一个根据金库状态调整 L2 费用的 L2 费用控制器1536×1024 187 KB

作者：林大谷（Nethermind Research）和尤利西·帕夫洛夫（伯尔尼大学）。

感谢Conor 、 Ahmad 、 Gustavo 、 Daniel 、 David和 Yuewang 的讨论和/或审阅。

这项工作由 Taiko 资助，是Taiko<>Nethermind 战略合作伙伴关系的一部分。

太长不看

L1 过账成本在 L2 上的定价可以被视为一个控制问题：金库跟踪 L2 费用收入与 L1 过账成本之间的累计差额，而 L2 费用则是维持金库平衡的控制手段。我们利用基于历史 L1 基础/数据块费用的仿真模型，比较了各种用于 L1 成本在 L2 上的定价公式和控制器设计。

介绍

费用库抽象

L1 在 L2 上发布数据或证明的成本定价可以通过一个核心抽象概念来理解：金库。每笔 L2 交易都会支付一笔费用，这笔费用会流入金库；而每次 L2 向 L1 发布数据或证明时，相应的成本就会从金库流出。金库的余额在任何时间点都反映了 L2 收取的收入与 L1 产生的成本之间的累计差额。在实践中，金库可以是 L2 上的一个智能合约，它负责累积 L2 费用并跟踪 L1 上报的实际发布成本——具体实现方式请参见实现说明。

图片2048×822 90 KB

在此框架下，健康的金库（即既无持续的赤字也无盈余）意味着L2费用收入和L1记账成本在一段时间内大致保持平衡。金库赤字意味着排序器在隐性地补贴L1记账成本；金库盈余则意味着交易发送方被系统性地收取过高的费用。因此，金库目标值的偏差为评估费用机制提供了一个自然的指标。我们使用“金库健康状况”一词来描述这种平衡；更精确的定义请参见“什么构成良好的费用机制？”一节。

L2 协议直接控制其向用户收取的 L2 费用。通过调整此费用，协议可以影响金库余额：提高费用会增加资金流入（推高金库余额），降低费用则会减少资金流入（使金库余额下降）。一个自然的目标是设定费用，使金库余额随时间推移跟踪其目标值，并对 L1 成本和 L2 需求的变化做出反应，同时保持费用波动足够低，以确保用户拥有可预测的交易成本。

这种框架——一个具有可测量状态（金库余额）、目标（金库目标）和可调节输入（L2 费用）的系统——是教科书式的控制理论设置。

费用库（或费用池）最初由 Arbitrum 在其费用池文章中提出。本文从多个方面扩展了 Arbitrum 的费用池理念：

1. 框架 L2 费用定价是一个一般的控制理论问题。
2. 引入前馈项，以实现从 OP 堆栈到 Arbitrum 的主要 L2 费用机制的统一理论。
3. 考虑在分散式序列器环境下的问题。
4. 利用基于历史 L1 数据的仿真来比较控制器设计。
5. 记录并分析 Arbitrum Nitro 的 L1 定价控制器（其设计在其他地方没有得到很好的记录），并在仿真中将其与其他方法进行比较。

控制理论类比：恒温器

控制理论中的一个经典例子是恒温器：房间有当前温度（测量状态）、期望温度（目标温度）、一个输出功率可调的加热器（控制输入），以及诸如天气或开窗等外部因素（干扰因素）。控制器读取温度，计算与目标温度的差距，并调节加热功率以缩小差距。

总之，关于恒温器：

• 测量状态→ 室温
• 目标温度→ 期望温度（例如 22°C）
• 控制输入 → 加热器输出
• 干扰因素→ 天气、开窗等。

图片尺寸：888×447，20.8 KB

基本控制器仅对测量状态与目标状态之间的差距做出反应；它会等待误差出现后才进行纠正。这就是反馈：它在扰动已经影响系统之后才做出反应。对于恒温器而言：

• 反馈→ 测量室温，并根据观察到的与目标温度的差距调整加热器。

相比之下，前馈项直接对扰动原因做出反应，在影响扩散到整个系统之前就进行响应。例如，对于恒温器而言：

• 前馈→ 感知室外温度或参考天气预报，预先调整加热器输出。

映射到费用库

收费库直接对应到这个结构上：

• 测量状态→ 金库余额
• 目标→ 金库目标
• 控制输入 → L2 费用
• 干扰→ L1 基础/数据块费用波动，L2 需求变化

图片尺寸：884×449，19.2 KB

费用库控制器可以同时使用反馈和前馈：

• 反馈→ 观察金库余额，并根据观察到的与目标余额的差距调整 L2 费用。
• 前馈→ 观察当前的 L1 基本费用和 blob 费用，并将它们直接计入 L2 费用，而不是等待金库余额先下降。

