Konuk: Zihao Li, Hong Kong Politeknik Üniversitesi'nde doktora öğrencisi
Düzenleyen: aididiao.eth, Öngörü Haberleri
Bu makale, Hong Kong Politeknik Üniversitesi'nde Web3 Young Scholars Programında doktora öğrencisi olan Zihao Li tarafından paylaşılan metinlerin bir derlemesidir. Web3 Genç Akademisyenler Programı, DRK Lab, imToken ve Crytape tarafından ortaklaşa başlatılıyor ve şifreleme alanında tanınmış genç akademisyenleri, en son araştırma sonuçlarından bazılarını Çin topluluğuyla paylaşmaya davet edecek.
Herkese merhaba ben Zihao Li, Hong Kong Polytechnic Üniversitesi 3. sınıf doktora öğrencisiyim.Bugün paylaşacağım konu "Ethereum İşlem Paketindeki MEV Aktivitelerinin Ortaya Çıkarılması". Basitçe söylemek gerekirse, Ethereum ağındaki bilinmeyen türdeki MEV etkinliklerinin işlem paketleri aracılığıyla nasıl keşfedileceğidir. Öncelikle MEV kavramı, işlem paketi mekanizması ve çalışmalarımızın arka planı gibi nispeten temel bir arka plan tanıtımı yapacağım. Daha sonra iş akışının tamamını ve iş akışının hangi tasarım ilkelerine göre tasarlandığı, veri setlerimizin neler olduğu, iş akışımızı hangi göstergelere göre değerlendirmek için hangi araçları kullandığımız gibi bazı tasarım fikirlerini ayrıntılı olarak tanıtacağım. Son olarak ilgili ampirik analiz sonuçlarını içeren üç uygulamayı tanıtacağım.
Arka plan tanıtımı: MEV, işlem paketi, motivasyon
MEV etkinliği, blok zincirindeki arbitrajcıların, blok durumu da dahil olmak üzere blok zinciri ağını izleyerek arbitraj işlemleri oluşturması anlamına gelir. Bazı işlem bilgileri blockchain P2P ağına yayılır veya zincire resmi olarak yüklenmemiş bazı işlemler madencilerin veya doğrulayıcıların işlem havuzunda saklanır.Arbitrajcı bu işlem bilgilerini izlerken bazı stratejiler aracılığıyla kendi işlem bilgilerini oluşturur. Arbitraj işlemini yapıp ardından bir sonraki blokta belli bir pozisyondaki arbitraj işlemini belirliyor, örneğin bir sonraki bloğun başında olmak istiyor veya başka bir deyişle belli bir işlemin hemen ardından yaymak için stratejik bir işlem gerçekleştiriyor aynı arbitraj ticareti. Bu şekilde belirli bir lokasyondaki arbitraj faaliyetlerini belirtmek için bunu MEV faaliyetleri olarak değerlendirebiliriz. Örneğin, bir arbitrajcı varlık fiyatlarındaki dalgalanmaları izliyorsa, ilgili varlığı bir işlem havuzundan düşük fiyatla alıp, daha sonra başka bir havuzda yüksek fiyattan yüksek fiyattan satabilir ve bu bir MEV faaliyeti olarak kabul edilir.
MEA faaliyetleri şu anda çoğunlukla DeFi ekosistemi etrafındaki arbitrajcılar tarafından yürütülüyor, çünkü DeFi ekosistemi şu anda esas olarak varlıkları topluyor.Şu ana kadar, diğer zincir DeFi ekosistemleri de dahil olmak üzere Ethereum, 40 milyar dolardan fazla fon çekti. Burada, DeFi uygulaması tarafından sağlanan atomik hizmet operasyonuna karşılık gelen, DeFi eylemi adı verilen, DeFi ekosistemiyle ilgili bir kavramdan bahsetmemiz gerekiyor. Örneğin, AMM'nin farklı varlık türleri arasındaki alışverişi desteklediğini ve kullanıcıların belirli bir miktarda varlık satabildiğini biliyoruz. USDC ve ardından bir miktar ETH elde edin, böyle bir işlem DeFi eylemi olarak tanımlanabilir. MEV faaliyetlerini temsil etmek için DeFi eylemlerini kullanabiliriz. Örneğin, bir kullanıcı farklı AMM'lerdeki varlık fiyatlarında bir boşluk tespit ederse, kullanıcı düşük fiyattan alıp yüksek fiyata satarak sonuçta fiyat farkından kar elde edebilir. Bu MEV etkinliğini iki DeFi eylemi olarak ifade edebiliriz.
Şu anda MEV faaliyetlerine ilişkin akademik araştırmalar esas olarak sandviç saldırıları, ters arbitraj ve tasfiye olmak üzere üç kategoriye ayrılıyor.Çalıştığımız veri setinde bu üç MEV faaliyetinin 1 milyondan fazla kez gerçekleştiğini tespit ettik. Aslında burada bir sorun var, bu MEV aktivitelerinin tanımını, aktivitelerin oluşum durumlarını nasıl tespit edeceğimizi öğrendikten sonra. Bu MEV faaliyetlerini tanımlamak istiyorsak, arbitrajcıların hangi işlemler ürettiği, bu işlemlerde ne tür arbitrajlar olduğu gibi arbitrajcıların tüm faaliyetlerini tanımlamamız gerekir ve daha sonra şu anda hangi tür MEV etkinliğinin gerçekleştiğini belirleyebiliriz, ve tüm süreç büyük ölçüde bilinen MEV aktivitesi tanımımıza dayanıyor. Örnek olarak sandviç saldırısını ele alalım.Sandviç saldırısının tanımını öğrendikten sonra, sandviç saldırısının arbitraj değerini ve buna karşılık gelen arbitraj işlemini belirlememiz gerekiyor.Tanıma dayalı olarak birçok kural belirlememiz gerekiyor ve ardından Bu kurallar arbitraj değerleri ve işlemleri aracılığıyla aday sandviç saldırılarını filtreleyin. Bilinen MEV saldırı türlerini bu şekilde belirlerken iki soru ortaya çıkacaktır: İlk soru, bildiğimiz üç ortak MEV aktivitesinin tüm MEV aktivitelerini temsil edip edemeyeceğidir. Açıkçası hayır, çünkü DeFi ekosistemi gelişiyor, yeni uygulamalar geliştiriliyor ve bu arbitrajcıların stratejileri aslında yineleniyor. İkinci soru ise bu bilinmeyen MEV aktivitelerini nasıl keşfedebileceğimizdir. Bu soruyu aklımızda tutarak işlem paketi mekanizmasına bir göz atalım.
İşlem paketi mekanizması ilk olarak 2021 yılında önerildi. Basitçe söylemek gerekirse, kullanıcılar işlem kuyruklarını düzenleyebilir. Bu işlem kuyruğunun uzunluğu bir işlem veya birkaç işlem olabilir ve daha sonra kullanıcılar bu işlemleri blockchain ağına gönderir. Aktarıcı bu işlemleri toplar ve bunları doğrudan ve özel olarak ilgili madencilere veya doğrulayıcılara gönderir. Şu anda aktarıcı, aktarma görevini üstlenmek için işlem paketini çalıştıracaktır. İşlem paketi mekanizmasının çok önemli bir özelliği var: Bu kullanıcılar bir işlem paketi oluşturduklarında, başkalarının henüz zincire yüklemediği işlemleri bir işlem paketine koyabiliyor ve işlem paketindeki işlemlerin sırası keyfi olarak değiştirilebiliyor. . Şu anda, işlem paketinin kullanıcısı veya işlem paketini kullanan arbitrajcı, kendi arbitraj kurallarını tasarlayabilir. Örneğin daha karmaşık ve daha karlı MEV faaliyet stratejileri tasarlayabilir. Sandviç saldırısını örnek alırsak, eğer herhangi bir işlem paketi kullanılmıyorsa, sandviç saldırısında arbitrajcının arbitrajı gerçekleştirmek için en az bir işlem çifti oluşturması gerekir ve bu arbitraj işlem çifti yalnızca bu işlemi hedefleyebilir. Bu saldırı işlemi tarafından oluşturulan arbitrajın, başarılı bir şekilde arbitrajlanabilmesini sağlamak için belirli bir sırayla yürütülmesi gerekir. Ancak bir arbitrajcı işlem paketini kullanıyorsa, arbitraj yapılabilecek birçok işlemi toplayabilir ve aynı anda birden fazla işlemde arbitraj oluşturmak için yalnızca karşılık gelen bir arbitraj işlemi çiftini kullanması gerekir. Bu işlem paketi zincirde olduğu sürece arbitrajda kesinlikle başarılı olacaktır ve birden fazla arbitraj yapılabilir işlemi aynı anda arbitraj yaptığı için arbitraj sonucu da daha karlı olur.
