如何在区块链上追踪加密巨鲸：监控系统的架构
Markus_automation
Expert in data parsing and automation
确切地知道何时买入和卖出听起来很诱人。然而，如果这种认知来自于机密信息，就构成了内幕交易，属于违法行为。但还有一个合法的替代方案：追踪主要市场参与者（通常被称为“鲸鱼”或巨鲸）的钱包并跟随他们的动向。
巨鲸很少进行随机交易。他们有条不紊地积累或分配资金，而且他们的交易在公共区块链上是清晰可见的。传统上，巨鲸被定义为持有至少 1,000 枚 BTC 的地址。然而，在 Web3 中，巨鲸也可以是持有某种代币总供应量 5% 的钱包，或者是向 DEX 流动性池投入了数百万美元的市场参与者。
监控这些钱包可以帮助你在趋势反映到价格上之前就发现它。它还可以帮助你预测流动性变化，防止在大额兑换（swap）时产生滑点（预期执行价格与实际执行价格之间的差异），并更早地发现市场操纵行为。
在本文中，我们将探讨这样一个系统的整体架构：它的各个模块以及在每个阶段所采用的解决方案，涵盖从构建钱包数据库、监控 mempool（内存池），到存储数据以及整合来自社交媒体的信号。
内容
使用Octo Browser维护您的在线匿名性。您真实的数字指纹无法被追踪。
您想以折扣价体验 Octo Browser 吗？
使用优惠码 OCTOBLOG 即可享受任何订阅的 30% 优惠。此优惠仅对新用户有效。
如何构建初始巨鲸数据库
监控系统持续运行。它解析区块链和内存池（mempool）交易，对照已追踪钱包的内部数据库来核对地址。当转账金额超过预设阈值时，它还会计入来自此前未知钱包的转账。
但首先，您需要建立数据库。在解析器启动之前，这需要经过几个阶段：
导出最大持有者。您无需等待巨鲸发起转账。您可以查询区块链上当前的代币余额分布，并根据自身需求导出排名前 100 或 500 的钱包。
分析流动性提供者。巨鲸通常会将资金投入 DEX 流动性池以赚取手续费。持有这些流动性池最大份额的地址也会被添加到数据库中。
分析代币生成事件（TGE）。代币合约的最早交易揭示了在代币正式公开上市前哪些钱包接收了代币。这些通常是早期投资者、风险投资基金和项目团队。
交叉对比带标签地址。根据区块链浏览器中公开标记的地址对数据库进行核对。这使您能够从数据集中排除交易所热钱包和跨链桥，防止系统对它们的技术性转账做出反应。
初始数据库准备就绪后，系统就会开始实时监控交易，并自动添加新发现的巨鲸钱包。
如何将属于同一所有者的钱包分组
出于安全考虑，主要市场参与者几乎从不把所有资金存放在单个地址中。一个巨鲸可能控制着几十个钱包。如果不考虑这一点，单个所有者的活动看起来就会像几个小用户的活动——尤其是当单笔转账低于监控阈值时。结果，系统可能会完全错过巨鲸。
这就是为什么钱包会被分组为集群——代表单个所有者的画像。要构建这些集群，您需要寻找一致的行为模式：
向同一交易所转账。多个钱包定期向 Binance 或 Bybit 等中心化交易所的同一个充值地址发送资金。由于交易所充值地址对每个客户都是唯一的，因此这些钱包可能会关联在一起。
时间同步性。系统对比交易时间戳。假设五个钱包在彼此相差数毫秒的时间内开始从流动性池购买同一种资产。这极有可能是由同一个脚本和所有者控制的。
混币器后分析。混币器是混淆交易历史以提高匿名性的服务。通过混币器后出现的新地址，可以根据提币模式以及匹配的交易时间和金额与现有集群建立关联。这一过程依赖于启发式方法——即在信息不完整时用于分析数据的一套经验法则。
Breadcrumbs 中的钱包关联：转入和转出记录揭示了钱包与哪些地址互动最频繁。
如何追踪跨链桥转账
巨鲸经常在多个网络间操作，并通过 Stargate、Hop 和 Across 等跨链桥转移资金。例如，巨鲸在以太坊上的跨链桥中存入 500 ETH，一分钟后在 Arbitrum 或 Base 上接收到等额资产。基础解析器会看到资金从一个网络中消失，而另一个网络上出现了一个新钱包。
为了避免丢失对巨鲸的追踪，系统引入了跨链追踪。它监控跨链桥的充值地址，并将其与其他网络上的提现进行匹配。如果金额和时间戳匹配，巨鲸集群就会更新其在新网络上的地址。
如何过滤 MEV 机器人
EVM 兼容网络（基于以太坊虚拟机的网络）托管着众多利用套利获利的 MEV 机器人。它们使用价值数百万美元的闪电贷，使其交易看起来与巨鲸的交易相似。如果在解析过程中不将这些机器人过滤掉，系统就会产生虚假信号。
要想百分之百确定某笔交易是由套利机器人发起的，这是不可能的。然而，有几个指标可以帮助过滤它们：
复杂的循环智能合约调用，其中一系列调用最终会返回到原始合约。
交易后钱包余额零变化或极小变化。例如，机器人借入一百万美元，在 DEX 上执行套利交易，并在同一区块内偿还贷款。
干净的数据对于维护可靠的巨鲸数据库至关重要。数据库准备就绪后，响应速度就成了第一要务。这就是 mempool 发挥作用的地方——同时也是 MEV 机器人运作的地方。
如何利用内存池（mempool）
地址聚类和机器人过滤在已确认的区块上运行。但当交易被记录到区块链上时，资产的价格可能已经发生了变化，交易机会可能已经不复存在。为了更早地做出反应，交易在执行前、仍停留在内存池中时就会被拦截。
内存池是未确认交易的队列。当交易者提交买入或卖出订单时，它首先会进入内存池，在那里等待验证者或矿工（取决于具体的网络）将其打包进区块。
内存池中没有严格的排序。提供更高费用（gas）的交易往往会优先被处理。手续费较低的交易可能会等待数小时，甚至可能被其他交易完全挤出。
mempool 机器人的工作原理如下：
拦截。机器人连接到区块链节点，并在新交易进入内存池时接收其实时数据流。
解码。机器人解码
input data字段，以确定交易调用了哪个智能合约函数。例如，它检测到某个特定钱包正在大量买入某种代币。抢先交易（Front-running）。机器人预计这笔交易会推高价格。它会提交自己的交易来购买相同的资产，并提供略高于巨鲸的手续费。
这就是 input data 字段中数据的形式。
验证者会先将机器人的交易打包进区块。机器人以旧价格买入资产，紧接着巨鲸的交易完成，从而推高了价格。这种策略被称为抢先交易（front-running）。
但拦截交易只是挑战的一部分。必须在几毫秒内做出决策，这意味着数据必须以允许快速分析的格式存储。
如何存储数据以实现快速分析
区块链会产生海量的事件。假设您需要查找过去几年某大型 DEX 上每笔兑换历史之间的相关性。传统的关系型数据库对于此类查询来说太慢了。
这就是为什么 Web3 系统使用面向列的数据库管理系统，如 ClickHouse。在进行分析查询时，它们只读取计算所需的列——例如 wallet_address 和 amount——而不处理其他交易字段。这使得在几毫秒内聚合数十亿行数据成为可能。
速度在这里至关重要。设想一个机器人在内存池中检测到一笔 500 万美元的代币买入。在决定下一步操作之前，它需要判断这笔交易是某个基金常规的投资组合重新平衡，还是一个长期休眠的钱包出现的异常活动。为此，机器人会将该交易与该钱包过去三年的活动进行对比。如果没有列式存储，这项检查可能需要几分钟，从而导致巨鲸的交易先被执行。而 ClickHouse 可以在几毫秒内返回结果。
如何将区块链数据加载到数据库中
区块链数据不以表格形式存储。相反，它表现为一系列以十六进制编码的事件（日志）。要处理这些日志，您需要使用 ABI 进行解码——即描述如何解释数据的合约接口规范。
您可以编写自己的解析器。然而，这样就需要针对每个智能合约单独查询每个区块、解码日志并处理区块链重组。这既耗时又难以维护。
使用像 The Graph 这样的索引器会更简单。您可以在 subgraph 中定义所需的智能合约事件。索引器从第一个区块开始扫描区块链，解码日志，并通过 GraphQL API 提供数据。
