💻 computer science

To Wait or To Probe: Arbitrage Competition on High-Throughput Blockchains

Este artículo analiza cómo las configuraciones de alto rendimiento en blockchain influyen en la competencia entre las estrategias de búsqueda de MEV dirigidas y probabilísticas, demostrando que, si bien la búsqueda probabilística constituye una minoría de la actividad de arbitraje, genera la gran mayoría del spam y el consumo de gas, mientras que los ajustes del protocolo como los suelos de tarifas y los flashblocks desplazan eficazmente los ingresos hacia las operaciones exitosas y reducen la congestión de la red.

Autores originales: Fei Wu, Burak Öz

Publicado 2026-06-02

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Fei Wu, Burak Öz

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina un mercado digital de alta velocidad donde la gente compite por encontrar y comprar artículos raros (como un libro de primera edición) en el momento en que aparecen. En este artículo, los autores estudian cómo dos tipos diferentes de "cazadores" (bots) compiten por encontrar estas oportunidades en blockchains rápidas como Base, y cómo las reglas del juego cambian quién gana.

Aquí está el desglose del artículo utilizando analogías simples:

Los dos tipos de cazadores

El artículo identifica dos estrategias principales que los bots utilizan para encontrar ganancias:

El "Planificador" (Búsqueda dirigida):
- Cómo funcionan: Este bot se queda sentado y espera. Utiliza computadoras potentes fuera del mercado para averiguar exactamente dónde está el libro raro, cuánto cuesta y cómo comprarlo. Una vez que tiene un plan perfecto, entra en la tienda y realiza una única y segura compra.
- El resultado: Son muy eficientes. Rara vez cometen errores, pero necesitan estar seguros de la información antes de actuar.
El "Barredor" (Búsqueda probabilística):
- Cómo funcionan: Este bot es impaciente. No espera a tener un plan perfecto. En su lugar, entra corriendo en la tienda y comienza a revisar frenéticamente cada estante, cada pasillo y cada caja, miles de veces por segundo. Pregunta: "¿Está el libro aquí? ¿Está allá?". Si encuentra una coincidencia, lo compra. Si no, sigue revisando.
- El resultado: Encuentran oportunidades más rápido a veces, pero crean una enorme cantidad de "ruido". La mayoría de sus comprobaciones son inútiles, obstruyendo los pasillos de la tienda y dificultando que otros clientes se muevan. En el artículo, estas comprobaciones inútiles se denominan spam.

El problema: La tienda se está llenando

Los autores notaron que, si bien los "Barredores" solo representan aproximadamente el 23% de los acuerdos exitosos reales, son responsables del 95% del ruido (spam) y consumen el 20% del espacio total de la tienda. Es como una biblioteca donde una persona está sacando un libro, pero otras 100 personas corren de un lado a otro gritando "¿Está el libro aquí?" una y otra vez, bloqueando las puertas.

Los experimentos: Cambiando las reglas

Los investigadores observaron qué sucedía cuando los "gerentes de la tienda" (el protocolo de la blockchain) cambiaban las reglas de tres formas específicas:

1. El experimento de "Flashblocks" (Ventanas más rápidas y pequeñas)

El cambio: La tienda comenzó a actualizar su lista de inventario cada 200 milisegundos en lugar de cada 2 segundos. Esto creó ventanas de oportunidad diminutas y de movimiento rápido.
El efecto: Los "Barredores" tuvieron dificultades. Debido a que las ventanas eran tan pequeñas, los bots pesados y lentos que revisaban demasiados estantes fueron desplazados de la fila. Solo los bots más ligeros y rápidos sobrevivieron.
El resultado: El número de bots "Barredores" disminuyó drásticamente. Sin embargo, los que sí sobrevivieron comenzaron a revisar los estantes de manera aún más frenética para compensar. Por lo tanto, aunque había menos Barredores, el ruido total no disminuyó tanto como se esperaba porque los sobrevivientes estaban trabajando más duro.

2. El auge de los "Nuevos Tokens" (Una fiebre del oro temporal)

El cambio: De repente se introdujeron dos artículos nuevos y populares (tokens llamados AVNT y MIRROR). Nadie conocía las reglas para ellos todavía.
El efecto:** Este fue un auge temporal para los "Barredores". Como nadie tenía un plan preestablecido para estos nuevos artículos, los bots que podían correr y revisar todo en tiempo real tenían ventaja. Una gran ola de nuevos bots entró para probar suerte.
El resultado: Esto creó un pico masivo de spam. Pero tan pronto como los nuevos artículos se volvieron "normales" y la gente comprendió las reglas, los "Barredores" se fueron y los "Planificadores" tomaron el control nuevamente.

