Bitget Wallet强化AI风险监测：域名识别如何衔接授权检查-币圈通

解析Bitget Wallet扩大AI对风险域名的识别，并衔接授权前检查；内部参与占比上升，防护成效仍需准确性指标验证。

Bitget Wallet 宣布强化 AI 风险监测，将网页代码、域名特征及网站与正规站点的相似性纳入分析，以发现已知威胁数据库之外的可疑网站。这次调整的关键，是把网站识别与钱包内的签名、授权检查衔接起来，在用户授权前提供风险提示。

90%反映识别参与度，不等于检出率

根据 Bitget Wallet 内部数据，2026 年 10 月新增封禁的风险域名中，自研 AI 参与识别的占比为 90%，第二季度这一比例为 36%。这里统计的是已被新增封禁的域名中，有多少经过 AI 参与识别，反映的是 AI 在该项工作中的参与程度。

这一比例不能直接用来衡量所有危险网站的检出率，也不代表相关域名全部由 AI 独立发现。识别参与、最终封禁和威胁覆盖是不同环节：AI 可以参与分析，但仅凭参与占比，无法判断仍有多少风险网站未被发现，或正常网站被误判的程度。

因此，这组数据更适合用于观察钱包内部安全流程的变化。AI 从第二季度到 10 月参与了更大比例的新增域名封禁，但其识别准确性与整体防护效果，仍需要不同口径的指标验证。

在 AI 参与识别的相关域名中，近 70% 被 AI 标记时，外部安全情报数据库尚未发出相应警报。这一时间差说明，网页和域名特征分析可以为既有风险名单增加一层识别依据。

其机制在于，名单筛查需要目标已被收录，而特征分析可以依据网站自身表现作出风险判断。对于尚未进入外部数据库的可疑网站，这种方式有机会提前触发提示。不过，“当时没有外部警报”只描述标记时点的状态，不能据此认定这些域名此前从未被任何安全机构发现，也不能推导出外部数据库此后仍未覆盖。

从这些安排看，AI 的实际价值在于补充名单更新之间的识别空隙。判断这一能力是否有效，既要看发现是否及时，也要看标记结果能否得到验证；单看封禁数量或参与比例，无法完整评价防护质量。

Bitget Wallet 第三季度内部监测中，钓鱼相关签名风险占四类风险检测记录的 57%，其余为恶意地址 17%、高风险合约 14% 和恶意授权 12%。这组数据的分母是四类风险检测记录，并非用户总数、交易总数或实际损失事件，不能理解为 57% 的用户遭遇钓鱼。

尽管如此，钓鱼相关签名风险在这组记录中占比最高，说明仅识别可疑网站，还不足以覆盖钱包操作中的风险。网站入口是否可信，与用户随后签署什么内容，是相互关联但需要分别检查的问题。

按已披露安排，AI 风险监测将与 GetShield 安全引擎协同，结合恶意地址及合约筛查、签名权限检查和交易结果模拟，在授权前提示潜在风险。其意义是把网站特征与具体操作放到同一防护流程中：前者帮助识别可疑入口，后者帮助用户理解授权可能涉及的权限和交易结果。

随着钱包使用场景延伸至支付和日常金融，Bitget Wallet 计划继续扩展 AI 驱动的风险监测，并探索在人工监督下，由 AI 辅助安全事件响应。这仍属于后续计划，不能等同于相关响应机制已经全面运行。

我们的判断是，此次升级值得关注的地方，是风险识别从外部名单扩展到网站特征，并进一步连接授权前检查。其效果取决于多个环节能否衔接：可疑网站被标记后，提示是否及时、权限解释是否清晰，以及人工监督能否处理模型判断中的偏差。

具体风险也由此产生：误报可能干扰正常操作，漏报可能让危险请求继续进入授权流程，而风险提示本身也不等于阻止了损失。后续更有判断价值的公开信息，将是识别结果的验证情况、误报与漏报表现，以及人工辅助响应从计划走向实际应用的进展。