6초 슬롯의 증명 타이밍 분석

데이터를 친절하게 공유해 주신 Flashbots , Titan , Ultrasound 팀에 감사드립니다. 또한, 증명 및 블록 도착 데이터를 수집하고 Xatu의 ClickHouse 인스턴스에 대한 액세스를 제공해 주신 ethPandaOps 팀 에도 감사드립니다. 마지막으로, 피드백과 제안을 해주신 Thomas Thiery, Anders Elowsson, Barnabé Monnot, Marios Ioannou에게도 큰 감사를 전합니다.

요약

이 분석은 블록과 증명의 도착 시간을 살펴보고 2025년 8월 초부터 1주일간의 이더리움 슬롯을 다룹니다. 증명 마감일을 3초로, 집계 마감일을 4.5초로 설정하여 슬롯을 6초로 줄이는 것을 제안하는 EIP-7782 의 실행 가능성을 평가하는 것을 목표로 합니다.

블록은 일반적으로 증명 마감일(95번째 백분위수는 3.3초)에 가깝게 도착합니다. 그러나 순수 블록 전파 시간(블록이 릴레이를 통해 게시된 이후 경과된 시간)은 1초 미만입니다. Ultrasound, Flashbots 또는 Titan에서 블록이 전송된 슬롯 샘플에서 95번째 백분위수는 약 800ms입니다. 이는 슬롯 시작 시간이 블록 전파에만 사용되지 않고 현재 슬롯 구조 내에서 증명 타이밍에 약간의 여유가 있음을 시사합니다.

순수한 전파 시간을 나타내는 누락된 슬롯에 대한 증명은 4초 지점 이후 평균 831ms 후에 도착합니다. 서브넷 초다수(supermajority)는 830ms 이내에 형성되는 반면, 95번째 백분위수(95th percentile)는 1962ms가 걸립니다.

헤더가 릴레이에서 생성된 슬롯의 경우, 릴레이에서 블록이 게시된 후 4.5초 이내에 증명이 도착합니다(6초 슬롯에 대해 제안된 4.5초 집계 기한보다 여전히 빠름). 분포는 1.2초와 3초 정도의 두 가지 모드가 있는 이중 모드입니다. 두 모드의 원인은 증명을 수행하는 주체입니다. 이는 네트워크 연결, 증명 전략 또는 잘못된 구성 때문일 수 있습니다.

검증자 엔티티는 증명 지연의 가장 큰 원인입니다. 일부 운영자는 다른 운영자보다 지속적으로 늦게 보고하며, 잘못 구성된 엔티티 하나만 있어도 결과가 크게 왜곡될 수 있습니다. 블록 콘텐츠 또한 중요합니다. 가스 사용량이 높고 블롭(blob)이 많을수록 지연 가능성이 높아집니다.

소개

이 보고서에는 2025년 8월 첫째 주 약 1주일 분량의 슬롯에 해당하는 12243599와 12293998 사이의 이더리움 노드에서 수집된 블록 및 증명 도착을 분석한 주요 결과가 포함되어 있습니다.

이 분석의 목적은 증명 마감일을 3초로, 집계 마감일을 4.5초로 옮겨 슬롯을 6초로 줄이는 것을 제안하는 EIP-7782 의 실행 가능성에 대한 1차적 이해를 수집하는 것입니다.

우리의 분석은 아래 다이어그램에 표시된 세 가지 다른 지표에 초점을 맞춥니다.

타이밍 다이어그램 1722×714 59.6KB

먼저, 블록 도착 시간을 살펴봅니다. 블록 도착 시간은 비콘 노드가 블록을 처음 인식한 시간에 해당합니다. 이 블록 도착 시간을 바탕으로 두 가지 전파 지표를 계산합니다.

