基于多目标优化的Tor陷阱节点部署策略研究

Tor trap relay deployment strategy via multi-objective optimization

摘要

针对Tor网络中陷阱节点部署缺乏系统化优化策略的问题，本文提出了一种基于多目标优化与随机化混淆机制的部署框架，以提高去匿名化效率与节点隐蔽性。在方法上，本研究首先利用Tor控制协议构建局部通连图，并融合度中心性、接近中心性与Katz中心性等多种网络中心性指标，通过最小-最大归一化与时序加权方法量化节点的监控视野；随后，将陷阱节点部署问题形式化为多目标优化模型，以最大化监控覆盖率、最小化运营成本并降低检测风险为目标，采用NSGA-Ⅱ算法生成帕累托最优解集；同时，引入基于泊松分布的随机化混淆机制，动态调整陷阱节点上线速率，使其行为特征更接近真实中继节点。基于真实Tor网络拓扑与流量数据的仿真实验表明，该方法在相同注入规模下显著降低了陷阱节点被SybilHunter标记为可疑节点的比例，同时保持较高的监控视野与流量覆盖率。与普通注入策略相比，所提框架在隐蔽性与资源利用率之间实现了有效平衡，展现出较强的鲁棒性与可扩展性。研究结果表明，结合多目标优化与动态混淆机制能够显著提升陷阱节点的生存能力与去匿名化潜势，为匿名系统安全评估与反溯源研究提供了可量化的部署框架。

Abstract

To address the lack of systematic optimization strategies for trap relay deployment in the Tor network，this paper proposes a deployment framework utilizing multi-objective optimization and randomized obfuscation to enhance both de-anonymization efficiency and node stealthiness.Specifically，the paper，first constructs a local connectivity graph using the Tor control protocol， and integrates multiple centrality metrics，including degree，closeness，and Katz centrality.It then quantifies node monitoring visibility by applying min-max normalization and temporal weighting.Subsequently，the trap relay deployment problem is formulated as a multi-objective optimization model aimed at maximizing surveillance coverage，minimizing operational costs， and reducing detection risks.The NSGA-Ⅱ algorithm is then employed to generate Pareto-optimal solutions.Concurrently，a Poisson-distribution-based randomized obfuscation mechanism is introduced to dynamically adjust trap relay activation rates，thereby making their behavioral characteristics resemble those of legitimate relay nodes.Simulation experiments based on real Tor network topology and traffic data demonstrate that，under identical injection scales，the proposed approach significantly reduces the proportion of trap relays flagged as suspicious by SybilHunter while maintaining high monitoring visibility and traffic coverage.Compared with baseline strategies，this framework achieves an effective balance between stealthiness and resource utilization，demonstrating strong robustness and scalability.The results indicate that combining multi-objective optimization with dynamic obfuscation mechanisms can significantly enhance the survivability and de-anonymization potential of trap relays，providing a quantifiable deployment framework for anonymity system security evaluation and anonymity research.

Graphical abstract

关键词

Tor匿名网络 / 陷阱节点部署 / 多目标优化 / 去匿名化

Key words

Tor anonymous network / trap relay deployment / multi-objective optimization / de-anonymization

随着网络隐私保护与抗审查需求的不断增长，匿名通信系统已成为网络安全与隐私计算的重要研究方向。其中，Tor（The onion router）^［1］作为一种典型的低延迟匿名通信系统，通过分层加密与多跳中继机制（multi-hop relays）实现通信路径匿名化，使通信双方在公共网络中能够隐藏身份与位置，为隐私保护和信息自由流通提供了基础支撑。Tor已为全球数十万用户提供匿名接入服务，其在隐私保护、新闻传播和反审查通信等领域具有重要作用^［2-3］。

然而，Tor的隐蔽性与抗溯源特征也使其成为非法活动与网络攻击的潜在载体，对国家网络空间治理提出了新的挑战^［4-5］。尽管Tor在实践中广泛应用，但其匿名性保障长期缺乏形式化建模与严格证明 ^［6］。研究表明，攻击者可通过控制通信路径中的守卫节点和出口节点实施去匿名化攻击^［7］，进而破坏用户匿名性。如何识别与控制关键中继节点，成为匿名通信网络安全治理中的核心科学问题。