İşlem paketleri çok zengin ve karmaşık MEV faaliyetleriyle karakterize edilir. Çünkü işlem paketini kullanan kullanıcı, işleminin tamamını işlem paketinde kapsüller, ardından bunu P2P ağının aktarıcısına ve son olarak da ilgili madencilere ve doğrulayıcılara gönderir. İşlem paketi aracılığıyla tüm faaliyetleri doğru ve eksiksiz olarak tanımlayabiliyoruz. Bu nedenle, bazı bilinmeyen MEV aktivitelerini işlem paketi ortamı aracılığıyla daha doğru bir şekilde tanımlayabiliriz.
İş akışı ve tasarım fikirleri
Daha sonra iş akışımızı ayrıntılı olarak tanıtacağız. Bilinmeyen MEV aktivitelerini işlem paketleri gibi bir ortam aracılığıyla nasıl keşfederiz? Temel iş akışı iki araç içerir. İlk olarak, aktarıcı işlem paketini topladıktan sonra işlem paketindeki her DeFi eylemini tanımlamak için ActLifter aracını kullanıyoruz. Sonucu aldıktan sonra, işlem paketindeki tüm eylemlerin ortaya çıktığını ifade ediyoruz. Daha sonra ActCluster aracını kullanarak benzer aktivitelere sahip işlem paketlerini kümeleme yöntemiyle bir araya toplayın ve kümeleme sonuçları aracılığıyla yeni MEV aktivitelerini daha hızlı keşfedin. Bilinmeyen MEV aktivitelerini keşfetmek istiyorsak MEV aktivitesinin bilinmeyen bir tür olup olmadığını manuel olarak doğrulamak kaçınılmazdır.Tabi ki iş tasarımımızın amacı manuel iş yükünü mümkün olduğunca en aza indirgemek ve tüm süreci daha verimli hale getirmektir. mümkün olduğu kadar düzgün ve otomatik olarak gerçekleştirilir.
İşlemlerden MEV etkinliğini tanımlayabilen araçlar zaten mevcut. Kabaca iki kategoriye ayırabiliriz: İlk kategori tamamen manuel özet kurallarıdır; ikinci kategori ise tamamen buluşsal kurallardır, yani belirli MEV aktivite türlerini tanımlamak için tamamen otomatikleştirilmiş bir buluşsal kural kullanmaktır. Örneğin, bazı güncel transfer bilgilerini tanımladıktan sonra, buluşsal kuralların karşılanıp karşılanmadığını kontrol eder ve eğer öyleyse, karşılık gelen aktiviteyi tanımlayabilir. Kuralların tamamen manuel olarak özetlendiği ilk yöntem nispeten iyi bir doğruluk elde edebilir, çünkü bu süreç belirli uygulamaların tamamen manuel olarak analiz edilmesidir ve daha sonra tespit sonuçlarının doğru olmasını sağlayabilir, ancak analiz görevi çok büyük bir iş yükü gerektirir, bu nedenle her DeFi uygulamasını kapsayamaz. İkinci iş saf otomasyona ulaşabilse de buluşsal kurallar yalnızca bazı belirli türleri kapsayabilir. Öte yandan, buluşsal kuralın tasarımında yetersiz tanıma doğruluğuna yol açan bazı problemler vardır.
Her iki yöntemin avantajlarını birleştirerek iş akışımızı tasarladık. Şu anda on önemli DeFi eylemini tanımlayabiliriz. DeFi uygulamasında hangi olayın hangi tür DeFi aksiyonuna karşılık geldiğini başlattıktan sonra manuel olarak belirlememiz yeterli oluyor, böylece manuel analize ihtiyaç duymuyor, tamamen otomatik analize bırakabiliyoruz. İkinci tür yöntem ise DeFi eylemlerini tamamen otomatik olarak tanımlayabiliyor ancak analiz edilen nesnenin MEV faaliyetleriyle ilişkili olup olmadığını belirleyemiyor. Örneğin bir SWAP aktarımını tanımlarsak, tamamen ilgisiz iki aktarım kombinasyonunu tek bir DeFi eylemi olarak tanımlayabilir, doğal olarak tanımlamanın sonucu yanlış olacaktır. Ancak bu bilgileri, gerçekten DeFi eylemleriyle ilgili bilgileri filtrelemek için kullanabiliriz. Bu bilgiyi aldıktan sonra ikinci tip yöntemde meydana gelen bazı hataların önüne otomatik yöntemlerle geçebiliriz.
Örneğin burada toplam dört transfer içeren bir işlem var ve bunların gerçekleşme sırası, fon miktarı ve türü seri numaraları ile işaretlenmiş. Bu süreçte AMM aslında Swap eylemiyle ilgili bir olayı başlatıyor. İlk yöntem, olayın başlatıldığını belirledikten sonra, olayın bazı parametreleri aracılığıyla mevcut içeriği geri yüklemesi gerekir. Örneğin mevcut içeriği geri yüklemek için 699 sözleşmesinin koduna, iş mantığına ve bazı fonksiyon değişkenlerine bakması gerekiyor. Bu bilgiyi elde ettikten sonra, kendine özgü varlık aktarım özelliklerine dayalı bir kural tasarladık. Örneğin, geliştirdiğimiz kural, DeFi'yi işleten mevcut sözleşmenin farklı türde varlıkları alması ve aktarmasıydı. Böyle iki tane olduğunu tespit ettiğimizde varlık aktarımının bu özelliklere uyması durumunda ilgili Takas işlemi içeriğini geri yükleyebiliriz. İkinci tür yöntem, iki varlık transferini doğrudan eşleştirmektir.İki varlık transfer hesabı, farklı türde varlıkları alır ve aktarır. Birinci ve beşinci transferleri bir çift ilgili transfer olarak değerlendirecek ve ortadaki hesabı bir AMM olarak değerlendirecektir.Açıkçası, tanıma sonucunun hatalı olduğunu sezgisel olarak görebiliriz.
Manuel analiz yoluyla özetlediğimiz kurallar, ilgili olaylara karşılık gelen DeFi eylem türleridir.Sonuçlar manuel analiz yoluyla özetlense de, tüm Süreç güvenilirliğimizi sağlamak için yine de manuel analiz sürecini yarı otomatik bir süreç haline getirmeye çalışıyoruz. Bazı sözleşme kaynak kodları da dahil olmak üzere DeFi uygulamalarının resmi web sitesini ve geliştirici belgelerini DeFiPulse.com ve Dapp.com'un resmi web sitelerinden sorgulayacağız. Bu olayın belirteçlerle nasıl tanımlandığı ve bu olayların hangi işlevlerde, kod parçacıklarında ve kod yorumlarında kullanıldığı gibi, belgelerdeki olayların bazı açıklamalarını bu ilgili materyallerden çıkarabilen ayrıştırma araçları geliştiriyoruz. Bunları çıkardıktan sonra, manuel analiz ve tartışmamız sonucunda, farklı türdeki DeFi eylemlerine karşılık gelen 88 olayın olduğunu belirledik.
Analiz edilecek işlemi bu sözlüğe giriyoruz ve işlemde hangi olayların gerçekleştiğini analiz ediyoruz. Daha sonra etkinlik bu sözlükte göründüğünde, bu DeFi eylemini hangi sözleşmenin yürüttüğü, ne tür bir DeFi olduğu ve bu DeFi eylemiyle hangi varlık transferlerinin ilişkili olduğu gibi ilgili kurallara göre önemli bilgileri çıkarırız. Bu tür içerikleri aldıktan sonra varlık transferinin karakteristik kurallarını özetleyeceğiz ve ardından bu kuralları nihai DeFi eylemine uyacak şekilde kullanacağız. On DeFi eyleminin tanımından başladık ve varlık transferinin karakteristik kurallarını özetledik. Önceki adımda bu bilgileri topladıktan sonra, eşleştirmeyi gerçekleştirmek için bu eşleştirme kurallarını kullanacağız ve bu, sonuç olarak bu işlemde hangi spesifik DeFi içeriğinin meydana geldiğini belirlememize yardımcı olacaktır. ActCluster, işlem paketindeki her işlemi tanımladıktan sonra işlem paketinin davranışını ifade edebiliriz.