• 블록 도착 시간과 릴레이가 블록 페이로드를 게시한 시간 사이의 밀리초 수입니다. 이 블록 전파 지표는 다이어그램에서 노란색으로 표시되며, 타이밍 문제를 고려하지 않습니다. 하지만 Ultrasound, Flashbots, Titan 릴레이에서만 데이터를 수집했기 때문에 이 지표는 일부 슬롯 샘플에 대해서만 보고됩니다.
• 블록 도착 시간과 슬롯 시작 시간 사이의 밀리초 단위 시간입니다. 이 지표는 릴레이 데이터를 필요로 하지 않으므로 전체 슬롯 샘플을 보고할 수 있습니다. 그러나 타이밍 게임과 블록 생성 로직으로 인해 이 지표는 실제 필요한 전파 시간을 과대평가합니다.

둘째, 누락된 슬롯에 대한 증명을 분석합니다. 이 슬롯에서는 블록 페이로드가 제공되지 않았으므로, 검증자가 증명을 위해 4초의 마감 시한까지 기다렸음을 알 수 있습니다. 이를 통해 비콘 노드에 증명이 도착하는 시간에서 4초를 뺀 순수 증명 전파 시간을 계산할 수 있습니다. 이는 위 다이어그램에서 연한 파란색 요소입니다.

세 번째이자 마지막 지표는 실행, 검증, 증명 전파를 포함하여 P2P 계층을 통해 블록을 전파하는 데 필요한 총 시간을 추정합니다. 이는 다이어그램의 노란색, 분홍색, 하늘색 구성 요소에 해당합니다. 블록 전파 지표와 유사하게, 타이밍 문제를 고려하여 릴레이에서 블록을 게시한 이후 증명 도착 시간을 계산합니다. 블록 전파 지표와 마찬가지로 Ultrasound, Flashbots, Titan 릴레이에서 공유하는 동일한 게시 시간을 사용합니다.

데이터 수집

• 릴레이 게시 시간은 Flashbots , Titan , Ultrasound 팀에서 친절하게 제공해 주셨습니다. 데이터 세트에는 릴레이가 /eth/v1/builder/blinded_blocks 요청에 응답하여 블록 페이로드를 비콘 노드로 전송하는 슬롯 시작 이후 경과된 시간(밀리초)이 포함되어 있습니다.
• 블록 도착 시간은 Xatu의 비콘 API 이벤트 스트림 테이블에서 수집되었습니다. 이 테이블에는 ethPandaOps 팀이 운영하는 내부 노드와 ethPandaOps 팀과 메트릭을 공유하기로 선택한 커뮤니티 노드에서 생성된 이벤트가 포함되어 있습니다. 한편, 커뮤니티 데이터를 포함하면 훨씬 더 광범위한 비콘 노드와 지리적 위치 풀을 확보할 수 있습니다. 하지만 이 방법에는 단점이 있습니다. 데이터 유효성 검사를 할 수 없기 때문에 오류가 발생하기 쉽습니다. 데이터 수집을 위한 SQL 쿼리는 beacon_blocks.sql 에서 찾을 수 있습니다.
• Xatu의 합의 계층 P2P 테이블에서 인증 도착 데이터를 수집했습니다. ethPandaOps 팀 이 관리하는 노드 집합에서 생성된 메시지만 포함하도록 데이터를 필터링했습니다. 이 노드 집합은 P2P 관련 데이터 수집을 위해 설계된 Prysm 합의 클라이언트의 포크를 실행합니다. 누락된 슬롯에 대한 데이터를 수집하는 로직은 atts_missed_runner.py 에서 확인할 수 있습니다. 릴레이 슬롯에 대한 데이터를 수집하는 로직은 atts_sample_runner.py 에서 확인할 수 있습니다.
• 검증자 ID와 검증자 엔티티 간의 매핑은 ethseer.io 에서 수집되었습니다. 이 데이터는 ethseer_validator_entity 테이블을 사용하여 Xatu의 ClickHouse 인스턴스에서 직접 쿼리할 수 있습니다. 이 쿼리는 get_validator_ethseer_info 함수에 구현되었습니다.

블록 전파

데이터 세트에 있는 51,139개 슬롯 중 47.6%는 릴레이 데이터가 없습니다. 이 슬롯들은 다른 릴레이에서 제공되었거나 자체적으로 구축되었습니다. 나머지 41.3%는 Ultrasound에서, 5.8%는 Flashbots에서, 5.3%는 Titan에서 게시했습니다. 각 슬롯에 대해 109개의 커뮤니티 노드와 29개의 내부 노드에 대한 블록 도착 정보를 보유하고 있습니다. 노드는 다양한 클라이언트와 지리적 지역을 가지고 있습니다.

릴레이 데이터가 있는 슬롯의 하위 집합에 초점을 맞추면, 다음 두 그림에서 블록이 게시된 이후 노드 클라이언트와 노드 국가별로 블록 전파 분포를 확인할 수 있습니다. 상자 그림은 색상이 칠해진 상자 안에 세 개의 사분위수를, 그리고 확장된 선 안에 상위 및 하위 사분위수 밖의 변동성을 보여줍니다. 점은 이상치를 나타냅니다.

블록-프롭-클라이언트 4474×1228 258KB

블록-프롭-컨트리 4690×2496 552KB

클라이언트마다 약간의 차이가 있는데, Lodestar와 Caplin은 전파 시간이 약간 더 깁니다. Caplin은 Erigon 실행 클라이언트에 내장된 합의 클라이언트라는 점을 기억하세요. 다른 합의 클라이언트와 동일하게 작동하지만 실행 계층에 완전히 통합되어 있습니다.

국가별로도 차이가 있는데, 네덜란드는 놀라울 정도로 편향된 분포를 보입니다. 그러나 네덜란드는 데이터세트에서 관측치가 99개에 불과한 반면, 나머지 국가들은 4만 5천에서 5만 개 사이이므로 표본이 대표성을 갖기 어려울 수 있습니다. 네덜란드 다음으로는 호주, 인도, 나이지리아가 전파 시간이 더 깁니다.

관찰된 변동과는 별개로, 대부분의 노드는 여전히 1초 이내에 블록을 수신합니다. 릴레이에서 블록이 게시된 이후 블록 전파의 95번째 백분위수는 Xatu 내부 노드의 경우 816ms, 커뮤니티 노드의 경우 804ms입니다. 다음 그래프는 릴레이에서 블록이 게시된 이후 블록 전파 시간의 누적 분포 함수(CDF)를 보여줍니다.

블록-prop-cdf 4251×1613 206KB

마지막 플롯은 헤더 소스별 슬롯 시작 이후 블록 도착 시간의 분포를 보여줍니다. 앞서 설명했듯이, 이는 블록 생성 및 mev-boost와의 상호 작용에 소요되는 시간도 포함하기 때문에 블록 전파 시간을 과대평가한 것입니다. 하지만 이를 통해 릴레이 슬롯의 하위 샘플이 나머지 슬롯과 어떻게 비교되는지 이해할 수 있습니다.

블록-arr-소스 4482×1227 197KB

흥미롭게도, 릴레이 데이터가 없는 슬롯은 전파 시간이 약간 더 짧지만, 이상치가 더 많고 표준 편차도 더 큽니다. 95번째 백분위수는 비슷한데, "다른" 슬롯은 3292ms가 걸리는 반면, 릴레이 데이터가 있는 슬롯은 3337ms가 걸립니다. 이는 릴레이 데이터가 있는 경우 관측된 타이밍이 합리적인 추정치일 가능성이 높음을 시사합니다.

또한, 블록 도착이 증명 마감일과 매우 가까운 반면 실제 전파에는 1초도 걸리지 않는다는 사실은 슬롯 시작이 블록 전파에만 사용되지 않음을 시사합니다. 따라서 현재 슬롯 구조에서는 증명 타이밍에 약간의 여유가 있을 가능성이 높습니다.

