이더리움 거래 패킷의 미지의 유형 MEV 활동을 밝혀내다

嘉宾：Zihao Li，홍콩 폴리텍 대학교 박사생

정리：aididiao.eth，Foresight News

본 문서는 Web3 청년 학자 프로그램에서 홍콩 폴리텍 대학교 박사생 Zihao Li의 영상 공유 내용을 정리한 것입니다. Web3 청년 학자 프로그램은 DRK Lab이 imToken 및 Crytape와 공동으로 시작한 프로그램으로, 암호화 분야의 저명한 청년 학자들이 중국어 커뮤니티를 대상으로 최신 연구 결과를 공유하는 행사입니다.

안녕하세요, 저는 Zihao Li입니다. 홍콩 폴리텍 대학교 3학년 박사생이며, 오늘 공유할 주제는 《이더리움 거래 패키지에서 MEV 활동을 밝혀내기》입니다. 간단히 말해 거래 패키지를 통해 이더리움 네트워크에서 알려지지 않은 유형의 MEV 활동을 발견하는 방법에 대해 이야기하겠습니다. 먼저 MEV 개념, 거래 패키지 메커니즘 및 우리의 작업 배경과 같은 기본적인 배경 소개를 하겠습니다. 그런 다음 전체 작업 흐름과 몇 가지 설계 아이디어를 자세히 설명하겠습니다. 예를 들어 어떤 설계 원칙을 기반으로 작업 흐름을 설계했는지, 우리의 데이터 세트는 무엇인지, 어떤 도구를 사용하여 어떤 지표에서 작업 흐름을 평가했는지 등을 설명하겠습니다. 마지막으로 세 가지 응용 프로그램과 관련된 실증 분석 결과를 소개하겠습니다.

배경 소개：MEV、거래 패키지、동기

MEV 활동은 블록체인에서 차익 거래자가 블록체인 네트워크를 모니터링하여 차익 거래를 생성하는 것을 의미합니다. 일부 거래 정보는 블록체인 P2P 네트워크에서 전파되거나, 채굴자 또는 검증자의 거래 풀에 저장된 공식적으로 블록체인에 올라가지 않은 거래입니다. 차익 거래자가 이러한 거래 정보를 듣게 되면, 그는 몇 가지 전략을 통해 자신의 차익 거래를 생성하고, 그 거래를 다음 블록의 특정 위치에 지정합니다. 예를 들어, 그는 다음 블록의 머리 부분에 배치하거나 특정 거래 뒤에 전략화된 거래를 실행하여 동일한 차익 거래를 전파할 수 있습니다. 특정 위치에 차익 활동을 지정하는 것을 우리는 MEV 활동으로 간주할 수 있습니다. 예를 들어, 차익 거래자가 자산 가격의 변동을 모니터링하면, 그는 가격이 낮은 거래 풀에서 해당 자산을 구매하고, 가격이 높은 자산 풀에서 판매하여 MEV 활동을 수행할 수 있습니다.

현재 MEV 활동은 주로 차익 거래자가 DeFi 생태계를 중심으로 전개되고 있습니다. 현재 DeFi 생태계는 자산이 주로 집중되어 있으며, 현재까지 이더리움 및 기타 체인의 DeFi 생태계는 400억 달러 이상의 자금을 유치했습니다. 여기서 DeFi 생태계와 관련된 개념인 DeFi action을 언급할 필요가 있습니다. 이는 DeFi 애플리케이션이 제공하는 원자화 서비스 작업을 의미합니다. 예를 들어, AMM이 서로 다른 유형의 자산 간의 교환을 지원하는 것을 알고 있습니다. 사용자는 USDC를 판매하고 ETH를 얻는 작업을 DeFi action으로 정의할 수 있습니다. 우리는 DeFi action을 사용하여 MEV 활동을 표현할 수 있습니다. 예를 들어, 사용자가 서로 다른 AMM에서 자산 가격의 차이를 감지하면, 사용자는 저가로 구매하고 고가로 판매하여 가격 차익을 얻을 수 있습니다. 이 MEV 활동은 두 개의 DeFi action으로 표현할 수 있습니다.

