Ricerca
CryptoFlowBench: valutare il ragionamento su più passaggi sulle blockchain per tracciare i fondi in criptovaluta
Gli account pseudonimi e i complessi ecosistemi di smart contract ostacolano notevolmente il tracciamento dei flussi illeciti di fondi in criptovaluta. Le reti neurali a grafo (GNN) esistenti hanno…

- arXiv
- 2610.16449
- Pubblicato
- 2026-10-12
- Autori
- Runang He, Tongya Zheng, Jing Cao, Yucheng Ying, Shunyu Liu, Bingde Hu, Yang Gao, Zeyuan Hu, Jianrong Zhang, Mingli Song
Abstract degli autori
Gli account pseudonimi e i complessi ecosistemi di smart contract ostacolano notevolmente il tracciamento dei flussi illeciti di fondi in criptovaluta. Le reti neurali a grafo (GNN) esistenti hanno ottenuto risultati promettenti nel rilevamento delle frodi sulla blockchain, ma le loro previsioni statiche a livello di nodi o archi non si prestano naturalmente al tracciamento dei fondi su più passaggi. I metodi di tracciamento esistenti, nel frattempo, si affidano soprattutto a euristiche predefinite per individuare le relazioni tra più passaggi, il che limita la loro capacità di ragionamento adattivo. Per colmare questa lacuna, presentiamo CryptoFlowBench, un benchmark costruito a partire da rapporti autorevoli su episodi illeciti legati alle criptovalute, con quattro compiti che vanno dal tracciamento locale dei fondi a quello su più passaggi. Questi compiti pongono sfide considerevoli ai metodi esistenti basati sull’apprendimento o sulle euristiche, soprattutto negli scenari complessi che coinvolgono più passaggi. Proponiamo quindi ChainSleuth, un agente dotato di strumenti per l’analisi dei grafi che ragiona in modo iterativo, usa tali strumenti e aggiorna il proprio percorso di tracciamento, riuscendo così ad acquisire informazioni in modo adattivo e a riprendersi dopo aver seguito percorsi errati. Gli esperimenti mostrano che nessun metodo di riferimento prevale sistematicamente in tutti e quattro i compiti, mettendo in luce lacune sostanziali tra il rilevamento locale delle frodi e il tracciamento dei fondi su più passaggi. ChainSleuth ottiene miglioramenti notevoli nei compiti su più passaggi, dimostrando il potenziale del ragionamento sui grafi basato su agenti per le indagini sui fondi in criptovaluta.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv