💻 computer science

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

本文分析了高吞吐量区块链配置如何影响针对性搜索与概率性搜索这两类 MEV 策略之间的竞争，并论证了尽管概率性搜索在套利活动中仅占少数，但它产生了绝大部分的垃圾信息和 Gas 消耗，而诸如费用底价和闪块（flashblocks）等协议调整能有效将收益转向成功的交易并减轻网络拥塞。

原作者： Fei Wu, Burak Öz

发布于 2026-06-02

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Fei Wu, Burak Öz

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

想象一个高速运转的数字市场，人们正在竞相寻找并购买那些刚刚出现的稀有物品（比如第一版书籍）。在这篇论文中，作者研究了两种不同类型的“猎人”（机器人）如何在像 Base 这样快速的区块链上竞争寻找这些机会，以及游戏规则的变化如何改变胜负。

以下是使用简单类比对论文进行的拆解：

两种类型的猎人

论文识别出了机器人寻找利润的两类主要策略：

“规划者”（定向搜索）：
- 运作方式： 这种机器人静观其变。它在市场之外使用强大的计算机来精确计算出稀有书籍的具体位置、成本以及购买方式。一旦它制定出了完美的计划，它就会走进商店，进行一次单次的、笃定的购买。
- 结果： 它们非常高效。它们很少出错，但需要确保信息准确无误后才会采取行动。
“清道夫”（概率搜索）：
- 运作方式： 这种机器人非常急躁。它不会等待完美的计划。相反，它冲进商店，开始疯狂地检查每一个货架、每一条走廊、每一个箱子，每秒钟进行数千次。它会问：“书在这里吗？在那儿吗？”如果找到了匹配项，它就买下；如果没找到，它就继续检查。
- 结果： 它们有时能更快地发现机会，但也会产生大量的“噪音”。它们大多数的检查都是徒劳的，这堵塞了商店的通道，让其他顾客难以移动。在论文中，这些无用的检查被称为垃圾信息（Sp点/Spam）。

问题所在：商店变得拥挤了

作者注意到，虽然“清道夫”仅占实际成功交易的 23%，但它们却造成了 95% 的噪音（垃圾信息），并占用了 20% 的总空间。这就像是一个图书馆，一个人正在借书，但另外 100 个人却在到处乱跑并大声喊着“书在这里吗？”而不停重复，从而堵住了门口。

实验：改变规则

研究人员观察了当“商店经理”（区块链协议）通过三种特定方式改变规则时会发生什么：

1. “闪电块”（Flashblocks）实验（更快速、更小的窗口）

变化： 商店开始每 200 毫秒更新一次库存清单，而不是每 2 秒更新一次。这创造了极小且快速移动的机会窗口。
影响： “清道夫”们陷入了困境。因为窗口太小，那些检查过多货架的笨重、缓慢的机器人被挤出了队列。只有那些更精简、更快速的机器人才能生存下来。
结果： “清道夫”机器人的数量大幅下降。然而，那些幸存下来的机器人为了补偿，开始更加疯狂地检查货架。因此，虽然“清道夫”变少了，但总体的噪音并没有如预期般下降，因为幸存者工作得更卖力了。

2. “新代币”激增（暂时的淘金热）

变化： 两个新的热门物品（名为 AVNT 和 MIROR 的代币）突然推出。当时没有人了解它们的规则。
影响： 这是“清道夫”们的暂时繁荣期。由于还没有人针对这些新物品制定预先的计划，那些能够实时到处检查的机器人反而占据了优势。一大波新的机器人涌入以碰运气。
结果： 这引发了大规模的垃圾信息激增。但一旦这些新物品变得“常规化”，人们摸清了规则，“清道夫”们便离开了，由“规划者”重新接管。

3. “费用上涨”（让检查变得昂贵）

变化： 商店提高了仅仅为了走进店门并检查一个货架所需的最低费用。
影响： 这对“清道夫”的影响最大。由于它们检查成千上万个货架却大多以失败告终，走进店门的成本迅速累积。如果一个机器人检查了 1,000 个货架才找到一个交易，但检查的费用过高，它们就会亏损。
结果： 那些无法维持检查成本（低价值）的机器人离开了商店。留下的“清道夫”是那些拥有最有价值交易的机器人，但它们的数量显著减少了。“规划者”由于每次交易只进行一次检查，受到的影响较小。

