기술 요약: 기다릴 것인가, 탐색할 것인가: 고처리량 블록체인에서의 차익거래 경쟁

1. 문제 정의

고처리량 블록체인에서 최대 추출 가능 가치(MEV) 탐색은 두 가지 뚜렷한 경제적 아키텍처, 즉 **타겟형 탐색(targeted search)**과 **확률적 탐색(probabilistic search)**으로 양분되었습니다.

• 타겟형 탐색: 봇이 오프체인에서 기회를 식별하고, 실행을 시뮬레이션한 뒤, 경로가 확정된 트랜잭션을 제출합니다. 이 방식은 일반적으로 시도 횟수는 적지만 시도당 비용은 높습니다.
• 확률적 탐색: 봇이 실행 중에 기회를 발견하기 위해 실시간 온체인 상태를 읽는 트랜잭션을 반복적으로 제출합니다. 이 방식은 높은 시도 강도를 수반하며, 대부분의 트랜잭션은 유용한 상태 변화를 생성하지 못한 채 실패(프로브 또는 리버트)하여 "스팸"을 형성합니다.

핵심 문제는 프로토콜 설계 파라미터, 특히 순서 결정의 세밀도(ordering granularity) (예: 서브 블록 vs 전체 블록), 수수료 하한선(fee floors), 그리고 **기회 접근성(opportunity access)**이 이러한 두 아키텍처 간의 경쟁을 어떻게 형성하는가 하는 점입니다. 기존 문헌은 확률적 탐색을 독립적으로 모델링하지만, 본 논문은 두 아키텍처를 공식화하고 프로토콜 변경이 봇의 구성, 블록 공간 소비 및 프로토콜 수익의 평형 이동에 어떻게 영향을 미치는지 조사합니다.

2. 방법론

이론적 프레[]

저자들은 아키텍처 경쟁에 대한 **축약형 평형 모델(reduced-form equilibrium model)**을 개발합니다. 이 모델은 기대 이익이 0으로 수렴할 때까지 자유 진입이 이루어진다고 가정합니다. 주요 변수는 다음과 같습니다:

• 순서 결정 체제(Ordering Regimes): 베이스라인(전체 블록) vs 더 세밀한(서브 블록/슬라이스) 순서 결정.
• 경쟁력($\eta_r$): 온체인 발견 트랜잭션이 오프체인 트랜잭션과 동일하게 수익성이 있는 슬라이스 내에서 경쟁력을 유지할 확률. 모델은 더 세밀한 순서 결정이 높은 블록 공간 소비로 인해 온체인 발견의 $\eta_r$을 감소시킨다고 가정합니다.
• 기회 접근성($\lambda$): 봇이 기회에 접근할 수 있는 속도. 온체인 발견은 여러 경로를 동적으로 스캔할 수 있으므로 일반적으로 더 높은 접근성($\lambda_C \ge \lambda_O$)을 가집니다.
• 비용($K$): 가스 및 수수료를 포함한 총비용으로, 아키텍처와 수수료 하한선에 따라 달라집니다.

모델은 다음과 같은 비교 정학(comparative statics)을 도출합니다:

1. 더 세밀한 순서 결정은 특히 "스캔 풋프린트"(무거운 상태 읽기)가 큰 봇들에게 온체인 발견의 생존 가능성을 낮춥니다.
2. 높은 수수료 하한선은 높은 수수료 노출(시도당 높은 가스 및 높은 시도 강도)을 가진 아키텍처에 불리하게 작용합니다.
3. 기회 충격(예: 신규 토큰 출시)은 오프체인에 아직 인덱싱되지 않은 경로를 생성함으로써 온체인 발견을 일시적으로 부활시킬 수 있습니다.

경험적 전략

본 연구는 Base를 사례 연구로 활용하며, 2025년 6월부터 2026년 2월까지의 기간을 다룹니다. 이 기간에는 주요 설정 변경 사항이 포함됩니다: Flashblocks(200ms 서브 블록) 도입 및 **최소 기본 수수료(minimum base fee)**의 단계적 인상.