이는 블록 전파와 블록 크기 간의 관계에 의해 더욱 강화됩니다. 이 두 지표는 양의 상관관계를 가질 것으로 예상됩니다. 그러나 두 지표의 상관관계는 0.004에 불과합니다. 아래 산점도에서도 비선형 관계를 확인할 수 있습니다.

블록 속성 대 크기 4445×1611 586KB

추가 플롯과 분석은 노트북 2.3-beacon-block-arrivals-with-relay.ipynb 를 참조하세요.

놓친 슬롯에 대한 증명 시간

샘플에는 누락된 슬롯이 207개 있습니다. 각 슬롯에 대해 서브넷 0과 1의 증명을 관찰합니다. 네덜란드, 인도, 미국, 호주의 네 지역에 걸쳐 동일한 서브넷을 수신하는 세 개의 노드가 있습니다. 다음 그래프는 이러한 모든 증명 전파 시간(즉, 슬롯에서 4초 지점 이후 증명이 도착한 시간(밀리초))의 전체 분포를 보여줍니다.

atts-prop-dist 4337×1613 252KB

예상대로 대부분의 증명은 전파되는 데 1초 미만이 소요되며, 평균 831ms입니다. 그러나 분포에서 오른쪽 꼬리 부분이 크게 나타나며, 일부 증명은 1초보다 늦게 도착합니다. 실제로 전체 95번째 백분위수는 2066ms입니다.

현재 관찰되는 타이밍은 과대평가된 것일 가능성이 높다는 점에 유의해야 합니다. 슬롯이 누락되면 모든 증명자가 동시에 증명을 전송하여 P2P 계층에서 활동량이 급증합니다. 정상적인 상황에서는 검증자가 블록을 수신하고 검증하는 데 걸리는 시간이 약간씩 다르기 때문에 증명이 더 점진적으로 전송될 것입니다.

수신기 노드 지역별 동일한 분포를 살펴보면(아래 상자 그림 참조), 인도와 호주 노드가 약간 더 긴 시간을 보이지만 그 차이는 실질적으로 다르지 않습니다(약 100ms).

atts-prop-country 4690×1227 222KB

증명을 분석할 때 또 다른 중요한 고려 사항은 증명의 출처, 즉 증명자입니다. ethseer.io 의 매핑을 사용하여 증명자의 검증자 엔티티를 추출했습니다. 그런 다음 엔티티별 전파 시간(왼쪽)과 슬롯의 각 50ms 버킷에 도달하는 증명의 각 엔티티 가중치(오른쪽)를 그래프로 표시했습니다.

atts-prop-entity-1 3119×2382 421KB

atts-prop-entity-2 3343×2381 403KB

엔터티 간에 상당한 차이가 이미 존재합니다. 클라이언트 구성 및 지리적 위치 정보만으로는 일부 엔터티가 다른 엔터티보다 더 느린 이유를 정확히 파악하는 것은 불가능합니다.

주목할 만한 예는 Kiln입니다. 저희 데이터에서 Kiln은 1500ms와 3250ms 사이에 도착하는 증명의 상당 부분을 담당했으며 가장 긴 중간 전파 시간을 보였습니다. 이러한 결과를 확인한 후 저희는 Kiln에 직접 연락했고, 그들은 클라이언트의 잘못된 구성을 발견하여 시간을 크게 개선했습니다. 주요 샘플 2주 후(즉, 슬롯 12344420과 12394820 사이) 183개의 누락된 슬롯 샘플을 살펴보면 전체 95번째 백분위수가 2066ms에서 1782ms로 감소한 것을 관찰합니다 . 또한 아래 플롯에서 나중 증명에서 Kiln의 가중치가 크게 변경된 것을 볼 수 있습니다. 이는 지연의 근본 원인을 해결하기 위해 늦은 증명이 있는 엔터티를 보다 신중하게 조사하는 것이 중요함을 시사합니다.

