💻 computer science

How to Serve Your Sandwich? MEV Attacks in Private L2 Mempools

本文表明，尽管三明治攻击在以太坊 L1 上具有盈利性，但由于执行约束和排序策略使得此类攻击具有概率性而非确定性，因此在私有 L2 内存池中，这类攻击在很大程度上是罕见、无利可图且经常被误判的。

原作者： Krzysztof Gogol, Manvir Schneider, Jan Gorzny, Claudio Tessone

发布于 2026-01-28

📖 1 分钟阅读☕ 轻松阅读

原作者： Krzysztof Gogol, Manvir Schneider, Jan Gorzny, Claudio Tessone

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，区块链是一个巨大且繁忙的数字市场，人们在这里交易数字代币（比如用 USDC 换 USDT）。在这个市场中，存在着一些“机器人”（自动化程序），它们试图通过观察他人的意图来快速获取利润。

经典的“三明治”攻击（旧方式）

在主市场（以太坊 Layer 1）中，这些机器人就像是冷酷无情的“三明治制作师”。

受害者： 一个普通人发布了一个大额买单。所有人都能在公开的“等待队列”（内存池/mempool）中看到这个订单。
攻击过程： 机器人看到了这个即将到来的订单。它迅速在受害者之前买入商品（作为第一片面包），从而推高价格。接着，受害者的巨额订单进入，以这个新的、更高的价格成交。最后，机器人在受害者之后立即卖出商品（作为最后一片面包），从价格上涨中获利。
结果： 机器人赚取了利润，而受害者则面临更差的交易条件。因为主市场保证这三个步骤会瞬间发生且顺序完全一致，这种攻击非常可靠且有利可图。

新的现实：私人“VIP”通道（Layer 2 Rollups）

该论文研究了当这种攻击尝试发生在被称为 Layer 2 Rollup（如 Arbitrum、Base、Optimism）的新型、更快的市场时，会发生什么。这些市场使用了“私有内存池”系统。

可以将私有内存池想象成一个 VIP 休息室 或一场 蒙眼拍卖会。

没有公开视野： 普通机器人无法提前看到受害者的订单。订单在中央管理者（“排序器/Sequencer”）决定处理它们之前，对公众是隐藏的。
没有保证顺序： 即使机器人猜到了某个受害者即将到来，它也无法保证自己能先买入并在后卖出。这就像是在一家快餐店里插队，收银员（排序器）根据谁喊得响（小费）或谁先到达来决定下一个是谁，但由于队伍移动得极快且混乱，你无法确定自己能否精准占据想要的位置。

研究人员的发现

作者们扮演着“数字侦探”的角色，分析了这些私有市场中的数百万笔交易，以观察“三明治攻击”是否真的在发生。他们使用了一种特殊的放大镜，来区分真实的攻击与普通的交易行为。

以下是他们的发现，已转化为通俗易懂的语言：

1. “三明治”大多是假的
他们发现了成千上万种看起来像三明治的模式（即：买入、受害者交易、卖出）。然而，当他们检查数学逻辑时，发现 95% 的情况都是虚假警报。

类比： 想象你看到三个人排成一排站在公交站台，于是你假设他们是一个协同作战的团队。但仔细观察后发现，他们只是在等待不同公交车的陌生人。那些所谓的“攻击者”其实并没有针对受害者，他们只是在同一时间进行各自独立的交易。

2. 数学逻辑不成立
对于一次真正的三明治攻击来说，必须确保利润高于支付的手续费和价格滑点（即推动市场价格变动的成本）。

发现： 在这些私有链上，受害者通常交易的金额很小（仅几百美元）。执行攻击的成本往往高于潜在利润。
类比： 这就像是为了偷一个价值 1 美元的糖果，却要支付 5 美元的油费。即使你成功了，也是亏本的。研究人员发现，这些所谓“攻击”的中位利润实际上是负数。也就是说，机器人平均而言是在亏钱。

