开源MEV模拟器介绍

今天，我们为社区发布一个开源的 MEV 模拟器。

它旨在帮助研究人员、开发者、钱包、教育者和 DeFi 用户模拟不同的 MEV 攻击，运行本地实验，改变假设，并用新的场景扩展模拟器。

对于本次 MEV 模拟器的发布，我们准备了尽可能简单的场景来展示它的运行。这个场景提出了一个问题：

如果我每笔交易大约交易 3000 美元，每周三次，持续一年，与使用加密或私有 mempool 相比，我的交易量中有多少百分比会无声地损失在三明治攻击中？

再次强调，这并不能准确反映现实，其目的是展示模拟器的运行，并让人们了解这个问题的范围。

设置

为回答这个问题，我们构建了一个本地区块链模拟器来计算损失。每笔交易约 3000 美元，每周三次，持续一整年。我们在一个受控环境中使用 Anvil (Foundry) 作为 EVM 后端和一个中等规模的 Uniswap V2 AMM 池，让两个模拟交易者相互对抗。

• 公开交易者： 每笔交换都公开提交到公共 mempool。
• 隐私交易者： 每笔交换都提交到加密/私有 mempool（对机器人不可见）。
• 夹击者（MEV 机器人）： 监控公共 mempool 并无情地利用每一个有利可图的机会。

两个交易者在每个区块中随机做出买入/卖出决定。他们之间唯一的系统性差异是 mempool 的可见性。

结果：损失 12,000 美元

当你观察单笔交易时，损失看起来像是一个舍入误差。它通常是一个很小的百分比，大多数人会认为是正常的市场波动。但当你放眼一整年，影响是残酷的。

1 年财务明细

🛑 结论

通过使用公共 mempool，交易者无声地损失了其总交易量的 2.65% 给 MEV 机器人。这相当于每笔交易被盗 79.53 美元，全年总计 12,406 美元。

隐私交易者支付了完全相同的 0.3% AMM 手续费，并面临相同的自然滑点。12,406 美元的差额是来自三明治攻击的纯粹损失——这些价值在年初存在于你的钱包中，到年底消失，且对你没有任何好处。

注意事项和现实性说明

这个模拟被有意简化。与以太坊主网的关键区别：

• 100% 夹击率： 在这个模型中，机器人夹击每一笔公开交易。实际上，Gas 成本（每笔交易 2–50 美元）设定了最小盈利交易规模，因此较小的交易通常会被跳过。对于 3000 美元的交易，实际的夹击率可能是 20–50%。
• 无 Gas 成本： 模拟没有考虑交易费用。加入实际的 Gas 会减少有效的 MEV 损失（一些夹击变得无利可图），并使机器人的盈亏平衡行为更准确。
• 无滑点保护： 交易者接受任何输出金额。实际钱包默认滑点容忍度为 0.5–1%；严格的滑点限制会导致受害交易在被夹击时回退，从而将“每笔交易损失”转换为“交易失败率”。
• 无竞争机器人： 在主网上，数百个机器人通过优先 Gas 拍卖竞争相同的套利机会，将更多 MEV 价值推给验证者，而不是单个机器人。
• 无外部价格预言机： 实际的 AMM 通过套利者与中心化交易所价格保持同步。在这里，池价格随着随机交易漂移，增加了与 MEV 无关的盈亏噪声。

考虑到 100% 夹击率的假设，对于这种交易规模在流动的主网池上，更现实的估计可能是交易量的 1–3%——而这正是我们 2.65% 模拟结果所落在的范围，当机器人规模保守（受害者规模的 5 倍）时。

结论

1. 成本是真实且可量化的。即使在保守假设下，使用公共 mempool 会让一个常规 DeFi 交易者损失大约 1–3% 的交易量作为 MEV 提取。
2. 对于 3000 美元/笔 × 3 次/周，这大约是每年 12,000–26,000 美元，具体取决于机器人的资本规模。
3. 修复很简单。使用加密 mempool（Flashbots Protect、MEV Blocker、CoW Swap 或类似工具）可以完全消除夹击风险，且对用户零成本。
4. 严格的滑点容忍度是部分防御。将最大滑点设置为 0.5–1% 会导致被夹击的交易回退而非以糟糕价格执行——尽管这引入了交易失败风险。
5. MEV 并非全部进入机器人。在竞争激烈、流动性强的市场中，提取的价值主要流向流动性提供者和验证者，而不是夹击者本身。

自己运行

想要对这些数字进行压力测试或调整池规模？整个模拟器可以在你的本地机器上运行。

1. 克隆并安装

此模拟完全在本地运行。你需要安装 Python 3.11+、Node.js 20+ 和 Foundry。

git clone https://github.com/brainbot-com/mev-simulator
cd mev-simulator

## Python 后端
python -m venv .venv
source .venv/bin/activate          # Windows: .venv\Scripts\activate
pip install -e ".[dev,server]"

## 前端
cd frontend && npm install && cd ..

2. 通过 UI 交互式探索

启动后端：

uvicorn server.main:app --port 8000

启动前端（在第二个终端中）：

cd frontend && npm run dev

打开 http://localhost:5173。选择 UniswapV2 三明治攻击 场景，点击加载，然后开始。实时观察区块构建，mempool 查看器显示公开交易被夹击，图表显示发散的盈亏曲线。

3. 调整参数

编辑 scenarios/uniswap_v2_sandwich/default_config.json，或通过 UI 的 JSON 配置字段传入自定义配置：

{
  "initial_liquidity": 1000000.0,
  "trader_amount": 3000.0,
  "front_run_amount": 15000.0,
  "trader_interval": 12.0
}

关键参数：

• front_run_amount — 控制机器人的资本规模；直接设置每笔交易的 MEV 百分比
• initial_liquidity — 池深度；更大的池 = 每笔交易的价格影响更小
• trader_amount — 受害者交易规模
• trader_interval — 交易之间的秒数（12 = 每个区块；增加以分散交易）

4. 用 AI 编码助手提问

如果你用代理编码工具（Claude Code、Cursor、OpenCode、GitHub Copilot Agent Mode 或类似工具）打开该仓库，你可以直接让它为你设计和运行自定义场景。这正是本次分析的生成方式。你无需触碰代码。有效的示例提示词：

• "理解这个项目并在我本地运行它"
• "创建一个场景：每笔交易 3000 美元，每周交易 3 次，持续一年。运行它并告诉我数字"
• "我们怎样才能将 MEV 损失降低到约 3%？用这些更改再次运行"
• "给我一份报告，用于与博客文章一起发布"

代理读取代码、设计场景配置、启动服务器、运行模拟并解释结果——全部在一次对话中完成。

贡献

MEV 模拟器是开源的，并且设计为可扩展。

因此，运行你自己的场景，挑战假设，改进模型，或添加新的示例供他人学习。

有害的 MEV 是每个人的问题，但其影响并不总是容易看到。这个模拟器是让这种影响更可见、可量化且更容易理解的一种方式。

• 原文链接： blog.shutter.network/int...
• 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～