RiskTagger：基于大语言模型的Web3加密洗钱行为自动标注智能体
密码学与安全
2025-10-22 v1 软件工程
摘要
Web3的快速发展推动了去中心化金融的发展，但用户的匿名性和跨链资产流动使链上洗钱行为更加隐蔽和复杂。在此背景下，构建高质量的反洗钱（AML）数据集对风险控制系统和链上 Forensic 分析至关重要，但当前实践仍严重依赖人工，效率和覆盖范围有限。本文介绍RiskTagger，一种用于Web3加密洗钱行为自动标注的大语言模型智能体。RiskTagger旨取代或补充人工标注者，通过解决三个关键挑战：从复杂的非结构化报告中提取线索、推理跨链交易路径、生成面向审计人员的解释。RiskTagger实现了一个集成化的多模块智能体，集成关键线索提取器、跨链获取器（带洗钱行为推理器）和数据解释器，形成数据标注流程。实验在真实案例Bybit黑客事件（其盗取资产价值最高）上进行，结果显示RiskTagger在线索提取方面达到100%准确率，在专家判断一致性方面达到84.1%，在解释生成覆盖率方面达到90%。总体而言，RiskTagger在自动化洗钱行为标注方面实现了效率提升，同时提高了AML研究中的透明度和可扩展性。
引用
@article{arxiv.2510.17848,
title = {RiskTagger: An LLM-based Agent for Automatic Annotation of Web3 Crypto Money Laundering Behaviors},
author = {Dan Lin and Yanli Ding and Weipeng Zou and Jiachi Chen and Xiapu Luo and Jiajing Wu and Zibin Zheng},
journal= {arXiv preprint arXiv:2510.17848},
year = {2025}
}
备注
8 pages(not including appendix), 11 figures