arXiv cs.AI· Runang He, Tongya Zheng, Jing Cao, Yucheng Ying, Shunyu Liu, Bingde Hu, Yang Gao, Zeyuan Hu, Jianrong Zhang, Mingli Song·· 3 天前AI 评分22
CryptoFlowBench：面向加密货币资金追踪的多跳推理基准
CryptoFlowBench: Benchmarking Multi-Hop Reasoning on Blockchains for Cryptocurrency Fund Tracing
AI 导读
研究者提出 CryptoFlowBench，一个基于权威加密货币非法事件报告构建的基准，包含从局部到多跳资金追踪的四项任务，现有学习和启发式方法在这些任务上均面临显著挑战。同时提出图工具增强的智能体 ChainSleuth，通过迭代推理、调用图工具并更新追踪轨迹，实现自适应信息获取与错误路径恢复。实验显示没有基线能在四项任务上全面占优，ChainSleuth 在多跳任务上取得明显提升。
正文 · AI 翻译
摘要：匿名账户和复杂的智能合约生态系统极大地阻碍了对非法加密货币资金流动的追踪。现有的图神经网络（GNN）在区块链欺诈检测中已取得良好性能，但其静态的节点级或边级预测无法自然泛化到多跳资金追踪。与此同时，现有的追踪方法主要依赖预定义的启发式规则来捕捉多跳关系，限制了其自适应推理能力。为弥合这一差距，我们提出了 CryptoFlowBench，这是一个基于加密货币相关非法事件权威报告构建的基准，包含四项任务，涵盖从局部到多跳的资金追踪。这些任务对现有的基于学习和基于启发式的方法构成了重大挑战，尤其是在复杂的多跳场景中。因此，我们提出了 ChainSleuth，一种图工具增强的智能体，它迭代地进行推理、调用图工具并更新其追踪轨迹，从而实现自适应信息获取和从错误路径中恢复。实验表明，没有任何基线能持续在所有四项任务中占据优势，揭示了局部欺诈检测与多跳资金追踪之间的巨大差距。ChainSleuth 在多跳任务上取得了显著改进，展示了智能体图推理在加密货币资金调查中的潜力。
| Comments: | 9 pages, 2 figures. Currently under review |
| Subjects: | Cryptography and Security (cs.CR); Artificial Intelligence (cs.AI); Machine Learning (cs.LG) |
| Cite as: | arXiv:2610.16449 [cs.CR] |
| (or arXiv:2610.16449v1 [cs.CR] for this version) | |
| https://doi.org/10.48550/arXiv.2610.16449 arXiv-issued DOI via DataCite (pending registration) |
Submission history
From: Runang He [view email]
[v1]
Mon, 12 Oct 2026 09:15:35 UTC (478 KB)
来源：arXiv cs.AI · arxiv.org