이 연구는 사람이나 봇이 아닌 자율 AI 에이전트가 탐색자로 나선 크로스체인 차익거래를 분석했다. 연구진은 에이전트를 차익거래 추출자이자 최대 추출가능가치(MEV) 공격 대상으로 모델링하고, 확률적 브릿지 지연이 있는 상황에서 위험 회피적 에이전트의 평균-분산 효용 하 최적 거래 규모를 도출했으며, 다중 체인 경로 선택을 로빈스-먼로 스케줄에서 수렴하는 신념 가중 온라인 학습 문제로 정식화했다. 이더리움·아비트럼·베이스에서 발생한 유니스왑 V3 스왑 이벤트 2만3000건을 분석한 결과, 이더리움-아비트럼 가격 격차는 10초 해상도 기준 평균 0.044%, 아비트럼-베이스 격차는 평균 0.013%로 나타나, CCTP를 통한 L2-L2 거래는 1만 달러 규모로도 63%의 시간대에서 청산됐지만 L1-L2 경로는 비슷한 실효성을 위해 5만 달러 이상이 필요했다. 연구진이 제안한 적응형 경로 선택 알고리즘은 표준 기준선보다 평균 11% 우수한 성과를 냈고, 적절한 무작위화는 이익 손실을 크지 않게 유지하면서 MEV 노출을 50% 이상 줄였다.

• •사람·봇이 아닌 자율 AI 에이전트가 탐색자인 크로스체인 차익거래를 차익 추출자이자 MEV 공격 대상으로 모델링
• •확률적 브릿지 지연 하 위험 회피 에이전트의 평균-분산 효용 기준 최적 거래 규모를 도출
• •이더리움·아비트럼·베이스의 유니스왝 V3 스왕 2만3000건 분석, 이더리움-아비트럼 가격 격차 평균 0.044%, 아비트럼-베이스 0.013%
• •1만 달러 규모 L2-L2 거래는 CCTP로 63% 시간대에서 청산되지만 L1-L2는 5만 달러 이상 필요
• •적응형 경로 선택 알고리즘이 기준선 대비 평균 11% 우수, 적절한 무작위화로 MEV 노출을 50% 이상 절감