事实上，在这种框架下， Optimism等区块链常用的 L2 费用机制可以被视为仅前馈式设计。这些系统在排序时，利用观测到的 L1 基础费用和 blob 基础费用来估算每笔交易的 L1 上架成本，并据此向用户收费。换句话说，它们基于排序时的估算值来定价 L1 数据，而不是基于实际提议批次时的实际上架成本。另一方面，它们不维护金库，也不对累积盈余或赤字做出反应。用控制理论术语来说，它们通过前馈项将扰动（L1 成本）直接传递给费用，而无需跟踪金库中的实际成本或使用来自金库状态的反馈。

这种反馈+前馈框架可以被视为一个统一的框架，涵盖了所有主要的L2费用策略，用于回收L1成本。纯前馈（在排序时向每笔交易收取其L1成本）、纯反馈（费用完全由金库赤字驱动）和混合设计都是该框架内的具体情况。

关于去中心化序列器的说明

带有反馈控制的保险库机制特别适合具有多个旋转序列器的卷帘门，例如太鼓达人，原因有三。

1. 它不仅对 L1 成本的变化做出反应，还会对需求变化做出反应。仅依赖前馈机制的设计无法感知 L2 端的需求变化。如果需求下降，能够覆盖相同固定记账成本的交易量就会减少，从而悄无声息地侵蚀余额，但前馈机制却不会察觉。集中式排序器可以通过等待批次填满后再进行记账来缓解这个问题，从而保持需求基本稳定。轮换排序器则没有这种优势：每个排序器都有有限的时间窗口，并且必须在截止日期前完成记账，因此如果在其时间窗口内需求较低，它们会以大致相同的 L1 成本记账较小的批次，从而导致每笔交易的成本飙升。金库会捕捉到这一点，因为需求变化会反映为流入量的变化——这会导致金库健康状况下降——控制器会相应地调整费用。
2. 它可以平滑 L1 费用在各个序列器之间的波动。如果没有金库，每个序列器都将承担其时段内发生的所有 L1 费用。如果某个序列器遭遇基础费用飙升，则需要承担全部费用。有了金库，协议可以从共享资金池中补偿序列器，从而将 L1 费用飙升的影响平滑化，而不是集中在某个不幸的序列器身上。这需要采取措施防止那些无需承担全部费用的序列器鲁莽地发布信息；详情请参见[Q1] 在补偿机制下如何防止鲁莽发布信息？ 。这使得序列器的经济效益更加可预测，并鼓励即使在 L1 费用波动较大的情况下也积极参与。
3. 它支持对错过提案的激励性恢复。假设一个排序器错过了发布到 L1 的窗口期。如果没有存储库，要么错过的批次会触发 L2 重组（用户体验差），要么其他排序器自费恢复它，且没有补偿（激励机制不完善）。共享存储库解决了这个问题，因为下一个排序器可以通过将其与自己的批次一起发布来“恢复”错过的批次，并从恢复的批次的费用收入中收取 L1 成本部分作为补偿。

好的收费机制应该具备哪些要素？

在比较具体的收费公式之前，有必要明确我们对它们的期望。我们从两个维度评估这些机制：金库健康状况和费用波动性。

• 金库健康状况衡量的是机制在一段时间内维持金库余额接近目标值的能力。如果机制能够避免出现严重的或持续的赤字，并在成本冲击后能够迅速恢复到目标值附近，则该机制在这方面表现良好。如果金库余额长期偏离目标值，或波动不定而无法稳定下来，则该机制表现不佳。
• 费用波动性衡量的是用户视角下二级费用变化的剧烈程度。即使长期平均费用保持不变，费用的大幅或频繁波动也会降低费用的可预测性。