Öncelikle ActCluster tasarım ilkelerini anlayalım. Bu süreçte manuel analizin kaçınılmaz olduğunu ve işlem paketinin etkinliğinin bilinmeyen türde bir MEV etkinliği olup olmadığını belirlemek için manuel emeğe dayanması gerektiğini biliyoruz. Buradan hareketle temel düşüncemiz benzer faaliyetlere sahip bazı işlem paketlerini bir arada kümelemektir. Her küme için, analiz için yalnızca bir veya daha fazla işlem paketini rastgele örneklememiz gerekiyor; bu, manuel analiz sürecini hızlandırabilir ve son olarak farklı türdeki MEA etkinliklerini keşfedebilir. İşlem paketlerini kümelemek için küme analizini kullandığımızda bir ikilemle karşı karşıya kalırız. İşlem paketlerinin kümelenme gücünü göreceli olarak kaba bir şekilde ayarladığımızda, farklı türdeki faaliyetleri içeren işlem paketleri bir arada kümelenecektir. Şu anda küme sayısı azalsa da karşılık gelen manuel analiz görevleri de değiştirilmiştir. Daha az, ancak bazı yeniler MEV etkinlikleri kaçırılacak. Kümelemenin yoğunluğuna ince ayar yaparsak, benzer ancak farklı MEA faaliyetlerine karşılık gelen bazı işlem paketlerini ayırt edebilsek de, ilgili manuel analizin iş yükü büyük ölçüde artacaktır.
Böyle bir sorundan yola çıkarak, küme analizini birden çok turda yinelemeli olarak gerçekleştiren yinelemeli bir küme analizi yöntemi tasarladık. Her turda, önceki turlarda bulunan bilinen yeni MEV aktivitelerini içeren işlem paketlerini ortadan kaldıracağız ve ardından geri kalan işlem paketlerinin kümelenme gücünü artıracağız. İşlem paketlerini kümelemek için geleneksel kümeleme yöntemlerini doğrudan kullanamıyoruz çünkü işlem paketleri aslında birden fazla işlem içeriyor ve bir işlem birden fazla DeFi eylemi içerebiliyor. İşlem paketinin tamamını temsil edersek aslında yapısı heterojen ve hiyerarşiktir. Şu anda işlem paketinin içeriğini bir konumlandırma alanına temsil etmek için temsil öğrenme yöntemini kullandık. Temsil öğrenmeyi kullanmanın avantajı, analiz etmek ve işlemek istediğimiz verileri derinlemesine öğrenmemize ve anlamamıza gerek olmaması ve çok fazla alan bilgisine ihtiyacımız olmamasıdır. Yalnızca veri odaklı işleme yapmamız yeterlidir. .
Örneğin, işlem paketine hangi MEV aktivitelerinin dahil olduğunu işaretlemek için yalnızca işlem paketini etiketlememiz yeterlidir. Bir MEV aktivitesinin tanımını biliyorsak, onun var olup olmadığını otomatik olarak tespit edebilen ilgili kuralları tasarlamamız bizim için nispeten kolaydır. Temsil öğrenimi için bu işlem paketlerini otomatik olarak etiketleyebiliriz. Küme analizimiz yinelemeli bir türdür ve her yinelemeden sonra yeni MEV etkinlikleri keşfedebiliriz.Şu anda, aslında bu yeni keşfedilen MEV etkinliklerine karşılık gelen etiketleri temsil öğrenme sürecimize zenginleştirebiliyoruz. Temsil öğrenme sürecimizde kullanılan etiketler zenginleştirildiğinde, tüm temsil öğrenme modeli eğitiminin performansı ve verimliliği yinelemeli olarak geliştirilebilir ve bu temsil öğrenmenin işlem paketinin aktivitelerini ifade etme yeteneği de yinelemeli olarak geliştirilebilir. Bir işlem paketinde aslında birden fazla işlem olabileceği gibi, bir işlemde de aslında birden fazla DeFi eylemi olabilir.İşlem paketi ihtiyaçlarını belirtmemiz gerekiyor. İlk olarak, her DeFi eylemi türü için, hangi sözleşmenin yürürlükte olduğu ve alınan ve aktarılan varlıkların miktarı ve türü gibi standartlaştırılmış bir parametre tanımlarız. Her DeFi eylemini bu şekilde tanımlıyoruz. Bir işlemde birden fazla DeFi eylemi olduğunu tespit edersek bunları eylem blokları olarak temsil ederiz, böylece işleme karşılık gelen işlem bloğu temsil edilebilir; bu blok, işlemi kimin başlattığı gibi işlemin kaynak bilgilerini içerir ve Yönlendirme Kime gönderildi? Bir işlemde bir DeFi eylemi gerçekleştiğinde, bunu sırasıyla eylem bloklarıyla dolduracağız. Bu işlemlerin her biri bir işlem bloğu ile temsil ediliyor ve son olarak işlem paketinin matris olarak kabul edilebilecek yapısını elde ediyoruz. İşlem paketi temsil edildikten sonra onu temsil öğrenimi için kullanabiliriz. Her işlem paketi birleşik bir yapıdır ve daha sonra modeli toplu işleme için kullanabiliriz.
Performans değerlendirmesi
Daha sonra iş akışı performansını değerlendirmek için hangi yöntemleri kullandığımızı paylaşın. Tüm analiz sürecimize ait veri seti, Flashbots tarafından sağlanan API üzerinden sağlanmakta olup, Şubat 2021'den Aralık 2022'ye kadar 6 milyondan fazla işlem paketi ve 26 milyondan fazla işlem içeren işlem paketi verileri toplanmıştır.
DeFi eylemlerinin doğruluğunu ve eksiksizliğini karşılaştırmak için bazı araçlar tasarladık. Burada şunu da belirtmek gerekir ki, bu zincir üstü araçlar arasında şu anda yalnızca Etherscan, web sayfası ve sağladığı bilgiler aracılığıyla işlemdeki DeFi eylemini geri yükleyebilmektedir. Ve DeFiRanger gibi biz de onların yöntemlerini makalelerine dayanarak yeniden üretiyoruz. Ayrıca DeFi eylemlerini doğrudan işlem olaylarından kurtarmayı denemek için EventLifter adında bir araç tasarladık. ActLifter'ı farklı konfigürasyonlar altında test ettik ve tanıma doğruluğunu karşılaştırmak için çeşitli araçlar kullandık. ActCluster için ana fikrimiz ablasyon öğrenme yöntemini benimsemektir.Tanımlanabilen yeni aktiviteler için ActCluster'ın bazı modüllerinin ablasyonundan sonra, eğer bulunamayan bazı yeni aktiviteleri tanımlamak istiyorsak, bunu ne kadar yapmamız gerekir? Manuel analiz yapmamız mı gerekiyor İşlem paketiniz veya manuel analizimizin iş yükü ne kadar büyük? Örneğin, ActCluster gösterimi öğrenme modülünde dinamik etiket güncellemesinin çıkarılmasını yaptık ve aslında tüm süreci ortadan kaldırdık. 6 milyon işlem paketinden rastgele bir örnek alıyoruz ve aynı miktarda yeni MEV etkinliğini keşfetmek için kaç işlem paketini manuel olarak analiz etmemiz gerektiğini görüyoruz.
Araçlarımız, eşit şekilde yapılandırıldığında %100'e yakın doğruluk ve tamlık elde edebilir. Ancak Etherscan gibi diğer araçlar gibi doğruluğu %100'e ulaşabilse de ki bu oldukça tatmin edicidir, birçok DeFi eylemini kaçıracaktır. Etherscan'in kendisi açık kaynaklı bir yönteme sahip değil. DeFi eylemlerini belirlemek amacıyla kuralları özetlemek için manuel analiz kullanabileceğini tahmin ediyoruz. Bu nedenle, manuel olarak ele alınamayan bazı türleri kaçıracaktır. Burada şunu belirtelim ki Etherscan aslında otomatikleştirilmiş bir arayüz sunmuyor, eğer büyük ölçekli tanımlama yapmak istiyorsanız böyle bir görevi doğrudan tamamlayamazsınız. Tamamen gizli kural tanımlamayı kullanan DeFiRanger, doğruluk ve eksiksizlik açısından yetersizdir. ActCluster'ı denedikten sonra, dört tur yinelemeli analiz yoluyla, 17 bilinmeyen MEV etkinliğini bulmak için yalnızca toplam 2.000 işlem paketini analiz etmemiz gerektiğini gördük. Bu modüllerden bazılarını çıkardıktan sonra, az önce bahsedilen 17 bilinmeyen MEV etkinliğini belirlemek için 170.000'e kadar işlem paketini manuel olarak analiz etmemiz gerekebilir.
