FPTracer: framework acadêmico rastreia lavagem de criptoativos entre DeFi, bridges e mixers no Ethereum
Um novo framework chamado FPTracer promete desemaranhar fluxos de ativos ilícitos no Ethereum que passam por protocolos DeFi, pontes cross-chain e mixers como o Tornado Cash em sequências de múltiplos estágios. Validado em 20 casos reais de lavagem, o sistema atingiu recall de 98,6% para endereços conhecidos e descobriu 30 pontes de transferência não reportadas anteriormente. O trabalho é relevante para investigações de crimes financeiros em cripto, área em que métodos manuais de tracing hoje dependem fortemente de listas estáticas de contratos conhecidos.
Agentes ilícitos que lavam criptoativos no Ethereum raramente fazem uma única transferência direta: eles combinam protocolos DeFi (swaps, pools de liquidez, agregadores), pontes cross-chain e mixers como o Tornado Cash em cadeias de múltiplos estágios para dificultar o rastreamento. Ferramentas de tracing anteriores tratam cada transação como uma transferência simples de token, o que falha quando uma única transação executa internamente vários swaps e repasses através de contratos intermediários — produzindo trilhas de rastreamento incorretas ou incompletas logo no primeiro salto.
O FPTracer ataca o problema em três camadas. Primeiro, a Context-Aware Transfer Tree (CATT) reconstrói a árvore de transferências internas de cada transação a partir dos traces de execução, não apenas dos eventos ERC-20 Transfer emitidos (que podem ser incompletos ou omitidos por contratos não padronizados), produzindo um grafo fiel do fluxo de valor dentro da própria transação. Em seguida, um classificador treinado com características de fluxo de ativos e evidências de execução identifica transações com intenção de saída para outra blockchain sem depender de uma lista pré-coletada de contratos de bridge conhecidos. Por fim, um módulo de análise pós-mixer correlaciona padrões da rede de lavagem anterior ao mixer para inferir, por evidência indireta, quais saques de um pool como o Tornado Cash provavelmente pertencem à mesma operação — algo que mixers são desenhados justamente para impedir de forma direta.
Nos testes com 20 casos reais de lavagem, o framework atingiu recall de 98,6% para endereços de lavagem já conhecidos e 94,2% para os destinos finais dos fundos, identificou todas as pontes cross-chain já documentadas nesses casos e revelou 30 pontes adicionais que não haviam sido reportadas antes. Em 18 casos com uso confirmado de Tornado Cash, a ferramenta também apontou atividades pós-mixer corroboradas por relatórios públicos disponíveis, sugerindo que a inferência de linkage indireta tem utilidade prática e não é apenas um exercício acadêmico.
Para quem investiga crimes financeiros em cripto — unidades de cibercrime, exchanges cumprindo obrigações de AML e empresas de blockchain intelligence — o ganho prático está em reduzir o trabalho manual de reconstruir grafos de transação complexos e em cobrir pontes e mixers que hoje escapam de listas estáticas mantidas à mão, um dos maiores gargalos operacionais do tracing on-chain atual. Ainda assim, o dataset de validação é pequeno (20 casos) e a correlação pós-mixer é probabilística, não uma prova de linkage direta — os resultados funcionam melhor como pistas investigativas para orientar diligências adicionais do que como evidência pronta para uso probatório isolado.