شرح مسئله و اهداف شرکت برای تعریف پروژه

با گسترش روزافزون تبادلات رمزارزی در کشور، ریسک‌های ناشی از تخلفات مالی، پولشویی، تأمین مالی تروریسم، دستکاری بازار و تراکنش‌های غیرقانونی به‌صورت تصاعدی افزایش یافته است. در حال حاضر، بخش عمده‌ای از تراکنش‌های رمزارزی از طریق صرافی‌های داخلی، کیف پول‌های شخصی و بسترهای غیرمتمرکز انجام می‌شود که قابلیت ردیابی محدودی دارند. نبود ابزار تحلیلی پیشرفته برای شناسایی الگوهای مشکوک در تراکنش‌ها، موجب شده نهادهای نظارتی و مالی کشور نتوانند نظارت مؤثری بر این فضا داشته باشند.

در سطح بین‌المللی، بسیاری از کشورها با استفاده از فناوری‌های RegTech (فناوری تنظیم‌گری هوشمند) و تحلیل زنجیره (Blockchain Analytics) توانسته‌اند سامانه‌های تشخیص خودکار رفتارهای غیرعادی طراحی کنند. اما در ایران، هنوز زیرساخت بومی و سازگار با داده‌ها و صرافی‌های داخلی برای تحلیل رفتار تراکنشی کاربران وجود ندارد.

هدف از تعریف این پروژه، طراحی و توسعه سامانه کشف تخلف الگوهای تراکنشی در حوزه رمزارز است که بتواند با ترکیب فناوری‌های هوش مصنوعی، یادگیری ماشین و تحلیل داده‌های زنجیره‌ای (On-chain Analysis)، الگوهای رفتاری غیرعادی را شناسایی کرده و به نهادهای نظارتی هشدار دهد. این سامانه بخشی از چارچوب نظارت هوشمند بر بازار رمزارز ایران خواهد بود و به تنظیم‌گران، صرافی‌ها و سازمان‌های مالیاتی در تشخیص تخلفات کمک می‌کند.

اهداف کلان پروژه عبارت‌اند از:

• شناسایی رفتارهای مشکوک در تراکنش‌های رمزارزی مانند پولشویی، دستکاری بازار و جابجایی غیرمجاز دارایی
  
  
• طراحی مدل هوش مصنوعی برای تحلیل الگوهای زمانی، حجمی و شبکه‌ای تراکنش‌ها
  
  
• توسعه موتور هشداردهی خودکار برای نهادهای مالی و نظارتی
  
  
• فراهم‌سازی زیرساخت تحلیل داده جهت اتصال به صرافی‌ها و کیف پول‌های داخلی
  
  
• ارتقای شفافیت و پاسخگویی در اکوسیستم رمزارز کشور
  
  

چالش‌های فنی و تخصصی پروژه

1. حجم بالای داده‌های تراکنشی و پیچیدگی شبکه رمزارزها: تحلیل میلیون‌ها تراکنش در شبکه‌های مختلف (مانند بیت‌کوین، اتریوم و شبکه‌های بومی) نیازمند معماری داده مقیاس‌پذیر و طراحی الگوریتم‌های پردازش بلادرنگ است.
   
   
2. تشخیص رفتارهای پنهان و غیرمستقیم: بسیاری از فعالیت‌های غیرقانونی از طریق چندین آدرس، کیف پول واسطه و صرافی لایه‌میانی انجام می‌شوند. طراحی مدل‌های گراف‌محور (Graph Analytics) برای کشف ارتباطات پنهان میان آدرس‌ها، چالش کلیدی است.
   
   
3. طراحی مدل امتیاز ریسک تراکنشی (Transaction Risk Scoring): توسعه الگوریتمی که بتواند برای هر تراکنش یا خوشه آدرس، امتیاز ریسک اختصاص دهد بر پایه پارامترهایی چون منبع تراکنش، حجم، تکرار، الگوی زمانی و نوع دارایی.
   
   
4. کمبود داده‌های برچسب‌خورده (Labeled Data): برای آموزش مدل‌های یادگیری ماشین، نیاز به مجموعه‌داده‌های معتبر از تراکنش‌های مشکوک وجود دارد. فاز تحقیق باید به تولید داده مصنوعی (Synthetic Data) و نیمه‌نظارتی اختصاص یابد.
   
   
5. ادغام با پلتفرم‌های داخلی: سامانه باید قابلیت اتصال به API صرافی‌ها، سامانه‌های پرداخت و نهادهای مالی را داشته باشد تا بتواند الگوهای مشکوک را از منابع مختلف جمع‌آوری و تطبیق دهد.
   
   
6. تطبیق با الزامات حقوقی و امنیتی: پروژه باید امکان گزارش‌دهی رسمی و مستندسازی تخلفات را بر اساس استانداردهای حقوقی و مقررات مبارزه با پولشویی (AML) فراهم کند.
   
   

فازهای عملیاتی پیشنهادی:

• فاز ۱: مطالعه تطبیقی مدل‌های جهانی کشف تخلف تراکنشی و طراحی چارچوب بومی
  
  
• فاز ۲: طراحی معماری فنی سامانه، مدل داده و موتور امتیازدهی ریسک
  
  
• فاز ۳: توسعه الگوریتم‌های تحلیل شبکه و یادگیری ماشین برای کشف الگوهای مشکوک
  
  
• فاز ۴: طراحی داشبورد نظارتی و سیستم هشدار بلادرنگ
  
  
• فاز ۵: تست، ارزیابی دقت مدل‌ها و استقرار در سطح نهادهای مالی
  
  

نوآوری محصول نسبت به محصولات مشابه در کشور/شرکت

1. اولین سامانه بومی تحلیل تراکنش‌های رمزارزی در ایران: پروژه اولین زیرساخت RegTech کشور برای شناسایی تخلفات در داده‌های زنجیره‌ای است.
   
   
2. استفاده از تحلیل شبکه‌ای پیشرفته (Graph-based Analytics): شناسایی ارتباطات پنهان بین کیف پول‌ها و خوشه‌های مشکوک با بهره‌گیری از الگوریتم‌های گراف و تحلیل جامعه (Community Detection).
   
   
3. مدل هوشمند ارزیابی ریسک تراکنش: طراحی سیستم امتیازدهی پویا که برای هر کاربر و تراکنش، سطح خطر احتمالی را محاسبه می‌کند و به نهاد ناظر هشدار می‌دهد.
   
   
4. یکپارچگی با نهادهای نظارتی و مالی: قابلیت اتصال به سامانه‌های بانک مرکزی، صرافی‌های رمزارزی و پلیس فتا جهت تبادل داده و ارسال گزارش تخلف.
   
   
5. پشتیبانی از یادگیری تطبیقی (Adaptive Learning): سامانه می‌تواند با داده‌های جدید، خود را به‌صورت مستمر آموزش دهد تا الگوهای جدید تخلف را نیز شناسایی کند.
   
   
6. توسعه ماژول ضدپولشویی (AML Module): طراحی موتور کشف تراکنش‌های مشکوک مطابق با استانداردهای FATF و الگوریتم‌های KYC/KYB تحلیلی.
   
   

مقیاس پروژه

مقیاس فنی: پروژه در فاز نخست می‌تواند برای تحلیل داده‌های یک یا دو شبکه رمزارزی (مثلاً بیت‌کوین و تتر) در محیط آزمایشی اجرا شود و سپس در سطح ملی برای تمامی رمزارزهای پرکاربرد گسترش یابد.

مقیاس اقتصادی: سامانه باعث کاهش ریسک فعالیت‌های غیرقانونی، ارتقای اعتماد عمومی به بازار رمزارز، و بهبود انطباق مالیاتی و نظارتی در کشور می‌شود. همچنین با تحلیل الگوهای مشکوک، از خسارات ناشی از پولشویی و کلاهبرداری دیجیتال جلوگیری می‌کند.

کاربران نهایی:

• بانک مرکزی و سازمان تنظیم مقررات مالی برای نظارت بر تراکنش‌ها
  
  
• سازمان امور مالیاتی برای تحلیل درآمدهای مشکوک
  
  
• پلیس فتا و مراجع امنیتی برای کشف و برخورد با تخلفات رمزارزی
  
  
• صرافی‌ها و شرکت‌های فین‌تک جهت پایش رفتار کاربران و انطباق با مقررات AML
  
  

تأثیر کلان:

• افزایش شفافیت و انضباط در بازار رمزارز
  
  
• ایجاد ابزار تصمیم‌سازی برای تنظیم‌گران مالی
  
  
• جلوگیری از پولشویی، تأمین مالی غیرقانونی و جرائم سایبری
  
  
• توسعه زیرساخت RegTech ملی در حوزه دارایی‌های دیجیتال
  
  

