什么是加密货币中的污点分析？ 污点分析是一种将"污染性"——即盗窃所得、制裁敞口或诈骗资金流——归因于特定链上余额单元的实践，追踪这些资金在交易和兑换中的流转。调查人员使用三种标准规则（Poison、Haircut、FIFO）之一来判定：当一个钱包持有净资金与污染资金的混合余额时，每次转出后哪些单元被认定为受污染。规则的选择决定了追踪的结论。
当加密诈骗中的资金被盗后，这些钱很少会静止不动。几分钟内，它就会流经中间钱包，分散至多个地址，最终落入某个交易所。想要追踪资金的调查人员在每一跳都面临一个核心问题：当被盗资金与合法资金混入同一钱包时，流出的资金中有多少仍属于"污染"资金？
污点分析正是这一问题的答案。它是区块链资金追踪的基础技术之一，理解它有助于了解现代调查工具的能力边界与局限所在。
本指南将介绍污点分析的定义、调查人员使用的三种方法，以及一个基于以太坊的实际示例，让你清晰地看到每种方法的具体表现。
什么是污点分析？
污点分析用于估算钱包余额中有多少比例来源于已知的非法来源，并在资金流转过程中持续追踪该比例。
这一理念建立在一个简单的标签体系之上。与盗窃、诈骗或受制裁地址相关联的代币被称为受污染的；没有此类关联的代币则是干净的。由于单个钱包几乎总是同时持有两种类型的资金，该技术需要一套规则来将转出的资金拆分为受污染部分和干净部分。
受污染资金与干净资金
设想一个地址收到了从诈骗受害者处盗取的 3,000 USDT，以及来自正常交易的 7,000 USDT。该钱包现在持有 10,000 USDT，其中 3,000 是受污染的。当该地址随后向某交易所发送 9,000 USDT 时，调查人员必须判断：转出的 9,000 中有多少属于受污染资金？不同的规则给出不同的答案，而这一选择正是以下三种方法的本质区别所在。
为何重要
调查人员使用它来确定优先级。他们无法冻结整条交易链，因此需要一个有据可查的估算，判断哪些下游地址持有被盗资产及其数量。这一估算将被提交给交易所的合规团队，或纳入向执法机构提交的报告中。
污点分析存在的原因
难点在于区块链合并资金的方式。在以太坊这类基于账户的公链上，钱包余额是一个单一的汇总数字，一旦污染资金和干净资金进入同一地址，在财务上便无法区分。原始交易记录中没有任何信息表明"这笔 9,000 USDT 的转账花的是污染资金，而非干净资金"。
污点分析通过一套明确的会计规则填补了这一空白。研究人员归纳出三种标准的污点分析方法，分别称为 Poison、Haircut 和 FIFO。这些规则适用于任何公开记录交易的公链，包括以太坊等基于账户的公链以及其他大多数代币盗窃事件发生的 EVM 网络。
三种方法与一个实际示例
三种方法分别是 Poison、Haircut 和 FIFO。Poison 将受污染交易的所有输出全部标记为污染；Haircut 按比例将污染分配至各输出；FIFO 则按存入的时间顺序分配污染。
以前面的钱包为例：它在以太坊上持有 10,000 USDT，其中 3,000 为受污染资金（来自受害者），7,000 为干净资金。它向某交易所的充值地址发送了 9,000 USDT。以下是每种方法对这笔 9,000 USDT 的标记方式。
Poison：污染其所触及的一切
Poison 方法将涉及任何受污染输入的交易的所有输出均视为完全受污染，无论污染部分有多小。
在本例中，整笔 9,000 USDT 的转账被标记为受污染，交易所充值地址被标记为收到了被盗资金。其问题显而易见：干净资金被重新标记为污染资金，"受污染"代币的总量每次接触新钱包都会膨胀。Poison 是精确度最低的方法，调查人员通常将其作为粗略基准，而非实际估算工具。
Haircut：按比例分配污染
Haircut 方法同样将每个输出视为携带污染，但为每个输出分配的是按比例计算的份额，而非全额。钱包中受污染部分为 10,000 中的 3,000，即 30%，因此转出金额的 30% 被计为受污染。
这意味着 9,000 USDT 中有 2,700 USDT 被标记为受污染，6,300 USDT 为干净资金。Haircut 比 Poison 更为合理，因为它保持了污染资金的总量不变，而非将其放大。其不足在于它会将少量污染扩散至大量地址，导致长链追踪噪声较大。
FIFO：按顺序分配污染
FIFO（先进先出）方法不关注比例，而是关注顺序。资金离开钱包的顺序与其到达的顺序相同：最先存入的最先支出。
在本例中，干净的 7,000 USDT 早于受污染的 3,000 USDT 到账。按照 FIFO 规则，转出金额的前 7,000 USDT 为干净资金，随后的 2,000 USDT 才是受污染的。剩余的 1,000 USDT 污染资金留在钱包中。FIFO 产生的追踪结果最为精确、噪声最小，这也是它在需要具有辩护力的黑名单或证据级报告时最常被采用的原因。
| 方法 | 规则 | 转出的 9,000 USDT | 精确度 |
|---|---|---|---|
