Meer dan 40 met volledige transparantie gedocumenteerde heuristieken en AI-methoden die Coinator inzet voor Bitcoin-forensiek.
In tegenstelling tot veel andere transactietraceringstools zet Coinator beslist in op transparantie in plaats van geheimhouding. Wij maken geen geheim van onze algoritmen, heuristieken en analyseprocedures — integendeel: alle gebruikte methoden zijn open gedocumenteerd en op elk moment in te zien.
Meer dan 40 helder traceerbare procedures — waaronder multi-input-heuristieken, analyse van wisseladressen, CoinJoin- en PayJoin-detectoren en talrijke filters — garanderen maximale traceerbaarheid, hoge betrouwbaarheid en resultaten die in de rechtszaal toelaatbaar zijn, op het Europese niveau van gegevensbescherming.
Onze klassieke procedures zijn ondergebracht in tien categorieën. Elke categorie bevat verschillende specifieke heuristieken die, gecombineerd, bijdragen aan cluster- en transactieanalyse — alle open gedocumenteerd en traceerbaar.
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.
De klassieke heuristieken worden aangevuld met moderne Machine-Learning-methoden — voor meer precisie en minder foutieve toewijzingen.
Coinator combineert klassieke heuristische procedures met methoden van Machine Learning (ML) en Data Mining (DM), om Bitcoin-adressen en -transacties nauwkeuriger te analyseren. Het doel is het opsporen van relaties die duidelijk verder gaan dan conventionele regels.
Wij gebruiken neurale netwerken (met name GNN's) om de herkenning te verbeteren van relaties tussen adressen die aan klassieke heuristieken ontsnappen, zoals multi-input of de analyse van wisseladressen. De GNN's worden getraind op zorgvuldig voorbereide datasets, om vervolgens in productie betrouwbare netwerkanalyses in real time te leveren.
Soms ligt de „sleutel" tot het inzicht niet in de netwerktopologie zelf, maar verborgen in het gedrag van de gebruiker. Coinator benut dit idee voor een door AI ondersteunde groepering van transacties, gebaseerd op tijdsequenties, bedragvariaties en terugkerende (soms atypische) gebruikspatronen.
«Verdeel en heers!» Deze innovatieve aanpak past ML-analyse van transactie(deel)grafen toe om (deel)netwerken van verborgen relaties te identificeren, met het oog op automatische detectie en naamgeving van entiteiten.
In de vijfde en laatste pijler combineren wij de reeds gevestigde klassieke heuristieken met de genoemde AI- en ML-algoritmen, om de detectie van entiteiten te verbeteren en foutieve toewijzingen (false-positive-rate) te verminderen.
Wij leggen u graag uit welke procedures het beste bij elk geval passen.
Contact opnemen →