atts-prop-entity-3 4893×2028 436KB

지금까지 샘플의 모든 슬롯과 서브넷에 걸친 데이터 분포를 살펴보았습니다. 그러나 또 다른 관련 지표는 서브넷의 66번째 백분위수입니다. 다시 말해, 슬롯과 서브넷이 주어졌을 때, 서브넷이 언제 대다수의 증명을 관찰할까요? 아래 분포는 데이터의 다양한 슬롯과 서브넷에 대한 이 지표를 보여줍니다. 여기서는 각 증명자(즉, 가장 빠른 노드)에 대해 관찰된 첫 번째 증명을 사용합니다. 흥미롭게도, 누락된 모든 슬롯의 모든 서브넷이 대다수에 도달하는 데 830ms도 걸리지 않았습니다. 평균은 640ms입니다.

atts-prop-super 4125×1228 188KB

95번째 백분위수에 대해서도 동일한 분석을 수행할 수 있습니다. 분포는 아래와 같습니다. 현재 평균은 1572ms이고, 95번째 백분위수는 1962ms입니다.

atts-prop-p95 4125×1227 191KB

추가 플롯 및 분석은 2.4-committee-attestations-missed-slots.ipyn 노트북을 참조하십시오. 2.5-committee-attestations-missed-slots-v2.ipynb 노트북에는 동일한 분석이 포함되어 있지만, 2주 후 누락된 슬롯 샘플을 사용합니다.

증명 도착

이 분석 부분에서는 블록 전파 섹션에 사용된 릴레이 데이터가 포함된 동일한 슬롯에서 4,963개의 슬롯을 무작위로 추출했습니다. 이 샘플에서 80.4%는 Ultrasound, 10.9%는 Flashbots, 8.7%는 Titan의 헤더를 포함하고 있습니다. 다음 그래프는 모든 슬롯과 모든 서브넷에 대한 증명 도착 시간(릴레이에서 블록을 게시한 이후 밀리초 단위로 계산)의 분포를 보여줍니다.

atts-time-dist 4337×1613 171KB

여기서는 1.2초와 3초를 중심으로 모드가 나타나는 명확한 이중 모드 분포를 확인할 수 있습니다. 이는 빠른 인증과 느린 인증, 두 가지 그룹이 있음을 의미합니다. 이중 모드 분포의 원인은 헤더 소스(아래 그림에서 볼 수 있듯이 다양한 릴레이에서 분포가 매우 유사함)도 아니고 특정 슬롯(개별 슬롯 수준에서 동일한 추세가 나타나는 것에서 알 수 있듯이)도 아닙니다.

atts-time-source 4397×1228 226KB

이중 모드 형태를 설명하는 것으로 보이는 것은 증명의 출처, 즉 증명을 하는 주체입니다. 이는 누락된 슬롯에 대한 우리의 관찰 결과와 일치합니다. 그러나 증명 도착 시간에서 이러한 경향은 더욱 두드러집니다.

atts-time-entity-1 3125×2382 426KB

atts-time-entity-2 3406×2382 418KB

증명자에 대한 클라이언트 구성 및 지리적 위치와 같은 추가 정보가 없으면 증명이 이중 모드 형태로 나타나는 정확한 이유를 파악할 수 없습니다. 하지만 몇 가지 가능성이 있습니다. 하나는 네트워크 연결입니다. 더 나은 위치와 피어링은 더 빠른 증명으로 이어질 것으로 예상됩니다. 또 다른 하나는 검증자 엔터티가 구현한 증명 로직입니다. 일부 엔터티는 증명이 제때 도착하도록 신속하게 증명합니다. 다른 엔터티는 다른 증명을 관찰할 때까지 기다려서 증명이 정식화될 확률을 높이기 위해 어떤 블록을 지원해야 할지 더 잘 파악합니다. 마지막으로, Kiln의 경우와 유사하게 일부 엔터티는 구성이 잘못되었거나 최적이 아닌 클라이언트 버전을 사용하고 있을 수 있습니다.