这些目标之间自然存在冲突。积极应对以维持金库接近目标值的机制往往会将冲击更直接地传递给用户，从而加剧费用波动。而旨在平滑用户费用的机制则倾向于吸收金库内部的冲击，这可能导致金库实际值与目标值之间出现更大幅度或更持久的偏差。下文研究的设计方案就处于这种权衡关系的不同位置。

值得强调的是，在仅采用前馈机制的设计中，金库最好被理解为一种会计抽象：它追踪手续费收入与已实现的L1挂单成本之间的累计差额。在基于反馈机制的设计中，金库余额成为用于设定手续费的控制信号的一部分，并且可能对应于一个明确的链上合约。

费用公式说明

问题设置

基于上述控制理论框架，核心设计问题是：如何根据当前金库余额和观测到的L1成本来更新L2费用？对此问题的不同解答会导致不同的控制器设计。本文研究的控制器由两个概念上截然不同的要素构成。

第一个是前馈项 (FF) ：它直接估算当前 L1 上架成本，该成本基于排序时观察到的 L1 基本费用和 blob 费用得出。FF 完全不使用金库状态，而是在“扰动”到达金库之前对其进行定价。

第二类是反馈项，用于修正金库余额与其目标之间的差距：

• P（成比例）：对当前亏损epsilon(t)做出反应
• I（积分）：对随时间累积的亏损做出反应
• D（导数）：对赤字变化速度做出反应

前馈项和反馈项的性质并不相同：前馈项是预测，而比例/积分/微分项是修正。尽管如此，它们仍然可以被视为模块化的构建模块：控制器可以单独使用它们，也可以组合使用多个模块，或者混合使用前馈项和反馈项。本文研究的机制是这一更广泛的设计空间中的几种示例组合：仅前馈项、仅比例项、比例积分 (PI) 控制器、比例+前馈 (P+FF) 控制器，以及可以理解为比例微分 (PD) 控制器的 Arbitrum 型控制器。

假设和范围：

• 需求缺乏弹性。我们始终将需求视为缺乏弹性——在一定的费用上限下，更高的费用总是会增加金库资金流入。如果需求富有弹性，控制器可能会变得不稳定：费用上涨导致用户流失，反而会加剧资金缺口，而不是弥补缺口。有关缓解措施，请参阅[Q3] 如果费用过高导致用户流失怎么办？
• 仅讨论L1成本。本文重点关注L2费用中的L1成本部分。L2拥塞定价（根据L2区块利用率调整费用）是另一个独立的问题，可以单独进行讨论，因为拥塞定价响应的是L2利用率，而金库控制器响应的是L1成本缺口。
• 抽象化的逐笔交易数据核算。实际上，每笔交易在 L1 过账成本中所占的份额取决于它对所过账批次的数据贡献量。在本文中，我们忽略了这种逐笔交易的数据核算，并将F(t)视为每数据单位的费用。

符号

常用变量：

• t ：当前时间步（即，数据块时间戳）
• F(t) ： t时刻收取的 L2 费用（控制器的输出）
• V(t) ： t时刻的金库价值
• V_target ：目标保险库值
• delay ：L1 数据块的观测延迟（用 Taiko 术语来说，就是锚定滞后——当前锚定的 L1 数据块落后于最新 L1 头块的距离）
• epsilon(t) ： t时刻的归一化亏损比率，定义为(V_target - V(t - delay)) / V_target
• F_min ：最低允许费用
• F_max ：允许的最高费用
• FeeRange ：费用范围，定义为F_max - F_min
• clamp(x, lo, hi) : 将x值限制在[lo, hi]范围内——如果x小于lo则返回lo如果大于hi则返回hi否则返回x本身。

