PRO｜mev-commit 正式发布、ePBS 中的密封执行拍卖机制（SEA）
反相关惩罚机制（EIP-7716），以及四篇论文等
欢迎阅读 ChainFeeds PRO #62。本次内容将包含 Primev 发布了 mev-commit，以及每周更新内容：比特币协议进展、以太坊治理相关、最新研究和进展，和最新论文。
重点
mev-commit release!
Primev 发布了 mev-commit，它是一个点对点 (P2P) 网络平台，为以太坊提供预确认，允许区块构建者、定序器和任何执行服务提供者发布实时的可信承诺，这种承诺机制确保了出价者可以在获得承诺后，基于预期采取行动。 mev-commit 是目前唯一支持基于领导者和无领导者预确认方法的协议。
出价者（如搜索者、解决者、钱包和终端用户）在 mev-commit 网络上提出出价，表示他们愿意支付一定费用来执行特定交易。每个出价由交易哈希标识，并通过点对点网络发送到执行提供者（如区块构建者、定序器）。执行提供者通过承诺来回应出价，确认他们同意在指定的区块内以提议的价格执行交易。mev-commit 确保交易按计划执行，降低了交易失败的风险，并优化区块空间的利用，减少协调过程中的延迟和误解，从而提升整体交易执行的效率。mev-commit 作为一个新的层，可以与 mev-boost 配合工作，确保带有承诺的区块被成功交付。
比特币协议进展
从 Lamport 签名中获得脚本状态
Andrew Poelstra 讨论了比特币脚本（Bitcoin Script）的最新进展及其在实现复杂功能上的潜力。比特币脚本是一种嵌入比特币区块链的简单编程语言，主要用于验证转账条件，但在处理复杂算术运算和交易内省上存在局限。针对这些局限，Jeremy Rubin 发现 Bitcoin Script 可以直接验证 33 位数值的 Lamport 签名，通过哈希原像检查实现反模棱两可机制，这为在 Script 中实现复杂计算提供了新的思路。进一步地，Robin Linux 的 BitVM 项目通过将程序分割成多笔交易，实现任意计算。BitVM 利用哈希值-原像-揭晓机制，使每笔交易只执行简单操作，然后将输出链接到下一操作的输入。这种方法有效地解决了 Script 在处理复杂运算时的局限性。
并行签名中的适配器签名的安全性
AdamISZ 定义了 Schnorr 签名语境下的「签名适配器（signature adaptor）」，作用是通过引入一个额外的调整因子，使得签名过程可以更灵活地适应多方签名和匿名交易等应用场景。通过化约法（一种常用的证明技术，通过将一个复杂问题的安全性证明转化为一个已知问题的安全性）证明，即使适配器在多个会话中并行使用，签名方案仍然是安全的。
Bitcoin Optech Newsletter #312
分布式密钥生成协议用于 FROST：Tim Ruffing 和 Jonas Nick 发布了一个名为 ChillDKG 的协议草案及其参考实现，用于安全生成兼容比特币 Schnorr 签名的 FROST 风格无脚本阈值签名密钥。无脚本阈值签名允许创建 n 个密钥，任意 t 个密钥可以生成有效签名。ChillDKG 协议结合了 FROST 的密钥生成算法和现代密码学原语，确保通信的安全性、认证性和不可审查性。协议通过 ECDH 交换进行加密和认证，每个参与者验证其他参与者的签名会话记录，以确保密钥生成过程的正确性。目标是提供通用协议，并简化备份过程，仅需保密私有种子和恢复数据。
集群线性化（cluster linearization）介绍：Pieter Wuille 在 Delving Bitcoin 上发布了一篇详细描述集群线性化的文章，这是为比特币的集群内存池（cluster mempool）打基础的一个重要技术。集群内存池通过将交易分组处理，减少每次处理交易时需要重复计算的工作量，提高节点的运行效率。之前的 Optech 曾试图介绍这一主题的关键概念，但这篇综述更加全面。它按照从基本概念到具体实现算法的顺序带领读者深入理解，并附有多个实现集群内存池部分的 Bitcoin Core 拉取请求链接。
以太坊
研究和进展
Sealed execution auction
以太坊基金会研究员 Anders Elowsson 提出了一种在 ePBS 中实施的密封执行拍卖（sealed execution auction，SEA）机制，以选择即将到来的执行提议者（execution proposer）。目的是通过拍卖机制使提议和构建的过程更加透明和公正，减少 MEV 引发的问题。
