本文聚焦去中心化金融（DeFi）中最主流的交易机制——自动做市商（AMM）与恒定函数做市商（CFMM），指出既有研究大多在忽略交易手续费的前提下分析流动性提供者（LP）的损益，而对费率本身的定量刻画明显不足。作者围绕一个核心问题进行理论建模：当费率趋近于零时，LP 能够从套利交易中实际收取多少手续费？针对该问题，论文给出了手续费收入的闭式解（closed-form formula），从而把套利流量、费率水平与 LP 收入之间的解析关系显式表达出来。基于该公式，作者得到一个重要结论：在价格过程连续的假设下，套利交易产生的手续费可以完全抵消 LP 所承受的 LVR（Loss-Versus-Rebalancing，即相对于持续再平衡基准策略的损失），这意味着在连续价格环境中手续费并非仅是补偿性收入，而具备结构性对冲 LVR 的作用。随后论文将分析框架推广到带跳跃的价格过程，理论结果表明，除市场风险本身之外，价格跳跃是造成 LP 损失的唯一来源——换言之，在连续路径下 LP 的损失可被手续费完全覆盖，而跳跃成分则构成无法被手续费抵消的残余风险。该结论为 AMM 设计者设定费率参数、为 LP 评估做市收益与风险来源提供了可操作的定量依据，也把 LVR 讨论从经验观察推进到解析刻画层面。适合 DeFi 协议研究者、AMM 机制设计者、做市策略与量化研究人员阅读。

本文研究阈值加密内存池（threshold-encrypted mempool，当前对抗 MEV 抢跑的主要防御手段之一）中解密委员会的合谋威慑问题。核心洞察是：一次泄露往往能反复获利——当解密委员会中达到法定人数（例如 n 名成员中的任意 k 名）将自己的解密能力出售给抢跑者后，该能力在其有效期内仍能解密的每一个后续区块都会被暴露，购买方只付一次代价却持续获益。作者把这一场景建模为重复博弈：单调联盟族中的任一合法联盟只要发生一次泄露，就会解锁一组未来轮次，同时支付一次性罚金并丧失后续参与资格。主要理论结论是：任何动态偏离策略都可归约为“选择泄露时刻”，因此威慑成立当且仅当每个联盟的罚金不低于单次泄露所能触及的最大折现收益。在无折现、T 轮单位收益、密钥可全程复用的情形下所需罚金为 T；若把每次泄露绑定到其发生的那一轮（即 context binding），所需罚金仅为 1——这表明任何与时间跨度无关的常数罚金都无法阻止无限复用；若复用窗口为 w 轮，代价最多为最大单轮收益的 w 倍。作者进一步证明：威慑全部联盟所需的最廉价“按参与方质押”方案等价于求解一个覆盖线性规划。在区块链设计层面，采用按 epoch 轮换的密钥可把所需质押从“密钥整个生命周期的价值”降到“单个 epoch 的价值”；作者用以太坊抢跑数据校准这一差距，并将 Ferveo 与 Shutter 两个阈值解密方案纳入模型比较。该分析框架还可推广到密封投标拍卖、多机构投票以及共享密钥下的联邦学习等场景。

本文研究私有/加密内存池（private mempool）在对抗三明治攻击（sandwich attack）与 MEV 提取时的隐私边界问题。现实中，私有内存池很少隐藏全部信息：交易对（pair）、交易方向、以及交易规模的粗略区间往往仍会泄露。作者提出的核心问题是：究竟泄露多少信息才会让三明治攻击重新变得有利可图。论文在无手续费恒定乘积自动做市商（即 Uniswap v2 定价规则）模型下给出了精确答案。模型设定为：套利者/攻击者只能观测到包含受害者交易规模的一个区间，并在一级价格拍卖（first-price auction）中竞标获得实施三明治攻击的权利；竞得的前置交易（front-run）必须保证受害者在区间内任意可能规模下交易仍可执行。结论的关键在于“与泄露信息一致的最小规模”——它单独决定了哪些前置交易可行，且在逐点利润、期望利润与最坏情形利润三种目标下，最大的可行前置交易都是最优解，其保证利润存在闭式解。由此得到一个反直觉的隐私设计准则：当执行成本不可忽略时，若隐私层希望排除在所有一致规模下都盈利的三明治攻击，则它可以泄露规模的几乎任何信息，唯独不能泄露一个高于显式阈值的下界；区间上端完全无关紧要。作者进一步给出博弈论分析：当存在两个及以上对称交易者时，拍卖的所有纯策略完美贝叶斯均衡都会把全部期望净租金转移给拍卖者（即内存池/排序方）。此外，若交易方向也被隐藏，则不存在与方向无关（non-contingent）的第一腿前置交易能同时前置两个可能方向；但即便交易前的隐藏做到完美，交易后的套利（post-trade arbitrage）仍可能存活。该工作适合 MEV 研究者、DeFi 协议与隐私内存池（如加密 mempool、阈值加密排序）设计者、以及从事链上博弈论建模的读者阅读。

