Tracing the Shadows: Automatic Tracking and Analysis of Crypto Money Laundering via Transaction Semantic Analysis
本文介绍了 AMLGuard，这是一个具备语义感知能力的框架，它利用静态基于规则的分析和检索增强的大语言模型（LLM）推理来推断高层级交易意图，并准确追踪单链及跨链 DeFi 环境中的非法资金流向，在重建超过 10 亿美元被盗资产的洗钱拓扑结构方面实现了卓越的精确率和召回率。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，互联网是一个巨大的、全球性的游乐场，人们可以在不需要银行或老师监督的情况下进行数字代币交易。这就是去中心化金融（Decentralized Finance，简称 DeFi）的世界。它就像一台永不眠的巨大自动化自动售货机，让任何人都能交换一种数字货币为另一种，或者通过借出自己的代币来赚取利息，或者用它们进行抵押借贷。但由于每个人都是匿名的，且这些机器向公众开放，坏人也找到了潜入的方法。当黑客窃取数十亿美元价值的数字代币时，他们不仅是把钱据为己有，还会尝试“洗白”它们。把洗钱想象成试图清洗一只沾满泥泞的鞋子，让它看起来焕然一新。他们将脏钱通过一系列令人眼花缭乱的数字交换、贷款和在不同区块链（这些就像是不同的、独立的游乐场）之间的跳转来隐藏其来源。其目标是让这些“脏”钱看起来如此干净且混杂，以至于没人能辨别出它们的来源。这是一个巨大的问题，因为如果我们无法追踪资金，我们就无法抓到小偷，也无法追回资金。
这就是名为 AMLGuard 的新工具发挥作用的地方，它扮演着数字世界中超级聪明侦探的角色。传统的追踪被盗加密货币的方法就像是通过数清小偷迈出的每一步——甚至包括他系鞋带时的每一步——来追踪他。这种方法既混乱又令人困惑，往往让你在原地打转。然而，AMLGuard 不仅仅是在数步数；它理解小偷移动的“原因”。它观察复杂的数字交易，并弄清楚背后的“故事”——这究竟是一次交换？一次存款？还是一次跨链跳转？通过理解故事，它可以忽略噪音，并追踪被盗资金的真实路径，即使小偷试图通过在不同区块链之间跳转来隐藏行踪。
问题所在：数字洗衣机的迷宫
在加密货币的世界里，窃取资金的黑客面临一个挑战：他们必须隐藏赃物的来源。他们通过将被盗代币在多个地址之间移动、将其兑换成不同的货币、将其贷出，甚至有时将其发送到不同的区块链（比如从一个游乐场跳到另一个游乐场）来进行操作。这个过程被称为“洗钱”。
问题在于，背后留下的数字痕迹极其混乱。黑客的一个动作可能会触发数十个微小的内部计算机行为。旧的追踪工具观察这些微小的动作。它们看到代币从地址 A 移动到地址 B，然后进入一个合约，再到地址 C，于是它们就陷入了混乱。它们可能会认为一个无害的计算机程序（比如自动售货机）是犯罪同伙，或者在死胡同的迷宫中迷失方向。它们难以看到大局：“哦，这整个混乱过程其实只是简单地将一种货币交换成了另一种。”因为它们无法理解交易的“含义”，所以会生成巨大的、充满噪音的地图，让人无法追踪，尤其是在资金跳转到连接并不明显的不同区块链时。
解决方案：AMLGuard 的“语义”超能力
由 Hao Wu 和 Haijun Wang 领导的研究人员开发了一个名为 AMLGuard 的新系统。与其仅仅计算代币数量，AMLGuard 试图理解每一笔交易的“意图”。他们称之为“语义分析”。
可以这样理解：如果你看到一个人走进面包店，买了一个蛋糕，然后走出来，基础摄像头只会记录“此人从 A 点移动到了 B 点”。而一个聪明的观察者则会理解这个“动作”：“他们买了一个蛋糕。”AMLGuard 对加密货币也是如此。它接收复杂的交易，并将其转化为高层级的“DeFi 语义单元”（DeFi Semantic Unit，简称 DSU）。它不再看到 50 个微小的代币移动，而是看到一个清晰的动作：“交换”、“存款”或“取款”。
为了实现这一点，AMLGuard 使用了两个主要技巧：
- 基于规则的侦探工作： 它拥有一套常见的模式列表（例如，“如果代币进入，且不同的代币出来，那么这就是一次交换”）来快速识别标准动作。
- AI 大脑力量： 对于那些不符合规则的复杂、奇怪的动作，它使用了一种大语言模型（LLM）——一种非常擅长理解上下文的 AI 类型。它观察混乱的数据并询问 AI：“根据我们之前看到的类似模式，这实际上是在做什么？”AI 随后推测其含义，系统会进行自我检查以确保不会凭空捏造。
跨链挑战：跨越围栏
追踪资金最困难的部分之一是当资金从一个区块链跳转到另一个区块链时（例如从 Ethereum 跳转到 Arbitrum）。这就像小偷从一个城市逃到了另一个城市，第一个城市的警察因为第二个城市的警察没有同样的地图而失去了线索。
AMLGuard 通过仔细观察交易的“信封”来解决这个问题。尽管两个链之间的连接并不总是显而易见的，但该系统可以通过阅读交易数据中的隐藏指令，准确判断资金下一步的去向。它恢复了“跨链意图”，使得追踪过程能够在不同的区块链之间无缝衔接，而不中断线索。
结果：抓住小偷
研究人员在 82 起真实的案例中测试了 AMLGuard，这些案例涉及黑客窃取的资产超过 10 亿美元。他们将其与五种顶尖的追踪方法进行了对比。
结果令人印象深刻：
- 准确性： AMLGuard 在单链案例中找到了被盗资金的最终目的地，精准度达到 94.4%；在跨链案例中达到了 87.6%。这意味着当它指向一个最终地址时，几乎总是正确的。
- 完整性： 它成功找回了单链洗钱过程中涉及的 98.4% 的地址，以及跨链案例中的 95.8%。它并没有遗漏太多步骤。
- 效率： 其他工具会在包含数万笔交易的巨大、混乱的地图中迷失方向，而 AMLGuard 则保持了地图的小巧与整洁，平均每起事件仅分析约 299 笔交易。这使得人类调查员的审查速度大大加快。
在一次现实世界的测试中，使用 AMLGuard 的人类专家分别能在 10 分钟和 3 分钟内解决复杂的案例，相比之下，使用旧工具或手动操作所需的时间要长得多。该系统成功重建了“非法资金流拓扑结构”（illicit fund-flow topology），这是一种高级说法，指的是它绘制了一张清晰、准确的地图，展示了被盗资金如何从黑客流向最终的变现点。
它不做的事情（以及未来方向）
了解 AMLGuard 不做 什么也很重要。一旦资金进入“混币器”（一种旨在模糊代币来源使其无法追踪的服务）或用于提现的中心化交易所，追踪就会停止。一旦资金进入混币器，在本研究中即视为线索中断。此外，该系统目前专注于同时发生的交易（单笔交易）。它目前还无法追踪跨越许多天和多笔交易的复杂计划，不过研究人员认为这是一个值得未来努力的方向。
论文指出，通过理解数字交易的“含义”而非仅仅是原始数据，我们可以建立更好的防御机制来应对加密犯罪。AMLGuard 表明，通过结合规则与智能 AI，我们可以穿透噪音并追踪阴影，从而让黑客更难隐藏他们的赃物。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。