3. “时机”问题
在旧的公开市场中，机器人可以保证三明治攻击在短短一瞬间内完成。但在新的私有市场中，机器人必须去“猜”什么时候发送订单。

发现： 由于排序器（管理者）是根据随机性或手续费来排序交易的，机器人经常无法保证其“买入”和“卖出”交易发生在同一个区块内。
类比： 这就像试图用两个网去接住一片正在飘落的叶子。在旧市场中，你可以完美地控制这两个网。但在新市场中，风向非常混乱，你通常要么接不住叶子，要么两个网无法同时闭合。

结论

论文得出结论：在这些私有的 Layer 2 市场中，三明治攻击是罕见的、无利可图的，且在很大程度上是不存在的。

原因： “私有化”的特性阻止了机器人预见受害者，而缺乏保证性的排序机制使得这种攻击风险过高，不值得投入成本。
误区： 许多人认为既然这些攻击发生在以太坊主链上，那么它们在任何地方都会发生。这篇论文证明，对于这些特定的私有市场来说，这种假设是错误的。在这里，“三明治”大多是一个神话；所谓的攻击，通常只是正常的、无害的交易活动。

简而言之：那位“冷酷的三明治制作师”机器人搬到了新的餐厅，但由于这里的厨房极其混乱，且订单规模太小，机器人只能站在那里，一脸困惑并持续亏钱。

技术摘要：私有 L2 Mempool 中的三明治攻击

问题陈述

三明治攻击是 Ethereum L1 上一种普遍存在的最大可提取价值（MEV）形式，涉及攻击者在受害者交易之前放置一笔抢跑（front-run）交易，并在其后紧跟一笔回跑（back-run）交易，以捕获由价格冲击产生的利润。虽然 Layer 2 (L2) Rollup 通常采用由中心化排序器管理的私有 mempool 来减轻此类攻击，但早期的经验证据表明，三明治攻击模式在这些环境中依然存在。

本文解决的核心问题是：三明治攻击的理论预期收益与在 L2 上执行的实际情况之间存在差异。具体而言，作者研究了移除公共 mempool 以及缺乏保证原子性包含（通过构建器市场）是否使得三明治攻击变得无利可图或仅具有概率性，以及现有的检测启发式算法是在准确识别真实的攻击，还是将它们与良性的套利行为混为一谈。

研究方法

理论建模

作者将现有的 MEV 模型扩展到具有私有 mempool 的 L2 Rollup 环境中：

盈利模型： 他们推导了针对恒定乘积做市商（CPMM）和集中流动性做市商（CLMM，例如 Uniswap v3）的最优攻击规模策略。
- 在“小额交易区间”（L2 的典型特征）中，他们证明了最优抢跑规模 ( $V_f$ ) 大约为受害者交易规模 ( $V_v$ ) 的一半，且位于单个流动性刻度（tick）内。
- 对于 CLMM，他们指出攻击者可能会通过将交易推向流动性较低的刻度边界区域来获益，从而产生离散的利润跳跃。
执行可行性模型： 与 L1 通过构建器市场保证原子性包含不同，L2 依赖于排序器排序。作者将成功共同包含的概率 ( $p_{co-inc}$ $p_{co - in c}$ ) 建模为以下因素的函数：
- 批处理约束： 抢跑、受害者和回跑交易落入同一个微批次（micro-batch）的概率。
- 排序器策略： 区分先到先得（FCFS）和优先 Gas 拍卖（PGA）排序。
- 延迟： 影响到达时间的网络波动。
- 该模型得出结论，L2 上的共同包含概率较低（0.05–0.20），这使得执行本质上是概率性的而非确定性的。

实证分析

作者利用 2025 年 1 月至 9 月期间五个主要 Rollup（Arbitrum, Base, Optimism, Unichain, ZKsync）的交易级数据进行了大规模实证研究。

