게스트: Zihao Li, 홍콩 폴리테크닉 대학교 박사과정 학생

주최: aididiao.eth, Foresight News

이 글은 Web3 Young Scholars 프로그램의 홍콩이공대학 박사과정 학생인 Zihao Li가 공유한 영상의 요약입니다. Web3 Young Scholars 프로그램은 DRK Lab, imToken 및 Crytape가 공동으로 시작했으며 암호화 분야의 유명 젊은 학자들을 초대하여 최신 연구 결과를 중국 커뮤니티와 공유할 것입니다.

안녕하세요 여러분, 저는 홍콩이공대학교 박사과정 3학년생 Zihao Li입니다. 오늘 공유할 주제는 "이더리움 트랜잭션 패키지에서 MEV 활동 공개"입니다. 간단히 말하면, 트랜잭션 패키지를 통해 이더리움 네트워크에서 알려지지 않은 유형의 MEV 활동을 발견하는 방법입니다. 먼저 MEV의 개념, 트랜잭션 패키지 메커니즘, 우리 작업의 배경 등 비교적 기본적인 배경을 소개하겠습니다. 그런 다음 전체 워크플로와 워크플로가 설계된 디자인 원칙, 데이터 세트, 어떤 지표에 대한 워크플로를 평가하는 데 사용하는 도구 등 몇 가지 디자인 아이디어를 자세히 소개하겠습니다. 마지막으로 관련 실증분석 결과를 포함한 3가지 적용 사례를 소개하겠습니다.

배경소개: MEV, 거래패키지, 동기부여

MEV 활동은 블록 상태를 포함하여 블록체인 네트워크를 모니터링하여 차익거래를 생성하는 블록체인의 차익거래자를 의미합니다. 일부 거래 정보는 블록체인 P2P 네트워크에 분산되어 있거나, 체인에 공식적으로 등록되지 않은 일부 거래는 채굴자 또는 검증자의 거래 풀에 저장되며, 차익거래자는 이러한 거래 정보를 모니터링할 때 몇 가지 전략을 사용하여 자신의 거래 정보를 생성합니다. 차익 거래를 한 후 다음 블록의 특정 위치에 차익 거래를 지정합니다. 예를 들어 다음 블록의 선두에 있어야 하거나 특정 거래 직후 전략적 거래를 실행하여 동일한 차익 거래를 확산시킵니다. 이런 식으로 특정 포지션에서의 차익거래 활동을 MEV 활동으로 간주할 수 있습니다. 예를 들어 차익거래자가 자산 가격의 변동을 모니터링하는 경우 해당 자산을 낮은 가격의 트레이딩 풀에서 구매한 후 높은 가격의 다른 펀드 풀에서 높은 가격에 판매할 수 있으며, 이를 MEV라고 합니다. 활동.

현재 DeFi 생태계는 주로 자산을 수집하기 때문에 MEA 활동은 주로 DeFi 생태계 주변의 차익거래자들에 의해 수행되고 있으며, 다른 체인을 포함한 이더리움의 DeFi 생태계는 지금까지 400억 달러 이상의 자본을 유치했습니다. 여기서는 DeFi 애플리케이션에서 제공하는 원자 서비스 운영에 해당하는 DeFi 액션이라는 DeFi 생태학에 대한 개념을 언급해야 합니다. 예를 들어 AMM은 다양한 유형의 자산 간의 교환을 지원한다는 것을 알고 있습니다. 사용자는 USDC를 판매할 수 있습니다. , 그런 다음 ETH 합계를 얻으면 이러한 작업은 DeFi 작업으로 정의될 수 있습니다. DeFi 액션을 사용하여 MEV 활동을 표현할 수 있습니다.예를 들어 사용자가 서로 다른 AMM의 자산 가격에 차이가 있음을 감지하면 사용자는 낮은 가격에 구매하고 높은 가격에 판매하여 최종적으로 가격 차이 이익을 얻을 수 있습니다. 이 MEV 활동을 두 가지 DeFi 작업으로 표현할 수 있습니다.