系统所需要做的就是查询 The Graph，检索有关巨鲸交易的结构化数据，并将其加载到 ClickHouse 中。随后机器人便可以分析数据并做出决策。
如何整合社交媒体信号
区块链仅显示转账本身——例如，“巨鲸 A 向交易所转账了 100 万美元”。它不会告诉您背后的原因。
一笔大额转账可能表明所有者正准备抛售。在这种情况下，您可能希望开立空头头寸或平掉现有头寸。但这也可能是项目团队预定的代币解锁，已在 X（Twitter）或 Discord 上提前公布。如果没有这些背景信息，机器人可能会发送虚假警报或执行导致亏损的交易。
这就是为什么系统包含一个覆盖 X (Twitter)、项目 Telegram 频道 和 Discord 的社交媒体分析模块。它是一个独立的后台工作程序，通过 WebSocket 数据源持续收集帖子，使用本地神经网络对其进行处理，并更新内存型 Redis 数据库中名为“社交情绪”的指标。社交情绪代表了社交媒体用户对每个代币的总体态度。
内存池扫描器不会浪费时间发起外部请求。当它检测到巨鲸向中心化交易所的大额转账时，它会检查 Redis 中的情绪值。
例如，扫描器在内存池中检测到一笔 1000 万美元的转账。由于社交媒体工作程序发现了协议被黑客攻击的消息，该代币的情绪在过去三分钟内急剧下降。这表明巨鲸并不是在重新平衡投资组合，而是在退出该资产。机器人在巨鲸的交易执行前提交一笔做空交易。类似这样的场景必须提前精心规划和测试；否则，机器人的失误可能会导致实际的财务损失。
如何在不被封禁的情况下收集社交媒体数据
X (Twitter)、Discord、分析平台和新闻聚合器都限制自动化数据收集。它们使用诸如 Cloudflare 和 Akamai 等反欺诈系统，这些系统能够检测到标准的无头 Chrome 浏览器。
为了实现更可靠的数据收集，该架构包含了一个反检测浏览器。配置文件是通过 Puppeteer 或 Playwright 以编程方式管理的，而不是手动管理。Octo Browser 通过其 API 支持这种集成。
Octo Browser 提供了关于使用其 API 的详细文档。
为了通过检查，浏览器需要表现得像是由真人操作的真实设备。Octo Browser 允许您创建数十个或数百个这样的配置文件，每个配置文件都具有隔离的数据。Octo 在浏览器内核级别伪造每个配置文件的数字指纹，包括 User-Agent、字体、WebGL/WebGPU 参数、屏幕分辨率等。
数据收集流程如下：
机器人使用 API 启动带有专用代理的 Octo Browser 配置文件。
该配置文件凭借其独特的指纹打开目标平台，使反欺诈系统将其视为普通访问者。
机器人获取会话令牌和 cookie，并将它们传递给轻量级工作程序。
工作程序直接通过平台的 API 请求数据，并将其传递给 NLP 模型。
如果会话过期或平台请求验证，机器人会再次启动配置文件以获取新会话。
反检测浏览器在此处并不是用来模仿用户操作，而是为了通过各种检查。具有独立指纹的隔离配置文件有助于在交易发生时更可靠地获取最新帖子。
如何选择追踪哪些巨鲸
系统的最终输出要么是给用户的通知，要么是发送给交易引擎的指令。但是盲目跟踪每个巨鲸是没有意义的。
一些大钱包并不能提供有用的交易信号。其中包括早期比特币矿工和仅在冷钱包之间转移旧资产的投资者。更具参考价值的是那些持续在局部低点买入并在局部高点卖出的地址。这些被称为“聪明钱”。
为了区分这两类群体，系统添加了一个评分模块。机器人使用若干指标评估每个被追踪钱包的历史表现：
胜率（Win Rate）：钱包盈利交易占总交易的比例。
PnL（盈亏）：该地址在过去六个月中赚取了多少美元。
入场时机：与市场其他参与者相比，该钱包提前多久买入资产。
根据这些结果，系统为钱包分配权重。您可以将机器人配置为仅在活动来自胜率高于 70% 的聪明钱钱包时才发送警报。
