FairDAG协议设计与核心创新 [page::3][page::4]

• FairDAG协议包含DAG层和公平排序层，DAG层负责高吞吐量的可靠广播与提交，公平排序层基于DAG中提交的本地排序构成全局公平排序。

- 利用DAG多提议者无领导者设计，解决传统领导者协议中单点瓶颈与操纵问题。

FairDAG-AB协议关键机制与算法 [page::5][page::6][page::10]

• FairDAG-AB使用绝对排序指标(AOI)管理每笔交易的排序，结合最低可能AOI（LPAOI）控制交易执行安全性，确保Ordering Linearizability。

- 通过对超过n-f个节点的AOI取第f+1小数值及更新LPAOI，保证排序指标的确定性和公平性。

• 详细算法流程涵盖交易接收、DAG顶点广播、DAG提交后排序指标更新和交易排序执行。

FairDAG-RL协议与相对排序机制 [page::6][page::7][page::8][page::9][page::10]

• FairDAG-RL基于依赖图构造交易节点，根据local orderings的权重确定节点间有向边，形成标量权重图。

- 通过凝聚强连通分量（SCC）和拓扑排序结合Hamilton路径寻找，确保最终交易排序满足𝛾批次公平性(γ-Batch-Order-Fairness)。

• 边权及阈值设计不低于Pompe/Themis，增强抵抗拜占庭节点的能力。

重要算法中订单依赖及分类说明 [page::7][page::8]

• 交易节点分为solid、shaded和blank，以已提交local ordering数目分类，确保节点正确纳入依赖图且顺序合理。

- 设计加权机制和边添加规则以动态构建依赖图，适时添加边实现交易依赖关系推断。

FairDAG相较先前公平协议的优势分析 [page::9][page::10]

• FairDAG采用DAG协议确保有效性，恶意节点难以选择性过滤本地排序，提高抗攻击性。

- 相较Pompe和Themis，FairDAG无领导者设计缓解了领导节点崩溃和网络异步延迟带来的性能大幅下降。

• 广播交易机制有效防止恶意延迟传播行为，保证交易传递和公平顺序。

理论证明与安全活性保证 [page::10][page::11][page::12]

• FairDAG-AB严格证明了分配排序指标的一致性、全局订单安全性和活性，确保所有正确节点最终达成一致排序。

- FairDAG-RL证明依赖图最终为竞赛图(tournament)，通过SCC与拓扑排序实现公平批次顺序，保证了𝛾批次公平性质。

• Lemma与Theorem构建了系统一致性、公平性和最终性逻辑严谨框架。

性能测试与实验结果 [page::13][page::14]

• FairDAG-AB在吞吐量对比实验中达到Tusk的84.9%峰值吞吐率，显著超过Pompe；FairDAG-RL吞吐低于Tusk但优于Themis。

- 延迟方面FairDAG-AB和FairDAG-RL表现优异，后者在f=8故障节点数时延较Themis低20.9%。

• 在领导节点崩溃场景中，FairDAG无领导者设计避免了性能骤降，持续维持高吞吐。

- 在拜占庭攻击下，FairDAG-RL表现出更高的抗操控能力，正确排序率明显优于Themis。

金融研究报告详细分析报告

报告元数据与概览

1.1 报告标题与作者

• 标题：FairDAG: Consensus Fairness over Concurrent Causal Design

- 作者：Dakai Kang, Junchao Chen, Tien Tuan Anh Dinh†, Mohammad Sadoghi

• 机构：加州大学戴维斯分校探究系统实验室，Deakin大学

- 主题：区块链共识协议中的交易排序公平性，重点关注基于有向无环图 (DAG) 的公平共识设计

1.2 报告核心论点与贡献

本报告针对当前区块链，尤其是DeFi环境中交易排序被恶意利用的问题，提出了两种基于DAG协议的公平交易排序协议—FairDAG-AB（绝对排序）和FairDAG-RL（相对排序）。相较现有的领导者驱动（leader-based）公平排序协议（如Pompe、Themis），FairDAG协议通过：

