PumpSense：Telegram 上加密货币拉高出货的实时检测与目标提取

通过 Telegram 协调的加密货币拉高出货（pump-and-dump）方案威胁着市场完整性。然而，针对这一特定威胁的现有研究尚未产生能将可靠结果与快速响应相结合的解决方案。这部分是由于缺乏公开的、消息级标注数据，以及设计选择的问题。在本文中，我们解决了这两个问题。具体而言，我们引入了一个包含来自 39 个拉高出货组织群组的超过 280,000 条 Telegram 帖子的语料库，所有帖子均经过人工审核，以识别 2,246 条拉高出货公告及其目标加密货币和交易所。利用该数据集，我们定义了两个任务：实时拉高出货公告检测和目标加密货币/交易所提取。对于检测任务，我们比较了两种机器学习模型：轻量级基于树的 LightGBM 分类器（F1=0.79，延迟=9.4 s/sample）和基于 Transformer 的 BGE-M3（F1=0.83，延迟=50 ms/sample）。通过我们提出的方法，我们表明消息分析可以在单个 Telegram 消息窗口级别实现近乎瞬时的拉高出货检测。与以往纯粹依赖市场数据且通常在观察到异常交易活动几十秒后才检测到拉高出货的工作不同，我们的方法直接作用于协调消息本身，并且可以在商用硬件上以每窗口微秒级的速度进行评估。据我们所知，我们还建立了首个针对被操纵代币和交易所提取的基准。我们证明，以往文献中广泛依赖的传统基于规则的提取方法由于股票代码的歧义性而无效。相比之下，LLM 取得了最高的准确率，得分为 0.91。