本文提出一种名为 BEAT-MEV 的新方案，旨在解决区块链中的最大可提取价值（MEV）问题。MEV 是指矿工或验证者通过重排、插入或审查交易来提取额外价值，这破坏了区块链的公平性和去中心化。现有防御方法如阈值加密或可信执行环境存在效率低、依赖同步假设或需要信任单一实体等缺陷。BEAT-MEV 引入了一种“无纪元”的批处理阈值加密方法，其核心思想是：交易在发送时即被加密，并在一个批次中由多个节点共同解密，从而防止单个节点提前获取交易内容以进行抢先交易或三明治攻击。该方案不需要预先定义的时间段（纪元），而是基于聚合阈值实现解密，减少了延迟并提高了吞吐量。论文通过形式化安全模型和实验评估，证明了 BEAT-MEV 在以太坊类区块链上的可行性和性能优势，相比现有方案显著降低了通信开销和计算延迟。该工作适合区块链安全研究人员、Layer2 开发者以及 MEV 相关的协议设计者阅读。

本文研究加密内存池（encrypted mempool）在永续合约（perpetual futures）资金费率场景下的安全性问题。加密内存池旨在隐藏交易内容直到执行顺序固定，从而防止最大化提取价值（MEV）攻击。然而，本文揭示了一种新型攻击：自作者状态操纵（self-authored state manipulation），即攻击者知晓自己的交易并拥有下游对交易改变状态的索取权。永续合约的资金费率是典型例子：资金费率信号决定转移率，接收方未平仓量是转移基数。在“提交后揭示”的内存池中，自适应的纠正交易无法进入已提交的批次，因此即使密码学解密开销可忽略，隐私也会造成经济反应缺口。作者通过可执行的套利机会为纠正行为构建微观基础：纠正者根据局部价格影响和库存成本选择订单规模，而协议信息调度决定哪些机会可操作。排序障碍将普通自适应搜索者排除在封闭阶段之外，导致封闭阶段的纠正率低于自适应纠正率（当存在正的自适应能力时）。进入资金窗口的扭曲乘以明确的响应因子。交易隐私还能降低可预测资金进入价格的资本化，产生第二个放大通道。最终形成的局部安全指数将攻击者盲目性、纠正屏蔽和资本化屏蔽分离。本文适合DeFi协议设计者、MEV研究者及区块链安全工程师阅读，以理解加密内存池在动态博弈下的安全权衡。

该论文提出了一个形式化框架，用于分析去中心化金融（DeFi）组合的经济安全。DeFi服务通常由多个智能合约组合而成，这种可组合性是DeFi成功的关键驱动力，但也带来了安全风险：攻击者可以利用新部署的合约与已有合约之间的交互来造成经济损失。论文引入了“MEV非干扰”这一形式化安全概念，要求一组新部署的合约的最大可提取价值（MEV）不会因与现有区块链状态的交互而增加。为了支持这一概念，作者定义了“局部MEV”，这是一种新型的经济攻击度量标准，专注于给定受害者合约集的损失。论文研究了两种对手模型（有界财富和无界财富），并建立了充分条件和局部性原则，从而实现对安全组合性的模块化推理。作者将该框架应用于代表性的DeFi组合，包括交易所、自动做市商（AMM）、期权、借贷池、路由器和套利合约，展示了它如何区分安全组合与脆弱组合。该工作为推理DeFi组合的经济安全性提供了形式化基础，适合对DeFi安全、形式化方法和MEV研究感兴趣的读者。

本研究针对去中心化金融（DeFi）中由矿工可提取价值（MEV）引发的安全问题，特别关注Flashbots bundle机制如何加剧MEV竞争。作者指出，Flashbots bundle允许机会主义交易者通过私有交易通道设计更复杂的MEV提取策略，威胁区块链共识安全与效率。现有方法难以准确识别bundle中的DeFi动作并发现新的MEV活动模式。为此，本文提出两个创新工具：ActLifter，一种自动化工具，通过结合智能合约分析、交易跟踪和机器学习，精确识别每个bundle交易中的DeFi动作（如交换、借贷、套利），在实验中实现了接近100%的精确率和召回率，显著优于现有技术；ActCluster，一种基于迭代聚类的无监督方法，能够自动发现已知和未知的DeFi MEV活动类型。通过对大规模Flashbots bundle数据的分析，ActCluster不仅验证了已有MEV活动，还新发现了17种此前未报道的DeFi MEV活动，这些活动出现在53.12%的bundle中。实验结果表明，新发现的MEV活动具有高频率和多样性，包括复杂的交叉协议套利、时间博弈和清算策略等。该研究首次系统性地揭示了Flashbots bundle中DeFi MEV活动的全貌，为区块链安全社区提供了新的理解，并为后续检测和防御MEV攻击奠定了基础。适合区块链安全研究人员、DeFi开发者及共识机制设计者阅读。

本文旨在揭示以太坊MEV（矿工可提取价值）机器人全生命周期的盈利策略。研究背景是MEV机器人在以太坊生态中广泛存在，但其内部运作机制和盈利手段尚不透明。核心问题是如何系统性地理解MEV机器人的行为模式、盈利策略及其演变。作者提出了一种基于链上数据的方法，通过分析交易池、区块构建和机器人交易序列，构建了MEV机器人生命周期的四阶段模型：启动、策略执行、调整和退出。主要贡献包括：1) 首次全面分类了MEV机器人的盈利策略，包括抢先交易、三明治攻击、套利和清算等；2) 揭示了不同策略在不同时期的收益分布和风险特征；3) 通过大规模实证分析（覆盖数百万笔交易），量化了机器人之间的竞争效应和利润来源。实验结果表明，MEV机器人的盈利高度依赖网络延迟和私有交易池的使用，且部分策略存在可持续性风险。本文适合区块链安全研究人员、以太坊协议开发者及DeFi参与者阅读。

该论文提出了 MEVisor，一个利用 GPU 并行性在去中心化交易所（DEXs）中高效发现最大可提取价值（MEV）机会的系统。MEV 是区块链环境中通过操纵交易顺序获得的利润，对 DEX 安全构成威胁。传统方法由于需要扫描大量交易组合而计算开销巨大。MEVisor 通过将 MEV 发现问题建模为图上的路径搜索，并利用 GPU 的并行计算能力加速搜索过程。系统首先将 DEX 交易对构建为图结构，然后使用 GPU 并行执行多种搜索策略（如循环检测、套利路径搜索），以识别潜在的 MEV 机会。实验表明，MEVisor 相比 CPU 基线实现了数量级的吞吐量提升，能够在更短时间内发现更多 MEV 机会。这项工作为区块链安全中的 MEV 监控提供了高效工具，有助于防御者及时识别和缓解 MEV 攻击。