3. El "Aumento de Comisiones" (Hacer que sea costoso revisar)

El cambio: La tienda aumentó la comisión mínima requerida solo para cruzar la puerta y revisar un estante.
El efecto:** Esto afectó más a los "Barredores". Dado que revisan miles de estantes y fallan la mayoría de las veces, el costo de cruzar la puerta se acumulaba rápidamente. Si un bot revisa 1,000 estantes y solo encuentra un trato, pero la comisión por revisar es demasiado alta, pierde dinero.
El resultado: Los bots que no podían permitirse seguir revisando (los de bajo valor) abandonaron la tienda. Los "Barredores" que se quedaron fueron aquellos con los tratos más valiosos, pero sus números disminuyeron significativamente. Los "Planificadores", que solo realizan una comprobación por trato, se vieron menos afectados.

La gran conclusión

El artículo concluye que el diseño del protocolo importa.

Si haces que el orden de las transacciones sea muy rápido y granular (como Flashblocks), naturalmente desplazas a los bots pesados y spammer, pero los sobrevivientes podrían simplemente trabajar más duro.
Si aumentas las comisiones, obligas a los bots a ser más eficientes; no pueden permitirse perder tiempo revisando cosas que no son valiosas.

En última instancia, los autores demuestran que no puedes simplemente "prohibir" el spam. Tienes que entender cómo están cazando los bots. Al cambiar las reglas del juego (velocidad, comisiones e información), la blockchain puede fomentar a los "Planificadores" y desincentivar a los "Barredores", haciendo que el mercado sea más limpio y eficiente para todos.

Resumen Técnico: Esperar o Sondear: Competencia de Arbitraje en Blockchains de Alto Rendimiento

1. Planteamiento del Problema

En las blockchains de alto rendimiento, la búsqueda de Valor Extraíble Máximo (MEV) se ha bifurcado en dos arquitecturas económicas distintas: la búsqueda dirigida y la búsqueda probabilística.

Búsqueda Dirigida: Los bots identifican oportunidades fuera de la cadena (off-chain), simulan la ejecución y envían transacciones con la ruta comprometida. Este enfoque suele implicar menos intentos, pero tarifas más altas por intento.
Búsqueda Probabilística: Los bots envían transacciones repetidas que leen el estado en vivo en la cadena para descubrir oportunidades durante la ejecución. Este enfoque implica una alta intensidad de intentos, donde la mayoría de las transacciones fallan (son sondeos o reversiones) sin producir cambios de estado útiles, lo que constituye "spam".

El problema central es cómo los parámetros de diseño del protocolo —específicamente la granularidad de ordenación (p. ej., sub-bloques frente a bloques completos), los suelos de tarifas (fee floors) y el acceso a oportunidades— moldean la competencia entre estas arquitecturas. Mientras que la literatura existente modela la búsqueda probabilística de forma aislada, este documento formaliza la distinción entre las dos arquitecturas e investiga cómo los cambios en el protocolo desplazan el equilibrio de la composición de los bots, el consumo de espacio de bloque y los ingresos del protocolo.

2. Metodología

Marco Teórico

Los autores desarrollan un modelo de equilibrio de forma reducida de la competencia de arquitectura. El modelo asume la libre entrada hasta que los beneficios esperados se llevan a cero. Las variables clave incluyen:

Regímenes de Ordenación: Línea base (bloque completo) frente a ordenación más fina (sub-bloque/segmento).
Competitividad ( $\eta_r$ ): La probabilidad de que una transacción de descubrimiento en la cadena permanezca competitiva en el mismo segmento rentable que una transacción fuera de la cadena. El modelo postula que una ordenación más fina reduce $\eta_r$ para el descubrimiento en la cadena debido a un mayor consumo de espacio de bloque por intento.
Acceso a Oportunidades ( $\lambda$ ): La tasa a la que los bots pueden acceder a las oportunidades. El descubrimiento en la cadena generalmente tiene un acceso mayor ( $\lambda_C \ge \lambda_O$ ), ya que puede escanear múltiples rutas dinámicamente.
Costos ( $K$ ): Costos totales, incluyendo gas y tarifas, que varían según la arquitectura y los suelos de tarifas.

