Chainalysis: Crypto Flows to Trafficking Networks Surge 85%

TheNewsCryptoDipublikasikan tanggal 2026-02-13Terakhir diperbarui pada 2026-02-13

Abstrak

Chainalysis reports an 85% surge in cryptocurrency flows to suspected human trafficking networks last year, with a significant reliance on stablecoins and operations linked to Telegram. The data indicates these networks are becoming more professional. Approximately half of transactions tied to Telegram-based international escort services exceeded $10,000. The firm identified four main categories of illicit activity: escort services, labor placement agents connected to scam compounds, prostitution networks, and child sexual abuse material (CSAM) vendors. Blockchain's inherent transparency provides a critical tool for law enforcement to track these flows and disrupt operations. While stablecoins are preferred by escort and prostitution networks for price stability, CSAM vendors are increasingly using Layer 1 networks and Monero for laundering. Transaction sizes vary, with CSAM payments typically under $100, indicating subscription-based models. The report also notes a growing overlap with online extremism communities and increased use of privacy tools.

A crypto investigation and compliance solution platform, Chainalysis has reported that crypto flows to suspected trafficking services surged 85% last year, having stablecoin-heavy, Telegram-associated networks and leaving trackable on-chain series.

Around 50% of the transactions associated with Telegram-based international escort services surpassed $10,000, as per the report. The data shows surging professionalisation of these networks; however, blockchain transparency has come up as an investigative tool for law enforcement.

Chainalysis traced four prominent categories of suspected crypto-assisted trafficking activity: Telegram-based international escort services, labour placement agents associated with scam compounds, prostitution networks, and child sexual abuse material (CSAM) vendors.

The growth is in line with the widening of Southeast Asia-based scam compounds, online gambling operations, and Chinese-language money laundering networks, many running through Telegram, the report mentions.

Blockchain transactions leave traces forever, dissimilar to cash transactions. The overseers of law enforcement are utilising that visibility to track flows, recognise chokepoints, and disrupt operations, as per the firm.

The payment behaviour changes over categories. Telegram-associated international escort services and prostitution networks depend intensely on stablecoins, as the data reports. Previously, CSAM vendors chose Bitcoin, but now they are heavily choosing Layer 1 networks.

More About the Transaction

Monero is highly utilised for laundering in CSAM-associated operations. The use of stablecoins indicates these networks give priority to price stability and quick off-ramping instead of the risk of asset freezes by centralised issuers, as per the report.

Transaction size data shows the structured nature of these operations. Around half of the Telegram-based escort transactions surpassed $10,000; the prostitution network remains in the $1,000 to $10,000 range, and CSAM transactions are comparatively lower, having many of them under $100.

Large transfers show organised, scaled criminal enterprises instead of isolated actors. CSAM-associated activity carries on to evolve. Subscription-based revenue models lead the sector, with payments normally under $100 every month.

The data also reveals surged overlap between sadistic online extremism communities and higher use of instant exchangers and privacy tools.

Highlighted Crypto News Today:

U.S. SEC Warns Prediction Markets May Fall Under Securities Law

TagsChainalysisillegal tradingTelegram

Pertanyaan Terkait

QAccording to Chainalysis, by what percentage did crypto flows to suspected trafficking services surge last year?

ACrypto flows to suspected trafficking services surged by 85% last year.

QWhat are the four categories of suspected crypto-assisted trafficking activity that Chainalysis traced?

AThe four categories are Telegram-based international escort services, labour placement agents associated with scam compounds, prostitution networks, and child sexual abuse material (CSAM) vendors.

QWhich type of cryptocurrency is highly utilized for laundering in CSAM-associated operations?

AMonero is highly utilized for laundering in CSAM-associated operations.

QWhat is the typical transaction size range for the prostitution networks mentioned in the report?

AThe transaction size for prostitution networks typically remains in the $1,000 to $10,000 range.

QWhat advantage does blockchain provide to law enforcement in investigating these criminal networks?

ABlockchain transactions leave permanent, traceable on-chain records, which law enforcement uses to track fund flows, identify chokepoints, and disrupt operations.