Ampirik analiz ve uygulama
Bilinmeyen MEV aktivitesi türlerini tanımlama yöntemimizin spesifik uygulamaları nelerdir? Birincisi, mevcut MEV azaltım önlemlerini geliştirip geliştiremeyeceği ve bazı MEV faaliyetlerine karşı savunma yapıp yapamayacağıdır. İkincisi, blok ormanının çatallanması ve yeniden düzenlenmesi ve kullanıcı finansal güvenliği üzerindeki etki de dahil olmak üzere, MEV faaliyetlerinin blockchain ekolojisi üzerindeki etkisini daha kapsamlı bir şekilde analiz edip edemeyeceğimizi görmek için analiz sonuçlarını kullanmaktır.
MEV boost ağ saldırganlarının kullanıcılardan işlem paketleri almak için araçlar çalıştıracağını ve daha sonra bunları, onları bağlayan madencilere ve doğrulayıcılara dağıtacağını daha önce belirtmiştik. Aktarıcılar, MEA aktivitelerini içeren işlem paketlerini aldıkları işlem paketlerinden çıkaracak ve böylece MEA aktivitelerinin blockchain üzerindeki bazı olumsuz etkilerini azaltabilecekler. Bu bağlantının ana fikri, işlem paketinin MEV aktiviteleri içerip içermediğini tespit etmek için mevcut MEV aktivitelerinin tanımı yoluyla ilgili kuralları tasarlamaktır. Açıkçası bu aktarıcılar, bilinmeyen MEV etkinlikleri içeren bazı işlem paketlerini hariç tutamazlar. İş akışımıza dayanarak, işlem paketinden tespit ettiğimiz yeni tip MEV aktivitesini tespit edebilen bir MEVHunter aracı tasarladık.
Tespit sonuçları, 1 milyondan fazla işlem paketinin ters arbitraj MEV faaliyeti içerdiğini, diğer 6 milyon işlem paketinin %30'unun ise bilinen üç MEV faaliyeti içerdiğini göstermektedir. Yeni keşfedilen MEV faaliyetlerimiz için işlem paketlerinin neredeyse yarısının yalnızca bu yeni MEV faaliyetlerini içerdiğini gördük. Aktarıcılar MEVHunter aracını kullanırsa, MEV aktivitelerini içeren 3 milyon işlem paketini filtrelemelerine yardımcı olabilir ve daha sonra MEV aktivitelerinin blockchain üzerindeki olumsuz etkisini azaltmak için bu işlem paketlerini ortadan kaldırmayı seçebilirler.
İkinci uygulama ise yeni MEV aktivitelerinin blockchain çatalları ve yeniden organizasyonları üzerindeki etkisini araştırmamızdır. Önceki çalışmalardan bazıları, bazı finansal madencilerin bazı MEV etkinliklerinin yararları ile mevcut blok zincirini çatallamak ve yeniden düzenlemek, MEV etkinliklerini kendileri yürütmek ve avantajlardan yararlanmak için motive olacağını bildirmişti. Örneğin, bir bloğun MEV faaliyetinden elde edilen gelir, blok ödülünün 4 katı olduğunda, madencilerin en az %10'u bloğu çatallayacak ve yeniden düzenleyecektir.
Öncelikle yukarıda bahsedilen MEVHunter aracına dayanarak hangi işlem paketlerinin yeni MEV faaliyetlerini içerdiğini belirliyoruz ve ardından bu MEV faaliyetlerinin karşılık gelen yoğunluğunu tahmin etmek için bu işlem paketlerindeki madencilerin gelirini kullanıyoruz. Burada bir kavramın devreye sokulması gerekiyor: İşlem paketi mekanizmasında, arbitraj işlem paketlerinin zincire konulabilmesini sağlamak için, bu arbitrajcılar genellikle MEV faaliyetlerinden elde edilen gelirin bir kısmını madencilerle paylaşırlar ve daha sonra madenciler en sonunda Zincire konulacak en yüksek getiriye sahip işlem paketini seçin. Bu geliri, her işlem paketindeki MEV faaliyetlerini eşit şekilde tahmin etmek için kullanabiliriz. İstatistiksel sonuçlarımıza göre, blok ödülünün dört ila sekiz katı MEV ödülüne sahip 900'den fazla blok var.Ayrıca bir bloğun MEV ödülü, blok ödülünün 700 katından bile fazla. MEV avantajı göz önüne alındığında blok çatallarını ve yeniden düzenlemeleri teşvik edebilecek minimum madenci sayısını belirlemek için Markov karar çerçevesini kullanıyoruz. Sonunda 1000'den fazla bloğun madencilerin en az %10'unu blok çatalları ve yeniden organizasyonlar yapmaya motive edebildiğini gördük. Ve en ciddi blokta olduğu gibi, blok çatalları ve yeniden organizasyonlar yapacak en az 6/10.000 madenci var.
Üçüncü uygulama ise MEV faaliyetlerinin blockchain kullanıcılarının finansal güvenliği üzerindeki etkisini araştırmaktır. MEV faaliyetleri aslında blockchain kullanıcılarının işlemlerinin işlem havuzundaki veya P2P ağındaki zincire yüklenmesi için bekleme süresinin uzamasına neden olabiliyor ve bu durum aynı zamanda MEV faaliyetleri nedeniyle kullanıcıların finansal güvenliğine yönelik ana tehditlerden biri. Kullanıcıların işlemleri zincirde ertelenirse, arbitrajcılar daha karmaşık ve daha karlı MEV faaliyetleri tasarlamak için daha fazla zamana sahip olabilir. Üçüncü uygulama, MEV aktivitesinin, kullanıcı işlemlerinin nihai olarak zincire yüklenmesi için bekleme süresi üzerindeki etkisini karşılaştırmaktır. İlk adım, işlemin bekleme süresini toplamaktır. Esas olarak düğümleri ağ üzerinde konuşlandırıyoruz, ardından işlemin ağda ilk keşfedildiği zamanı, işlemin en sonunda zincire yüklendiği zamanı kaydediyor ve son olarak beklemesi gereken süreyi hesaplıyoruz. İstatistik yapmak için her bloktaki tüm işlemlerin bekleme sürelerinin üç çeyreğini kullanırız, böylece işlemlerin bekleme sürelerini blok başına bir zaman serisi halinde düzenleyebiliriz. Daha sonra her bloktaki karşılık gelen MEV aktivitesi, her bloktaki madencilerin yeni MEV aktivitesini içeren işlem paketinden elde ettiği gelirle de karakterize edilir.Böylece birden fazla zaman serisi elde ederiz. MEV aktivitesinin işlem süresi üzerindeki etkisini Granger nedensellik testi ile değerlendiriyoruz.Nedensellik testi, bir zaman serisindeki dalgalanmaların başka bir zaman serisinde dalgalanmaya neden olup olmadığını, hangi aralıkta diğer zaman serilerini etkilediğini veya dalgalanmalara neden olduğunu belirleyebilir. MEV etkinliği dalgalandığında kullanıcıların işlemleri için bekleme süresi uzuyor mu ve etki sonraki kaç blokta hissedilecek?
Nedensellik testinin P değeri 0,5'ten küçük veya eşit olduğunda bu blokta işlem bekleme süresinin önceki MEV faaliyetlerinin etkisiyle uzadığı anlamına gelir. Analiz sonuçlarına göre MEV etkinliği gerçekleştiğinde sonraki iki bloktaki işlemlerin %50'sinin bekleme süresinin uzayacağı tespit edilebilir. MEV etkinliği gerçekleştiğinde sonraki 30 bloktaki işlemlerin %25'inin bekleme süresi uzayacaktır. Madenciler veya doğrulayıcılar, nispeten düşük gas ücretleri olan işlemleri kapsüllenmiş bloğun sonuna koyacak.Bir kullanıcının işleminin gaz ücreti ne kadar düşük olursa, MEV faaliyetlerinin etkisi o kadar büyük olacak ve bekleme süresi daha uzun olacaktır.
Sonuç olarak, öncelikle bilinmeyen MEV aktivitelerinin iş akışı yoluyla nasıl bulunacağını ve iş akışındaki iki modülün detaylı tasarımını paylaştık, ardından iş akışının etkinliğini ampirik analizle doğruladık ve üç uygulamayı listeledik. Şu anda iş akışlarını kullanan 17 yeni MEV etkinliği keşfettik.