• 利用DAG的多提议者无领导设计提升吞吐量和容错性

- 更好地限制对交易排序的恶意操控

• 减少对正确参与者数量的依赖

- 保证公平性指标（Ordering Linearizability 和𝛾-batch-orderfairness）

作者不仅提供了详细理论分析，还在CloudLab环境中进行了实验验证，证实FairDAG协议在性能与公平保证上的优势。[page::0,1,9,10,11,12,13,14]

---

逐章节深度解读

2. 概念背景与定义

2.1 交易排序公平性的三大定义

• Receive-Order-Fairness：要求如果所有正确副本都先收到交易T1再收到T2，则最终排序T1必先于T2。该定义因Condorcet循环的不确定性在拜占庭环境下无法严格实现（图1）。

- Ordering Linearizability （Pompe及FairDAG-AB采用）：利用每个正确副本为交易赋予单调递增的“排序指标”，确保若所有正确副本的T1指标均小于T2，则T1先于T2排序。该定义比Receive-Order-Fairness更可实现（图2）。

• 𝛾-batch-orderfairness（Themis及FairDAG-RL采用）：弱化排序要求，定义基于分批交易的循环依赖，允许依据达到比例𝛾的正确副本的局部顺序，保证T1不会排在T2之后（图3）。这种定义克服了前者不可实现的限制。[page::1,2,3]

2.2 DAG共识协议简介

DAG协议中，每轮所有副本均可提议区块，区块通过对前一轮至少n-f个区块的引用形成有向无环图（图5）。协议保证全体正确副本最终一致提交相同区块集合，且区块提交顺序严格递增。这种多提议者设计提高吞吐，但相较领导者协议提交延迟更高。该设计基础上执行FairDAG的两层架构：

• DAG层负责可靠广播和提交局部排序的区块

- 公平层接受已提交区块，依据各类公平协议生成最终全局交易排序[page::2,3,4]

---

3. FairDAG协议设计详情

3.1 FairDAG-AB设计要点（绝对排序）

• 客户端向所有副本广播交易，避免单点延迟或操控（减少领导者影响）

- 每个区块包含交易摘要及对应的单调递增的排序指标（Ordering Indicators，OI）

• 排序指标管理模块实现见图6、7：

- 维护交易的“seenois”和“committedois”向量，分别代表已见过和已提交的排序指标
- 通过选取第(f+1)个最小排序指标作为交易最终分配的指标（AOI），保证拜占庭容错性
- 通过计算最低可能的AOI（LPAOI）和确定阈值控制交易可安全执行的顺序[page::4,5,6]

3.2 FairDAG-RL设计要点（相对排序）

• 构建交易依赖图，节点为交易摘要，边根据本地排序次数的权重方向生成

- 节点分为solid、shaded、blank三类，通过本地排序数量分类

• 当依赖图成为完全图（tournament），通过缩点（强连通分量SCC）及拓扑排序确定部分有顺序的批次（cyclic dependent batches，批次间有先后）

- 允许按𝛾-batch-orderfairness保证批次间交易排序公平

• 支持链路重加，解决跨批次依赖，进而动态迭代完善最终交易排序（图8，9，10）[page::6,7,8,9]

---

4. 与现有公平协议的比较

• Pompe与Themis依赖单领导者，他们存在恶意领导过滤局部排序、利用分配指标操控顺序、网络延迟导致性能瓶颈等问题

- FairDAG利用无领导DAG设计阻断单个控制点：
- 网络中有效传播的局部排序必被提交（DAG的Validity）
- 领导者随机选择且多领导者并行共识提高性能
- 在拜占庭攻击中限制对局部排序的过滤与延迟容忍更好[page::9,10]

---

5. 正确性证明要点

5.1 安全性（Safety）

• 通过DAG协议提供的共识一致性，所有正确副本关于提交区块拥有相同视图，保证交易排序指标AOI一致（定理8.5）

- FairDAG-AB确保排序指标决定的先后关系严格适用，进而保证指示先后交易顺序一致（定理8.5）

• FairDAG-RL各副本采用一致的图构建与排序算法，保证最终的批次排序安全（定理8.6）[page::10,11]