현재 MEV 활동에 대한 학술 연구는 주로 샌드위치 공격, 역 차익거래, 청산의 세 가지 범주로 나뉘며, 우리가 작업하는 데이터 세트에서 이 세 가지 유형의 MEV 활동이 100만 번 이상 나타나는 것으로 나타났습니다. 실제로 이러한 MEV 활동의 정의를 알고 나면 활동 발생을 식별하는 방법에 문제가 있습니다. 이러한 MEV 활동을 파악하려면 차익거래자가 어떤 거래를 생성하는지, 이러한 거래에 어떤 유형의 차익거래가 포함되어 있는지 등 차익거래자의 모든 활동을 식별해야 하며, 이를 통해 현재 어떤 유형의 MEV 활동이 발생하고 있는지 확인할 수 있습니다. . , 전체 프로세스는 알려진 MEV 활동에 대한 정의에 크게 의존합니다. 샌드위치 공격을 예로 들어 보겠습니다. 샌드위치 공격의 정의를 알고 나면 샌드위치 공격의 차익거래 가치와 해당 차익거래 거래를 결정하려면 정의에 따라 많은 규칙을 설정해야 합니다. 그런 다음 차익거래 가치 및 거래 규칙을 통해 후보 샌드위치 공격을 필터링합니다. 이런 식으로 알려진 MEV 공격 유형을 식별할 때 두 가지 질문이 있는데, 첫 번째 질문은 우리가 알고 있는 세 가지 일반적인 MEV 활동이 모든 MEV 활동을 대표할 수 있는지 여부입니다. 분명히 그렇지는 않습니다. DeFi 생태계는 항상 발전하고 있기 때문에 새로운 애플리케이션도 항상 개발되고 있으며 이러한 차익거래자의 전략은 실제로 지속적으로 반복되고 있습니다. 두 번째 질문은 알려지지 않은 MEV 활동을 어떻게 발견할 수 있느냐는 것입니다. 이 질문을 염두에 두고 트랜잭션 패키지 메커니즘을 살펴보겠습니다.

트랜잭션 패키지 메커니즘은 2021년에 처음 제안되었습니다. 간단히 말해서 사용자는 트랜잭션 대기열을 구성할 수 있습니다. 이 트랜잭션 대기열의 길이는 하나의 트랜잭션일 수도 있고 여러 트랜잭션일 수도 있으며 사용자는 이러한 트랜잭션을 블록체인 네트워크에 보냅니다. 중계자는 이를 수집합니다. 거래를 수행하고 이를 관련 채굴자 또는 검증자에게 직접 비공개로 보냅니다. 현재 중계자는 중계 작업을 수행하기 위해 트랜잭션 패키지를 실행합니다. 트랜잭션 패키지 메커니즘은 매우 중요한 특징을 가지고 있는데, 이러한 사용자가 트랜잭션 패키지를 구성할 때 체인에 업로드되지 않은 다른 사람의 트랜잭션을 트랜잭션 패키지에 담을 수 있고, 트랜잭션 패키지의 트랜잭션 순서를 임의로 조작할 수 있습니다. . 이때, 거래 패키지 사용자 또는 거래 패키지를 사용하는 차익거래자는 자신의 차익거래 규칙을 설계할 수 있습니다. 예를 들어, 그는 더욱 복잡하고 수익성이 높은 MEV 활동 전략을 설계할 수 있습니다. 샌드위치 공격을 예로 들면, 트랜잭션 패키지가 사용되지 않는 경우 샌드위치 공격의 차익거래자는 차익거래를 달성하기 위해 최소한 한 쌍의 트랜잭션을 생성해야 하며, 이 차익거래 쌍은 이 하나의 트랜잭션만 대상으로 할 수 있습니다. 이 공격 트랜잭션에 의해 생성된 차익거래는 성공적인 차익거래가 가능하도록 특정 순서로 실행되어야 합니다. 그러나 차익거래자가 거래 패키지를 사용하면 차익거래가 가능한 많은 거래를 수집할 수 있으며 동시에 여러 거래에 대한 차익거래를 생성하려면 해당 차익거래 쌍을 사용하기만 하면 됩니다. 이 거래 패키지가 체인에 있는 한 차익 거래에서 확실히 성공할 것이며 동시에 여러 차익 거래를 차익 거래하기 때문에 차익 거래 결과도 더 수익성이 높습니다.