核心结论

论文得出结论：协议设计至关重要。

如果你让交易的排序变得非常快且细粒度（如 Flashblocks），你会自然而然地排挤掉那些沉重且产生垃圾信息的机器人，但幸存者可能会变得更加卖力。
如果你提高费用，你会迫使机器人变得更高效；它们无法承担检查无价值事物的成本。

最终，作者表明你不能仅仅通过“禁止”垃圾信息来解决问题。你必须理解这些机器人是如何“狩猎”的。通过改变游戏的规则（速度、费用和信息），区块链可以鼓励“规划者”并抑制“清道夫”，从而使市场对所有人来说都更加整洁且高效。

技术摘要：等待还是探测：高吞吐量区块链上的套利竞争

1. 问题陈述

在高吞吐量区块链上，最大可提取价值（MEV）搜索已分化为两种截然不同的经济架构：目标搜索（Targeted Search）与概率搜索（Probabilistic Search）。

目标搜索： 机器人在线下识别机会、模拟执行，并提交路径承诺（route-committed）的交易。这种方法通常尝试次数较少，但单次尝试的费用较高。
概率搜索： 机器人通过提交重复交易，在执行过程中读取链上实时状态以发现机会。这种方法涉及高强度的尝试，其中大多数交易会失败（表现为探测或回滚）而不产生有用的状态变更，从而构成“垃圾信息（spam）”。

核心问题在于协议设计参数——特别是排序粒度（例如：子块 vs 全块）、费用底价（fee floors）以及机会获取能力——如何塑造这两类架构之间的竞争。虽然现有文献对概率搜索进行了孤立建模，但本文形式化了这两种架构之间的区别，并研究了协议变化如何改变机器人组成、区块空间消耗和协议收入的均衡状态。

2. 研究方法

理论框架

作者开发了一个简化形式的均衡模型来研究架构竞争。该模型假设存在自由进入机制，直到预期利润被驱动至零。关键变量包括：

排序机制（Ordering Regimes）： 基准模式（全块）对比更精细模式（子块/切片）。
竞争力 ( $\eta_r$ )： 在线发现交易在同一盈利切片中保持竞争力的概率。模型认为，由于每个尝试消耗的区块空间更高，更精细的排序会降低在线发现的 $\eta_r$ 。
机会获取率 ( $\lambda$ )： 机器人获取机会的速率。在线发现通常具有更高的获取率 ( $\lambda_C \ge \lambda_O$ )，因为它能够动态扫描多条路径。
成本 ( $K$ )： 包括 Gas 和费用在内的总成本，其随架构和费用底价的变化而变化。

该模型推导出的比较静态分析预测：

更精细的排序会降低在线发现的生存能力，特别是对于具有高“扫描足迹”（重度状态读取）的机器人。
更高的费用底价会对具有高费用暴露（单次尝试 Gas 高且尝试强度高）的架构造成不成比例的打击。
机会冲击（例如：新代币发行）可以通过创造尚未被线下索引的路径，暂时复兴在线发现。

实证策略

研究利用 Base 作为案例研究，覆盖了从 2025 年 6 月到 2026 年 2 月的时期。这一时期包含了重大配置变更：引入了 Flashblocks（200 毫秒子块）以及多阶段递增的最低基础费用。

数据构建：

数据集： 包含来自 4,365 个唯一机器人地址的 2,137 万笔成功循环套利交易和 9.85 亿笔垃圾交易（探测或回滚）。
分类方法： 使用**追踪级分类器（trace-level classifier）**根据成功套利交易来区分机器人架构。它通过分析 debug_traceTransaction 的输出，将机器人分为：
- 线下发现（Off-chain Discovery）： 在线下完成路径承诺；无预先交换（pre-swap）状态读取，或读取仅限于执行路径。
- 链上评估（On-chain Evaluation）： 读取链上状态，但仅限于最终执行的路径。
- 链上发现（概率性）（On-chain Discovery - Probabilistic）： 在选择路径前扫描一个超集范围内的交易场所（广泛的链上发现）。
聚合： 在**机器人-周（bot-week）**级别聚合标签，以分析群体偏移、垃圾信息强度和效率指标。

分析阶段

实证分析通过三个特定阶段测试模型的预测：

Flashblocks 激活（2025 年 7 月）： 测试精细排序的影响。
九月激增（2025 年 9 月）： 测试机会获取冲击（新代币发行 AVNT/MIRROR）的影响。
最低基础费用递增（2025 年 12 月 – 2026 年 2 月）： 测试上升的费用底价的影响。

