5.1 匿名、假名与隐私：检验科的三个指标

5.1 匿名、假名与隐私：检验科的三个指标

假名性指用可长期关联的化名活动（地址即假名），匿名性指行为无法关联到任何稳定身份，隐私性指交易内容（金额、对手方、资产）不被无关方读取。区块链原生提供的是假名性而非匿名性，隐私性默认为零。本节建立三维坐标与匿名集概念，用重识别实验演示"假名如何被钉死到真人"。

别把假名当成匿名的马甲

别把假名当成匿名的马甲——这是检验科的第一课，也是链上分析产业的立业之本。网名是假名：不写真名，但你在同一网名下聊了多年，画像比档案还厚。匿名是"查无此人"：每次行为都无法与任何稳定身份挂钩，像混进人海的墨镜客。隐私则管另一件事：不问你是谁，只问账本读不读得出你的交易内容。三轴指标两两正交组合：传统银行强隐私（余额对陌生人保密）弱匿名（实名开户）；透明区块链零隐私（全网可读）弱匿名（假名可追踪）；理想的隐私币追求强匿名加强隐私。混淆这三轴，讨论就会原地打转——"区块链匿名所以罪犯爱用"与"区块链透明所以没有隐私"这对流行矛盾句，其实各自拿了半张真图。

图 5-1 三维坐标：假名、匿名、隐私是不同的轴

重识别实验：一次实名充值如何全线失守

用一段模拟演示"假名网络被单点锚定击穿"的全过程——这正是链上分析公司的标准作业流程：

from collections import defaultdict

class PseudonymousLedger:
    """假名账本：地址间转账全网可读"""
    def __init__(self):
        self.edges = []                        # (付款地址, 收款地址, 金额)
        self.known = {}                        # 分析公司掌握的实名锚点

    def tx(self, a, b, amt):
        self.edges.append((a, b, amt))

    def anchor(self, addr, real_name, source):
        self.known[addr] = (real_name, source)

    def taint(self, max_hops=4):
        """污染传播：从实名锚点出发，沿交易边扩散归属猜测"""
        identity = {a: name for a, (name, _) in self.known.items()}
        for _ in range(max_hops):
            updated = False
            for a, b, amt in self.edges:
                if a in identity and b not in identity:
                    identity[b] = f"关联[{identity[a]}]"   # 收款方高度可疑
                    updated = True
            if not updated:
                break
        return identity

led = PseudonymousLedger()
# 用户在交易所实名入金一次，提币到自管地址
led.anchor("addr-exit-0", "张三", "交易所实名入金")
led.tx("addr-exit-0", "addr-hw-1", 5.0)        # 转入硬件钱包
led.tx("addr-hw-1", "addr-shop-9", 0.02)       # 网购付款（留了收货地址）
led.tx("addr-shop-9", "addr-merge-x", 0.019)   # 商户归集
led.tx("addr-hw-1", "addr-donation-77", 0.5)   # 给公益组织捐款

result = led.taint()
for addr, guess in result.items():
    print(f"{addr:<15} -> {guess}")
print("\n捐款那条边，也把'某个张三关联地址'钉在了捐款人画像上")
​

一次实名入金，加上一张收货地址，污染顺边扩散——张三以为自己穿着马甲，实际马甲上缝着名牌。这笔账的可怕之处在于单向性：历史不可篡改意味着失守是永久的，今天的泄露等于给过去与未来的全部交易盖章。

再引入本章的核心度量——匿名集：一项行为混在多少个"从观察者视角无法区分"的同类行为里。匿名性不是布尔值，是这个集合的尺寸与质量：

def anonymity_set(candidates, observer_knowledge):
    """观察者用已知信息剔除不可能项后，剩下的不可区分者"""
    remaining = [c for c in candidates
                 if not any(rule(c) for rule in observer_knowledge)]
    return remaining, len(remaining)

candidates = [f"环成员{i}" for i in range(16)]   # 某隐私方案的候选签名者
rules = [
    lambda c: "成员3" in c and True,   # 已知成员3当时离线（不可能签名）
    lambda c: "成员7" in c and True,   # 已知成员7从未与该收款方交互
]
remaining, size = anonymity_set(candidates, rules)
print(f"名义候选 16 人，背景知识剔除后匿名集仅剩 {size} 人：{remaining}")
print("结论：匿名集不是宣传页数字，是攻击者知识下的残余集合")
​

名义候选十六人，两条背景知识就砍到十四——而真实的攻击者掌握的远不止两条。匿名集会随观察者的知识缩水，这正是 5.6 节讨论隐私币默认参数的伏笔。

概念校准：三轴之外的常用标尺

工程讨论里还有几把常用的尺子，一并校准。可链接性：外部观察者能否判断两笔交易出自同一人（假名天生可链接，一次性地址反其道行之）。可追踪性：能否沿交易链回溯资金来源（混币与环签名主要打这条）。不可区分性：单笔交易与同池其他交易统计上是否无差（默认隐私的价值所在）。三把尺子对应三种攻击者问句："这是同一个人吗？""钱从哪来？""这笔交易有特殊吗？"——检验科的仪器（5.3 节起）全部围绕三问设计。

⚠️ 概念混淆的现实代价：产品把"地址不写名字"当合规背书，上线后被监管以可追踪性证据处罚；用户把假名当匿名，在链上留下毕生可查的资产清单；隐私项目把匿名集宣传值当真实值，被时间差攻击打脸。三轴三尺先画准，再谈技术选型。

💡 一句判词：假名是延迟暴露的实名——它把身份确认推迟到你犯第一个错误的时刻，而链上的错误永不蒸发。

攻防边界：检验的相对性原理

本章所有指标都是"相对特定观察者"的：同样的账本，对路人（零背景知识）、对交易所（知道你的入金地址）、对专业分析公司（多源数据融合）、对国家级观察者（流量分析与准入数据），成色逐级跳水。评估任何隐私方案，先问"防谁的什么问题"（威胁模型），再谈技术；离开威胁模型的"最强隐私"是营销修辞。下一节就把最凶的一类观察者请上台——链上分析公司的地址关联启发式，看玻璃账本是如何被系统性扒皮的。