Ponad 40 udokumentowanych z pełną przejrzystością heurystyk i metod SI, które Coinator stosuje w forensyce Bitcoin.
W przeciwieństwie do wielu innych narzędzi do śledzenia transakcji, Coinator zdecydowanie stawia na przejrzystość zamiast tajemnicy. Nie robimy tajemnicy z naszych algorytmów, heurystyk i procedur analitycznych — wręcz przeciwnie: wszystkie stosowane metody są otwarcie udokumentowane i dostępne w każdej chwili.
Ponad 40 jasno udokumentowanych procedur — w tym heurystyki multi-input, analiza adresów reszty, detektory CoinJoin i PayJoin oraz liczne filtry — gwarantują maksymalną wykrywalność, wysoką wiarygodność i wyniki dopuszczalne przed sądem, zgodne z europejskim poziomem ochrony danych.
Nasze klasyczne procedury są pogrupowane w dziesięć kategorii. Każda zawiera kilka specjalistycznych heurystyk, które w połączeniu przyczyniają się do analizy klastrów i transakcji — wszystkie udokumentowane otwarcie i możliwe do prześledzenia.
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.
Klasyczne heurystyki są uzupełniane nowoczesnymi metodami Machine Learning — w celu większej dokładności i mniejszej liczby błędnych przypisań.
Coinator łączy klasyczne metody heurystyczne z technikami Machine Learning (ML) i Data Mining (DM), aby precyzyjniej analizować adresy i transakcje Bitcoin. Celem jest wykrywanie powiązań wykraczających poza konwencjonalne reguły.
Wykorzystujemy sieci neuronowe (zwłaszcza GNN) w celu poprawy rozpoznawania powiązań między adresami, które wymykają się klasycznym heurystykom, takim jak multi-input czy analiza adresów reszty. Sieci GNN są trenowane na starannie przygotowanych zbiorach danych, aby następnie w produkcji dostarczać wiarygodnych analiz sieciowych w czasie rzeczywistym.
Czasami „klucz" wiedzy nie znajduje się w samej topologii sieci, lecz jest ukryty w zachowaniu użytkownika. Coinator wykorzystuje tę ideę do grupowania transakcji wspomaganego SI, opartego na sekwencjach czasowych, zmiennościach kwot i powtarzających się (czasem nietypowych) wzorcach użycia.
«Dziel i zwyciężaj!» To innowacyjne podejście stosuje analizę ML (pod)grafów transakcji w celu identyfikacji (pod)sieci ukrytych powiązań, z myślą o automatycznym rozpoznawaniu i nazywaniu jednostek.
W piątym i ostatnim filarze łączymy ugruntowane klasyczne heurystyki z wymienionymi algorytmami SI i ML, aby poprawić rozpoznawanie jednostek i ograniczyć błędne przypisania (wskaźnik fałszywie pozytywnych).
Chętnie wyjaśnimy, które procedury najlepiej pasują do danego przypadku.
Skontaktuj się →