Anduin提出基于支付流图的抗女巫攻击Agent市场声誉系统

该论文针对自主AI Agent进入无许可链上市场后面临的供应商选择难题，评估了利用现有链上支付历史构建抗女巫攻击（Sybil-resistant）声誉系统的可行性。研究团队分析了跨越16条区块链、历时157天、包含6600万次交易且总价值达610万美元的数据集，将支付流建模为买家与服务商之间的二分图，并提出了三种基于图路径的抗女巫评分算法。

实验结果显示，在模拟813个买家的对抗场景下，操纵这些新算法所需的成本约为买家总支出的20%，而操纵标准协同过滤规则的成本则低得多。具体而言，新提出的最大流评分及两种松弛算法使攻击难度比传统相似度规则高出约23倍。这一发现表明，仅凭客观的交易记录即可构建出比依赖人工策展或自愿评价更 resilient 的信任机制，有效解决了现有系统在资源稀缺和身份凭证方面的局限。

事实层面，该研究证实了利用链上支付流进行声誉计算在对抗女巫攻击上的显著优势；推断层面，这意味着未来去中心化Agent市场的核心基础设施可能从依赖社交关系转向依赖经济行为图谱；猜测层面，若此类算法被主流链上市场采纳，可能会重塑Agent服务定价策略，迫使恶意服务商必须通过真实的长期交易积累信誉而非短期刷单。