数据收集： 他们提取了 Swap 事件日志、交易追踪（trace）和资金池流动性数据。
精炼启发式算法： 为了避免由于使用朴素检测法（通常会将共享路由器的交易误认为单一行为体）而导致的误报，他们实现了一套严格的归属方法：
- 预过滤： 排除原子套利交易。
- 行为体归属： 区分通过共享基础设施路由的交易（将资金来源 EOA 视为行为体）与使用自定义执行合约的交易。
- 模式匹配： 识别满足特定排序和方向约束的三元组 $(f, v, b)$ ，其中前置腿和后置腿共享相同的行为体 ID，且与受害者不同。
经济一致性检查： 他们根据理论特征对候选三元组进行了评估：
- 缩放性： 前置交易规模是否与受害者成比例缩放（即 $V_f \approx V_v/2$ ）？
- 匹配性： 前置和后置规模是否高度匹配？
- 盈利性： 计算毛利、扣除滑点后的净利以及扣除 Gas 费后的净利。

核心贡献

实证测量： 这是首次使用严格的行为链接启发式算法和 Swap 事件分析，而非通过 ERC20 转账推断来系统性测量 L2 三明治活动的测量研究。
理论扩展： 本文为 CLMM 中的最优三明治规模提供了正式模型，并量化了由私有 mempool 带来的执行约束，证明了 L2 三明治攻击具有概率性。
可行性分析： 研究表明，由于缺乏原子性包含保证，显著限制了三明治攻击的预期价值，即使在尝试进行经济最优规模化时，也往往使其变得无利可图。

结果

1. 普遍性与误报率

高误报率： 朴素的启发式算法极大地夸大了三明治活动。在所有研究的 Rollup 中，超过 95% 被标记为“三明治三元组”的交易未能通过经济一致性检查。
缺乏相关性： 真正的三明治攻击要求前置/后置交易与受害者交易规模相关联。数据显示，受害者与攻击者交易规模之间的相关性很弱（例如，Optimism 上的受害者-前置相关性低至 0.03），且前置腿与后置腿之间的匹配度也很差（中位后置/前置比例经常显著偏离 1.0）。
套利混淆： 大多数检测到的模式更符合循环套利或在同一区块内同时发生的无关交易，而非协同的目标针对性攻击。

2. 盈利能力

负净回报： 所有候选三明治的中间净盈亏（PnL）均为负值。
- 示例： 在 Base 上，中位净 PnL 为 -$2.23 USD；在 Arbitrum 上，为 -$0.80 USD。
微不足道的毛利： 即使在计算 Gas 和滑点之前，中位毛利也微乎其微（数量级在 $0.001 USD 左右）。
阈值： 理论模型表明，考虑到 L2 上较低的共同包含概率，若要实现盈利，受害者 Swap 规模必须超过 $1.5k–$ 3k。然而，观察到的中位受害者 Swap 规模通常在 $200 到$ 1,200 之间，低于盈利阈值。

3. 机器人行为

低效率： 被标记为三明治攻击者的地址表现出极低的“三明治效率”（即三明治交易在其总交易量中的占比），通常低于 $10^{-3}$ 。
通用型活动： 大多数被标记的机器人从事的是更广泛的套利或做市策略，三明治模式往往只是其偶然产生的副产品，而非主要目标。

意义与结论

本文挑战了“以太坊 L1 的三明治攻击可以推广到 L2 环境”的普遍假设。作者得出结论：

三明治攻击稀少且无利可图： 在当前的 L2（配备私有 mempool）上，三明治攻击在很大程度上是不存在的、无利可图的，并且与中性的套利流难以区分。
结构性保护是偶然的结果： 三明治攻击的缺失并非源于针对 MEV 的内在结构性保护，而是由于私有 mempool、中心化排序以及低价值交易的普遍存在。
测量方法的改进： 当前的检测方法显著高估了 MEV 活动。准确的测量需要区分真实的受害者针对性攻击与良性套利，特别是在私有 mempool 的背景下。
政策启示： 排序策略和防御机制不应简单地继承 L1 的假设。随着生态系统向公共 mempool 或订单流拍卖（OFA）演进，三明治攻击的可行性边界可能会发生移动，从而需要重新评估经济风险。

该研究表明，虽然三明治攻击的理论框架仍然有效，但当前 Rollup 架构的实际执行约束有效地抵消了其盈利能力。