Hoelvoceatvit - Arquitectura de IA y analítica on-chain para

Cómo funciona la tecnología

Muchos paneles prometen visibilidad, pocos explican cómo llegan a cada alerta. Aquí la arquitectura se detalla por capas: datos, grafos, modelos y flujos de respuesta.

Tuberías de datos on-chain

El motor de Hoelvoceatvit no empieza en las alertas, empieza en los datos. Una tubería de ingestión recoge bloques, eventos y estados de varias redes públicas, los normaliza y los almacena en estructuras diseñadas para consultas de seguridad. Se prioriza información pública verificable y se minimiza el uso de datos sensibles, manteniendo un registro claro de qué fuente aporta cada señal utilizada por los modelos.

Analítica de grafos aplicada

Sobre esos datos se construyen grafos que representan contratos, pools, puentes y carteras como nodos conectados por relaciones de llamadas, permisos y flujos de valor. Este enfoque permite ver patrones que se pierden en tablas planas, como concentraciones de poder de voto, rutas de drenaje encadenadas o dependencias ocultas entre contratos auxiliares que apenas aparecen en la documentación.

Modelos y reglas de detección

Encima de la capa de grafos operan modelos de aprendizaje automático y reglas específicas de fraude en finanzas descentralizadas. Detectan anomalías en secuencias temporales, cambios bruscos en estructuras de permisos y comportamientos repetidos que coinciden con incidentes pasados. Cada alerta incluye explicaciones sobre las señales que la han disparado, para evitar cajas negras imposibles de auditar por los equipos técnicos.

Tecnología central

Los incidentes DeFi no se entienden mirando solo precios, se entienden leyendo grafos de contratos, carteras y permisos. La tecnología de Hoelvoceatvit parte de esa idea y combina modelos de aprendizaje automático con analítica de grafos y reglas específicas de fraude en finanzas descentralizadas. Cada alerta nace de una mezcla de señales: llamadas inusuales a contratos, cambios de rol administrativos, patrones de liquidez sospechosos y actividad histórica de direcciones relacionadas.

El núcleo de la plataforma se organiza en capas. Primero, una tubería de datos on-chain ingestada desde varias redes normaliza eventos, estados y metadatos. Después, motores de grafos construyen relaciones entre contratos, pools, puentes y carteras. Encima operan modelos de detección de anomalías y clasificación entrenados sobre tipologías de fraude DeFi, alimentados por feeds de inteligencia que recogen incidentes públicos y patrones emergentes. El resultado son señales priorizadas que pueden explicarse y rastrearse hasta los datos originales.

01

Ingesta estructurada de datos on-chain

Los nodos y proveedores conectados envían bloques, eventos y estados de contratos a la plataforma. Un sistema de ingestión normaliza formatos, descarta ruido evidente y etiqueta elementos clave como tipos de eventos, contratos implicados, permisos modificados y rutas de liquidez afectadas, siempre con trazabilidad hacia la fuente original.
02

Extracción de características y grafos

Sobre los datos normalizados se construyen vectores y grafos que recogen secuencias temporales, relaciones entre direcciones y cambios en parámetros de riesgo. Esta fase traduce actividad cruda en características que los modelos pueden interpretar, como frecuencia de llamadas, centralidad de nodos o variaciones atípicas en patrones de uso.
03

Puntuación mediante modelos de detección

Los modelos de aprendizaje automático y las reglas específicas de fraude procesan las características generadas. Buscan desviaciones respecto a comportamientos habituales del protocolo, similitudes con incidentes históricos y combinaciones sospechosas de cambios de permisos y movimientos de fondos. Cada coincidencia potencial se puntúa y clasifica según su relevancia.
04

Generación y priorización de alertas

Las coincidencias con puntuación alta se convierten en alertas que incluyen contexto: contratos implicados, rutas afectadas, señales principales y posibles acciones de revisión. Un sistema de priorización ordena estas alertas según impacto técnico estimado, liquidez involucrada y tiempo de reacción necesario, evitando saturar a los equipos con notificaciones triviales.
05

Bucle de aprendizaje con feedback operativo

Las decisiones que toman los equipos frente a cada alerta, junto con la evolución posterior de la actividad on-chain, alimentan un bucle de mejora continua. Se ajustan umbrales, se revisan reglas y se incorporan nuevos patrones observados en incidentes reales, manteniendo la tecnología alineada con tácticas de ataque cambiantes.