트랜잭션 패키지는 매우 풍부하고 복잡한 MEV 활동이 특징입니다. 트랜잭션 패키지를 사용하는 사용자는 전체 트랜잭션을 트랜잭션 패키지에 캡슐화한 다음 이를 P2P 네트워크의 중계자에게 보내고 마지막으로 해당 채굴자와 검증자에게 보내기 때문입니다. 우리는 거래 패키지를 통해 모든 활동을 정확하고 완전하게 식별할 수 있습니다. 따라서 트랜잭션 패키지 매체를 통해 일부 알려지지 않은 MEV 활동을 보다 정확하게 식별할 수 있습니다.

워크플로 및 디자인 아이디어

다음으로 작업 흐름을 자세히 소개하겠습니다. 트랜잭션 패키지와 같은 매체를 통해 알려지지 않은 MEV 활동을 어떻게 발견합니까? 핵심 워크플로에는 두 가지 도구가 포함되어 있습니다. 먼저 중계자가 트랜잭션 패키지를 수집한 후 ActLifter 도구를 사용하여 트랜잭션 패키지의 각 DeFi 작업을 식별하고 결과를 얻은 후 트랜잭션 패키지의 모든 작업을 나타냅니다. . 그런 다음 ActCluster 도구를 사용하여 유사한 활동이 포함된 트랜잭션 패키지를 함께 클러스터링하고 클러스터링 결과를 통해 새로운 MEV 활동을 더 빠르게 검색합니다. 알려지지 않은 MEV 활동을 발견하려면 MEV 활동이 알려지지 않은 유형인지 수동으로 확인해야 할 수밖에 없습니다.물론 우리의 작업 설계 목표는 수동 작업량을 최대한 최소화하고 전체 프로세스를 최대한 효율적으로 만드는 것입니다. 가능합니다.자동으로 수행됩니다.

거래에서 MEV 활동을 식별할 수 있는 도구가 이미 있습니다. 이를 대략 두 가지 범주로 나눌 수 있는데, 첫 번째 범주는 순전히 수동 요약 규칙이고 두 번째 범주는 순전히 경험적 규칙, 즉 특정 유형의 MEV 활동을 식별하기 위해 완전히 자동화된 경험적 규칙을 사용하는 것입니다. 예를 들어, 현재 전송 정보 중 일부를 식별한 후 휴리스틱 규칙을 만족하는지 확인하고, 충족되면 해당 활동을 식별할 수 있습니다. 순전히 수동으로 규칙을 요약하는 첫 번째 방법은 이 프로세스가 특정 애플리케이션을 완전히 수동으로 분석하고 탐지 결과가 정확한지 확인할 수 있기 때문에 상대적으로 높은 정확성을 얻을 수 있지만 분석 작업에는 매우 큰 작업 부하가 필요하므로 모든 DeFi 애플리케이션을 다룰 수는 없습니다. 두 번째 작업은 순수 자동화를 달성할 수 있지만 경험적 규칙은 일부 특정 유형만 다룰 수 있습니다. 반면, 휴리스틱 규칙 설계에는 몇 가지 문제가 있어 인식 정확도가 만족스럽지 않습니다.

우리는 두 가지 방법의 장점을 결합하여 작업 흐름을 설계했습니다. 현재 우리는 10가지 주요 DeFi 활동을 식별할 수 있습니다. DeFi 애플리케이션이 시작된 후 어떤 이벤트가 어떤 유형의 DeFi 작업에 해당하는지 수동으로 결정하면 수동 분석이 필요하지 않고 완전히 자동화된 분석에 맡길 수 있습니다. 두 번째 유형의 방법은 DeFi 활동을 완전히 자동으로 식별할 수 있지만 분석 대상이 MEV 활동과 관련되어 있는지 확인할 수는 없습니다. 예를 들어, SWAP 전송을 식별하는 경우 완전히 관련되지 않은 두 개의 전송 조합을 하나의 DeFi 작업으로 식별할 수 있으며 당연히 식별 결과가 잘못됩니다. 하지만 우리는 이 정보를 사용하여 실제로 DeFi 활동과 관련된 정보를 필터링할 수 있습니다. 이 정보를 얻은 후에는 자동화된 방법을 통해 두 번째 유형의 방법과 같은 일부 오류를 피할 수 있습니다.