仿真设置

本文中的所有模拟均基于 365 天的以太坊主网基础费用和 Blob 基础费用历史数据（2025 年 2 月 6 日至 2026 年 2 月 6 日），如下所示：

图片1302×485 37.5 KB

图片尺寸：1296×485 大小：37.4 KB

该窗口包含 L1 区块22389679附近一个明显的 blob 费用峰值，在比较不同费用机制对峰值的反应时，放大查看该峰值会很有帮助：

图片尺寸：1298×985，108 KB

关键仿真参数：

• 数据发布频率：每 10 个 L1 数据块
• L2 TPS： 1 传输/秒
• 金库目标： 10 ETH
• 费用范围： 0.01–1 Gwei

这些参数的选择旨在使其具有广泛的现实意义和示范性，而非针对特定部署进行校准。您可以在此模拟器用户界面中交互式地查看 L1 费用数据和控制器仿真结果。

仅前馈（仅 FF）

目前应用最广泛的方法是仅前馈控制， Optimism和其他主流的 L2 系统都采用了这种方法。其核心思想是在排序时估算 L1 过账成本，并直接向用户收费，无需任何资金库或反馈回路。从控制理论的角度来看，这就是纯粹的前馈控制：控制器在 L1 成本（扰动）实际发生之前就将其计入费用中。

公式如下：

• BaseFee(t) 、 BlobFee(t) ： t时刻的 L1 执行基本费用和 blob 基本费用。
• alpha_gas 、 alpha_blob ：缩放权重，将 L1 gas 和 blob 成本转换为每个 L2 交易的份额。

 FF ( t ) = alpha_gas * BaseFee ( t - delay ) + alpha_blob * BlobFee ( t - delay ) F ( t ) = FF ( t )

此处的delay参数反映了信任/延迟之间的权衡。具有可信序列器的链（例如 Optimism）可以通过预言机将最新的 L1 基础费用和 blob 费用推送到 L2，从而有效地以delay ≈ 0运行。另一种无需信任的替代方案是通过链的原生 L1→L2 消息传递路径导入 L1 状态（例如 Taiko 的锚定交易或 Arbitrum 的延迟收件箱），这避免了对预言机的信任假设，但会引入几个 L1 区块的观察延迟。

仿真与分析

尽管 FF-only 不使用金库作为输入，但我们仍然在模拟中跟踪隐含的金库余额作为评估指标。结果如下（可通过此处的用户界面交互式查看）：

图片尺寸：1297×991，140 KB

这种方法的优点和缺点如下：

优点：

• 在费用有调整空间的时期（即费用未达到上限时），金库能够很好地跟踪其目标。

缺点：

• 仅使用 FF 模式还会使 L2 用户直接面临 L1 费用波动的影响。虽然为了简化起见，本文假设需求缺乏弹性，但与 L2 需求无关的费用激增，在用户支付意愿并未提高的情况下，会对用户造成尤其严重的冲击，这实际上会使需求弹性更大，并增加 L1 费用激增期间 L2 活动受阻的风险（这与需求驱动型费用激增的情况相反，后者通常用户支付意愿更高）。有关是否以及如何平滑这种波动，请参阅[Q2] L2 费用应与 L1 费用波动隔离到什么程度？
• 仅使用 FF 函数可以对当前的 L1 条件进行定价，但无法修复累积的偏差。这些偏差主要源于 L1 峰值过大时F_max截断。一旦峰值过去，就没有反馈项将金库推回目标位置。

下方的F_max扫描图清晰地展示了这种权衡（ 模拟链接）。将F_max从 1 gwei 提高到 2、5 和 10 gwei 可以显著改善金库的健康状况，因为 L1 峰值被截断的次数减少，更多实际的挂单成本会转嫁给用户。但这会显著增加费用波动性：

图片尺寸：1292×1065，大小：177 KB

P控制器（仅限P）

P 控制器直接根据当前金库赤字设定费用：金库赤字越低于目标值，费用越高，反之亦然。权衡之处在于，如果金库持续处于较小的赤字状态，P 控制器会无限期地应用相同的微小修正而不会增加修正幅度，导致金库始终略低于目标值（稳态偏差）。

• Kp （比例增益）：控制费用对当前赤字的反应力度。Kp Kp越高，每单位赤字的调整幅度就越大。

公式如下：

 P(t) = Kp * epsilon(t) * FeeRange F ( t ) = clamp(P(t), F_min, F_max)

仿真与分析

结果如下所示（ 仿真链接）。第一张图显示了控制器收取的L2费用随时间的变化，第二张图显示了金库余额的变化轨迹。红线标记目标值，蓝线追踪实际金库价值（向下移动表示赤字增加）。