현재 학계에서 MEV 활동에 대한 연구는 주로 세 가지 범주로 나뉘며, 각각 샌드위치 공격, 역차익 거래 및 청산입니다. 우리의 작업 데이터 세트에서는 이 세 가지 MEV 활동의 발생 횟수가 100만 건을 초과했습니다. 여기서 하나의 문제가 있습니다. 우리가 이러한 MEV 활동의 정의를 알고 있다면, 어떻게 활동의 발생을 식별할 수 있을까요? 이러한 MEV 활동을 식별하려면 차익 거래자의 모든 활동을 식별해야 합니다. 예를 들어, 차익 거래자가 어떤 거래를 생성했는지, 그 거래에서 어떤 유형의 차익이 있는지를 알아야 현재 어떤 유형의 MEV 활동이 발생하고 있는지를 확인할 수 있습니다. 이 과정은 우리가 알고 있는 MEV 활동의 정의에 크게 의존합니다. 샌드위치 공격을 예로 들면, 우리는 샌드위치 공격의 정의를 알고 나면, 샌드위치 공격의 차익 값을 확인하고 해당 차익 거래를 식별하기 위해 매우 많은 규칙을 설정해야 합니다. 그런 다음 이러한 규칙을 통해 후보 샌드위치 공격의 차익 값과 거래를 필터링해야 합니다. 이러한 방식으로 알려진 MEV 공격 유형을 식별할 때 두 가지 문제가 발생합니다. 첫 번째 문제는 우리가 알고 있는 세 가지 일반적인 MEV 활동이 모든 MEV 활동을 대표할 수 있는가입니다. 분명히 그렇지 않습니다. DeFi 생태계는 계속 발전하고 있으며, 새로운 애플리케이션이 계속 개발되고 있습니다. 이러한 차익 거래자의 전략도 계속 진화하고 있습니다. 두 번째 문제는 이러한 알려지지 않은 MEV 활동을 어떻게 발견할 수 있는가입니다. 이러한 문제를 가지고 거래 패키지 메커니즘을 살펴보겠습니다.

거래 패키지 메커니즘은 2021년에 처음 제안되었습니다. 간단히 말해 사용자가 거래 큐를 구성할 수 있으며, 이 거래 큐의 길이는 하나의 거래일 수도 있고 여러 거래일 수도 있습니다. 그런 다음 사용자는 이러한 거래를 블록체인 네트워크의 중계자에게 전송합니다. 중계자는 이러한 거래를 수집한 후 관련 채굴자 또는 검증자에게 직접적이고 비공식적으로 전송합니다. 현재 중계자는 거래 패키지를 실행하여 중계 작업을 수행하고 있습니다. 거래 패키지 메커니즘의 매우 중요한 특징은 사용자가 거래 패키지를 구성할 때 다른 사람들이 아직 블록체인에 올라가지 않은 거래를 거래 패키지에 포함시킬 수 있으며, 거래 패키지 내의 거래 순서는 임의로 조작할 수 있다는 점입니다. 이때 거래 패키지의 사용자 또는 거래 패키지를 사용하는 차익 거래자는 자신의 차익 규칙을 설계할 수 있습니다. 예를 들어, 그는 더 복잡하고 더 많은 수익을 올릴 수 있는 MEV 활동 전략을 설계할 수 있습니다. 샌드위치 공격을 예로 들면, 거래 패키지를 사용하지 않는 경우, 샌드위치 공격의 차익 거래자는 최소한 하나의 거래 쌍을 생성해야 차익 거래를 실현할 수 있으며, 이 거래 쌍은 특정 거래에만 해당됩니다. 이 공격 거래가 차익을 발생시키기 위해서는 반드시 일정한 순서로 실행되어야 합니다. 그러나 차익 거래자가 거래 패키지를 사용할 경우, 그는 많은 차익 거래가 가능한 거래를 수집할 수 있으며, 단지 하나의 거래 쌍만으로도 여러 거래에서 동시에 차익을 발생시킬 수 있습니다. 이 거래 패키지가 블록체인에 올라가면 반드시 차익을 실현할 수 있으며, 여러 차익 거래가 가능한 거래에 대해 동시에 차익을 발생시키기 때문에 그 결과로 얻는 수익도 더 많습니다.