View Original
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
Ethereum işlem paketindeki bilinmeyen MEV türünün gizemini ortaya çıkarmak
Konuk: Zihao Li, Hong Kong Politeknik Üniversitesi'nde doktora öğrencisi
Düzenleyen: aididiao.eth, Öngörü Haberleri
Bu makale, Hong Kong Politeknik Üniversitesi'nde Web3 Young Scholars Programında doktora öğrencisi olan Zihao Li tarafından paylaşılan metinlerin bir derlemesidir. Web3 Genç Akademisyenler Programı, DRK Lab, imToken ve Crytape tarafından ortaklaşa başlatılıyor ve şifreleme alanında tanınmış genç akademisyenleri, en son araştırma sonuçlarından bazılarını Çin topluluğuyla paylaşmaya davet edecek.
Herkese merhaba ben Zihao Li, Hong Kong Polytechnic Üniversitesi 3. sınıf doktora öğrencisiyim.Bugün paylaşacağım konu "Ethereum İşlem Paketindeki MEV Aktivitelerinin Ortaya Çıkarılması". Basitçe söylemek gerekirse, Ethereum ağındaki bilinmeyen türdeki MEV etkinliklerinin işlem paketleri aracılığıyla nasıl keşfedileceğidir. Öncelikle MEV kavramı, işlem paketi mekanizması ve çalışmalarımızın arka planı gibi nispeten temel bir arka plan tanıtımı yapacağım. Daha sonra iş akışının tamamını ve iş akışının hangi tasarım ilkelerine göre tasarlandığı, veri setlerimizin neler olduğu, iş akışımızı hangi göstergelere göre değerlendirmek için hangi araçları kullandığımız gibi bazı tasarım fikirlerini ayrıntılı olarak tanıtacağım. Son olarak ilgili ampirik analiz sonuçlarını içeren üç uygulamayı tanıtacağım.
Arka plan tanıtımı: MEV, işlem paketi, motivasyon
MEV etkinliği, blok zincirindeki arbitrajcıların, blok durumu da dahil olmak üzere blok zinciri ağını izleyerek arbitraj işlemleri oluşturması anlamına gelir. Bazı işlem bilgileri blockchain P2P ağına yayılır veya zincire resmi olarak yüklenmemiş bazı işlemler madencilerin veya doğrulayıcıların işlem havuzunda saklanır.Arbitrajcı bu işlem bilgilerini izlerken bazı stratejiler aracılığıyla kendi işlem bilgilerini oluşturur. Arbitraj işlemini yapıp ardından bir sonraki blokta belli bir pozisyondaki arbitraj işlemini belirliyor, örneğin bir sonraki bloğun başında olmak istiyor veya başka bir deyişle belli bir işlemin hemen ardından yaymak için stratejik bir işlem gerçekleştiriyor aynı arbitraj ticareti. Bu şekilde belirli bir lokasyondaki arbitraj faaliyetlerini belirtmek için bunu MEV faaliyetleri olarak değerlendirebiliriz. Örneğin, bir arbitrajcı varlık fiyatlarındaki dalgalanmaları izliyorsa, ilgili varlığı bir işlem havuzundan düşük fiyatla alıp, daha sonra başka bir havuzda yüksek fiyattan yüksek fiyattan satabilir ve bu bir MEV faaliyeti olarak kabul edilir.
MEA faaliyetleri şu anda çoğunlukla DeFi ekosistemi etrafındaki arbitrajcılar tarafından yürütülüyor, çünkü DeFi ekosistemi şu anda esas olarak varlıkları topluyor.Şu ana kadar, diğer zincir DeFi ekosistemleri de dahil olmak üzere Ethereum, 40 milyar dolardan fazla fon çekti. Burada, DeFi uygulaması tarafından sağlanan atomik hizmet operasyonuna karşılık gelen, DeFi eylemi adı verilen, DeFi ekosistemiyle ilgili bir kavramdan bahsetmemiz gerekiyor. Örneğin, AMM'nin farklı varlık türleri arasındaki alışverişi desteklediğini ve kullanıcıların belirli bir miktarda varlık satabildiğini biliyoruz. USDC ve ardından bir miktar ETH elde edin, böyle bir işlem DeFi eylemi olarak tanımlanabilir. MEV faaliyetlerini temsil etmek için DeFi eylemlerini kullanabiliriz. Örneğin, bir kullanıcı farklı AMM'lerdeki varlık fiyatlarında bir boşluk tespit ederse, kullanıcı düşük fiyattan alıp yüksek fiyata satarak sonuçta fiyat farkından kar elde edebilir. Bu MEV etkinliğini iki DeFi eylemi olarak ifade edebiliriz.
Şu anda MEV faaliyetlerine ilişkin akademik araştırmalar esas olarak sandviç saldırıları, ters arbitraj ve tasfiye olmak üzere üç kategoriye ayrılıyor.Çalıştığımız veri setinde bu üç MEV faaliyetinin 1 milyondan fazla kez gerçekleştiğini tespit ettik. Aslında burada bir sorun var, bu MEV aktivitelerinin tanımını, aktivitelerin oluşum durumlarını nasıl tespit edeceğimizi öğrendikten sonra. Bu MEV faaliyetlerini tanımlamak istiyorsak, arbitrajcıların hangi işlemler ürettiği, bu işlemlerde ne tür arbitrajlar olduğu gibi arbitrajcıların tüm faaliyetlerini tanımlamamız gerekir ve daha sonra şu anda hangi tür MEV etkinliğinin gerçekleştiğini belirleyebiliriz, ve tüm süreç büyük ölçüde bilinen MEV aktivitesi tanımımıza dayanıyor. Örnek olarak sandviç saldırısını ele alalım.Sandviç saldırısının tanımını öğrendikten sonra, sandviç saldırısının arbitraj değerini ve buna karşılık gelen arbitraj işlemini belirlememiz gerekiyor.Tanıma dayalı olarak birçok kural belirlememiz gerekiyor ve ardından Bu kurallar arbitraj değerleri ve işlemleri aracılığıyla aday sandviç saldırılarını filtreleyin. Bilinen MEV saldırı türlerini bu şekilde belirlerken iki soru ortaya çıkacaktır: İlk soru, bildiğimiz üç ortak MEV aktivitesinin tüm MEV aktivitelerini temsil edip edemeyeceğidir. Açıkçası hayır, çünkü DeFi ekosistemi gelişiyor, yeni uygulamalar geliştiriliyor ve bu arbitrajcıların stratejileri aslında yineleniyor. İkinci soru ise bu bilinmeyen MEV aktivitelerini nasıl keşfedebileceğimizdir. Bu soruyu aklımızda tutarak işlem paketi mekanizmasına bir göz atalım.
İşlem paketi mekanizması ilk olarak 2021 yılında önerildi. Basitçe söylemek gerekirse, kullanıcılar işlem kuyruklarını düzenleyebilir. Bu işlem kuyruğunun uzunluğu bir işlem veya birkaç işlem olabilir ve daha sonra kullanıcılar bu işlemleri blockchain ağına gönderir. Aktarıcı bu işlemleri toplar ve bunları doğrudan ve özel olarak ilgili madencilere veya doğrulayıcılara gönderir. Şu anda aktarıcı, aktarma görevini üstlenmek için işlem paketini çalıştıracaktır. İşlem paketi mekanizmasının çok önemli bir özelliği var: Bu kullanıcılar bir işlem paketi oluşturduklarında, başkalarının henüz zincire yüklemediği işlemleri bir işlem paketine koyabiliyor ve işlem paketindeki işlemlerin sırası keyfi olarak değiştirilebiliyor. . Şu anda, işlem paketinin kullanıcısı veya işlem paketini kullanan arbitrajcı, kendi arbitraj kurallarını tasarlayabilir. Örneğin daha karmaşık ve daha karlı MEV faaliyet stratejileri tasarlayabilir. Sandviç saldırısını örnek alırsak, eğer herhangi bir işlem paketi kullanılmıyorsa, sandviç saldırısında arbitrajcının arbitrajı gerçekleştirmek için en az bir işlem çifti oluşturması gerekir ve bu arbitraj işlem çifti yalnızca bu işlemi hedefleyebilir. Bu saldırı işlemi tarafından oluşturulan arbitrajın, başarılı bir şekilde arbitrajlanabilmesini sağlamak için belirli bir sırayla yürütülmesi gerekir. Ancak bir arbitrajcı işlem paketini kullanıyorsa, arbitraj yapılabilecek birçok işlemi toplayabilir ve aynı anda birden fazla işlemde arbitraj oluşturmak için yalnızca karşılık gelen bir arbitraj işlemi çiftini kullanması gerekir. Bu işlem paketi zincirde olduğu sürece arbitrajda kesinlikle başarılı olacaktır ve birden fazla arbitraj yapılabilir işlemi aynı anda arbitraj yaptığı için arbitraj sonucu da daha karlı olur.