Bacaan Terkait

Memberi "Noise" ke AI Juga Bisa Meningkatkan Skor, Karya Ini Membuat Noise Mencapai Transfer Positif

Dalam bidang transfer learning, sumber data biasanya berupa gambar, teks, atau audio. Namun, penelitian "Semi-Supervised Noise Adaptation (SSNA)" menunjukkan bahwa **noise acak yang tidak memiliki makna semantik**—dihasilkan dari distribusi Gaussian—juga dapat meningkatkan performa model dalam skenario semi-supervised dengan sedikit data berlabel. Metode ini menggunakan **Kerangka Adaptasi Noise (Noise Adaptation Framework, NAF)**. NAF membuat struktur kategori diskriminatif dalam domain noise acak, lalu mentransfer **struktur** ini ke data target nyata untuk memberikan batas klasifikasi yang lebih jelas. Model memproyeksikan domain noise dan target ke ruang representasi bersama dan menyelaraskannya pada tingkat kategori. Dalam eksperimen, dengan hanya 4 sampel berlabel per kelas, NAF meningkatkan akurasi secara signifikan dibandingkan baseline ERM pada dataset seperti CIFAR-10 (+12.35%), CIFAR-100 (+7.61%), dan lainnya. Peningkatan juga terlihat pada dataset skala besar seperti ImageNet-1K dan tugas klasifikasi teks. Kunci keberhasilan ini bukanlah sifat acak noise itu sendiri, melainkan **struktur kategori yang dapat dipisahkan** yang dibentuknya dalam ruang representasi. Eksperimen ablasi menunjukkan bahwa jika semua noise dikompresi menjadi satu titik (tanpa struktur), kinerja justru menurun drastis. Sebaliknya, memperlebar jarak antara pusat kategori noise meningkatkan akurasi. Penelitian ini menawarkan perspektif baru: dalam transfer learning, pengetahuan yang dapat ditransfer bisa berupa **cara data diorganisasikan dalam ruang representasi**, bukan hanya konten semantiknya. Ini membuka kemungkinan untuk skenario di mana data sumber asli tidak tersedia karena masalah privasi, hak cipta, atau keterbatasan akses. Noise sintetis dapat menjadi alternatif sumber daya yang efektif dan rendah biaya.

marsbit3m yang lalu

Memberi "Noise" ke AI Juga Bisa Meningkatkan Skor, Karya Ini Membuat Noise Mencapai Transfer Positif

marsbit3m yang lalu

Operator Teleprompter "Khusus" Gedung Putih Raup Lebih dari $100.000 dengan Prediksi Berbasis Informasi Orang Dalam

Artikel berjudul "Operator Teleprompter Gedung Putih Dapatkan Lebih dari $100.000 dengan Informasi Orang Dalam" mengungkap kasus insider trading di pasar prediksi oleh Gabriel Perez, asisten teknis dan operator teleprompter untuk mantan Presiden AS Donald Trump. Perez, yang memiliki akses ke naskah pidato Trump sebelum disampaikan, menggunakan informasi orang dalam ini untuk bertaruh pada kata-kata spesifik yang akan disebutkan Trump dalam berbagai pidato di platform prediksi Kalshi. Dalam sekitar tiga bulan, ia mendapat untung lebih dari $100.000. Namun, platform Kalshi mendeteksi aktivitas mencurigakan, membekukan dana sekitar $90.000, dan melaporkannya ke CFTC. Akibatnya, Perez diberhentikan sementara tanpa gaji oleh Trump. Meski mengembalikan keuntungan dan berjanji tidak mengulangi pelanggaran, ia tidak menghadapi tuntutan pidana karena dianggap tidak membocorkan informasi rahasia negara. Kasus ini menyoroti kerentanan pasar prediksi "sebutan" terhadap manipulasi, di mana orang dalam atau pembicara sendiri dapat dengan mudah mempengaruhi hasil. Insiden serupa sebelumnya melibatkan tentara dan insinyur Google. Sebagai tanggapan, platform seperti Kalshi mulai memperketat aturan, termasuk mengharuskan pengguna mengungkapkan tempat kerja. Artikel menyimpulkan bahwa meskipun pembersihan perdagangan orang dalam membuat pasar prediksi lebih patuh, hal itu juga menjauhkannya dari tujuan awalnya sebagai pengejawantahan kebijaksanaan kolektif, menjadikannya lebih mirip kasino biasa.

marsbit1j yang lalu

Operator Teleprompter "Khusus" Gedung Putih Raup Lebih dari $100.000 dengan Prediksi Berbasis Informasi Orang Dalam

marsbit1j yang lalu

Operator Teleprompter "Khusus" Gedung Putih, Meraup Lebih dari 100 Ribu Dolar AS dengan Prediksi Menggunakan Informasi Orang Dalam

