Mer än 40 fullständigt transparent dokumenterade heuristiker och AI-metoder som Coinator använder för Bitcoin-forensik.
Till skillnad från många andra verktyg för transaktionsspårning satsar Coinator beslutsamt på transparens snarare än hemlighetsmakeri. Vi gör inget hemligt av våra algoritmer, heuristiker och analysprocedurer — tvärtom: alla metoder vi använder är öppet dokumenterade och tillgängliga när som helst.
Mer än 40 tydligt spårbara förfaranden — bland annat multi-input-heuristiker, analys av växeladresser, CoinJoin- och PayJoin-detektorer och flera filter — säkerställer maximal spårbarhet, hög tillförlitlighet och resultat som är godtagbara i domstol, på europeisk nivå för dataskydd.
Våra klassiska förfaranden är grupperade i tio kategorier. Varje innehåller flera specialiserade heuristiker som, kombinerade, bidrar till kluster- och transaktionsanalysen — alla öppet dokumenterade och spårbara.
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 klassiska heuristikerna kompletteras med moderna Machine-Learning-metoder — för högre precision och färre felaktiga tillskrivningar.
Coinator kombinerar klassiska heuristiska förfaranden med metoder från Machine Learning (ML) och Data Mining (DM), för att mer exakt analysera Bitcoin-adresser och transaktioner. Målet är att upptäcka relationer som tydligt går utöver konventionella regler.
Vi använder neurala nätverk (särskilt GNN) för att förbättra igenkänningen av relationer mellan adresser som undgår klassiska heuristiker, såsom multi-input eller växeladressanalys. GNN tränas på noggrant förberedda datamängder för att sedan i produktion leverera tillförlitliga nätverksanalyser i realtid.
Ibland ligger „nyckeln" till insikten inte i nätverkstopologin själv, utan dold i användarens beteende. Coinator utnyttjar denna idé för en AI-stödd gruppering av transaktioner, baserad på tidssekvenser, beloppsvariationer och återkommande (ibland atypiska) användningsmönster.
«Söndra och härska!» Detta innovativa angreppssätt tillämpar ML-analys av transaktions(del)grafer för att identifiera (del)nätverk av dolda relationer, med sikte på automatisk upptäckt och namngivning av entiteter.
I den femte och sista pelaren kombinerar vi de redan etablerade klassiska heuristikerna med de nämnda AI- och ML-algoritmerna, för att förbättra entitetsdetektering och minska felaktiga tillskrivningar (false-positive-frekvens).
Vi förklarar gärna vilka förfaranden som passar bäst för varje fall.
Kontakta oss →