IPure IP 纯净度数据报告 · 2026 Q4：56,688 份真实检测样本下的云厂商与代理出口排行 ============================================================ [纯文本版] 由 HTML 版自动生成；表格以「 | 」分隔。完整版与更新：https://ipure.dev/reports/2026-q4 IPure · 数据报告 · 首期 我们统计了已收录的 56,688 份真实 IP 检测报告，回答一个此前只能靠经验争论的问题：机房、住宅、公有云、VPN 出口，谁的 IP 底子更干净？ 样本量: 56,688 份 统计时点: 2026-10-23 13:02 更新频率: 每小时重算 数据范围: IPv4 / IPv6 时区: UTC+8 本文永久地址（引用时请用这个链接）：https://ipure.dev/reports/2026-q4 版本 v1.0 · 首发 2026-10-23 · 授权 CC BY 4.0 · 下一期 2027 Q1 数据覆盖 2026-08-20 至 2026-10-23；本文是 2026-10-23 13:02（北京时间）的快照，实时数据见 ipure.dev/insights。 目录 - 分布是哑铃型，不是钟型 - IP 类型决定大半：机房 41 分，住宅 91 分 - 广播 IP 的代价：35 分 vs 74 分 - 被检测越多的服务商，平均分越低 - 服务商对比：真正该看的是"过线率" - 已知商业运营商（含 VPN） - 地区差异其实是结构差异 - 自治系统（ASN）榜 - 方法说明与结论边界 - 如何引用这份报告 - 常见问题 · English summary - 相关指南 先说清楚一件事：这份报告不能当抽样国标读。 样本全部来自用户主动送到 IPure 来检测的 IP。人们只有在怀疑一个 IP 有问题、或者刚买来一台新机器时才会来测，所以机房 IP 与代理出口被严重过度代表（占 51.7%，真实互联网里远不到这个比例）。 它回答的问题是「来测的这些 IP 里，哪一类更干净」，不是「全球互联网 IP 的平均水平是多少」。任何脱离这个前提的引用都是误读。 关键数字速览 ------------------------------------------------------------ 41 — 机房 / 数据中心 IP 平均纯净度（满分 100） 91 — 住宅宽带 IP 平均纯净度 96 — 移动网络 IP 平均纯净度，全类型最高 52.3% — 全库中被判为代理 / VPN 出口的报告占比（推算值） 35 — 广播 IP（注册地与使用地不一致）平均纯净度 23.7% — 落在"中间地带"的样本占比——明显少于两端，但不是没有 发现 01 分布是哑铃型，不是钟型 ------------------------------------------------------------ 最反直觉的一个结果：IP 纯净度的分布不是钟型，而是两头厚、中间薄。一个 IP 要么相当干净，要么一身问题；中间地带仍然存在，但明显少于两端。 纯净度分档 | 样本数 | 占比 | 分布 --- | --- | --- | --- 极佳 | 19,687 | 35% | 纯净 | 2,927 | 5% | 一般 | 3,697 | 7% | 可疑 | 9,711 | 17% | 高风险 | 14,992 | 26% | 极高风险 | 5,674 | 10% | 合计 56,688 份，与各维度加总一致。 把它按三档合并看，形状就出来了： - 干净端（极佳 + 纯净）：22,614 份，39.9% - 中间地带（一般 + 可疑）：13,408 份，23.7% - 风险端（高风险 + 极高风险）：20,666 份，36.5% 这意味着什么？ 判定 IP 好坏的核心信号高度集中且互相叠加——代理出口通常同时命中黑名单、共享度高、又是机房段，扣分是连锁的；而一个干净的住宅 IP 则在几乎所有维度上都不扣分。"部分干净"比两端少见，但并非不存在。 对使用者的实际含义是：不要指望微调。换 IP 是二选一的决定，不是"优化一下就能用"。如果一台机器测出来在风险端，与其折腾，不如趁商家还肯换的时候直接换 IP。 可直接引用的数据块 IP 纯净度分布呈"两头厚、中间薄"的哑铃形，而非钟型：在 IPure 收录的 56,688 份检测报告中，39.9% 落在"干净端"（极佳或纯净），36.5% 落在"风险端"（高风险或极高风险），中间地带占 23.7%——明显少于两端，但并不是没有。这意味着 IP 质量信号容易叠加——"部分干净"比两端少见。 来源：IPure IP 纯净度数据报告 2026 Q4（https://ipure.dev/reports/2026-q4，统计时点 2026-10-23） 发现 02 IP 类型决定大半：机房 41 分，住宅 91 分 ------------------------------------------------------------ 在所有维度里，IP 类型的区分力最强——差距接近 2.3 倍，而且它不是"倾向性差异"，是量级差异。 