在电信诈骗控制的研究中，往往停留在检测器级别的分类，但实际应用需要请求级别的政策决策、生命周期可追溯性和可审计性。本文将诈骗控制重新定义为区块链链接的可审计决策管理框架，专注于合成电信/物联网诈骗控制请求。主要结果表明，经过QLoRA调优的LLM分支相比zero-shot提示变得更具可用性，但主要接近而非超越低成本的集中式集成方案。
该框架将每个合成部署记录映射到一个管理请求，通过确定性的硬诈骗门阻止显式的越界情况，使用集中式机器学习（M1）、联邦元学习（M2）或LLM系列风险源（M3）对非硬请求进行评分，并通过共享的五状态政策、两个区的细化机制和本地以太坊兼容的审计层来决策。
评估使用独立的合成训练数据和100,000条记录的部署重放语料库，因此本研究应视为受控漂移重放证据，而非现场验证或实时可部署性的证明。在验证中，M1提供了最佳平衡，合法请求的假阳性率（FPR）为0.0890，且在0.10的操作上限下，软诈骗召回率为0.8341。然而，在标记的部署重放中，合法FPR差距显著：M1上升至0.1646，而M3-QLoRA达到0.1801，M3-QLoRA将M3-Base合法FPR从0.3915降低，并达到0.8240的软诈骗召回率。
区块链遥测显示，生命周期的气体、成本、延迟和吞吐量差异是由提交的链下决策配置文件驱动，而非诈骗逻辑的变化。
博主点评： 本文提出了一个创新的区块链框架来处理电信和物联网中的诈骗请求，强调了可审计性和决策透明度的重要性。研究结果显示，尽管QLoRA调优的LLM在可用性上有所提升，但在实际应用中仍需关注成本效益的平衡。对未来技术的探索具有重要的参考意义。