GitHub黑市曝光，高档刷星6元一颗，最奇葩开源项目97%都是刷的_风闻

梦晨 克雷西 发自 凹非寺

量子位 | 公众号 QbitAI

在黑市买GitHub星星多少钱？

最贵的高达6元一颗。

有创业者Yassin Eldeeeb自掏腰包测试了一把。他足足花20欧元（约156人民币），只买到25颗“高级星星”。

没错，在黑市上刷GitHub星星也是分高低贵贱的。

高级的都是注册一年以上的账号来刷，昵称头像工作地点等个人资料非常自然绝不重样。

甚至至少还有一个对其他开源项目的贡献记录等，不但算法检测不出来，肉眼看也没毛病。

便宜的最低可做到0.4-0.88元一颗星星，这种就是最简单的新注册空号去刷了，默认头像，随机生成昵称的那种。

买了一个月以后发现都已经被平台封号处理，买到的星星也跟着消失了。

不过这种廉价服务最疯狂的地方在：失效了可以联系卖方，免费包重刷。

具体有多少人购买这种服务无从得知，不过Eldeeeb注意到他的账单编号是#57189，说明成交量绝对不在少数。

像这样的“黑市”刷星服务，最近被频频曝光，也在开发者社区成了话题热榜的常客。

大家的讨论中，有一个最奇葩的开源项目，被检测出有97%的星都是假的。

假星检测器

检测出这个奇葩项目的是另一位创业者Fraser Marlow，他偶然发现了GitHub黑市的存在。

同时他也注意到投资人越来越重视GitHub标星数，当作评估开源产品的指标了。

不过作为数据管道服务公司Dagster的增长主管，他不但没有给自己产品刷星——

反而与识别垃圾邮件的专家合作，收集数据并开发了一个假星检测器。

具体分为两种算法，简单算法只能检测出那些“一眼假”的。

比如大批账号都给相同的两个项目标星，没有贡献记录，除了头像和用户名不同其他一毛一样那种。

但对于开头提到的那种6元一星的高级账号，简单算法就无能为力了。

为此，Dagster还设计了一种更复杂的监督聚类算法。

原理也很简单，一批假账号会具有相似的特征，在可视化中可以聚集在一起。

而正常用户的特征应该相当独特，在统计上非常分散，不应该属于任何大的群体。

举个栗子来说，正常的GitHub账号不是每天都有活动记录，如果一群账号活跃的日期都重合，就表明它们很有可能是受同一个脚本控制的。

为验证算法可靠性，他们创建了一个靶子仓库，并真的去购买了刷星服务。

聚类算法在测试中表现非常好，接近100%的匹配率。

在更复杂的真实数据上，也达到了98%的精确度和85%的召回率。

接下来，团队在Github Archive公开数据集上综合使用两种算法测试。

一测不得了，造假最严重的okcash总标星759，简单算法只发现一个疑似假星，结合聚类算法直接蹦到97%，

由于计算成本较高，测试中只分析了2022年1月1日及之后获得的星星。

也就是说，还有很多2022年之前刷星的项目没有被揪出来。

与之相比，他们检测了自己的产品Dagster和几个同行，刷星率都比较低，看来数据管道这个行业还是比较健康的。

在这之后，他们与GitHub团队分享了这些发现，并把检测器也开源了。

曝光48小时之内，GitHub和刷星供应商都行动起来，他们测试用的“靶子仓库”中的假星都消失了。

据GitHub方面回应，其实多年以来一直都在积极打击刷星行为，但仍旧频发，根本管不住。

之前就有学术研究，通过数据分析找出63872个可疑账号，但其中只有不到5%被GitHub平台自己检测出并封号。

研究推测，刷星行业早在2018-2019年就获得了341万-437万美元的利润。

那么为什么会有人花大价钱买GitHub标星，真的能带来实际收益么？

投资人：我们就爱看星标

开源项目团队选择“刷星”的一个重要目的，就是吸引投资者的目光。

一家风险投资公司的合伙人Pratima Aiyagari 表示，做开源项目极大可能很久都赚不到钱。

既然收入情况没法拿来参考，那就要多看一看产品本身的状况了。

考察开源项目最准确的方式是查看代码，但这种方法复杂繁琐且专业性强，并没有成为投资者的首选方式。

于是投资者找出了替代方法——看星标——实际上，他们天生就会寻找快速增长的新账号。

除了绝对数量，风投公司Runa还专门设计了一种名为ROSS指数的指标，依据星标数年增长率对团队进行排名。

Runa的一名合伙人Konstantin Vinogradov说，ROSS指标已经成为了开源项目遵循的重要标准，排名靠前的开源项目中有三分之一都获得了融资。

不过伴随着“刷星”现象的出现，投资者对星标数的看法也开始弱化。

投资人Kevin Zhang说，星标数可能可以成为一块“敲门砖”，但不意味着投资者会因为星标数和项目团队“第二次见面”。

这也印证了学术界的看法——加州大学圣地亚哥分校助理教授Stuart Geiger表示，随着时间的推移，指标（星标数）可能会自行失效。

这就涉及到了两条社会科学定律——坎贝尔定律和古德哈特定律。

坎贝尔定律说，决策当中使用的一项指标越受重视，就越容易被操纵。

好比网络购物，实物我们看不见摸不着，自然就会参考其他买家的评价，于是“刷单”现象也就应运而生了。

古德哈特定律则认为，如果一项指标被人们刻意追逐，那就不（或不再）是一个好的指标。

但在没有更好的替代指标的情况下，就必须确保数据的真实度了，就好像在考试中要不遗余力地打击作弊一样。

不过，除了想吸引投资者的团队之外，还有许多个人开发者也会“刷星”。

目的和创业团队有异曲同工之处，只不过吸引的不是投资者而是HR，希望高星项目能在求职中为他们带来优势。

事实上，也的确有企业将GitHub信息作为评价求职者的指标，甚至有人凭借套壳项目就斩获了Google的offer。

除了选人，在技术选型时也是同样的道理——很多人（尤其非专业人士）会倾向于使用高星项目。

除了GitHub，还有综合型产品发布平台Product hunt，数据类产品平台kaggle，以及IT问答平台StackOverFlow等媒介也越来越多的受到投资人的关注。

不过如果不能建立有效的“防刷单”策略，可能最终也难逃换汤不换药的命运。

对于这种现象，有人总结是“Fake it till they make it.”——

如同“先上车后补票”一样，先假装自己已经成功，直到真的成功为止。

One More Thing

AI，特别是大模型的发展，让检测虚假账户越来越难了。

以前的造假可能只是刷刷星标和点赞，判断用户真伪的方式主要是看账户本身的特征。

但自从有了ChatGPT以后，还可以刷以假乱真而且不重样的评论。

如果一个账户命中了虚假账号的特征，但发布的回复却和真人毫无二致，该如何判断它的真伪？

参考链接：

[1]https://www.wired.com/story/github-stars-black-market-coders-cheat/

[2]https://news.ycombinator.com/item?id=37990338

[3]https://dagster.io/blog/fake-stars

[4]https://dl.acm.org/doi/10.1145/3427228.3427258