Suivre la valeur d’une seule attaque
Mesurer la MEV, c’est suivre la valeur prise en choisissant l’ordre, depuis l’utilisateur qui l’a perdue jusqu’à tous ceux qui en reçoivent une part. C’est aussi se demander si une poignée de constructeurs fabrique la plupart des blocs.
Les deux chiffres comptent pour la conception. Aujourd’hui, vous partagez la valeur d’un sandwich et vous mesurez la concentration d’un marché jouet de constructeurs.
À la fin de cette leçon
Remarque
Je peux mesurer comment la valeur extraite est partagée et à quel point la construction des blocs est concentrée.
Mots-clés
| Mot | Ce que ça veut dire | Exemple |
|---|---|---|
| Valeur extraite | ce qu’une attaque sur l’ordre prend, mesuré en jetons | |
| Part | la portion du total qui revient à une partie, en pourcentage | |
| Part de marché | le pourcentage des blocs que fabrique un constructeur | |
| Concentration | la part d’un marché que détiennent quelques acteurs | |
| HHI | la somme des carrés de toutes les parts de marché | 55 au carré plus 20 au carré ... |
Les cellules que les étudiants remplissent restent vides dans cet aperçu.
La valeur d’une attaque se transmet
Un bot garde rarement tout ce qu’il prend. Pour être placé autour de l’utilisateur, il verse un pourboire au constructeur. Pour gagner le bloc, le constructeur offre au proposeur l’essentiel de ce qu’il gagne.
Dans le labo, Ana perd 81 bleu et le bot gagne 88 rouge. Le bot verse 60 au constructeur, et le constructeur offre 50 au proposeur. C’est donc le proposeur qui finit avec la plus grosse part.
Suivre la valeur d’un sandwich
docker exec jupyter python3 steps/measure.pyAffichée ici, non exécutée. Appuyez sur Démarrer le labo pour la saisir dans le terminal de votre propre labo.
Exemple travaillé : qui garde les 88 rouge
| Qui | Garde | Part du gain |
|---|---|---|
| Le bot | 88 moins 60 = 28 rouge | 32 % |
| Le constructeur | 60 moins 50 = 10 rouge | 11 % |
| Le proposeur | 50 rouge | 57 % |
Les cellules que les étudiants remplissent restent vides dans cet aperçu.
À vous : partager un autre gain
gain = 200
au_constructeur = 150
au_proposeur = 120
parts = [["bot", gain - au_constructeur], ["constructeur", au_constructeur - au_proposeur], ["proposeur", au_proposeur]]
for part in parts:
print(part[0], "garde", part[1], "soit", 100 * part[1] // gain, "sur 100")
# Les constructeurs se font plus concurrence : mettez au_proposeur à 145. Qui profite de la concurrence ?
Combien de constructeurs fabriquent les blocs ?
Comptez quel constructeur a gagné chaque bloc, puis calculez la part de marché de chacun. La part du premier, et celle des deux premiers ensemble, sont des mesures rapides.
Une mesure plus complète est l’indice HHI : élevez chaque part de marché au carré et additionnez. Un marché partagé à égalité entre beaucoup d’acteurs a un HHI faible. Un seul constructeur qui a tout obtient 10000. Dans le labo, 100 enchères ont donné 55 blocs à north, et un HHI de 3684.
Compter les gagnants de 100 enchères
docker exec jupyter python3 steps/builders.pyAffichée ici, non exécutée. Appuyez sur Démarrer le labo pour la saisir dans le terminal de votre propre labo.
Exemple travaillé : 100 enchères jouets
| Constructeur | Blocs | Part au carré |
|---|---|---|
| north | 55 | 3025 |
| east | 20 | 400 |
| south | 13 | 169 |
| quay | 9 | 81 |
| west | 3 | 9 |
| Les cinq | 100 | HHI 3684 |
Les cellules que les étudiants remplissent restent vides dans cet aperçu.
Pourquoi la concentration est un risque
Si un ou deux constructeurs fabriquent la plupart des blocs, ils peuvent écarter les transactions qui leur déplaisent : c’est de la censure. Une seule panne peut aussi bloquer beaucoup de blocs.
Ces mesures transforment une inquiétude en un chiffre que l’on peut suivre dans le temps. Une conception qui répartit la construction, ou qui limite ce qu’un constructeur peut voir, devrait faire baisser le HHI.
Erreur fréquente
Attention
On croit souvent que la MEV est tout entière un profit pour les bots. Quand les constructeurs se font concurrence, l’essentiel de la valeur passe aux proposeurs, comme le montrent les 57 % du labo. L’utilisateur la perd de toute façon : la mesure qui compte pour lui, c’est sa perte.