近年来，国内外学者围绕Tor网络安全性展开了大量研究。国外研究主要聚焦于端到端关联分析^［8-9］、流量特征识别与守卫节点选择策略优化^［10-11］，国内研究则更多关注匿名通信检测与治理机制^［12］。已有研究表明，在特定实验条件下，通过部署陷阱节点（Trap Relays）并结合流量分析方法，能够提升对Tor用户与隐藏服务的溯源能力^［13-14］。因此，基于陷阱节点的流量监测逐渐成为匿名通信网络治理的重要方向。

值得注意的是，恶意中继节点的部署并非随机行为，而是一个受资源限制的优化过程。攻击者需在部署数量、带宽、硬件资源与隐蔽性之间进行权衡，以在去匿名化效率、成本与检测风险之间取得平衡^［15］。从博弈论视角来看，这一过程可被视为攻击者与防御机制之间的动态博弈^［16］，其中每一方的策略选择均影响系统的整体安全性。

然而，尽管已有研究对Tor的安全性和攻击方式进行了深入探讨^［16-18］，关于如何在综合约束条件下系统优化恶意中继部署策略的研究仍相对缺乏。现有模型多聚焦于单一目标（如最大化去匿名化成功率），缺乏对攻击者成本与检测风险的联合建模。针对这一空白，本文将恶意中继节点部署问题形式化为一个多目标优化问题，综合考虑攻击效果、运营成本与检测概率等关键因素，以更真实地刻画攻击者的决策行为。

在本研究中，陷阱节点指攻击者通过女巫攻击（Sybil Attack）手段部署的恶意中继节点，其目标是在不破坏网络拓扑的前提下实现流量关联分析与去匿名化。基于此，本文提出一个统一的数学框架，以多目标优化模型描述攻击者的资源分配策略与隐蔽性约束，从而揭示匿名通信系统在攻防博弈中的潜在脆弱性。

本文的主要贡献如下： 1） 提出一种面向Tor网络的陷阱节点部署优化框架，将恶意中继节点部署问题形式化为包含监控覆盖率、运营成本与检测风险的多目标优化模型，并采用NSGA-Ⅱ多目标进化算法生成帕累托前沿，对3种冲突目标间的优化边界与折中关系进行系统分析，揭示陷阱节点部署的策略规律。2） 结合真实Tor网络拓扑与流量数据的仿真结果表明，所提框架在资源利用率与检测规避能力之间实现了平衡。陷阱节点的电路选中率显著优于随机部署方案，平均存活率达99.84%，明显高于对照方法（95.63%）与普通注入方式（1.56%），验证了其在长期运行中的隐蔽性与可持续性。

1 相关工作

1.1 Tor网络工作原理

Tor网络通过多跳加密机制实现流量匿名化（图1）^{［1，3，19］}。用户通信路径通常由入口、中间与出口3类中继节点构成，以分层加密方式确保单个节点无法同时掌握通信源与目的，从而实现匿名保护。然而，Tor客户端在路径选择中会长期绑定固定守卫节点以防御路径劫持，但此机制也带来潜在风险：若攻击者控制这些守卫节点，即可在长期监测下获取用户通信特征并进行去匿名化分析 ^［20］。

1.2 女巫攻击

女巫攻击是指攻击者在去中心化网络中伪造多个虚假身份以控制系统中大量节点的行为^［21-23］。在Tor网络中，攻击者可通过批量部署恶意中继节点来提升“捕获概率”，即同时控制电路的入口与出口节点，从而实施端到端流量关联攻击^{［7， 9-10］}。图2为女巫攻击的典型形式。

本文所研究的陷阱节点可视为女巫攻击的一种特定策略形式，其目标并非破坏网络结构，而是通过控制节点提升监控视野与去匿名化能力。与传统女巫攻击不同，陷阱节点更强调受限资源下的最优部署，因此需结合多目标优化与动态混淆机制进行系统建模。

1.3 多目标优化与NSGA-Ⅱ算法

网络安全中陷阱节点部署问题，通常涉及多个相互冲突的目标，如最大化监控覆盖率、最小化部署成本及检测风险。此类问题难以通过单目标优化求解，需采用多目标优化方法综合权衡各目标。