图片尺寸：1294×998，大小：119 KB

放大观察流量费用峰值区域时：

图片尺寸：1374×876，60.5 KB

这种方法的优点和缺点如下：

优点：

• 与仅使用 FF 相比，P 控制器能够降低费用波动，因为它能够响应累积的金库错误，而不是直接传递每个 L1 成本峰值。
• 它可以随时间恢复金库的生命值。受到冲击后，费用会保持较高水平，直到金库恢复正常，而不是在L1峰值过后立即下降。

缺点：

• 控制器完全是被动的，因此反应非常突然，需要一段时间才能将 L1 费用的突然飙升反映到 L2 费用中。
• 它具有稳态偏差：一旦金库略低于目标值，控制器就可以设定略高的费用，使金库接近目标值，但不会正好达到目标值。

这种权衡在 L1 区块22389679附近的 blob 费用峰值附近尤为明显，如下图所示，并与仅使用 FF 的情况进行了比较（ 模拟链接）。蓝线代表仅使用 P 的情况，而绿线代表仅使用 FF 的情况，上限为 1 gwei。

图片尺寸：1298×988，155 KB

PI控制器

解决P控制器稳态偏差的常用方法是添加积分项。积分项会随时间累积亏损信号，因此，如果金库容量长时间低于目标值，控制器就会逐渐加大校正力度，直到偏差消除。

• Ki （积分增益）：控制费用在持续亏损的情况下增加的幅度。
• I_acc(t) （积分累加器）：亏损信号的运行和。
• I_min 、 I_max ：积分状态的界限（用于防止积分饱和）。

公式如下：

 I_acc(t) = clamp(I_acc(t -1 ) + epsilon(t), I_min, I_max)P(t) = Kp * epsilon(t) * FeeRange I ( t ) = Ki * I_acc(t) * FeeRange F ( t ) = clamp(P(t) + I(t), F_min, F_max)

仿真与分析

结果如下所示，蓝色代表仅 P 控制器，棕色代表 PI 控制器。

图片尺寸：1295×989，126 KB

如果我们放大到流量费用激增的时间段：

图片尺寸：1295×989，大小：137 KB

PI控制器的优缺点如下：

优点：

• PI 解决了 P 控制器的稳态偏差：如果金库余额长时间低于目标值，积分项就会累积，并将费用推高到足以弥合剩余差距的程度。
• 在长时间的不足之后，PI 往往比仅 P 恢复得更快，因为积分项保留了持续错误的“记忆”。

缺点：

• 积分项可能会造成超调：在条件恢复正常后（例如，在 L1 尖峰过去后），累积的积分可能会使费用保持高位，暂时将金库推高至目标以上，从而从用户的角度来看增加费用波动性。
• PI引入了额外的调参复杂性（ Ki的选择和抗饱和界限）。调参不当会导致振荡或收敛速度缓慢。

P + 前馈 (P+FF)

P+FF 是将前馈项和反馈项结合在单个控制器中的一个例子。其中，前馈项立即将观测到的 L1 条件计入费用，而比例项则继续纠正任何剩余的金库亏损。

 FF (t) = alpha_gas * BaseFee (t - delay)+ alpha_blob * BlobFee (t - delay) P (t) = Kp * epsilon (t) * FeeRange // same proportional term as above F (t) = clamp ( FF (t) + P (t), F_min, F_max)

仿真与分析

最好在 blob 费用高峰期前后，将 P+FF 与仅 P 进行比较，这样权衡取舍最为明显：

图片尺寸：1298×982，大小：163 KB

这种方法的优点和缺点如下：

优点：

• 与仅 P 相比，它能使金库更接近目标，因为预期 L1 成本的一部分在过账成本实际到达金库之前就已经计入价格中。

缺点：

• 它将更多的 L1 波动性直接传递给用户，从而产生比仅 P 更高的费用波动性。

实际上，在本模拟中，与仅使用 P 相比，金库健康状况的改善并不显著，因此值得为此增加费用波动是值得的。

Arbitrum 式控制器

上述控制器仅对金库余额相对于目标值的位置做出反应。Arbitrum Nitro 的 L1 定价控制器还会对价差变化的速度和方向做出反应。除了“比例”信号外，它还会计算金库值的“导数”。从这个意义上讲，它最好被视为一种类似比例分配（PD）的控制器。

