亚秒级时间尺度下的动态手续费市场：面向高吞吐量区块链的 EIP-1559 自适应机制

《Mathematics》：Dynamic Fee Markets at Sub-Second Timescales: Adapting EIP-1559 for High-Throughput Blockchains Petar Zhivkov and Eric Chen

　　

动态手续费市场机制，以 EIP-1559 为代表，已在 Ethereum 的 12 s 出块环境中得到广泛研究，但在亚秒级时间尺度下仍缺乏系统刻画。本文提出一项基于智能体的仿真（agent-based simulation）研究，考察 EIP-1559 在 Injective 上的适配方案。Injective 是一条第 1 层（Layer 1）区块链，结合原生 EVM 兼容性与 CometBFT 共识，并以 600 ms 的区块时间运行。通过 12 组仿真实验（4 种参数配置 × 3 类需求场景），分析得到三项发现：（1）时间平滑机制（MA-25，25 区块滑动平均）在亚秒级环境中呈现混合效应，在垃圾攻击期间会产生最高达 47% 的基础手续费（basefee）过冲，而在其他情形下仅表现出轻微平滑作用，因此逐区块机制在性能一致性方面更可取；（2）将配置从 150M（66.66% 目标利用率）切换到 300M（50% 目标利用率）后，在可变需求场景下峰值手续费下降 31%；在垃圾攻击场景下，300M 配置的峰值高出 32%，但恢复更快，同时区块容量是决定垃圾吞吐量的主要驱动因素；（3）逐区块机制可在 17–32 s 内建立初始垃圾攻击屏障，而 Ethereum 约需 4–6 min，这从经济上证明了较低最小手续费的合理性。本文提供了首个关于亚秒级 EIP-1559 的系统性分析，以及面向高吞吐链的参数优化框架。结果表明，在适当调参条件下，动态手续费机制可与高吞吐架构兼容。

交易手续费市场决定了受限区块链资源如何在竞争用户之间进行分配。Ethereum 原始的第一价格拍卖模型存在显著低效性：用户在选择 gas 价格时面临高度不确定性，容易出现过度支付或交易被排除等问题，且该机制不具备激励相容性。EIP-1559 于 2021 年 8 月部署，通过引入动态调整的基础手续费（basefee）替代纯拍卖机制，从而缓解了上述局限。所有用户均需支付该基础手续费，且该费用由协议销毁；当区块利用率超过目标阈值时，basefee 上升，反之下降。该算法化定价方式提升了手续费可预测性，并实现了边际成本定价（marginal cost pricing），使用户内部化其施加于他人的拥堵外部性。

然而，一个关键研究空白仍然存在：当 EIP-1559 被移植至运行于根本不同时间尺度的区块链架构时，其性能将如何表现？采用拜占庭容错（Byzantine Fault Tolerant，BFT）共识的高吞吐量区块链，如 Injective，可实现约 600 ms 的区块时间，出块速度较 Ethereum 的 12–14 s 快约 25 倍。这种架构差异引出了手续费市场动力学的核心问题。更快的出块会使 basefee 调整在绝对时间上更快速累积，可能更快收敛至均衡价格，但若参数调校不当，也可能带来更高波动性。此外，在亚秒级区块环境下，区块 gas 上限与手续费动态之间的关系尚未被系统研究。Injective 是一条具备 Tendermint 系证明权益（Proof-of-Stake，PoS）共识、原生 EVM 兼容性并连接 Ethereum 与 Cosmos 生态的 Layer 1 区块链，针对去中心化金融（DeFi）中的订单簿交易场景进行了低时延和高吞吐优化，目前采用固定 gas 定价与 150M gas 区块上限。因而，在 Injective 上研究 EIP-1559，不仅关乎该链自身的升级路径，也触及更广泛的设计问题，即 Ethereum 标准手续费机制能否在亚秒级 BFT 共识环境中有效运行，并为 EVM 标准与 Cosmos 基础设施兼容性提供证据。

