چرا امتیاز ریسک AML یک کیف پول بهتنهایی اثباتکننده پولشویی نیست؟
چرا امتیاز ریسک AML یک کیف پول بهتنهایی اثباتکننده پولشویی نیست؟
تصور کنید یک ابزار تحلیل بلاکچین، آدرس مورد بررسی را با امتیاز ریسک ۸۵ از ۱۰۰ نمایش میدهد. آیا میتوان نتیجه گرفت صاحب این کیف پول مرتکب پولشویی شده است؟ آیا چنین امتیازی برای انتساب جرم کافی است؟ و اگر آدرس موردنظر صرفاً از یک صرافی مشترک با آدرسهای پرریسک استفاده کرده باشد، نتیجه چه خواهد بود؟ این پرسشها یکی از مهمترین چالشهای تحلیل AML در حوزه رمزارز هستند. ابزارهای Blockchain Analytics میتوانند در شناسایی ارتباطات مالی و اولویتبندی تحقیقات بسیار مفید باشند، اما خروجی آنها باید با درک صحیح روش محاسبه، کیفیت دادهها و محدودیتهای انتساب تفسیر شود.
۱. AML Risk Score چیست؟
Risk Score یک شاخص ارزیابی ریسک است که برخی سامانههای تحلیل بلاکچین برای آدرسها، تراکنشها یا موجودیتها ارائه میکنند.
این امتیاز ممکن است براساس عواملی مانند ارتباط با سرویسهای پرریسک، قرارگرفتن در مسیر وجوه مشکوک یا دادههای شناختهشده درباره موجودیتها محاسبه شود.
اما روش محاسبه در همه شرکتها یکسان نیست.
برای مثال، امتیاز ۸۰ در یک سامانه لزوماً با امتیاز ۸۰ در سامانه دیگر معادل نیست.
همچنین Risk Score یک احتمال آماری استاندارد و قابلتبدیل مستقیم به احتمال وقوع جرم نیست، مگر آنکه مدل مشخصاً چنین تعریف و اعتبارسنجی شده باشد.
۲. تفاوت Risk و Evidence
در تحقیقات مالی باید میان سه مفهوم تفاوت گذاشت:
Risk Indicator: نشانهای که بررسی بیشتر را توجیه میکند.
Evidence: داده یا مدرکی که یک واقعیت مشخص را پشتیبانی میکند.
Legal Conclusion: نتیجه حقوقی که براساس مجموعه ادله و قواعد قانونی حاصل میشود.
فرض کنید Wallet A از Wallet B دارایی دریافت کرده است و Wallet B در یک ابزار تحلیلی پرریسک شناخته میشود.
این ارتباط ممکن است یک Risk Indicator باشد.
اما بهتنهایی اثبات نمیکند که Wallet A متعلق به مجرم است یا مالک آن از منشأ غیرقانونی وجوه اطلاع داشته است.
۳. Direct Exposure چیست؟
Direct Exposure زمانی مطرح میشود که ارتباط مستقیم مالی میان آدرس مورد بررسی و یک آدرس یا موجودیت برچسبگذاریشده وجود داشته باشد.
برای مثال:
High-Risk Address
↓
Wallet A
این ارتباط باید از نظر مقدار، زمان و ماهیت بررسی شود.
اگر Wallet A فقط مبلغ بسیار کوچکی دریافت کرده باشد، تحلیل آن با دریافت بخش عمده دارایی از همان منبع یکسان نخواهد بود.
همچنین باید مشخص شود برچسب منبع بر چه اساسی تعیین شده است.
۴. Indirect Exposure چیست؟
در Indirect Exposure ارتباط از طریق چند واسطه ایجاد میشود.
High-Risk Address
↓
Wallet B
↓
Wallet C
↓
Wallet A
در این ساختار، Wallet A چند مرحله از منبع اولیه فاصله دارد.
اما تعداد Hop بهتنهایی برای تعیین میزان ریسک کافی نیست.
باید نقش واسطهها، مقدار دارایی و ساختار انتقال نیز بررسی شود.
۵. مشکل صرافیهای مشترک
یکی از منابع مهم خطا، زیرساخت صرافیهای متمرکز است.
فرض کنید دو کاربر کاملاً مستقل از یک صرافی استفاده میکنند.
کاربر اول دارایی مشکوک واریز کرده است.
کاربر دوم از همان صرافی برداشت انجام میدهد.
