💻 computer science

A Tattered Cloak of Invisibility: Measuring Anonymity Loss in Railgun on Ethereum

Este artículo demuestra que, a pesar de los sólidos fundamentos criptográficos de Railgun en Ethereum, los patrones de comportamiento del usuario, tales como la temporalidad, la reutilización de direcciones y los montos de las transacciones, pueden comprometer significativamente el anonimato, permitiendo que heurísticas vinculen de manera única el 17,65 % de los retiros con los depósitos y causando una pérdida de anonimato mediana de 3,42 bits.

Autores originales: Kanan Huseynov, Ali Shahzaib, István András Seres, János Tapolcai

Publicado 2026-06-25

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Kanan Huseynov, Ali Shahzaib, István András Seres, János Tapolcai

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que entras en un banco gigante y transparente donde todo el mundo puede ver tu nombre, tu saldo y cada una de las transacciones que has realizado en la vida. Así es como funciona la mayoría de las blockchains públicas (como Ethereum). Para solucionar esto, la gente construyó "mezcladores" (mixers) como Railgun. Piensa en Railgun como una capa de invisibilidad de alta tecnología y mágica. Entras, entregas tu dinero, la capa lo mezcla con el dinero de miles de otras personas. Cuando sales, recuperas tu dinero, pero teóricamente nadie sabe de qué montón de efectivo salió originalmente el tuyo.

El documento que proporcionaste, titulado "A Tattered Cloak of Invisibility" (Una capa de invisibilidad hecha jirones), plantea una pregunta simple pero aterradora: ¿Está la capa realmente rota?

Los autores (un equipo de investigadores de Hungría) argumentan que, si bien la matemática detrás de la capa es perfecta, las personas que la usan son torpes. Incluso si la magia es impecable, los usuarios dejan tras de sí huellas de comportamiento que permiten a los observadores remendar la capa y averiguar quién eres.

Aquí te explicamos cómo encontraron los agujeros en la capa, mediante analogías de la vida cotidiana:

Las cinco formas en que la capa se hace jirones

Los investigadores identificaron cinco formas específicas en las que los usuarios revelan accidentalmente su identidad:

1. El error de la "misma puerta" (Reutilización de direcciones)

La analogía: Imagina que entras en una habitación mágica por una puerta frontal etiquetada como "Juan". Consigues tu capa de invisibilidad, mezclas tu dinero y luego decides salir por la exacta misma puerta frontal etiquetada como "Juan".
La realidad: En el mundo digital, esto se llama Reutilización de Direcciones (Address Reuse). Si usas la misma dirección digital para meter el dinero y para sacarlo, la capa es inútil. Los investigadores descubrieron que aproximadamente el 6% de los usuarios cometieron este error, vinculando instantáneamente su depósito con su retiro.

2. El "saludo amistoso" (Transacciones directas)

La analogía: Entras en la habitación mágica, consigues tu capa y luego sales inmediatamente y saludas con la mano a tu amigo (que está parado justo afuera de la habitación). Incluso si eres invisible dentro, ese saludo te conecta con tu amigo.
La realidad: Los usuarios suelen enviar dinero desde su dirección de "depósito" a su dirección de "retiro" (o viceversa) para pagar las tarifas de gas o recargar saldos. Esto crea un apretón de manos digital directo. Los investigadores descubrieron que esto ocurrió en aproximadamente el 9% de los casos.

3. La filtración del "taxista" (Reutilización del pagador de Gas)

La analogía: Para salir de la habitación mágica, necesitas pagar a un taxista (un "relayer") porque no tienes efectivo encima. Normalmente, un extraño te lleva. Pero a veces, tú mismo conduces. Si conduces tú mismo, tu matrícula (tu dirección de depósito) es visible en el coche, revelando quién eres.
La realidad: Al retirar dinero, necesitas pagar una tarifa de transacción. Si no utilizas un "relayer" de terceros para pagar esta tarifa, podrías pagarla desde tu propia dirección de depósito. Los investigadores descubrieron que muchos usuarios hicieron esto, vinculando aproximadamente el 2% de los retiros directamente con sus depósitos.

