大语言模型用于加密货币交易分析：比特币案例研究
密码学与安全
2025-09-05 v3 机器学习
摘要
尽管加密货币广泛应用，但当前的交易分析方法往往依赖于不透明、黑箱模型。尽管这些模型可能实现高性能，但其输出难以解释和调整，难以捕捉细微的行为模式。大语言模型（Large language models, LLMs）有望填补这一空白，但其在该领域的能力仍 largely 未被探索，尤其是在网络犯罪检测中。本文通过将LLMs应用于真实世界的加密货币交易图谱（特别是比特币，作为最受研究和广泛采用的区块链网络），来检验这一假设。我们引入三层次框架来评估LLM能力：基础指标、特征概览及情境解释。这包括一种新的人类可读图表示格式（LLM4TG），以及一种增强型交易图抽样算法（CETraS）。它们显著降低了token需求，将LLMs对多个中等规模交易图的分析从几乎不可能变为在严格的token限制下可行。实验结果表明，LLMs在基础指标和特征概览方面表现出色，节点层面基本信息识别准确率超过98.50%，获取有意义特征的比例达95.00%。在情境解释方面，LLMs在分类任务中也表现出色，即使在极少的标记数据下，Top-3准确率可达72.43%，并提供解释。尽管解释并非总是完全准确，但这凸显了LLMs在该领域的巨大潜力。同时仍存在若干局限性，我们随后讨论并提出未来研究的方向。
引用
@article{arxiv.2501.18158,
title = {Large Language Models for Cryptocurrency Transaction Analysis: A Bitcoin Case Study},
author = {Yuchen Lei and Yuexin Xiang and Qin Wang and Rafael Dowsley and Tsz Hon Yuen and Kim-Kwang Raymond Choo and Jiangshan Yu},
journal= {arXiv preprint arXiv:2501.18158},
year = {2025}
}