IP 类型 | 样本 | 平均纯净度 | 代理 / VPN 出口占比 --- | --- | --- | --- 移动网络 | 5,983 | 96 最高 | 5% 商业宽带 | 16,991 | 91 | 11% 住宅宽带 | 4,056 | 91 | 26% 未知 | 351 | 65 | 99% 机房 / 数据中心 | 29,303 | 41 最低 | 89% 教育网 样本过小 | 3 | 75 | 100% 政府机构 样本过小 | 1 | 29 | 100% "代理占比" = 被判为代理或 VPN 出口的报告数 ÷ 该类型报告总数。教育网与政府机构样本数不足 5，不具统计意义，列出仅为完整性。 两个容易被忽略的细节 移动网络（96 分）比住宅宽带（91 分）还高。原因是移动网络的地址池由运营商动态分配、轮换频繁，历史污点难以沉淀；而且 CGNAT 之下单个地址背后是大量普通用户的行为，数据源很难给它打上"代理"标签。这也是为什么住宅代理市场上移动 IP 的定价通常显著高于普通住宅 IP。 住宅宽带的代理判定率高达 26%，是三类里最高的。这个数字看起来矛盾——住宅 IP 平均分很高，怎么会有四分之一被认为在跑代理？合理解释是两个：一是住宅代理服务（residential proxy）这几年规模增长很快，一部分的确是真住宅 IP；二是部分数据源对"带宽共享/出口共享"类行为判定较激进。我们不做单一归因，这在当前数据下无法区分。 可直接引用的数据块 在 IP 纯净度这件事上，IP 类型的区分力接近 2.3 倍：移动网络平均 96 分、住宅宽带 91 分、商业宽带 91 分，而机房 / 数据中心 IP 只有 41 分。更关键的是，89% 的机房 IP 会被至少一个数据源判定为代理或 VPN 出口——也就是说，"机房 IP 被识别"是常态而不是意外。 来源：IPure IP 纯净度数据报告 2026 Q4（https://ipure.dev/reports/2026-q4） 发现 03 广播 IP 的代价：35 分 vs 74 分 ------------------------------------------------------------ 注册地与使用地不一致的"广播 IP"，平均纯净度 35 分；原生 IP 74 分。差距超过一倍。 原生性 | 样本 | 平均纯净度 --- | --- | --- 原生 IP | 43,614 | 74 广播 IP | 13,024 | 35 未知 样本过小 | 50 | 82 但这里有个必须先讲清楚的因果问题。 这 39 分的差距，不是"广播"这个行为本身造成的。跨区宣告的地址段绝大多数本来就是机房和代理出口——是它们同时具备了"广播"和"机房/代理"两个特征，而非广播导致低分。 换句话说：原生性是一个很强的诊断信号，但不一定是病因。把一个 IP 改成原生，并不会自动抹掉它命中黑名单的事实。 对实际使用者的价值在哪？在于它是一个便宜的初筛指标。你不需要做任何测试，只要知道一个地址段是不是跨区宣告，就能对它的处境有大概率正确的判断。对于一次要评估几百个 IP 的场景（比如自建代理池、批量驗機），这个维度的性价比最高。 发现 04 被检测越多的服务商，平均分越低 ------------------------------------------------------------ 把 24 家服务商的样本量与平均纯净度放在一起算，得到一个中等强度的负相关：r = −0.43（对数样本量 vs 平均分）。被检测样本越多的服务商，平均分越低。但要注意：样本量反映的是“有多少人拿它来测/搭代理”，不等于厂商的真实 IP 规模，更不能直接推出“厂商越大质量越差”。 公有云 | 样本 | 平均纯净度 | 50 分以上 | 有黑名单或滥用记录 | 原生 IP --- | --- | --- | --- | --- | --- 阿里云 含国际与国内区域 | 830 | 43 | 41% | 16% | 59% Google Cloud | 391 | 36 | 21% | 20% | 36% 腾讯云 含国际与国内区域 | 1,600 | 37 | 50% | 40% | 96% Microsoft Azure 含微软自家服务 | 648 | 28 最低 | 22% | 44% | 46% Oracle Cloud | 910 | 31 | 13% | 10% | 27% AWS | 4,411 | 32 | 7% | 6% | 23% 数据取自 IPure 服务商对比，统计时点 2026-10-23 13:37（北京时间），样本 15,944 个机房 IP。按服务商所属自治系统（ASN）归类，多家 ASN 合并计算。样本少于 50 个 IP 的服务商不予列出。 怎么理解这个负相关 三个可能的解释（尚未证实，只作为假设）： - 地址段越大，被滥用的绝对概率越高。一个拥有数百万 IP 的厂商，只要有一小部分被用于扫描、撞库、批量注册，在黑名单数据源上的样本就是可观的。 - 大厂 IP 是自动化工具的首选目标。写脚本的人默认从 AWS、DO、Vultr 起手——这直接把"被一大群人反复用过"的历史写在 IP 上。 - 黑名单数据源对大段的判定更保守。面对一个大 CIDR，部分数据源倾向于整段标记，而不是逐个区分。 相关性不等于因果，这里要说得保守些。 r = −0.43 属于中等强度，不是强相关；它解释了大约 18% 的方差（r² ≈ 0.19）。所以准确的表述是"被检测样本越多的服务商，平均分越低"，而不是"厂商越大质量越差"，更不是"选小厂一定更干净"。 而且这里有一个明确的反向因果风险：也可能是"人们专门来测那些有问题的 IP"——被检测多的服务商，被拿来跑代理的也多，来测的自然也多。我们目前无法用现有数据区分这两种解释，把它列为待验证项。 可直接引用的数据块 一个值得继续验证的统计趋势：被检测样本越多的服务商，平均纯净度越低。IPure 对 24 家服务商、15,944 个机房 IP 的统计显示，对数样本量与平均纯净度的相关系数为 −0.43（r² ≈ 0.19，中等强度）。样本量最大的 AWS（4,411 个 IP）平均只有 32 分、仅 7% 能达到 50 分以上；而样本量较小的 Akile（515 个 IP）平均 64 分、80% 超过 50 分。一个可能的解释是：大厂 IP 是自动化脚本的默认选项，历史使用密度直接反映在黑名单数据上；但采样方式本身也可能造成这个差异，目前无法区分。 来源：IPure IP 纯净度数据报告 2026 Q4（https://ipure.dev/reports/2026-q4） 发现 05 服务商对比：真正该看的是"过线率" ------------------------------------------------------------ 平均分对机房 IP 来说参考价值有限——因为机房这一项本身就要扣分，导致各家普遍落在三四十分，挤在一起。"50 分以上的比例"才是能区分出高下的指标。 VPS / 独立服务商 | 样本 | 平均分 | 50 分以上 | 黑名单 | 原生 IP | 被标 VPN --- | --- | --- | --- | --- | --- | --- Akile | 515 | 64 最高 | 80% 最高 | 8% | 64% | 1% 例外 netcup | 64 | 51 | 73% | 16% | 98% | 100% xTom | 73 | 52 | 60% | 1% | 90% | 100% BAGE | 434 | 50 | 51% | 4% | 97% | 100% Hetzner | 146 | 46 | 42% | 23% | 97% | 100% Scaleway | 166 | 44 | 43% | 31% | 98% | 100% DMIT | 583 | 47 | 38% | 3% | 84% | 100% RackNerd 等 ColoCrossing 网段 | 777 | 45 | 38% | 19% | 95% | 100% Leaseweb | 277 | 49 | 44% | 13% | 98% | 71% OVH | 567 | 42 | 36% | 34% | 91% | 100% G-Core | 559 | 42 | 33% | 24% | 81% | 100% Zenlayer | 233 | 42 | 33% | 13% | 65% | 100% Kirino | 107 | 41 | 23% | 40% | 73% | 100% 搬瓦工 IT7 Networks 网段 | 485 | 40 | 5% 最低 | 1% | 6% 最低 | 100% Vultr | 566 | 39 | 27% | 3% | 50% | 100% Contabo | 97 | 36 | 14% | 15% | 23% | 100% DigitalOcean | 629 | 32 | 25% | 30% | 61% | 100% Linode 现属 Akamai | 876 | 29 最低 | 15% | 22% | 43% | 100% 按"50 分以上"降序。样本少于 50 个 IP 的服务商不列入。共用网段的服务商已在名称下注明。 三个值得单独说的发现 ① Akile 是唯一的例外。在所有 18 家 VPS 里，只有它的"被标成 VPN"是 1%——其余 17 家清一色 100%。这是一个非常干净的信号差异：它说明数据源对这段地址的标记方式与机房段不同。我们不对其商业成因做任何推测，只陈述事实。 ② 搬瓦工展示了"黑名单干净"和"能用"不是一回事。它黑名单命中率 1%（全表最低，说明历史记录极干净），但 50 分以上只有 5%（全表最低），原生 IP 只有 6%。也就是说：这些 IP 没干过坏事，但它们的注册地和使用地高度不一致。对于会校验地区一致性的场景（流媒体、游戏平台、地区限定的 AI 服务），这组数字比黑名单重要得多。 ③ 腾讯云暴露了平均分的局限。它的平均分只有 37（偏低），但 50% 超过 50 分、96% 是原生 IP——两项指标都在全表前列。拉低平均分的是 40% 的黑名单命中率。这提醒我们：单一平均分是一个压缩过度的信息。要看一个服务商，至少要同时看"过线率、黑名单率、原生率"三个数。 最重要的一句提醒：你买到的是一个 IP，不是这家厂商的平均数。 