[论文解读] Frontrunner Jones and the Raiders of the Dark Forest: An Empirical Study of Frontrunning on the Ethereum Blockchain

Christof Ferreira Torres, Ramiro Daniel Camino+1 more|arXiv (Cornell University)|Feb 5, 2021

Blockchain Technology Applications and Security参考文献 16被引用 58

一句话总结

本文提出一项大规模、数据驱动的研究，聚焦三种以太坊 frontrunning 攻击（displacement、insertion、suppression），提出高效检测方法并报告显著的攻击者利润。

ABSTRACT

Ethereum prospered the inception of a plethora of smart contract applications, ranging from gambling games to decentralized finance. However, Ethereum is also considered a highly adversarial environment, where vulnerable smart contracts will eventually be exploited. Recently, Ethereum's pool of pending transaction has become a far more aggressive environment. In the hope of making some profit, attackers continuously monitor the transaction pool and try to frontrun their victims' transactions by either displacing or suppressing them, or strategically inserting their transactions. This paper aims to shed some light into what is known as a dark forest and uncover these predators' actions. We present a methodology to efficiently measure the three types of frontrunning: displacement, insertion, and suppression. We perform a large-scale analysis on more than 11M blocks and identify almost 200K attacks with an accumulated profit of 18.41M USD for the attackers, providing evidence that frontrunning is both, lucrative and a prevalent issue.

研究动机与目标

• 动机并量化抢先攻击在以太坊与去中心化金融环境中普遍且有利可图的做法。
• 开发可扩展的方法，在历史区块链数据中检测三种 frontrunning 攻击类型。
• 描述攻击者行为、数量、聚簇及利润，以理解整个生态系统。
• 基于证据的讨论其对矿工和区块链信任模型的影响。

提出的方法

• 定义攻击者模型和三种 frontrunning 攻击类型：displacement, insertion, suppression。
• 提出使用区块窗口、4 字节 n-gram 和 Bloom 过滤器的可扩展检测方法，以通过机器人合约检测 displacement。
• 基于 ERC-20 Transfer 事件和交易顺序，开发插入检测启发式方法，以识别 AMM/DEX 上的夹心式攻击。
• 围绕高 Gas、近乎满块的交易簇，建立抑制检测启发式方法，并分析执行轨迹以识别抑制策略。
• 通过分析共享交易和相同字节码，将攻击者账户和机器人合约聚集成 attacker groups。
• 用保守的启发式方法和人工抽样对检测进行验证，目标是在精度高于召回率。

实验结果

研究问题

• RQ1 在多年的时间跨度内，以太坊上抢先攻击在真实环境中的普遍程度如何？
• RQ2 在历史区块链数据中，是否能以大规模高效检测 displacement、insertion 和 suppression 等 frontrunning 攻击？
• RQ3 这些攻击中的攻击者活动规模与特征（计数、机器人、簇）以及利润是多少？
• RQ4 这对矿工以及整体以太坊信任模型意味着什么？
• RQ5 所提出检测方法的局限性与潜在盲点是什么？

主要发现

• 在数据集中识别出 199,725 起 frontrunning 攻击。
• 检测到 1,580 个攻击者账户和 526 个 bot。
• 攻击者合计利润达到 18.41 百万美元。
• 攻击者账户和机器人聚成 137 个独特的攻击者簇。
• 矿工因抢先者获得的利润约为 30 万美元。