예를 들어, 총 4번의 이체를 포함하는 거래가 있는데, 발생 순서, 금액, 자금 범주가 일련번호로 표시되어 있습니다. 이 과정에서 AMM은 실제로 Swap 작업과 관련된 이벤트를 시작했습니다. 첫 번째 유형의 메서드는 이벤트가 시작되었음을 확인한 후 이벤트의 일부 매개변수를 통해 현재 콘텐츠를 복원해야 합니다. 예를 들어, 현재 콘텐츠를 복구하려면 699 계약의 코드, 비즈니스 로직 및 일부 기능 변수를 조사해야 합니다. 이 정보를 얻은 후 우리는 고유한 자산 전송 특성을 기반으로 규칙을 설계했습니다.예를 들어 현재 DeFi를 운영하는 계약은 서로 다른 유형의 자산을 수신하고 전송한다는 규칙을 개선했습니다. 자산 이전이 이러한 특성을 충족하면 해당 스왑 작업 콘텐츠를 복원할 수 있습니다. 두 번째 유형의 방법은 두 가지 자산 이체를 직접 일치시키는 방법으로, 두 자산 이체 계정은 서로 다른 유형의 자산을 수신하고 이체합니다. 첫 번째와 다섯 번째 이체를 관련 이체 쌍으로 간주하고 중간에 있는 계좌를 AMM으로 간주하므로 인식 결과가 부정확하다는 것을 직관적으로 알 수 있습니다.

수동 분석을 통해 요약한 규칙은 해당 이벤트에 해당하는 DeFi 작업 유형이며, 결과는 수동 분석을 통해 요약되지만 전체 프로세스의 신뢰성을 보장하기 위해 수동 분석 프로세스를 반자동 프로세스로 세분화하려고 노력합니다. 우리는 DeFiPulse.com 및 Dapp.com의 공식 웹사이트에서 일부 계약 소스 코드를 포함하여 DeFi 애플리케이션의 공식 웹사이트와 개발자 문서를 쿼리할 것입니다. 우리는 이 이벤트가 토큰으로 정의되는 방법, 이러한 이벤트가 사용되는 함수, 코드 조각 및 코드 주석과 같은 관련 자료에서 문서의 이벤트에 대한 일부 설명을 추출할 수 있는 구문 분석 도구를 개발합니다. 이러한 내용을 추출한 후 수동 분석 및 토론을 통해 마침내 다양한 ​​유형의 DeFi 작업에 해당하는 88개의 이벤트가 있음을 확인했습니다.

이 사전에 분석할 거래를 입력하고 거래에서 어떤 이벤트가 발생했는지 분석합니다. 그런 다음 이 사전에 이벤트가 나타나면 해당 규칙에 따라 어떤 계약이 이 DeFi 작업을 운영하고 있는지, 어떤 DeFi 유형인지, 이 DeFi 작업과 관련된 자산 전송이 무엇인지 등 주요 정보를 추출합니다. 이러한 콘텐츠를 얻은 후 자산 전송의 특징적인 규칙을 요약한 다음 이 규칙을 사용하여 최종 DeFi 조치를 일치시킵니다. 우리는 10가지 DeFi 액션의 정의부터 시작하여 자산 전송의 특징적인 규칙을 요약했습니다. 이전 단계에서 이 정보를 수집한 후 이러한 매칭 규칙을 사용하여 매칭을 수행하며, 이는 궁극적으로 이 거래에서 어떤 특정 DeFi 콘텐츠가 발생했는지 식별하는 데 도움이 됩니다. ActCluster가 트랜잭션 패키지의 각 트랜잭션을 인식한 후에는 트랜잭션 패키지의 동작을 표현할 수 있습니다.

