Demystifying DeFi MEV Activities in Flashbots Bundle

目录

  • 笔记
  • 后续的研究方向
  • 摘要
  • 引言
    • 贡献

Demystifying DeFi MEV Activities in Flashbots Bundle
CCS 2023

Demystifying DeFi MEV Activities in Flashbots Bundle_第1张图片

笔记

本文介绍了对 Flashbots 捆绑包中的去中心化金融 (DeFi) 矿工可提取价值 (MEV) 活动的研究。作者开发了ActLifter,一种用于准确识别每个捆绑包交易中的DeFi操作的自动化工具,以及ActCluster,一种发现已知和未知DeFi MEV活动的方法。该研究旨在回答有关捆绑中已知和未知 DeFi MEV 活动的流行率以及捆绑中 DeFi MEV 活动与其他 DeFi MEV 活动之间的差异的问题。作者进行了广泛的实验并评估了 ActLifter 的性能,发现了 17 种新的 DeFi MEV 活动。这项工作的贡献包括首次对捆绑中的 DeFi MEV 活动进行系统分析、识别 DeFi 行动的新方法、发现捆绑 MEV 活动的新方法,以及增强 MEV 对策和评估风险和影响的新应用。

大意:

  • 去中心化金融 (DeFi) 越来越受欢迎,但机会主义交易者可以通过提取矿工可提取价值 (MEV) 来竞争赚取收入,这破坏了区块链的安全性和效率。
  • Flashbots 捆绑机制为交易者提供了更复杂的 MEV 提取。
  • 作者开发了 ActLifter,这是一种用于识别捆绑交易中 DeFi 操作的自动化工具,实现了近 100% 的准确率和召回率。
  • ActCluster 旨在以更少的手动工作量发现已知和未知的 DeFi MEV 活动。
  • 进行了广泛的实验,发现了 17 种新的 DeFi MEV 活动。
  • 该研究提供了对捆绑 DeFi MEV 活动的流行率和特征以及它们与其他 DeFi MEV 活动的差异的见解。

后续的研究方向

  1. 开发用于 MEV 对抗的自动化工具:在信息中提到的 MEVHunter 工具的基础上,进一步的研究可以集中在开发更先进和自动化的工具上,以增强继电器中的 MEV 对抗。这可能涉及利用机器学习和数据分析技术来检测和过滤包含已知和未知 MEV 活动的捆绑包。

  2. 量化 MEV 活动对区块链共识安全的影响:虽然这些信息讨论了评估捆绑 MEV 活动引起的分叉和重组风险,但未来的研究可以更深入地量化这些活动对区块链共识安全的实际影响。这可能涉及分析历史数据和进行模拟,以了解财务上理性的矿工在多大程度上被激励分叉和重组区块链。

  3. 增强区块链用户的经济安全:在评估MEV活动对经济安全的影响的基础上,进一步的研究可以侧重于制定战略和机制,以减轻MEV活动对区块链用户构成的风险。这可能涉及提出新的协议、共识机制或激励结构,以阻止或阻止矿工从事 MEV 活动。

  4. 将分析范围扩大到其他区块链应用:虽然信息主要集中在 DeFi 应用上,但未来的研究可以探索 MEV 活动在其他区块链应用(如去中心化交易所、游戏平台或供应链管理系统)中的存在和影响。这将使人们更全面地了解不同领域的MEV活动,并能够制定有针对性的对策。

  5. 调查 MEV 活动的道德影响:MEV 活动可能具有道德影响,例如不公平优势、市场操纵或利用漏洞。未来的研究可以深入研究围绕MEV活动的伦理考虑,并探索在区块链和加密货币生态系统背景下负责任和道德行为的潜在框架或指南。

  6. 与行业利益相关者合作:为确保研究结果的实际适用性,未来的研究可以涉及与行业利益相关者的合作,如区块链开发人员、中继者、矿工和用户。这种合作可以提供有价值的见解、真实世界的数据和反馈,以完善和验证针对 MEV 活动的研究方法和对策。

