記憶池與交易費用：深入技術分析與量化模型

理解未確認交易如何被選擇與費用市場機制。

大多數支付失敗與確認延遲，根因都不是「鏈壞掉」，而是費率競價與交易包排序判斷錯誤。理解 mempool 等於理解比特幣當下的區塊空間市場。

每個全節點都有自己的 mempool 視圖。由於接收順序、relay policy、min relay fee 與本地資源限制不同，節點看到的候選交易集合不完全一致，因此「全網 mempool」其實是近似概念。

第一章：記憶池動力學的數學模型

1.1 記憶池狀態空間

比特幣記憶池（Memory Pool, Mempool）是比特幣網路中最動態的數據結構之一。從數學角度，我們可以將其建模為一個隨機過程：

記憶池狀態定義：
═══════════════════════════════════════════════════════════════════════════════

令 M(t) 表示時刻 t 的記憶池狀態：

M(t) = {S(t), B(t), F(t)}

其中：
• S(t): 記憶池中交易的集合 {tx₁, tx₂, ..., txₙ}
• B(t): 記憶池總大小（bytes）
• F(t): 記憶池最低費用率門檻（sat/vB）

狀態約束：
• B(t) ≤ B_max（記憶池容量，通常 300MB）
• 每筆交易 txᵢ 滿足 fee_rate(txᵢ) ≥ F(t)

關鍵特性：
• 非靜態：交易持續進入和離開
• 異構性：不同交易的費用率差異極大
• 競爭性：區塊空間是稀缺資源
═══════════════════════════════════════════════════════════════════════════════

1.2 交易到達模型

記憶池中的交易到達過程可以用泊松過程（Poisson Process）建模：

交易到達過程建模：
═══════════════════════════════════════════════════════════════════════════════

假設 1：交易到達服從泊松過程
─────────────────────────────────────────────────────────────────────────────
• 參數：λ = 平均每秒到達交易數
• 典型值：λ ≈ 3-10 tx/s（正常時期）
• 高峰期：λ ≈ 20-50 tx/s

泊松過程特性：
• P(N(t+Δt) - N(t) = k) = e^(-λΔt) × (λΔt)^k / k!
• 到達間隔時間服從指數分佈

假設 2：費用率分佈
─────────────────────────────────────────────────────────────────────────────
觀察顯示，費用率分佈近似指數分佈或對數正態分佈：

P(fee_rate > x) ≈ e^(-αx)

其中 α 是衰減參數，典型值 α ≈ 0.1-0.3（取決於網路狀態）

實際數據觀察：
• 大多數交易費用率較低（1-10 sat/vB）
• 高費用交易（>50 sat/vB）數量呈指數衰減
═══════════════════════════════════════════════════════════════════════════════

1.3 記憶池動力學方程

記憶池動態演化方程：
═══════════════════════════════════════════════════════════════════════════════

令 n(t) = 記憶池中的交易數量

dn/dt = λ_in(t) - λ_out(t)

其中：
• λ_in(t): 交易進入率（每秒進入記憶池的數量）
• λ_out(t): 交易離開率（每秒被確認或被逐出的數量）

進入率 λ_in(t)：
取決於用戶行為和網路活動，通常與比特幣價格正相關

離開率 λ_out(t) = λ_block + λ_evict

• λ_block: 被區塊確認的速率
  - 每 10 分鐘約 3,000 筆交易（取決於區塊大小和費用率）
  - ≈ 0.5 tx/s

• λ_evict: 被逐出的速率
  - 記憶池滿時，低費用率交易被刪除
  - 逐出閾值動態變化

穩態分析：
═══════════════════════════════════════════════════════════════════════════════
當 dn/dt = 0 時，系統達到穩態：

λ_in = λ_out = λ_block + λ_evict

記憶池大小呈現週期性波動：
• 正常時期：n ≈ 10,000-30,000
• 擁堵時期：n ≈ 100,000-500,000
═══════════════════════════════════════════════════════════════════════════════

第二章：費用市場機制的經濟學分析

2.1 區塊空間拍賣模型

比特幣交易費用市場可以理解為一個拍賣市場，用戶競標有限的區塊空間：

拍賣模型框架：
═══════════════════════════════════════════════════════════════════════════════

市場參數：
• 區塊空間供給：每區塊約 1.5-2 MB（平均值）
• 區塊時間：平均 600 秒
• 有效供給：每秒 ~3,000 vB（考慮區塊空間和時間）

需求函數：
D(p) = 交易總量愿意以價格 p 進入記憶池

供給函數：
S(p) = 以價格 p 可被確認的交易量

均衡條件：
D(p*) = S(p*)