먼저 ActCluster 설계 원칙을 이해해 보겠습니다. 우리는 이 과정에서 수동 분석이 불가피하다는 것을 알고 있으며, 거래 패키지의 활동이 알 수 없는 유형의 MEV 활동인지 여부를 확인하려면 수작업에 의존해야 합니다. 이를 바탕으로 우리의 기본 아이디어는 유사한 활동을 가진 일부 트랜잭션 패키지를 함께 클러스터링하는 것입니다. 각 클러스터에 대해 분석을 위해 하나 또는 여러 트랜잭션 패키지를 무작위로 샘플링하기만 하면 수동 분석 프로세스의 속도를 높이고 궁극적으로 다양한 유형의 MEA 활동을 발견할 수 있습니다. 클러스터 분석을 사용하여 트랜잭션 패키지를 클러스터링할 때 딜레마에 직면합니다. 트랜잭션 패키지의 클러스터링 강도를 상대적으로 대략적으로 설정하면 서로 다른 유형의 활동이 포함된 트랜잭션 패키지가 함께 클러스터링되며 이때 클러스터 수는 줄어들지만 해당 수동 분석 작업도 작아집니다. 일부 새로운 MEV 활동이 누락될 것입니다. 클러스터링의 강도를 좀 더 세부적으로 조정하면 유사하지만 다른 MEA 활동에 해당하는 일부 트랜잭션 패키지를 구분할 수 있지만 수동 분석 작업량이 크게 늘어납니다.

이러한 문제를 바탕으로 우리는 여러 라운드에 걸쳐 반복적으로 군집 분석을 수행하는 반복 군집 분석 방법을 설계했습니다. 각 라운드에서는 이전 라운드에서 발견된 새로운 MEV 활동이 포함된 알려진 트랜잭션 패키지를 제거한 다음 나머지 트랜잭션 패키지의 클러스터링 강도를 향상시킵니다. 트랜잭션 패키지에는 실제로 여러 트랜잭션이 포함되어 있고 하나의 트랜잭션에 여러 DeFi 작업이 포함될 수 있기 때문에 기존 클러스터링 방법을 직접 사용하여 트랜잭션 패키지를 클러스터링할 수 없습니다. 전체 트랜잭션 패키지를 표현하면 그 구조는 실제로 이질적이고 계층적입니다. 이때 우리는 표현 학습 방법을 사용하여 이 트랜잭션 패키지의 내용을 포지셔닝 공간에 표현합니다. 표현학습을 활용하면 분석하고 처리하려는 데이터에 대해 심층적인 학습과 이해가 필요 없고, 풍부한 도메인 지식도 필요하지 않으며, 간단한 데이터 중심 처리만 하면 된다는 장점이 있습니다.

예를 들어, 거래 패키지에 어떤 MEV 활동이 포함되어 있는지 표시하기 위해 거래 패키지에 라벨만 붙이면 됩니다. MEV 활동의 정의를 알면 해당 규칙을 설계하는 것이 비교적 쉽습니다. 이를 통해 해당 활동의 존재 여부를 자동으로 감지할 수 있습니다. 표현 학습을 위해 이러한 트랜잭션 패키지에 자동으로 레이블을 지정할 수 있습니다. 우리의 클러스터 분석은 반복 유형이며 각 반복 후에 새로운 MEV 활동을 발견할 수 있으며, 이때 새로 발견된 MEV 활동에 해당하는 레이블을 표현 학습 프로세스에 실제로 풍부하게 할 수 있습니다. 표현 학습 과정에 사용되는 레이블이 풍부해지면 전체 표현 학습 모델 훈련의 성능과 효율성이 반복적으로 향상될 수 있고, 트랜잭션 패키지의 활동을 표현하는 이 표현 학습의 능력도 반복적으로 향상될 수 있습니다. 실제로 트랜잭션 패키지에는 여러 트랜잭션이 있을 수 있고, 실제로 트랜잭션에는 여러 DeFi 작업이 있을 수 있으므로 트랜잭션 패키지 요구 사항을 표현해야 합니다. 먼저, 각 DeFi 작업 유형에 대해 어떤 계약이 운영되고 있는지, 수신 및 전송되는 자산의 수량과 유형은 무엇인지 등 표준화된 매개변수를 정의합니다. 우리는 이러한 방식으로 각 DeFi 작업을 정의합니다. 한 트랜잭션에 여러 개의 DeFi 액션이 있음을 확인하면, 이를 액션 블록으로 표현하여 해당 트랜잭션에 해당하는 트랜잭션 블록을 나타낼 수 있습니다. 여기에는 트랜잭션을 시작한 사람 등 트랜잭션의 소스 정보가 포함됩니다. 리디렉션 누구에게 전송되었나요? 트랜잭션에서 DeFi 액션이 발생하면 액션 블록을 순서대로 채울 것입니다. 이러한 각 트랜잭션은 트랜잭션 블록으로 표현되며, 마지막으로 매트릭스로 간주할 수 있는 트랜잭션 패키지의 구조를 얻습니다. 트랜잭션 패키지가 표현된 후에는 이를 표현 학습에 사용할 수 있습니다. 각 트랜잭션 패키지는 통합된 구조이므로 일괄 처리에 모델을 사용할 수 있습니다.