摘要

去中心化金融在无许可区块链中如雨后春笋般涌现,最近人气飙升。由于无许可区块链的透明度,机会主义交易者可以通过提取矿工可提取价值(MEV)来竞争赚取收入,这破坏了区块链系统的共识安全性和效率。Flashbots捆绑机制进一步加剧了MEV竞争,因为它使机会主义交易者能够设计更复杂的MEV提取。在本文中,我们通过开发ActLifter和ActCluster对Flashbots捆绑包中的DeFi-MEV活动进行了首次系统研究,ActLifteer是一种用于准确识别每个捆绑包交易中DeFi动作的新型自动化工具,ActCluster是一种利用迭代聚类帮助我们发现已知/未知DeFi-MEV-活动的新方法。大量实验结果表明,ActLifter在DeFi动作识别中可以实现近100%的准确率和召回率,显著优于现有技术。此外,在ActCluster的帮助下,我们获得了许多新的观测结果,发现了17种新的DeFi-MEV活性,这些活性发生在53.12%的束中,但在现有研究中尚未报道。

引言

去中心化金融(DeFi)最近人气飙升,总锁定价值超过400亿美元[10]。由于区块链底层P2P网络中广播的交易在全球范围内都是可见的,机会主义交易者可以战略性地调整天然气价格,以优先考虑他们的交易,并从DeFi中赚取额外收入,DeFi被称为矿工可提取价值(MEV)[39,43,46,71,81,95,97]。

MEV竞争破坏了区块链系统的安全性和效率。首先,它激励财务理性的验证器(PoW背景下的矿工)分叉链,从而恶化区块链的共识安全[39,71]。其次,它加剧了网络拥塞(即P2P网络负载)和链拥塞(即块空间使用),因为争夺MEV机会的机会主义交易者以其他交易相当大的时间延迟为代价,优先考虑他们的交易[39]。

Flashbots组织提出了捆绑机制,使机会主义交易者能够设计更复杂的MEV提取来获取利润,因为它允许交易者将一系列自行构建和/或选择的交易作为捆绑提交,其中甚至可以包括在P2P网络上广播的未经证实的交易。据报道,与香草三明治攻击相比,基于捆绑包的变体更有利可图[19]。

然而,人们对通过捆绑机制进行的DeFi-MEV活动知之甚少。为了解开捆绑包中DeFi-MEV活动的现状,我们旨在回答以下问题,即已知的捆绑包中的DeFi-MEV活动有多普遍?有没有新的DeFi MEV活动以前在捆绑包中未报告?如果是这样的话,它们是如何表现的,它们的流行程度如何?捆绑包中的DeFi-MEV活动与其他DeFi-MEV活动之间有什么区别?这些问题的答案可以帮助研究人员深入了解DeFi-MEV活动,例如各种MEV活动的特征和当今MEV缓解技术的稳健性。

在本文中,我们对通过Flashbots捆绑包进行的DeFi MEV活动进行了首次系统研究。DeFi-MEV活动通常由几个DeFi动作组成,每个动作都是指交易员和所提供的个人功能之间的互动DeFi应用程序的合同。例如,AMM(自动做市商)的合同应支持交换不同资产的掉期DeFi操作[90]。循环套利[81]MEV活动涉及具有不同利润价格的AMM的不同合同中的多个掉期行为。

为了表征DeFi-MEV活动,我们需要首先根据它们的DeFi动作来识别它们。尽管现有研究[2,17,69–71,81,83,84,88]检查了DeFi-MEV活动及其DeFi行为,但它们无法对Flashbots捆绑包中的DeFi-MEV-活动进行系统研究,因为它们存在两个局限性。首先,它们中的大多数[17,69–71,81,83,84]专注于少数DeFi应用程序,无法轻易扩展到其他DeFi程序,因为它们依赖于大量的手动工作,根据DeFi申请程序的合同及其论点发出的特定事件来推导出识别DeFi动作的规则(参见表1)。因此,他们将错过捆绑包中的许多DeFi操作。尽管DeFiRanger[88]打算通过采用自动方法来识别DeFi行为来解决这一限制,但如§5.3所示,它存在对DeFi行动识别不准确的问题。其次,它们中没有一个能够识别具有未知DeFi动作模式的DeFi-MEV活动。

