Přes 40 zcela transparentně zdokumentovaných heuristik a metod UI, které Coinator používá pro bitcoinovou forenziku.
Na rozdíl od mnoha jiných nástrojů pro sledování transakcí Coinator rozhodně sází na transparentnost místo tajemnosti. Z našich algoritmů, heuristik a analytických postupů neděláme žádné tajemství — naopak: všechny použité metody jsou otevřeně zdokumentované a kdykoli k nahlédnutí.
Více než 40 jasně sledovatelných postupů — mimo jiné multi-input heuristiky, analýza návratových adres, detektory CoinJoin a PayJoin a četné filtry — zajišťuje maximální sledovatelnost, vysokou spolehlivost a soudně přípustné výsledky na evropské úrovni ochrany osobních údajů.
Naše klasické postupy jsou rozděleny do deseti kategorií. Každá obsahuje několik specifických heuristik, které v kombinaci přispívají k shlukové a transakční analýze — všechny otevřeně zdokumentované a sledovatelné.
Addresses that appear together as inputs in a transaction very likely belong to the same entity. The base heuristic of blockchain forensics.
Detecting the return-change output in Bitcoin transactions. Change addresses belong to the sender and extend the cluster.
Detecting collaborative transactions to avoid clustering CoinJoin participants incorrectly. Used in combination with multi-input heuristics.
Identifying classical mixing services by their typical input and output patterns.
Cross-chain swaps allow direct exchange of coins between different blockchains — without a centralised exchange and therefore without KYC. Originally built for arbitrage, they are increasingly used to obscure the origin of funds. Our Coinator recognises the typical on-chain patterns of several established protocols.
Recurring temporal patterns reveal wallet characteristics — private vs. service, region, usage type.
Analysing graph structure: who flows where, via how many intermediate hops?
Identifying the entity types behind addresses: exchanges, mining pools, payment gateways, custodians.
Tracking "contaminated" coins through the blockchain — a core concept for source-of-funds checks and AML.
Additional heuristics that address individual aspects.
Klasické heuristiky doplňujeme moderními metodami Machine Learning — pro vyšší přesnost a méně chybných přiřazení.
Coinator kombinuje klasické heuristické postupy s metodami Machine Learning (ML) a Data Mining (DM), aby přesněji analyzoval bitcoinové adresy a transakce. Cílem je odhalovat vztahy, které jasně překračují konvenční pravidla.
Používáme neuronové sítě (zejména GNN) ke zlepšení rozpoznávání vztahů mezi adresami, které unikají klasickým heuristikám, jako je multi-input nebo analýza návratových adres. GNN se trénují na pečlivě připravených datových sadách, aby v produkci poskytovaly spolehlivé síťové analýzy v reálném čase.
Někdy „klíč" k poznání není v topologii sítě, ale skrývá se v chování uživatele. Coinator této myšlenky využívá k seskupování transakcí podporovanému UI, založenému na časových sekvencích, kolísání částek a opakujících se (někdy atypických) vzorcích používání.
«Rozděl a panuj!» Tento inovativní přístup uplatňuje ML analýzu (pod)grafů transakcí k identifikaci (pod)sítí skrytých vztahů s cílem automatické detekce a pojmenování entit.
V pátém a posledním pilíři kombinujeme již zavedené klasické heuristiky se zmíněnými algoritmy UI a ML, aby se zlepšila detekce entit a snížila chybná přiřazení (míra falešně pozitivních).
Rádi vám vysvětlíme, které postupy se nejlépe hodí pro daný případ.
Kontaktovat →