Del bloque a la alerta explicable

El ciclo de detección en Hoelvoceatvit sigue una secuencia clara: recoger datos on-chain relevantes, extraer características útiles, aplicar modelos de detección, generar alertas priorizadas y aprender de la reacción de los equipos. Nada de magia, solo un proceso repetible que se ajusta cuando cambian los patrones de ataque en finanzas descentralizadas.

Ver detalles

Hoelvoceatvit

Integraciones clave

Integraciones con el ecosistema DeFi y herramientas de seguridad

Protocolos

Monitor DeFi

Conexión directa con contratos y pools en protocolos de finanzas descentralizadas para extraer eventos, estados y cambios de configuración relevantes. La integración permite mapear rutas críticas de liquidez, permisos administrativos y actividad de gobernanza, generando grafos actualizados que alimentan los modelos de detección de fraude. Esta capa se diseña para minimizar impacto en la infraestructura del protocolo y para documentar con claridad qué datos se utilizan y con qué finalidad técnica concreta.

Intercambios

Exchange Link

Integración con plataformas de intercambio que expone datos de órdenes, pares y flujos de entrada y salida asociados a actividad on-chain. Hoelvoceatvit cruza esa información con señales de grafos y modelos de anomalías para identificar patrones de abuso, manipulación de volumen o rutas asociadas a incidentes conocidos. El objetivo no es bloquear operaciones de forma automática, sino ofrecer contexto técnico adicional para los equipos de riesgo y cumplimiento.

Custodia

Custody Watch

Conexión con proveedores de custodia y soluciones de almacenamiento institucional que necesitan visibilidad sobre contratos y protocolos con los que interactúan. La integración se centra en exponer niveles de riesgo técnico estimado, incidentes recientes y cambios de permisos relevantes, sin acceder al detalle de posiciones internas. Esta vista ayuda a contextualizar decisiones operativas sin sustituir marcos propios de gobierno y control de cada entidad.

SIEM

SIEM Bridge

Enlace con herramientas de gestión de eventos y registros de seguridad que ya utilizan muchos equipos. Las alertas de Hoelvoceatvit se transforman en eventos estructurados, listos para correlacionarse con registros de infraestructura, autenticación y redes internas. Esta integración permite que señales de fraude en finanzas descentralizadas se vean en el mismo panel que otros incidentes de seguridad, facilitando investigaciones conjuntas sin duplicar trabajo.

Cumplimiento

Compliance Feed

Flujo dedicado para equipos de cumplimiento que traduce señales técnicas en resúmenes orientados a obligaciones de reporte y evaluación de riesgo. Incluye metadatos sobre incidentes, rutas de liquidez afectadas y contratos implicados, con trazabilidad hacia datos on-chain. No pretende ser herramienta legal, sino fuente estructurada de información para que asesores y responsables de cumplimiento trabajen con una base técnica coherente.

Alertas

Ops Hooks

Sistema de webhooks y conectores que lleva las alertas de la plataforma a canales operativos existentes, como sistemas de tickets o mensajería interna. Cada evento incluye contexto suficiente para reproducir el comportamiento on-chain, parámetros clave del modelo y enlaces a vistas de grafos. Esto reduce la fricción entre la detección automatizada y la respuesta humana, sin imponer una única forma de organizar incidentes.