5.2 活性（Liveness）

• 假设交易被正确副本接受后，必被所有正确副本最终收到（Assumption）

- DAG保证所有正确副本最终提交包含该交易的区块，进而保证FairDAG协议为该交易分配排序指标并执行（定理8.9，8.11）[page::11]

5.3 公平性证明

• FairDAG-AB满足Ordering Linearizability，即若所有正确副本中T1的排序指标均早于T2，则T1先于T2执行（定理8.13）

- FairDAG-RL满足𝛾-batch-orderfairness，若超𝛾比例正确副本收到T1早于T2，则T1批次不晚于T2（定理8.18）[page::11,12]

---

6. 性能评估（基于实验）

6.1 可扩展性实验

• 吞吐量：

- Tusk和RCC最高（无公平排序开销的多提议者协议）
- FairDAG-AB达到Tusk的约83-85%，FairDAG-RL达到约12%（有明显公平开销）
- FairDAG协议吞吐均显著优于Pompe和Themis（领导者协议）

• 延迟：

- FairDAG-AB略高于Pompe（源于底层DAG比PBFT延迟更大）
- FairDAG-RL比Themis低20%以上，且高f条件下优势更明显

• 结论：DAG多提议结构确实提升了公平协议的性能，尤其对FairDAG-AB效果显著[page::12,13]

6.2 拜占庭容忍性能

• 在领导者故障场景（恶意停止参与）下，Pompe和Themis需美丽化协调（恢复视图），表现明显波动甚至停滞；FairDAG协议不受重大影响，表现稳定

- 通过攻击模拟（恶意交易逆序、本地排序排除关键交易等），FairDAG-RL表现出优于Themis的排序正确率与抗操控性

• 实验充分验证了DAG协议的可靠广播及多领导者并行模式对攻击的抵抗性[page::13,14]

---

7. 关键图表解读

Figure 1 (Condorcet Cycle)

展示了交易排序中因多个节点局部顺序产生循环依赖关系，导致无法满足严格的Receive-Order-Fairness。这是推动采用较弱公平性定义的重要理论依据。[page::1]

Figure 5 (FairDAG架构及DAG流程)

清晰表达了数据流与层次结构：从客户端收到交易→广播局部排序组成区块→形成节点引用构建DAG→提交领导者节点决定区块集合→公平层基于DAG生成最终交易排序。[page::3]

Figure 6 (AOI与LPAOI计算示例)

通过示范多轮提交的commit顶点，展示了FairDAG-AB中如何计算，“第f+1小提交排序指标”的AOI固定机制，以及LPAOI确保全局排序安全性。此机制关键防止了拜占庭指标的滥用。
[page::5]

Figure 8 (FairDAG-RL依赖图构建过程)

以多轮提交区块的局部排序，构建依赖图，演示节点加入、权重更新、边添加以及最后通过拓扑排序确定批次顺序的完整流程，体现了𝛾-batch-orderfairness的具体实现。
[page::7,8]

Figure 12和13 (吞吐量与延迟对比)

• 图12底部横坐标为系统吞吐量，纵轴为延迟，曲线清晰显示吞吐饱和后延迟的攀升，定位协议性能极限点。

- 图13左图为不同f下吞吐能力，右图为响应延迟，显现FairDAG协议在吞吐和延迟上的全面提升和扩展性优势。
[page::13]

Figure 14 (拜占庭领导影响)

展示领导者变为恶意后，Pompe与Themis性能剧降且恢复缓慢，而FairDAG无显著波动，体现无领导设计下DAG协议显著优势。
[page::14]

Figure 15 (恶意攻击下排序正确率)

通过多恶意节点场景下，FairDAG-RL较Themis在交易排序正确率上的显著优异表现，展示了DAG层的有效抵抗选择性本地排序排除攻击。
[page::14]


