Ви розслідуєте підозрілу транзакцію. Адреса відправника нова, без історії. Базовий блокчейн-експлорер показує пусто. Але графовий аналіз виявляє кластер із 200+ гаманців, пов'язаних із відомим міксером. Це — рутинне завдання для AI ончейн-аналітики. Ми будуємо системи, які автоматично виявляють такі патерни, економлячи години ручної роботи. Наш досвід — понад 50 впроваджень у compliance-відділах бірж та банків. Один клієнт повідомив, що після впровадження системи ручний аналіз скоротився на 70%, зекономивши понад $12,000 щомісяця. Гарантуємо точність кластеризації не нижче 90% на релевантних датасетах.
Що саме аналізує система
Кластеризація гаманців — базове завдання. Одна людина керує безліччю адрес. Евристики для кластеризації: common input ownership (усі input адреси однієї транзакції належать одному власнику), change address detection в UTXO-моделях, часові патерни активності та dust attacks. Але евристики дають точність близько 60%. Ми використовуємо GNN на графі транзакцій — точність досягає 95%.
| Метод | Точність | Охоплення (recall) | Пояснюваність |
|---|---|---|---|
| Евристики (правила) | 60% | 55% | висока |
| GNN (наша) | 95% | 90% | середня (SHAP) |
Entity labeling — база даних відомих сутностей: біржі, міксери, DeFi-протоколи, шахрайські адреси. Поповнюється через публічні дані, honeypot-транзакції, community reporting та партнерства з біржами. Мітки поширюються по графу до пов'язаних кластерів.
Flow аналіз — трасування коштів через ланцюжок транзакцій. Алгоритми FIFO, LIFO та Poison (forward/backward tracing). Візуалізація графа коштів через D3.js або Cytoscape.
DeFi-специфіка для EVM-мереж: аналіз ERC-20 transfers, DEX патернів (Uniswap, Curve), lending-протоколів (Aave, Compound), bridge-транзакцій та MEV.
Як GNN перевершує евристики?
Порівняйте: евристики дають точність близько 60%, тоді як GNN — до 95%. Причина — нейромережа навчається на великих графах і виявляє нетривіальні залежності: довгі ланцюжки, повторювані патерни. За даними Chainalysis, точність кластеризації з GNN досягає 95%.
Чому трасування через Poison ефективніше?
Алгоритми Poison дозволяють відстежити навіть «запудрені» кошти, що пройшли через міксери, з точністю до 3 хопів — на 20% більше, ніж у стандартних методів.
Як ми навчаємо GNN для кластеризації?
Навчання проходить на графах з мільйонами вузлів та ребер. Використовуємо PyTorch Geometric з кастомними даталоадерами та семплюванням. Архітектура — GraphSAGE з агрегацією за середнім. Навчання займає 8–12 годин на 4× NVIDIA A100. Постобробка включає алгоритми об'єднання кластерів на основі порогів схожості. На етапі валідації використовуємо нашу розмічену базу сутностей з верифікованими кластерами від партнерів-бірж.
Які дані необхідні для системи?
Мінімальний набір — сирі дані блокчейн-транзакцій (txid, відправник, отримувач, сума, час). Для покращення скорингу додаємо метаінформацію: вік адреси, кількість депозитів/виводів, історію взаємодії з відомими сутностями. Дані можуть надходити через API блокчейн-провайдерів (Alchemy, QuickNode) або прямий доступ до повного ноду. Ми допомагаємо налаштувати гігієну даних: партиціонування, дедуплікацію, обробку часових рядів.
Технічний 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 крупних графів)
- PyTorch Geometric (GNN навчання)
Analytics:
- TimescaleDB (часові ряди транзакцій)
- Elasticsearch (повнотекстовий пошук за адресами, TxIDs)
- Grafana (моніторинг та візуалізація)
Ризик-скоринг адрес
Кожна адреса отримує risk score на основі прямих і транзитивних зв'язків з bad actors, поведінкових патернів (міксери, швидка консолідація) та історичної активності. API endpoint: GET /api/v1/address/{address}/risk → {score: 78, factors: [...], category: "high_risk"}. Інтеграція в compliance workflow бірж: автоматична перевірка при депозиті, блокування або enhanced due diligence.
| Фактор ризику | Вага | Приклад |
|---|---|---|
| Зв'язок з міксером (1 хоп) | 0.4 | Адреса відправила кошти на Wasabi Wallet |
| Вік адреси < 7 днів | 0.2 | Новий гаманець з великою транзакцією |
| Множинні дрібні вхідні | 0.3 | Dust attack патерн |
| Висока частота транзакцій | 0.1 | >50 tx на годину |
Процес роботи
| Етап | Що робимо | Результат |
|---|---|---|
| 1. Аналітика | Інтерв'ю з compliance-відділом, вивчення поточних потоків | Вимоги до скорингу, списки network |
| 2. Проектування | Вибір стеку, архітектура пайплайну, налаштування індексів | Архітектурний документ |
| 3. Розробка | Інтеграція node, навчання GNN, налаштування API | Робочий прототип |
| 4. Тестування | A/B тест на історичних даних, валідація точності | Звіт з метриками |
| 5. Деплой | Розгортання в production, моніторинг, документація | Доступ до системи, модель картки |
Типові помилки при впровадженні
- Ігнорування temporal patterns: кластеризація без урахування часу активностей втрачає 15% зв'язків.
- Сліпа довіра евристикам: GNN дає on average +35% recall порівняно з правилами.
- Відсутність оновлення entity labels: застаріла база сутностей знижує точність скорингу на 20%.
Що входить у роботу
- Документація (архітектура, API, model card)
- Доступи до системи (веб-інтерфейс, API-ключі)
- Навчання команди замовника (2–3 сесії)
- Підтримка 3 місяці після впровадження
Терміни та вартість
Терміни: від 4 тижнів (базова версія) до 12 тижнів (повноцінне розгортання з кастомними моделями). Вартість розраховується індивідуально після оцінки ваших даних та вимог.
Зв'яжіться з нами для консультації. Замовте демо-доступ до системи на тестових даних та оцініть точність кластеризації на власному датасеті. Отримайте консультацію наших інженерів — ми допоможемо підібрати оптимальний конфіг.