전체 분포 외에도 각 서브넷 내에서 95번째 백분위수 증명을 계산했습니다. 다시 말해, 이는 특정 서브넷에서 증명의 95%가 도착하는 데 걸리는 시간입니다(릴레이에서 블록을 게시한 이후부터 계산). 다음 히스토그램은 각 슬롯과 서브넷에 대한 이 지표의 분포를 보여줍니다.

atts-time-p95 4168×1613 225KB

평균 P95는 3590ms인 반면, P95 지표의 95번째 백분위수는 4217ms로, 여전히 6초 슬롯 제안에 필요한 4.5초보다 낮습니다.

추가 플롯과 분석은 노트북 2.6-committee-attestations-with-relay-v2.ipynb 를 참조하세요.

늦은 증명에 영향을 미치는 요인

증명 지연 도착 요인을 더 자세히 파악하기 위해 4,963개의 릴레이 슬롯에 대한 동일한 무작위 표본을 사용했습니다. 각 증명에 지연(4.5초 후 도착) 또는 정시(4.5초 이전에 도착)라는 라벨을 지정했습니다. 6초 슬롯 시간 기준 집계 마감 시한은 4.5초입니다. 지연 도착은 전체 증명의 11.1%를 차지합니다. 모델 학습을 돕기 위해, 이 변수에 대해 50:50 비율로 분할하기 위해 다수 클래스(즉, 정시 도착)를 추가로 과소 표본 추출했습니다.

그런 다음, 최대 우도 추정량 (MLE)을 이용한 로지스틱 회귀 분석을 통해 증명이 지연되었는지 또는 정시에 이루어졌는지 예측했습니다. 양성 클래스는 지연 증명을 인코딩합니다. 특성값에는 증명자 엔터티의 원-핫 인코딩 과 사용된 가스, 블롭 수, 트랜잭션 수와 같은 블록 관련 정보를 사용했습니다. MLE를 사용하면 각 특성이 지연 증명의 로그 오즈에 미치는 영향을 선형 모델의 계수를 통해 추정할 수 있을 뿐만 아니라, p-값을 통해 해당 영향의 통계적 유의성을 평가할 수 있습니다.

전반적인 모델 성능은 다음 표에 설명되어 있습니다.

 Logit Regression Results==============================================================================Dep. Variable: y No. Observations: 117835 Model: Logit Df Residuals: 117812 Method: MLE Df Model: 22 Date: Wed, 27 Aug 2025 Pseudo R-squ.: 0.2402 Time: 17 : 59 : 49 Log-Likelihood: - 62058. converged: True LL-Null: - 81677. Covariance Type : nonrobust LLR p-value: 0.000

의사 R제곱은 중간 정도의 설명력을 나타내며, 로그 우도법과 LLR p값은 모형 적합도가 통계적으로 유의함을 시사합니다. 이제 p값이 5% 미만인 특성들을 검토해 보면(아래 표 참조), 가스 사용량과 블롭 수는 지연 도착과 양의 상관관계를 갖는 반면, 거래 수는 음의 상관관계를 갖는 것으로 결론지었습니다. 효과는 작지만 표본 크기 때문에 유의미성이 매우 높습니다.

사용된 가스량과 블롭(blob) 개수의 영향은 예상대로입니다. 가스 사용량이 높은 블록은 실행 시간이 더 오래 걸리는 경향이 있고, 데이터가 많은 블록은 전파 시간이 더 오래 걸립니다. 그러나 트랜잭션 개수와의 반비례 관계는 예상치 못한 결과입니다. 트랜잭션 개수와 슬롯의 지연 도착률 간의 상관관계가 매우 약하다는 점에 유의해야 합니다(0.015). 따라서 관찰된 관계는 다른 피처와의 상호작용 때문일 가능성이 높습니다.

