空投已成为Web3商业操作中的标准策略，去中心化应用（DApps）分发代币以基于智能合约规则鼓励用户参与。这种做法催生了“空投猎人”，即收集钱包地址以通过与合约互动来认领这些丰厚的代币赠送的个体。虽然空投对吸引早期DApp用户有益，但猎人为了看起来像活跃参与者而进行的自我交易威胁到了生态系统的完整性，并挑战了DApps的去中心化目标。DApp团队必须在不对真实用户不利的情况下检测空投猎人。
为此，我们以Blur的空投为研究案例，开发了ARTEMIS，这是一个基于NFT多模态数据和图神经网络的空投猎人检测系统。我们的研究主要贡献包括：
- 我们在NFT市场背景下正式定义了空投猎人检测问题，并将Blur市场数据中的猎人作为数据集进行标记。
- 我们提出了ARTEMIS，这是基于机器学习的首个系统化空投猎人检测系统。我们的系统在猎人识别方面显著优于现有系统。我们还在ARTEMIS训练过程中引入了针对性策略，有效地解决了相关挑战。
- 我们设计并验证了多模态特征提取、基于交易路径的多跳邻居采样与聚合以及高级特征表示模块，这些模块可转移到下游任务并广泛适用于其他NFT或链上异常检测。
我们首先收集了从2022年10月19日到2023年4月1日与Blur相关的所有NFT交易数据和空投记录，并对所有空投猎人地址进行了标记。对于交易的NFT，我们全面收集了包括NFT图像、描述和属性在内的元数据。
在图神经网络的聚合阶段，我们利用NFT的交易路径作为邻居采样和节点信息聚合的指导。与随机采样不同，我们的算法优先沿NFT交易路径采样，确保生成的嵌入能够捕获交易的上下文并获得充分的信息。
我们引入了NFT的多模态特征作为图神经网络的边嵌入。我们使用预训练的视觉模型（ViT）和预训练的语言模型（BERT）来提取它们的视觉和文本特征。我们使用公开的大规模NFT数据集对这些模型进行微调，并在实验部分验证了微调和未微调模型之间的性能差异。
在实验阶段，我们验证了ARTEMIS在识别空投猎人方面具有积极效果，并在性能上显著优于现有的最先进模型。同时，我们对ARTEMIS的每个模块进行了详细的消融实验，并演示了每个模块的作用。
这项工作代表了建立深度学习系统以检测空投猎人的第一步，这是一个对Web3生态系统健康和WWW社区未来研究方向具有重要意义的新兴问题。我们提供了针对这一前沿领域的首批专业计算解决方案之一。
论文预印版：
https://mypage.cuhk.edu.cn/academics/caiwei/paper/papers/ChenyuZCWZC2024.pdf
开源代码及数据：
https://zenodo.org/records/10676801
引用本文：
Chenyu Zhou, Hongzhou Chen, Hao Wu, Junyu Zhang, and Wei Cai, “ARTEMIS: Detecting Airdrop Hunters in NFT Markets with a Graph Learning System“, In The ACM Web Conference 2024 (WWW’24), Singapore, May 13 – 17, 2024.
@INPROCEEDINGS{ChenyuZCWZC2024,
AUTHOR={Chenyu Zhou and Hongzhou Chen and Hao Wu and Junyu Zhang and Wei Cai},
TITLE={ARTEMIS: Detecting Airdrop Hunters in NFT Markets with a Graph Learning System},
BOOKTITLE={The ACM Web Conference 2024 (WWW'24), Singapore, May 13 - 17},
YEAR={2024},
}