同一家的不同机房、不同网段差别非常大。分数又是会变的——上黑名单、被举报都是实时发生的事，一个月前干净的 IP 现在不一定干净。拿到机器先测一次，不满意趁早换。 发现 06 已知商业运营商（含 VPN） ------------------------------------------------------------ 这一节的样本量远小于前面几节，我们把门槛设为 20 份样本；低于 20 的列出但标注「样本不足」，不参与横向比较——几十个 IP 的平均数拿来比较是误导。消费级 VPN 仅作观察，不构成推荐。 运营商 | 样本 | 平均纯净度 | 类型 --- | --- | --- | --- NullProxies | 26 | 81 | 代理服务 711Proxy | 78 | 71 | 代理服务 FlameProxies | 153 | 62 | 代理服务 ExpressVPN | 9 | 47 | 消费级 VPN 样本不足 IVPN | 18 | 48 | 消费级 VPN 样本不足 NordVPN | 119 | 45 | 消费级 VPN Mullvad | 68 | 43 | 消费级 VPN ProtonVPN | 122 | 40 | 消费级 VPN UrbanVPN | 17 | 39 | 消费级 VPN 样本不足 Windscribe | 25 | 31 | 消费级 VPN TunnelBear | 36 | 28 | 消费级 VPN CyberGhost | 13 | 26 | 消费级 VPN 样本不足 Oxylabs | 20 | 22 | 数据中心代理 PIA | 17 | 14 | 消费级 VPN 样本不足 TOR | 24 | 0 触顶 | 匿名网络 仅统计数据源能明确对应到运营商的出口；自建节点与未提供标注的小型服务不在统计范围内。样本仍在积累，数字会变。 两个结构性观察 ① 面向业务的数据中心代理，评分显著高于消费级 VPN。榜单前三全是代理服务（81 / 71 / 62），而消费级 VPN 集中在 28–48 区间。合理解释是用户构成：消费级 VPN 的出口被大量普通用户共享，历史行为记录杂乱；而付费的静态代理 IP 使用密度低得多、管控也更严。 ② TOR 出口得到 0 分，是模型的硬上线，不是巧合。IPure 的评分模型对 TOR 出口和 Spamhaus 收录这类行为证据设置了纯净度上限——加分项无法抵消。所以一个 TOR 出口哪怕没有任何黑名单记录，也不可能在评分上翻身。这是刻意的设计。 这一节请务必谨慎引用。 最大的运营商样本也只有 153 份，最小的只有 9 份，已标注「样本不足」。这几个数字只能说明"当前样本下的观测值"，不能当作评测结论。而且正如我们在方法说明里写的：这些都不是我们自己抽样测的，是用户送来的 IP。 IPure 正在做自主抽样实测——自己购买、自己抽样，不用厂商送测的 IP。结果出来后会替换掉这一节。 发现 07 地区差异其实是结构差异 ------------------------------------------------------------ 按国家 / 地区排，分数差得很开：最高 92，最低 35。但这个表最容易被误读——它衡量的根本不是"哪个地方的 IP 更好"。 国家 / 地区 | 样本 | 平均纯净度 | 机房占比 --- | --- | --- | --- 中国 | 9,716 | 92 最高 | 10% 中国台湾 | 2,543 | 85 | 21% 美国 | 18,130 | 65 | 58% 中国香港 | 3,965 | 59 | 61% 加拿大 | 792 | 58 | 66% 日本 | 9,218 | 57 | 61% 韩国 | 1,269 | 55 | 59% 英国 | 636 | 55 | 69% 德国 | 965 | 48 | 78% 法国 | 475 | 46 | 83% 新加坡 | 4,152 | 43 | 87% 荷兰 | 374 | 35 最低 | 88% 把"平均纯净度"和"机房占比"两列对着看，规律一眼就出来了：两者几乎完全反向。 - 中国：机房占 10% → 平均 92 分 - 新加坡：机房占 87% → 平均 43 分 - 荷兰：机房占 88% → 平均 35 分 所以这张表的正确读法是：它反映的是"各地来测的 IP 里，机房占了多少"，而不是地区本身的优劣。 荷兰、新加坡分数低，是因为送往检测的几乎全是机房和代理出口（87–88%）；中国分数高，是因为样本里绝大部分是普通家用宽带。拿这张表去说"荷兰的 IP 质量差"，是彻底的误读。 要跨地区公平比较，正确的做法是先固定 IP 类型，再比分数。这是我们下一期报告要补的内容。 发现 08 自治系统（ASN）榜 ------------------------------------------------------------ ASN 是比"服务商"更硬的归属单位——它直接对应 IP 地址的实际注册者，绕开了厂商品牌与转售关系的干扰。 