Plus de 40 heuristiques et méthodes d'IA documentées en toute transparence, que le Coinator met en œuvre pour la forensique Bitcoin.
Contrairement à de nombreux autres outils de suivi des transactions, le Coinator mise résolument sur la transparence plutôt que sur le secret. Nous ne faisons aucun mystère de nos algorithmes, heuristiques et procédés d\'analyse — bien au contraire : toutes les méthodes employées sont documentées de manière ouverte et consultables à tout moment.
Plus de 40 procédés clairement traçables — parmi lesquels les heuristiques multi-entrées, l\'analyse des adresses de monnaie rendue ainsi que les détecteurs CoinJoin et PayJoin et de nombreux filtres — assurent une traçabilité maximale, une grande fiabilité et des résultats recevables devant les tribunaux, au niveau de la protection des données européen.
Nos procédés classiques se répartissent en dix catégories. Chacune contient plusieurs heuristiques spécifiques qui, combinées, contribuent à l'analyse de clusters et de transactions — toutes documentées ouvertement et traçables.
Les adresses qui apparaissent ensemble comme inputs dans une transaction appartiennent avec une forte probabilité à la même entité. Heuristique de base de la forensique blockchain.
Détection de la sortie de monnaie rendue dans les transactions Bitcoin. Les adresses de change appartiennent à l'expéditeur et étendent le cluster.
Détection des transactions collaboratives, afin de ne pas regrouper les CoinJoins par erreur. Utilisée en combinaison avec les heuristiques multi-entrées.
Identification des services de mixing classiques à partir de leurs motifs typiques d'entrée et de sortie.
Les swaps cross-chain permettent l'échange direct de coins entre différentes blockchains — sans plateforme centralisée et donc sans KYC. Initialement pensés pour l'arbitrage, ils sont de plus en plus utilisés pour dissimuler l'origine des fonds. Notre Coinator reconnaît les motifs on-chain typiques de plusieurs protocoles établis.
Les motifs temporels récurrents révèlent les caractéristiques d'un wallet — privé vs. service, région, type d'usage.
Analyse de la structure du graphe : qui circule où, à travers combien d'étapes intermédiaires ?
Reconnaissance des types d'entités derrière les adresses : plateforme d'échange, pool de minage, passerelle de paiement, custodian.
Suivi des coins « contaminés » à travers la blockchain — concept central pour les vérifications d'origine des fonds et l'AML.
Heuristiques complémentaires qui éclairent certains aspects spécifiques.
Les heuristiques classiques sont complétées par des méthodes modernes de Machine Learning — pour une précision accrue et moins d'attributions erronées.
Le Coinator combine des procédés heuristiques classiques avec des méthodes de Machine Learning (ML) et de Data Mining (DM), afin d'analyser plus précisément les adresses et transactions Bitcoin. L'objectif est de détecter des liens qui dépassent nettement les règles conventionnelles.
Nous employons des réseaux de neurones (notamment des GNN) pour mieux détecter les relations entre adresses qui échappent aux heuristiques classiques telles que le multi-entrée ou l'analyse du change. Les GNN sont entraînés sur des jeux de données soigneusement constitués, afin de fournir ensuite, en production, des analyses de réseau fiables en temps réel.
Parfois, la "clé" de la compréhension ne se trouve pas dans la topologie du réseau elle-même, mais reste cachée dans le comportement des utilisateurs. Le Coinator tire parti de cette idée pour un regroupement de transactions assisté par IA, fondé sur des enchaînements temporels, des variations de montants et des motifs d'utilisation récurrents (parfois atypiques).
« Diviser pour régner ! » Cette approche innovante met en œuvre une analyse ML de (sous-)graphes de transactions afin d'identifier des (sous-)réseaux de relations cachés, pour une détection et une dénomination automatiques des entités.
Dans le cinquième et dernier axe, nous combinons les heuristiques classiques éprouvées avec les algorithmes IA et ML évoqués ci-dessus, pour améliorer la détection d'entités et réduire les attributions erronées (taux de faux positifs).
Nous vous expliquons volontiers quels procédés conviennent le mieux à chaque cas.
Nous contacter →