성과평가

다음으로 워크플로 성능을 평가하는 데 사용한 방법을 공유합니다. 전체 분석 과정에 대한 데이터 세트는 Flashbots에서 제공하는 API를 통해 제공되며, 거래 패키지 데이터는 2021년 2월부터 2022년 12월까지 600만 건 이상의 거래 패키지와 2,600만 건의 거래를 포함하여 수집되었습니다.

우리는 DeFi 활동의 정확성과 완전성을 비교하기 위한 몇 가지 도구를 설계했습니다. 이러한 온체인 도구 중에서 현재 Etherscan만이 웹페이지와 제공되는 정보를 통해 거래의 DeFi 작업을 복구할 수 있다는 점에 유의해야 합니다. 그리고 DeFiRanger와 마찬가지로 우리는 그들의 논문을 기반으로 그들의 방법을 재현합니다. 또한 우리는 거래 이벤트에서 직접 DeFi 활동을 복구하기 위해 EventLifter라는 도구를 설계했습니다. 우리는 다양한 구성에서 ActLifter를 테스트하고 다양한 도구를 사용하여 인식 정확도를 비교했습니다. ActCluster의 주요 아이디어는 제거 학습을 사용하는 것입니다. 식별할 수 있는 새로운 활동에 대해 ActCluster의 일부 모듈을 제거한 후에도 여전히 발견되지 않은 일부 새로운 활동을 식별하려면 얼마나 많은 수동 분석이 필요합니까? ? 거래 패키지나 수동 분석 작업량이 얼마나 큽니까? 예를 들어 ActCluster 표현 학습 모듈에서 동적 레이블 업데이트를 제거했고 실제로 전체 프로세스를 제거했습니다. 우리는 6백만 개의 트랜잭션 패킷의 무작위 샘플을 채취하고 동일한 양의 새로운 MEV 활동을 발견하기 위해 수동으로 분석해야 하는 트랜잭션 패킷 수를 확인합니다.

우리의 도구는 균일하게 구성되면 100%에 가까운 정확성과 완전성을 달성할 수 있습니다. 그러나 Etherscan과 같은 다른 도구와 마찬가지로 정확도가 100%에 도달할 수 있어 매우 만족스럽기는 하지만 많은 DeFi 작업을 놓칠 것입니다. Etherscan 자체에는 오픈 소스 방식이 없기 때문에 DeFi 작업을 식별하기 위해 규칙을 요약하기 위해 수동 분석을 사용할 수 있으며 수동으로 처리할 수 없는 일부 유형을 놓칠 수 있다고 추측합니다. Etherscan은 실제로 자동화된 인터페이스를 제공하지 않는다는 점에 유의해야 합니다.대규모 식별을 원할 경우 이러한 작업을 직접 완료할 수 없습니다. 숨겨진 규칙 식별을 완전히 사용하는 DeFiRanger는 정확성과 완전성 측면에서 만족스럽지 않습니다. ActCluster를 실험한 결과, 4회 반복 분석을 통해 총 2000개의 트랜잭션 패킷만 분석하면 알 수 없는 MEV 활동 17개를 찾을 수 있다는 사실을 발견했습니다. 이러한 모듈 중 일부를 제거한 후에는 방금 언급한 17가지 알려지지 않은 MEV 활동을 식별하기 위해 최대 170,000개의 트랜잭션 패킷을 수동으로 분석해야 할 수도 있습니다.

