本文研究国际收入分成欺诈（International Revenue Share Fraud, IRSF）问题。高级费率电话号码通常被恶意方滥用（例如通过电话诈骗、移动恶意软件等）以获取经济利益。这种利益来源于'收入分成'机制，即高级费率号码的所有者可以从打往该号码的每分钟通话收入中获得一部分分成。论文旨在理解这种欺诈的运作方式，并提出检测方法。核心关注点是识别那些被用于欺诈的高级费率号码和通话模式。由于仅提供摘要，具体的技术细节（如检测算法、数据集、实验评估等）尚不明确，但研究主题明确指向电信网络中的欺诈检测与防御。该工作对于安全从业者理解收入分成欺诈的机制、识别相关恶意活动具有重要意义。

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。