将 Ethereum 的 EIP-1559 参数直接移植到亚秒级出块时间中，会引入三类特定失效模式。第一，时间平滑机制（如基于移动平均的 basefee 调整）在 Ethereum 上作用于分钟尺度，但在此会压缩为秒级，导致记忆滞后，并在短暂需求峰值后产生适得其反的手续费过冲。第二，逐区块调整以 25 倍更快速度在绝对时间内复利累积，既放大了收敛速度，也放大了波动性，因此必须重新校准变化率参数。第三，当拥堵消退后 basefee 仍维持高位的“棘轮效应”（ratchet effect）依然存在，并且由于亚秒级区块更容易持续维持接近目标的利用率，这一效应相较于 Ethereum 的长区块环境表现得更为持久。正是这些退化现象推动了本文的系统参数分析。

研究人员采用基于智能体建模（agent-based modeling，ABM）的仿真框架，对 Injective 亚秒级区块环境中的 EIP-1559 适配方案进行分析。研究设计考察 4 类参数配置，即 150M 与 300M 两种区块 gas 上限、逐区块与移动平均两种 basefee 更新机制，并在 3 类现实需求场景下进行测试：平滑可变需求、尖峰需求与持续垃圾攻击，共形成 12 组实验。研究重点回答以下相互关联的问题：600 ms 区块时间如何影响 basefee 的稳定性与收敛性质；区块 gas 上限扩展如何改变手续费市场行为；基于过去 gas 使用量均值而非单区块观测值进行调整的移动平均机制，是否能在亚秒级区块环境中降低波动性；这些参数之间如何交互并决定均衡手续费水平。

据研究人员所述，本文是首个针对亚秒级区块时间环境中 EIP-1559 的系统性仿真分析，扩展了既有聚焦于 Ethereum 的研究。文章的关键贡献包括：其一，首次对 600 ms 出块时间下的 EIP-1559 适配展开基于仿真的系统研究，并辅以受控主网实验的部分验证；其二，表征区块容量扩展的影响，证明从 150M/66.66% 转向 300M/50% 可在可变需求下将峰值手续费降低 31%，而在垃圾攻击期间则因更高单区块垃圾承载能力而使峰值上升 32%，但能更快回落至最低费率地板；其三，对 MA-25 机制进行首个系统比较，指出其在 600 ms 出块下效果不一致；其四，首次系统识别出 ??_max =0.05 是亚秒级 EIP-1559 手续费市场的帕累托最优值；其五，提出面向高吞吐链的参数选择框架，量化基线效率与突发容量、响应性与波动性、最低费率与垃圾响应时间之间的权衡。研究同时强调，其贡献在于通过仿真刻画数学性质并量化权衡，而非直接规定具体实施方案；真实部署仍需综合验证节点容量、治理流程和运维约束。

从方法上看，研究基于 ethereum/abm1559 仿真包构建了适用于 600 ms 出块链的实验框架。模型包含三类智能体：一是用户，生成具有异质支付意愿的交易，其属性包括 ??????_??????????????、??????_?????? 和 ??????_????????；二是区块生产者，按照 tip 最大化原则，在 gas 上限约束下优先选择高 ??????_?????????????? 的有效交易；三是协议层，根据区块 gas 利用率算法式更新 basefee。交易到达过程按场景逐区块重新生成，不考虑跨区块内存池（mempool）积压。研究假设用户为非策略型，不进行自适应竞价、替换交易或撤回未打包交易；区块生产者也被设定为非策略型，不考虑 MEV（Maximal Extractable Value，最大可提取价值）提取、重排序或蓄意保留区块空间。basefee 更新遵循乘法形式规则，并设置 ??????_????????_??????=0.16 Gwei 作为费率地板；每 42,000 个区块进行一次重置，以防止长期漂移。参数校准中，研究考察 ??_max ∈{0.02,0.05,0.10,0.15,0.20}，并对 ???? ∈{3,5,10,25} 进行敏感性测试。全部核心仿真均采用 ??_max=0.05。需求场景包括：正弦波形式的可变需求、不同持续时间的尖峰需求，以及由常规用户与垃圾用户共同构成的三阶段垃圾攻击。