실증분석 및 적용

알려지지 않은 유형의 MEV 활동을 식별할 수 있는 우리 방법의 구체적인 적용은 무엇입니까? 첫 번째는 일부 MEV 활동을 방어하기 위해 기존 MEV 완화 조치를 강화할 수 있는지 여부입니다. 두 번째는 분석 결과를 활용하여 MEV 활동이 블록 포레스트의 포크와 재구성, 사용자 금융 보안에 미치는 영향을 포함하여 블록체인 생태계에 미치는 영향을 보다 종합적으로 분석할 수 있는지 확인하는 것입니다.

앞서 MEV 부스트 네트워크 공격자는 도구를 실행하여 사용자로부터 트랜잭션 패키지를 가져온 다음 최종적으로 이를 연결하는 채굴자와 검증자에게 배포할 것이라고 언급했습니다. 중계자는 수신한 트랜잭션 패키지에서 MEA 활동이 포함된 트랜잭션 패키지를 제거하여 MEA 활동이 블록체인에 미치는 부정적인 영향을 일부 줄일 수 있습니다. 이 링크의 주요 아이디어는 MEV 활동이 트랜잭션 패키지에 포함되어 있는지 여부를 감지하기 위해 기존 MEV 활동의 정의를 통해 해당 규칙을 설계하는 것입니다. 분명히 이러한 중계자는 알려지지 않은 MEV 활동이 포함된 일부 트랜잭션 패킷을 배제할 수 없습니다. 우리의 워크플로를 기반으로 우리는 거래 패키지에서 감지한 새로운 유형의 MEV 활동을 감지할 수 있는 MEVHunter 도구를 설계했습니다.

탐지 결과에 따르면 100만 개 이상의 거래 패키지에 역차익거래 MEV 활동이 포함되어 있으며, 나머지 600만 개 거래 패키지 중 30%에는 3가지 알려진 MEV 활동이 포함되어 있는 것으로 나타났습니다. 새로 발견된 MEV 활동의 경우 거래 패키지의 거의 절반에 이러한 새로운 MEV 활동만 포함되어 있음을 발견했습니다. 중계자가 MEVHunter 도구를 사용하면 MEV 활동이 포함된 300만 개의 거래 패키지를 필터링하는 데 도움이 될 수 있으며, MEV 활동이 블록체인에 미치는 부정적인 영향을 줄이기 위해 이러한 거래 패키지를 제거하도록 선택할 수 있습니다.

두 번째 응용 프로그램은 새로운 유형의 MEV 활동이 블록체인 포크 및 재구성에 미치는 영향을 탐색하는 것입니다. 일부 이전 연구에서는 일부 금융 채굴자가 일부 MEV 활동의 이점에 동기를 부여받아 현재 블록체인을 포크 및 재구성하고 MEV 활동을 직접 수행하며 혜택을 누릴 것이라고 보고했습니다. 예를 들어, 블록의 MEV 활동 수입이 블록 보상의 4배인 경우, 채굴자의 10% 이상이 블록을 포크하고 재구성합니다.

두 번째 응용 프로그램은 새로운 유형의 MEV 활동이 블록체인 포크 및 재구성에 미치는 영향을 탐색하는 것입니다. 일부 이전 연구에서는 일부 금융 채굴자가 일부 MEV 활동의 이점에 동기를 부여받아 현재 블록체인을 포크 및 재구성하고 MEV 활동을 직접 수행하며 혜택을 누릴 것이라고 보고했습니다. 예를 들어, 블록의 MEV 활동 수입이 블록 보상의 4배인 경우, 채굴자의 10% 이상이 블록을 포크하고 재구성합니다.