Sebuah staf Gedung Putih yang bertugas mengoperasikan teleprompter (penyusun teks pidato) untuk mantan Presiden AS Donald Trump, Gabriel Perez, telah diduga melakukan perdagangan orang dalam (insider trading) di pasar prediksi. Perez, yang memiliki akses ke naskah pidato Trump sebelum disampaikan, dilaporkan memanfaatkan informasi non-publik tersebut untuk bertaruh pada kata-kata spesifik yang akan disebutkan Trump dalam berbagai pidatonya di platform prediksi Kalshi. Dalam kurun waktu sekitar tiga bulan, ia dikabarkan memperoleh keuntungan lebih dari $100,000. Kalshi kemudian mendeteksi aktivitas transaksi yang tidak biasa dan membekukan lebih dari $90,000 di akun Perez sebelum melaporkan kasus ini kepada Commodity Futures Trading Commission (CFTC). Atas insiden tersebut, Perez diberhentikan sementara dari tugasnya tanpa gaji oleh Trump. Berbeda dengan dua kasus insider trading sebelumnya di pasar prediksi yang melibatkan seorang tentara dan insinyur Google, Perez tidak menghadapi tuntutan pidana. CFTC dikabarkan sedang dalam proses penyelesaian damai yang mewajibkannya mengembalikan keuntungannya dan berhenti melakukan transaksi serupa. Kasus ini menyoroti kerentanan pasar prediksi "sebutan" (mention markets) terhadap manipulasi, di mana individu dengan informasi orang dalam atau bahkan pembicara itu sendiri dapat dengan mudah memengaruhi hasilnya. Beberapa contoh, seperti CEO Coinbase yang dengan sengaja menyebut semua opsi taruhan dalam sebuah konferensi, mengilustrasikan masalah ini. Menanggapi hal tersebut, Kalshi telah memperketat kebijakan dengan mewajibkan pengguna mengungkapkan tempat kerja mereka untuk mencegah penyalahgunaan informasi orang dalam. Insiden Perez menandai langkah lain dalam pembersihan perdagangan orang dalam di industri pasar prediksi, sekaligus mempertanyakan keandalan pasar tersebut sebagai cerminan kebijaksanaan kolektif.

Odaily星球日报1j yang lalu

Operator Teleprompter "Khusus" Gedung Putih, Meraup Lebih dari 100 Ribu Dolar AS dengan Prediksi Menggunakan Informasi Orang Dalam

Odaily星球日报1j yang lalu

Tambang Bitcoin Berubah Menjadi Pabrik AI

Tambang Bitcoin Berubah Menjadi Pabrik AI Di Texas, AS, proyek kampus besar pertama OpenAI "Stargate" dibangun di atas lahan bekas penambangan Bitcoin oleh Crusoe, perusahaan yang awalnya memanfaatkan gas alam terbuang untuk menambang kripto. Ini mencerminkan tren transformasi besar: infrastruktur dan sumber daya dari era Crypto kini dialirkan ke industri AI. Pilar utama transformasi ini adalah: 1. **Tambang ke Pusat Data AI:** Perusahaan penambangan seperti Bitdeer, CoreWeave (dulunya Atlantic Crypto), TeraWulf, dan Hut 8 menjual atau mengalihkan kapasitas pusat data mereka yang sudah memiliki akses listrik, lahan, dan izin ke perusahaan AI seperti Anthropic dan AWS. Kontrak jangka panjang bernilai miliaran dolar ini lebih menguntungkan dibandingkan pendapatan menambang Bitcoin yang menurun. 2. **Talenta Crypto ke Startup AI:** Mantan eksekutif dan insinyur Crypto membawa keahlian mereka ke bidang AI. Contohnya, Alex Atallah (co-founder OpenSea) mendirikan OpenRouter, sebuah platform agregator untuk ratusan model AI. Burkay Gur (eks Coinbase) mendirikan Fal.ai, infrastruktur untuk inferensi media generatif. 3. **Modal Crypto Mendanai AI:** Kekayaan yang terakumulasi dari pasar Crypto digunakan untuk membiayai ekosistem AI. Jed McCaleb (pendiri Ripple/Stellar) mendanai Voltage Park, penyewa GPU skala besar. Venture capital Crypto seperti Paradigm berinvestasi dalam startup AI seperti Nous Research (pengembang model Hermes). Bahkan investasi awal SBF (FTX) di Anthropic dan Anysphere (penghasil Cursor) menunjukkan aliran modal ini. Intinya, industri Crypto tidak menghilang, tetapi aset-aset berharganya—infrastruktur listrik/pusat data, talenta teknis, dan modal—ditempatkan kembali untuk membangun fondasi industri AI berikutnya.

链捕手1j yang lalu

Tambang Bitcoin Berubah Menjadi Pabrik AI

链捕手1j yang lalu

Trading

Spot
活动图片