在结果部分，论文首先给出参数校准结论。对于最大变化率 ??_max，研究发现其与棘轮效应严重程度之间存在指数关系。在持续高于目标需求的情况下，初始测试网采用的 ??_max=0.10 会导致 basefee 严重累积，而当 ??_max=0.20 时，这种累积将更加显著。其根源在于 600 ms 的短区块时间使得逐区块乘法调整在 3 min 内就可发生 300 次复利累积。另一方面，若将 ??_max 降至 0.05 以下，则垃圾防御能力下降。例如，在垃圾攻击场景中，??_max=0.02 时 basefee 峰值仅为 1.16 Gwei，难以及时越过最低垃圾 fee cap 门槛。综合棘轮抑制与垃圾防护两方面，研究认定 ??_max=0.05 为帕累托最优值，相较测试网初值将棘轮严重性降低约 19 倍，同时保持足够响应速度。

针对移动平均窗口，研究显示窗口长度越大，basefee 波动率越低，但这种平滑并非无代价。将窗口从 ????=3 扩展到 ????=25，在可变需求场景中可将 150M 配置的变异系数（CV）从 16.4% 降至 11.5%，将 300M 配置从 4.3% 降至 1.5%。然而，后续综合评估表明 MA-25 在不同场景中的表现不一致：在部分场景中其仅略微抑制波动，但在 300M 垃圾攻击情境下会带来高达 47% 的过冲，原因在于 25 区块记忆窗口会在攻击结束后仍然“记住”高负载，从而延长高费状态。因此，研究人员认为逐区块机制在 600 ms 出块条件下更具一致性和稳健性。

在可变需求场景中，Configuration 1 对应 150M 上限与 66.7% 目标利用率，需求在 50M 与 150M 之间作正弦振荡；Configuration 3 对应 300M 上限与 50% 目标利用率，需求在 75M 与 175M 之间振荡。结果表明，两种配置的 basefee 都能在周期结束时回到最低费率地板，但 300M 配置实现了 31% 更低的峰值 basefee（0.18 对 0.26 Gwei）。该结果说明，在平滑需求条件下，更高区块容量与更低目标利用率为系统提供了更大“缓冲空间”，从而减少了手续费峰值。

在尖峰需求场景中，两种配置都以 50M 为基线需求，并设置 15 次混合持续时间的尖峰，峰值分别达到各自区块上限。研究发现，两种配置的 basefee 对尖峰均能在 1 个区块内立即响应，但实验结束时 basefee 仍维持高位：Configuration 1 的峰值和最终值均为 7.89 Gwei，Configuration 3 分别达到 15.50 与 15.49 Gwei。这一现象被定义为棘轮效应，即拥堵结束后若需求恢复到接近目标利用率，basefee 调整项变为 0，当前高 basefee 将被“锁定”而无法自然回落。论文进一步从数学上解释了这一机制：当 ??????_????????_t=????????????_?????? 时，任意 basefee 都是固定点，因此目标利用率并非稳定均衡，而只是一个固定点流形。只有当需求持续低于目标值时，basefee 才会根据衰减公式逐步下降。由此，EIP-1559 具有结构性的上行偏置：拥堵可迅速抬升 basefee，而回落则要求主动的低于目标需求阶段。42,000 区块重置机制虽然给出了一个硬性上限，但对重置间隔内的棘轮积累无能为力。

在垃圾攻击场景中，仿真包括三个阶段：前 100 个区块维持 70M 正常需求，basefee 停留在最低地板；第 100–200 区块引入 1000 名常规用户和 15,000 名垃圾用户，总尝试需求达到 630M；第 200–300 区块回到 70M 恢复阶段。结果显示，Configuration 1 的峰值 basefee 为 1.89 Gwei，Configuration 3 为 2.50 Gwei，后者高出 32%。较高容量配置每个区块可吸收更多垃圾交易，从而使 basefee 上升更快，也在攻击结束后下降更快。具体而言，Configuration 1 在扩展仿真中于区块 364 恢复到最低地板，而 Configuration 3 于区块 302 即恢复。更重要的是，逐区块机制建立初始经济屏障的速度极快：basefee 在 Configuration 1 中于攻击开始后第 54 个区块越过 0.6 Gwei 门槛，在 Configuration 3 中则仅需 28 个区块。按 600 ms 出块计算，约为 17–32 s，显著快于 Ethereum 的 4–6 min。这一结果支持在高吞吐亚秒级链上采用更低最小基础费率，因为系统能够在数十秒内自动提高垃圾攻击成本。