거래 패키지의 특성은 매우 풍부하고 복잡한 MEV 활동을 포함합니다. 거래 패키지를 사용하는 사용자는 자신의 전체 거래를 거래 패키지에 캡슐화하여 P2P 네트워크의 중계자에게 전송하고, 최종적으로 관련 채굴자 및 검증자에게 전송합니다. 우리는 거래 패키지를 통해 모든 활동을 정확하고 완전하게 식별할 수 있습니다. 따라서 우리는 거래 패키지를 매개로 하여 일부 알려지지 않은 MEV 활동을 비교적 정확하게 식별할 수 있습니다.

작업 흐름 및 설계 아이디어

이제 우리의 작업 흐름을 구체적으로 소개하겠습니다. 우리는 거래 패키지라는 매개를 통해 어떻게 알려지지 않은 MEV 활동을 발견하는지에 대해 설명하겠습니다. 핵심 작업 흐름은 두 가지 도구를 포함합니다. 먼저 중계자가 거래 패키지를 수집한 후 ActLifter 도구를 사용하여 거래 패키지 내의 각 DeFi action을 식별합니다. 결과를 얻은 후, 이 거래 패키지 내의 모든 행동을 표현합니다. 그런 다음 ActCluster 도구를 사용하여 유사한 활동을 가진 거래 패키지를 클러스터링하여 클러스터링 결과를 통해 새로운 MEV 활동을 더 빠르게 발견합니다. 알려지지 않은 MEV 활동을 발견하고자 한다면, 불가피하게 인공지능이 최종적으로 MEV 활동이 알려지지 않은 유형인지 확인해야 합니다. 물론 우리는 작업 설계의 목표를 가능한 한 인공지능의 작업량을 최소화하고, 전체 과정이 가능한 한 자동화되도록 하는 것입니다.

현재 이미 거래에서 MEV 활동을 식별할 수 있는 몇 가지 도구가 있습니다. 우리는 이를 대략 두 가지 범주로 나눌 수 있습니다. 첫 번째 범주는 순수하게 인공지능이 규칙을 요약하는 방법입니다. 두 번째 범주는 순수한 휴리스틱 규칙으로, 특정 유형의 MEV 활동을 식별하기 위해 순수 자동화된 휴리스틱 규칙을 사용하는 것입니다. 예를 들어, 현재의 일부 송금 정보를 식별한 후, 휴리스틱 규칙을 충족하는지 확인하여 충족되면 해당 활동을 식별할 수 있습니다. 첫 번째 순수 인공지능 요약 규칙 방법은 비교적 좋은 정확도를 달성할 수 있습니다. 이 과정은 완전히 인공지능 분석 특정 애플리케이션을 기반으로 하며, 검출 결과의 정확성을 보장할 수 있지만, 분석 작업은 매우 큰 작업량을 요구하므로 모든 DeFi 애플리케이션을 커버할 수 없습니다. 두 번째 방법은 완전 자동화를 구현할 수 있지만, 휴리스틱 규칙은 특정 유형만 커버할 수 있습니다. 한편, 휴리스틱 규칙은 설계상 문제가 있어 그 식별 정확도가 만족스럽지 않습니다.

우리는 두 가지 방법의 장점을 종합하여 작업 흐름을 설계했습니다. 우리는 현재 비교적 주요한 10가지 DeFi action을 식별할 수 있습니다. 우리는 단지 인공지능이 DeFi 애플리케이션 내에서 어떤 사건이 발생한 후 어떤 유형의 DeFi action에 해당하는지를 확인하면, 더 이상 인공지능 분석이 필요하지 않고 이후에는 완전히 자동화된 분석으로 진행할 수 있습니다. 두 번째 방법은 완전 자동화로 DeFi action을 식별할 수 있지만, 분석 대상이 MEV 활동과 관련이 있는지를 확인할 수 없습니다. 예를 들어, SWAP 송금을 식별하면 두 개의 완전히 관련 없는 송금을 조합하여 하나의 DeFi action으로 인식할 수 있으며, 자연스럽게 그 식별 결과는 잘못됩니다. 그러나 우리는 이 정보를 활용하여 실제로 DeFi action과 관련된 정보를 필터링할 수 있습니다. 이러한 정보를 얻은 후, 우리는 자동화된 방법을 통해 두 번째 방법에서 발생할 수 있는 오류 상황을 피할 수 있습니다.