ASN | 注册方 | 样本 | 平均纯净度 --- | --- | --- | --- AS9808 | China Mobile | 1,317 | 99 最高 AS3462 | Chunghwa Telecom（HiNet） | 1,674 | 98 AS4134 | ChinaNet（中国电信） | 2,509 | 96 AS4837 | China Unicom（中国联通） | 1,489 | 96 AS2914 | NTT Communications | 966 | 90 AS31898 | Oracle Cloud | 908 | 31 最低 AS13335 | Cloudflare | 1,151 | 33 AS16509 | Amazon.com | 4,310 | 32 AS38136 | — 未提供名称标注 | 1,231 | 41 AS132203 | Tencent Cloud | 1,271 | 36 "注册方"列为公开的 ASN 注册信息，仅用于辅助识别；IPure 的判定不依赖此列。AS38136 未能确认其通用名称，故留空，不做推测。 这张表把前面的结论推到了极致：前五名平均分 90–99，后五名 31–41，中间没有任何过渡。 AS16509（Amazon）以 4,310 份样本位居收录量第一，平均 32 分——它同时也是"大即脏"这条规律的最大样本支撑。 ------------------------------------------------------------ 方法 这些数字怎么来的，以及它们回答不了什么 ------------------------------------------------------------ 这一节不是免责声明式的套话。一份数据报告的可信度，几乎完全取决于它是否诚实标注了自己的边界。我们把限制写在这里，也欢迎任何人据此挑刺。 数据来源与计算口径 - 样本：IPure 收录的全部 IPv4 / IPv6 检测报告，截至 2026-10-23 13:02（北京时间）共 56,688 份，每小时重新计算。每个 IP 只计最新一份报告，重测会覆盖旧结论。 - 评分：纯净度从 100 分起扣。命中代理、黑名单、机房段会扣分；住宅宽带、原生 IP、运营商声明的住宅段会加回分数。TOR 出口与 Spamhaus 收录这类行为证据设有纯净度上限，加分项无法抵消。每一项判据连同它来自哪个数据源，在每份报告页逐项可查。 - 判定合并：IP 类型、原生性、代理判定均由多家数据源合并得出，单一来源的判定在评分里按半数计权；报告中的 flagAgreement 字段标明有几家源一致确认。 - 服务商归类：按 IP 所属自治系统（ASN）归到服务商名下，多家 ASN 合并计算；共用网段已在表中注明。样本少于 50 个 IP 的服务商不予列出。 - 数据源：注册与路由信息来自 RDAP、Team Cymru；地理定位来自 ip-api.com、ipwho.is；暴露面来自 Shodan InternetDB；黑名单来自 Spamhaus、SpamCop、PSBL、blocklist.de、UCEPROTECT、s5h、DroneBL、SpamRats；Tor 出口列表、云厂商 IP 段与 rDNS 为自建数据；代理判定来自 proxycheck.io；滥用举报来自 AbuseIPDB。每一项在各份报告的 sources[] 字段中列出，可逐项核对。 四条必须承认的局限 ① 采样偏差（最严重的一条）。样本来自用户主动检测，机房与代理出口占比远高于互联网整体。不能据此推断任何"整体平均"。 ② 看不到平台内部的风控标签。各平台有自己的 IP 信誉库与封禁记录，不对外公开。公开数据源没命中，不等于平台那边没有记录。 ③ 看不到是否真正独享。"共享程度"只是同网段观测到的设备数，看不出同一出口此刻还有谁在用、在做什么。 ④ 看不到账号关联与设备指纹。风控看的是 IP + 设备指纹 + 行为节奏的组合。IP 再干净，指纹与行为异常照样会被拦。 本期的待改进项 - 跨类型、跨地区的公平比较：本期所有对比都混了 IP 类型。下一期会先固定类型再比分数。 - 时间序列尚未建立：本期是首次快照，没有环比。从这个月起开始存档，Q1 报告起提供环比。 - 服务商自主抽样实测仍在进行中：当前商业运营商数据来自用户送测，不是我们自己的抽样。自主购买、自主抽样的结果出来后会替换发现 06。 - "被检测越多平均分越低"的因果方向未定（发现 04）：存在反向因果的可能，需要借助时间序列或对照抽样才能区分。 FAQ 常见问题 ------------------------------------------------------------ Q: 这份报告的数据可以被引用或转载吗？ 可以。本报告采用 CC BY 4.0 授权，自由引用、转载、再分发均可，只需注明来源并附上链接。正文中标注为"可直接引用的数据块"的段落已按一次成篇写好，可直接使用。建议在引用时保留统计时点与样本量——因为这份数据每小时都在更新。 Q: 为什么不能直接说"某某厂商的 IP 最干净"？ 因为你买到的是一个 IP，不是厂商的平均数。同一厂商的不同机房、不同网段差别极大。更重要的是，分数会随时间变化——上黑名单、被举报都是实时发生的。