协议如何识别 Sybil 钱包：检测方法与误判

“协议如何识别 sybil 钱包”这个问题，人们通常在接收者名单公布、自己的地址不在其中之后才会问。空投前的 sybil detection 不是单一的过滤器，而是一组方法：交易图谱分析、行为启发式、统计模型、工作室猎人计划和人工审核。本文从协议一方描述这些方法如何运作、各自能看到什么，以及为什么没有一种方法是零错误的。

本文是对 Sybil 检测一般原理的说明，不是对任何具体项目规则的描述。每个团队都有自己的方法和组合方式，并且都不会完整公布。本材料不构成财务或法律建议，也不保证钱包能通过或不能通过过滤。

协议为什么需要 Sybil 过滤

空投分发的是有限的代币池。如果一个参与者通过一百个钱包领取一百份分配，他就从一百个真实用户手里拿走了份额。对协议来说，这不仅不公平，也不划算：代币流向了第一天就会卖掉的人，而不是会使用产品、参与治理的人。

第二个原因是声誉。大部分分配都落入工作室的发放，会同时贬低代币和社区的信任。第三个原因是数据：过滤结果会用于后续赛季和计划，因此团队有动力让模型越来越准确。

由此形成了总体思路：协议不试图证明某个钱包背后是某个具体的人。它估计一组钱包由同一中心控制的概率，并对整组做出决定。这在用户一侧是什么样子、哪些习惯能降低风险，见如何避开 Sybil 过滤。

关联图谱分析

主要工具是一张图：节点是地址，边是地址之间的转账。区块链保存完整历史，因此图谱基于快照之前的全部交易构建，而且往往也包括快照之后的交易。

图谱中首先要找的是：

• 共同的入金来源。 在短时间内从同一个地址收到首笔入金的一组地址，是集群的候选。特殊情况是在一笔交易里给几十个接收方入金的批量发送合约。
• 转账链条。 地址 A 给 B 入金，B 给 C 入金。把余额沿链条逐级传递，会把所有环节绑成一个实体。
• 共同的交易对手。 多个地址定期向同一个外部地址转账或从它收款——例如同一个交易所充值地址。
• 归集。 发放之后，许多地址上的代币汇入同一个点。这是最容易读出的特征，有些项目在分发之后仍会分析它。

从技术上讲，这是图中的社区发现问题：算法寻找内部连接紧密、与网络其余部分连接稀疏的节点群。结果不是“这个钱包是 Sybil”，而是“这 N 个钱包大概率属于同一个所有者”。密度和集群规模的阈值因协议而异，并且不公开。

行为启发式与模型

图谱抓不住从不同来源入金的工作室。对付它们要用行为特征——一个地址做了什么、什么时候做，与它通过转账和谁相连无关。

典型的启发式规则：

• 时序。 一组地址以相同顺序、相隔几秒或几分钟执行同类操作，在同样的星期几或同样的小时。
• 相同的路径。 相同的合约和函数序列、相近的金额、相同的交易笔数。真实用户很快就会分化；脚本永远不会。
• 时间上的活动画像。 地址在活动前不久创建，活跃到快照为止，之后归于沉寂。计划前后都没有“生活”。
• 最低门槛。 为迎合关于标准的传言而调整的活动：恰好这么多笔交易、恰好这么多交易量，一笔也不多。
• 单一性。 只有一个协议，没有向他人转账，没有 NFT、域名，也没有投票。

单个启发式规则会被组合成模型。可能是简单的加权系统，每个特征给可疑度评分加分；也可能是训练过的分类器，输入已标注的已知工作室和真实用户样本。在后一种情况下，模型能发现人工无法描述的特征组合，但解释某个具体地址为什么得了高分也变得更难。

在自动化之上，多数团队还有人工审核：分析师查看边界案例、大型集群和潜在分配额度较高的地址。人工环节成本高，因此只覆盖一小部分地址；自动化的错误能被纠正多少，正取决于人工环节的规模。

猎人计划与社区举报

一些协议用外部力量补充自己的分析。最常见的是两种形式。

猎人计划。 协议开放报告提交：任何人都可以描述自己发现的集群——地址列表、关联证据（共同资金来源、相同路径、归集）——并获得奖励，通常是从已确认工作室处扣除的分配的一部分。这会吸引独立分析师去寻找协议模型遗漏的东西。反面是有人为了奖励提交低质量报告，因此报告要经过团队审核。

自我申报窗口。 协议宣布一个时段，多钱包持有者可以在此期间自行申报，并通常保留一份分配而不是归零。对项目的逻辑：一部分工作室无需分析成本就被清除，而未申报且之后被发现的人则失去一切。

社区举报。 即使没有正式计划，团队也会从群聊和社交媒体收到信号：有人注意到可疑集群，或者相反，认为自己被排除是个错误。这些信号参差不齐且常常带情绪，因此被当作复查的触发条件，而不是决策依据。

需要理解的是，这三种机制都在快照之后运作——对应 CoinDropster 术语中的 Verification 状态。快照本身如何运作、包含什么内容，见空投快照的工作原理。

为什么会有误判

上述方法没有一种是在观察人。它们观察的都是相关性，而相关性在没有共同所有者的情况下也会出现。几个典型的错误来源：

• 共用服务。 交易所使用有限的提币地址池。成千上万互不相识的人从同一个热钱包收到首笔入金，从资金来源这个特征看，他们与工作室无法区分。
• 公开教程。 当几十万人执行同一份七步清单时，他们的路径是相同的。按“相同路径 = 工作室”训练的模型，也会把诚实的参与者归为工作室。
• 家庭与团队。 住在一起或在同一家公司工作的几个人，可能互相给钱包入金。在图谱上这就是一个集群。
• 数据噪声。 索引错误、未纳入的网络、有他人资金流经的聚合器合约——这些都会制造现实中不存在的边。
• 错误之间的权衡。 任何过滤器都要在“放过工作室”和“排除诚实用户”之间调校。想清除几乎所有工作室的协议，必然会误伤一部分真实用户——反之亦然。

还有相反方向的盲区：过滤器看不到链下关联。从不同来源入金、在不同时间沿不同路径操作、却由同一个人控制的钱包，在模型看来是独立的。正因如此，协议才会加入猎人计划和人工审核——自动化无法独自完成任务。

对用户而言有两点结论。第一：被排除是概率估计的结果，不是既定事实，它可能是错的。第二：多数协议有复审程序，如果你有东西可以出示，值得使用。它通常如何运作、需要准备什么，见钱包被标记为 Sybil 该怎么办。进行过滤和申诉的 Verification 阶段，CoinDropster 会作为每个项目的独立状态进行跟踪。查看跟踪中的空投 →