多目标优化的核心在于寻找帕累托最优解集（Pareto Optimal Set），其中每个解在部分目标上最优，而在其他目标上存在折中^［24］。NSGA-Ⅱ（Non-dominated Sorting Genetic Algorithm Ⅱ）通过非支配排序、拥挤度比较及精英保留机制实现高效的多目标进化优化，兼顾搜索效率与解集多样性^［25］。该算法已在网络节点部署与资源分配等领域表现出良好适用性，为本文的陷阱节点优化建模提供了技术支撑。

2 方法设计

本节围绕陷阱节点部署优化问题，提出一种基于多目标优化与随机化混淆机制的部署框架。该方法通过引入多目标优化建模与帕累托分析，实现对监控覆盖率、运营成本与检测风险的综合权衡。

2.1 方法总体框架与数据建模

为兼顾陷阱节点的监控效率与隐蔽性，本文提出一种融合多目标优化与随机化混淆机制的部署框架。如图3所示，该框架包括3个主要阶段：1） 网络数据采样与局部通连图构建；2） 多目标优化建模与求解；3） 随机化混淆机制与部署验证。

通过Tor控制协议定期采样节点拓扑信息，构建节点连通矩阵G(V,E)。其中，V表示节点集合，E表示通信关系。为降低采样成本，仅保留最近若干轮稳定节点形成局部子图。此局部通连图为后续中心性分析与优化建模提供结构基础。

输入包括节点属性（带宽、在线时长、角色类型等）、拓扑关系矩阵，输出陷阱节点的最优部署方案与可行参数集。该框架将优化效率与隐蔽性同时作为设计目标：一方面通过帕累托最优解优化提高陷阱节点监控效率；另一方面通过特征随机化与动态化机制降低被识别和封锁的风险。

2.2 多目标优化建模与求解

2.2.1 节点监控视野量化

为刻画节点在网络中的监控潜力，本文综合5种中心性指标：度中心性、Katz 中心性、接近中心性、和谐中心性及带权 PageRank。其数学定义分别如下所示。

C_{\mathrm{D}}\left(v\right)=\frac{\mathrm{d}\mathrm{e}\mathrm{g}\left(v\right)}{N-\mathrm{1}}（1）

C_{\mathrm{K}}\left(v\right)={\sum }_{k=\mathrm{1}}^{\infty }{\sum }_{u=\mathrm{1}}^n{\alpha }^k{\left(A^k\right)}_{uv}（2）

C_{\mathrm{C}}\left(v\right)=\frac{n-\mathrm{1}}{{\sum }_{u\ne v}d\left(u|v\right)}（3）

C_{\mathrm{H}}\left(v\right)={\sum }_{u\ne v}\frac{\mathrm{1}}{d(v,u)}（4）

P{R}_{\mathrm{W}}\left(v\right)=\frac{\mathrm{1}-d}{N}+d\cdot {\sum }_{u\in \mathrm{N}\mathrm{e}\mathrm{i}\mathrm{g}\mathrm{h}\mathrm{b}\mathrm{o}\mathrm{r}\mathrm{s}\left(v\right)}\frac{w_{uv}\cdot P{R}_w\left(u\right)}{{\sum }_{s\in \mathrm{N}\mathrm{e}\mathrm{i}\mathrm{g}\mathrm{h}\mathrm{b}\mathrm{o}\mathrm{r}\mathrm{s}\left(u\right)}{w}_{us}}（5）

其中，\mathrm{d}\mathrm{e}\mathrm{g}(v)表示节点v的度，d(u,v)为节点间最短路径，A^k 表示路径矩阵，w_{uv}为带权边，d为阻尼系数。

为统一不同中心性指标的量纲，对各指标采用最小-最大归一化处理，其计算公式如式（6）所示。

x_{\mathrm{n}\mathrm{o}\mathrm{r}\mathrm{m}}=\frac{x-X_{\mathrm{m}\mathrm{i}\mathrm{n}}}{X_{\mathrm{m}\mathrm{a}\mathrm{x}}-X_{\mathrm{m}\mathrm{i}\mathrm{n}}}（6）

式中，x代表某个中继节点的某类中心性分数，X_{\begin{array}{c}\mathrm{m}\mathrm{i}\mathrm{n}\\ \end{array}}、X_{\mathrm{m}\mathrm{a}\mathrm{x}}分别为所有节点该指标的最小与最大值。随后对归一化结果取算术平均，并通过时序加权机制综合多轮观测数据，得到时序中心性得分如下式所示。