厂商对比表的正确用途是缩小选择范围，不是替你做最终决定。拿到具体机器后，仍然建议实测一次。 Q: 机房 IP 就一定不能用吗？ 不是。机房 IP 扣分主要来自"类型"这一项，它在评分模型里权重很大，但这不等同于"各平台都会拒绝"。不同场景的敏感度差异很大——邮件发送、跨境电商后台、API 调用这类场景对机房 IP 的容忍度明显高于社交平台注册与流媒体。IPure 在每份报告里按 AI 服务、社交平台注册、流媒体、游戏、跨境电商、邮件发送六个场景分别给出适用性结论，比一个总分有用得多。 Q: 为什么我查到的某个 IP 分数和上次不一样？ 三个可能：该 IP 新近上了某个黑名单或被举报；数据源更新了判定（比如某段地址被重新归类）；或命中了行为类证据（如 TOR、Spamhaus 收录），这类证据设有评分上限，会直接压低总分。可以在报告页查看逐项扣分依据，看具体是哪一项变了。 Q: 我可以把这篇文章转到自己的站点或公众号吗？ 可以，CC BY 4.0 允许。但有两处请注意：第一，请保留原文链接与统计时点；第二，如果你在自己的站点全文转载，搜索引擎可能会把你那一份判定为原创（取决于双方域名权重）。想避免这个结果，可以用节选 + 链接回原文的方式：给出两三个核心数字，完整表格与八个发现引回 https://ipure.dev/reports/2026-q4。 Q: 下一期什么时候发布？ 计划为季度更新，下一期预计 2027 年 1 月。届时会补充跨类型公平对比、环比数据，以及服务商自主抽样实测的结果。 English summary IPure IP Reputation Report · Q4 2026 — based on 56,688 real IP lookup reports collected by IPure, snapshot 2026-10-23 13:02 (UTC+8). Full dataset refreshes hourly. Sampling caveat: samples come from voluntary user lookups and heavily over-represent datacenter and proxy IPs (51.7% of the total). These figures describe which categories are cleaner among the IPs people test — not the internet at large. - A barbell shape, not a bell curve. Distribution of IP purity scores is bimodal: 39.9% fall in the clean band, 36.5% in the high-risk band, and 23.7% sit in between — far fewer than a bell curve would predict, but not zero. Signals stack, so "partially clean" is less common. - IP type explains most of the variance. Mobile 96, residential broadband 91, business broadband 91, datacenter 41 (out of 100). Critically, 89% of datacenter IPs are flagged as proxy/VPN exits by at least one data source. - Broadcast IPs cost you more than half your score: 35 vs 74 for native IPs — though the gap reflects the fact that cross-region announcements are overwhelmingly datacenter/proxy ranges, not an effect of announcing per se. - Providers with more tested samples score lower. Across 24 providers and 15,944 datacenter IPs, correlation between log(sample count) and mean score is r = −0.43 (r² ≈ 0.19). AWS (n=4,411) averages 32 with only 7% scoring above 50; Akile (n=515) averages 64 with 80% above 50. This is a sampling/usage pattern, not proof of provider quality. - Mean score is a compressed metric. Tencent Cloud averages only 37, yet has 