随着去中心化金融（DeFi）的快速发展，与加密货币相关的安全事件日益增多。攻击者在事件发生后通常尝试快速转移被盗资产，隐藏非法资金的来源并最终兑换为法币。然而，现有的反洗钱（AML）方法难以应对DeFi交易的语义复杂性：它们要么过度依赖底层的代币转移，要么执行与协议无关的资金流分析，无法捕捉交易的高层意图。本文提出AMLGuard，一个面向账户式区块链的语义感知AML框架。AMLGuard通过语义分析复杂DeFi交易来追踪已知恶意地址的非法资金流动，实现准确且连续的洗钱追踪。对于复杂交易，AMLGuard结合静态规则分析与检索增强的大语言模型（LLM）推理，推断隐含的DeFi语义，将原始交易数据转化为高层语义表示。此外，对于洗钱意图未明确暴露的跨链交易，AMLGuard解析交易参数并执行参数剖析以恢复跨链语义，实现跨账本的无缝追踪。基于推断的语义，AMLGuard将每笔交易抽象为DeFi语义单元（DSU）。作者在82个真实洗钱案例上评估了AMLGuard的有效性，涉及超过10亿美元的非法资产。具体而言，AMLGuard重构了紧凑的非法资金流拓扑，单链和跨链数据集的终点精度分别达到94.4%和87.6%，地址召回率最高为98.4%和95.8%，终点召回率为94.1%和93.8%。该工作展示了语义分析在加密货币反洗钱中的巨大潜力。

本研究针对区块链取证中广泛使用的地址聚类技术——多输入启发式（MIH）进行了可靠性评估。MIH通过将可能属于同一实体的地址聚类，帮助执法部门追踪非法加密货币流动。尽管该方法被普遍采用，但此前缺乏基于可靠真实数据的系统评估。为此，作者实现了一个可复用的评估框架，涵盖九项成熟指标，并利用从欧洲加密货币服务提供商（在法定报告义务下）直接获取的真实地址-实体映射数据作为基准。实验发现：当评估仅限于已报告地址时，MIH在数据集层面表现良好（召回率0.71，且未出现不同服务间的合并）；但这一结果主要受单一大型服务驱动，且忽略了被纳入完整聚类的未标记地址。当采用衡量完整聚类的指标时，精确率和召回率显著下降（分别为0.36和0.44），表明服务往往仅被部分恢复或嵌入更大的聚类中。实体层面分析进一步揭示，部分服务几乎完全聚类失败。因此，当MIH聚类结果用于支持犯罪嫌疑、初步查封加密货币资产以保障后续没收、或在审判程序中作为证据时，检察官和法官必须考虑该启发式方法在度量和实体层面的依赖性可靠性。该研究为执法部门、取证分析工具开发者和法律从业人员提供了重要的实证依据。