训练mempool

好，聚焦 L1（Shard 局部 Finality）。你要训练的是：“什么时候把某笔交易/某段因果前沿提升到 L1，以及如何让 L1 更快、更稳、更便宜”。下面给你一个可落地的数据量与训练设计。

1) L1 训练目标到底是什么

L1 的核心是两件事：

1. 确认概率/确认时间预测
   
   • p(L1 within X seconds | context)
     
   • E[T_L1]（多久进 L1）
     
2. L1 调度策略（Orchestrator）
   
   • 哪些 tx 先处理/先打包
     
   • 是否触发 shard commit
     
   • 是否走私有 relay / 直连 builder
     
   • 冲突集里押哪条（RBF/双花/替换）
     

注意：这些都是策略层；L1 是否成立仍由 shard 内确定规则裁决。

2) 你需要多少数据：给你明确门槛

最小可用（MVP：明显好于 fee-only 规则）

• 20 万 – 100 万笔交易（或等价事件样本）
  
• 你能做到：
  
  • 基础 p(confirm) 与 E[T] 预测
    
  • 排序优化让 L1 失败率明显下降
    

稳定可用（Production：能给支付 SLA）

• 200 万 – 1000 万笔交易
  
• 你能做到：
  
  • 分拥堵状态的稳定预测
    
  • P95/P99 体验显著改善
    
  • 冲突押注胜率更高
    

经验上：若你有完整 mempool+网络特征，达到“不错”的 L1 模型，通常 200–500 万笔就能很能打。

3) 但更关键：你要的不是“交易数”，而是“正负样本与长尾覆盖”

L1 里你真正难学的是尾部问题：

• 长时间不确认
  
• 被替换/被踢出
  
• 冲突集失败
  

这些通常占比不大。为了学得好，你需要：

• 至少 10 万级别的失败/延迟样本（可通过重采样、故障注入、压测获得）
  

4) L1 数据怎么收集：最小字段集（必须有）

如果你只收链上确认信息，模型会很弱。L1 必须带 mempool 视角。

Tx 级特征（必须）

• fee_rate
  
• tx_size
  
• dependency_depth（依赖/祖先数）
  
• RBF_flag
  
• CPFP_possible（是否可被 CPFP 提升）
  
• conflict_set_size（同输入竞争数）
  

Mempool 状态（强烈建议）

• time_seen（首次看见时间）
  
• mempool_backlog（当时队列压力）
  
• mempool_min_fee（当时最低费率门槛）
  
• eviction_events（是否被驱逐/原因）
  

网络/传播（建议）

• relay_path（公网/私有/直连）
  
• time_to_miner_seen（可用 proxy：到达关键 relay 的时间）
  
• peer_quality（RTT/丢包粗指标）
  

标签（必须）

• confirmed_at_L1?
  
• T_L1（到 L1 的时间）
  
• dropped/replaced?（失败类型）
  

5) 模型形态：先用哪个最划算

阶段 1（最划算）：监督学习 + 校准

• 任务 A：分类 p(L1 within X)（X=1s/2s/5s）
  
• 任务 B：回归 E[T_L1]
  
• 再做 calibration（让概率可用）
  

上线收益：排序更稳、触发时机更准。

阶段 2（更强）：序列模型（Transformer 思想）

输入不是单笔 tx，而是：

• 最近 N 秒的 mempool 状态序列
  
• 当前 shard backlog 序列
  
  输出：
  
• 下一步动作：是否 commit、选哪些候选、走哪条 relay
  

6) 你如何定义“不错”（验收指标，给你可量化）

对 L1 来说，最重要的验收不是 AUC，而是体验指标：

• L1 成功率提升
  
  • 例如：未确认/被踢出比例下降 30%+
    
• 确认时间尾部改善
  
  • P95(T_L1) 下降 20–40%
    
  • P99(T_L1) 下降 10–30%
    
• 冲突押注胜率
  
  • 对有冲突集的样本：胜率提升 10–20 个百分点
    
• 成本不升反降
  
  • 在相同 SLA 下平均 fee 降 5–15%
    

7) 一个现实的“数据计划”（你可以照着执行）

如果你现在从零开始，我建议：

1. 先攒 30 天数据（自然覆盖多种拥堵状态）
   
2. 目标达到：
   
   • 交易：200–500 万
     
   • 失败/替换样本：≥10 万
     
3. 同时做一轮压测/故障注入，补齐长尾
   

这样训练出来的 L1 模型，通常就能达到“不错”的工程效果。

如果你愿意，我可以下一步把 L1 的“训练与上线”写成一份简洁 spec：

• 日志 schema（每条 tx 记录字段）
  
• 训练任务与指标
  
• 线上 A/B 验证方案（对比 fee-only baseline）
  
• 降级开关（模型失效时回退规则）