İşlem paketleri çok zengin ve karmaşık MEV faaliyetleriyle karakterize edilir. Çünkü işlem paketini kullanan kullanıcı, işleminin tamamını işlem paketinde kapsüller, ardından bunu P2P ağının aktarıcısına ve son olarak da ilgili madencilere ve doğrulayıcılara gönderir. İşlem paketi aracılığıyla tüm faaliyetleri doğru ve eksiksiz olarak tanımlayabiliyoruz. Bu nedenle, bazı bilinmeyen MEV aktivitelerini işlem paketi ortamı aracılığıyla daha doğru bir şekilde tanımlayabiliriz.
İş akışı ve tasarım fikirleri
Daha sonra iş akışımızı ayrıntılı olarak tanıtacağız. Bilinmeyen MEV aktivitelerini işlem paketleri gibi bir ortam aracılığıyla nasıl keşfederiz? Temel iş akışı iki araç içerir. İlk olarak, aktarıcı işlem paketini topladıktan sonra işlem paketindeki her DeFi eylemini tanımlamak için ActLifter aracını kullanıyoruz. Sonucu aldıktan sonra, işlem paketindeki tüm eylemlerin ortaya çıktığını ifade ediyoruz. Daha sonra ActCluster aracını kullanarak benzer aktivitelere sahip işlem paketlerini kümeleme yöntemiyle bir araya toplayın ve kümeleme sonuçları aracılığıyla yeni MEV aktivitelerini daha hızlı keşfedin. Bilinmeyen MEV aktivitelerini keşfetmek istiyorsak MEV aktivitesinin bilinmeyen bir tür olup olmadığını manuel olarak doğrulamak kaçınılmazdır.Tabi ki iş tasarımımızın amacı manuel iş yükünü mümkün olduğunca en aza indirgemek ve tüm süreci daha verimli hale getirmektir. mümkün olduğu kadar düzgün ve otomatik olarak gerçekleştirilir.
İşlemlerden MEV etkinliğini tanımlayabilen araçlar zaten mevcut. Kabaca iki kategoriye ayırabiliriz: İlk kategori tamamen manuel özet kurallarıdır; ikinci kategori ise tamamen buluşsal kurallardır, yani belirli MEV aktivite türlerini tanımlamak için tamamen otomatikleştirilmiş bir buluşsal kural kullanmaktır. Örneğin, bazı güncel transfer bilgilerini tanımladıktan sonra, buluşsal kuralların karşılanıp karşılanmadığını kontrol eder ve eğer öyleyse, karşılık gelen aktiviteyi tanımlayabilir. Kuralların tamamen manuel olarak özetlendiği ilk yöntem nispeten iyi bir doğruluk elde edebilir, çünkü bu süreç belirli uygulamaların tamamen manuel olarak analiz edilmesidir ve daha sonra tespit sonuçlarının doğru olmasını sağlayabilir, ancak analiz görevi çok büyük bir iş yükü gerektirir, bu nedenle her DeFi uygulamasını kapsayamaz. İkinci iş saf otomasyona ulaşabilse de buluşsal kurallar yalnızca bazı belirli türleri kapsayabilir. Öte yandan, buluşsal kuralın tasarımında yetersiz tanıma doğruluğuna yol açan bazı problemler vardır.
Her iki yöntemin avantajlarını birleştirerek iş akışımızı tasarladık. Şu anda on önemli DeFi eylemini tanımlayabiliriz. DeFi uygulamasında hangi olayın hangi tür DeFi aksiyonuna karşılık geldiğini başlattıktan sonra manuel olarak belirlememiz yeterli oluyor, böylece manuel analize ihtiyaç duymuyor, tamamen otomatik analize bırakabiliyoruz. İkinci tür yöntem ise DeFi eylemlerini tamamen otomatik olarak tanımlayabiliyor ancak analiz edilen nesnenin MEV faaliyetleriyle ilişkili olup olmadığını belirleyemiyor. Örneğin bir SWAP aktarımını tanımlarsak, tamamen ilgisiz iki aktarım kombinasyonunu tek bir DeFi eylemi olarak tanımlayabilir, doğal olarak tanımlamanın sonucu yanlış olacaktır. Ancak bu bilgileri, gerçekten DeFi eylemleriyle ilgili bilgileri filtrelemek için kullanabiliriz. Bu bilgiyi aldıktan sonra ikinci tip yöntemde meydana gelen bazı hataların önüne otomatik yöntemlerle geçebiliriz.
Örneğin burada toplam dört transfer içeren bir işlem var ve bunların gerçekleşme sırası, fon miktarı ve türü seri numaraları ile işaretlenmiş. Bu süreçte AMM aslında Swap eylemiyle ilgili bir olayı başlatıyor. İlk yöntem, olayın başlatıldığını belirledikten sonra, olayın bazı parametreleri aracılığıyla mevcut içeriği geri yüklemesi gerekir. Örneğin mevcut içeriği geri yüklemek için 699 sözleşmesinin koduna, iş mantığına ve bazı fonksiyon değişkenlerine bakması gerekiyor. Bu bilgiyi elde ettikten sonra, kendine özgü varlık aktarım özelliklerine dayalı bir kural tasarladık. Örneğin, geliştirdiğimiz kural, DeFi'yi işleten mevcut sözleşmenin farklı türde varlıkları alması ve aktarmasıydı. Böyle iki tane olduğunu tespit ettiğimizde varlık aktarımının bu özelliklere uyması durumunda ilgili Takas işlemi içeriğini geri yükleyebiliriz. İkinci tür yöntem, iki varlık transferini doğrudan eşleştirmektir.İki varlık transfer hesabı, farklı türde varlıkları alır ve aktarır. Birinci ve beşinci transferleri bir çift ilgili transfer olarak değerlendirecek ve ortadaki hesabı bir AMM olarak değerlendirecektir.Açıkçası, tanıma sonucunun hatalı olduğunu sezgisel olarak görebiliriz.
Manuel analiz yoluyla özetlediğimiz kurallar, ilgili olaylara karşılık gelen DeFi eylem türleridir.Sonuçlar manuel analiz yoluyla özetlense de, tüm Süreç güvenilirliğimizi sağlamak için yine de manuel analiz sürecini yarı otomatik bir süreç haline getirmeye çalışıyoruz. Bazı sözleşme kaynak kodları da dahil olmak üzere DeFi uygulamalarının resmi web sitesini ve geliştirici belgelerini DeFiPulse.com ve Dapp.com'un resmi web sitelerinden sorgulayacağız. Bu olayın belirteçlerle nasıl tanımlandığı ve bu olayların hangi işlevlerde, kod parçacıklarında ve kod yorumlarında kullanıldığı gibi, belgelerdeki olayların bazı açıklamalarını bu ilgili materyallerden çıkarabilen ayrıştırma araçları geliştiriyoruz. Bunları çıkardıktan sonra, manuel analiz ve tartışmamız sonucunda, farklı türdeki DeFi eylemlerine karşılık gelen 88 olayın olduğunu belirledik.
Analiz edilecek işlemi bu sözlüğe giriyoruz ve işlemde hangi olayların gerçekleştiğini analiz ediyoruz. Daha sonra etkinlik bu sözlükte göründüğünde, bu DeFi eylemini hangi sözleşmenin yürüttüğü, ne tür bir DeFi olduğu ve bu DeFi eylemiyle hangi varlık transferlerinin ilişkili olduğu gibi ilgili kurallara göre önemli bilgileri çıkarırız. Bu tür içerikleri aldıktan sonra varlık transferinin karakteristik kurallarını özetleyeceğiz ve ardından bu kuralları nihai DeFi eylemine uyacak şekilde kullanacağız. On DeFi eyleminin tanımından başladık ve varlık transferinin karakteristik kurallarını özetledik. Önceki adımda bu bilgileri topladıktan sonra, eşleştirmeyi gerçekleştirmek için bu eşleştirme kurallarını kullanacağız ve bu, sonuç olarak bu işlemde hangi spesifik DeFi içeriğinin meydana geldiğini belirlememize yardımcı olacaktır. ActCluster, işlem paketindeki her işlemi tanımladıktan sonra işlem paketinin davranışını ifade edebiliriz.
