AI 辅助链上声誉系统：多维行为评分、Sybil 攻击检测与信任网络的自动化构建
一、声誉是信任的量化表达
DeSoc（去中心化社会）的核心命题之一是：在匿名或假名环境中，如何建立可传递的信任？在 Web3 中，地址是匿名但行为是公开的。一个地址的交互历史、持仓存续期、治理参与度和违约记录，构成了一个可观测的行为数据池——声誉就是从这些数据中提炼出的信任信号。
传统声誉系统的问题在于维度单一：Uniswap 的空投猎人可以在不到一周内刷出数千笔交易来提升"活跃度"，但无法伪装半年的 LP 持仓或跨协议的一致行为模式。AI 的价值在于从多个行为维度中提取关联特征，识别那些"看起来活跃但实际是机器人"的 Sybil 攻击者，同时对真正的长期贡献者给予更高权重的信任评分。
声誉系统的输出不是"这个地址一定可信"，而是"基于历史行为，这个地址在特定场景下的风险等级"。不同的场景（借贷、治理投票、空投分配、身份认证）应该使用不同的声誉维度组合。
二、多维行为评分模型
声誉由多个可独立度量的行为维度组成。每个维度产生的信号密度不同，时效性也不同：
声誉分数由两部分组成：基础分（由行为数据计算得到）和调整因子（由 Sybil 检测模型输出的惩罚/奖励系数相乘得到）。
基础分的特征维度：
- 活跃度：交易频率、Gas 消耗、交互协议数量。高频不一定高分——正常用户的 Gas 消耗曲线是"峰值间歇"，机器人的曲线更平滑。
- 经济承诺：总锁仓价值（TVL）的时间加权平均值、持仓存续期的分数。持有 1 ETH 一年的信号强度远高于持有 100 ETH 一天。
- 社区贡献：DAO 提案投票率、快照投票的一致性、是否担任过协议的多签者或委员会成员。
- 信用历史：借贷协议的还款率、清算历史、是否有违约记录。负分项权重特别重要——一次违约应该比十次准时还款的负影响更大。
- 身份承诺：ENS 的持有时长、POAP（出勤证明协议）收集数量、Social 图谱中的关注者和被关注者重合度。
- 社交关联：关注图谱中的节点度、被多少个已知的"可信地址"所关注。
三、Sybil 攻击检测的图学习方法
Sybil 攻击的核心特征不是单地址的行为模式，而是多地址之间的结构相似性。攻击者控制的地址集合在交易网络和关注网络中通常表现出异常的拓扑结构——紧密的内部互连、相同的外部交互模式、同步的创建时间窗口。
import numpy as np
from sklearn.ensemble import IsolationForest
from sklearn.cluster import HDBSCAN
class SybilDetector:
"""基于图拓扑特征的 Sybil 攻击检测器
设计决策：使用 IsolationForest 作为第一层筛选（异常检测），
HDBSCAN 作为第二层聚类（发现攻击者群体）。
两层分开的原因是：孤立检测适合发现"和多数地址不同"的个体，
聚类适合发现"彼此相似的群体"——
单个 Sybil 地址可能在孤立森林中看起来正常（因为它模仿了正常行为），
但一组 Sybil 地址的相似性在聚类中会形成高密度团。
"""
def __init__(self, contamination: float = 0.05):
self.anomaly_detector = IsolationForest(
contamination=contamination,
random_state=42,
n_estimators=200
)
self.clusterer = HDBSCAN(min_cluster_size=5, min_samples=3)
def extract_graph_features(self, address_graph: dict) -> np.ndarray:
"""从地址交互图中提取拓扑特征
设计决策：选择图拓扑特征而非交易金额特征作为主要信号，
因为 Sybil 攻击者可以伪造交易金额但不能伪造图的全局结构。
内聚系数（clustering coefficient）和特征向量中心度（eigenvector centrality）
在区分攻击者和正常用户上表现最好。
"""
features = []
for addr, info in address_graph.items():
feat_vector = [
len(info['neighbors']), # 邻居数
info['edge_density'], # 局部边密度
info['clustering_coefficient'], # 内聚系数
info['avg_interaction_gap_hours'], # 平均交互间隔（小时）
info['interaction_similarity_variance'], # 交互模式方差
