套利:乐趣与利润【译文】
Source: https://x.com/i/article/2095024543815655424
原文标题:Arbitrage for Fun and Profit (副标题:现代套利机器人详解)
作者:Zac
@zholme7
发布日期:2025 年 1 月 20 日
原文链接:
Thinking Thoughts
⚠️ **这篇文章已经过时。**MEV 领域发展迅速,下面的许多内容已经无法反映当前的基础设施、工具或策略。本文保留在这里,是为了记录我早期的探索历程,不应被视作最新指南。
我的 2024 年,是在 MEV(Maximal Extractable Value,最大可提取价值)的兔子洞里不断深入的一年。刚开始时,我对它的运作方式一无所知,但它那种隐秘的 PVP 属性立刻吸引了我。经过大量研究,我决定尝试编写一个
——这是最常见的 MEV 机器人之一。只要随便看一眼任何区块的顶部,几乎肯定都能发现几笔套利交易。
在这篇文章中,我会讲述自己的整个历程:从一个彻底的新手,到拥有一个能在当今残酷的 MEV 生态中成功打包交易的机器人。
背景
套利并不是什么新鲜事物——它已经在传统金融领域存在了几十年,通常由大型对冲基金主导。这些基金甚至会开凿隧道,只为了把延迟再缩短几毫秒。对于刚接触这个概念的人来说,套利指的就是捕捉不同金融交易场所之间的价格差异。举个具体的例子:假设 Uniswap 上 ETH/USD 的兑换比例是 1/100,而 SushiSwap 上的兑换比例是 1/150。
在这种情况下,我们可以先在 SushiSwap 上用 1 ETH 换得 150 USD,然后立刻到 Uniswap 把这 150 USD 换回 1.5 ETH,从中赚取 0.5 ETH!更妙的是,借助闪电贷,我们只需很少的本金,就能以原子方式完成整套操作。
套利机器人的核心组件
具体实现虽然各不相同,但套利机器人都包含几个基本组件:
路径发现(Path Discovery):你需要一组可以执行套利的路径。它们可以被组织成图,也可以提前计算好。
机会检测(Opportunity Detection):你需要一个处理这些路径、识别有利可图的套利机会的系统。它通常会把图遍历算法与输出金额模拟或链下计算结合起来。
执行合约(Execution Contract):找到有效路径后,你需要一个能够执行套利交易的智能合约。
BaseBuster 架构
BaseBuster 是我的 L2 套利机器人。它吞掉了我六个月的生命和数不清的开发时间。虽然我的套利生涯已经(暂时)告一段落,而且我也没有赚到什么可观的利润,但我从中学到了极多东西,还加入了一个人数相对不多的开发者群体——那些真正成功让套利交易上链的人。
链状态管理 任何套利机器人的基础,都是准确的链状态管理。这里所说的链状态,是指特定区块高度下各个流动性池的当前状态。这一点很少有人讨论,却至关重要:如果不知道目标池的确切状态,你就不可能找到套利机会。
最初,我和大多数开发者一样,打算使用
。但它没能成功编译,于是我做了件很合理的事,把它修……不,我花了五个月构建自己的解决方案:
。这个经受过实战考验的应用能够准确同步 DeFi 流动性池的状态,并且已经证明自己在生产环境中极其可靠。
流动性池选择策略 我通过惨痛教训认识到,流动性池的选择至关重要。你必须在交易活跃的池和流动性充足的池之间找到完美平衡。搜索那些既没有交易量、也没有流动性的死池毫无意义。
我的筛选流程分为多层:
- 通过 Birdeye 查询交易量最高的代币(假设交易量与波动性相关)。
- 将这些代币与原始流动性池集合进行匹配,找出基础代币和报价代币都属于高交易量代币的池。
- 使用 REVM 进行模拟,再根据滑点指标过滤。
滑点计算尤其棘手。简单的输出金额计算无法考虑流动性池的约束——你必须实际执行 swap 并测量输出。这就要求找出合约中正确的余额存储槽,而不同流动性池并没有统一的存储方式。我把访问列表检查器与余额调用结合起来,用它们推断正确的槽位。
rust
let mut insp = AccessListInspector::default();
// 通过 transact 填充检查器
let mut evm = Evm::builder()
.with_db(&mut nodedb)
.with_external_context(&mut insp)
.modify_tx_env(|tx| {
tx.caller = account;
tx.transact_to = TransactTo::Call(token);
tx.data = calldata.clone().into();
})
.append_handler_register(inspector_handle_register)
.build();
let _ = evm.transact();
drop(evm);
let access_list = insp.access_list().0;
// 处理访问列表,寻找余额存储槽
for item in &access_list {
if item.address == token {
// 情况 1:只有一个存储键,而且不是实现槽
if item.storage_keys.len() == 1 && !item.storage_keys.contains(&implementation_slot) {
slot_map.insert(token, item.storage_keys[0]);
break;
}
// 情况 2:存在多个存储键——先查找已知槽位
