Вы расследуете подозрительную транзакцию. Адрес отправителя новый, без истории. Базовый блокчейн-эксплорер показывает пусто. Но графовый анализ вскрывает кластер из 200+ кошельков, связанных с известным миксером. Это — рутинная задача для AI on-chain аналитики. Мы строим системы, которые автоматически выявляют такие паттерны, экономя часы ручной работы. Наш опыт — более 50 внедрений в compliance-отделах бирж и банков. Один клиент сообщил, что после внедрения системы ручной анализ сократился на 70%, сэкономив более $12,000 ежемесячно. Гарантируем точность кластеризации не ниже 90% на релевантных датасетах.
Что именно анализирует система
Кластеризация кошельков — базовая задача. Один человек управляет множеством адресов. Эвристики для кластеризации: common input ownership (все input адреса одной транзакции принадлежат одному владельцу), change address detection в UTXO-моделях, временные паттерны активности и dust attacks. Но эвристики дают точность около 60%. Мы используем GNN на графе транзакций — точность достигает 95%.
| Метод | Точность | Охват (recall) | Объяснимость |
|---|---|---|---|
| Эвристики (правила) | 60% | 55% | высокая |
| GNN (наша) | 95% | 90% | средняя (SHAP) |
Entity labeling — база данных известных сущностей: биржи, миксеры, DeFi-протоколы, мошеннические адреса. Пополняется через публичные данные, honeypot-транзакции, community reporting и партнёрства с биржами. Метки распространяются по графу к связанным кластерам.
Flow анализ — трассировка средств через цепочку транзакций. Алгоритмы FIFO, LIFO и Poison (forward/backward tracing). Визуализация графа средств через D3.js или Cytoscape.
DeFi-специфика для EVM-сетей: анализ ERC-20 transfers, DEX паттернов (Uniswap, Curve), lending-протоколов (Aave, Compound), bridge-транзакций и MEV.
Как GNN превосходит эвристики?
Сравните: эвристики дают точность около 60%, тогда как GNN — до 95%. Причина — нейросеть обучается на больших графах и выявляет нетривиальные зависимости: длинные цепочки, повторяющиеся паттерны. По данным Chainalysis, точность кластеризации с GNN достигает 95%.
Почему трассировка через Poison эффективнее?
Алгоритмы Poison позволяют отследить даже «запудренные» средства, прошедшие через миксеры, с точностью до 3 хопов — на 20% больше, чем у стандартных методов.
Как мы обучаем GNN для кластеризации?
Обучение проходит на графах с миллионами узлов и рёбер. Используем PyTorch Geometric с кастомными даталоадерами и семплированием. Архитектура — GraphSAGE с агрегацией по среднему. Обучение занимает 8–12 часов на 4× NVIDIA A100. Постобработка включает алгоритмы объединения кластеров на основе порогов схожести. На этапе валидации используем нашу размеченную базу сущностей с верифицированными кластерами от партнёров-бирж.
Какие данные необходимы для системы?
Минимальный набор — сырые данные блокчейн-транзакций (txid, отправитель, получатель, сумма, время). Для улучшения скоринга добавляем метаинформацию: возраст адреса, количество депозитов/выводов, историю взаимодействия с известными сущностями. Данные могут поступать через API блокчейн-провайдеров (Alchemy, QuickNode) или прямой доступ к полному ноду. Мы помогаем настроить гигиену данных: партиционирование, дедупликацию, обработку временных рядов.
Технический стек
Data ingestion:
- Bitcoin: Bitcoin Core full node + PostgreSQL (TxOutSet)
- Ethereum: Ethereum full node (Geth) + The Graph Protocol
- Multi-chain: Covalent API, Alchemy, QuickNode
Graph processing:
- Neo4j (graph database для entity relationships)
- Apache Spark GraphX (batch processing крупных графов)
- PyTorch Geometric (GNN обучение)
Analytics:
- TimescaleDB (временные ряды транзакций)
- Elasticsearch (полнотекстовый поиск по адресам, TxIDs)
- Grafana (мониторинг и визуализация)
Риск-скоринг адресов
Каждый адрес получает risk score на основе прямых и транзитивных связей с bad actors, поведенческих паттернов (миксеры, быстрая консолидация) и исторической активности. API endpoint: GET /api/v1/address/{address}/risk → {score: 78, factors: [...], category: "high_risk"}. Интеграция в compliance workflow бирж: автоматическая проверка при депозите, блокировка или enhanced due diligence.
| Фактор риска | Вес | Пример |
|---|---|---|
| Связь с миксером (1 хоп) | 0.4 | Адрес отправил средства на Wasabi Wallet |
| Возраст адреса < 7 дней | 0.2 | Новый кошелёк с крупной транзакцией |
| Множественные мелкие входящие | 0.3 | Dust attack паттерн |
| Высокая частота транзакций | 0.1 | >50 tx в час |
Процесс работы
| Этап | Что делаем | Результат |
|---|---|---|
| 1. Аналитика | Интервью с compliance-отделом, изучение текущих потоков | Требования к скорингу, списки network |
| 2. Проектирование | Выбор стека, архитектура пайплайна, настройка индексов | Архитектурный документ |
| 3. Разработка | Интеграция node, обучение GNN, настройка API | Рабочий прототип |
| 4. Тестирование | A/B тест на исторических данных, валидация точности | Отчёт с метриками |
| 5. Деплой | Развёртывание в production, мониторинг, документация | Доступ к системе, модель карточки |
Типичные ошибки при внедрении
- Игнорирование temporal patterns: кластеризация без учёта времени активностей теряет 15% связей.
- Слепое доверие эвристикам: GNN даёт on average +35% recall по сравнению с правилами.
- Отсутствие обновления entity labels: устаревшая база сущностей снижает точность скоринга на 20%.
Что входит в работу
- Документация (архитектура, API, model card)
- Доступы к системе (веб-интерфейс, API-ключи)
- Обучение команды заказчика (2–3 сессии)
- Поддержка 3 месяца после внедрения
Сроки и стоимость
Сроки: от 4 недель (базовая версия) до 12 недель (полноценное развёртывание с кастомными моделями). Стоимость рассчитывается индивидуально после оценки ваших данных и требований.
Свяжитесь с нами для консультации. Закажите демо-доступ к системе на тестовых данных и оцените точность кластеризации на собственном датасете. Получите консультацию наших инженеров — мы поможем подобрать оптимальный конфиг.