D_T\left(v\right)=\frac{\sum _{t\in T}{D}_t\left(v\right)}{\left|G_T\right|}（7）

其中，\left|G_T\right| 为局部通连图中的节点总数，D_t\left(v\right)表示节点v在时间片t中的中心性分数。该得分反映了节点在动态网络环境下的综合监控视野，为后续优化建模提供量化输入。

2.2.2 多目标优化建模与求解

陷阱节点部署问题被形式化为一个多目标优化问题，设目标函数向量为：

\mathrm{m}\mathrm{a}\mathrm{x}F\left(x\right)=[f_{\mathrm{1}}\left(x\right),f_{\mathrm{2}}\left(x\right)]（8）

\mathrm{m}\mathrm{i}\mathrm{n}F\left(x\right)=[f_{\mathrm{3}}(x)]（9）

其中，f_{\mathrm{1}}、 f_{\mathrm{2}}、f_{\mathrm{3}}分别代表监控视野、被选中概率与部署成本。

采用NSGA-Ⅱ算法求解上述多目标模型。该算法通过非支配排序与拥挤度比较机制维持解集多样性，并采用精英保留策略保证优解的继承性。最终输出帕累托前沿解集，为不同权衡提供策略依据。

2.3 随机化混淆机制

为避免陷阱节点在长期运行中被SybilHunter等检测系统识别，本研究引入基于随机过程的节点上线调度机制，模拟正常中继的动态特征。节点上线与下线事件服从泊松分布：

P\left(n=\mathrm{n}\mathrm{u}\mathrm{m}\right)=\frac{{\mathrm{e}}^{-\lambda }{\lambda }^{\mathrm{n}\mathrm{u}\mathrm{m}}}{\mathrm{n}\mathrm{u}\mathrm{m}!}（10）

式中，n为每小时上线的陷阱节点数量，λ为单位时间节点上线速率。λ计算公式如下式所示。

\lambda =w*\frac{{\lambda }_{\mathrm{l}\mathrm{o}\mathrm{n}\mathrm{g}\mathrm{‑}\mathrm{t}\mathrm{e}\mathrm{r}\mathrm{m}}}{{\lambda }_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{e}\mathrm{n}\mathrm{t}}}（11）

其中，λ由长期（{\lambda }_{\mathrm{l}\mathrm{o}\mathrm{n}\mathrm{g}‐\mathrm{t}\mathrm{e}\mathrm{r}\mathrm{m}}）与近期（{\lambda }_{\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{e}\mathrm{n}\mathrm{t}}）中继运行时长比例确定，w为速率调节权重。

该机制使陷阱节点在时间序列上呈现随机波动，有助于分散检测特征、提升长期隐蔽性。实验结果将在第3节中验证其有效性。

3 实验与结果分析

为验证本文所提基于多目标优化与随机化混淆的陷阱节点部署方法的有效性，实验从节点选中率与节点存活率两个维度进行评估。

3.1 节点部署中选率评估

本节旨在评估不同节点部署方案对电路选中率的影响。

采用Tor Path Simulator（TorPS）^［26-27］模拟2025年1月至2025年6月的Tor网络路径选择行为^［28］，设置攻击者模型为控制指定数量的Guard或Exit节点，以比较最优部署节点与随机部署节点的选中率差异。

实验结果如图4所示，随着注入节点数从 8 增至64，最优节点（Optimal）的流量妥协率显著上升，且累计妥协概率曲线整体右移，说明优化部署节点在路径构建中更易被选中。同时，在相同时间跨度内，最优节点的首次妥协时长始终更短，说明关键节点能够在更短时间被选中。该趋势表明，多目标优化方法可在不干扰路由机制的情况下提升节点可观测性和去匿名潜势。

与Johnson等 ^［26］的结论一致，少量高带宽、路径选择概率较高的中继节点（即关键节点）对电路选择具有决定性影响。本文方法通过优化节点位置和特征，实现了更高的选中速度与更稳定的覆盖效果。

