该论文研究将电信/IoT欺诈控制重新定义为区块链链接的可审计决策管理问题。传统欺诈控制研究通常止步于检测器级别的分类，而实际部署需要请求级别的策略决策、生命周期可追溯性和可审计性。论文提出一个框架，将每个合成部署记录映射为受管理请求，通过确定性硬欺诈门控阻塞显式越界情况，然后使用集中式机器学习（M1）、联邦元学习（M2）或LLM家族风险源（M3）对非硬欺诈请求进行评分，并通过共享五状态策略、两区优化机制和本地以太坊兼容审计层解析行动。实验使用独立的合成训练数据和10万条部署重放语料库，结果显示：在验证集上，M1在合法请求假阳性率（FPR）0.0890（操作上限0.10）和软欺诈召回率0.8341下表现最佳；但在标记部署重放中，合法FPR差距扩大：M1升至0.1646，M3-QLoRA升至0.1801，而M3-QLoRA将M3-Base的合法FPR从0.3915降至0.1801，软欺诈召回率达0.8240。区块链遥测表明，生命周期gas、成本、延迟和吞吐量差异由提交的链下决策配置文件驱动，而非欺诈逻辑变化。主要贡献是展示了QLoRA微调LLM分支比零样本提示更可用，但主要接近而非超越低成本的集中式集成。适合研究可审计欺诈决策管理和区块链集成安全的研究人员阅读。

国际收入分成欺诈（IRSF）是一种电信网络欺诈，攻击者通过拨打高费率国际号码（通常是运营商分成较高的号码）来牟利，导致电信运营商和最终用户遭受巨大经济损失。本文系统梳理了IRSF的典型模式，包括账户盗用、SIM卡农场、PBX入侵等，并分析了现有检测方法的局限性。作者提出了一种基于呼叫详细记录（CDR）的检测框架，利用机器学习和统计特征（如呼叫频次、时长分布、目标号码地域集中度等）来识别异常呼叫模式。在多个真实数据集上的实验表明，该框架能有效检测已知和新型IRSF攻击，误报率低且可扩展性强。本文还讨论了部署中的隐私与合规挑战，并提出了与运营商现有系统的集成建议。该研究为电信安全从业者提供了实践指导，并为后续自动反欺诈系统开发奠定了基础。