實際觀察到的市場結構：
• 大多數用戶對費用不敏感（使用錢包預設）
• 專業用戶和機構使用費用優化策略
• 費用率呈現顯著的週期性波動
═══════════════════════════════════════════════════════════════════════════════

2.2 費用率分布與優先級隊列

費用率分布結構：
═══════════════════════════════════════════════════════════════════════════════

記憶池中的交易按費用率降序排列：

優先級  費用率範圍         預期確認時間
─────────────────────────────────────────────────────────────────────────────
P0      >100 sat/vB       <10 分鐘
P1      50-100 sat/vB      10-30 分鐘
P2      20-50 sat/vB       30 分鐘-2 小時
P3      10-20 sat/vB       2-6 小時
P4      5-10 sat/vB        6-24 小時
P5      1-5 sat/vB         >24 小時
P6      <1 sat/vB          可能永遠不被確認

費用分布的帕累托特性：
═══════════════════════════════════════════════════════════════════════════════
研究表明，比特幣費用分佈具有重尾（heavy-tail）特性：

• 80% 的交易費用率低於中位數
• 5% 的「高費用」交易競爭剩餘區塊空間
• 費用分布可近似為指數分佈

實際含義：
• 大多數用戶可以選擇較低費用率
• 緊急交易需要顯著提高費用率
• 費用市場存在「贏家通吃」效應
═══════════════════════════════════════════════════════════════════════════════

2.3 費用估算的數學方法

費用估算算法：
═══════════════════════════════════════════════════════════════════════════════

Bitcoin Core 使用歷史數據進行費用估算：

方法 1：歷史百分位數法
─────────────────────────────────────────────────────────────────────────────
1. 收集過去 N 個區塊中的確認交易
2. 按費用率排序
3. 選擇目標百分位數對應的費用率

例如：
• 若要 1 小時內確認，選擇費用率的 90 百分位
• 若要 1 天內確認，選擇費用率的 50 百分位

方法 2：指數平滑法
─────────────────────────────────────────────────────────────────────────────
E[f(t+Δt)] = α × f_observed + (1-α) × E[f(t)]

其中 α 是平滑參數（通常 0.15）

方法 3：記憶池穿透法
─────────────────────────────────────────────────────────────────────────────
1. 分析當前記憶池中各費用率的「排隊長度」
2. 估算需要多少區塊才能輪到該費用率的交易
3. 考慮新交易持續進入的影響

費用估算的準確性限制：
• 歷史數據不能預測未來需求突變
• 重大事件（ETF 批准、減半）導致費用劇烈波動
• 建議結合多種方法並留有緩衝
═══════════════════════════════════════════════════════════════════════════════

第三章：區塊模板建構與礦工收益優化

3.1 區塊模板生成算法

礦工的區塊模板生成是一個組合優化問題：

區塊模板優化問題：
═══════════════════════════════════════════════════════════════════════════════

最大化目標函數：
max Σ tx∈B fee(tx)

約束條件：
• Σ tx∈B size(tx) ≤ BlockSizeLimit (≈ 2,000,000 vB)
• 對於每個 tx 的祖先集合 A(tx)：Σ tx∈A(tx) size(tx) ≤  AncestorLimit (≈ 101,000 vB)
• 對於每個 tx 的子孫集合 D(tx)：Σ tx∈D(tx) size(tx) ≤ DescendantLimit (≈ 101,000 vB)
• 交易之間無衝突（不花費相同輸入）

實際算法：
═══════════════════════════════════════════════════════════════════════════════
Bitcoin Core 使用以下策略：

1. 初始選擇：按費用率降序選擇交易
2. 祖先約束檢查：確保祖先包不超過限制
3. 迭代優化：嘗試替換交易以提高總費用
4. 線性掃描：從高費用到低費用掃描

複雜度分析：
• O(n log n) 其中 n = 記憶池交易數
• 實際執行時間 < 100ms
═══════════════════════════════════════════════════════════════════════════════

3.2 祖先-子孫鏈的數學約束

祖先/子孫限制的數學意義：
═══════════════════════════════════════════════════════════════════════════════

令 T 為一組相關交易（具有父子關係）：

祖先集 Ancestors(T) = {所有在 T 之前需要確認的交易}
子孫集 Descendants(T) = {所有依賴 T 中輸出的交易}

約束數學表達：
• |Ancestors(T)| ≤ 25 筆交易
• Σ size(Ancestors(T)) ≤ 101,000 vB
• |Descendants(T)| ≤ 25 筆交易
• Σ size(Descendants(T)) ≤ 101,000 vB