3. 主要贡献

形式化搜索架构： 本文正式区分了目标搜索与概率搜索，并模拟了排序粒度和费用如何塑造它们的相对生存能力。
追踪级分类器： 开发了一种新型分类器，通过交易追踪中的可观测路径发现来识别搜索架构，并经过执行行为和垃圾信息特征验证。
比较静态分析的实证验证：
- Flashblocks： 证实了精细排序会对具有高扫描足迹的链上发现机器人产生筛选作用，使市场向更精简的线下发现机器人转移。
- 机会冲击： 证明了新代币的发行会通过短期进入者暂时复兴概率性搜索。
- 费用底价： 表明较高的费用底价会筛选掉那些无法通过机会流支撑重复尝试的架构。
量化链级结果： 衡量了这些转变对优先费用（priority fee）收入构成和区块空间效率的影响。

4. 主要结果

机器人架构特征

概率性搜索（链上发现）： 仅占成功套利活动的 23%，但产生了 95% 的垃圾交易，并消耗了 Base 总 Gas 的 20%。这些机器人的成功率较低（4.58%），且单次成功成本较高。
目标搜索（线下发现）： 成功率较高（42.51%），产生的垃圾信息较少，且单笔交易的优先费用支付较高。

特定阶段发现

Flashblocks（更精细的排序）：
- 选择效应： 链上发现机器人的数量从约 63% 降至约 25%。高扫描足迹的机器人（短 Calldata、高预读）被筛选出局。
- 幸存者： 留下的链上机器人简化了逻辑（更长的 Calldata、更少的读取）。
- 垃圾信息悖论： 尽管机器人数量减少，但总垃圾信息量并未按比例下降，因为幸存的机器人增加了其尝试强度（更频繁地探测）。
- 效率： 线下发现的成功率有所提高（35.8% $\to$ 43.6%），得益于过时状态风险的降低。
九月激增（机会冲击）：
- 在 AVNT 和 MIRROR 代币发行前后，链上发现机器人出现暂时性激增（从约 30 个增加到 220 个）。
- 瞬时进入者： 92% 的这类新机器人是短命的“尝试者”，一旦特定代币路径变得常规化，它们便会退出。
- 垃圾信息冲击： 这波浪潮产生了 1.47 亿笔垃圾交易，主要来自瞬时进入者。
费用底价递增（成本渠道）：
- 随着最低基础费用从 200K 升至 5M WEI，链上发现机器人的份额从 22% 下降到 8.4%。
- 筛选机制： 费用底价筛选掉了单位尝试价值较低的机器人。只有当其成功的机会足够昂贵，足以抵消多次失败尝试的累计成本时，机器人才能生存。
- 足迹稳定性： 与 Flashblocks 不同，费用上涨并未筛选出更低扫描强度的逻辑，而是剔除了低收益的尝试。

协议收入与区块空间

收入构成： Flashblocks 实施后，源自垃圾信息的优先费用占比从 >60% 下降到约 40-45%。收入转向了成功的套利和出价更高的概率性尝试。
区块空间效率： 虽然垃圾信息仍然是一个负担，但其总 Gas 消耗的占比在 Flashblocks 后有所下降，并在费用提升期间进一步下降（从约 20% 降至 15%），除机会冲击期间的临时激增外。

5. 意义与主张

本文主张，协议设计不仅影响 MEV 提取的规模，还从根本上改变了搜索的机制。

均衡行为： 失败的尝试（垃圾信息）不仅仅是低效，更是搜索架构在特定排序和费用约束下的均衡结果。
政策权衡：
- 更精细的排序（如 Flashblocks）能有效筛选掉广泛扫描的行为，但可能会诱发幸存者的更高尝试强度，从而限制总垃圾信息的减少。
- 费用底价充当了价值-成本利润率的过滤器，对低收益机会的概率性搜索者影响尤为显著。
外部性： 概率性搜索的主要外部性是区块空间拥塞。协议变化可以通过将机器人组成转向目标搜索来缓解这一问题，尽管暂时的机会冲击可能会引发垃圾信息的复苏。

作者总结道，理解这些架构上的区别对于设计旨在减少垃圾信息外部性、同时又不抑制有用经济活动（如套利）的协议至关重要。他们建议未来的工作应探索这些动态如何应用于其他 MEV 形式（清算、跨域套利）及不同的区块链环境。