اگر تحلیلگر صرفاً به ارتباط با Hot Wallet صرافی توجه کند، ممکن است ارتباطی نادرست میان این دو کاربر فرض کند.
در حالی که صرافی میتواند وجوه تعداد زیادی مشتری را در زیرساخت مشترک مدیریت کند.
بنابراین در محیط Custodial، اتصال تراکنشهای واریز و برداشت به یک حساب مشخص معمولاً نیازمند اطلاعات داخلی صرافی است.
۶. False Positive چیست؟
False Positive زمانی رخ میدهد که یک سیستم، موردی را پرریسک یا مشکوک تشخیص دهد، اما بررسی تکمیلی آن نتیجه را تأیید نکند.
برای مثال، ممکن است یک کیف پول به دلیل دریافت دارایی از آدرسی با برچسب نامطمئن، امتیاز ریسک بالایی بگیرد.
بعداً مشخص شود آدرس مبدأ متعلق به یک سرویس پرداخت عمومی بوده است.
در چنین شرایطی، کیفیت داده اولیه مستقیماً بر نتیجه ارزیابی تأثیر گذاشته است.
۷. False Negative چیست؟
در مقابل، False Negative زمانی رخ میدهد که فعالیت پرریسک بهدرستی شناسایی نشود.
ممکن است آدرس مورد بررسی سابقه کوتاهی داشته باشد یا سرویس مرتبط هنوز در پایگاه داده ابزار برچسبگذاری نشده باشد.
بنابراین Risk Score پایین نیز بهتنهایی اثباتکننده مشروع بودن تمام فعالیتهای کیف پول نیست.
این نکته در تحلیل کیف پولهای تازهفعال اهمیت ویژهای دارد.
۸. چرا برچسبگذاری آدرسها اهمیت دارد؟
ابزارهای Blockchain Analytics معمولاً از مجموعهای از برچسبها برای شناسایی سرویسها و موجودیتها استفاده میکنند.
برای مثال:
- Exchange
- Gambling Service
- Mixer
- Sanctioned Entity
- Scam-Related Address
- Payment Processor
اما همه برچسبها سطح اطمینان یکسانی ندارند.
یک برچسب ممکن است از اعلام رسمی سرویس به دست آمده باشد.
برچسب دیگر ممکن است حاصل تحلیل رفتاری یا گزارش یک منبع ثالث باشد.
بنابراین در گزارش تخصصی بهتر است منشأ برچسب و میزان اطمینان آن مشخص شود.
۹. یک سناریوی تحلیلی
فرض کنید Wallet A امتیاز ریسک ۹۰ دریافت کرده است.
تحلیل اولیه نشان میدهد این امتیاز عمدتاً به دلیل ارتباط غیرمستقیم با یک سرویس پرریسک است.
مسیر:
High-Risk Service
↓
Exchange Hot Wallet
↓
Wallet A
در این وضعیت باید چند پرسش بررسی شود:
آیا Wallet A مستقیماً با سرویس پرریسک تعامل داشته است؟
آیا Exchange Hot Wallet دارایی کاربران مختلف را مدیریت میکند؟
آیا اطلاعات کافی برای اتصال واریز اولیه به برداشت Wallet A وجود دارد؟
آیا مقدار و زمان انتقالها با یک جریان مالی مشخص سازگارند؟
اگر پاسخ این پرسشها روشن نباشد، نمیتوان صرفاً براساس امتیاز ریسک درباره منشأ قطعی وجوه نتیجه گرفت.
۱۰. اهمیت مقدار و نسبت Exposure
فرض کنید یک کیف پول مجموعاً یک میلیون دلار ورودی داشته باشد.
از این مقدار، هزار دلار ارتباطی با یک منبع پرریسک دارد.
در کیف پول دیگری، ۹۰۰ هزار دلار از یک میلیون دلار ورودی به همان منبع مرتبط است.
این دو وضعیت نباید صرفاً به دلیل وجود ارتباط با یک منبع مشترک، یکسان ارزیابی شوند.
نسبت Exposure، مسیر انتقال و نوع رابطه اهمیت دارند.
با این حال، حتی Exposure بالا نیز بهتنهایی قصد مجرمانه یا آگاهی مالک را اثبات نمیکند.
۱۱. نقش زمان در تحلیل ریسک
Risk Score ممکن است در طول زمان تغییر کند.
برای مثال، یک آدرس در زمان انجام تراکنش فاقد برچسب خاصی بوده، اما چند ماه بعد به یک پرونده کلاهبرداری مرتبط شده است.