结论
巨鲸追踪系统由几个模块组成。首先，构建并聚类钱包数据库，兼顾跨链桥，并过滤掉 MEV 机器人。接下来是内存池交易拦截、通过索引器进行数据摄取并存储在 ClickHouse 中。最后两个模块负责社交媒体分析和钱包评分。
构建这样的系统是一项复杂的任务，其本身并不能保证盈利。然而，它可以帮助您在大额交易的影响反映在价格上之前发现它们，并仅对具有经过验证的良好记录的钱包信号做出反应。
使用Octo Browser维护您的在线匿名性。您真实的数字指纹无法被追踪。
您想以折扣价体验 Octo Browser 吗？
使用优惠码 OCTOBLOG 即可享受任何订阅的 30% 优惠。此优惠仅对新用户有效。
如何构建初始巨鲸数据库
监控系统持续运行。它解析区块链和内存池（mempool）交易，对照已追踪钱包的内部数据库来核对地址。当转账金额超过预设阈值时，它还会计入来自此前未知钱包的转账。
但首先，您需要建立数据库。在解析器启动之前，这需要经过几个阶段：
导出最大持有者。您无需等待巨鲸发起转账。您可以查询区块链上当前的代币余额分布，并根据自身需求导出排名前 100 或 500 的钱包。
分析流动性提供者。巨鲸通常会将资金投入 DEX 流动性池以赚取手续费。持有这些流动性池最大份额的地址也会被添加到数据库中。
分析代币生成事件（TGE）。代币合约的最早交易揭示了在代币正式公开上市前哪些钱包接收了代币。这些通常是早期投资者、风险投资基金和项目团队。
交叉对比带标签地址。根据区块链浏览器中公开标记的地址对数据库进行核对。这使您能够从数据集中排除交易所热钱包和跨链桥，防止系统对它们的技术性转账做出反应。
初始数据库准备就绪后，系统就会开始实时监控交易，并自动添加新发现的巨鲸钱包。
如何将属于同一所有者的钱包分组
出于安全考虑，主要市场参与者几乎从不把所有资金存放在单个地址中。一个巨鲸可能控制着几十个钱包。如果不考虑这一点，单个所有者的活动看起来就会像几个小用户的活动——尤其是当单笔转账低于监控阈值时。结果，系统可能会完全错过巨鲸。
这就是为什么钱包会被分组为集群——代表单个所有者的画像。要构建这些集群，您需要寻找一致的行为模式：
向同一交易所转账。多个钱包定期向 Binance 或 Bybit 等中心化交易所的同一个充值地址发送资金。由于交易所充值地址对每个客户都是唯一的，因此这些钱包可能会关联在一起。
时间同步性。系统对比交易时间戳。假设五个钱包在彼此相差数毫秒的时间内开始从流动性池购买同一种资产。这极有可能是由同一个脚本和所有者控制的。
混币器后分析。混币器是混淆交易历史以提高匿名性的服务。通过混币器后出现的新地址，可以根据提币模式以及匹配的交易时间和金额与现有集群建立关联。这一过程依赖于启发式方法——即在信息不完整时用于分析数据的一套经验法则。
Breadcrumbs 中的钱包关联：转入和转出记录揭示了钱包与哪些地址互动最频繁。
如何追踪跨链桥转账
巨鲸经常在多个网络间操作，并通过 Stargate、Hop 和 Across 等跨链桥转移资金。例如，巨鲸在以太坊上的跨链桥中存入 500 ETH，一分钟后在 Arbitrum 或 Base 上接收到等额资产。基础解析器会看到资金从一个网络中消失，而另一个网络上出现了一个新钱包。
为了避免丢失对巨鲸的追踪，系统引入了跨链追踪。它监控跨链桥的充值地址，并将其与其他网络上的提现进行匹配。如果金额和时间戳匹配，巨鲸集群就会更新其在新网络上的地址。
如何过滤 MEV 机器人
EVM 兼容网络（基于以太坊虚拟机的网络）托管着众多利用套利获利的 MEV 机器人。它们使用价值数百万美元的闪电贷，使其交易看起来与巨鲸的交易相似。如果在解析过程中不将这些机器人过滤掉，系统就会产生虚假信号。
要想百分之百确定某笔交易是由套利机器人发起的，这是不可能的。然而，有几个指标可以帮助过滤它们：
复杂的循环智能合约调用，其中一系列调用最终会返回到原始合约。