Öncelikle ActCluster tasarım ilkelerini anlayalım. Bu süreçte manuel analizin kaçınılmaz olduğunu ve işlem paketinin etkinliğinin bilinmeyen türde bir MEV etkinliği olup olmadığını belirlemek için manuel emeğe dayanması gerektiğini biliyoruz. Buradan hareketle temel düşüncemiz benzer faaliyetlere sahip bazı işlem paketlerini bir arada kümelemektir. Her küme için, analiz için yalnızca bir veya daha fazla işlem paketini rastgele örneklememiz gerekiyor; bu, manuel analiz sürecini hızlandırabilir ve son olarak farklı türdeki MEA etkinliklerini keşfedebilir. İşlem paketlerini kümelemek için küme analizini kullandığımızda bir ikilemle karşı karşıya kalırız. İşlem paketlerinin kümelenme gücünü göreceli olarak kaba bir şekilde ayarladığımızda, farklı türdeki faaliyetleri içeren işlem paketleri bir arada kümelenecektir. Şu anda küme sayısı azalsa da karşılık gelen manuel analiz görevleri de değiştirilmiştir. Daha az, ancak bazı yeniler MEV etkinlikleri kaçırılacak. Kümelemenin yoğunluğuna ince ayar yaparsak, benzer ancak farklı MEA faaliyetlerine karşılık gelen bazı işlem paketlerini ayırt edebilsek de, ilgili manuel analizin iş yükü büyük ölçüde artacaktır.
Böyle bir sorundan yola çıkarak, küme analizini birden çok turda yinelemeli olarak gerçekleştiren yinelemeli bir küme analizi yöntemi tasarladık. Her turda, önceki turlarda bulunan bilinen yeni MEV aktivitelerini içeren işlem paketlerini ortadan kaldıracağız ve ardından geri kalan işlem paketlerinin kümelenme gücünü artıracağız. İşlem paketlerini kümelemek için geleneksel kümeleme yöntemlerini doğrudan kullanamıyoruz çünkü işlem paketleri aslında birden fazla işlem içeriyor ve bir işlem birden fazla DeFi eylemi içerebiliyor. İşlem paketinin tamamını temsil edersek aslında yapısı heterojen ve hiyerarşiktir. Şu anda işlem paketinin içeriğini bir konumlandırma alanına temsil etmek için temsil öğrenme yöntemini kullandık. Temsil öğrenmeyi kullanmanın avantajı, analiz etmek ve işlemek istediğimiz verileri derinlemesine öğrenmemize ve anlamamıza gerek olmaması ve çok fazla alan bilgisine ihtiyacımız olmamasıdır. Yalnızca veri odaklı işleme yapmamız yeterlidir. .
Örneğin, işlem paketine hangi MEV aktivitelerinin dahil olduğunu işaretlemek için yalnızca işlem paketini etiketlememiz yeterlidir. Bir MEV aktivitesinin tanımını biliyorsak, onun var olup olmadığını otomatik olarak tespit edebilen ilgili kuralları tasarlamamız bizim için nispeten kolaydır. Temsil öğrenimi için bu işlem paketlerini otomatik olarak etiketleyebiliriz. Küme analizimiz yinelemeli bir türdür ve her yinelemeden sonra yeni MEV etkinlikleri keşfedebiliriz.Şu anda, aslında bu yeni keşfedilen MEV etkinliklerine karşılık gelen etiketleri temsil öğrenme sürecimize zenginleştirebiliyoruz. Temsil öğrenme sürecimizde kullanılan etiketler zenginleştirildiğinde, tüm temsil öğrenme modeli eğitiminin performansı ve verimliliği yinelemeli olarak geliştirilebilir ve bu temsil öğrenmenin işlem paketinin aktivitelerini ifade etme yeteneği de yinelemeli olarak geliştirilebilir. Bir işlem paketinde aslında birden fazla işlem olabileceği gibi, bir işlemde de aslında birden fazla DeFi eylemi olabilir.İşlem paketi ihtiyaçlarını belirtmemiz gerekiyor. İlk olarak, her DeFi eylemi türü için, hangi sözleşmenin yürürlükte olduğu ve alınan ve aktarılan varlıkların miktarı ve türü gibi standartlaştırılmış bir parametre tanımlarız. Her DeFi eylemini bu şekilde tanımlıyoruz. Bir işlemde birden fazla DeFi eylemi olduğunu tespit edersek bunları eylem blokları olarak temsil ederiz, böylece işleme karşılık gelen işlem bloğu temsil edilebilir; bu blok, işlemi kimin başlattığı gibi işlemin kaynak bilgilerini içerir ve Yönlendirme Kime gönderildi? Bir işlemde bir DeFi eylemi gerçekleştiğinde, bunu sırasıyla eylem bloklarıyla dolduracağız. Bu işlemlerin her biri bir işlem bloğu ile temsil ediliyor ve son olarak işlem paketinin matris olarak kabul edilebilecek yapısını elde ediyoruz. İşlem paketi temsil edildikten sonra onu temsil öğrenimi için kullanabiliriz. Her işlem paketi birleşik bir yapıdır ve daha sonra modeli toplu işleme için kullanabiliriz.
Performans değerlendirmesi
Daha sonra iş akışı performansını değerlendirmek için hangi yöntemleri kullandığımızı paylaşın. Tüm analiz sürecimize ait veri seti, Flashbots tarafından sağlanan API üzerinden sağlanmakta olup, Şubat 2021'den Aralık 2022'ye kadar 6 milyondan fazla işlem paketi ve 26 milyondan fazla işlem içeren işlem paketi verileri toplanmıştır.
DeFi eylemlerinin doğruluğunu ve eksiksizliğini karşılaştırmak için bazı araçlar tasarladık. Burada şunu da belirtmek gerekir ki, bu zincir üstü araçlar arasında şu anda yalnızca Etherscan, web sayfası ve sağladığı bilgiler aracılığıyla işlemdeki DeFi eylemini geri yükleyebilmektedir. Ve DeFiRanger gibi biz de onların yöntemlerini makalelerine dayanarak yeniden üretiyoruz. Ayrıca DeFi eylemlerini doğrudan işlem olaylarından kurtarmayı denemek için EventLifter adında bir araç tasarladık. ActLifter'ı farklı konfigürasyonlar altında test ettik ve tanıma doğruluğunu karşılaştırmak için çeşitli araçlar kullandık. ActCluster için ana fikrimiz ablasyon öğrenme yöntemini benimsemektir.Tanımlanabilen yeni aktiviteler için ActCluster'ın bazı modüllerinin ablasyonundan sonra, eğer bulunamayan bazı yeni aktiviteleri tanımlamak istiyorsak, bunu ne kadar yapmamız gerekir? Manuel analiz yapmamız mı gerekiyor İşlem paketiniz veya manuel analizimizin iş yükü ne kadar büyük? Örneğin, ActCluster gösterimi öğrenme modülünde dinamik etiket güncellemesinin çıkarılmasını yaptık ve aslında tüm süreci ortadan kaldırdık. 6 milyon işlem paketinden rastgele bir örnek alıyoruz ve aynı miktarda yeni MEV etkinliğini keşfetmek için kaç işlem paketini manuel olarak analiz etmemiz gerektiğini görüyoruz.
Araçlarımız, eşit şekilde yapılandırıldığında %100'e yakın doğruluk ve tamlık elde edebilir. Ancak Etherscan gibi diğer araçlar gibi doğruluğu %100'e ulaşabilse de ki bu oldukça tatmin edicidir, birçok DeFi eylemini kaçıracaktır. Etherscan'in kendisi açık kaynaklı bir yönteme sahip değil. DeFi eylemlerini belirlemek amacıyla kuralları özetlemek için manuel analiz kullanabileceğini tahmin ediyoruz. Bu nedenle, manuel olarak ele alınamayan bazı türleri kaçıracaktır. Burada şunu belirtelim ki Etherscan aslında otomatikleştirilmiş bir arayüz sunmuyor, eğer büyük ölçekli tanımlama yapmak istiyorsanız böyle bir görevi doğrudan tamamlayamazsınız. Tamamen gizli kural tanımlamayı kullanan DeFiRanger, doğruluk ve eksiksizlik açısından yetersizdir. ActCluster'ı denedikten sonra, dört tur yinelemeli analiz yoluyla, 17 bilinmeyen MEV etkinliğini bulmak için yalnızca toplam 2.000 işlem paketini analiz etmemiz gerektiğini gördük. Bu modüllerden bazılarını çıkardıktan sonra, az önce bahsedilen 17 bilinmeyen MEV etkinliğini belirlemek için 170.000'e kadar işlem paketini manuel olarak analiz etmemiz gerekebilir.