为了解决上述限制,我们设计了一种新的方法,如图所示。1以发现束中已知和未知的DeFi-MEV活动。我们首先通过查询Flashbots的API来收集捆绑套利者构建的捆绑包[15]。然后,为了解决第一个限制,我们提出了ActLifter(§3),这是一种新的自动化工具,用于准确识别每个捆绑包交易中的DeFi动作。ActLifter首先根据捕获的事件识别操作DeFi行动的合同、DeFi行为的类型以及DeFi动作中涉及的资产转移(§3.3),然后根据DeFi操作的资产转移模式识别DeFi动作(§3.4)。值得注意的是,只需要一次性的少量手动工作来收集执行DeFi行动时将发出的事件,我们提供了尽可能自动化该过程的脚本(§3.2)。

为了解决第二个限制,不可避免地需要手动检查来发现新的DeFi MEV活动。为了减少手动操作,我们提出了ActCluster(§4),这是一种新方法,它使用表示学习[66]根据ActLifter识别的DeFi动作导出束的可区分特征向量,并利用迭代聚类分析[59]和我们的修剪策略来帮助我们发现新的DeFi-MEV活动。

我们进行了广泛的实验(§5)来评估ActLifter的性能,并使用ActCluster从6641481个束中发现DeFi-MEV活性(从2021年2月11日束机制启动到2022年12月1日)。更确切地说,我们评估ActLifter在识别十种常见DeFi动作方面的有效性,并将其与两种最先进的技术(即Etherscan[2]和DeFiRanger[88])进行比较。为了与道德考虑进行公平和令人信服的比较,我们花了六个多月的时间从Etherscan收集了1358122笔交易,以减轻潜在风险或负面影响。我们每10秒查询一页Etherscan,这比人工点击速度慢,并手动解决了reCAPTCHA人工认证。实验结果表明,ActLifter优于现有技术,准确率和召回率接近100%。此外,在ActCluster的帮助下,我们发现了17种新的DeFi-MEV活动和三种已知的DeFi-MEV活动,与三种基线策略相比,这三种策略至少减少了24.2%、97.8%和98.8%的手动工作量。

我们进一步展示了我们的方法(即ActLifter和ActCluster)如何增强中继的MEV对策(§6.1),评估捆绑MEV活动引起的分叉和重组(缩写reorg)风险(§6.2),以及评估捆绑MEV活动对区块链用户经济安全的影响(§6.3)。此外,我们讨论了我们的方法在MEV研究中的三种可行用法,由我们的实验结果和观察结果支持(§6.4)。

贡献

首次系统分析捆绑包中的DeFi-MEV活动。据我们所知,在解决了两个限制后,我们的工作首次致力于通过Flashbots捆绑机制对DeFi MEV活动进行系统分析。

识别DeFi动作的新方法。我们提出了ActLifter,这是一种从交易中自动识别DeFi动作的新方法,它优于现有技术,实现了近100%的准确率和召回率。

发现捆绑MEV活动的新方法。我们提出了ActCluster,这是一种新的方法,有助于我们用更少的手动工作来发现捆绑的MEV活动。特别是,它使我们能够发现17种新的DeFi-MEV活动。

新应用程序。我们展示了我们的方法(即ActLifter和ActCluster)的使用,包括增强中继的MEV对策,评估捆绑MEV活动引起的分叉和重组风险,以及评估捆绑MEV活动对区块链用户经济安全的影响。此外,在我们的实验结果和观察结果的支持下,我们讨论了我们的方法在MEV研究中的三种可行用法。

Demystifying DeFi MEV Activities in Flashbots Bundle_第2张图片
Demystifying DeFi MEV Activities in Flashbots Bundle_第3张图片
Demystifying DeFi MEV Activities in Flashbots Bundle_第4张图片
Demystifying DeFi MEV Activities in Flashbots Bundle_第5张图片
Demystifying DeFi MEV Activities in Flashbots Bundle_第6张图片
Demystifying DeFi MEV Activities in Flashbots Bundle_第7张图片
Demystifying DeFi MEV Activities in Flashbots Bundle_第8张图片
Demystifying DeFi MEV Activities in Flashbots Bundle_第9张图片
Demystifying DeFi MEV Activities in Flashbots Bundle_第10张图片

你可能感兴趣的:(CCS,2023,安全,网络)