中国公安大学开发AI加密交易追踪模型：DGNN+LLM框架对持牌VASP的AML合规启示

核心摘要

中国人民公安大学研究团队在《情报杂志》发表论文，开发了一套融合动态图神经网络（DGNN）、历史模式记忆模块与大语言模型（LLM）的加密交易非法行为检测框架。

在公开 Elliptic 比特币交易数据集上取得 89.4% 总体准确率，非法交易识别精确率 89.1%，可生成风险评分、关键证据与自然语言分析报告。

论文发表于2026年5月，研究背景与中国最高检2025年起诉3,259人涉虚拟货币洗钱案的执法升级趋势同步。

该技术标志着链上执法从被动追踪向主动智能识别的范式转移，对全球持牌VASP的AML/CFT合规体系提出更高要求。

与2025年12月发表的北京市公安局经侦总队相关论文（GCAA模型，Elliptic数据集100%准确率）共同揭示中国执法机构在区块链分析领域的技术储备快速深化。

📑 文章目录

技术架构：DGNN+LLM 三组件协同 — 模型设计与核心创新点解析
实证表现与学术发表背景 — Elliptic 数据集测试结果与执法背景
中国链上执法技术升级全景 — 从GCAA到本论文的技术演进脉络
对持牌VASP的合规启示 — 交易监控、STR报告与跨境协作的升级压力

Aiying 艾盈是一家专注于传统金融及Web3的合规咨询服务机构，本文为团队原创，转载需授权。

链上交易的匿名性长期以来是加密资产监管的核心难题。2026年8月，中国人民公安大学研究团队在学术期刊《情报杂志》发表的一项研究成果，为这一问题的技术解决方案提供了新的参照系——一套融合动态图神经网络、记忆机制与大语言模型的AI框架，在公开数据集上实现了接近90%的非法交易识别准确率。

技术架构：DGNN+LLM 三组件协同

动态图神经网络：将交易网络视为持续演化系统

该模型的核心创新在于将区块链交易生态建模为一个动态演化图，而非静态快照。传统图神经网络（GCN, GraphSAGE）以特征聚合为主，分析交易地址间的静态关系；该框架的动态图神经网络（DGNN）组件则追踪交易结构、资金流向及其随时间的变化趋势，捕捉洗钱行为中”分散-归集-混币-出金”的动态模式演化（据《南华早报》，2026-08-02）。

记忆模块与LLM：历史模式检索与自然语言解释

论文中描述的记忆模块将新交易与历史上已识别的非法交易模式进行相似度比对，使得模型能够识别不断演变的犯罪手法而非仅依赖固定规则。随后，大语言模型（LLM）将DGNN提取的交易特征、记忆模块匹配的历史模式及网络结构信息整合，转化为自然语言风险评估报告，输出内容包括合法/非法分类、风险评分、关键证据与推理链条。

通讯作者孙景超博士（刑事侦查与网络安全方向）在论文中写道，该研究”为监管部门打击非法加密货币交易和经济犯罪提供了一条创新的技术路径”。

实证表现与学术发表背景

Elliptic 数据集测试结果

研究团队在公开的 Elliptic 比特币交易数据集上进行了测试，该数据集包含203,769个交易节点、234,355条边、每个节点166个特征。模型取得了以下指标（据 South China Morning Post，2026-08-02）：

总体准确率：89.4%
非法交易精确率：89.1%
非法交易召回率：64.5%

精确率接近90%意味着误报率相对可控，而召回率64.5%则表明模型仍存在漏检空间——这在执法场景中是一个值得关注的特征：工具更倾向于谨慎标记，优先保证命中精度。

执法背景

该研究的问世时间与中国执法机构对虚拟货币金融犯罪的打击力度升级高度重合。2026年3月，中国最高人民检察院披露，2025年共起诉3,259人涉嫌利用虚拟货币和地下钱庄洗钱；2026年7月25日，内蒙古某法院审结一起涉资近30亿元人民币（约4.44亿美元）的案件，资金被指用于世界杯期间在线赌博结算（据 Sputnik News，2026-08-02）。

中国链上执法技术升级全景

从 GCAA 到本论文：两条技术路线并行

值得注意的是，该论文并非孤立事件。2025年12月，北京市公安局经侦总队与中国人民警察大学联合团队在《数据与计算发展前沿》期刊发表了GCAA（Graph Community-Aware Augmentation with LLMs）模型（据《数据与计算发展前沿》，2025-12-20）。该模型在 Elliptic 数据集上使用 DeepSeek/Qwen 大模型特征增强后达到100%准确率，在 EPTransNet 数据集（297,348,9个节点）上也超越了传统算法。

两篇论文的差异在于技术路径：GCAA 侧重社团挖掘+威胁环境感知，中国人民公安大学论文侧重动态图演化+记忆检索。但底层逻辑一致——LLM正在成为链上调查的标准组件，执法机构的技术储备已从规则引擎时代进入AI原生时代。

对持牌VASP的合规启示

交易监控体系面临精度升级压力

执法端技术能力的提升将直接传导至持牌机构的合规义务。当监管机构能够以近90%的精确率自动化识别链上可疑交易时，持牌VASP的内部交易监控系统（TMS）若仍依赖传统规则引擎（阈值触发、黑名单匹配），将面临与监管能力不对称的合规风险。FATF 第15项建议要求虚拟资产服务商实施基于风险的交易监控，而AI驱动的链上分析工具正在重新定义”合理措施”的标准。

STR报告质量与时效的新要求

DGNN+LLM框架具备生成自然语言风险分析报告的能力，这暗示未来可疑交易报告（STR）的审查标准可能从”是否报告”转向”报告深度”。持牌机构应考虑升级STR编制流程，在报告中纳入交易图谱分析、历史模式比对等结构化论证，而非仅描述交易金额与对手方。

跨境数据共享的合规张力

中国执法机构的技术能力提升也提出了一个跨境合规命题：当中国监管部门掌握先进的链上追踪工具时，FATF Travel Rule 框架下的跨境信息共享需求可能增加，而持牌机构需在数据隐私法规（如中国个人信息保护法PIPL）与AML合规义务之间寻找平衡。对于同时持有香港SFC牌照并在亚太运营的机构而言，这一张力尤为突出。

常见问题（FAQ）

该AI模型的89.4%准确率在实际执法中意味着什么？

89.4%的总体准确率搭配89.1%的精确率意味着该工具在标记可疑交易时误报率可控，适合作为执法调查的初步筛选层。但64.5%的召回率表明近三分之一的非法交易可能被漏检——该模型应被视为辅助工具而非独立决策系统。在实际执法部署中，它更可能用于缩小调查范围、生成初步线索，最终仍需人工研判。

持牌VASP应如何主动应对执法技术升级？

持牌机构可以采取三项核心措施：（1）评估现有TMS系统与AI驱动链上分析工具的能力差距，优先升级交易图谱可视化与行为模式识别功能；（2）将STR编制流程从描述性报告升级为分析性报告，纳入资金流路径图与异常模式说明；（3）建立监管技术情报追踪机制，监控主要司法管辖区（美国OFAC/FinCEN、欧盟ESMA、香港SFC）对AI执法工具的采用动态，提前调整合规资源配置。

来源：

中国

中国公安大学开发AI加密交易追踪模型：DGNN+LLM框架对持牌VASP的AML合规启示