為什麼需要這些限制：
─────────────────────────────────────────────────────────────────────────────
1. 防止內存爆炸：避免巨大交易鏈佔用過多內存
2. 防止驗證阻礙：過大的交易包增加區塊驗證時間
3. 防止費用操縱：避免通過交易鏈進行費用攀比

CPFP 策略的限制：
═══════════════════════════════════════════════════════════════════════════════
CPFP（Child Pays for Parent）依賴於子孫交易增加父交易的費用率：

fee_rate(ancestor_package) = (fee(parent) + fee(child)) / (size(parent) + size(child))

這個費用率需要足夠高才能在區塊中被選中，但受到上述約束限制。
═══════════════════════════════════════════════════════════════════════════════

第四章：費用替換機制的深度分析

4.1 RBF（Replace-By-Fee）機制

RBF 規則詳解：
═══════════════════════════════════════════════════════════════════════════════

Bitcoin Core 實現的 RBF 規則（ BIP125 ）：

RBF 觸發條件（滿足其一）：
1. 原始交易信令 RBF：nSequence < 0xffffffff - 1
2. 記憶池中已有替換候選

替換費用要求：
fee_new ≥ fee_old + max(fee_rate_delta, min_relay_fee)

其中：
• fee_rate_delta = (fee_rate_new - fee_rate_old) × size_new
• min_relay_fee = 1 sat/vB

競爭對手限制：
• 同一交易最多 100 次替換
• 替換交易不能引入新輸入（除非費用足夠高）

RBF 策略的數學分析：
═══════════════════════════════════════════════════════════════════════════════
最佳替換時機決策：

令：
• f₀ = 原始費用率
• f₁ = 替換費用率
• c = 替換成本（估計約 50-100 sat）

最佳替換條件：
f₁ > f₀ + c/size

實際影響：
• RBF 使費用率估計更加困難
• 導致「費用攀比」效應
• 增加了交易被確認的可預測性
═══════════════════════════════════════════════════════════════════════════════

4.2 CPFP（Child Pays for Parent）機制

CPFP 費用結構分析：
═══════════════════════════════════════════════════════════════════════════════

CPFP 原理：
當父交易的費用率過低無法快速確認時，發送一個低費用率的子交易，並顯著提高子交易的費用率，使整體包（父+子）的費用率足夠高。

數學表達：
R_package = (f_parent × s_parent + f_child × s_child) / (s_parent + s_child)

其中：
• f = 費用率（sat/vB）
• s = 大小（vB）
• R_package = 包的平均費用率

CPFP 成功的費用率閾值：
═══════════════════════════════════════════════════════════════════════════════
經驗公式（基於記憶池狀態）：

R_needed(t) = F_mempool(t) + k × σ(t)

其中：
• F_mempool(t) = 當前 mempoolminfee
• k = 安全係數（通常 1.5-2.0）
• σ(t) = 費用率波動標準差

示例計算：
假設：
• mempoolminfee = 10 sat/vB
• σ = 5 sat/vB
• k = 2

R_needed = 10 + 2 × 5 = 20 sat/vB

如果父交易為 5 sat/vB，子交易需要：
(5 × 200 + f_child × 200) / 400 = 20
f_child = 35 sat/vB
═══════════════════════════════════════════════════════════════════════════════

4.3 RBF vs CPFP：何時使用哪種策略

策略選擇決策框架：
═══════════════════════════════════════════════════════════════════════════════

使用 RBF 的場景：
─────────────────────────────────────────────────────────────────────────────
• 原始交易尚未確認
• 需要調整費用率
• 交易已廣播但未確認

優點：
• 靈活性高
• 可多次替換
• 不需要預留輸出

缺點：
• 需要設置 nSequence
• 一些節點可能不接受 RBF
• 可能導致費用波動

使用 CPFP 的場景：
─────────────────────────────────────────────────────────────────────────────
• 原始交易已發送，無法修改
• 需要確保交易最終確認
• 有控制輸出可用於子交易

優點：
• 無需原始交易配合
• 可追加費用而不替換

缺點：
• 需要預留未花費輸出
• 受祖先/子孫限制約束
• 總費用通常更高

混合策略：
═══════════════════════════════════════════════════════════════════════════════
最佳實踐是同時使用兩種策略：

1. 發送原始交易時設置 RBF
2. 同時準備子交易使用 CPFP
3. 根據實際確認時間動態調整
═══════════════════════════════════════════════════════════════════════════════

