介绍

去中心化交易所 (DEX) 依靠代币储备来确定交易价格，从而实现无需许可的交易，但也无意中引入了市场漏洞利用 (MEV) 的机会。由于攻击者可以重新排序、插入或删除 DEX 交易周围的交易，他们可以利用暂时的价格差异，透过套利或夹心攻击来牟利。

为什么如今MEV搜寻速度如此缓慢？

MEV 搜寻是一个最佳化问题：给定一个记忆体池和一个 DEX 环境，我们希望评估成千上万，有时甚至是数百万个可能的交易包，并选择最有利可图的交易包。

为了诊断瓶颈，我们使用两种最先进的工具重现了七个历史套利 MEV 范例（见附录）：

• Foundry 是 Rust 中最快的 CPU 端 EVM。
• Lanturn，一个用 TypeScript 写的 MEV 搜寻器。

环境：

• 英特尔 i7
• RTX3090Ti 24G
• 1T固态硬碟
• Ubuntu 22.04

我们对每种工具进行了 1000 次回放，并测量了时间在三个主要阶段的分配情况：

1. 从主网态分叉
2. 产生输入包
3. 执行智能合约

图片尺寸：1542×618，大小：56.9 KB

我们的研究结果与先前的研究相符：输入产生过程微不足道（<1%），但EVM执行和分支过程才是端到端延迟的主要来源。代工厂支出：

• 80.89%的时间用于分叉（27.87 毫秒）
• 执行交换操作耗时18.82% （6.49 毫秒）

Lanturn 的效能较差：尽管采用了多执行绪技术，但其 EVM 执行速度比 Foundry慢 17.8 倍，分叉速度慢 1.98 倍。

简而言之：MEV 搜寻受限于 CPU 执行速度，而 CPU 根本无法快速探索搜寻空间。

将 MEV Bot 编译为 GPU 程式码

为了突破 CPU 瓶颈，我们使用 GPU：

1. 用 Solidity 编写 MEV 机器人（例如，执行多跳套利的路由器）。
2. 使用mau将智能合约编译为 LLVM IR。
3. 使用LLVM 后端产生 PTX 程式码（CUDA 汇编）
4. 在 GPU 执行绪上原生执行

这是我们用作运行范例的 Solidity 机器人。它的备用处理程序会解析描述交换的压缩位元组格式，确定 DEX 类型，并呼叫正确的swap()函数：

 // SPDX-License-Identifier: UNLICENSEDpragma solidity 0.7.6;import "./libraries/uniswapv2/UniswapV2Pair.sol";import "./libraries/uniswapv3/UniswapV3Pair.sol";import "./libraries/sushiswap/SushiswapPair.sol";import "./libraries/pancakeswap/PancakeswapPair.sol";contract MEV {fallback(bytes calldata data) external payable returns (bytes memory) {uint256 amount = abi.decode(data[:32], (uint256));uint32 swap_len = uint32(abi.decode(data[32:], (bytes4)));uint32[] memory swap_vec = new uint32[](swap_len);uint32[] memory token_vec = new uint32[](swap_len);uint32 calldata_size = uint32(data.length);uint32 swaps_buf_size = (calldata_size - 32 - 4) / 2;for (uint32 i = 0; i < swap_len; i++) {swap_vec[i] = uint32(abi.decode(data[36 + i * 4:], (bytes4)));uint256 token_word = abi.decode(data[36 + swaps_buf_size + 32 * (i / 8):], (uint256));token_vec[i] = uint32(token_word >> (256 - 32 * (i % 8 + 1)));}for (uint32 i = 0; i < swap_len; i++) {bool reversed = token_vec[i] > token_vec[(i + 1) % swap_len];uint32 swap_u32 = swap_vec[i];uint8 dex_type = uint8(swap_u32 >> 24);address dex = address(swap_u32 & 0xFFFFFF);if (dex_type == 1) {amount = UniswapV2Pair(dex).swap(reversed, amount);} else if (dex_type == 2) {amount = UniswapV3Pair(dex).swap(reversed, amount)} else if (dex_type == 3) {amount = SushiswapPair(dex).swap(reversed, amount);} else if (dex_type == 4) {amount = PancakeswapPair(dex).swap(reversed, amount);} else if (dex_type == 5) {continue;}}return abi.encodePacked(amount);}}

编译成 PTX 格式后，机器人就变成了可执行的 GPU 程式码。与 CPU 一次评估一个软体包不同，我们会启动数万个线程，每个线程测试一个不同的候选软体包。

平行遗传演算法：同时搜寻数千个捆绑包

平行遗传演算法 (GA) 用于在 GPU 上搜寻捆绑包。每个 GPU 执行绪代表族群中的一个个体（即一个捆绑包）。在每一代中，演算法执行以下操作：

图片尺寸：1292×308，大小：27.8 KB

1. 选择－选择利润最高的套餐
2. 交叉－将它们重新组合成新的子代基因组
3. 变异－调整去中心化交易所、代币或排序方式，以获得新的捆绑包作为不变式。
4. 评估－在GPU上运行有不变束的MEV机器人

这种工作流程使我们能够以极快的速度探索广阔的搜寻空间。它可以同时评估多个种群，从而实现广泛而深入的搜寻覆盖。

绩效结果

表格：2025 年第一季确定的新 MEV 机遇

在各项实验中，我们实现了每秒 330 万至 510 万笔交易的处理速度，比 Lanturn 的效能高出约 10 万倍。基于 2025 年第一季的真实数据，该系统发现了 2 至 14 笔交易的 MEV 机会，可提取利润达 110 万美元。

运转时开销：轻量级且稳定

图片尺寸：680×498，大小：40.4 KB

MEVISOR 引入了两种类型的开销：冷启动开销和每次搜寻开销。

冷启动（一次性）

搜寻之前，GPU 必须载入 PTX 机器人并初始化记忆体。
这需要 7.03 秒，但只会发生一次，并且会在以后的所有搜寻中分摊。

运行时开销

主要的运行时开销是将 DEX 状态快照载入到 GPU 记忆体中。

随著我们将 DEX 池从 64 个扩展到 540 个：

• 载入延迟稳定在约 0.30 秒。
• GPU记忆体使用量线性成长（774 MB → 1.58 GB）

即使有数百个 DEX，MEVISOR 也能轻松保持在普通 GPU 的 VRAM 限制以下，并保持低、可预测的开销。

附录

动机范例