本文提出 DOITRUST，一种基于图学习的链上受损域名检测方法。传统的域名黑/白名单通常不完整且具有被动性，为此作者首先构建了扩展图（expansion graph），通过爬取超链接并基于信任传递性有机生成互联网域名白名单。然而，在这种扩展图中，恶意节点可能沿着受损网站的路径深埋其中，形成所谓的“链上受损”（on-chain compromise），其隐蔽性和大规模特性使得现有恶意分析难以适用。为了揭示链上受损，DOITRUST 采用两阶段集成方案：第一阶段，开发半监督的怀疑预测方案，利用节点特征和图拓扑信息预测节点成为受损目标（即拒绝域名）的概率，包括一种新颖的节点排名方法作为高效全局传播机制，以及可扩展的图学习方案将全局传播与局部预测模型训练分离；第二阶段，基于怀疑预测结果提出高效剪枝策略，进一步从爬取的图中移除高度可疑节点，并分析底层受损指标。实验表明，DOITRUST 在使用不到 1% 的标记节点进行怀疑预测时即可达到 90% 的准确率，其学习能力优于现有的基于节点和基于结构的方法。此外，该模型具有可移植性和实用性。人工审查发现至少 94.55% 的检测节点含有可疑内容，并调查了链上受损的底层指标。