交易后钱包余额零变化或极小变化。例如，机器人借入一百万美元，在 DEX 上执行套利交易，并在同一区块内偿还贷款。
干净的数据对于维护可靠的巨鲸数据库至关重要。数据库准备就绪后，响应速度就成了第一要务。这就是 mempool 发挥作用的地方——同时也是 MEV 机器人运作的地方。
如何利用内存池（mempool）
地址聚类和机器人过滤在已确认的区块上运行。但当交易被记录到区块链上时，资产的价格可能已经发生了变化，交易机会可能已经不复存在。为了更早地做出反应，交易在执行前、仍停留在内存池中时就会被拦截。
内存池是未确认交易的队列。当交易者提交买入或卖出订单时，它首先会进入内存池，在那里等待验证者或矿工（取决于具体的网络）将其打包进区块。
内存池中没有严格的排序。提供更高费用（gas）的交易往往会优先被处理。手续费较低的交易可能会等待数小时，甚至可能被其他交易完全挤出。
mempool 机器人的工作原理如下：
拦截。机器人连接到区块链节点，并在新交易进入内存池时接收其实时数据流。
解码。机器人解码
input data字段，以确定交易调用了哪个智能合约函数。例如，它检测到某个特定钱包正在大量买入某种代币。抢先交易（Front-running）。机器人预计这笔交易会推高价格。它会提交自己的交易来购买相同的资产，并提供略高于巨鲸的手续费。
这就是 input data 字段中数据的形式。
验证者会先将机器人的交易打包进区块。机器人以旧价格买入资产，紧接着巨鲸的交易完成，从而推高了价格。这种策略被称为抢先交易（front-running）。
但拦截交易只是挑战的一部分。必须在几毫秒内做出决策，这意味着数据必须以允许快速分析的格式存储。
如何存储数据以实现快速分析
区块链会产生海量的事件。假设您需要查找过去几年某大型 DEX 上每笔兑换历史之间的相关性。传统的关系型数据库对于此类查询来说太慢了。
这就是为什么 Web3 系统使用面向列的数据库管理系统，如 ClickHouse。在进行分析查询时，它们只读取计算所需的列——例如 wallet_address 和 amount——而不处理其他交易字段。这使得在几毫秒内聚合数十亿行数据成为可能。
速度在这里至关重要。设想一个机器人在内存池中检测到一笔 500 万美元的代币买入。在决定下一步操作之前，它需要判断这笔交易是某个基金常规的投资组合重新平衡，还是一个长期休眠的钱包出现的异常活动。为此，机器人会将该交易与该钱包过去三年的活动进行对比。如果没有列式存储，这项检查可能需要几分钟，从而导致巨鲸的交易先被执行。而 ClickHouse 可以在几毫秒内返回结果。
如何将区块链数据加载到数据库中
区块链数据不以表格形式存储。相反，它表现为一系列以十六进制编码的事件（日志）。要处理这些日志，您需要使用 ABI 进行解码——即描述如何解释数据的合约接口规范。
您可以编写自己的解析器。然而，这样就需要针对每个智能合约单独查询每个区块、解码日志并处理区块链重组。这既耗时又难以维护。
使用像 The Graph 这样的索引器会更简单。您可以在 subgraph 中定义所需的智能合约事件。索引器从第一个区块开始扫描区块链，解码日志，并通过 GraphQL API 提供数据。
系统所需要做的就是查询 The Graph，检索有关巨鲸交易的结构化数据，并将其加载到 ClickHouse 中。随后机器人便可以分析数据并做出决策。
如何整合社交媒体信号
区块链仅显示转账本身——例如，“巨鲸 A 向交易所转账了 100 万美元”。它不会告诉您背后的原因。
一笔大额转账可能表明所有者正准备抛售。在这种情况下，您可能希望开立空头头寸或平掉现有头寸。但这也可能是项目团队预定的代币解锁，已在 X（Twitter）或 Discord 上提前公布。如果没有这些背景信息，机器人可能会发送虚假警报或执行导致亏损的交易。