먼저 방금 언급한 MEVHunter 도구를 기반으로 어떤 거래 패키지에 새로운 MEV 활동이 포함되어 있는지 식별한 다음 이러한 거래 패키지에 있는 채굴자의 수입을 사용하여 이러한 MEV 활동의 해당 강도를 추정합니다. 여기에 개념을 도입해야 합니다. 거래 패키지 메커니즘에서 차익 거래 패키지가 체인에 포함될 수 있도록 하기 위해 이러한 차익 거래자는 일반적으로 MEV 활동에서 얻은 수입의 일부를 채굴자와 공유합니다. 체인에 넣을 가장 높은 수익을 내는 거래 패키지를 선택하세요. . 우리는 이 수입을 사용하여 각 거래 패키지의 MEV 활동을 균일하게 추정할 수 있습니다. 통계 결과에 따르면 MEV 보상이 블록 보상의 4~8배인 블록이 900개가 넘으며, 한 블록의 MEV 보상이 블록 보상의 700배 이상인 것으로 나타났습니다. 우리는 Markov 결정 프레임워크를 사용하여 MEV 혜택을 제공하는 블록 포크 및 재구성에 인센티브를 제공할 수 있는 최소 채굴자 수를 결정합니다. 우리는 마침내 1,000개 이상의 블록이 10% 이상의 채굴자가 블록 포크 및 재구성을 수행하도록 동기를 부여할 수 있다는 것을 발견했습니다. 그리고 가장 심각한 블록과 마찬가지로 블록 포크와 재구성을 수행할 채굴자는 6/10,000명 이상입니다.

세 번째 적용은 MEV 활동이 블록체인 사용자의 금융 보안에 미치는 영향을 조사하는 것입니다. MEV 활동은 실제로 블록체인 사용자의 거래가 거래 풀이나 P2P 네트워크의 체인에 업로드되는 대기 시간을 연장시킬 수 있으며, 이는 MEV 활동으로 인해 발생하는 사용자의 금융 보안에 대한 주요 위협 중 하나입니다. 사용자의 거래가 온체인에서 지연되는 경우 차익거래자는 더 복잡하고 수익성이 높은 MEV 활동을 설계하는 데 더 많은 시간을 가질 수 있습니다. 세 번째 응용 프로그램은 사용자 트랜잭션이 체인에 최종 업로드될 때까지의 대기 시간에 대한 MEV 활동의 영향을 비교하는 것입니다. 첫 번째 단계는 트랜잭션의 대기 시간을 수집하는 것입니다. 우리는 주로 네트워크에 노드를 배치한 후 네트워크에서 트랜잭션이 처음 발견된 시간, 트랜잭션이 최종적으로 체인에 업로드된 시간을 기록하고 최종적으로 기다려야 하는 시간을 계산합니다. 우리는 각 블록의 모든 트랜잭션의 대기 시간의 3분위수를 사용하여 통계를 작성하므로 트랜잭션의 대기 시간을 블록당 시계열로 정리할 수 있습니다. 그런 다음 각 블록의 해당 MEV 활동은 새로운 MEV 활동이 포함된 거래 패키지에서 각 블록의 채굴자가 얻은 수입으로 특징지어지며, 이러한 방식으로 여러 시계열을 얻습니다. Granger 인과성 테스트를 통해 MEV 활동이 거래 시간에 미치는 영향을 평가합니다.인과성 테스트를 통해 한 시계열의 변동이 다른 시계열의 변동으로 이어지는지, 그리고 어느 범위에서 다른 시계열 변동에 영향을 미치거나 유발하는지 확인할 수 있습니다. MEV 활동이 변동하면 사용자의 트랜잭션 대기 시간이 길어지고, 후속 블록은 얼마나 영향을 미치게 됩니까?

인과성 테스트의 P 값이 0.5 이하인 경우, 이는 이전 MEV 활동의 영향으로 해당 블록의 트랜잭션 대기 시간이 연장되었음을 의미합니다. 분석 결과에 따르면 MEV 활동이 발생하면 다음 두 블록의 트랜잭션 중 50%의 대기 시간이 연장되는 것으로 나타났다. MEV 활동이 발생한 후 다음 30개 블록의 트랜잭션 대기 시간의 25%가 연장됩니다. 채굴자나 검증인은 가스비가 상대적으로 낮은 거래를 캡슐화된 블록의 끝에 넣게 되며, 사용자 거래의 가스비가 낮을수록 MEV 활동의 영향력은 커지고 대기 시간은 길어집니다.

결론적으로 먼저 워크플로를 통해 알려지지 않은 MEV 활동을 찾는 방법과 워크플로 내 두 모듈의 세부 설계를 공유한 후 실증적 분석을 통해 워크플로의 효율성을 검증하고 세 가지 응용 프로그램을 나열했습니다. 지금까지 우리는 워크플로를 사용하여 17개의 새로운 MEV 활동을 발견했습니다.