大区块、Blob与重组 - 分片

本文分析了以太坊EIP-4844实施后,blob引入对区块链重组的影响。通过对2024年5月的数据分析,发现包含6个blob的区块重组率较高,blob的存在显著增加了重组的概率。回归分析表明,blob数量和压缩块大小对重组有显著影响,同时Lodestar和Teku客户端也显示出较高的重组风险。

大区块、Blobs 和 Reorgs

随着 EIP-4844 的上线,以太坊实际上通过为 Rollup 提供专用空间将其数据发布到 L1,从而提高了其事务吞吐量。

Blobs 现在是区块大小的主要贡献者,而平均信标区块大小(不包括 Blobs)从大约 125 KB 降至大约 9 KB。

在下图中,可以看到 Blobs 对以太坊数据吞吐量的影响:

block_content_over_time\ block_content_over_time700×400 16.7 KB

这种吞吐量的增加预计会将某些“较弱”的验证者推向极限。 因此,我们想要回答这个问题:“Blobs 是否会导致 Reorgs?如果是,影响有多大?

对于以下分析,我依赖于一个节点来实时解析数据(链头),并检查最终被 Reorg 的区块的内容。

以下分析考虑的最早数据点是插槽 8,992,385(2024 年 5 月 3 日),这为我们提供了大约 4 周的数据。

在此时间跨度内,我们总共观察到 487 次 Reorgs 和总共约 184,000 个插槽。

Snappy 压缩区块

首先,让我们比较一下已 Reorg 的区块的 Snappy 压缩区块大小与进入规范链的区块的 Snappy 压缩区块大小。

特别是,我们感兴趣的是,已 Reorg 的区块是否平均大于未 Reorg 的区块。

在这种情况下,我们将 Reorg 称为各自的提议者提出的有效区块,但最终被连续的提议者孤立。

boxplot2\ boxplot21200×400 18.7 KB

根据上图,我们无法看到 Reorg 和未 Reorg 区块的中值区块大小存在显着差异。 关注 75\% 分位数和定义为 Q_{75} \times 1.5\ IQRQ75×1.5IQR 的上须,我们确实看到 Reorg 的区块大于未 Reorg 的区块。 这是预期的(更大的区块会导致更大的困难),但是,正如之前关于区块大小的分析中所见,4844 上线后,影响有所减少。

Blobs

接下来,让我们看看 Blobs。 随着 EIP-4844 的上线,大多数 RollUp 都从使用 calldata 切换到使用 Blobs,从而将大部分已发布的数据从 EL 有效负载转移到 Blobs。

boxplot3\ boxplot31200×400 13.5 KB

根据上面的箱线图,我们可以看到大多数 reorged 区块包含 6 个 blobs。 看到具有 6 个 blobs 的区块发生更多 reorgs 是可以预期的,因为这些区块大约是 pre-4844 平均区块大小的 7 倍

当可视化每个区块的 blobs 数量上的 reorged 区块百分比时,同样的模式也很明显。

reorgrate_over_blobs\ reorgrate_over_blobs800×350 11.9 KB

比较具有 0 个和 6 个 blobs 的 reorged 区块的百分比,我们可以看到发生 reorg 的可能性是 3 倍以上

在这种情况下,重要的是检查每个区块的 blobs 分布情况。 每个区块 0 个或 6 个 blobs 的“极端”情况可能会严重影响 blobs 对 reorgs 的影响。

blobs_per_block_ist\ blobs_per_block_ist1300×500 15.4 KB

如上面的直方图所示,该直方图显示了 2024 年 5 月每个区块的 blobs 分布,大多数区块包含 0 个或 6 个 blobs。

回归分析

为了量化 blobs 对 reorgs 的影响,我们可以应用一个简单的 Logistic 回归。

除了 (1) 未压缩的区块大小、(2) snappy 压缩的区块大小、(3) 每个区块使用的 Gas 量和 (4) 交易数量以及 (5) 每个区块的 blobs 数量之外,我们还将不同的 CL 客户端作为虚拟变量放入回归模型中。