info.get('contract_overlap_ratio', 0), # 共同合约重叠率
info.get('creation_timestamp_cluster', 0), # 创建时间聚类度
]
features.append(feat_vector)
return np.array(features)
def detect(self, features: np.ndarray, addresses: list) -> dict:
"""两阶段检测
返回: {address: {is_sybil: bool, cluster_id: int, anomaly_score: float}}
"""
# 第一阶段：孤立森林异常检测
anomaly_scores = -self.anomaly_detector.fit_predict(features)
# 第二阶段：对异常子集做聚类
anomaly_indices = np.where(anomaly_scores == -1)[0]
if len(anomaly_indices) < 3:
return {addr: {'is_sybil': False, 'cluster_id': -1, 'anomaly_score': s}
for addr, s in zip(addresses, anomaly_scores)}
anomaly_features = features[anomaly_indices]
clusters = self.clusterer.fit_predict(anomaly_features)
results = {}
for i, addr in enumerate(addresses):
is_anomaly = anomaly_scores[i] == -1
cluster_id = -1
if is_anomaly:
anomaly_pos = list(anomaly_indices).index(i)
cluster_id = clusters[anomaly_pos]
results[addr] = {
'is_sybil': is_anomaly and cluster_id != -1,
'cluster_id': cluster_id,
'anomaly_score': float(anomaly_scores[i])
}
return results
def adjust_reputation(
self, base_scores: dict, sybil_results: dict, penalty: float = 0.7
) -> dict:
"""用 Sybil 检测结果调整声誉分
设计决策：对 Sybil 用户施加乘法惩罚（×0.3）而非加法惩罚，
这样高评分的攻击者也会受到比例性的惩罚，而不会因为基础分高就逃过。
乘法惩罚对高分用户的打击比低分用户更重，符合"伪装越好惩罚越重"的原则。
"""
adjusted = {}
for addr, base in base_scores.items():
if sybil_results.get(addr, {}).get('is_sybil'):
adjusted[addr] = base * (1.0 – penalty)
else:
adjusted[addr] = base
return adjusted
四、声誉系统的工程边界
隐私悖论：声誉越好，地址的链上画像越清晰。一个高声誉的地址几乎可以被精确匹配到某个链下实体，这违背了假名的初衷。解决方案是使用零知识证明（ZK）将"我满足声誉分数 ≥ X"作为声明，而不暴露具体的分数和计算过程。
女巫检测的对抗性：任何公开的检测算法都会被针对性规避。如果攻击者知道系统检测"交易频率方差"，他们会让机器人模仿人类的间歇性交易模式。声誉系统需要的不是一种静态算法，而是持续进化的检测策略——定期更新特征工程，使用对抗训练提高模型的鲁棒性。
声誉的可移植性：一个地址在 DeFi 协议中的优秀还款记录，应该被 NFT 市场认可吗？跨场景声誉映射不是简单的线性加权，而是需要针对目标场景重新训练适配权重。这就要求声誉模型输出的是"多维度分数向量"而不是"单一总分"，让不同场景自行组合维度。
五、总结
AI 辅助的链上声誉系统做的是两件事：从多维度的链上行为中提取信任信号，以及识别试图伪造这些信号的 Sybil 攻击者。核心洞察是信号是有成本的——持有资产一年、持续参与治理、建立跨协议的交互网络，这些行为的链上成本让声誉有了区分度。Sybil 攻击者可以伪造低成本信号（交易频率），但伪造高成本信号（时间加权锁仓、跨协议一致性）在经济上不划算。
声誉不是身份，也不应该成为身份。一个地址的声誉分数是它过去行为的总结，不应该是它未来行为的预判——这是人类社会对"声誉"的基本共识，在链上同样适用。