3.2 节点部署存活率评估

为评估陷阱节点在真实网络中的生存能力，本实验基于2025年1月至2025年3月的Tor官方共识文档进行。本文采用SybilHunter^［29-30］作为外部检测器，该工具原本用于检测由同一攻击者控制的女巫节点；由于陷阱节点在部署方式上（如批量注入、参数相似、同源托管等）常呈现类似特征，因此可利用其评估所部署节点的隐蔽性。若陷阱节点未被标记为疑似女巫节点，则表明其身份特征分散，具备较高的生存性与抗检测能力。实验设置4组对比数据：第1组为未修改的原始共识文档；第2组注入通过本文动态混淆方法生成的节点；第3组采用Tan等^［10］所提方法生成的节点数据；第4组则为未经优化的普通节点注入（如每小时固定注入5个节点），作为基准对照。

为验证陷阱节点的隐蔽性与可持续性，本文利用SybilHunter^［29-30］对不同注入策略的检测结果进行评估。节点存活率（Survival Rate）用于衡量未被检测的节点比例，其计算公式如下：

S=\left(\mathrm{1}-\frac{N_{\mathrm{d}\mathrm{e}\mathrm{t}\mathrm{e}\mathrm{c}\mathrm{t}\mathrm{e}\mathrm{d}}}{N_{\mathrm{i}\mathrm{n}\mathrm{j}\mathrm{e}\mathrm{c}\mathrm{t}\mathrm{e}\mathrm{d}}}\right)\times \mathrm{100}\mathrm{\%}（12）

其中，N_{\mathrm{i}\mathrm{n}\mathrm{j}\mathrm{e}\mathrm{c}\mathrm{t}\mathrm{e}\mathrm{d}}表示手动注入的陷阱节点总数，N_{\mathrm{d}\mathrm{e}\mathrm{t}\mathrm{e}\mathrm{c}\mathrm{t}\mathrm{e}\mathrm{d}}表示被SybilHunter识别出的节点数。

结果如表1所示，本文方法的存活率为 99.84%，显著高于对照方法^［10］的95.63%和普通注入的1.56%。当注入节点规模扩大时（表2），本方法仍维持约98.81%的稳定存活率，表现出优良的长期抗检测性。

图5展示了节点在线分布的热力图。本方法生成的分布特征与对照方法^［10］均接近原始网络结构，验证了随机化混淆机制能有效削弱节点间相似性，从而降低被识别概率。该结果与Winter等 ^［29］的检测模型一致，表明所提策略在真实Tor环境中具备较高鲁棒性与隐蔽性。

3.3 小结

实验结果表明，本文提出的陷阱节点部署方法在电路路径层面提升了节点选中率，在实际网络中保持了较高的长期存活率。实验验证了该方法在攻击有效性与隐蔽性间的平衡特性，体现了多目标优化与随机化混淆机制的协同作用。

4 结论

本文针对陷阱节点部署中监控效率与隐蔽性难以兼顾的问题，提出了一种基于多目标优化与随机化混淆的Tor暗网陷阱节点部署方法。通过引入时序中心性度量与NSGA-Ⅱ算法实现多目标协同优化，并结合泊松调度机制增强节点隐蔽性。实验结果表明，该方法在提升节点选中率的同时，显著提高了长期存活率，在攻击有效性与检测规避性之间实现了平衡。该研究为匿名通信系统安全评估与暗网治理提供了新的技术思路。

参考文献

[1] Dingledine R， Mathewson N， Syverson P.Tor： The second-generation onion router ［C］//Proceedings of the 13th USENIX Security Symposium， 2004： 303-320.

[2] Syverson P F， Reed M G， Goldschlag D M.Onion routing access configurations ［C］//Proceedings of the DARPA Information Survivability Conference and Exposition（DISCEX'00）， 2000： 34-40.

[3] Goldschlag D M， Reed M G， Syverson P F.Hiding routing information ［M］//Information Hiding.Berlin，Heidelberg： Springer， 1996： 137-150.

[4] Luo J Z， Yang M， Ling Z， et al.Anonymous communication and Darknet： A survey ［J］.Journal of Computer Research and Development， 2019， 56（1）： 103-130.

[5] 罗军舟， 杨明， 凌振， 等.匿名通信与暗网研究综述［J］.计算机研究与发展， 2019， 56（1）： 103-130.

[6] Jardine E， Lindner A M， Owenson G.The potential harms of the Tor anonymity network cluster disproportionately in free countries ［J］.P Natl Acad Sci USA， 2020， 117（50）： 31716-31721.