4. El "rompecabezas" (Coincidencia de mochila/knapsack)

La analogía: Imagina que pones tres billetes específicos en una máquina: uno de $5, uno de $10 y uno de $20. Más tarde, sacas exactamente $35. Incluso si la máquina mezcló el dinero, el hecho de que $5 +$ 10 + $20 =$ 35 es una pista enorme.
La realidad: Railgun permite depositar cualquier cantidad. Si depositas cantidades específicas (como 1.5 ETH y 2.3 ETH) y luego retiras exactamente 3.8 ETH, una computadora puede resolver este "rompecabezas matemático" (llamado problema de la mochila o knapsack problem) y adivinar que tu retiro provino de esos depósitos específicos. Esto no siempre da una coincidencia del 100%, pero reduce drásticamente la lista de sospechosos.

5. La "huella dactilar" (Huellas de cantidad)

La analogía: Pones una cantidad de dinero muy específica y extraña, como $12.3456789. Cuando la sacas, sacas $12.3456789 (menos una pequeña comisión). Esa secuencia específica de números es como una huella dactilar única.
La realidad: A diferencia de los mezcladores más antiguos que solo aceptaban números redondos (como exactamente $100), Railgun acepta cualquier número. Si depositas un número "psicológicamente saliente" (como 1.234567), tiendes a mantener esos dígitos específicos cuando retiras. Los investigadores descubrieron que, si bien esto no era un vínculo perfecto por sí solo, se sumaba a las otras pistas.

El gran resultado

Al combinar estas cinco pistas, los investigadores pudieron vincular de forma única el 17.65% de todos los retiros con un depósito específico.

Piénsalo de esta manera: Si 100 personas entran en la habitación invisible, la matemática dice que todos deberían ser igualmente anónimos. Pero debido a estos errores de comportamiento, los investigadores pudieron decir con confianza: "Sabemos con seguridad que la Persona #17 es la misma persona que salió como la Persona #42".

Además, utilizaron un programa informático para resolver los "rompecabezas matemáticos" (el problema de la mochila). Esto no siempre daba una única respuesta, pero redujo la "anonimidad" (el número de posibles sospechosos) en aproximadamente 3.4 bits para cada transacción. En lenguaje sencillo, esto significa que el grupo de posibles sospechosos se redujo significativamente, haciendo mucho más fácil adivinar quién es quién.

El problema de la "velocidad rápida" (Tiempo)

El documento también destaca un problema de tiempo. Muchos usuarios tratan al mezclador como un túnel rápido: meten el dinero y lo sacan casi de inmediato (a menudo en menos de un día).

La analogía: Si entras en una habitación llena de gente y sales 10 segundos después, solo hay unas pocas personas que podrías haber sido. Si te quedas un mes, podrías ser cualquiera.
La realidad: Los investigadores descubrieron que el usuario "mediano" esperaba menos de un día. Esta pequeña ventana de tiempo hace que sea increíblemente fácil adivinar qué depósito corresponde a qué retiro, independientemente de cuántas personas haya en el grupo.

¿Qué deberías hacer? (El consejo)

El documento concluye con una lista de "cosas que no hacer" para cualquiera que intente mantener el anonimato:

Nunca uses la misma puerta: Usa siempre una dirección nueva para sacar tu dinero.
No saludes a tus amigos: No envíes dinero entre tu dirección de depósito y tu dirección de retiro.
Toma el taxi: Utiliza siempre un "relayer" de terceros para pagar tus tarifas, de modo que tu propia dirección no sea vista pagando la salida.
No seas predecible: No deposites y retires exactamente las mismas cantidades. Mézclalo, o realiza algunas transacciones internas (como intercambiar tokens) dentro del grupo para desordenar los números.
Espera un tiempo: No te apresures. Quédate en el grupo durante semanas o meses para que tu retiro se pierda en una multitud más grande.