예를 들어, 여기 한 거래가 총 네 개의 송금과 관련되어 있으며, 그 발생 순서, 자금 수량 및 유형 등을 번호로 표시합니다. 이 과정에서 AMM은 Swap action과 관련된 사건을 발생시켰습니다. 첫 번째 방법은 이 사건이 발생한 후, 사건의 일부 매개변수를 통해 현재 내용을 복원해야 합니다. 예를 들어, 699 계약의 코드, 비즈니스 논리 및 일부 함수 변수를 확인하여 현재 내용을 복원해야 합니다. 이러한 정보를 얻은 후, 우리는 그 특유의 자산 송금 특성에 대한 규칙을 설계했습니다. 예를 들어, 우리가 추출한 규칙은 현재 DeFi 계약이 서로 다른 유형의 자산을 수신하고 송금해야 한다는 것입니다. 두 개의 이러한 자산 송금이 이러한 특성을 충족하는 경우, 우리는 해당 Swap action 내용을 복원할 수 있습니다. 두 번째 방법은 두 개의 자산 송금을 직접 매칭하는 것입니다. 이 두 개의 자산 송금 계좌는 서로 다른 유형의 자산을 수신하고 송금합니다. 첫 번째와 다섯 번째 송금은 서로 관련된 송금으로 간주되며, 중간 계좌는 AMM으로 간주됩니다. 분명히 우리는 식별 결과가 부정확하다는 것을 직관적으로 알 수 있습니다.

우리는 인공지능 분석을 통해 요약한 규칙이 관련 사건에 해당하는 DeFi action 유형이라는 것을 확인했습니다. 비록 결과가 인공지능 분석을 통해 요약된 것이지만, 우리는 가능한 한 인공지능 분석 과정을 반자동화된 과정으로 정제하여 전체 과정의 신뢰성을 확보하려고 합니다. 우리는 DeFiPulse.com 및 Dapp.com 공식 웹사이트에서 DeFi 애플리케이션의 공식 웹사이트, 개발자 문서 및 일부 계약 소스 코드를 조회합니다. 우리는 이러한 관련 자료에서 사건에 대한 설명을 추출할 수 있는 분석 도구를 개발했습니다. 예를 들어, 이 사건이 토큰으로 어떻게 정의되었는지, 어떤 함수에서 이 사건이 사용되는지, 이 사건이 사용되는 코드 조각 및 코드 주석을 추출합니다. 이러한 것들을 추출한 후, 우리는 인공지능 분석 및 논의를 통해 최종적으로 88개의 사건이 각각 다른 유형의 DeFi action에 해당한다고 확인했습니다.

우리는 분석할 거래를 이 사전 데이터베이스에 입력하여 거래에서 어떤 사건이 발생했는지 분석합니다. 그런 다음 사건이 이 사전 데이터베이스에 나타나면, 우리는 해당 규칙에 따라 주요 정보를 추출합니다. 예를 들어, 어떤 계약이 이 DeFi action을 수행하고 있는지, 이 DeFi의 유형은 무엇인지, 어떤 자산 송금이 이 DeFi action과 관련이 있는지를 확인합니다. 이러한 내용을 얻은 후, 우리는 자산 송금의 특성 규칙을 요약하고, 이 규칙을 사용하여 최종 DeFi action을 매칭합니다. 우리는 10개의 DeFi action 정의를 기반으로 자산 송금의 특성 규칙을 요약했습니다. 이전 단계에서 이러한 정보를 수집한 후, 우리는 이 매칭 규칙을 사용하여 매칭을 수행하여 최종적으로 이 거래에서 어떤 DeFi가 어떤 구체적인 내용을 발생시켰는지를 식별하는 데 도움을 줍니다. ActCluster가 거래 패키지 내의 각 거래를 식별한 후, 우리는 거래 패키지의 행동을 표현할 수 있습니다.