데이터 구축:

• 데이터셋: 4,365개의 고유한 봇 주소로부터 추출한 2,137만 건의 성공적인 순환 차익거래와 9억 8,500만 건의 스팸 트랜잭션(프로브 및 리버트).
• 분류: 성공적인 차익거래 트랜잭션을 기반으로 봇 아키텍처를 구분하는 **트레이스 레벨 분류기(trace-level classifier)**를 사용합니다. 이 분류기는 debug_traceTransaction 출력을 분석하여 봇을 다음과 같이 분류합니다:
  • 오프체인 발견(Off-chain Discovery): 경로가 오프체인에서 확정됨; 사전 스왑 상태 읽기가 없거나 읽기가 실행 경로에 국한됨.
  • 온체인 평가(On-chain Evaluation): 상태를 온체인에서 읽지만 최종 실행 경로에 국한됨.
  • 온체인 발견 (확률적) (On-chain Discovery - Probabilistic): 실행 전 광범위한 베뉴(venue)를 스캔하여 경로를 선택함 (광범위한 온체인 발견).
• 집계: 봇의 인구 변화, 스팸 강도 및 효율성 지표를 분석하기 위해 레이블을 **봇-주 단위(bot-week level)**로 집계합니다.

분석 에피소드

경험적 분석은 다음 세 가지 특정 에피소드를 통해 모델의 예측을 테스트합니다:

1. Flashblocks 활성화 (2025년 7월): 더 세밀한 순서 결정의 효과를 테스트합니다.
2. 9월 서지 (2025년 9월): 기회 접근성 충격(신규 토큰 출시 AVNT/MIRROR)의 효과를 테스트합니다.
3. 최소 기본 수수료 인상 (2025년 12월 – 2026년 2월): 상승하는 수수료 하한선의 효과를 테스트합니다.

3. 주요 기여

1. 탐색 아키텍처의 공식화: 타겟형 탐색과 확률적 탐색을 공식적으로 구분하고, 순서 결정의 세밀도와 수수료가 이들의 상대적 생존 가능성을 어떻게 형성하는지 모델링했습니다.
2. 트레이스 레벨 분류기: 트랜잭션 트레이스에서 관찰 가능한 경로 발견을 기반으로 탐색 아키텍처를 식별하고, 이를 실행 동작 및 스팸 프로필과 대조하여 검증한 새로운 분류기를 개발했습니다.
3. 비교 정학의 경험적 검증:
   • Flashblocks: 더 세밀한 순서 결정이 높은 스캔 풋프린트를 가진 온체인 발견 봇을 배제하여, 시장을 더 가벼운 오프체인 발견 봇 중심으로 이동시킴을 확인했습니다.
   • 기회 충격: 신규 토큰 출시가 단기적인 진입자들에 의해 확률적 탐색을 일시적으로 부활시킴을 입증했습니다.
   • 수수료 하한선: 높은 수수료 하한선이 반복적인 시도를 지속할 만큼 가치가 충분하지 않은 아키텍처를 선별하여, 높은 노출을 가진 아키텍처의 생존 가능성을 낮춤을 보여주었습니다.
4. 체인 레벨 결과의 정량화: 우선순위 수수료(priority fee) 구성과 블록 공간 효율성에 미치는 영향을 측정했습니다.

4. 주요 결과

봇 아키텍처 특성

• 확률적 탐색 (온체인 발견): 성공적인 차익거래 활동의 **23%**만을 차지하지만, **95%**의 스팸 트랜잭션을 생성하며 Base 전체 가스의 **20%**를 소비합니다. 이 봇들은 성공률(4.58%)이 낮고 성공당 비용이 높습니다.
• 타겟형 탐색 (오프체인 발견): 성공률이 더 높고(42.51%), 스팸 생성은 적으며, 트랜잭션당 더 높은 우선순위 수수료를 지불합니다.