for &known_slot in &known_slots {
if item.storage_keys.contains(&known_slot) {
slot_map.insert(token, known_slot);
break;
}
}
// 情况 3:如果没有找到已知槽位,就选择第一个非实现槽
if !slot_map.contains_key(&token) {
for &slot in &item.storage_keys {
if slot != implementation_slot {
slot_map.insert(token, slot);
break;
}
}
}
}
}
完成这些工作后,你就可以执行完整的循环兑换,只保留滑点处于指定阈值以内的流动性池。
路径搜索与选择 在路径发现上,你可以选择:
- 每个区块都在图上执行一次 DFS(深度优先搜索)。
- 搜索预先计算好的路径。
我选择了第二种方法。确定流动性池集合后,我们会计算出给定深度下所有可能的套利路径。这里最关键的优化,是只检查那些包含了“在最新区块中被触碰过的池”的路径——没有必要在未被触碰的池里寻找套利机会,因为它们的价格没有发生变化。
为了实现这一点,我们会取得每个区块的状态差异追踪,以识别哪些合约被触碰过;然后把它们与已建立索引的路径进行匹配,快速找出需要检查的相关路径。
rust
pub async fn debug_trace_block<T: Transport + Clone, N: Network, P: Provider<T, N>>(
client: Arc<P>,
block_tag: BlockNumberOrTag,
diff_mode: bool,
) -> Vec<BTreeMap<Address, AccountState>> {
let tracer_opts = GethDebugTracingOptions {
config: GethDefaultTracingOptions::default(),
..GethDebugTracingOptions::default()
}
.with_tracer(BuiltInTracer(PreStateTracer))
.with_prestate_config(PreStateConfig {
diff_mode: Some(diff_mode),
disable_code: Some(false),
disable_storage: Some(false),
});
let results = client
.debug_trace_block_by_number(block_tag, tracer_opts)
.await
.unwrap();
let mut post: Vec<BTreeMap<Address, AccountState>> = Vec::new();
for trace_result in results.into_iter() {
if let TraceResult::Success { result, .. } = trace_result {
match result {
GethTrace::PreStateTracer(PreStateFrame::Diff(diff_frame)) => {
post.push(diff_frame.post)
}
_ => warn!("Invalid trace"),
}
}
}
post
}
``` **盈利能力计算** 你当然可以在链上模拟路径,但链下计算通常更快、更高效。难点在于如何兼顾速度与准确性。我们采用的是一种混合方法:
1. 计算标准输入金额对应的兑换率。
2. 通过简单乘法,用这些兑换率估算盈利能力。
3. 再用更精确的模拟验证那些看起来有希望的路径。
举例来说,如果我们看到某条路径上 1 ETH = 150 USD,而反向路径上 1 USD = 0.01 ETH,那么将两个兑换率相乘(150 × 0.01 = 1.5)就能看出潜在利润,因为结果大于 1。
**高级模拟技术** 我们的模拟策略经历了多轮迭代:
1.
**最初的方法**:使用 debug_traceCall,但由于 RPC 瓶颈,速度太慢。
2.
**集成 REVM**:在本地进行模拟,但读取状态仍然依赖 RPC。
3.
**直接集成数据库**:开发
[NodeDB](https://github.com/Zacholme7/NodeDB)
,让 REVM 直接与 RethDB 交互。
4.
**自定义状态管理**:构建一个只包含相关存储槽的专用数据库。
最终方案只维护特定套利计算所需的必要状态信息,从而把 RPC 调用降到最低。
**合约** 我们的执行合约经过优化,尽可能减少状态读取。我没有使用那些会访问大量非必要状态的高层 swap 函数,而是直接实现了底层 swap 逻辑。这样一来,我们就能精确控制会访问哪些存储槽,使模拟更快、更可靠。
这个合约使用 Aave 闪电贷来提高资本效率,同时包含安全检查:如果套利机会在执行过程中变得无利可图,交易就会回滚。
## 结论
虽然我的套利之旅没有带来巨额利润,但它让我获得了关于 MEV、区块链架构和高性能系统设计的宝贵见解。这篇文章只是对我的系统所做的一次相对简短、高层次的概览。机器人每个部分的背后,都有许多没有讨论到的设计决策与复杂问题。
如果你想进一步理解这个系统,代码是最好的参考资料;如果仍有问题,也欢迎直接联系我!这个生态仍在持续演进,我希望分享这些经验,能够帮助其他刚刚进入这个领域的人。
console
```console
$ echo "built with purpose"