SEA 是一种从构建者中选择执行提议者的两轮拍卖机制。在第一轮拍卖中，每个构建者通过公共 P2P 层提交一个密封出价。在特定时间点 T1，证明者（attesters）会观察到所有提交的密封出价。这些出价是密封的，只有提交者自己知道具体内容。然后，在稍后的时间点 T2，信标提议者（beacon proposer）会将这些密封出价进行汇总，并将其结构广播出去，确保所有出价都被记录在案。证明者在时间点 T3 检查并确认所有在 T1 观察到的出价都包含在信标提议者的汇总结构中，以确保没有遗漏。
在第二轮拍卖中，这些构建者在时间点 T3 之后揭示他们的出价。揭示出价是公开的，所有人都可以看到。在时间点 T4，证明者观察这些揭示后的出价。信标提议者在时间点 T5 再次汇总所有揭示的出价，并将其包含在信标区块中。所有揭示的出价被记录在信标区块中，以确保整个拍卖过程透明和公正。最后最高出价者获得执行区块的提议权，但只需支付次高出价的费用，该费用将被烧毁，以减少可能的操纵和不公平竞争。
如果提议者在第一轮中遗漏了观察到的密封出价或在第二轮中遗漏了揭示后的出价，其区块将被证明者拒绝。如果提议者未能及时发布密封出价或揭示出价的结构，其区块也将被证明者拒绝。如果构建者未能揭示其出价，或其出价高于其质押的金额，将受到惩罚。
Based Preconfirmations with Multi-round MEV-Boost
Nethermind 研究员 Lin Oshitani 提出了一种改进的 MEV-Boost 机制——多轮 MEV-Boost（MR-MEV-Boost）来缓解 based rollups 的负外部性（negative externalities ）。based preconfirmations 引入了额外的预确认者（preconfers），会影响系统的活跃性和去中心化特性。
多轮 MEV-Boost 通过在每个时间槽内进行多轮拍卖和预确认，保持了原有的区块构建流程，不再依赖单一的预确认者。预确认职责在每个时间槽内动态分配，任何参与者都可以在多个轮次中参与预确认。具体来说，将每个时间槽分为固定数量的轮次（例如，每轮 3 秒），多个构建者在每轮内进行一次 MEV-Boost 拍卖，生成并预确认一个部分区块（partial block）。在时间槽结束时，发布包含所有部分区块的完整区块，这些部分区块按预确认的顺序排列，不插入其他交易。中继器验证部分区块的有效性，并将其传播给提议者。提议者对部分区块进行预确认，并将其发布到预确认网络。全节点验证并执行这些预确认的部分区块，更新最新状态。
Diseconomies of Scale: Anti-Correlation Penalties (EIP-7716)
以太坊基金会研究员 Toni Wahrstätter 介绍了反相关惩罚机制（EIP-7716），通过为错过的投票引入一个动态调整的惩罚因子，根据验证者的相关性而变化，最高可达 4 倍，以此来激励验证者采用不同的硬件、软件和地理位置等设置方式，从而减少验证者之间的联系。
大规模验证者更容易获得高价值的出块奖励，而小规模的验证者则类似于参加抽奖。验证者在参与以太坊共识过程中获得的奖励（如出块奖励和 MEV）存在显著差异，尤其是大规模运营者更容易获得高价值的奖励。大规模运营者能够通过协调其验证者来增加出块成功率，并利用网络连接优势延迟区块提议以提取更多的 MEV，从而增加利润。此外，大规模运营者可以通过规模经济降低运营成本，从而使质押更有利可图，这导致他们在质押过程中具有显著优势，从而加剧了中心化问题。例如，Coinbase 可以用一台设备运行多个验证者，从而大幅降低单位验证者的成本。EIP-7716 旨在通过引入反相关惩罚机制，动态调整经济激励，以促进验证者多样化其设置，降低单点故障和集中的风险，从而增强以太坊网络的去中心化和安全性。
Commit-Boost: Proposer Platform to Safely Make Commitments
Commit-Boost 贡献者 Drew Vander Werff 介绍了一个名为 Commit-Boost 的开源公共项目，旨在为以太坊开发一个轻量级的验证者平台，安全地进行承诺。Commit-Boost 目标是提供一个统一的接口，使得验证者可以通过一个标准化的平台与不同的承诺协议进行交互，而不需要为每个协议运行不同的 sidecars（辅助程序）。Commit-Boost 可以与 MEV-Boost 一起工作，验证者可以通过 Commit-Boost 的平台，利用 MEV-Boost 来构建和提交区块，而不需要进行额外的配置或修改。主要特点：
统一性：在以太坊分叉和升级期间，核心开发者可以使用一个标准进行互动，从而减少碎片化和复杂性。
向后兼容：不仅兼容 MEV-Boost，还通过增加报告和遥测等工具（为验证者提供监控和数据收集功能等）改善验证者的操作体验。
无需运行多个 sidecars：允许提议者在不运行多个 sidecars 的情况下选择其他承诺，从而减少运营复杂性和风险。
强大支持：由非营利实体支持，专注于安全性和稳健性，提供 24/7 的全球支持。