论文还通过 Injective MainNet 的受控实验对仿真结论进行部分验证。主网实验使用 injective-core v1.18.2，在 150M 区块上限和 100M 目标 gas 条件下，通过 chain-stresser 进行负载生成，并使用 InfluxDB 与 Plotly 采集和可视化数据。需求尖峰实验验证了 gas 使用在尖峰阶段饱和于 150M 上限，并推动 basefee 快速上升；同时，棘轮效应清晰可见，basefee 不会在连续尖峰之间回到最低地板，而是持续累积。垃圾攻击实验则显示，basefee 在攻击期间上升至约 2.5 Gwei，约为最低值的 16 倍，随后在攻击停止后对称回落，与仿真预测一致。实验中在高负载下观察到区块时间漂移至 2–3 s，但研究指出这并不改变逐区块更新公式本身，因此不会改变每区块调整的严重性，只会在绝对时间尺度上减缓累积速度，因而 600 ms 仿真结果可视为保守上界。

讨论部分强调，本文的核心贡献在于证明：EIP-1559 并非与 Ethereum 的 12 s、概率最终性架构固有绑定，只要进行针对时间尺度的参数重校，就能够在亚秒级 BFT 环境中有效运行。相比 Ethereum，这类架构具有数项结构优势：垃圾攻击防护在数秒而非数分钟内建立，最低基础费率可设得更低，且确定性最终性削弱了基于重组的 MEV 策略。与此同时，论文也指出，块容量扩展的效应具有场景依赖性：其对可变需求与垃圾攻击的影响机制并不相同，区块容量主要决定垃圾攻击时单区块可吸收的绝对需求量，而目标利用率则更强地塑造平滑需求情境下的手续费行为。

研究局限性方面，论文明确说明其采用的是基于仿真的分析，并对现实过程做了若干简化，包括用户行为的统计分布化、未考虑 mempool 动态、未纳入策略型出块者与 MEV 提取、未模拟传播延迟、链重组以及更复杂验证者激励结构。需求模式为合成构造，主要目的是隔离机制效应而非复现真实链上流量。尽管通过 1000 区块扩展仿真和短时主网实验对结论进行了补充验证，但长期、多周期和多样化有机需求下的外部有效性仍需进一步检验。

研究结论部分可概括如下：在 12 组仿真配置中，研究人员提供了证据表明，只要针对时间尺度重新校准参数，EIP-1559 手续费机制便能够在亚秒级 BFT 环境中有效运行。受控主网实验验证了关键预测，确认了 basefee 稳定性与棘轮效应的存在。对 ??_max ∈[0.02,0.20] 的敏感性分析识别出 ??_max=0.05 是亚秒级 EIP-1559 手续费市场的帕累托最优参数：它将棘轮严重性降低至 20 × MIN，同时保持充分的垃圾防御韧性，并为主网部署提供了基于仿真的参数指导。MA-25 机制在该较低变化率下表现出混合效应：在某些场景中发生显著过冲，而在其他场景中仅带来轻微平滑；逐区块更新则提供了更一致、且具即时响应性的性能。区块 gas 上限扩展会产生依赖场景的影响：容量从 150M 翻倍至 300M，在可变需求下可使峰值手续费降低 31%；在垃圾攻击下，由于每区块可吸收更多垃圾交易，300M 配置的峰值高出 32%，但恢复到最小费率地板的速度更快；在按比例扩展的尖峰需求下，则因持续高于目标利用率而承受更高的 basefee 压力。亚秒级区块时间在垃圾抑制方面具有显著优势，可在约 28–54 个区块，即 17–32 s 内建立初始经济屏障，并在 364 个区块内完成攻击后恢复，这支持低最小基础费率设计的可行性。总体而言，这些发现说明，“一刀切”的手续费机制移植方案并不理想；手续费市场机制应当根据其运行环境进行定制化调参，而不是跨架构直接照搬。论文发表于《Mathematics》。