该论文针对链上 AI 推理在 EVM 环境中的根本性瓶颈展开研究。背景问题是:以太坊虚拟机存储按 gas 计费,若把静态浮点神经网络权重矩阵写入链上存储,成本高达数百万 gas,使直接链上推理在工程上不可行;而零知识机器学习(ZK-ML)虽把张量乘法外包给链下证明者,却引入了 10 至 300 秒的 SNARK 证明延迟以及每笔 25 万至 50 万 gas 的验证开销。由于 DeFi 攻击(无抵押闪电贷、三明治 MEV、LVR 毒性流量)都在单个区块内原子完成,ZK-ML 预言机在时间尺度上无法及时响应。 为此作者提出 Werracle:一个零存储的链上 AI 决策预言机,其全部参数可压缩进单个 32 字节 EVM 存储槽(bytes32)。其核心方法借用程序化 Mandelbrot 逃逸动力学(z_{n+1}=z_n^2+c),由 24 字节坐标三元组 Theta=(c_x, c_y, zoom)推导出连续的非线性决策超平面,从而无需存储任何权重矩阵即可表达非线性判决边界。实现层面使用纯 Solidity 字节码与定点 Q16.16 算术(WerrMath.sol),对 16 点 Pareto 微网格求值仅消耗 21,438 gas,在 Base、Arbitrum 等 L2 rollup 上折合不足 0.0005 美元,执行延迟为亚毫秒级。 应用演示为 WerracleFeeHook.sol——一个 Uniswap v4 动态 swap 费率调节器,实时度量订单簿湍流度并在 0.05% 至 0.50% 区间原子调整 LP 费率,作为闪电贷/MEV 场景下的“断路器”。作者声称协议通过 1,000 项密码学封存的确定性验证套件(100% 通过),遥测永久关闭,并在专用 EVM 开发网沙盒(Chain ID 4242)上运行。 需注意:所引前置工作标注为 arXiv:2609.25498,该编号指向未来日期、无法核实;“production-grade” 的表述仅基于 devnet 沙盒,文中未披露主网部署、第三方审计或真实资金规模下的对抗测试结果。因此应视为概念验证型研究,而非可直接采信的生产级组件。

该论文针对区块链抢跑（front-running）防护机制的真实有效性展开系统性测量研究。背景是：以太坊公共内存池长期被称为“黑暗森林”，攻击者潜伏其中猎取有利可图的交易；为此，以太坊及其他公链生态日益依赖私有 RPC 和链上原生保护机制来对交易进行屏蔽，作者将这类机制统称为“受保护订单流”（protected order flow）。然而这些机制究竟能在多大程度上阻止抢跑、以及它们隐含了哪些信任假设，此前缺乏清晰认识。 为此，作者开展了首个覆盖六个区块链（Ethereum、Solana、Tron、Base、Arbitrum、Monad）、时间跨度三年的纵向测量研究。方法上，他们提出了新的夹击攻击（sandwich attack）检测启发式：其一能够捕获“宽幅”攻击，即受害者与攻击交易在时间/区块上并不紧邻、甚至跨区块分布的情况；其二通过识别机器人行为特征，将夹击行为与正常做市/交易活动区分开来，从而降低误报。 测量结果显示，即使交易本意是受抢跑保护的，仍被大量夹击：Solana 上识别出 2800 万次、Tron 上 38,567 次、Ethereum 上 30,607 次、Base 上 1,889 次。此外，被重组（reorg）的区块额外暴露了 2,875 个以太坊受害者。与公共内存池中的传统夹击不同，这些攻击很少紧贴受害者交易发生，且除 Solana 外，均由少数实体实施。 论文进一步在每一层都发现了暴露面：Solana 存在验证者层与应用层暴露；以太坊存在订单流拍卖（order-flow auction）与被重组区块带来的暴露；Tron 采用先到先服务（FCFS）排序，无法阻止基于延迟的抢跑；Base 上则存在一个暴露待处理交易的 RPC 缺陷，以及受害者行为可被预测的问题。作者据此指出，现有抢跑防护所提供的安全保证显著弱于用户预期，行业需要面向端到端的更强夹击防御。