El modelo deriva comparativas estáticas que predicen que:

Una ordenación más fina reduce la viabilidad del descubrimiento en la cadena, particularmente para los bots con "huellas de escaneo" (scan footprints) pesadas (lecturas de estado intensas).
Suelos de tarifas más altos perjudican desproporcionadamente a las arquitecturas con alta exposición a las tarifas (alto gas por intento y alta intensidad de intentos).
Choques de oportunidad (p. ej., lanzamientos de nuevos tokens) pueden revivir temporalmente el descubrimiento en la cadena al crear rutas que aún no han sido indexadas fuera de la cadena.

Estrategia Empírica

El estudio utiliza Base como caso de estudio, cubriendo el periodo desde junio de 2025 hasta febrero de 2026. Este periodo incluye cambios de configuración importantes: la introducción de Flashblocks (sub-bloques de 200ms) y una escalada de varios pasos de la tarifa base mínima.

Construcción de Datos:

Dataset: 21.37 millones de arbitrajes cíclicos exitosos y 985 millones de transacciones de spam (sondeos y reversiones) de 4,365 direcciones de bots únicas.
Clasificación: Un clasificador a nivel de traza distingue las arquitecturas de los bots basándose en las transacciones de arbitraje exitosas. Analiza las salidas de debug_traceTransaction para categorizar los bots en:
- Descubrimiento Fuera de la Cadena (Off-chain): Ruta comprometida fuera de la cadena; no hay lecturas de estado previas al swap o las lecturas se limitan a la ruta de ejecución.
- Evaluación en la Cadena (On-chain): Lee el estado en la cadena pero limitado a la ruta de ejecución final.
- Descubrimiento en la Cadena (Probabilístico): Escanea un superconjunto de plataformas antes de seleccionar una ruta (descubrimiento amplio en la cadena).
Agregación: Las etiquetas se agregan al nivel de bot-semana para analizar cambios en la población, intensidad de spam y métricas de eficiencia.

Episodios de Análisis

El análisis empírico pone a prueba las predicciones del modelo a través de tres episodios específicos:

Activación de Flashblocks (Julio 2025): Prueba el efecto de una ordenación más fina.
Oleada de Septiembre (Septiembre 2025): Prueba el efecto de los choques de acceso a oportunidades (lanzamientos de nuevos tokens AVNT/MIRROR).
Escalada de la Tarifa Base Mínima (Dic 2025 – Feb 2026): Prueba el efecto del aumento de los suelos de tarifas.

3. Contribuciones Clave

Formalización de las Arquitecturas de Búsqueda: El documento distingue formalmente entre la búsqueda dirigida y la probabilística, modelando cómo la granularidad de la ordenación y las tarifas moldean su viabilidad relativa.
Clasificador a Nivel de Traza: Desarrollo de un clasificador novedoso que identifica las arquitecturas de búsqueda basándose en el descubrimiento de rutas observable en las trazas de transacciones, validado contra el comportamiento de ejecución y los perfiles de spam.
Validación Empírica de las Comparativas Estáticas:
- Flashblocks: Confirmó que la ordenación más fina selecciona en contra de los bots de descubrimiento en la cadena con huella de escaneo alta.
- Choques de Oportunidad: Demostró que los lanzamientos de nuevos tokens reviven temporalmente la búsqueda probabilística, impulsada por entrantes de corta duración.
- Suelos de Tarifas: Mostró que los suelos de tarifas más altos seleccionan en contra de los bots cuya fluidez de oportunidad no puede sostener intentos repetidos, reduciendo la viabilidad de arquitecturas con alta exposición.
Cuantificación de Resultados a Nivel de Cadena: Midió el impacto de estos cambios en la composición de los ingresos por tarifas de prioridad y la eficiencia del espacio de bloque.

4. Resultados Clave

Características de la Arquitectura de los Bots

Búsqueda Probabilística (Descubrimiento en la Cadena): Representa solo el 23% de la actividad de arbitraje exitosa, pero genera el 95% de las transacciones de spam y consume el 20% del gas total de Base. Estos bots tienen tasas de éxito bajas (4.58%) y costos altos por éxito.
Búsqueda Dirigida (Descubrimiento Fuera de la Cadía): Tasas de éxito más altas (42.51%), menor generación de spam y pagos de tarifas de prioridad más altos por transacción.

