一句话概括：资金从哪来，到哪去，是否异常，
要点：
1、分析资金来源
2、检测资金异常情况
3、行为模式/聚类的相似性向量
4、行为模式扩展
5、 Sybil 分类器 达标即女巫
👇主要依靠资金来源分析启发式方法
2/ 分析原则
- 真实用户不应受到伤害；我们的目标是最大限度地提高精确度而不是召回率
- 我们的目标是专注于工业化农民，主要依靠资金来源分析启发式方法
3/总用户数：482万
用户链排列总数：3155 万
LZ 唯一用户资助者总数：218 万
机密 Sybil 用户：14.5%
注意：此中期分析仅包括 EVM 链。
@Aptos
将在未来几周内单独进行分析
4/ 检测资金来源
- 确定用户资金来源，重点关注 CEX/DEX 和桥梁（超过 50% 的资助者）。
- 将每个账户的第一个原生代币转移标记为资金交易。
- 在 24 小时内追踪 LZ 用户资金交易并聚类已知实体
5/ 初始实体识别
目标：识别当天由 CEX/DEX 或桥梁资助的用户。
标准：选择在 24 小时内从相同来源收到资金的用户。
示例：FTX 在 24 小时内资助 200 名 LZ 用户
6/ 检测资金异常
筛选条件：
- 大规模融资：在同一 24 小时内有超过 X 个钱包获得融资。
- 相同资金来源：来自同一来源的交易
- 行为相似性：交易中具有相似模式的用户
7/ 行为模式/聚类的相似性向量
- 资金金额：每个钱包的首次资金金额（以原生代币计）。
- 发往 LayerZero 的交易数量：与发往 LayerZero 协议的交易数量相当。
8/ 行为模式继续..
- 总交易次数：每个钱包在 LayerZero 内部和外部进行的交易总数。
- OAPP（链上应用程序）的数量：与类似数量的去中心化应用程序或协议进行交互。
9/ 行为模式续...
- 链数：跨相同或相似区块链网络的活动。
- 平均 LayerZero 交易量：与 LayerZero 每次互动的典型交易量。
注意：非详尽的功能列表^^
10/ 进一步严格集群识别
选择标准：对于来自 CEX、DEX 或桥梁的每个异常融资事件，识别并选择三个最重要的集群。
示例：24 小时时间范围内，FTX 资助了 100 多个 LZ 用户集群。
11/ 相同资金来源 Sybil 分类器 - 浓度要求
浓度要求
Silhouette 分数：通过仅包含 Silhouette 分数 > 0.7 的样本来确保较高的聚类有效性
12/ Sybil 分类器
Silhouette 分数衡量一个对象与其自身聚类相比与其他聚类的相似程度，值越接近 1，表示聚类定义越好。
13/ 相同资金来源 Sybil 分类器 - 大小要求
簇大小标准：如果满足两个条件，则将簇分类为“Sybil”
14/ 集群要求
相对规模：该集群的规模明显大于同一资助期内产生的其他集群的规模。
阈值大小：集群超过了 N 个用户的最小大小阈值。
15/ Sybil 集群示例 1：以太坊上的资金来源
@FTX_Official
集群 0 中的用户在 15 小时内获得资助，拥有相同的资助金额，并发送了相同价值的 LZ 交易。
16/ 示例 1：资金来源 FTX ^
所有用户的入金均少于 10 美元；在 LayerZero 上发送的平均价值少于 1K 美元。
17/ Sybil 集群示例 2：资金来源
@kucoincom
对
@avax
用户在 15 小时内获得资金，拥有相同的资金金额，发送相同价值的 LZ 交易，并与正好 9 个 OAPPS 进行交互。
18/ Sybil 集群示例 2 续^^
所有用户的入金均少于 10 美元；在 LayerZero 上发送的平均价值少于 1K 美元。
19/ 初步结果
初始标记：约有 200 万用户最初被标记为 Sybil，占 LayerZero 独特用户的约 41%。
顶级集群分析：对每个资助期的前 3 个集群进行筛选，产生 120 万 Sybil 用户。
20/ 最终结果
最终过滤：为了遵守精确度高于召回率的原则，我们根据资金金额和交易量应用了额外的过滤器。
结果：将列表细化为 704,041 名用户，约占 LayerZero 独立用户的 14%。
22/ Sybil 检测、用户分析和聚类对于推动合理的风险管理、优化和激励行为至关重要。
我们将在未来几周发布一份联合报告，详细解释我们的方法和发现。
原文链接：