第五章：記憶池動力學與費用預測模型

5.1 記憶池清空動力學

區塊空間供需失衡模型：
═══════════════════════════════════════════════════════════════════════════════

記憶池清空速率：

dM/dt = -λ_block(M) + λ_in(t)

其中：
• M = 記憶池大小（bytes）
• λ_block(M) = 取決於記憶池大小的區塊確認速率
• λ_in(t) = 交易輸入速率

穩態條件：
dM/dt = 0 ⇒ λ_block(M*) = λ_in

線性近似：
當記憶池接近滿載時：
λ_block(M) ≈ λ_max × (1 - M/M_max)

這意味著：
• 記憶池越滿，確認速率越接近最大值
• 當 M → M_max，清空速率趨於穩定

費用率動態方程：
═══════════════════════════════════════════════════════════════════════════════
令 r 為費用率門檻

dr/dt = k₁ × (λ_in - λ_block(r)) - k₂ × (r - r_baseline)

其中：
• k₁ = 需求敏感度
• k₂ = 回歸速率
• r_baseline = 基礎費用率

這個方程描述：
• 當輸入 > 輸出時，費用率上升
• 費用率有回歸到基礎水平的趨勢
═══════════════════════════════════════════════════════════════════════════════

5.2 歷史費用模式的量化分析

費用率週期性分析：
═══════════════════════════════════════════════════════════════════════════════

每週期模式：
• 週末（UTC）：費用率通常較低
• 週一至週五：費用率較高
• 美國交易日：費用率最高

原因：
• 亞洲時區：較低費用（相對）
• 歐洲時區：中等等級
• 美國時區：最高費用

每小時模式（UTC）：
═══════════════════════════════════════════════════════════════════════════════
費用率與比特幣網路活動時間高度相關：

時段（UTC）     費用率特徵
─────────────────────────────────────────────────────────────────────────────
00:00-08:00     較低（亞洲主導）
08:00-16:00     中等（歐洲主導）
16:00-24:00     較高（美國主導）

峰值時段：
• 美國股市開盤前後（14:30-21:00 UTC）
• 亞洲清晨（02:00-04:00 UTC）

低谷時段：
• 週末全天
• 節假日

特殊事件影響：
• 比特幣減半：費用率飆升
• 市場劇烈波動：費用率大幅上升
• 協議升級：可能短期影響費用
═══════════════════════════════════════════════════════════════════════════════

5.3 機器學習費用預測

費用預測模型框架：
═══════════════════════════════════════════════════════════════════════════════

特徵工程：
─────────────────────────────────────────────────────────────────────────────
輸入特徵：
• 歷史費用率序列（過去 N 個區塊）
• 記憶池大小
• 記憶池費用分布
• 比特幣價格
• 時間特徵（小時、星期、月份）
• 區塊空間利用率
• 活動地址數

目標變量：
• 未來 N 個區塊的確認費用率
• 確認概率

模型選擇：
═══════════════════════════════════════════════════════════════════════════════

1. 線性回歸
   優點：快速、可解釋
   缺點：無法捕捉非線性關係

2. 梯度提升樹（XGBoost, LightGBM）
   優點：精度高、處理非線性
   缺點：需要更多數據

3. LSTM/Transformer
   優點：捕捉時序依賴
   缺點：需要大量數據、可能過擬合

實際建議：
• 簡單模型（線性回歸）+ 特徵工程 效果已經不錯
• 複雜模型需要專業團隊維護
• 建議結合多個模型的集成預測
═══════════════════════════════════════════════════════════════════════════════

第六章：工程實作與最佳實踐

6.1 費用策略的分層設計

費用策略架構：
═══════════════════════════════════════════════════════════════════════════════

Layer 1：費率估算引擎
─────────────────────────────────────────────────────────────────────────────
• 調用 estimatesmartfee API
• 獲取 mempoolminfee
• 計算記憶池費用分布百分位數
• 輸出：基礎費用率建議

Layer 2：風險評估
─────────────────────────────────────────────────────────────────────────────
• 評估交易緊急性（金額、目的、時間敏感度）
• 評估當前網路狀態（記憶池大小、趨勢）
• 計算風險調整係數
• 輸出：費用調整倍數

Layer 3：費用計算
─────────────────────────────────────────────────────────────────────────────
final_fee_rate = base_rate × risk_multiplier × safety_margin