La conclusión final

El mensaje principal del documento es que la privacidad no es solo cuestión de matemáticas; es cuestión de comportamiento. Incluso si la "capa" está hecha del tejido mágico más resistente, si la usas mientras saludas a tus amigos, corres en línea recta o dejas tus huellas en el lodo, la capa no te salvará. Los investigadores no rompieron la magia; simplemente demostraron cómo los usuarios están desgarrando el tejido accidentalmente por sí mismos.

Resumen Técnico: Una capa de invisibilidad andrajosa: Midiendo la pérdida de anonimato en Railgun en Ethereum

1. Planteamiento del problema

Si bien los protocolos de privacidad criptográfica como Railgun en Ethereum utilizan pruebas de conocimiento cero para ocultar el vínculo entre las transacciones de depósito y retiro, la anonimidad práctica proporcionada a los usuarios se ve frecuentemente comprometida por la filtración conductual. A diferencia de la banca tradicional, donde los historiales de transacciones son privados, las blockchains públicas exponen montos de transacciones, tiempos y relaciones de grafos. Los autores argumentan que, incluso si el protocolo criptográfico subyacente es seguro, los comportamientos de los usuarios —como patrones de tiempo, reutilización de direcciones y montos de transacciones distintivos— pueden reducir significativamente el conjunto de anonimidad efectivo. El artículo investiga hasta qué punto estos rastros conductuales permiten a un adversario vincular heurísticamente un retiro específico con su depósito correspondiente en el fondo blindado de Railgun.

2. Metodología

El estudio emplea un modelo de adversario pasivo, utilizando únicamente datos disponibles públicamente de la blockchain de Ethereum Capa-1. Los autores recopilaron un conjunto de datos exhaustivo de transacciones de Railgun (depósitos, retiros, transferencias internas y swaps) hasta mayo de 2026. Formularon cinco heurísticas distintas para identificar vínculos plausibles entre transacciones de depósito ( $d_i$ ) y de retiro ( $w_j$ ):

Reutilización de Direcciones (H1): Identifica vínculos donde la dirección de retiro es idéntica a una dirección de depósito previa. Esta heurística es determinista y produce cero falsos positivos por definición.
Vinculación Transaccional Directa (H2): Detecta vínculos donde existe una transacción en la cadena entre una dirección de depósito y una dirección de retiro (en cualquier dirección), lo cual ocurre a menudo cuando los usuarios recargan una dirección de retiro con fondos de su dirección de depósito para cubrir las tarifas de gas.
Reutilización de la Dirección Pagadora de Gas (H3): Analiza el remitente de la transacción de retiro. Si un usuario transmite su propio retiro (autotransmisión) en lugar de usar un relayer de terceros, y la dirección pagadora de gas coincide con un depositante conocido, se establece un vínculo.
Problema de la Mochila (Knapsack Matching) (H4): Trata el problema como un problema de suma de subconjuntos (mochila). Intenta encontrar un subconjunto de depósitos previos cuyos montos sumen un monto de retiro específico (dentro de una tolerancia $\epsilon$ para comisiones). Los autores adaptaron el algoritmo de programación dinámica de Pisinger para resolver estas instancias de manera eficiente.
Huellas Digitales de Montos (H5): Examina la expansión decimal de los montos de las transacciones. Busca "huellas digitales" únicas (específicamente los tres primeros dígitos fraccionarios distintos de cero) que se preservan entre depósitos y retiros, asumiendo que los usuarios no randomizan completamente los valores de sus transacciones.

El estudio también utilizó la Ley de Little para estimar el tiempo de residencia promedio de los fondos en el fondo y analizó la distribución de los intervalos de tiempo entre depósitos y retiros.