먼저 ActCluster의 설계 원칙을 이해해 보겠습니다. 우리는 인공지능 분석이 이 과정에서 불가피하다는 것을 알고 있습니다. 인공지능은 거래 패키지의 활동이 알려지지 않은 유형의 MEV 활동인지 확인하는 데 의존해야 합니다. 이를 바탕으로 우리의 기본 아이디어는 클러스터링 방식을 통해 유사한 활동을 가진 거래 패키지를 함께 묶는 것입니다. 각 클러스터에 대해 우리는 무작위로 하나 또는 여러 개의 거래 패키지를 샘플링하여 분석함으로써 인공지능 분석 과정을 가속화하고, 궁극적으로 다양한 유형의 MEA 활동을 발견할 수 있습니다. 우리는 거래 패키지에 클러스터링 분석을 수행할 때 두 가지 딜레마에 직면하게 됩니다. 거래 패키지의 클러스터링 강도를 비교적 낮게 설정하면, 서로 다른 유형의 활동을 포함하는 거래 패키지가 함께 묶이게 됩니다. 이 경우 클러스터링 결과의 수는 줄어들지만, 관련된 인공지능 분석 작업량도 줄어들게 됩니다. 그러나 일부 새로운 MEV 활동이 누락될 수 있습니다. 만약 클러스터링 강도를 비교적 높게 설정하면, 유사하지만 서로 다른 MEA 활동에 해당하는 거래 패키지를 구분할 수 있지만, 관련된 인공지능 분석 작업량이 크게 증가합니다.

이러한 문제를 바탕으로 우리는 반복 클러스터링 분석 방법을 설계했습니다. 이 방법은 여러 차례 반복적으로 클러스터링 분석을 수행합니다. 매 라운드마다 우리는 이전 몇 라운드에서 발견된 새로운 MEV 활동 거래 패키지를 제외하고, 남은 거래 패키지에 대해 클러스터링 강도를 높입니다. 우리는 전통적인 클러스터링 방법을 거래 패키지에 직접 사용할 수 없습니다. 왜냐하면 거래 패키지는 여러 거래를 포함하고 있으며, 각 거래는 여러 DeFi action을 포함할 수 있기 때문입니다. 전체 거래 패키지를 표현하면 그 구조는 이질적이고 계층적입니다. 이때 우리는 표현 학습 방법을 사용하여 거래 패키지의 내용을 위치 공간에 표현합니다. 표현 학습의 장점은 우리가 분석 처리할 데이터를 깊이 이해할 필요가 없으며, 풍부한 도메인 지식이 필요하지 않다는 것입니다. 우리는 단순히 데이터 중심의 처리를 수행하면 됩니다.

예를 들어, 우리는 거래 패키지에 어떤 MEV 활동이 포함되어 있는지를 레이블로 표시하기만 하면 됩니다. MEV 활동 정의를 알고 있다면, 우리는 해당 규칙을 설계하여 자동으로 존재 여부를 감지할 수 있습니다. 우리는 이러한 거래 패키지에 대해 자동으로 레이블을 부여할 수 있습니다. 우리의 클러스터링 분석은 반복적인 유형이며, 각 반복 후 새로운 MEV 활동을 발견할 수 있습니다. 이때 우리는 이러한 새로 발견된 MEV 활동에 해당하는 레이블을 표현 학습 과정에 풍부하게 추가할 수 있습니다. 표현 학습 과정에서 사용되는 레이블이 풍부해지면, 전체 표현 학습 모델의 훈련 성능과 효율성이 반복적으로 향상될 수 있으며, 거래 패키지의 활동 표현 능력도 반복적으로 향상될 수 있습니다. 하나의 거래 패키지에는 여러 거래가 포함될 수 있으며, 각 거래에는 여러 DeFi action이 포함될 수 있습니다. 우리는 거래 패키지를 표현해야 합니다. 먼저 각 유형의 DeFi action에 대해 표준화된 매개변수를 정의합니다. 예를 들어, 어떤 계약이 진행 중인지, 수신 및 송금되는 자산의 수량과 유형은 무엇인지 등을 정의합니다. 이러한 방식으로 각 DeFi action을 정의합니다. 만약 우리가 하나의 거래에서 여러 DeFi action을 식별하면, 우리는 이를 action block으로 표현하여 이 거래에 해당하는 transaction block을 표현할 수 있습니다. 거래의 출처 정보, 즉 이 거래를 누가 시작했는지, 이 송금이 누구에게 전달되었는지 등을 포함합니다. 거래 내에서 발생하는 DeFi action은 순서에 따라 action block으로 채워집니다. 각 거래는 transaction block으로 표현되며, 최종적으로 얻은 거래 패키지의 구조는 행렬로 간주될 수 있습니다. 이 거래 패키지가 표현된 후, 우리는 이를 표현 학습에 사용할 수 있습니다. 각 거래 패키지는 통일된 구조를 가지며, 우리는 모델을 사용하여 일괄 처리할 수 있습니다.