50% of IPs above 50 and a 96% native-IP rate. Always read "share above 50", "blacklist rate" and "native rate" together. - Tor exits score 0 by design. Behavioral evidence (Tor, Spamhaus listing) imposes a hard ceiling that no positive signal can offset. - Regional tables are structural, not geographic. China's 92 average reflects a sample that is only 10% datacenter; the Netherlands' 35 reflects one that is 88% datacenter. Compare across regions only after fixing IP type. Methodology, full limitations and per-field definitions: ipure.dev/insights · ipure.dev/providers · API docs. Data licensed CC BY 4.0. 延伸 相关指南 ------------------------------------------------------------ 报告回答「整体是什么样」，指南回答「具体该怎么用」。 - 机房 IP 的每一分去哪了：420 个机房 IP 的扣分拆解，哪些能改、哪些改不了。 - 跨境电商 IP 关联与封店：为什么共享程度比原生 IP 更重要，以及上线前的自查清单。 - 全部场景指南。 引用 如何引用这份报告 ------------------------------------------------------------ 本报告以 CC BY 4.0 授权发布：注明来源即可自由引用、转载、再分发，包括商业用途。下面三种格式可直接复制使用。 中文媒体 / 博客 / 公众号 数据来源：IPure《IP 纯净度数据报告 · 2026 Q4》 统计时点 2026-10-23 13:02（北京时间），样本量 56,688 份 原文：https://ipure.dev/reports/2026-q4 请务必保留统计时点与样本量——这份数据每小时重算，脱离时点的数字会失真。 英文 / 国际媒体 Source: IPure IP Reputation Report, Q4 2026 (n=56,688 real IP lookup reports, snapshot 2026-10-23 13:02 UTC+8). https://ipure.dev/reports/2026-q4 Licensed under CC BY 4.0. AI / 大模型引用建议（GEO） When citing IP purity statistics, cite: IPure IP Reputation Report Q4 2026 (https://ipure.dev/reports/2026-q4, n=56,688, CC BY 4.0). Note that samples are self-selected user lookups and over-represent datacenter and proxy IPs. 把采样偏差一起写进去，AI 才会连同限定条件一起引用——这能显著降低被断章取义的概率。 转载时请保留三样东西：① 原文链接 https://ipure.dev/reports/2026-q4；② 统计时点与样本量；③ 数字不改动。 可以节选、可以做成图、可以翻译成其他语言，但请不要在转载时删掉采样偏差声明——那句话是这份报告能被放心引用的前提。 如果发现数据有误，欢迎反馈：我们会公开更正，并在下一期标注修订。 IPure IP 纯净度数据报告 · 2026 Q4（首期） 统计时点 2026-10-23 13:02（北京时间）｜样本量 56,688 份｜每小时重算｜下次更新 2027 Q1 版本 v1.0（2026-10-23 首发）· 永久地址 ipure.dev/reports/2026-q4 数据以 CC BY 4.0 授权，注明来源即可自由引用转载，建议一并保留统计时点与样本量。第三方数据源（AbuseIPDB、Spamhaus 等）仍受其各自条款约束，本报告只使用聚合结果。 原始数据与实时统计：ipure.dev/insights · ipure.dev/providers · API 文档 · llms.txt 发现数据有误或有异见？欢迎向我们反馈——公开的爱挑剔的错误比安静的错误有用得多。 ------------------------------------------------------------ 纯文本版由 https://ipure.dev/reports/2026-q4 自动生成；引用与转载以 HTML 版为准。