에피소드별 결과

• Flashblocks (더 세밀한 순서 결정):
  • 선택 효과: 온체인 발견 봇의 비율이 활성 봇 중 약 63%에서 25%로 급감했습니다. 높은 스캔 풋프린트(짧은 calldata, 많은 사전 읽기)를 가진 봇들이 탈락했습니다.
  • 생존자: 남은 온체인 봇들은 로직을 단순화했습니다 (더 긴 calldata, 더 적은 읽기).
  • 스팸 역설: 봇 인구의 감소에도 불구하고, 생존한 봇들이 시도 강도(더 빈번한 프로빙)를 높였기 때문에 전체 스팸은 비례적으로 줄어들지 않았습니다.
  • 효율성: 정체된 상태 위험(stale-state risk)이 감소함에 따라 오프체인 발견의 성공률이 개선되었습니다 (35.8% $\to$ 43.6%).
• 9월 서지 (기회 충격):
  • AVNT 및 MIRROR 토큰 출시를 전후하여 온체인 발견 봇의 일시적 급증(약 30개에서 220개로)이 발생했습니다.
  • 일시적 진입자: 이들 신규 봇의 92%는 특정 토큰 경로가 정형화되면 떠나는 단기적인 "시도자(triers)"였습니다.
  • 스팸 충격: 이 물결은 주로 일시적인 봇들에 의해 1억 4,700만 건의 스팸 트랜잭션을 생성했습니다.
• 수수료 하한선 인상 (비용 채널):
  • 최소 기본 수수료가 200K에서 5M WEI로 상승함에 따라, 온체인 발견 봇의 비중이 22%에서 8.4%로 떨어졌습니다.
  • 선택 메커니즘: 수수료 하한선은 시도당 가치가 낮은 봇들을 선별했습니다. 봇들은 반복된 실패 시도의 누적 비용을 상쇄할 만큼 성공적인 기회의 가치가 높을 때만 생존할 수 있었습니다.
  • 풋프린트 안정성: Flashblocks와 달리, 수수료 인상은 스캔 집약적인 로직을 선별하는 것이 아니라 저수익 시도를 제거했습니다.

프로토콜 수익 및 블록 공간

• 수익 구성: Flashblocks 이후, 스팸에서 파생되는 우선순위 수수료의 비중이 60% 이상에서 약 40-45%로 감소했습니다. 수익은 성공적인 차익거래와 더 높은 입찰을 하는 확률적 시도로 이동했습니다.
• 블록 공간 효율성: 스팸이 여전히 상당한 부담이지만, Flashblocks 이후와 수수료 인상 기간 동안(기회 충격 시기의 일시적 급증을 제외하면) 총 가스 소비량 중 스팸의 비중은 감소했습니다 (약 20%에서 15%로).

5. 의의 및 주장

본 논문은 프로토콜 설계가 단순히 MEV 추출의 양에 영향을 미치는 것이 아니라, 탐색의 메커니즘을 근본적으로 변화시킨다고 주장합니다.

• 평형 행동: 실패한 시도(스팸)는 단순한 비효전성이 아니라, 특정 순서 결정 및 수수료 제약 하에서의 탐색 아키텍처가 만들어낸 평형 결과입니다.
• 정책 트레이드오프:
  • 더 세밀한 순서 결정 (예: Flashblocks)은 광범위한 스캐닝을 효과적으로 억제하지만, 생존자들 사이에서 더 높은 시도 강도를 유발하여 전체 스팸 감소를 제한할 수 있습니다.
  • 수수료 하한선은 가치-비용 마진을 필터링하는 역할을 하며, 저수익 기회를 가진 확률적 탐색자들에게 불리하게 작용합니다.
• 외부 효과: 확률적 탐색의 주요 외부 효과는 블록 공간 혼잡입니다. 프로토콜 변경은 봇 구성을 타겟형 탐색 쪽으로 이동시킴으로써 이를 완화할 수 있지만, 일시적인 기회 충격은 스팸을 다시 불러올 수 있습니다.

저자들은 이러한 아키텍처적 구분을 이해하는 것이 유용한 경제적 활동(예: 차익거래)을 억제하지 않으면서 스팸 외부 효과를 줄이기 위한 프로토콜 설계에 필수적이라고 결론짓습니다. 또한 향-후 연구에서 이러한 역학이 다른 형태의 MEV(청산, 크로스 도메인 차익거래) 및 다양한 블록체인 환경에 어떻게 적용되는지 탐구할 것을 제안합니다.