[论文解读] Understand Waiting Time in Transaction Fee Mechanism: An Interdisciplinary Perspective

Luyao Zhang, Fan Zhang|arXiv (Cornell University)|May 4, 2023

Blockchain Technology Applications and Security被引用 13

一句话总结

本论文实证分析以太坊的合并（Merge）和 EIP-1559 如何影响交易等待时间、网络负载和市场拥堵，采用 RDD、时间序列预测和网络分析，并提出区块间隔设计的见解。

ABSTRACT

Blockchain enables peer-to-peer transactions in cyberspace without a trusted third party. The rapid growth of Ethereum and smart contract blockchains generally calls for well-designed Transaction Fee Mechanisms (TFMs) to allocate limited storage and computation resources. However, existing research on TFMs must consider the waiting time for transactions, which is essential for computer security and economic efficiency. Integrating data from the Ethereum blockchain and memory pool (mempool), we explore how two types of events affect transaction latency. First, we apply regression discontinuity design (RDD) to study the causal inference of the Merge, the most recent significant upgrade of Ethereum. Our results show that the Merge significantly reduces the long waiting time, network loads, and market congestion. In addition, we verify our results' robustness by inspecting other compounding factors, such as censorship and unobserved delays of transactions via private changes. Second, examining three major protocol changes during the merge, we identify block interval shortening as the most plausible cause for our empirical results. Furthermore, in a mathematical model, we show block interval as a unique mechanism design choice for EIP1559 TFM to achieve better security and efficiency, generally applicable to the market congestion caused by demand surges. Finally, we apply time series analysis to research the interaction of Non-Fungible token (NFT) drops and market congestion using Facebook Prophet, an open-source algorithm for generating time-series models. Our study identified NFT drops as a unique source of market congestion -- holiday effects -- beyond trend and season effects. Finally, we envision three future research directions of TFM.

研究动机与目标

• 研究以太坊 Merge 如何在 EIP-1559 TFM 下影响交易延迟。
• 识别可能影响交易等待时间的未观测因素与混杂变量。
• 开发一个数学模型以解释 Merge 对 TFM 的影响并为未来设计提供指导。
• 考察 NFT drops 如何与市场拥堵和需求激增互动。在 EIP-1559 框架下。

提出的方法

• 应用回归不连续设计（RDD）以估计 Merge 对等待时间、网络负载和拥堵的局部平均处理效应。
• 使用 Facebook Prophet 分解并预测时间序列的趋势、季节性和节日效应（NFT drops）。
• 利用 Python NetworkX 分析交易的网络结构，包括在 Merge 前后 OFAC 制裁活动。
• 将等待时间定义为从内存池出现到区块链纳入，并比较合并前/后的指标（分位数与 IQR）。
• 将区块间隔变化建模为设计特征，影响在 EIP-1559 下的基本费调整，以解释观察到的改进。
• 讨论混杂因素，如私人 MEV 通道和 OFAC 制裁，并评估鲁棒性。

实验结果

研究问题

• RQ1 Merge 如何在 EIP-1559 交易费机制下对延迟产生影响（在其他条件不变的情况下）？
• RQ2 Merge 后可能影响交易等待时间的未观测因素或混杂变量有哪些？
• RQ3 是否可以用数学模型抽象出 Merge 的主要影响以指导未来的 TFM 设计（infinitum/ad infinitum mutatis mutandis）？
• RQ4 NFT drops 如何在 EIP-1559 框架下与市场拥堵和需求激增互动？

主要发现

• Merge 降低了高等待时间风险、网络负载和市场拥堵，尽管交易到达率略有增加（从 12.079 增至 12.997 次/秒）。
• 等待时间上分位数（75%）下降 13.4 秒（从 35.0 降至 21.6 秒），p 值 < 0.01。
• 区内等待时间（IQR）下降 26.1 秒（从 54.5 降至 28.4 秒），p 值 < 0.01。
• 网络负载指标显著下降（如 1、5 和 7200 区块移动平均分别下降 28.55%、28.50% 和 22.31%，p 值 < 0.01）。
• 市场拥堵风险下降：拥堵的概率降低 52.72%（以及 5 次持续区块的 41.08%），p 值 < 0.01。
• 等待时间和拥堵的减少最可能归因于 Merge 中的区块间隔变化，使在需求激增时能够更快地调整基本费。
• NFT drops 被识别为节日般的效应，有助于使用时间序列模型预测并解释持续的拥堵模式。