该论文关注区块链生态中的最大可提取价值（MEV）问题。MEV 已成为区块链经济的重要力量，但其捕获长期被经验丰富的专业团队垄断，策略设计与工程实现高度依赖人工专家，难以在异构协议和不同链之间规模化复制。作者提出 EVAGE，宣称是首个全自动的多智能体框架，用于端到端地生成与适配 MEV 策略。EVAGE 具备三种专门运行模式：自动发现新型 MEV 策略变体、将执行逻辑适配到不同协议、以及在链之间（包括 Layer-1 与 Layer-2 网络）移植策略。为避免在 MEV 关键执行路径上引入大模型推理延迟，EVAGE 采用离线方式生成并精炼 MEV 机器人代码，而不是实时做决策。在编排器智能体的协调下，三个专门子智能体通过闭环诊断共同实现并修复完整的 MEV 机器人工作流，消除人工干预，并产出经过验证、具有确定性的概念验证实现。评估覆盖以太坊、Base 与 BNB Smart Chain 各超过 150 万个区块。在以太坊上，EVAGE 发现五个新型 MEV 策略变体，利润提升幅度为 1.02 倍至 15.97 倍；同时成功将 11 个 MEV 策略从 CPMM 适配到 CLMM 与 Balancer V2，并将策略从以太坊移植到 Base 与 BSC，全部 LLM token 成本低于 60 美元。适合区块链安全研究者、DeFi 协议与做市/交易团队、L1/L2 排序器与 MEV 监控方，以及关注大模型多智能体自动化代码生成的读者。

本文研究 DAG 结构拜占庭容错（BFT）共识协议中的最大可提取价值（MEV）攻击。传统 BFT 协议仅保证安全性与活性，并不约束交易排序：提议者或副本可以让实际打包顺序偏离客户端提交顺序，从而牟利，即 MEV。DAG 型 BFT 中每个副本并发提出区块，而非每轮由单一指定提议者路由交易，排序自由度更大，MEV 问题更突出。然而现有攻击报告分散在不同协议、使用不同指标，难以判断两种攻击是本质不同还是仅描述不同。作者提出一个面向 DAG 型 BFT 的 MEV 攻击空间，将攻击归纳为四个族：对手（adversary）、协议（protocol）、目标（target）、部署（deployment）；每族包含若干维度，刻画影响攻击效果的要素。攻击空间中的每个点即为一种潜在 MEV 攻击，可在具体 DAG BFT 协议上实例化。为验证，作者设计实验，在协议允许时每次隔离单一维度，测量其对 MEV 攻击成功率的影响，并在六种生产级 DAG 型 BFT 协议上进行评测。结果表明，所有被评测协议都至少对攻击空间中的部分 MEV 攻击脆弱，且哪些攻击能成功主要由协议自身设计决定，而非攻击者投入的努力。该工作为比较、分类和缓解 DAG BFT 中的 MEV 风险提供了统一框架，适合共识协议研究者、区块链安全工程师与协议设计者阅读。

该论文研究区块链预测市场中由「链上结算 + 链下订单簿」混合架构引入的原子性缺口问题。此类市场为兼顾用户自托管（用户资金始终留在自己的钱包或智能合约中），采用链下撮合、链上结算的模式：用户签署订单并提交至链下订单簿，订单在链下被接受或撮合时是有效的，但等到对应的链上结算交易真正执行时，订单可能已经失效。社区将这种现象称为「幽灵成交订单（ghost-filled orders）」——链下显示已成交，链上却结算失败。作者认为该现象并非偶发故障，而是架构层面的原子性缺陷：链下接受订单与链上结算之间存在时间窗口，掌握该窗口的一方可以在观察到市场结果或价格变动后，使对自己不利的订单失效，从而形成一种信息与执行时序上的优势。论文以 Polymarket 为案例展开实证研究，量化该行为的规模与财务影响：作者收集并分析了 2025 年 8 月 12 日至 2026 年 5 月 22 日共九个月间涉及 Polymarket 官方智能合约的约 180 万笔回滚（reverted）交易，并将攻击者获利与市场、普通用户损失分别归因，同时设计了一套偏保守的度量规则，以避免高估实际影响。在方法论层面，论文进一步抽象出可用于测试其他区块链预测市场是否易受同类问题影响的方法，并应用于另外三个市场；结果显示三者均存在同类原子性缺口，且其中一个市场因设计差异可使攻击者直接获利。作者已将发现披露给三个项目，其中一家在研究进行时已确认该问题。整体而言，这是一篇结合实证测量与架构安全分析的论文，适合关注区块链金融基础设施、MEV/交易排序、链下链上协同安全以及预测市场设计的读者。