성능 평가

이제 우리는 작업 흐름 성능을 평가하기 위해 어떤 방법을 사용했는지 공유하겠습니다. 우리의 전체 분석 과정 데이터 세트는 Flashbots에서 제공한 API를 통해 수집되었으며, 2021년 2월부터 2022년 12월까지의 거래 패키지 데이터를 포함하고 있습니다. 이 데이터는 600만 개 이상의 거래 패키지와 2600만 개의 거래를 포함합니다.

우리는 DeFi action의 정확도와 완전성을 비교하기 위해 몇 가지 도구를 설계했습니다. 여기서 주의할 점은 이러한 체인 상 도구 중 현재 Etherscan만이 웹 페이지와 제공된 정보를 통해 거래 내의 DeFi action을 복원할 수 있다는 것입니다. DeFiRanger는 우리는 그들의 논문을 기반으로 그들의 방법을 재현했습니다. 이 외에도 우리는 EventLifter라는 도구를 설계하여 거래 이벤트에서 직접 DeFi action을 복원하려고 시도했습니다. 우리는 다양한 구성에서 ActLifter를 테스트했으며, 여러 도구를 사용하여 식별 정확도를 비교했습니다. ActCluster의 경우, 우리의 주요 아이디어는 소거 학습 방식을 사용하는 것입니다. 우리는 식별할 수 있는 새로운 활동에 대해 ActCluster의 일부 모듈을 소거한 후, 여전히 발견되지 않은 새로운 활동을 식별하기 위해 얼마나 많은 거래 패키지를 인공지능 분석해야 하는지를 확인합니다. 예를 들어, 우리는 ActCluster의 표현 학습 모듈에서 동적 레이블 업데이트를 소거했습니다. 우리는 600만 개의 거래 패키지에서 무작위로 샘플링하여, 동일한 수의 새로운 MEV 활동을 발견하기 위해 얼마나 많은 거래 패키지를 인공지능 분석해야 하는지를 확인했습니다.

우리의 도구는 구성 통일의 경우 거의 100%의 정확도와 완전성을 달성할 수 있습니다. 그러나 Etherscan과 같은 다른 도구는 정확도가 100%에 도달할 수 있지만, 매우 많은 DeFi action을 놓칠 수 있습니다. Etherscan은 오픈 소스 방법을 제공하지 않으며, 우리는 그것이 아마도 인공지능 분석 방법을 사용하여 규칙을 요약하여 DeFi action을 식별하는 것으로 추측합니다. 따라서 인공지능이 커버할 수 없는 유형을 놓칠 수 있습니다. 여기서 주의할 점은 Etherscan이 자동화된 인터페이스를 제공하지 않기 때문에 대규모 식별을 수행하려면 직접적으로 이러한 작업을 완료할 수 없습니다. 완전히 잠재적인 규칙을 사용하여 식별하는 DeFiRanger는 정확도와 완전성에서 만족스럽지 않습니다. 우리는 ActCluster에 대한 실험을 수행한 결과, 네 번의 반복 분석을 통해 총 2000개의 거래 패키지를 분석하여 17개의 알려지지 않은 MEV 활동을 발견할 수 있었습니다. 우리가 일부 모듈을 소거한 경우, 최대 17만 개의 거래 패키지를 인공지능 분석해야 방금 언급한 17종의 알려지지 않은 MEV 활동을 식별할 수 있습니다.

