跨链桥实现了异构区块链之间的互操作性，但同时也切断了追踪非法资金所依赖的交易链路：资金从源链经桥转移到目的链后，原本连续的交易记录被拆散。第三方调查机构通常无法访问桥后端所维护的"源链交易到目的链交易"映射关系，作者对 131 个跨链桥的调研发现，仅有 16.79% 提供完整的公开追踪能力。现有追踪方法普遍依赖官方 API、针对 EVM 的特定假设，或脆弱的时间启发式规则，因而难以在异构账本之间稳定地追踪资金转移。针对这一问题，作者提出 XSplicer——一个证据驱动的跨链交易对应关系重建系统（xTCR），其最大特点是不需要桥后端的任何特权访问。XSplicer 的核心方法是：从公开的协议文档和真实交易样例中提取统一的语义规范（即协议层面的不变量），将规范自动转化为轻量级解析器与验证器，然后在关联源交易与目的交易时优先采用"硬证据"（链上可独立验证的确定性字段与事件），只有在硬证据不足时才退而使用"软线索"（如时间接近性、金额相似性等启发式特征）。作者在覆盖 EVM、Bitcoin 与 Solana 三类账本的 7 个桥协议上进行了评估：XSplicer 取得 92.5% 的全局恢复率，单协议最高可达 98.61%；在引入对抗性噪声的条件下，硬证据验证器在全部测试用例中仍保持 100% 的正确匹配，而软线索匹配则随歧义程度上升而明显退化。在两个真实世界案例研究中，XSplicer 在 Multichain 停止运营后仍恢复了 1900 多组历史交易对，并在 Bybit 洗钱事件中识别出 754 笔非法跨链转账，涉及金额约 1.056 亿美元。这些结果表明，仅依靠公开的协议不变量即可支撑实用的跨链取证，无需依赖桥方的特权映射数据。

该论文系统评估了大型语言模型在区块链取证场景中解读未验证智能合约字节码时的鲁棒性。作者构造了 13 个目的性设计的合约（其中 9 个为欺骗向量、4 个为功能匹配的对照组），并在 6 种提示策略下测试 22 个前沿模型，最终得到 8,528 次可分析的非拒答运行结果，且全部合约均具备 EVM 层面的真值标注。评测采用经过校准的 LLM-as-judge 流水线，并辅以两项与裁判无关的指标以及 50 条人工金标准标签进行支撑。核心发现是：对抗性欺骗使资金抽取（drain）行为的检出率相对功能等价的对照组下降 20.0 个百分点（95% 置信区间为 [17.2, 22.8]）。其中结构性伪装——例如通过多跳调用链、XOR 掩码选择器以及从存储中加载的抽取参数——几乎对所有模型都保持有效。除漏检之外，作者还识别出“合理化”现象：模型能够正确描述隐藏的抽取机制，却接受合约的欺骗性叙述并将其判定为良性，从而输出形式上正确、结论却错误的“安全”证据。简单的防护性指令未带来整体收益，反而会在两个方向上破坏单个模型的稳定性。结构欺骗在 6 种被测提示策略下基本不敏感，更像是模型能力上限问题而非单纯的提示工程问题；仅来自两家厂商的 5 个模型检出率超过 50%。作者的结论是：在单轮、仅提供原始字节码的协议下，当前 LLM 不能作为可靠的独立取证工具；该结论并不延伸到多轮交互、工具增强、可获取源码或反编译参与的工作流，源码边界检查仅作为子集分析单独报告，而非主评测的一部分。

本文聚焦 Solana 生态中一个日益突出的取证难题：随着 Solana 成为高吞吐、高流动性的公链，非法资金越来越多地借助跨链桥把资产从其他链（如 EVM 链）转入 Solana，以切断资金来源链条、混淆交易血缘。与 EVM 兼容链不同，Solana 的执行模型独特，且缺乏标准化事件日志，导致跨账本交易在语义层面对不齐，现有面向 EVM 的交易追踪方法难以可靠地把源链交易与 Solana 上的目标交易关联起来。为填补这一空白，作者首先形式化定义了四类「流入 Solana」的跨链交易模式，作为追踪问题的建模基础；随后提出基于候选集选择性决策的追踪方法 SolTracer。其核心思想是把异构链上语义映射到统一的事件空间，从而在统一表示下比较与匹配交易；同时引入候选集选择性决策机制，在存在多个候选目标时进行判别式关联，而在确实不存在合法目标时允许「弃权」（abstain），以控制误报。实验在三个代表性场景中评估：封闭世界关联、开放世界关联以及跨源链泛化。结果显示 SolTracer 全面优于当前最强基线，尤其在开放世界且 TA 比例为 50% 的困难设定下，F1 分数比最强 SOTA 基线提升 20.16%。作者还利用 SolTracer 对真实跨链转账做实证分析，揭示了三类生态现象：不同桥机制之间交易笔数与金额存在显著背离、跨资产转换普遍存在、以及链上结算与区块浏览器可见性之间的解耦。整体上，该工作为 Solana 跨链资金追踪提供了可落地的建模框架、方法体系与实证数据集视角，适合区块链取证、反洗钱与合规调查方向的研究者与工程人员阅读。

该论文提出一种可扩展、与应用场景无关的区块链取证分析框架，用于从大规模链上活动中发现“持久行为模式”。研究背景在于，公开区块链数据虽支持大规模 DeFi 分析，但现有方法往往针对特定应用、难以扩展或难以解释。该框架首先构造融合合约、代币和市场上下文的行为句子，然后采用两阶段嵌入：句子级嵌入捕获单个操作，序列级嵌入刻画用户随时间的整体行为。随后，一个可解释的行为画像模块通过行为主题、常规模式、时间动态、实体暴露度和可疑性证据来表征所发现的社区。作者在以太坊上使用超过 3000 万笔交易进行实验，结果表明该框架能够同时发现常规和恶意行为模式，包括 DEX 交易、NFT 活动、钓鱼、机器人运营、预言机操纵和 rug-pull 骗局。特别地，许多模式在独立观察窗口内保持稳定，从而支持识别超出单一分析周期的长期行为。整体上，该框架结合了可扩展性、可解释性和持久性分析，有助于区块链取证调查、行为归因和威胁发现。

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。