개체 특성은 로지스틱 회귀 분석에서 유의미하지 않은 것으로 나타났습니다. 이는 모델의 희소성과 선형-가산 가정 때문일 가능성이 높습니다. 로지스틱 회귀 분석은 범주형 변수를 포함할 수 있지만, 범주가 드물거나 복잡한 방식으로 상호 작용하는 경우 어려움을 겪을 수 있습니다.

이 문제를 해결하기 위해, 이러한 비선형성을 포착하는 데 더 적합한 트리 기반 모델 세트도 학습시켰습니다. 가장 우수한 성능을 보인 모델은 LightGBM 분류기 였습니다. 이 분류기는 학습 세트에서 0.762의 F1 점수와 0.759의 정확도를 달성했습니다.

pr_curve 1935×1735 146KB

precision recall f1-score supporton-time 0.766 0.745 0.755 58908 late 0.752 0.772 0.762 58927 accuracy 0.759 117835 macro avg 0.759 0.759 0.759 117835 weighted avg 0.759 0.759 0.759 117835

이 모델에서 개체 피처는 훨씬 더 높은 관련성을 보였으며, 이는 다음에 표시된 피처 중요도 순위 와 샤플리 값 에서 알 수 있습니다. 해석을 돕기 위해, 벌떼 그림 오른쪽의 빨간색 점은 피처가 지연 도착에 긍정적으로 기여함을 나타냅니다. 반대로, 벌떼 그림 오른쪽의 파란색 점은 피처가 지연 도착에 부정적으로 기여함을 나타냅니다. 예를 들어, Stakewise는 그림 오른쪽에 점을 표시했는데, 이는 해당 개체의 증명이 정시보다 지연될 가능성이 더 높음을 나타냅니다.

shap_beeswarm 3975×3572 569KB

특징 중요성 p66_블록_도착_ms 266 블록 총 바이트 압축 52 블록_가스_사용 39 블록_거래_수 37 엔티티_스테이크와이즈 32 블록_블롭_카운트 29 엔티티_기타 27 엔티티_가마 22 엔티티_에버스테이크 21 엔티티_크라켄 20 엔티티_형상 20 엔티티_코인스팟 20 entity_ether.fi 19 entity_staked.us 18 블록 제안자 인덱스 17 엔티티_코인베이스 16 엔티티_솔로_스테이커 15

단독 스테이커는 지연 증명에 부정적인 영향을 미치는 것으로 보입니다. 즉, 평균적인 검증자보다 지연 증명 횟수가 적은 경향이 있습니다. 엔티티 외에도 블롭 수와 사용된 가스는 여전히 유의미한 것으로 나타났으며, 이는 로지스틱 회귀 모델의 결과를 뒷받침합니다.

놀랍게도, 66번째 백분위수 블록 도착 시간은 지연 도착과 명확한 관계를 보이지 않습니다. 이 특성은 가장 높은 특성 중요도를 가지지만, Shapley 값은 명확한 추세를 보이지 않습니다. 이 특성과 해당 슬롯의 지연 도착률을 비교하는 다음 산점도를 보면, 1초에서 3.5초 사이의 블록 도착은 해당 슬롯 내 지연 증명률에 큰 영향을 미치지 않는 것을 알 수 있습니다. 이는 이 특성이 관련성이 있지만, 지연 증명과의 관계가 복잡하고 비선형적임을 시사합니다. 이 특성의 영향은 증명자 엔터티와 같은 다른 특성과의 상호작용을 통해 발생할 가능성이 높습니다.

지연율 대 블록 배열 4316×1609 563KB

추가 플롯 및 분석은 model_report 를 참조하세요. 모델 학습 및 평가를 재현하는 코드는 late_atts_model_runner.py 입니다.