакций содержала только эти новые действия MEV. Если ретранслятор использует инструмент MEVHunter, он может помочь им отфильтровать 3 миллиона пакетов транзакций, содержащих действия MEV, а затем удалить эти пакеты транзакций, чтобы уменьшить негативное влияние действий MEV на блокчейн.
Второе применение заключается в том, что мы исследуем влияние новых действий MEV на разветвления и реорганизации блокчейна. В некоторых предыдущих исследованиях сообщалось, что некоторые финансовые майнеры будут мотивированы преимуществами некоторых видов деятельности MEV, чтобы разветвить и реорганизовать текущий блокчейн, самостоятельно осуществлять деятельность MEV и пользоваться преимуществами. Например, когда доход от активности MEV блока в 4 раза превышает вознаграждение за блок, не менее 10% майнеров произведут форк и реорганизуют блок.
Сначала мы определяем, какие пакеты транзакций содержат новые действия MEV, на основе только что упомянутого инструмента MEVHunter, а затем используем доходы майнеров в этих пакетах транзакций, чтобы оценить соответствующую интенсивность этих действий MEV. Здесь необходимо ввести концепцию: в механизме пакетов транзакций, чтобы гарантировать, что их пакеты арбитражных транзакций могут быть помещены в цепочку, эти арбитражеры обычно делятся частью дохода от деятельности MEV с майнерами, и тогда майнеры в конечном итоге выберите пакет транзакций с наибольшей доходностью для включения в цепочку. Мы можем использовать этот доход для единой оценки активности MEV в каждом пакете транзакций. Согласно нашим статистическим результатам, мы обнаружили, что существует более 900 блоков с вознаграждением MEV, в четыре-восемь раз превышающим вознаграждение за блок.Кроме того, вознаграждение MEV за один блок даже более чем в 700 раз превышает вознаграждение за блок. Мы используем структуру принятия решений по Маркову, чтобы определить минимальное количество майнеров, которые могут быть мотивированы на выполнение форков и реорганизаций блоков при наличии дохода MEV. Наконец мы обнаружили, что существует более 1000 блоков, которые могут мотивировать не менее 10% майнеров на форк и реорганизацию блоков. Для самого серьезного блока не менее 6 из 10 000 майнеров несут ответственность за форк и реорганизацию блока.
Третье применение — изучить влияние деятельности MEV на финансовую безопасность пользователей блокчейна. Действия MEV могут фактически привести к увеличению времени ожидания загрузки транзакций пользователей блокчейна в цепочку пула транзакций или сети P2P. Это также является одной из основных угроз финансовой безопасности пользователей, вызванных деятельностью MEV. Если транзакции пользователей задерживаются в цепочке, у арбитражеров появляется больше времени для разработки более сложных и прибыльных действий MEV. Третье приложение — сравнить влияние активности MEV на время ожидания окончательной загрузки пользовательских транзакций в цепочку. Первым шагом также является сбор времени ожидания транзакции. В основном мы развертываем узлы в сети, затем записываем время, когда транзакция впервые обнаруживается в сети, время, когда транзакция наконец загружается в цепочку, и, наконец, рассчитываем время, которое ей нужно ждать. Мы используем три квартиля времени ожидания всех транзакций в каждом блоке для создания статистики, чтобы мы могли организовать время ожидания транзакций во временной ряд для каждого блока. Тогда соответствующая активность MEV в каждом блоке также характеризуется доходом, полученным майнерами в каждом блоке от пакета транзакций, содержащего новую активность MEV. Таким образом, мы получаем несколько временных рядов. Мы оцениваем влияние активности MEV на время торговли с помощью теста причинности Грейнджера.Тест причинности может определить, приводят ли колебания одного временного ряда к колебаниям в другом временном ряду, а также в каком диапазоне он влияет или вызывает колебания других временных рядов. Когда активность MEV колеблется, приводит ли это к увеличению времени ожидания транзакции пользователя и на сколько последующих блоков это повлияет?
Когда значение P теста причинности меньше или равно 0,5, это означает, что время ожидания транзакций в этом блоке продлевается под влиянием предыдущих действий MEV. По результатам анализа можно обнаружить, что при возникновении активности MEV 50% времени ожидания транзакции в следующих двух блоках будет продлено. После возникновения активности MEV время ожидания транзакции в следующих 30 блоках будет увеличено на 25 %. Майнеры или валидаторы помещают транзакции с относительно низкой комиссией за газ в конец инкапсулированного блока.
В заключение мы сначала рассказали, как найти неизвестные действия MEV с помощью рабочего процесса, а также детально проработали два модуля рабочего процесса.Затем мы проверили эффективность рабочего процесса посредством эмпирического анализа и перечислили три приложения. На данный момент мы обнаружили 17 новых действий MEV с использованием рабочих процессов.