실증 분석 및 응용

우리가 알려지지 않은 유형의 MEV 활동을 식별할 수 있는 방법에는 어떤 구체적인 응용이 있을까요? 첫째, 현재 존재하는 MEV 완화 조치를 강화할 수 있는지, MEV 활동을 방어할 수 있는지입니다. 두 번째는 분석 결과를 활용하여 MEV 활동이 블록체인 생태계에 미치는 영향을 더 포괄적으로 분석할 수 있는지, 블록체인 분기 재구성과 사용자 금융 안전에 미치는 영향을 포함합니다.

우리는 앞서 MEV boost 네트워크 공격자가 도구를 실행하여 사용자로부터 거래 패키지를 가져온 후, 이를 연결된 채굴자 및 검증자에게 분배한다고 언급했습니다. 중계자는 그들이 받은 거래 패키지에서 MEA 활동이 포함된 거래 패키지를 제외합니다. 이를 통해 MEA 활동이 블록체인에 미치는 부정적인 영향을 줄일 수 있습니다. 이 과정의 주요 아이디어는 기존 MEV 활동의 정의를 기반으로 규칙을 설계하여 거래 패키지 내에 MEV 활동이 포함되어 있는지를 감지하는 것입니다. 분명히 이러한 중계자는 알려지지 않은 MEV 활동이 포함된 거래 패키지를 제외할 수 없습니다. 우리의 작업 흐름을 기반으로 우리는 MEVHunter 도구를 설계했습니다. 이 도구는 우리가 감지한 새로운 유형의 MEV 활동을 거래 패키지에서 감지할 수 있습니다.

감지 결과, 100만 개 이상의 거래 패키지에서 역차익 거래 MEV 활동이 포함되어 있으며, 600만 개의 거래 패키지 중 30%는 세 가지 알려진 MEV 활동이 포함되어 있습니다. 우리가 새로 발견한 MEV 활동의 경우, 거의 절반의 거래 패키지가 이러한 새로운 MEV 활동만 포함되어 있습니다. 중계자가 MEVHunter 도구를 사용하면, MEV 활동이 포함된 300만 개의 거래 패키지를 필터링하여 이러한 거래 패키지를 제외하고 MEV 활동이 블록체인에 미치는 부정적인 영향을 줄일 수 있습니다.

두 번째 응용은 새로운 MEV 활동이 블록체인 분기 및 재구성에 미치는 영향을 탐구하는 것입니다. 이전 연구에서는 일부 금융 채굴자가 MEV 활동의 수익에 의해 자극받아 현재 블록체인을 분기 및 재구성하고, MEV 활동을 수행하여 수익을 얻는다고 보고했습니다. 예를 들어, 특정 블록의 MEV 활동 수익이 블록 보상보다 4배 높을 경우, 10% 이상의 채굴자가 해당 블록을 분기 및 재구성할 것입니다.

우리는 먼저 앞서 언급한 MEVHunter 도구를 사용하여 어떤 거래 패키지가 새로운 MEV 활동을 포함하고 있는지를 식별한 후, 이러한 거래 패키지에서 채굴자의 수익을 통해 MEV 활동의 강도를 추정합니다. 여기서 거래 패키지 메커니즘에서 이러한 차익 거래자는 자신의 차익 거래 패키지가 블록체인에 올라갈 수 있도록 하기 위해 일반적으로 MEV 활동 수익의 일부를 채굴자와 공유합니다. 그런 다음 채굴자는 최종적으로 수익이 가장 높은 거래 패키지를 블록체인에 올립니다. 우리는 이 수익을 통해 각 거래 패키지에서 MEV 활동을 통일적으로 추정할 수 있습니다. 우리의 통계 결과에 따르면, MEV 수익이 블록 보상의 4배에서 8배인 블록이 900개 이상 존재하며, 한 블록의 MEV 보상은 블록 보상의 700배 이상입니다. 우리는 마르코프 결정 프레임워크를 사용하여 주어진 MEV 수익에 대해 최소한 몇 명의 채굴자가 블록 분기 및 재구성을 수행하도록 자극할 수 있는지를 결정합니다. 최종적으로 우리는 1000개 이상의 블록이 10% 이상의 채굴자를 자극하여 블록 분기 및 재구성을 수행할 수 있음을 발견했습니다. 가장 심각한 블록의 경우, 0.06% 이상의 채굴자가 블록 분기 및 재구성을 수행합니다.