该论文研究的是当「搜索者」从人类或自动化脚本变为自主 AI 代理时的跨链套利问题，属于 agentic economy 与 MEV（最大可提取价值）交叉领域。作者提出一个双向视角的建模框架：AI 代理既是套利的提取者，也可能成为 MEV 的受害者/被攻击目标。在方法上，论文做了三件事：其一，针对风险厌恶型代理，在均值-方差效用函数下并考虑跨链桥延迟的随机性，推导出最优交易规模；其二，把多链路径选择形式化为一个「信念加权」在线学习问题，并证明在 Robbins-Monro 步长调度下信念估计收敛；其三，基于 Ethereum、Arbitrum、Base 三条链上共 23,000 笔 Uniswap V3 swap 事件进行实证。实证结论显示：在 10 秒分辨率下，以太坊- Arbitrum 的价差平均为 0.044%，Arbitrum-Base 价差平均为 0.013%；因此 10,000 美元规模的交易在 L2-L2 窗口中有 63% 可通过 CCTP 顺利结算，而 L1-L2 路径要达到同等可行性通常需要 50,000 美元以上的规模。此外，作者提出的自适应路径选择算法平均比标准基线高出 11%，而适度的随机化执行策略可将 MEV 暴露降低 50% 以上，仅带来有限的利润损失。论文整体偏向量化金融与多智能体系统交叉，适合 MEV 研究者、跨链桥与交易所风控团队、以及研究 AI 代理经济行为的学者阅读。

该论文研究以太坊 Layer-2 rollup 时代出现的新型链上交易行为。作者指出，Arbitrum 等 rollup 以确定性排序、亚秒级出块和极低 gas 费取代了传统内存池竞争，虽抑制了经典 MEV，却催生了此前未被系统识别的行为模式。论文提出“高频兑换”（High-Frequency Swapping, HFS）概念，指在去中心化交易所内以机器节奏连续进行的单跳兑换。为量化该现象，作者构建可复现分析管线，基于 Arbitrum 18 个月全链数据（2023 年 1 月至 2024 年 6 月），先隔离自愿性单笔兑换交易，再归因到 swapper 地址层，并通过到达间隔动态识别 HFS 行为。结果显示，仅 477 个 HFS swapper 地址就贡献近 3000 万笔兑换和超过 10^11 美元名义交易量。论文从多维度展开实证分析：全局活动模式、时间动态、swapper 身份、代币覆盖、场所集中度、兑换规模、时间间隔和订单方向；并进一步进行案例级行为剖析，包括稳定币套利、CEX-DEX 执行价差以及短周期往返交易。作者据此总结出可将 HFS 与普通散户或传统套利活动区分开的稳定结构规律。该工作提供了 Arbitrum 上 HFS 的大规模地址级实证刻画，并为去中心化市场微结构研究奠定经验基础。适合区块链安全、DeFi 风控、链上市场监测与 MEV 研究读者。

该论文研究区块链智能合约中的抢跑（frontrunning）攻击与抗抢跑性质的形式化定义问题。背景上，智能合约通过共识执行，但交易排序本质上是异步的：交易由矿工（或验证者）决定打包、排序与延迟。由于用户必须通过交易与合约交互，掌握排序权的节点可以重排、延迟或插入交易，从而抢在诚实用户之前获利，这类攻击在以太坊等主流链上已造成数百万美元损失。论文指出当前领域存在两个根本性缺陷。第一，缺少对“合约抗抢跑”这一性质本身的严格定义，导致安全目标模糊、无法对工具与审计结论做一致性比较。第二，现有动态检测方法在覆盖面上严重不足：作者对 287 份智能合约审计报告做了大规模研究，审计方共报告 393 个漏洞，其中 55% 落在当前最先进检测标准的判定范围之外，说明主流工具系统性地漏检了一大批被人类审计师认定的抢跑问题。针对这一缺口，作者提出首个面向智能合约抢跑漏洞的形式化定义。其核心洞察是：抗抢跑并非合约代码的固有属性，而强烈依赖于诚实用户如何与该合约交互——同一个合约在不同交互方式下可以是安全的或不安全的。基于该观察，作者设计了一个健全（sound）的算法，用于合成“安全交互条件”，即在什么交互约束下合约能够抵抗抢跑；并实现原型工具，将其应用于真实已审计合约，在两个以太坊合约中发现了此前未被发现的漏洞。工作属于形式化方法与实证研究结合，读者对象为智能合约安全研究者、审计工程师、形式化验证与区块链安全工具开发者。