جمع‌بندی فازبندی پیشنهادی پروژه

فاز	عنوان فاز	خروجی کلیدی	نوع فعالیت
۱	مطالعه تطبیقی مدل‌های جهانی کشف تخلف تراکنشی	گزارش تحقیق و چارچوب بومی RegTech	Research
۲	طراحی معماری فنی و مدل داده سامانه	مدل داده و موتور امتیازدهی ریسک تراکنش	Design
۳	توسعه الگوریتم‌های تحلیل شبکه و یادگیری ماشین	موتور کشف الگوهای مشکوک	Development
۴	طراحی داشبورد نظارتی و سیستم هشدار بلادرنگ	پلتفرم مانیتورینگ و هشدار خودکار	Implementation
۵	ارزیابی دقت، امنیت و استقرار سازمانی	گزارش عملکرد و مدل تجاری قابل استقرار	Validation

 

ملاحظات چارچوب پروپوزال ارسالی:

نگاه ماژولار و فازبندی:

به توجه به نوع تامین مالی پروژه که مبتنی بر اعتبار مالیاتی بانک مرکزی که عطف به تفاهم نامه بانک مرکزی و معاونت علمی ریاست جمهوری است، پروپوزال تهیه شده باید ساختار فازبندی شده و ماژولار داشته باشد و برای بازه زمانی یک ساله طراحی شده باشد و از سوی دیگر خروجی های هر فاز یا ماژول قابل اندازه گیری و بررسی باشد. از این رو ساختار فازبندی پیشنهادی در RFP موجود ارائه شده است با توجه به دانش و تجربه شرکت ارسال کننده پروپوزال، قابلیت بهبود و اصلاح دارد.

نگاه مالی مبتنی بر تحقیق و توسعه:

باتوجه به ماهیت R&D این پروژه و اهمیت سهم تحقیق برای نوآوری نسبت به راهکارهای موجود در بازار یا نمونه های بین المللی، باید بیش از 40 درصد ارزش پروژه باید برای مصارف مربوط به تحقیقات مورد نیاز برای توسعه محصول باشد. میزان سطح نوآوری و بخشی از محصول / پروژه که نسبت به راهکارهای حال حاضر نوآورانه است، تصریح و شفاف شود.

سرفصل هزینه کرد موردپذیرش:

باتوجه به نوع تامین مالی پروژه، باید محل مصرف منابع تامین شده عطف به آیین نامه های معاونت علمی و فناوری ریاست جمهوری برای پروژه های R&D در موضوعات ذیل باشد:

• تهیه و اجاره فضای کار اختصاصی تحقیق و توسعه: هزینه اجاره فضای تحقیق و توسعه با اولویت استقرار در زیست بوم نوآوری متناسب با پروژه تحقیق و توسعه

• ماشین آلات و تجهیزات: معادل استهلاک سالیانه ماشین آلات و تجهیزات در صورتی که نصب و راه اندازی شده باشد.

• نیروی انسانی : معادل حقوق و مزایای مندرج در لیست بیمه تامین اجتماعی برای نیروی انسانی مستقیم در پروژه های تحقیق و توسعه تا سقف حداکثر دستمزد مشمول کسر حق بیمه 

• مواد اولیه و قطعات مصرفی : مواد اجزاء و قطعات به میزان متناسب برای تولید آزمایشی به تعداد محدود برای ساخت نمونه اولیه و به میزان به کار رفته برای ساخت واحد آزمایشی

• تاییدیه ها و استانداردها: 

• هزینه آزمون ها و تست ها برای تحقیق و توسعه 

• استانداردهای ویژه و اختصاصی بر روی محصولات و خدمات مرتبط با پروژه مورد نظر 

• هزینه ثبت پتنت بین المللی  

• همکاری فناورانه: هزینه کرد قرارداد با شرکت های دانش بنیان و فناور دانشگاه ها و مراکز پژوهشی با تایید دبیرخانه و در چارچوب سرفصل های مورد تایید هزینه کرد در پروژه های تحقیق و توسعه

در پروپوزال ارسالی، پیشنهاد کلی نسبت به ساختار هزینه اعلام گردد.

 

تدقیق فازهای عملیاتی و ساختار هزینه کرد پس از ارزیابی شرکت های درخواست دهنده، با مشارکت ذینفعان بانک مرکزی و ناظران پروژه در همکاری با شرکت انجام خواهد شد.