典型參數：
• safety_margin：1.2-1.5（確保確認）
• risk_multiplier：
  - 低風險：1.0
  - 中風險：1.2
  - 高風險：1.5+

Layer 4：執行與監控
─────────────────────────────────────────────────────────────────────────────
• 發送交易
• 追蹤確認狀態
• 觸發 RBF/CPFP 條件
• 記錄費用效率用於優化
═══════════════════════════════════════════════════════════════════════════════

6.2 記憶池監控關鍵指標

監控指標儀表板：
═══════════════════════════════════════════════════════════════════════════════

核心指標：
• mempool size（交易數）
• mempool bytes（總大小）
• mempoolminfee（最低費用率）
• mempool usage（內存使用）

進階指標：
• 費用率分布（各百分位數）
• 平均交易大小
• 確認延遲（P50, P95, P99）
• 交易進入速率（tx/s）

告警閾值建議：
═══════════════════════════════════════════════════════════════════════════════
指標                正常範圍        警告閾值        嚴重閾值
─────────────────────────────────────────────────────────────────────────────
mempool size       <50,000       >100,000       >200,000
mempool bytes      <50 MB        >150 MB         >250 MB
mempoolminfee      <10 sat/vB    >30 sat/vB      >50 sat/vB
確認延遲 P95       <60 分鐘      >240 分鐘       >720 分鐘
═══════════════════════════════════════════════════════════════════════════════

第七章：費用市場的長期演變

7.1 區塊獎勵遞減對費用的影響

費用市場演變預測：
═══════════════════════════════════════════════════════════════════════════════

歷史數據顯示：
• 區塊獎勵在礦工收入中的占比逐漸下降
• 費用在總收入中的占比預計上升

長期趨勢模型：

設：
• B(t) = 區塊獎勵（BTC）
• F(t) = 區塊費用（BTC）
• P(t) = 比特幣價格（USD）

礦工收入 = (B(t) + F(t)) × P(t)

為維持當前安全性水平：
F(t) × P(t) ≥ 目標安全預算

隨著 B(t) 遞減：
• 2024-2028: B ≈ 3.125 BTC → F 需要補償
• 2028-2032: B ≈ 1.56 BTC → 費用占比上升
• 2032+: B < 1 BTC → 費用成為主要收入

對用戶的影響：
═══════════════════════════════════════════════════════════════════════════════
短期（2024-2028）：
• 費用率相對穩定
• 高峰期費用率可能上升

中期（2028-2032）：
• 費用率波動可能加劇
• 區塊空間競爭增加

長期（2032+）：
• 費用市場成熟
• 可能出現費用保證服務
═══════════════════════════════════════════════════════════════════════════════

7.2 Layer 2 對費用市場的影響

閃電網路對主鏈費用的影響：
═══════════════════════════════════════════════════════════════════════════════

閃電網路增長的影響：

1. 降低主鏈交易量
   • 小額支付遷移到閃電網路
   • 主鏈主要承載大額和原則性交易

2. 改變費用結構
   • 開啟/關閉通道需要主鏈費用
   • 這些費用相對穩定

3. 增加 UTXO 合併需求
   • 閃電通道關閉後可能需要合併
   • 增加主鏈費用市場需求

費用市場預測模型：
═══════════════════════════════════════════════════════════════════════════════
場景分析：

場景 1：閃電網路普及（樂觀）
• 2030 年 50% 小額交易遷移
• 主鏈費用率下降
• 區塊空間成為「精品市場」

場景 2：適度採用（中性）
• 2030 年 20% 遷移
• 費用率基本穩定
• Layer 2 和主鏈共生

場景 3：低採用（悲觀）
• 主鏈仍是主要支付方式
• 費用率持續上升
• 區塊空間需求保持強勁
═══════════════════════════════════════════════════════════════════════════════

結論

記憶池與費用市場是比特幣經濟學的核心組成部分。理解其動力學需要結合：

1. 隨機過程理論：交易到達和確認的數學建模
2. 微觀經濟學：拍賣理論和供需均衡
3. 計算機科學：優化算法和數據結構
4. 實證分析：歷史數據的模式識別

對於工程師和開發者，掌握這些原理能夠：

• 設計更有效的費用策略
• 構建更可靠的支付系統
• 預測和管理成本波動

對於用戶和投資者，理解費用市場能夠：

• 優化交易成本
• 理解網路擁堵的原因
• 評估比特幣的長期經濟模型

相關主題

• 比特幣記憶池監控
• UTXO 與費用計算
• RBF 與 CPFP
• 比特幣節點運作

更新日期：2026-02-27

版本：2.0