| Poison | 任何污染使整个输出完全受污染 | 9,000 受污染 | 最低——放大污染资金池 |
| Haircut | 按比例分配污染份额 | 2,700 受污染 | 中等——长链追踪噪声较大 |
| FIFO | 按存入顺序先进先出 | 2,000 受污染 | 最高——追踪结果最干净 |
三种污点分析方法对同一笔 9,000 USDT 转出交易的标记。FIFO（高亮显示）产生的追踪噪声最小。
污点分析的能力与局限
污点分析功能强大，但它是一种估算，而非确定性结论，诚实的报告有赖于了解其局限。
在资金通过普通转账和兑换流转时，它表现良好。但在以下三种情况下会遭遇困难：混币器刻意切断存款与提款之间的关联，因此污染必须通过统计方法而非直接追踪重新确认；高交易量将污染扩散至大量地址，使 Haircut 式估算失去意义；跨链桥在不同账本之间转移价值，因此追踪必须在目标链上重新拼接。
污点分析在三种常见场景下的表现。普通转账可干净追踪；混币器和跨链桥各自需要在污点分析之上叠加额外技术。
这些情况都不能完全阻止追踪，但每一种都是工具所用方法及其应用精细程度影响最终结果的关键节点。
污点分析与完整资金追踪
污点分析与完整资金追踪相互关联，但并不等同。污点分析是会计规则；完整资金追踪是端到端的调查。
污点分析在每一跳回答一个具体问题：给定一个收到污染资金的钱包，转出金额中有多少是污染的？它是一条规则的反复应用。
完整资金追踪是整个调查过程：识别盗窃交易、在每一跳应用分摊规则（不一定是教科书式的 Poison / Haircut / FIFO 规则）、遍历图谱、将地址归因至真实实体（交易所、混币器、跨链桥），并生成可供行动的报告。污点分析是这项工作中的一个概念视角，与地址标注、聚类分析和跨链匹配并列。
当分析人员明确应用污点方法时，证据级报告首选 FIFO，跨多地址的探索性分析使用 Haircut，Poison 则很少使用。
现代工具中的应用
手动在数千笔交易和多条链上逐跳应用任何会计规则并不现实，因此调查人员依赖资金追踪工具。
BlockSec 旗下的 MetaSleuth 是面向分析人员的资金追踪工具：它重建资金流转路径，使调查人员可以逐跳遍历图谱、聚类地址并将其归因至真实实体——如其LI.FI 攻击案例研究所示。Trace AI 则通过 AI 智能体自动完成相同的调查工作：用户描述一起盗窃事件并提供钱包地址或交易哈希，智能体即可在其支持的链上追踪资金，并生成包含资金最终流向实体的资金流报告。
这些是资金追踪工具，而非污点分析的直接实现。上述污点规则与它们面对的是同一个底层问题——流出的资金中有多少仍属于污染？——但生产级追踪工具通常使用其自有的图谱、聚类和归因方法，而非教科书式的 Poison / Haircut / FIFO 规则。理解污点分析仍然有价值，因为它阐明了每个追踪工具在每一跳都必须做出的判断类型。
常见问题
污点分析准确吗？ 污点分析给出的是有据可查的估算，而非确定性结论。其准确性取决于所用方法和追踪的复杂程度。FIFO 对普通转账给出最干净的结果，而混币器和极高的交易量会降低置信度，并需要额外的技术手段加以补充。
Poison 方法和 Haircut 方法有何区别？ 两者都将受污染交易的每个输出视为携带污染，但 Poison 将每个输出标记为完全受污染，而 Haircut 为每个输出分配按比例计算的份额。Poison 会放大污染资金总量；Haircut 则保持其不变，因此 Haircut 更具实用性。
污点分析能追踪经过混币器的资金吗？ 不能直接追踪。混币器的设计目的正是切断存款与提款之间的关联，因此简单的污点规则无法直接穿透追踪。调查人员使用统计和行为分析重新建立关联，这比追踪普通转账更困难，确定性也更低。
持有受污染的加密货币违法吗？ 持有工具标记为受污染的资金并不自动构成违法，污点标签是估算结果，而非法律判断。尽管如此，交易所可能会冻结与盗窃相关的充值，故意处置被盗资金也存在法律风险。污点分析指出调查方向；它并不判定罪责。
污点分析适用于哪些区块链？ 相关原理适用于任何公开记录交易的公链，包括以太坊等基于账户的公链以及其他大多数代币盗窃事件发生的 EVM 网络。不同交易模型在具体机制上有所差异，但污染与干净的逻辑是相同的。
相关阅读
了解 AI 驱动的调查如何跨链应用这一方法。 查看 Trace AI 的工作原理 →
关于作者。 Andy 是 BlockSec 的安全研究员，专注于链上资金追踪及 MetaSleuth 背后的运作机制。本文基于其团队在真实 EVM 链盗窃案例中所应用的调查模式。
参考文献
- Tironsakkul, Maarek, Eross, Just — Probing the Mystery of Cryptocurrency Theft: An Investigation into Methods for Taint Analysis，arXiv:1906.05754（2019）。https://arxiv.org/abs/1906.05754