公共项目：没有货币化计划，不会出售自己或启动可货币化的副业，完全作为公共资源存在。
MEV 相关
The MEV Letter #47
Flashbots 团队推出垂直于 MEV 研究领域的 Newsletter，以下是一些重点摘录：
论文《Searcher Competition in Block Building》探讨了在具有竞争性区块构建市场的区块链（如以太坊）中，验证者捕获的 MEV 量如何随着搜索者竞争的变化而变化。
文章《Flashbots report: System requirements, existing and new solutions, and their efficiency》回顾了现有的共识协议和无共识协议的局限性，并提出了新的构造以改善抗审查性和效率。
文章《Introducing Gas Fee Refunds on Flashbots Protect and builder》指出 Gas 费用退款已经在 Flashbots Protect 和 Flashbots Builder 上对所有交易上线，且退款规则在安全执行环境（TEEs）中安全执行。
文章《Account Abstraction Leveraging TEE》概述了使用电子邮件和密码凭证通过 SUAVE 实现账户抽象的 MVP。
文章《Publicly Broadcasting Min-Bid》讨论了搜索者如何从意图中提取 MEV，并可能的风险缓解方式。
文章《Publicly Broadcasting Min-Bid》分析了 MEV-Boost 中的最低竞标参数如何影响区块构建，并建议公开该参数可以提高收入和效率。
EthCC by Ethereum France 第七届 EthCC 演讲回顾。
📑论文
OpenTracer: A Dynamic Transaction Trace Analyzer for Smart Contract Invariant Generation and Beyond
作者来自：University of Toronto、Singapore Management University
作者介绍了一种名为 OpenTracer 的工具，该工具旨在解决当前缺乏开源工具能够全面跟踪智能合约交易信息的问题。OpenTracer 确保全面跟踪每一个执行步骤，提供完整的交易信息。OpenTracer 已经被用来分析了 350,800 个以太坊交易，成功从预定义模板中推断出 23 种不同类型的不变量。该工具完全开源。
A Two-Layer Blockchain Sharding Protocol Leveraging Safety and Liveness for Enhanced Performance
作者来自：University of Copenhagen
作者介绍了一种名为 Reticulum 的创新分片协议，旨在解决现有协议忽视多样化对抗性攻击、限制交易吞吐量的问题，从而提升区块链的可扩展性。Reticulum 采用了两阶段方法，根据运行时对抗性攻击调整交易吞吐量。在第一阶段，交易被写入区块并由处理分片的节点投票表决，一致通过的区块将被确认。在第二阶段，未能在第一阶段获得一致通过的区块将由控制分片投票表决。若多数投票通过，该区块将被接受，消除第一阶段的反对者和沉默投票者。
Benchmarking GNNs Using Lightning Network Data
作者来自：ETH Zurich
作者介绍了比特币闪电网络（Lightning Network），这是一种旨在促进快速且低成本比特币交易的二层协议。它通过在用户之间建立通道进行操作，比特币在通道中被锁定，交易在链下进行，直到通道关闭，只有初始和最终交易记录在区块链上。为了使没有直接通道的用户能够进行交易，网络中间节点的路由至关重要，这些路由节点可以通过提供服务收取费用。节点向网络宣布其通道，形成一个以通道为边的图结构。本文分析了闪电网络的图结构，并使用机器学习，特别是图神经网络（GNNs），来研究节点属性之间的统计关系。设计了一系列任务来探索这些关系，并为GNN架构提供了基准，展示了拓扑和邻居信息如何提高性能。
Vulnerability Detection in Smart Contracts: A Comprehensive Survey
作者来自：University of Sydney
作者研究了智能合约的安全性问题，特别是如何利用机器学习技术来检测和缓解漏洞。分析了 2018 年至 2023 年间的 88 篇相关文献，发现经典机器学习技术（如KNN、RF、DT、XG-Boost和SVM）在漏洞检测中表现优于传统静态工具。此外，结合深度学习和经典机器学习的多模型方法在精度和召回率方面表现出显著改善，而采用多种技术的混合模型在漏洞检测准确性方面几乎达到了完美表现。