Ampirik analiz ve uygulama
Bilinmeyen MEV aktivitesi türlerini tanımlama yöntemimizin spesifik uygulamaları nelerdir? Birincisi, mevcut MEV azaltım önlemlerini geliştirip geliştiremeyeceği ve bazı MEV faaliyetlerine karşı savunma yapıp yapamayacağıdır. İkincisi, blok ormanının çatallanması ve yeniden düzenlenmesi ve kullanıcı finansal güvenliği üzerindeki etki de dahil olmak üzere, MEV faaliyetlerinin blockchain ekolojisi üzerindeki etkisini daha kapsamlı bir şekilde analiz edip edemeyeceğimizi görmek için analiz sonuçlarını kullanmaktır.
MEV boost ağ saldırganlarının kullanıcılardan işlem paketleri almak için araçlar çalıştıracağını ve daha sonra bunları, onları bağlayan madencilere ve doğrulayıcılara dağıtacağını daha önce belirtmiştik. Aktarıcılar, MEA aktivitelerini içeren işlem paketlerini aldıkları işlem paketlerinden çıkaracak ve böylece MEA aktivitelerinin blockchain üzerindeki bazı olumsuz etkilerini azaltabilecekler. Bu bağlantının ana fikri, işlem paketinin MEV aktiviteleri içerip içermediğini tespit etmek için mevcut MEV aktivitelerinin tanımı yoluyla ilgili kuralları tasarlamaktır. Açıkçası bu aktarıcılar, bilinmeyen MEV etkinlikleri içeren bazı işlem paketlerini hariç tutamazlar. İş akışımıza dayanarak, işlem paketinden tespit ettiğimiz yeni tip MEV aktivitesini tespit edebilen bir MEVHunter aracı tasarladık.
Tespit sonuçları, 1 milyondan fazla işlem paketinin ters arbitraj MEV faaliyeti içerdiğini, diğer 6 milyon işlem paketinin %30'unun ise bilinen üç MEV faaliyeti içerdiğini göstermektedir. Yeni keşfedilen MEV faaliyetlerimiz için işlem paketlerinin neredeyse yarısının yalnızca bu yeni MEV faaliyetlerini içerdiğini gördük. Aktarıcılar MEVHunter aracını kullanırsa, MEV aktivitelerini içeren 3 milyon işlem paketini filtrelemelerine yardımcı olabilir ve daha sonra MEV aktivitelerinin blockchain üzerindeki olumsuz etkisini azaltmak için bu işlem paketlerini ortadan kaldırmayı seçebilirler.
İkinci uygulama ise yeni MEV aktivitelerinin blockchain çatalları ve yeniden organizasyonları üzerindeki etkisini araştırmamızdır. Önceki çalışmalardan bazıları, bazı finansal madencilerin bazı MEV etkinliklerinin yararları ile mevcut blok zincirini çatallamak ve yeniden düzenlemek, MEV etkinliklerini kendileri yürütmek ve avantajlardan yararlanmak için motive olacağını bildirmişti. Örneğin, bir bloğun MEV faaliyetinden elde edilen gelir, blok ödülünün 4 katı olduğunda, madencilerin en az %10'u bloğu çatallayacak ve yeniden düzenleyecektir.
Öncelikle yukarıda bahsedilen MEVHunter aracına dayanarak hangi işlem paketlerinin yeni MEV faaliyetlerini içerdiğini belirliyoruz ve ardından bu MEV faaliyetlerinin karşılık gelen yoğunluğunu tahmin etmek için bu işlem paketlerindeki madencilerin gelirini kullanıyoruz. Burada bir kavramın devreye sokulması gerekiyor: İşlem paketi mekanizmasında, arbitraj işlem paketlerinin zincire konulabilmesini sağlamak için, bu arbitrajcılar genellikle MEV faaliyetlerinden elde edilen gelirin bir kısmını madencilerle paylaşırlar ve daha sonra madenciler en sonunda Zincire konulacak en yüksek getiriye sahip işlem paketini seçin. Bu geliri, her işlem paketindeki MEV faaliyetlerini eşit şekilde tahmin etmek için kullanabiliriz. İstatistiksel sonuçlarımıza göre, blok ödülünün dört ila sekiz katı MEV ödülüne sahip 900'den fazla blok var.Ayrıca bir bloğun MEV ödülü, blok ödülünün 700 katından bile fazla. MEV avantajı göz önüne alındığında blok çatallarını ve yeniden düzenlemeleri teşvik edebilecek minimum madenci sayısını belirlemek için Markov karar çerçevesini kullanıyoruz. Sonunda 1000'den fazla bloğun madencilerin en az %10'unu blok çatalları ve yeniden organizasyonlar yapmaya motive edebildiğini gördük. Ve en ciddi blokta olduğu gibi, blok çatalları ve yeniden organizasyonlar yapacak en az 6/10.000 madenci var.
Üçüncü uygulama ise MEV faaliyetlerinin blockchain kullanıcılarının finansal güvenliği üzerindeki etkisini araştırmaktır. MEV faaliyetleri aslında blockchain kullanıcılarının işlemlerinin işlem havuzundaki veya P2P ağındaki zincire yüklenmesi için bekleme süresinin uzamasına neden olabiliyor ve bu durum aynı zamanda MEV faaliyetleri nedeniyle kullanıcıların finansal güvenliğine yönelik ana tehditlerden biri. Kullanıcıların işlemleri zincirde ertelenirse, arbitrajcılar daha karmaşık ve daha karlı MEV faaliyetleri tasarlamak için daha fazla zamana sahip olabilir. Üçüncü uygulama, MEV aktivitesinin, kullanıcı işlemlerinin nihai olarak zincire yüklenmesi için bekleme süresi üzerindeki etkisini karşılaştırmaktır. İlk adım, işlemin bekleme süresini toplamaktır. Esas olarak düğümleri ağ üzerinde konuşlandırıyoruz, ardından işlemin ağda ilk keşfedildiği zamanı, işlemin en sonunda zincire yüklendiği zamanı kaydediyor ve son olarak beklemesi gereken süreyi hesaplıyoruz. İstatistik yapmak için her bloktaki tüm işlemlerin bekleme sürelerinin üç çeyreğini kullanırız, böylece işlemlerin bekleme sürelerini blok başına bir zaman serisi halinde düzenleyebiliriz. Daha sonra her bloktaki karşılık gelen MEV aktivitesi, her bloktaki madencilerin yeni MEV aktivitesini içeren işlem paketinden elde ettiği gelirle de karakterize edilir.Böylece birden fazla zaman serisi elde ederiz. MEV aktivitesinin işlem süresi üzerindeki etkisini Granger nedensellik testi ile değerlendiriyoruz.Nedensellik testi, bir zaman serisindeki dalgalanmaların başka bir zaman serisinde dalgalanmaya neden olup olmadığını, hangi aralıkta diğer zaman serilerini etkilediğini veya dalgalanmalara neden olduğunu belirleyebilir. MEV etkinliği dalgalandığında kullanıcıların işlemleri için bekleme süresi uzuyor mu ve etki sonraki kaç blokta hissedilecek?
Nedensellik testinin P değeri 0,5'ten küçük veya eşit olduğunda bu blokta işlem bekleme süresinin önceki MEV faaliyetlerinin etkisiyle uzadığı anlamına gelir. Analiz sonuçlarına göre MEV etkinliği gerçekleştiğinde sonraki iki bloktaki işlemlerin %50'sinin bekleme süresinin uzayacağı tespit edilebilir. MEV etkinliği gerçekleştiğinde sonraki 30 bloktaki işlemlerin %25'inin bekleme süresi uzayacaktır. Madenciler veya doğrulayıcılar, nispeten düşük gas ücretleri olan işlemleri kapsüllenmiş bloğun sonuna koyacak.Bir kullanıcının işleminin gaz ücreti ne kadar düşük olursa, MEV faaliyetlerinin etkisi o kadar büyük olacak ve bekleme süresi daha uzun olacaktır.
Sonuç olarak, öncelikle bilinmeyen MEV aktivitelerinin iş akışı yoluyla nasıl bulunacağını ve iş akışındaki iki modülün detaylı tasarımını paylaştık, ardından iş akışının etkinliğini ampirik analizle doğruladık ve üç uygulamayı listeledik. Şu anda iş akışlarını kullanan 17 yeni MEV etkinliği keşfettik.