세 번째 응용은 MEV 활동이 블록체인 사용자 금융 안전에 미치는 영향을 탐구하는 것입니다. MEV 활동은 블록체인 사용자의 거래가 거래 풀 또는 P2P 네트워크에서 블록체인에 올라가는 시간이 연장될 수 있습니다. 이는 MEV 활동이 사용자 금융 안전에 미치는 주요 위협 중 하나입니다. 사용자의 거래가 블록체인에 올라가는 것이 지연되면, 차익 거래자는 더 많은 시간을 가지고 더 복잡하고 더 많은 수익을 올릴 수 있는 MEV 활동을 설계할 수 있습니다. 세 번째 응용은 MEV 활동이 사용자 거래의 최종 블록체인 등록 대기 시간에 미치는 영향을 비교하는 것입니다. 첫 번째 단계로 우리는 거래의 대기 시간을 수집합니다. 우리는 주로 네트워크에 노드를 배포하고, 네트워크에서 이 거래를 처음 발견한 시간과 이 거래가 최종적으로 블록체인에 올라간 시간을 기록하여 대기 시간을 계산합니다. 우리는 각 블록 내의 모든 거래의 대기 시간의 세 개의 사분위수를 통계적으로 정리하여, 각 블록을 단위로 거래의 대기 시간을 시간 시퀀스로 정리할 수 있습니다. 그런 다음 각 블록 내의 MEV 활동도 각 블록 내에서 채굴자가 새로운 MEV 활동이 포함된 거래 패키지에서 얻은 수익으로 묘사됩니다. 이렇게 하면 우리는 여러 시간 시퀀스를 얻을 수 있습니다. 우리는 그랜저 인과 테스트를 통해 MEV 활동이 거래 시간에 미치는 영향을 평가합니다. 인과 테스트는 한 시간 시퀀스의 변동이 다른 시간 시퀀스의 변동을 유발하는지 여부와 그 영향을 미치는 범위를 결정할 수 있습니다. MEV 활동이 변동할 때, 사용자의 거래 대기 시간이 길어지는지 여부와 이후 몇 개의 블록 범위 내에서 영향이 존재하는지를 평가합니다.

인과 테스트의 P 값이 0.5 이하일 경우, 이는 해당 블록 내의 거래 대기 시간이 이전 MEV 활동의 영향을 받아 연장되었다는 것을 의미합니다. 분석 결과에 따르면, MEV 활동이 발생할 때, 이후 두 개의 블록 내에서 50%의 거래 대기 시간이 연장됩니다. MEV 활동이 발생한 후, 이후 30개의 블록 내에서 25%의 거래 대기 시간이 연장됩니다. 채굴자 또는 검증자는 가스 요금이 비교적 낮은 거래를 패키지 블록의 끝부분에 배치합니다. 사용자의 거래 가스가 낮을수록 MEV 활동의 영향을 받는 범위가 커지며, 대기 시간이 더 길어질 수 있습니다.

마지막으로 요약하자면, 우리는 먼저 작업 흐름을 통해 알려지지 않은 MEV 활동을 찾는 방법과 작업 흐름 내 두 개의 모듈의 세부 설계를 공유했습니다. 그런 다음 우리는 실증 분석을 통해 작업 흐름의 유효성을 검증하고, 세 가지 응용을 나열했습니다. 현재 우리는 작업 흐름을 통해 17종의 새로운 MEV 활동을 발견했습니다.