---

估值方法分析（共识协议性能价值衡量）

此为计算机科学领域的协议设计论文，未涉及传统金融资产估值模型如DCF、市盈率倍数法等。报告主要通过理论证明（安全性、公平性）和实验评测（吞吐、延迟、拜占庭耐受性等多维度指标）来展示协议优越性，因此估值更多基于：

• 理论保证（安全性、公平性定义满足）

- 性能指标（吞吐量TPS、客户端延迟、对恶意行为与崩溃的容忍度）

• 与现有主流公平协议和共识协议的横向对比分析

---

风险因素评估

• 恶意参与者操控风险

仍存在拜占庭节点试图选择性过滤或逆序提交局部排序，但FairDAG协议因DAG的Validity及多领导者随机分配极大降低其有效性。

• 网络不同步与延迟风险

FairDAG支持异步网络假设，降低了恶意网络延迟攻击对最终排序的负面影响。

• 依赖节点接收与广播有效性

假设所有正确节点最终接收所有交易，若严重网络分区，公平性保证将受影响。

• 算法复杂性和实现开销

FairDAG-RL中依赖图构造与排序算法复杂度相对更高，可能对超大规模节点带来性能挑战。

报告均明确讨论了这些潜在风险及相应缓解机制（随机领导者选择，验证广播等），未发现忽略重大风险的情形。[page::3,9,10,13,14]

---

审慎视角与细微差别

• FairDAG-AB和FairDAG-RL依赖节点良好广播及提交的及时性，实际网络条件恶劣时公平性存在延迟风险。

- FairDAG-RL虽减少了正确节点数量依赖，但实际环境下因复杂度和通信开销增加，也可能带来隐性性能倒退，需要实地多样化应用跟踪。

• 报告假设外部网络无恶意控制，真实场景若资金方或矿工具备网络层操控能力，公平保证恐受限。

- DAG多领导者设计虽缓解了领导瓶颈，但节点故障、消息丢失可能带来的副作用偏差未大量展开说明。

• 报告与Pompe、Themis直接对比存在不同复制数量设定，结果公平性和性能对比需在注意前提差异后解读。

整体上，报告披露全面，措辞客观，基于现有模型与实验谨慎推广结论。

---

结论性综合

本报告基于理论分析、协议设计与实测结果，全面阐述了基于DAG共识协议构建的公平交易排序协议FairDAG-AB与FairDAG-RL的技术路线和性能优势。

• 在解决区块链尤其DeFi中主观交易排序易被领导者操控的难题上，FairDAG协议通过去中心化多领导者DAG设计突破了传统单领导者公平协议的瓶颈

- FairDAG-AB对应Ordering Linearizability，基于绝对顺序指标确保严格公平

• FairDAG-RL对应𝛾-batch-orderfairness，通过构建依赖图和批次排序应对复杂订单循环依赖

- 理论部分严谨证明两协议的安全性、活性和公平性

• 实验部分大规模测试展现FairDAG-AB在吞吐和延迟上较Pompe有30%甚至52%的显著提升，FairDAG-RL相较Themis吞吐和延迟均有明显优势

- 在拜占庭攻击和领导者失效场景中，无领导DAG协议表现更稳定，攻击抗性更强，公平性保持更好

• 图表生动具象，完整诠释协议设计、执行流程及性能对比，支撑核心论点

综上，FairDAG协议通过合理设计和严谨验证，实现了区块链中交易排序的公平性与高性能共识，为未来DeFi和区块链应用的公平性保障提供了强有力的技术路线和实用方案。[page::0~14]

---

参考文献

报告内含丰富参考文献，涵盖了区块链共识、拜占庭容错、DAG协议、公平排序和DeFi安全面等多个重要研究领域，确保研究深度和广度。

---

总体评价

该报告系统性强、结构清晰、论证充分，兼顾理论与实践。图表解读丰富具体且易于理解，术语说明精准。基于目前对区块链公平性挑战的应对方案，FairDAG提出了创新又务实的解决方案，兼顾安全与效能，是区块链共识与公平排序领域的前沿贡献。

报告