در گزارش باید میان وضعیت دادهها در زمان تراکنش و اطلاعاتی که بعداً کشف شدهاند تفاوت گذاشت.
این موضوع بهویژه هنگام ارزیابی آگاهی یا رفتار اشخاص اهمیت دارد.
۱۲. چرا دو ابزار نتایج متفاوتی دارند؟
فرض کنید ابزار اول Risk Score برابر ۷۵ و ابزار دوم امتیاز ۴۰ نمایش دهد.
این اختلاف لزوماً به معنای اشتباه بودن یکی از ابزارها نیست.
ممکن است:
- منابع برچسبگذاری متفاوت باشند.
- مدل امتیازدهی یکسان نباشد.
- عمق بررسی تراکنشها تفاوت داشته باشد.
- دادههای تازه در یکی از ابزارها ثبت شده باشند.
- وزندهی به انواع Exposure متفاوت باشد.
به همین دلیل، امتیازها را نباید بدون شناخت مدل محاسبه مستقیماً با یکدیگر مقایسه کرد.
۱۳. نقش تحلیلگر انسانی
سامانههای خودکار میتوانند حجم عظیمی از دادههای بلاکچین را بررسی کنند.
اما تفسیر خروجی همچنان نیازمند تحلیل تخصصی است.
تحلیلگر باید مشخص کند:
آیا مسیر مالی واقعاً قابل اتصال است؟
آیا سرویس واسط Custodial بوده است؟
آیا آدرسها متعلق به یک موجودیت هستند؟
آیا فرضیههای جایگزین بررسی شدهاند؟
آیا نتیجه براساس شواهد مستقل تأیید میشود؟
بدون این بررسیها، Risk Score ممکن است به یک عدد ظاهراً دقیق اما گمراهکننده تبدیل شود.
۱۴. استفاده از Risk Score در گزارش قضایی
در گزارش کارشناسی بهتر است از عبارتی مانند این استفاده شود:
«براساس ارزیابی سامانه تحلیل بلاکچین، آدرس مورد بررسی دارای شاخص ریسک بالا گزارش شده است. این شاخص بهعنوان قرینهای برای بررسی بیشتر در نظر گرفته شده و بهتنهایی دلالت قطعی بر وقوع پولشویی یا انتساب رفتار مجرمانه به مالک آدرس ندارد.»
سپس باید دادههای قابل بررسی ارائه شوند:
- مسیر تراکنشها
- آدرسهای مرتبط
- مقدار انتقالها
- زمان رویدادها
- منبع برچسبها
- نوع ارتباط مستقیم یا غیرمستقیم
- محدودیتهای تحلیل
۱۵. تفاوت تحلیل AML و اثبات جرم
هدف بسیاری از سامانههای AML، شناسایی و مدیریت ریسک است.
اما اثبات وقوع جرم در یک پرونده قضایی نیازمند بررسی عناصر قانونی، شواهد و شرایط خاص پرونده است.
بنابراین یک ابزار تحلیلی نباید جایگزین فرآیند کارشناسی و قضایی شود.
در یک پرونده ممکن است امتیاز ریسک بالا وجود داشته باشد، اما شواهد کافی برای انتساب رفتار مجرمانه به یک شخص مشخص در دسترس نباشد.
پرسشهای متداول
آیا Risk Score بالا به معنی مسدودشدن قطعی دارایی است؟
خیر. تصمیمهای کنترلی و انطباقی به سیاست سرویس، قوانین قابلاجرا و بررسیهای تکمیلی وابستهاند.
آیا امتیاز پایین یعنی کیف پول کاملاً امن است؟
خیر. ممکن است اطلاعات مربوط به آدرس ناقص باشد یا فعالیت پرریسک هنوز شناسایی نشده باشد.
آیا میتوان Risk Score را در گزارش کارشناسی ذکر کرد؟
بله، به شرط آنکه منبع، زمان ارزیابی، مفهوم امتیاز و محدودیتهای آن روشن شود.
نتیجهگیری
Risk Score ابزار مفیدی برای اولویتبندی تحقیقات و شناسایی ارتباطات پرریسک است، اما نباید آن را معادل اثبات پولشویی دانست.
یک تحلیل حرفهای باید میان ارتباط مالی، ریسک، مالکیت، آگاهی و مسئولیت حقوقی تفاوت قائل شود.
داده بلاکچین میتواند مسیر وجوه را نشان دهد؛ اما تفسیر حقوقی آن نیازمند بررسی شواهد تکمیلی است.
