El análisis de blockchain implica examinar los datos de blockchain para descubrir patrones y conexiones en transacciones de activos virtuales. Esto lo convierte en una importante herramienta de diligencia debida ALD para los VA. Tiene muchos elementos y requiere experiencia en esta área.
Fuentes de datos
Los datos desempeñan un papel elementary en la batalla contra el lavado de dinero, ya que sirven como una herramienta crucial para que los intermediarios financieros y diversas partes interesadas construyan una visión typical integral, saquen conclusiones sobre las actividades de lavado de dinero y garanticen el cumplimiento de sus obligaciones. Estos conjuntos de datos también encuentran aplicación en el análisis de blockchain.
Los individuos y empresas sujetos a regulaciones de lavado de dinero dependen de una variedad de fuentes. Las bases de datos sobre la implementación de regulaciones internacionales sobre lavado de dinero son una fuente importante de datos. Se trata de listas de estados u organizaciones supranacionales que han sancionado a personas y empresas por determinadas acciones o afiliaciones. Los activos de dichas fuentes representan la categoría de mayor riesgo. Una de esas bases de datos es la de la Oficina de Command de Activos Extranjeros (OFAC), que contiene varias listas que se actualizan constantemente. Los intermediarios financieros y otros actores pueden entonces introducir automáticamente estos datos en sus sistemas de seguimiento. Si hay una transacción con una persona de una lista, el sistema reacciona. Por último, los datos procedentes de fuentes disponibles públicamente (inteligencia de fuente abierta) proporcionan información importante para el seguimiento en la lucha contra el blanqueo de dinero. Puede proporcionar información common sobre clientes o transacciones.
Análisis de cadena de bloques
El análisis de blockchain es el proceso de examinar los datos de blockchain para obtener información sobre transacciones, direcciones y el flujo de activos virtuales (VA) como Bitcoin y Ethereum. Con el análisis de blockchain, se puede rastrear el movimiento de cada transacción de VA entre direcciones de billetera para descubrir patrones y conexiones con intercambios, otras direcciones de billetera, etc. Además, se puede usar para identificar actividades inusuales o sospechosas en la cadena de bloques, como lavado de dinero o transacciones ilegales.
Este esfuerzo aprovecha una variedad de técnicas, herramientas y algoritmos para extraer información valiosa del libro de contabilidad de acceso público. Han surgido nuevas tecnologías para respaldar la evaluación de los riesgos vinculados a las transacciones de VA y las direcciones de billetera mediante el escrutinio de transacciones históricas de blockchain en busca de signos de lavado de dinero, financiamiento del terrorismo, fraude u otras formas de actividad criminal. La puntuación de riesgo de VA resultante representa una evaluación integral de cientos de indicadores de actividad sospechosa y evaluaciones de patrones, según lo evaluado por los proveedores de servicios de análisis de blockchain, aprovechando su experiencia y fuentes de datos.
Estos análisis son posibles gracias a los servicios de proveedores que emplean inteligencia artificial, rastreo world wide web, algoritmos y mapeo de identidad para medir el riesgo common asociado con una dirección de billetera o VA específica. Por ejemplo, los exploradores de blockchain, que son utilidades basadas en la world-wide-web que permiten a los usuarios buscar, visualizar y analizar datos de blockchain, desempeñan un papel fundamental. Ejemplos destacados incluyen Blockchain.details, Blockchair y Etherscan. Hoy en día, numerosas entidades de terceros ofrecen herramientas de análisis avanzadas que aprovechan los datos de blockchain, que incluyen detalles de transacciones, marcas de tiempo y más, para armar el intrincado rompecabezas de las transacciones de blockchain.
Casos de uso de análisis blockchain
El análisis de blockchain tiene implicaciones importantes en diversos dominios. Principalmente, cumple un papel vital en las investigaciones de criptomonedas, al permitir a las agencias encargadas de hacer cumplir la ley rastrear y detener a delincuentes involucrados en actividades ilegales utilizando criptomonedas. Este aspecto cobra especial relevancia en el contexto de la ciberseguridad, especialmente al abordar cuestiones como el ransomware.
Además, el análisis de blockchain desempeña un papel vital en el cumplimiento y la regulación dentro del sector financiero y las operaciones gubernamentales. Permite a las instituciones garantizar el cumplimiento de las regulaciones contra el lavado de dinero (AML) y conocer a su cliente (KYC). Los datos generados a través del análisis de blockchain son fundamentales para producir informes detallados, lo que ayuda al cumplimiento normativo (informes DLA).
Además, este enfoque analítico es una herramienta essential para mejorar la seguridad dentro de las redes blockchain. Al identificar vulnerabilidades y debilidades, las partes interesadas pueden reforzar la infraestructura de seguridad common, garantizando un sistema más resistente contra amenazas potenciales.
En common, el análisis de blockchain es indispensable tanto para los inversores como para los intermediarios financieros, ya que sirve como medio para mitigar los riesgos vinculados a actividades ilícitas. Particularmente para los proveedores de servicios de activos virtuales (VASP), es crucial adherirse a un enfoque basado en el riesgo como lo describe el Grupo de Acción Financiera Internacional (GAFI), lo que les permite gestionar y mitigar eficazmente los riesgos asociados con su participación en dichas actividades.
Seguimiento de transacciones (en cadena)
A partir de los datos de las transacciones y su análisis, se puede rastrear en detalle la trayectoria de los activos. Las transacciones son en gran medida públicas a través de blockchain y se puede rastrear cada paso de los activos digitales. Lo que no es identificable, sin embargo, es el propio usuario. Los usuarios aparecen con seudónimos llamados claves públicas o direcciones blockchain. Para identificar a los usuarios, se necesitan datos adicionales para establecer un vínculo con los usuarios. Esto se puede hacer agregando proveedores de análisis de blockchain, como Crypto Defenders Alliance.
Al observar los saltos individuales, se puede determinar si los activos se transfirieron mediante técnicas de anonimización (p. ej., mezcladores de monedas, monedas de privacidad) o mediante la llamada dirección de billetera contaminada, y se pueden informar según la categoría de riesgo respectiva. Una billetera, y por tanto los activos transferidos a través de ella, está contaminada si está asociada directa o indirectamente con actividades prohibidas. En los ataques de ransomware, por ejemplo, se chantajea a las víctimas para que transfieran una determinada cantidad de dinero a una billetera. Al especificar la dirección de la billetera en la nota de rescate, todas las transacciones posteriores se pueden rastrear desde esa billetera. En última instancia, esto hace que a los perpetradores les resulte más difícil volver a introducir el dinero de contrabando en el ciclo standard del efectivo. Este también es el caso si los activos provienen de un mercado de la red oscura. Cuando se trata del tema de la contaminación de activos, no es necesario identificar a los propietarios de las respectivas direcciones de billetera de salto en cada salto. Dependiendo de la combinación de activos, es posible calcular qué parte de los activos se originan en actividades relevantes para el lavado de dinero.
Además, los algoritmos, especialmente la inteligencia artificial, se pueden utilizar para analizar, procesar y comparar grandes cantidades de datos de múltiples fuentes en tiempo real. Esto permite identificar patrones y verificar información. Además, la búsqueda semántica puede utilizarse para identificar comportamientos relacionados con el blanqueo de dinero a partir de grandes cantidades de datos, incluso de forma preventiva.
Incluso se puede extraer información esclarecedora de los datos transaccionales: por ejemplo, puede proporcionar pistas sobre cómo se ejecutó la transacción, ya sea basada en ejecución humana o automatizada basada en algoritmos, o si el comercio algorítmico está presente y los activos se originaron en El sistema ficticio. Por ejemplo, los intervalos de tiempo, el tamaño de la diferencia en las transacciones y los remitentes y receptores proporcionan pistas sobre los algoritmos.
Si, durante el proceso de incorporación, los clientes de un banco indican que han recibido fondos a través del comercio algorítmico, el análisis de datos no sólo puede revelar un comportamiento de lavado de dinero, sino también lo contrario: puede mostrar que tal comportamiento no existe, el patrón del comercio algorítmico y sus plausibilidad y que el nuevo cliente no esté en riesgo. De este modo, el análisis de datos también sirve para invalidar casos sospechosos.
Desafíos
Sin embargo, incluso cuando las transacciones pueden rastrearse meticulosamente utilizando una variedad de herramientas, existen mecanismos que pueden ocultar la fuente original de los fondos. Uno de los métodos más comunes es combinar transacciones de muchas entidades anónimas, dividiendo valores y agregando tanto volumen como sea posible para reducir la trazabilidad (por ejemplo, Coinjoin). Otro enfoque identificado es la redirección del VA de un usuario a direcciones de destino desde billeteras distintas o recién creadas, en lugar de la mezcla tradicional. Además, mezclar monedas «limpias» recién acuñadas ofrece a los usuarios la oportunidad de borrar el historial de transacciones. Sin embargo, es fundamental tener en cuenta que designar una dirección de billetera como riesgosa no debe depender únicamente de la presencia de una transacción que involucre una parte de VA contaminada marcada como tal en la cadena de bloques. En última instancia, la evaluación depende de una evaluación integral.
Además, las monedas de privacidad como Monero, Zcash y Dash ofrecen anonimato mejorado y privacidad de transacciones en el mundo de las criptomonedas. Utilizan técnicas criptográficas avanzadas para ocultar los detalles de las transacciones, lo que dificulta que los analistas y las autoridades de blockchain rastreen e identifiquen a los usuarios. Por lo tanto, el seguimiento de las monedas de privacidad en el análisis de blockchain implica varios métodos técnicos y de investigación para detectar actividades potencialmente sospechosas o ilegales que involucran estas criptomonedas. Sin embargo, las sólidas características de privacidad de estas monedas dificultan el seguimiento y la identificación completos.
Para realizar una evaluación confiable, es imperativo que los expertos posean un conocimiento profundo de los principios ALD junto con una competencia técnica en tecnologías blockchain.