所有因变量都经过 Z-score 缩放,并且 Lighthouse 客户端是截距的一部分。

logit\ logit745×398 21 KB

查看截距(const),当所有其他预测变量都处于其平均值时,发生 reorg 的基线对数几率表明发生 reorg 的基线概率非常低。

将其转化为数字,根据经验,2024 年 5 月大约有 0.27\% 的区块被 reorg。

接下来,让我们关注因变量,将 p \le 0.01p≤0.01 视为显着结果。

Blobssize_compressednr_txs 对发生 reorg 的概率有显着影响。

  • 每个额外的 blob 和 size_compressed 中的每个额外的字节都会增加发生 reorg 的概率。
  • 与 Lighthouse 客户端相比,sizegas_used 和其他客户端变量(Nimbus、Prysm)没有显着影响。

对于 blobs 每增加一个标准差 (=2.33=2.33),区块被 reorg 的对数几率增加 1.25821.2582。

在所有因变量都处于其平均值的情况下,发生 reorg 的基线概率约为 0.27\%。 这意味着 blobs 增加一个标准差 (=2.33=2.33) 会导致发生 reorg 的概率从大约 0.27\% 增加到 0.93\%,表示增加了大约 0.67 个百分点。

客户端

值得注意的是,reorg 的数量通常非常低,对于 Lodestar 和 Teku 等“少数”客户端来说甚至更低。 因此,一些玩弄时间游戏的 Lodestar 或 Teku 用户可能已经影响了这一结果。

因此,以下结果必须持保留态度。

对于 Lodestar 客户端:

  • 使用 Lodestar 客户端时,发生 reorg 的对数几率增加 0.98140.9814。
  • 这对应于大约 2.6672.667 的优势比,表明使用 Lodestar 客户端时,发生 reorg 的几率高出约 166.7\%。
  • 发生 reorg 的基线概率约为 0.27\%。 使用 Lodestar 客户端时,此概率增加到大约 0.45\%,增加了大约 0.178 个百分点。

对于 Teku 客户端:

  • 使用 Teku 客户端时,发生 reorg 的对数几率增加 0.56290.5629。
  • 这对应于大约 1.7561.756 的优势比,表明使用 Teku 客户端时,发生 reorg 的几率高出约 75.6\%。
  • 发生 reorg 的基线概率约为 0.27\%。 使用 Teku 客户端时,此概率增加到大约 0.3\%,增加了大约 0.027 个百分点。

对于 NimbusPrysm 客户端,与 Lighthouse 相比,我们没有看到对 reorgs 的显着影响。

接下来

  • 呼吁重现:请重现我的分析。 处理大量数据可能会很麻烦。 处理在区块被 reorg 后从链中消失的数据甚至更麻烦。 因此,请将此视为深入研究“blobs 与 reorgs”主题的初步尝试。

  • 更多数据:4844 仍然很年轻,我计划在几个月后重现此分析,以使用更多数据验证结果。

  • 筛选客户端错误:客户端中的一个小错误会显着影响结果。 同样适用于玩 **时间游戏、诚实的 reorg 策略和 EL 客户端的验证者。

  • Relay 和 Builder 怎么样: 检查为什么我们经常看到 0 个或 6 个 blobs,即极端情况,以及在这些情况下 builderrelay 的行为是什么。

  • 检查 blobs 的使用效率以及多个实体之间 共享 blob 空间 是否可以提高效率。

  • Blobs、Reorgs 和 MEV-Boost 的作用

  • 插槽包含率和 Blob 市场组合学

  • 关于单人质押、本地区块构建和 blobs

  • 为 Pectra 增强 Blob 吞吐量

  • 原文链接: ethresear.ch/t/big-block...
  • 登链社区 AI 助手,为大家转译优秀英文文章,如有翻译不通的地方,还请包涵~
点赞 0
收藏 0
分享
本文参与登链社区写作激励计划 ,好文好收益,欢迎正在阅读的你也加入。

0 条评论

请先 登录 后评论
以太坊中文
以太坊中文
以太坊中文, 用中文传播以太坊的最新进展