Aunque Ethereum destaca en innovación en blockchain, sus características abiertas y anónimas también ofrecen oportunidades a los delincuentes. Los datos son evidentes: hasta la primera mitad del año pasado, las pérdidas acumuladas por fraudes en ICO y estafas en línea alcanzaron los 225 millones de dólares, y las transacciones anómalas de todo 2022 involucraron una cantidad aún más impactante—238 mil millones de dólares.

¿Y cómo se llena este gran agujero? Los métodos tradicionales de etiquetado manual ya no son suficientes, ya que la etiquetación de datos es limitada, costosa y difícil de escalar. Afortunadamente, en los últimos años, los avances en aprendizaje automático no supervisado han abierto nuevas vías para la detección de riesgos en transacciones.

**¿Por dónde empezar? Primero, organizar los datos**
El primer paso para detectar transacciones anómalas es estructurar la enorme cantidad de datos de transacciones en Ethereum. Se extraen registros históricos de transacciones desde la fuente de datos en la cadena, y luego se construye una red de transacciones ponderada y múltiple. En términos simples, los nodos en el gráfico representan cuentas, las aristas indican el flujo de transacciones, y el peso se determina por el monto de la transacción y la marca de tiempo. La ventaja de este diseño es que permite identificar tanto las relaciones entre cuentas como las características espacio-temporales de las transacciones. Por ejemplo, una concentración de transacciones frecuentes y de gran volumen puede indicar un esquema Ponzi, mientras que transacciones dispersas y pequeñas pueden estar relacionadas con ataques de polvo.

**Luego, usar un gráfico dual para extraer características profundas**
En la red de transacciones original, las relaciones de transacción suelen ser poco claras, por lo que los investigadores idearon la técnica de convertirla en un gráfico dual: cada transacción se trata como un nodo independiente, y se establecen conexiones entre transacciones que comparten cuentas. Con esta transformación, las relaciones indirectas entre transacciones se vuelven explícitas, permitiendo descubrir muchas cadenas de relaciones que antes no eran visibles.