Hallazgos por Episodio

Flashblocks (Ordenación más Fina):
- Efecto de Selección: La población de bots de descubrimiento en la cadena cayó de ~63% a ~25% de los bots activos. Los bots de huella de escaneo alta (calldata corto, muchas pre-lecturas) fueron seleccionados hacia afuera.
- Sobrevivientes: Los bots restantes en la cadena simplificaron su lógica (calldata más largo, menos lecturas).
- Paradoja del Spam: A pesar de la reducción en la población de bots, el spam agregado no cayó proporcionalmente porque los bots sobrevivientes aumentaron su intensidad de intentos (sondeando con más frecuencia).
- Eficiencia: Las tasas de éxito del descubrimiento fuera de la cadena mejoraron (35.8% $\to$ 43.6%) debido a la reducción del riesgo de estado desactualizado.
Oleada de Septiembre (Choque de Oportunidad):
- Se produjo un pico temporal de bots de descubrimiento en la cadena (de ~30 a ~220) alrededor del lanzamiento de los tokens AVNT y MIRROR.
- Entrantes Transitorios: El 92% de estos nuevos bots fueron "probadores" de corta duración que salieron una vez que las rutas de los tokens específicos se rutinizaron.
- Choque de Spam: Esta ola generó 147 millones de transacciones de spam, provenientes principalmente de bots transitorios.
Escalada del Suelo de la Tarifa (Canal de Costo):
- A medida que la tarifa base mínima subió de 200K a 5M WEI, la participación de los bots de descubrimiento en la cadena cayó del 22% al 8.4%.
- Mecanismo de Selección: El suelo de la tarifa seleccionó en contra de los bots con bajo valor por intento. Los bots sobrevivieron solo si sus oportunidades exitosas eran lo suficientemente valiosas como para compensar el costo acumulado de los repetidos intentos fallidos.
- Estabilidad de la Huella: A diferencia de Flashblocks, los aumentos de tarifas no seleccionaron hacia una lógica de menor intensidad de escaneo; más bien, podaron los intentos de bajo rendimiento.

Ingresos del Protocolo y Espacio de Bloque

Composición de Ingresos: Post-Flashblocks, la participación de las tarifas de prioridad derivadas del spam cayó de >60% a ~40-45%. Los ingresos se desplazaron hacia los arbitrajes exitosos y los intentos probabilísticos de mayor puja.
Eficiencia del Espacio de Bloque: Aunque el spam sigue siendo una carga significativa, su participación en el consumo total de gas disminuyó tras Flashblocks y más durante la subida de tarifas (de ~20% a ~15%), salvo picos temporales durante los choques de oportunidad.

5. Significado y Reivindicaciones

El documento sostiene que el diseño del protocolo no solo afecta el volumen de la extracción de MEV, sino que altera fundamentalmente el mecanismo de búsqueda.

Comportamiento de Equilibrio: Los intentos fallidos (spam) no son meras ineficiencias, sino resultados de equilibrio de las arquitecturas de búsqueda bajo lazos de ordenación y tarifas específicos.
Compromisos de Política:
- Una Ordenación más Fina (p. ej., Flashblocks) selecciona eficazmente en contra del escaneo amplio, pero puede inducir una mayor intensidad de intentos entre los sobrevivientes, limitando la reducción total del spam.
- Los Suelos de Tarifas actúan como un filtro para los márgenes de valor-costo, impactando desproporcionadamente a los buscadores probabilísticos con oportunidades de bajo rendimiento.
Externalidades: La principal externalidad de la búsqueda probabilística es la congestión del espacio de bloque. Los cambios en el protocolo pueden mitigar esto desplazando la composición de los bots hacia la búsqueda dirigida, aunque los choques de oportunidad temporales pueden revivir el spam.

Los autores concluyen que comprender estas distinciones arquitectónicas es crucial para diseñar protocolos que reduzcan las externalidades de spam sin suprimir la actividad económica útil, como el arbitraje. Sugieren que el trabajo futuro debería explorar cómo estas dinámicas se aplican a otras formas de MEV (liquidaciones, arbitraje entre dominios) y diferentes entornos de blockchain.