这就是为什么系统包含一个覆盖 X (Twitter)、项目 Telegram 频道 和 Discord 的社交媒体分析模块。它是一个独立的后台工作程序，通过 WebSocket 数据源持续收集帖子，使用本地神经网络对其进行处理，并更新内存型 Redis 数据库中名为“社交情绪”的指标。社交情绪代表了社交媒体用户对每个代币的总体态度。
内存池扫描器不会浪费时间发起外部请求。当它检测到巨鲸向中心化交易所的大额转账时，它会检查 Redis 中的情绪值。
例如，扫描器在内存池中检测到一笔 1000 万美元的转账。由于社交媒体工作程序发现了协议被黑客攻击的消息，该代币的情绪在过去三分钟内急剧下降。这表明巨鲸并不是在重新平衡投资组合，而是在退出该资产。机器人在巨鲸的交易执行前提交一笔做空交易。类似这样的场景必须提前精心规划和测试；否则，机器人的失误可能会导致实际的财务损失。
如何在不被封禁的情况下收集社交媒体数据
X (Twitter)、Discord、分析平台和新闻聚合器都限制自动化数据收集。它们使用诸如 Cloudflare 和 Akamai 等反欺诈系统，这些系统能够检测到标准的无头 Chrome 浏览器。
为了实现更可靠的数据收集，该架构包含了一个反检测浏览器。配置文件是通过 Puppeteer 或 Playwright 以编程方式管理的，而不是手动管理。Octo Browser 通过其 API 支持这种集成。
Octo Browser 提供了关于使用其 API 的详细文档。
为了通过检查，浏览器需要表现得像是由真人操作的真实设备。Octo Browser 允许您创建数十个或数百个这样的配置文件，每个配置文件都具有隔离的数据。Octo 在浏览器内核级别伪造每个配置文件的数字指纹，包括 User-Agent、字体、WebGL/WebGPU 参数、屏幕分辨率等。
数据收集流程如下：
机器人使用 API 启动带有专用代理的 Octo Browser 配置文件。
该配置文件凭借其独特的指纹打开目标平台，使反欺诈系统将其视为普通访问者。
机器人获取会话令牌和 cookie，并将它们传递给轻量级工作程序。
工作程序直接通过平台的 API 请求数据，并将其传递给 NLP 模型。
如果会话过期或平台请求验证，机器人会再次启动配置文件以获取新会话。
反检测浏览器在此处并不是用来模仿用户操作，而是为了通过各种检查。具有独立指纹的隔离配置文件有助于在交易发生时更可靠地获取最新帖子。
如何选择追踪哪些巨鲸
系统的最终输出要么是给用户的通知，要么是发送给交易引擎的指令。但是盲目跟踪每个巨鲸是没有意义的。
一些大钱包并不能提供有用的交易信号。其中包括早期比特币矿工和仅在冷钱包之间转移旧资产的投资者。更具参考价值的是那些持续在局部低点买入并在局部高点卖出的地址。这些被称为“聪明钱”。
为了区分这两类群体，系统添加了一个评分模块。机器人使用若干指标评估每个被追踪钱包的历史表现：
胜率（Win Rate）：钱包盈利交易占总交易的比例。
PnL（盈亏）：该地址在过去六个月中赚取了多少美元。
入场时机：与市场其他参与者相比，该钱包提前多久买入资产。
根据这些结果，系统为钱包分配权重。您可以将机器人配置为仅在活动来自胜率高于 70% 的聪明钱钱包时才发送警报。
结论
巨鲸追踪系统由几个模块组成。首先，构建并聚类钱包数据库，兼顾跨链桥，并过滤掉 MEV 机器人。接下来是内存池交易拦截、通过索引器进行数据摄取并存储在 ClickHouse 中。最后两个模块负责社交媒体分析和钱包评分。
构建这样的系统是一项复杂的任务，其本身并不能保证盈利。然而，它可以帮助您在大额交易的影响反映在价格上之前发现它们，并仅对具有经过验证的良好记录的钱包信号做出反应。
随时获取最新的Octo Browser新闻
通过点击按钮，您同意我们的 隐私政策。
随时获取最新的Octo Browser新闻
通过点击按钮，您同意我们的 隐私政策。
随时获取最新的Octo Browser新闻
通过点击按钮，您同意我们的 隐私政策。
