Coinator

Transparente Algorithmen & Verfahren:

Im Gegensatz zu vielen anderen Tools zur Transaktionsnachverfolgung setzt Coinator konsequent auf Transparenz statt Geheimhaltung. Wir machen kein Rätsel aus unseren Algorithmen, Heuristiken und Analyseverfahren – im Gegenteil: Alle eingesetzten Methoden sind offen dokumentiert und jederzeit einsehbar.
Über 40 klar nachvollziehbare Verfahren – darunter Multi-Input-Heuristiken, Wechselgeldanalysen sowie CoinJoin- und PayJoin-Detektoren und zahlreiche Filter – sorgen für maximale Nachvollziehbarkeit, hohe Vertrauenswürdigkeit und gerichtsfeste Ergebnisse auf europäischem Niveau.

Erweiterte Clustering-Methoden: Der Coinator kombiniert klassische heuristische Verfahren mit Methoden des Maschinellen Lernens (ML) und des Data Minings (DM), um Bitcoin-Adressen und -Transaktionen präziser zu analysieren. Ziel ist die Erkennung von Zusammenhängen, die über herkömmliche Regeln deutlich hinausgehen.

Neuronale Netze zur Adressanalyse: Zum Einsatz kommen neuronale Netze (insbesondere GNNs) zur verbesserten Erkennung von Adressbeziehungen, die klassischen Heuristiken wie Multi-Input oder Wechselgeldanalysen entgehen. Die GNNs werden mit sorfältig zusammengestellten Trainingsdatensätzen angelernt, um dann im produktiven Betrieb zuverlässige Netzwerkanalysen in Echtzeit zu liefern.

Verhaltensbasiertes Transaktionsclustering: Manchmal liegt der "Schlüssel" der Erkenntnis nicht in der Netzwerktopologie selbst, sondern im Nutzerverhalten verborgen. Der Coinator nutzt diese Erkenntnis für eine KI-basierte Gruppierung von Transaktionen basierend auf zeitlichen Zusammenhängen & Abfolgen, Betragsveränderungen und wiederkehrenden (teilweise atypischen) Nutzungsmustern.

Deep Learning (DL) für Clusterstruktur-Erkennung: "Teile und herrsche!". Dieser innovative Ansatz verfolgt eine ML-Analyse von Transaktions(teil-)graphen zur Identifikation versteckter Beziehungs(teil-)netzwerke zur automatisch abgeleiteten Entitäten-Findung und -Bennenung.

Hybride Modelle zur Fehlerreduktion: Im fünften und letzten Themenkomplex erfolgt eine Kombination bewährter, klassischer Heuristiken mit den o.g. fortschrittlichen KI- und ML-Algorithmen zur Verbesserung der Entitätenerkennung und Reduktion von Fehlzuordnungen (False Positive Rate).