Evolución de la tecnología de Hoelvoceatvit

8 Eventos — Ordenar por año
Año	Hito	Área	Detalles
2019	Normalización inicial de datos on-chain	Datos	Primera versión estable de la tubería de ingestión on-chain capaz de procesar eventos y estados de varias redes públicas. Se definieron esquemas de datos comunes, mecanismos de trazabilidad hacia la fuente original y políticas de retención iniciales. Este hito permitió abandonar scripts ad hoc y sentar la base de un sistema de análisis reproducible.
2020	Modelo de grafos para relaciones DeFi	Grafos	Introducción del motor de grafos para representar contratos, carteras, pools y puentes como nodos conectados. Se incorporaron métricas de centralidad, caminos críticos y detección de comunidades, lo que facilitó identificar patrones de concentración de poder y rutas de drenaje que antes quedaban ocultas en consultas tradicionales.
2021	Primera capa de detección basada en IA	Modelos	Despliegue de la primera generación de modelos de detección de anomalías y clasificación entrenados sobre incidentes históricos en finanzas descentralizadas. Se definieron conjuntos de características específicas, como cambios de permisos, secuencias de llamadas y patrones de liquidez, y se integraron explicaciones básicas sobre qué señales influían en cada puntuación.
2022	Sistema operativo de alertas priorizadas	Alertas	Creación del sistema de priorización de alertas y del esquema de eventos estructurados para integrarse con herramientas de operaciones y seguridad. Se establecieron niveles de severidad, campos mínimos de contexto y flujos de revisión, reduciendo la distancia entre detección automatizada y respuesta humana coordinada.
2023	Feeds de inteligencia conectados a modelos	Inteligencia	Incorporación de feeds de inteligencia que recopilan incidentes públicos, patrones emergentes y cambios relevantes en protocolos. Estos datos se conectaron con los grafos internos y los modelos, permitiendo ajustar reglas y pesos de señales según nuevas técnicas de abuso observadas en el ecosistema.
2024	Refactor de infraestructura y observabilidad	Arquitectura	Revisión completa de la arquitectura para mejorar resiliencia, escalabilidad y observabilidad. Se añadieron métricas detalladas sobre latencias de ingestión, tiempos de inferencia y tasas de error por fuente de datos, junto con paneles internos que permiten auditar el comportamiento de la plataforma en tiempo cercano al real.
2025	Capa de explicaciones para cada alerta	Explicabilidad	Lanzamiento de una capa de explicabilidad avanzada que acompaña cada alerta con señales clave, ejemplos de incidentes similares y límites conocidos del modelo. Este hito facilitó el trabajo de equipos que necesitan justificar decisiones de riesgo ante comités internos y auditores externos.
2026	Extensión de cobertura y alineación con cumplimiento	Cobertura	Ampliación de cobertura a más ecosistemas y tipologías de fraude DeFi, junto con mejoras en la integración con herramientas de cumplimiento y plataformas de seguridad existentes. La hoja de ruta se centra en mantener un equilibrio entre nuevas capacidades y documentación clara sobre lo que la tecnología puede y no puede detectar.

En seguridad DeFi abundan los paneles que muestran gráficos vistosos y escasean las arquitecturas que explican por qué una alerta se dispara justo en ese bloque. La tecnología de Hoelvoceatvit se diseñó al revés: primero se definió cómo trazar cada señal hasta el dato on-chain que la originó y después se construyó el resto. Eso implica tuberías de datos verificables, grafos que reflejan relaciones reales entre contratos y modelos que exponen sus propias limitaciones. La plataforma no promete ver todo, promete que lo que ve puede auditarse sin fe ciega en una caja negra. — Laura Ruiz Martínez

Un modelo de detección sin contexto se convierte en una fábrica de falsos positivos. Por eso en Hoelvoceatvit los algoritmos no trabajan solos: se apoyan en grafos de relaciones, reglas específicas de fraude DeFi y un registro continuo de cómo responden los equipos a cada alerta. Cuando un patrón deja de ser relevante, se retira. Cuando aparece una nueva técnica de abuso, se incorpora. La fiabilidad no viene de una arquitectura perfecta, sino de un ciclo constante de ajuste apoyado en datos reales y decisiones documentadas. — Diego Fernández Alonso

La promesa fácil sería decir que todo se analiza en tiempo real sin fricción, pero la realidad técnica es menos glamorosa. La infraestructura de Hoelvoceatvit se centra en equilibrio: suficiente frescura de datos para detectar patrones peligrosos con rapidez y suficiente estabilidad para no romper flujos internos de los equipos. Eso se traduce en colas de procesamiento controladas, prioridades por tipo de señal y mecanismos de degradación elegantes cuando una fuente de datos falla. La seguridad operativa empieza por asumir que los propios sistemas también pueden tener problemas. — Sergio López Hernández

Laura Ruiz Martínez / Fundadora y responsable de estrategia técnica DeFi / En seguridad DeFi abundan los paneles que muestran gráficos vistosos y escasean las arquitecturas que explican por qué una alerta se dispara justo en ese bloque. La tecnología de Hoelvoceatvit se diseñó al revés: primero se definió cómo trazar cada señal hasta el dato on-chain que la originó y después se construyó el resto. Eso implica tuberías de datos verificables, grafos que reflejan relaciones reales entre contratos y modelos que exponen sus propias limitaciones. La plataforma no promete ver todo, promete que lo que ve puede auditarse sin fe ciega en una caja negra.

Diego Fernández Alonso / Responsable de modelos de inteligencia artificial / Un modelo de detección sin contexto se convierte en una fábrica de falsos positivos. Por eso en Hoelvoceatvit los algoritmos no trabajan solos: se apoyan en grafos de relaciones, reglas específicas de fraude DeFi y un registro continuo de cómo responden los equipos a cada alerta. Cuando un patrón deja de ser relevante, se retira. Cuando aparece una nueva técnica de abuso, se incorpora. La fiabilidad no viene de una arquitectura perfecta, sino de un ciclo constante de ajuste apoyado en datos reales y decisiones documentadas.

Sergio López Hernández / Responsable de plataforma e infraestructura / La promesa fácil sería decir que todo se analiza en tiempo real sin fricción, pero la realidad técnica es menos glamorosa. La infraestructura de Hoelvoceatvit se centra en equilibrio: suficiente frescura de datos para detectar patrones peligrosos con rapidez y suficiente estabilidad para no romper flujos internos de los equipos. Eso se traduce en colas de procesamiento controladas, prioridades por tipo de señal y mecanismos de degradación elegantes cuando una fuente de datos falla. La seguridad operativa empieza por asumir que los propios sistemas también pueden tener problemas.

Cómo se piensa la tecnología desde dentro

Diego Fernández Alonso Un modelo de detección sin contexto se convierte en una fábrica de falsos positivos. Por eso en Hoelvoceatvit los algoritmos no trabajan solos: se apoyan en grafos de relaciones, reglas específicas de fraude DeFi y un registro continuo de cómo responden los equipos a cada alerta. Cuando un patrón deja de ser relevante, se retira. Cuando aparece una nueva técnica de abuso, se incorpora. La fiabilidad no viene de una arquitectura perfecta, sino de un ciclo constante de ajuste apoyado en datos reales y decisiones documentadas.

Sergio López Hernández La promesa fácil sería decir que todo se analiza en tiempo real sin fricción, pero la realidad técnica es menos glamorosa. La infraestructura de Hoelvoceatvit se centra en equilibrio: suficiente frescura de datos para detectar patrones peligrosos con rapidez y suficiente estabilidad para no romper flujos internos de los equipos. Eso se traduce en colas de procesamiento controladas, prioridades por tipo de señal y mecanismos de degradación elegantes cuando una fuente de datos falla. La seguridad operativa empieza por asumir que los propios sistemas también pueden tener problemas.

Diego Fernández Alonso Un modelo de detección sin contexto se convierte en una fábrica de falsos positivos. Por eso en Hoelvoceatvit los algoritmos no trabajan solos: se apoyan en grafos de relaciones, reglas específicas de fraude DeFi y un registro continuo de cómo responden los equipos a cada alerta. Cuando un patrón deja de ser relevante, se retira. Cuando aparece una nueva técnica de abuso, se incorpora. La fiabilidad no viene de una arquitectura perfecta, sino de un ciclo constante de ajuste apoyado en datos reales y decisiones documentadas.

En seguridad DeFi abundan los paneles que muestran gráficos vistosos y escasean las arquitecturas que explican por qué una alerta se dispara justo en ese bloque. La tecnología de Hoelvoceatvit se diseñó al revés: primero se definió cómo trazar cada señal hasta el dato on-chain que la originó y después se construyó el resto. Eso implica tuberías de datos verificables, grafos que reflejan relaciones reales entre contratos y modelos que exponen sus propias limitaciones. La plataforma no promete ver todo, promete que lo que ve puede auditarse sin fe ciega en una caja negra.

Laura Ruiz Martínez Fundadora y responsable de estrategia técnica DeFi

02 Responsable de modelos de inteligencia artificial

Diego Fernández Alonso

03 Responsable de plataforma e infraestructura

La promesa fácil sería decir que todo se analiza en tiempo real sin fricción, pero la realidad técnica es menos glamorosa. La infraestructura de Hoelvoceatvit se centra en equilibrio: suficiente frescura de datos para detectar patrones peligrosos con rapidez y suficiente estabilidad para no romper flujos internos de los equipos. Eso se traduce en colas de procesamiento controladas, prioridades por tipo de señal y mecanismos de degradación elegantes cuando una fuente de datos falla. La seguridad operativa empieza por asumir que los propios sistemas también pueden tener problemas.

Sergio López Hernández