本文提出并分析了一种名为 MAD-DAG（Mutually-Assured-Destruction Directed-Acyclic-Graph）的新型区块链共识协议，旨在抵御在不利条件下（如网络传播优势、矿工可提取价值 MEV、以及接受贿赂的 petty-compliant 矿工）的自私挖矿攻击。背景上，现有研究已表明自私挖矿会威胁区块链安全，而状态最优的 Colordag 协议虽然在理论上抗自私挖矿，但仅在延迟高到不切实际时才被证明安全，且未考虑上述不利条件。作者首先将自私挖矿行为建模为理性矿工的马尔可夫决策过程（MDP），并提出保守的奖励规则以偏向自私矿工，从而获得其收益的上界。基于该模型，他们推导出安全阈值（矿工为从自私挖矿中获利所需的最低计算力占比）的下界。MAD-DAG 的核心创新在于一种新的账本函数：当存在等长且竞争最长的链时，直接丢弃这些链上的区块内容。这种“相互保证毁灭”的设计使得攻击者即使拥有网络优势或区块奖励波动，也难以从自私挖矿中获利。实验结果表明，在存在 petty-compliant 矿工和高区块奖励波动的条件下，MAD-DAG 的安全阈值在 11% 到 31% 之间，而 Colordag 和比特币的安全阈值均为 0%，意味着它们在这些条件下完全无法抵抗自私挖矿。此外，在正常条件下 MAD-DAG 的安全性与现有协议相当。作者声称这是首个针对基于 DAG 的实用区块链的自私挖矿可处理（tractable）模型，为后续研究提供了分析框架。本文适合区块链协议设计者、共识算法研究者以及关注 MEV 与矿工行为的网络安全学者阅读。

本文提出一种针对分布式账本中最大可提取价值（MEV）机会的防御机制。MEV是指区块生产者（如矿工或验证者）通过重排、插入或剔除交易来提取额外价值的能力，长期以来对区块链的公平性和用户资金安全构成严重威胁。核心思想是在交易生成过程中强制施加可验证的延迟（Verifiable Delay），使得当一笔交易被构造时，其生效时间被有意推迟，从而使区块创建者无法及时对最新出现的MEV机会作出响应——任何试图抢先交易或操纵排序的行为都会因延迟而破坏链的活性（liveness）。作者在拜占庭容错（Byzantine）模型和理性参与者的博弈论模型下均给出了积极结果，证明该机制在理论上可行；同时，他们也推导出负面界限，指明了此类防御策略在天性能力上的局限性。文章进一步探索了可验证延迟函数的实际部署细节，并利用历史MEV数据进行了评估，结果显示该机制能够现实地抵御大多数现有MEV威胁。整体而言，这项工作为MEV防护提供了全新的设计范式，兼具理论深度和工程参考价值，适合区块链协议开发者、DeFi安全研究者以及共识机制设计者阅读。

该论文研究区块链最大可提取价值（MEV）市场中的中心化问题，尤其关注搜索者（searcher）竞争层面的中心化。现有研究多聚焦于构建者、验证者和区块构建市场，本文则从搜索者角度出发，建立了一个异质性模型，其中搜索者在机会覆盖范围和执行效率上存在差异。作者分析了拍卖设计如何影响竞争同一MEV机会的搜索者之间的公平性、去中心化和安全性。为了评估搜索者竞争，提出了两个新指标：基于Shapley权的Jain公平指数，用于衡量奖励是否与搜索者的边际贡献成比例；以及期望奖励的赫芬达尔-赫希曼指数（HHI），用于衡量长期搜索者奖励的集中度。利用这些指标，首先将标准的一价赢家通吃拍卖作为基准进行分析。分析表明，在搜索者异质性下，一价竞争可能奖励排名优势而非边际贡献，导致奖励集中且贡献调整后的公平性削弱。基于这些局限，论文提出了一种准入过滤的Shapley封顶拍卖机制，该机制在获准的高质量提交中更公平、更广泛地分配搜索者奖励。在无许可区块链环境中设计此类机制面临挑战：搜索者可能通过提交相同执行策略的复制或降级版本来创建Sybil身份，验证者也可能与搜索者合谋以增加联合收益。论文通过贝叶斯安全约束来处理复制代码的Sybil偏差和验证者-搜索者联盟偏差。本文为MEV市场的去中心化设计提供了理论分析工具和新型机制，适合区块链研究者、MEV基础设施开发者以及协议设计者阅读。

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。