Імітаційне моделювання явища максимально екстрактованої вигоди в мережі блокчейн Ethereum
Анотація
Запропоновано середовище імітаційного моделювання явища максимально екстрактованої вигоди MEV (англ. Maximal Extractable Value), реалізоване мовою програмування Python із використанням бібліотеки Gymnasium, яке відтворює взаємодію сховища-мемпулу, конструювальника блоків, агента MEV-екстрактора та AMM-пулу децентралізованої біржі. Формально середовище описано як розширений та частково спостережуваний процес прийняття рішень, у межах якого агент взаємодіє з дискретно-часовою моделлю епізодів, що відображає послідовність надходження транзакцій, побудови блоків і виконання swap-операцій обміну на децентралізованій крипто-біржі. Для моделювання адаптивної поведінки агента використано методи навчання з підкріпленням, а для кількісного аналізу втрат користувачів застосовано контрфактичний підхід до оцінювання, що дає змогу порівнювати результати виконання транзакцій у різних режимах впорядкування за однакових вхідних умов. У дослідженні використано раніше описаний авторами метод зменшення негативних ефектів MEV-екстракції на основі логічних часових міток Лампорта, який реалізує локальне причинно-наслідкове впорядкування транзакцій у межах окремого смарт-контракту без модифікації глобального механізму консенсусу мережі блокчейн Ethereum. Для оцінювання практичної ефективності цього підходу сформовано три сценарії моделювання: базовий сценарій без систематичної MEV-атаки для визначення накладних витрат застосування механізму захисту, сценарій систематичної sandwich-атаки для аналізу та здатності методу зменшувати втрати користувачів та обмежувати можливості MEV-екстрактора, а також сценарій параметричного аналізу, спрямований на дослідження компромісу між рівнем захисту та "вартістю" його застосування. Отримані результати показали, що запропонований метод MEV-захищеного впорядкування може зменшувати цінові втрати користувачів від sandwich-атак і, водночас, впливати на частоту відхилення транзакцій та пов'язані комісійні витрати, що вказує на наявність керованого компромісу між ефективністю захисту та накладними витратами його використання. Практична цінність роботи полягає у створенні відтворюваного середовища імітаційного моделювання для дослідження стратегічної поведінки MEV-агентів і перевірки механізмів зменшення негативних наслідків MEV у контрольованих умовах, що може бути використано для подальшого аналізу безпеки протоколів децентралізованих фінансів та проєктування нових методів впорядкування транзакцій.
Завантаження
Посилання
Adams, A., Chan, B. Y., Markovich, S., & Wan, X. (2024). Dont let MEV slip: The costs of swapping on the Uniswap protocol. Financial Cryptography and Data Security: 28th International Conference (pp. 172-191). https://doi.org/10.48550/arXiv.2309.13648
Alharby, M., & van Moorsel, A. (2020). BlockSim: An extensible simulation tool for blockchain systems. Frontiers in Blockchain, 3, article ID 28. https://doi.org/10.3389/fbloc.2020.00028
Bartoletti, M., & Zunino, R. (2023). A theoretical basis for Blockchain Extractable Value. arXiv. https://doi.org/10.48550/arXiv.2302.02154
Bellman, R. (1957). A Markovian decision process. Journal of Mathematics and Mechanics, 6(5), 679–684. https://doi.org/10.1512/iumj.1957.6.56038
Cherkas, N. S., & Batyuk, A. Ye. (2023). Maximal extractable value (MEV) in blockchain networks and its impact on blockchain ecosystem. Ukrainian Journal of Information Technology, 5(2), 60–71. https://doi.org/10.23939/ujit2023.02.060
Cherkas, N., & Batyuk, A. (2025). Transaction ordering via Lamport logical timestamps to mitigate MEV extraction in Ethereum smart contracts. Herald of Khmelnytskyi National University. Technical Sciences, 357(5.2), 187–192. https://doi.org/10.31891/2307-5732-2025-357-83
Daian, P., Goldfeder, S., Kell, T., Li, Y., Zhao, X., Bentov, I., Breidenbach, L., & Juels, A. (2020). Flash Boys 2.0: Frontrunning in decentralized exchanges, miner extractable value, and consensus instability. In 2020 IEEE Symposium on Security and Privacy (SP) (pp. 910–927). IEEE. https://doi.org/10.1109/SP40000.2020.00040
Ethereum.org. (n.d.). Proposer-builder separation. Retrieved March 17, article ID 2026. URL: https://ethereum.org/en/roadmap/pbs/
Farama Foundation. (n.d.). Gymnasium documentation. Retrieved March 9, 2026. URL: https://gymnasium.farama.org/
Hardhat. (2026, February). Hardhat 3: Rust-powered Solidity tests. Ethereum development environment for professionals. URL: https://hardhat.org/
Huang, R. (2025). Research on optimization of cryptocurrency trading strategies based on reinforcement learning: Combining traditional machine learning and deep reinforcement learning methods. ITM Web of Conferences, 78, article ID 01001. https://doi.org/10.1051/itmconf/20257801001
Jain, S. (2026). Algorithmic predatory equilibrium: Multi-agent reinforcement learning and market manipulation in decentralized finance [Preprint]. SSRN. 27 p. https://doi.org/10.2139/ssrn.6087766
Liu, Y., Lu, Y., Nayak, K., Zhang, F., Zhang, L., & Zhao, Y. (2022). Empirical analysis of EIP-1559: Transaction fees, waiting times, and consensus security. In Proceedings of the 2022 ACM SIGSAC Conference on Computer and Communications Security (pp. 2099–2113). https://doi.org/10.1145/3548606.3559341
Mazorra, B., Reynolds, M., & Daza, V. (2022). Price of MEV: Towards a game theoretical approach to MEV. In Proceedings of the 2022 ACM CCS Workshop on Decentralized Finance and Security (pp. 11–18). https://doi.org/10.1145/3560832.3563433
Nisan, N., Roughgarden, T., Tardos, E., & Vazirani, V. V., (Eds.). (2007). Algorithmic Game Theory. Cambridge University Press, 754 p. https://doi.org/10.1017/CBO9780511800481
Roussille, H. (2024). A case study on blockchain vulnerabilities using Multi-Agent Reinforcement Learning. Cryptography and Security [cs. CR]. Doctoral dissertation, Université de Montpellier. HAL. 138 p. URL: https://theses.hal.science/tel-05101983
Schwarz-Schilling, C., Saleh, F., Thiery, T., Pan, J., Shah, N., & Monnot, B. (2023). Time is money: Strategic timing games in Proof-of-Stake protocols. arXiv. https://doi.org/10.48550/arXiv.2305.09032
Wen, E., Deng, Z., Mo, Y., Zhou, Y., & Shi, X. (2025). RL-BES: Optimizing strategies using reinforcement learning for blockchain economic security. Blockchain, 2025(1), article ID 0005. https://doi.org/10.55092/blockchain20250005
Wu, F., Thiery, T., Leonardos, S., & Ventre, C. (2024). Strategic bidding wars in on-chain auctions. In 2024 IEEE International Conference on Blockchain and Cryptocurrency (ICBC) (pp. 503–511). IEEE. https://doi.org/10.1109/ICBC59979.2024.10634354
Xu, J., Paruch, K., Cousaert, S., & Feng, Y. (2023). SoK: Decentralized exchanges (DEX) with automated market maker (AMM) protocols. ACM Computing Surveys 55(11), 1-50. https://doi.org/10.1145/3570639
