Newest papers

Your Token Is Gone: A Token-Consumption Countermeasure for Disrupting LLM-Based Scam Systems

星福 杜, Kailong Wang, Tianlong Yu · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.30666 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Các hệ thống lừa đảo dựa trên bối cảnh LLM ngày càng kết hợp đối thoại thích nghi, bối cảnh dai dẳng, công cụ bên ngoài và phối hợp đa đại lý để tự động hóa gian lận cá nhân. Những khả năng này cũng tạo ra sự phụ thuộc tài nguyên: mỗi bước lý luận, gọi mô hình và vòng phối hợp phải chịu chi phí kết luận. Chúng tôi trình bày TokenTrap, một hệ thống phòng thủ định hướng tài nguyên chuyển hướng các hệ thống lừa đảo bị nghi ngờ sang các dòng công việc đại lý lành tính, có giá trị thấp trong khi giữ lại thông tin xác thực, thanh toán và các thông tin có thể khai thác khác. TokenTrap kết hợp ba thành phần: một thư viện token-task cụ thể cho kiến trúc, một bộ định tuyến chọn giữa các đại lý đơn, phân cấp, và các dòng công việc đa đại lý phẳng, và một chiến lược

Machine translation (Meta M2M100); the English original follows.

Abstract

LLM-based scam systems increasingly combine adaptive dialogue, persistent context, external tools, and multi-agent coordination to automate personalized fraud. These capabilities also create a resource dependency: every reasoning step, model call, and coordination round incurs inference cost. We present TokenTrap, a resource-oriented defense that redirects suspected scam systems toward benign, low-value computation while withholding credentials, payments, and other exploitable information. TokenTrap combines three components: an architecture-specific token-task library, a router that selects among single-agent, hierarchical, and flat multi-agent workflows, and a bounded anti-guardrail strategy that varies task presentation while enforcing token, round, time, and safety limits. Across 50-round traces, TokenTrap amplifies token consumption by $2{,}487.0\times$, $1{,}616.0\times$, and $567.8\times$ relative to a no-token-task baseline for the three workflows. Its router achieves 85.67% accuracy on 300 architecture-labeled prompts. These results demonstrate that short, non-sensitive requests can impose substantial context-processing and coordination costs, motivating resource-aware defense as a complement to scam detection.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Security token, Task (project management), Router, Complement (music), Key (lock)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange