論文の概要: PROF: Protected Order Flow in a Profit-Seeking World

• arxiv url: http://arxiv.org/abs/2408.02303v1
• Date: Mon, 5 Aug 2024 08:26:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-06 14:06:30.557543
• Title: PROF: Protected Order Flow in a Profit-Seeking World
• Title（参考訳）: PROF: 利益を追求する世界における秩序の保護
• Authors: Kushal Babel, Nerla Jean-Louis, Yan Ji, Ujval Misra, Mahimna Kelkar, Kosala Yapa Mudiyanselage, Andrew Miller, Ari Juels,
• Abstract要約: この研究は、既存のPBSシステムにおける有害な最大抽出値(MEV)を制限するためにPROFと呼ばれるシステムを導入している。 PROFは、プライベートに入力されたトランザクションのセット(バンドル)に注文を課し、プロダクションをブロックするためにすべての注文を強制します。 我々はPROFのインセンティブ構造を定量的に定性的に分析し、既存のソリューションと比較してユーザに対して有用性を示す。
• 参考スコア（独自算出の注目度）: 8.76739307907209
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Users of decentralized finance (DeFi) applications face significant risks from adversarial actions that manipulate the order of transactions to extract value from users. Such actions -- an adversarial form of what is called maximal-extractable value (MEV) -- impact both individual outcomes and the stability of the DeFi ecosystem. MEV exploitation, moreover, is being institutionalized through an architectural paradigm known Proposer-Builder Separation (PBS). This work introduces a system called PROF (PRotected Order Flow) that is designed to limit harmful forms of MEV in existing PBS systems. PROF aims at this goal using two ideas. First, PROF imposes an ordering on a set ("bundle") of privately input transactions and enforces that ordering all the way through to block production -- preventing transaction-order manipulation. Second, PROF creates bundles whose inclusion is profitable to block producers, thereby ensuring that bundles see timely inclusion in blocks. PROF is backward-compatible, meaning that it works with existing and future PBS designs. PROF is also compatible with any desired algorithm for ordering transactions within a PROF bundle (e.g., first-come, first-serve, fee-based, etc.). It executes efficiently, i.e., with low latency, and requires no additional trust assumptions among PBS entities. We quantitatively and qualitatively analyze incentive structure of PROF, and its utility to users compared with existing solutions. We also report on inclusion likelihood of PROF transactions, and concrete latency numbers through our end-to-end implementation.
• Abstract（参考訳）: 分散金融(DeFi)アプリケーションのユーザは、取引の順序を操作してユーザから価値を抽出する敵の行動から重大なリスクに直面します。 このような行動は、最大抽出可能な値(MEV)と呼ばれるもので、個人の成果とDeFiエコシステムの安定性の両方に影響を与える。 さらにMEVの活用は、プロポーラ・ビルダー分離(PBS)と呼ばれるアーキテクチャパラダイムを通じて制度化されている。 本稿では,既存のPBSシステムにおける有害なMEVの抑制を目的としたPROF(PRotected Order Flow)システムを提案する。 PROFは2つのアイデアを使ってこの目標を目指している。 まず、PROFはプライベートに入力されたトランザクションのセット(バンドル)に注文を強制し、プロダクションをブロックするためにすべての順序を強制します。 第二に、ProperFはプロデューサにインクルージョンが利益をもたらすバンドルを作成し、それによってバンドルがブロックにタイムリーにインクルードされることを保証する。 PROFは後方互換性があり、既存のPBSと将来のPBSの設計で動作する。 PROFはまた、PROFバンドル内でトランザクションを順序付けするための任意の望ましいアルゴリズム(例えば、ファーストカム、ファーストサービス、料金ベースなど)とも互換性がある。 低レイテンシで効率的に実行し、PBSエンティティ間で追加の信頼仮定を必要としない。 我々はPROFのインセンティブ構造を定量的に定性的に分析し、既存のソリューションと比較してユーザに対して有用性を示す。 また、PROFトランザクションの包含可能性や、エンドツーエンド実装による具体的な遅延数についても報告します。

