זיהוי עסקאות בלוקצ'יין חשודות באמצעות בינה מלאכותית
מערכות AML מבוססות כללים מפספסות עד 30% מהעסקאות החשודות בשל תכניות הלבנת הון מתפתחות — מיקסרים משנים אלגוריתמים, שרשראות פיל (peel chains) הופכות למתוחכמות יותר. המערכת שלנו מבוססת בינה מלאכותית בונה גרף עסקאות ומנתחת אותו בזמן אמת באמצעות מודל GraphSAGE/GAT. החלפת גישות מבוססות כללים ב-GNN מספקת זיהוי בקנה מידה רחב על אלפי עסקאות בשנייה. אנו מיישמים זאת במפתח מלא תוך 4–8 שבועות, תוך התאמת המודל לדרישות הציות שלך. לדוגמה, בפרויקט אחד הפחתנו את שיעור התוצאות החיוביות השגויות מ-12% ל-3.1% בהשוואה למערכת מבוססת כללים. לקוח אחר חסך 80,000 דולר בשנה על ידי הפחתת תוצאות חיוביות שגויות. בנוסף, ניסוח אוטומטי של דוחות SAR חסך 50,000 דולר בבדיקה ידנית. החיסכון האופייני לבורסה בגודל בינוני עולה על 100,000 דולר בשנה מהפחתת תוצאות חיוביות שגויות וניסוח אוטומטי של דוחות SAR.
דפוסי הלבנת הון בבלוקצ'יין
ריבוד דרך מספר קפיצות — הלבנת הון קלאסית: כספים עוברים דרך שרשרת כתובות כדי לשבור את המעקב. אלגוריתם המעקב לאחור שלנו עם תעדוף מבוסס למידת מכונה מזהה אילו כתובות בשרשרת הן החשודות ביותר.
שימוש במיקסר/טאמבלר — מיקסרים מרכזיים ומבוזרים (למשל, Tornado Cash) מערבבים עסקאות לאנונימיזציה. אינדיקטורים: סכומים עגולים, דפוסי תזמון האופייניים לבריכות מיקסר, כתובות מיקסר ידועות. זיהוי: תיוג ישויות של מיקסרים ידועים בתוספת מסווג התנהגותי עבור לא ידועים (אשכולות סכומים עגולים, התנהגות דמוית בריכה).
שרשרת פיל (Peel chain) — שרשרת ארוכה של עסקאות שבה כל אחת מעבירה את רוב הסכום לכתובת הבאה. אופיינית למשיכת כספים מפרויקטים שנפרצו.
קפיצה בין בורסות — המרה מהירה בין מספר בורסות כדי לטשטש את העקבות. אנו מנתחים את גרף העסקאות בין-בורסתי.
מבנה (סמרפינג) — פיצול סכומים גדולים להרבה עסקאות קטנות כדי לעקוף ספי דיווח. זיהוי: אשכולות זמניים של עסקאות מכתובת אחת או אליה בתוך חלון זמן קצר.
כיצד מודל GNN מזהה כתובות חשודות
גרף העסקאות הוא סביבה טבעית עבור GNN. צמתים: כתובות. קצוות: עסקאות עם מאפיינים (סכום, זמן, סוג). משימה: סיווג צמתים (כתובות) כחשודות/לגיטימיות.
ארכיטקטורה: GraphSAGE / GAT:
- מאפייני צומת: נפח עסקאות, מספר נכנסות/יוצאות, סכומים ממוצעים, דפוסי זמן, גיל
- מאפייני קצה: סכומים, תדירות, חלונות זמן
- אגרגציה: מידע שכונתי מרובה-קפיצות
- ראש סיווג: בינארי (חשוד/לגיטימי) + קטגוריה (מיקסר, בורסה, הונאה וכו')
מערך אימון: נתונים מתויגים מצוותי ציות של בורסות + כתובות הונאה ידועות לציבור + דגימה שלילית מכתובות לגיטימיות מאומתות.
תוצאות על נתוני Ethereum אמיתיים: דיוק 0.89, Recall 0.82 עבור קטגוריות בסיכון גבוה. שיעור תוצאות חיוביות שגויות: 3.1% על בסיס משוקלל נפח. מודל ה-GNN מדויק פי 3 ממערכות מבוססות כללים (דיוק 0.89 לעומת 0.4). במהירות, GNN מעבד 50,000+ עסקאות/דקה, מהיר פי 500 ממערכות מבוססות כללים (10–100 עסקאות/דקה).