• F(t) ：更新t后的有效费用水平
• U(t) ：发布间隔内消耗的数据单元（在 Nitro 中：压缩调用数据字节 × 16）
• EquilUnits ：均衡期限，即需要多少个数据单位来消化当前的盈余。数值越大，调整幅度越小。
• Inertia ：设定阻尼中点。 InertiaUnits = EquilUnits / Inertia是应用一半修正值的区间大小。

 InertiaUnits = EquilUnits / InertiadesiredSlope ( t ) = - S ( t ) / EquilUnitsactualSlope ( t ) = ( S ( t ) - S ( t - 1 ) ) / U ( t ) slopeCorrection ( t ) = desiredSlope ( t ) - actualSlope ( t ) feeChange ( t ) = slopeCorrection ( t ) * U ( t ) / ( InertiaUnits + U ( t ) ) F ( t + 1 ) = max ( 0 , F ( t ) + feeChange ( t ) )

控制器基于盈余S(t) = V(t) - V_target （注意与上述赤字epsilon(t)符号相反）进行工作，并在每次过账事件后增量更新有效费用F(t) 。基于当前盈余，它计算desiredSlope ，即盈余需要以多大速率变化才能在EquilUnits个过账数据量内恢复到零。当发生 L1 批次过账时，它计算actualSlope ，即每个数据单位的盈余实际变化量。费用根据该差值进行调整： slopeCorrection = desiredSlope - actualSlope 。

然而， actualSlope存在噪声，尤其是在消耗的数据单元较少（ U(t)较小）时。为了防止过度修正，修正值按U(t) / (InertiaUnits + U(t))进行缩放：当U(t)较大时，大部分修正值被应用；当U(t) = InertiaUnits时，仅应用一半的修正值。

仿真与分析

下图比较了 blob 费用峰值附近的 Arbitrum 式和仅 P 式（ 模拟链接）：

图片尺寸：1298×988，大小：135 KB

优点：

• 在尖峰窗口期，它比只使用 P 的跳跃动作能获得更好的跳跃健康度，并且抽空幅度更小。
• 费用波动性远低于仅使用 FF 的情况。

缺点：

• 费用波动性比仅 P 模式更高；费用在低值和高值之间反复波动，而不是像仅 P 模式那样遵循较为平滑的驼峰形路径。
• 与普通的 P 控制器相比，该控制器更难理解和调整，因为其行为取决于EquilUnits 、 Inertia 、发布节奏和区间大小U(t)之间的相互作用。

模拟实验要点

模拟结果表明存在一种一致的权衡：金库健康状况越好，费用波动性通常就越高。

• 在这些模拟中， P控制器提供最低的费用波动性，但金库健康状况一般，同时还能随着时间的推移弥补亏损。其主要缺点是金库健康状况恢复速度并非最快，并且需要一些时间才能对突发的L1成本飙升做出反应。
• 仲裁式金库的健康状况比仅使用 P 式金库的状况要好，但代价是费用波动性更高，尤其是在 L1 成本飙升等剧烈压力事件发生时，但它的费用更新更加不规律，复杂性也更高。
• 当手续费有足够的缓冲空间（即F_max足够高，不会抑制峰值波动）时，仅 FF 机制可以很好地追踪已实现的 L1 成本，但它会将 L1 波动直接转嫁给用户。如果在价格大幅波动期间手续费被限制在F_max ，则事后无法弥补损失的收入，因为没有反馈机制将金库拉回到目标值。
• 与仅使用 P 相比， P+FF可以改善金库健康状况，但在此模拟中，与将更多 L1 波动性直接注入费用所带来的用户体验成本相比，收益并不显著。
• 与仅使用 P 控制器相比， PI 控制器可以改善稳态跟踪，但可能会引入过冲和更多面向用户的费用波动。

总体而言，仿真结果表明，如果L2费用波动是一个需要考虑的问题，那么主要的方案选择在于仅使用P-only控制器和仲裁式控制器：如果费用平滑性、实现简易性和可预测性是首要考虑因素，则选择仅使用P-only控制器；如果更精确的目标跟踪性能值得接受更高的费用噪声和更复杂的控制器，则选择仲裁式控制器。虽然PI控制器可以降低稳态偏差，但它容易出现过冲，而且调节复杂度较高，因此吸引力不大，尤其是在仅使用P-only控制器的稳态偏差在可接受范围内时。