3. Contribuciones Clave

Perspectiva de Filtración Conductual: El artículo desplaza el enfoque de las vulnerabilidades criptográficas hacia la interacción entre el diseño del protocolo y el comportamiento del usuario, demostrando cómo la información de canal lateral reduce la anonimidad.
Marco de Heurísticas: Los autores introducen y formalizan cinco heurísticas específicas (H1–H5) adaptadas a la naturaleza flexible de Railgun, que admite montos arbitrarios y transacciones internas, a diferencia de los mezcladores de denominación fija como Tornado Cash.
Medición Empírica: El estudio proporciona la primera medición a gran escala de la pérdida de anonimidad en Railgun, cuantificando la reducción del conjunto de anonimidad efectivo basándose en datos observables en la cadena.
Lanzamiento de Código Abierto: Los autores liberaron el conjunto de datos recopilados y el código de análisis para facilitar más investigaciones sobre la medición de la privacidad.

4. Resultados

La aplicación de estas heurísticas al conjunto de datos de Railgun arrojó los siguientes hallazgos:

Tasa de Vinculación: Las primeras cuatro heurísticas (H1–H4) vincularon exitosamente el 17.65% de todas las transacciones de retiro con una única transacción de depósito. Específicamente:
- H1 (Reutilización de Direcciones) vinculó el 6.10% de los retiros.
- H2 (Vínculo de Tx Directo) vinculó el 8.98% de los retiros.
- H3 (Reutilización de Pagador de Gas) vinculó el 2.20% de los retiros.
- H4 (Problema de la Mochila) vinculó el 4.41% de los retiros.
Sensibilidad Temporal: El tiempo mediano entre el depósito y el retiro para los pares vinculados fue de 0.84 días, lo que indica que una parte significativa de los usuarios trata el fondo simplemente como un mezclador y no como una herramienta de privacidad a largo plazo. Este ciclo rápido reduce drásticamente el conjunto de anonimidad efectivo.
Análisis de la Mochila: El resolvedor de la mochila produjo una pérdida de anonimidad mediana de 3.42 bits para las transacciones de retiro, lo que significa que la incertidumbre respecto al origen de los fondos se redujo en esta cantidad para el caso mediano.
Huellas Digitales: Aunque la prueba de Kolmogorov–Smirnov mostró diferencias estadísticas en las huellas digitales de los montos, los autores encontraron que las huellas digitales de montos fraccionarios (H5) no eran lo suficientemente confiables para una desanonimización independiente debido al ruido de las comisiones de transacción y los efectos de redondeo global.
Uso del Fondo: Solo el 15.00% del ETH depositado permanecía en el fondo blindado al momento de la medición, lo que sugiere que la mayoría de los usuarios retiran rápidamente. El tiempo de residencia promedio estimado fue de aproximadamente 183 días, pero el comportamiento mediano fue mucho más rápido.

5. Significado y Reivindicaciones

El artículo sostiene que, si bien Railgun proporciona una fuerte garantía criptográfica de falta de vinculación, la privacidad práctica es sustancialmente más débil debido al comportamiento del usuario. Los autores enfatizan que:

La anonimidad no es absoluta: Incluso en sistemas con grandes conjuntos de anonimidad nominal, los patrones de comportamiento pueden estrechar el conjunto de orígenes plausibles a un solo usuario o a un grupo muy pequeño.
Protocolo vs. Comportamiento: La pérdida de anonimidad documentada surge de la interacción entre el protocolo y el comportamiento del usuario, no de un fallo del propio sistema de prueba de conocimiento cero.
Información Accionable: El estudio proporciona recomendaciones específicas para que los usuarios mejoren su privacidad, tales como usar siempre relayers de terceros, evitar la reutilización de direcciones, esperar más tiempo antes de retirar y evitar montos de transacción psicológicamente salientes o redondos.
Implicaciones de Diseño: Los autores sugieren que los futuros protocolos de privacidad podrían imponer tiempos mínimos de residencia u ofrecer niveles de denominación fija para mitigar los canales de filtración específicos identificados (H4 y H5).

Los autores concluyen que su trabajo resalta la "posición frágil" de la infraestructura que potencia la privacidad, donde la utilidad del sistema (flexibilidad, velocidad) a menudo entra en conflicto con el ideal de la anonimidad total. Declaran explícitamente que sus hallazgos no identifican identidades del mundo real, sino que demuestran los vínculos probabilísticos disponibles para cualquier analista pasivo de la blockchain.