فرهاد موسوی نیا

گسترش سریع امور مالی غیرمتمرکز موجب ظهور سازوکارهای نوینی برای مبادله دارایی های دیجیتال شده است که بازارسازهای خودکار از مهم ترین اجزای آن به شمار می روند. با وجود موفقیت گسترده این سازوکارها، آسیب پذیری آن ها در برابر استخراج ارزش قابل برنامه ریزی( MEV) به یکی از چالش های اساسی اکوسیستم دیفای تبدیل شده است. حملاتی نظیر فرانت رانینگ، ساندویچ اتک و آربیتراژ مخرب می توانند موجب کاهش رفاه کاربران، افزایش لغزش قیمت و کاهش کارایی بازار شوند. پژوهش حاضر به طراحی یک مکانیزم بازارساز خودکار مقاوم در برابر MEV از طریق بهینه سازی پویا و تطبیقی منحنی های قیمت گذاری پیوسته می پردازد. در این چارچوب، محیط بازار به صورت یک سیستم چندعامله مدل سازی شده است که شامل معامله گران عادی، آربیتراژگران، استخراج کنندگان MEV و بازارساز خودکار می باشد. برای یادگیری رفتار بهینه بازارساز از الگوریتم های یادگیری تقویتی چندعامله استفاده شده است تا پارامترهای منحنی قیمت گذاری در زمان واقعی و متناسب با شرایط بازار تنظیم شوند. تابع پاداش طراحی شده به گونه ای است که ضمن حفظ نقدینگی و کارایی بازار، فرصت های استخراج MEV را به حداقل برساند. نتایج شبیه سازی های انجام شده نشان می دهد که مدل پیشنهادی در مقایسه با بازارسازهای سنتی مبتنی بر حاصل ضرب ثابت، قادر است میزان سود استخراج شده توسط مهاجمان MEV را به طور معناداری کاهش داده و همزمان کیفیت اجرای معاملات و رفاه کاربران را بهبود بخشد. یافته های این پژوهش می تواند زمینه توسعه نسل جدیدی از بازارسازهای هوشمند و مقاوم در برابر حملات اقتصادی را در پلتفرم های دیفای فراهم آورد.