Sybil 攻擊是 bot、airdrop 和 daos 背後的隱藏威脅。 這是 @Humanityprot 要解決的一個巨大問題，它不僅説明為web3而且為整個互聯網，尤其是其參與者構建信任層。 當一個人創建許多虛假身份來縱去中心化系統時，就會發生女巫攻擊。 女巫攻擊可能導致的一些問題是...... 1. 他們扭曲了激勵分配 2. 這些協議濫用空投意圖。 3. 協定的治理受到影響，因為有些人可以使用不同的錢包擁有多個代幣，因此在關鍵決策期間會多次投票。 4. 使 web3 dapp/協議不那麼公平，功能更差。 5. 增長數據中的虛假和增加的錯誤指標（機器人），誇大了採用統計數據，從而誤導了團隊和投資者。 目前，即使在 @Humanityprot 中，我們也生成了 8m IDS，這並未被證明是正確的，因為並非所有 IDS 都已使用掌掃描生物識別功能進行驗證。 為了遏制這些問題/問題，必須實施 SYBIL RESISTANCE，以便每個參與者都是一個獨特的個體，而不是為利用網路而創建的假身份。 web3 👇 之前採用的一些女巫攻擊檢測方法 1. 仔細檢查以前的 sybil 集群。 2. 查看鏈上數據 3. 社交任務的排名（排行榜等，中等相關）。 4. 連結 telegram 和 discord 等社交句柄。 好吧，歡迎來到蜂巢，因為很多人都創建了 alt 帳戶，這變得無法察覺。 5. 代幣/NFT-門控 （ 在不同的錢包中購買和擁有更多代幣，鑄造更多 NFT。 6. KYC - 迄今為止最接近完美。但是，大多數使用者更喜歡他們的隱私和數據。 7. 鑄造錢包 ID（可以鑄造更多，只需創建更多錢包😅即可）。 8. 驗證碼 - 很容易繞過，因為機器人可以輕鬆解決它們或以幾美分的價格外包它們。 然而，隨著技術的升級和與區塊鏈的更新集成，諸如 👇 1. web3 原生身份證明的使用者（使用 Zk 證明和生物識別技術） 2. 使虛假帳戶的擴展/創建成本高昂。 如何？通過使用質押或計算成本（如 POS/POW）。 3. 利用機器學習檢測通過 onchain activity 平台標記女巫行為。 4. 社交圖譜分析（@KaitoAI 採用這個），即使用連接映射來檢測身份集群。 該團隊@Humanityprot明白，如果他們要在信任、公平和增長的基礎上蓬勃發展，那麼 web3 中的女巫抵抗並不是可有可無的。 @Humanityprot採用了 Proof of Humanity Consensus 並集成了身份驗證器（可以驗證身份並添加到鏈上的節點，從而通過防止身份欺詐和執行網路規則，在確保區塊鏈的安全性、準確性和完整性方面發揮著至關重要的作用）。 這也是通過使用零知識證明來實現人類ID的信任和真實性，從而確保其隱私。 借助 Zk Proofs、POH 和 Palm 掃描，身份變得可驗證、唯一且自有。 隨著即將到來的名為 FAIRDROP 的人類協定遊戲規則改變者以及計劃通過 fairdrops 推出空投的專案管道，@Humanityprot將消除此類激勵分配問題，確保公平並獎勵真正的使用者。 我非常看好 Humanity Protocol，你肯定也需要這樣做。 gHuman 對 @TK_Humanity、他的團隊和那裡的每一位信徒。 #HumanityProtocol