值得注意的是，本文探讨的控制器仅代表了庞大设计空间的一小部分。许多其他控制器架构，包括PID控制器的其他变体、自适应增益方案以及以不同比例混合反馈和前馈的混合设计，仍有待探索，留待未来研究。

实施说明

实际上，L1 的过账成本必须从 L1 导入到 L2，才能计入 L2 中的金库。其大致流程如下：

1. 记录 L1 的成本。当序列器将 L2 数据或证明发布到 L1 时，L1 收件箱合约会记录实际发布成本（gas 使用量 × 基本费用，blob 数量 × blob 费用）。
2. 通过 L1→L2 消息传递机制导入到 L2。记录的成本通过链的 L1→L2 消息传递机制传递给 L2 费用库合约。在 Taiko 中，这是通过锚交易实现的——每个 L2 区块都包含一个锚交易，该锚交易导入最新的 L1 状态，包括任何新记录的挂单成本。Arbitrum 则使用延迟收件箱机制。
3. 更新金库余额并计算费用。L2层的费用金库从其余额中扣除导入的成本，从而得到更新后的V(t) 。然后，控制器使用此余额计算下一个 L2 层费用F(t) 。

这意味着金库对L1成本的视图存在固有的延迟。它只能反映已在L1中记录并导入到L2的成本。这种延迟由上述控制器公式中的delay参数体现。

未解决的问题

[Q1] 如何防止在报销机制下肆意发布？

正如《去中心化序列器说明》中所述，金库可以补偿序列器发布 L1 证书的费用。但这会带来潜在的道德风险：序列器可能发布过于频繁（每次发布量小、效率低下），未能把握发布时间以避开 L1 费用高峰，或者支付过高的优先费用——因为金库最终会承担这些费用。

可考虑的缓解措施：

• 在报销公式中使用固定的优先费用，或者完全不考虑优先费用。这样可以限制金库的报销范围——如果序列化机构支付的优先费用过多，超出部分将由其自行承担。
• 当音序器亏损发布时，报销比例应低于 100% （例如 90%）。这样可以激励音序器以最具成本效益的方式发布内容，因为他们始终要承担一定的风险。

[Q2] L2 费用应该与 L1 费用波动隔离多少？

任何带有前馈组件的控制器（仅前馈、P+FF）都会将L1基础费用和blob费用的波动直接传递到L2费用中。这种波动与L2需求无关。在L1层，费用飙升是由需求驱动的，因此造成拥堵的用户正是付费用户，更高的费用不一定会抑制交易活动。但在L2层，情况则有所不同：L1层的成本飙升（例如，来自L1层的代币销售）会提高L2层的费用，而L2层用户的支付意愿却没有相应增加。由于L2层用户没有理由重视这种飙升，因此需求弹性更大，从而增加了抑制L2层交易活动的风险。

这就引出了一个设计问题：金库应该故意吸收短期 L1 尖峰以减少费用波动，还是应该让它们通过以保持金库的健康？

[Q3] 如果费用太高导致用户流失怎么办？

上述所有控制器都假设，在一定的费用上限 ( F_max ) 内，更高的手续费会带来更多的金库资金流入。但实际上，如果手续费过高，用户就会停止交易，交易量的下降可能会抵消更高的单笔交易手续费。这会形成恶性循环：高手续费 → 交易量减少 → 赤字加剧 → 手续费进一步提高。

已采取的缓解措施：

• F_max限制：所有控制器都强制执行硬性费用上限，这是防止费用过高的主要保障。

假设F_max足够低，不会显著降低需求，那么当前的模拟结果成立。但这仍然只是一个假设，如果F_max高于需求弹性开始显现的临界点，控制器仍然可能陷入上述的“死亡螺旋”。

其他可考虑的缓解措施：

• 使用假定的需求弹性曲线进行模拟：在交易量随着手续费上升而下降的模型下运行控制器模拟，以测试在非弹性状态之外的稳健性。
• 监测并应对需求变化：跟踪滚动 L2 气体使用情况，并在费用上涨后用量迅速下降时自动缓和费用上涨。