دعوت به اقدام: هنگام ارزیابی یک کیف پول پرریسک، بهجای اتکا به عدد نهایی، منشأ امتیاز، مسیر وجوه و کیفیت انتساب آدرسها را بررسی کنید.
بلاگها و مقالات
مشاهده همه
Gas Funding Analysis چیست؟
فرض کنید در یک پرونده کلاهبرداری رمزارزی، دارایی سرقتشده به پنج کیف پول متفاوت منتقل شده است. این کیف پولها ظاهراً ارتباط مستقیمی با یکدیگر ندارند. هرکدام آدرس مستقل، تاریخچه متفاوت و مجموعهای از تراکنشهای جداگانه دارند. اما هنگام بررسی دقیقتر متوجه میشویم که همه آنها پیش از اولین انتقال، مقدار کمی ETH از یک آدرس مشترک دریافت کردهاند. آیا این اتفاق تصادفی است؟ آیا پنج کیف پول توسط یک شخص کنترل میشوند؟ یا آدرس مشترک صرفاً متعلق به یک صرافی یا سرویس تأمین Gas است؟ این پرسشها نقطه آغاز Gas Funding Analysis هستند؛ روشی برای بررسی ارتباطات احتمالی میان آدرسها از طریق تحلیل منابع تأمین کارمزد شبکه.
Chain Hopping چیست؟
یک تصور قدیمی درباره ردگیری رمزارز وجود دارد: «کافی است دارایی را به شبکه دیگری ببریم تا رد آن گم شود.» اما Blockchain Forensics امروز بسیار فراتر از بررسی یک Explorer واحد رفته است. پژوهشهای ۲۰۲۶ نیز دقیقاً به همین تحول اشاره میکنند. یک مقاله ارائهشده در کنفرانس IEEE ICBC توضیح میدهد که DeFi، Bridgeهای غیرمتمرکز و Chain Hopping، تحقیقات را از یک مسئله محلی روی یک زنجیره به یک مسئله چندزنجیرهای و پیچیده تبدیل کردهاند. Doi مطالعه دیگری در اوت ۲۰۲۶ نیز یک چارچوب Forensic برای ردیابی دارایی در محیطهای چندلایه و میان Layer 1 و Layer 2 پیشنهاد کرده است. MDPI بنابراین Chain Hopping مسیر را سختتر میکند؛ اما سختترشدن با ناپدیدشدن کامل ردپا یکسان نیست.
Wash Trading چیست و چگونه میتوان معاملات ساختگی را روی بلاکچین شناسایی کرد؟
حجم معاملات یکی از اولین اعدادی است که هنگام بررسی یک Token یا بازار دیده میشود. فرض کنید یک Token تازه ایجادشده در مدت کوتاهی: $20,000,000 Trading Volume ثبت کرده باشد. در نگاه اول ممکن است تصور کنیم هزاران معاملهگر در حال خریدوفروش آن هستند. اما اگر بخش قابل توجهی از این معاملات توسط مجموعه کوچکی از Walletهای مرتبط ایجاد شده باشد چه؟ اینجا مفهوم Wash Trading اهمیت پیدا میکند. در یک بررسی منتشرشده در ۲۴ سپتامبر ۲۰۲۶، Bitquery با روش تحلیلی خود معاملات DEX در شش شبکه را بررسی کرد و گزارش داد بخش بزرگی از حجم مورد بررسی، معیارهای آنها برای معاملات غیرواقعی را داشته است. این یافته یک حکم عمومی درباره کل بازار نیست، اما نشان میدهد حجم ثبتشده روی زنجیره را نباید بدون تحلیل ساختار معاملات معادل تقاضای واقعی دانست. Bitquery
چگونه رفتار کیف پول صرافی را از کیف پول شخصی تشخیص دهیم؟
در بسیاری از تحقیقات Blockchain Forensics یک سؤال مهم مطرح میشود: آیا این آدرس متعلق به یک کاربر عادی است یا بخشی از زیرساخت یک صرافی؟ این سؤال ساده به نظر میرسد، اما پاسخ همیشه ساده نیست. یک صرافی ممکن است هزاران یا حتی میلیونها Deposit Address داشته باشد و ساختار مدیریت وجوه آن با یک Wallet شخصی تفاوت زیادی داشته باشد. از طرف دیگر، صرفاً داشتن تعداد زیاد تراکنش نیز ثابت نمیکند یک آدرس متعلق به Exchange است. برای تحلیل صحیح باید رفتار آدرس بررسی شود.