関連論文リスト

• On Sequential Fault-Intolerant Process Planning [60.66853798340345]
  我々は、逐次的フォールトトレラントプロセス計画(SFIPP)と呼ばれる計画問題を提案し、研究する。 SFIPPは、全ての段階が成功する場合にのみ計画が成功すると判断される多くの連続した多段階決定問題に共通する報酬構造をキャプチャする。 私たちは、異なるアクションを選択して、それぞれのステージで成功の確率を未知にする必要がある設定のために、確実に厳密なオンラインアルゴリズムを設計します。
  論文  参考訳（メタデータ） (2025-02-07T15:20:35Z)
• On Fair Ordering and Differential Privacy [2.839269856680852]
  ブロックチェーンシステムでは、信頼できる規制に準拠したエコシステムにおいて、公正なトランザクションオーダが不可欠である。 本稿では,これらの特性について検討し,トランザクションオーダリングサービスにおけるアルゴリズムバイアスを排除することを目的とする。 我々は、関連する機能と無関係な機能の観点からトランザクションを特徴付け、その順序は関連するもののみによって決定される必要がある。
  論文  参考訳（メタデータ） (2025-01-09T19:17:43Z)
• Certifiably Byzantine-Robust Federated Conformal Prediction [49.23374238798428]
  本稿では,悪意のあるクライアントに対する堅牢な共形予測を行う新しいフレームワークRob-FCPを提案する。 我々は、さまざまなビザンチン攻撃の下で、悪意のあるクライアントの多様な割合に対するRob-FCPの堅牢性を実証的に実証した。
  論文  参考訳（メタデータ） (2024-06-04T04:43:30Z)
• Privacy-Preserving Federated Learning over Vertically and Horizontally Partitioned Data for Financial Anomaly Detection [11.167661320589488]
  実世界の金融異常検出シナリオでは、データは垂直と水平の両方に分割される。 我々のソリューションは、完全同型暗号化(HE)、セキュアマルチパーティ計算(SMPC)、微分プライバシー(DP)を組み合わせる。 私たちのソリューションは、米国プライバシ・エンハンシング・テクノロジーズ(PET)賞チャレンジの第1フェーズで2位を獲得しました。
  論文  参考訳（メタデータ） (2023-10-30T06:51:33Z)
• Advancement on Security Applications of Private Intersection Sum Protocol [1.0485739694839666]
  セキュアな計算プロトコルは、関係者からの入力を組み合わせて、入力をプライベートに保ちながら出力を生成する。 プライベート・セット・インターセクション (PSI) はセキュアな計算プロトコルであり、2つのパーティが他のものを明らかにすることなくそれらのセットの交点を学習することができる。 プライベート・インターセクション・サム(PIS)は、両者が交差点の基数を学びたいときにPSIを拡張する。 Private Join and Compute (PJC) は PIS プロトコルのスケーラブルな拡張であり、組織が機密データセットと連携するのに役立つ。
  論文  参考訳（メタデータ） (2023-08-28T17:42:53Z)
• ScionFL: Efficient and Robust Secure Quantized Aggregation [36.668162197302365]
  我々は,フェデレートラーニングのための最初のセキュアアグリゲーションフレームワークであるScionFLを紹介する。 量子化された入力で効率的に動作し、同時に悪意のあるクライアントに対して堅牢性を提供する。 クライアントのオーバーヘッドがなく、サーバのオーバーヘッドも緩やかなため、標準的なFLベンチマークに匹敵する精度が得られます。
  論文  参考訳（メタデータ） (2022-10-13T21:46:55Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)
• Sequential Information Design: Markov Persuasion Process and Its Efficient Reinforcement Learning [156.5667417159582]
  本稿では,逐次情報設計の新たなモデル,すなわちマルコフ説得過程(MPP)を提案する。 MPPのプランニングは、ミオピックレシーバーに同時に説得されるシグナルポリシーを見つけ、送信者の最適な長期累積ユーティリティを誘導する、というユニークな課題に直面している。 我々は,楽観主義と悲観主義の両原理の新たな組み合わせを特徴とする,実証可能な効率のよい非回帰学習アルゴリズム,Optimism-Pessimism Principle for Persuasion Process (OP4) を設計する。
  論文  参考訳（メタデータ） (2022-02-22T05:41:43Z)
• MPC-Friendly Commitments for Publicly Verifiable Covert Security [16.430876603766965]
  本稿では,2要素計算におけるコミットメントを効率よく検証する問題に対処する。 当社の工事は, PVC (Public Verible Covert) セキュリティモデルで運用されている。 我々は, 必要な非線形操作の観点から, 建設が厳密であることを示す。
  論文  参考訳（メタデータ） (2021-09-15T17:52:18Z)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL) with Lazy Clients [124.48732110742623]
  フェデレートラーニング(FL)にブロックチェーンを統合する新しいフレームワークを提案する。 BLADE-FLは、プライバシー保護、改ざん抵抗、学習の効果的な協力の点で優れたパフォーマンスを持っている。 遅延クライアントは、他人のトレーニングされたモデルを盗聴し、不正行為を隠すために人工的なノイズを加える。
  論文  参考訳（メタデータ） (2020-12-02T12:18:27Z)
• Provably Efficient Safe Exploration via Primal-Dual Policy Optimization [105.7510838453122]
  制約付きマルコフ決定過程(CMDP)を用いた安全強化学習(SRL)問題について検討する。 本稿では,関数近似設定において,安全な探索を行うCMDPの効率の良いオンラインポリシー最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-01T17:47:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。