以太坊是一个去中心化的区块链平台,支持智能合约的执行,实现自动化和透明的交易(Han, Pan, Li, 2022a; Han, Zhu, Li, Liang, Souri, Li, 2022b; Tandon, Sharma, 2025)。以太坊的迅速普及推动了去中心化金融(DeFi)的发展,这是其核心应用领域之一。DeFi基于智能合约、去中心化交易所、借贷协议和稳定币,提供透明且无需许可的金融服务,从而推动了以太坊生态系统的持续扩展(Li, Han, Crespi, Minerva, Raza, Farahbakhsh, Liang, Zheng, 2025a; Li, Han, Shi, Xin, Li, Chang, 2025b; Li, Han, Weng, Wu, Li, Castiglione, 2025c; Qian, Cao, Liu, Li, Li, Zhang, Xu, Chen, He, 2025)。然而,随着用户数量的增加和参与度的提高,欺诈事件也随之增多。恶意行为者利用区块链的匿名性非法获取加密货币,造成巨大的经济损失,并削弱了用户对以太坊生态系统的信任(Wu, Xu, Wang, Han, & Chai, 2026)。根据CertiK 2025年上半年的报告,加密货币黑客攻击造成了24.7亿美元的损失,其中以太坊占了15亿美元1。值得注意的是,网络钓鱼攻击占以太坊生态系统中所有事件的近50%(Ye et al., 2025),并在2025年上半年导致1.32亿多美元的损失2。因此,开发有效且可扩展的方法来检测以太坊上的网络钓鱼欺诈账户已成为一项紧迫且重要的任务。
然而,现有的检测方法主要依赖于静态交易图,这些图仅能捕捉交易网络的固定拓扑结构(Chen, Peng, Liu, Li, Xie, Zheng, 2020a; Cui, Zhang, Hou, 2025; Lin, Xiao, Hu, Li, Zhang, Luo, 2023; Sui, Zhang, Chen, Wu, Sun, Palaiahnakote, 2025; Wang, Xu, Cheng, 2023; Wen, Xiao, Wang, Wang, 2023; Yang, Yu, Wu, Lin, Wu, Zheng, 2024; Yuan, Huang, Zhang, Wu, Zhang, Zhang, 2020a; Yuan, Yuan, Wu, 2020b)。这些静态模型难以捕捉交易关系的时间演变特性,尤其是那些经常表现出高频、短期异常行为的网络钓鱼账户。此外,大多数现有方法仅使用账户之间的成对交互来构建交易图。这种表示方式本质上忽略了高阶关系,如多跳传输路径和协调的群体行为,而这些在现实世界的网络钓鱼攻击中很常见。因此,这严重限制了模型的表达能力和泛化能力。尽管一些方法利用循环神经网络来捕捉交易行为的动态模式并提供早期警报,但它们有效学习上下文文本信息的能力仍然有限(Tang, Ye, Chen, Zhou, 2024; Xu, Li, Zhu, Shen, Sharif, 2024; Ye, Han, Tang, Chen, Feng, Li, Shi, 2025)。因此,迫切需要一种能够同时模拟动态交易网络、高阶关系结构和长期时间依赖关系的检测方法,以实现更高的检测准确性和实时性能,以识别以太坊上的网络钓鱼欺诈账户。
为克服上述挑战,本研究提出了一种结合演化超图序列与大型语言模型(LLM)的方法,用于检测以太坊上的网络钓鱼欺诈账户,该方法名为HyperSeq-LLM。我们首先使用滑动窗口构建时间交易序列以捕捉动态交易模式,并开发了一种基于特征聚类的超图生成(FCHG)方法来模拟这些序列中的多方高阶交互。随后,我们提出了AwareHGCN,该方法将超边大小感知加权集成到超图卷积网络(HGCN)中,以增强超图结构的表示能力。最后,我们设计了特定任务的提示并应用量化低秩适应(QLoRA)来微调LLM,使其能够捕捉演化超图中的长期依赖关系和细微异常模式。实验结果表明,HyperSeq-LLM在动态建模、高阶交互表示和高效长期依赖关系学习方面有所提升,为检测以太坊上的网络钓鱼欺诈提供了可扩展且稳健的解决方案。其在检测准确性方面优于其他最佳方法,并在交易早期阶段实现了高效率。该框架如图1所示。我们的贡献可总结如下:
•我们提出了一种结合演化超图序列与大型语言模型的方法,用于检测以太坊上的网络钓鱼欺诈账户。这种方法缓解了现有简单图模型在捕捉高阶交互方面的局限性,以及时间模型在学习动态交易模式方面的不足。
•我们使用滑动窗口并设计FCHG来构建演化超图序列。为了更好地表示动态超图,我们引入了AwareHGCN来捕捉每个序列中的潜在交易模式。
•我们设计了特定任务的提示并应用QLoRA来微调LLM,使其能够充分利用其上下文学习能力来捕捉账户交易行为的演变,同时在资源受限的情况下也能实现高效检测。
•我们在多个数据集上验证了HyperSeq-LLM,证明了其在检测准确性、稳健性和预警能力方面优于现有的最佳方法。
本文的结构如下。第2节回顾了以太坊网络钓鱼检测和大型语言模型的相关工作。第3节详细阐述了问题并介绍了HyperSeq-LLM框架。第4节提供了实验设置和结果分析。最后,我们在第5节总结并讨论了未来的工作。