[7] Feigenbaum J， Johnson A， Syverson P.A model of onion routing with provable anonymity ［M］//Financial Cryptography and Data Security.Berlin，Heidelberg： Springer， 2007： 57-71.

[8] Dahal S， Lee J， Kang J， et al.Analysis on end-to-end node selection probability in Tor network ［C］//2015 International Conference on Information Networking （ICOIN）.Cambodia： IEEE， 2015： 46-50.

[9] Project Tor.Entry guards ［EB/OL］.［2025-10-08］.

[10] Li Q， Liu P， Qin Z.A stealthy attack against Tor guard selection ［J］.Int J Secur Appl， 2015， 9（11）： 391-402.

[11] Tan Q， Wang X， Shi W，et al.An anonymity vulnerability in Tor ［J］.IEEE ACM T Network， 2022， 30（6）： 2574-2587.

[12] Project Tor.Relay operators ［EB/OL］.［2025-10-08］.

[13] Liang X， Xiao Y.Game theory for network security ［J］.IEEE Commun Surv Tutorials， 2013，15（1）： 472-486.

[14] Murdoch S J， Danezis G.Low-cost traffic analysis of Tor ［C］//2005 IEEE Symposium on Security and Privacy （SP'05）.Oakland， CA， USA： IEEE， 2005： 183-195.

[15] Jansen R， Juarez M， Galvez R， et al.Inside job： Applying traffic analysis to measure Tor from within ［C］// Proceedings 2018 Network and Distributed System Security Symposium， 2018： 1-15.

[16] Meng R， Ye Y， Xie N G.Multi-objective optimization design methods based on game theory ［C］//Proceedings of the World Congress on Intelligent Control and Automation， 2010： 2220-2227.

[17] Aminuddin M A I M， Fitri Z， Kaur M， et al.A survey on Tor encrypted traffic monitoring ［J］.Int J Adv Comput Sc， 2018， 9（8）： 113-120.

[18] Basyoni L， Fetais N， Erbad A，et al.Traffic analysis attacks on Tor： A survey ［C］//2020 IEEE International Conference on Informatics，IoT，and Enabling Technologies （ICIoT）， 2020： 183-188.

[19] Karunanayake I， Ahmed N， Malaney R，et al.De-anonymisation attacks on Tor： A survey ［J］.IEEE Commun Surv Tut， 2021， 23（4）： 2324-2350.

[20] Goldschlag D， Reed M， Syverson P.Onion routing ［J］.Commun ACM，1999， 42（2）： 39-41.

[21] Bauer K， McCoy D， Grunwald D，et al.Low-resource routing attacks against Tor ［C］//Proceedings of the 2007 ACM Workshop on Privacy in Electronic Society， 2007： 11-20.

[22] Douceur J R.The sybil attack［M］//Peer-to-Peer Systems.Berlin， Heidelberg： Springer， 2002： 251-260.

[23] Project Tor.Sybil attack ［EB/OL］.［2025-10-08］.

[24] Wikipedia.Sybil attack ［EB/OL］.［2025-10-08］.

[25] Deb K.Multi-objective optimisation using evolutionary algorithms：An introduction ［M］//Multi-objective Evolutionary Optimisation for Product Design and Manufacturing.London： Springer London， 2011： 3-34.

[26] Deb K， Pratap A， Agarwal S，et al.A fast and elitist multiobjective genetic algorithm： NSGA-Ⅱ［J］.IEEE Trans Evol Computat， 2002， 6（2）： 182-197.

[27] Johnson A， Wacek C， Jansen R， et al.Users get routed： Traffic correlation on Tor by realistic adversaries ［C］//Proceedings of the 2013 ACM SIGSAC Conference on Computer Communications Security-CCS '13， 2013： 337-348.

[28] Johnson A， Wacek C， Jansen R， et al.TorPS： The Tor path simulator ［EB/OL］.［2025-10-08］.

[29] Project Tor.Tor metrics ［EB/OL］.［2025-10-08］.

[30] Winter P， Ensafi R， Loesing K， et al.Identifying and characterizing Sybils in the Tor network ［C］//25th USENIX Security Symposium （USENIX Security 16）， 2016： 1169-1185.

[31] Winter P， Ensafi R， Loesing K， et al.SybilHunter ［EB/OL］.［2025-10-08］.

基金资助

国家重点研发计划项目(2023YFB3106600)

四川省科技厅项目(2025JDRC0007)