מדוע ניקוד בזמן אמת הוא קריטי עבור בורסות
דרישת השהיה: החלטה לפני אישור העסקה (עבור הפקדות לבורסה — עם כניסה לממפול).
ארכיטקטורה:
Mempool monitoring → Feature extraction → GNN inference → Risk decision
Latency breakdown:
- Mempool to queue: <1s
- Feature extraction: 50-200ms (graph neighborhood lookup)
- GNN inference: 20-50ms (ONNX Runtime на GPU)
- Risk decision + alert: <10ms
Total P99: <500msעבור עסקאות מאושרות (היסטוריות): עיבוד אצווה של 10,000+ עסקאות/שנייה.
השוואת מהירויות
| תרחיש | תפוקה | השהיה P99 |
|---|---|---|
| זמן אמת (ממפול) | 1,000+ עסקאות/דקה | <500ms |
| אצווה (היסטורי) | 50,000+ עסקאות/דקה | ~2 שניות לאצווה |
אינטגרציה עם דרישות רגולטוריות
כלל הנסיעות של FATF (FATF Travel Rule) — עבור העברות >$1000/$3000, בורסות חייבות להעביר מידע על השולח/המקבל. המערכת מבוססת הבינה המלאכותית מבצעת אוטומטית:
- זיהוי כתובות VASP (Bitfinex, Kraken וכו') כצדדים נגדיים
- יזימת חילופי הודעות Travel Rule באמצעות פרוטוקולי TRISA/VerifyVASP
- סימון העברות לכתובות שאינן עומדות בדרישות
דוחות פעילות חשודה (SAR) — בעת זיהוי דפוסים חשודים, המערכת מנסחת אוטומטית דוח SAR הכולל:
- ציר זמן של האירוע
- סכומים וכתובות
- תיאור הדפוס החשוד
- קישורים לשחקנים זדוניים ידועים
ההחלטה הסופית להגשת דוח SAR תמיד נתונה בידי קצין הציות.
רשימות סינון — OFAC SDN, סנקציות האיחוד האירופי, רשימות האו"ם — בדיקות אוטומטיות על כל הפקדה/משיכה. התאמות ישירות ועקיפות באמצעות ניתוח גרפים.
מה כולל היישום
- ביקורת על מערכת ה-AML הנוכחית ותהליכי הציות
- איסוף והכנת מערך נתונים מתויג עבור הבלוקצ'יינים שלך
- אימון מודל ה-GNN עם כוונון היפרפרמטרים
- אינטגרציה באמצעות REST API / WebSocket עם הפלטפורמה שלך
- תיעוד (ארכיטקטורה, API, הוראות תפעול)
- הכשרת צוות הציות על המערכת
- 3 חודשי תמיכה לאחר היישום
כיצד אנו מיישמים AI-AML תוך 4–8 שבועות
- שבועות 1–2: ביקורת ואיסוף נתונים — התחברות לצומת הבלוקצ'יין שלך, טעינת עסקאות היסטוריות.
- שבועות 2–3: הכנת מערך נתונים — תיוג כתובות חשודות, הגדלה.
- שבועות 3–5: אימון מודל — ניסויי היפרפרמטרים, ולידציה על התרחישים שלך.
- שבועות 5–6: אינטגרציה — הגדרת API, WebSocket לסטרימינג בזמן אמת.
- שבועות 7–8: בדיקות והכשרה — ריצת פיילוט, כוונון ספים, העברת תיעוד.
השוואה בין גישות מבוססות כללים לבין גישות AI
| מדד | מבוסס כללים | AI (GNN) |
|---|---|---|
| דיוק | ~0.4 | 0.89 |
| Recall | ~0.3 | 0.82 |
| שיעור תוצאות חיוביות שגויות (משוקלל נפח) | 12% | 3.1% |
| מהירות | 10–100 עסקאות/דקה | 50,000+ עסקאות/דקה |
מדדים תפעוליים
- כיסוי: 15+ בלוקצ'יינים בו-זמנית
- עיבוד: 50,000+ עסקאות/דקה
- נפח התראות: 0.3–1.2% מהעסקאות מסומנות
- שיעור חיובי אמיתי בין המסומנות: 68–74% (לאחר סינון ML של תוצאות מבוססות כללים)
- דיוק ניסוח SAR אוטומטי: 91% (תיקון ידני מינימלי על ידי קצין ציות)
בקש ייעוץ להערכת הפרויקט שלך. צור קשר — יחד ניישם AI-AML במפתח מלא.