AQ FORENSICS

BLOCKCHAIN INTELLIGENCE

+43 676 513 574 8OFFICE@AQ-FORENSICS.COM

BLOG

Monero auf Hyperliquid – Blockchain-Forensik mit AQ Forensics PowerShell Skript
AQ INSIGHTS

Monero auf Hyperliquid: Wie wir nach ETH- und USDC-Konvertierungen die Spur mit PowerShell Skript weiterverfolgten

Die Ausgangslage

Am Beginn der Untersuchung stand der Diebstahl von ETH. Die anschließenden Bewegungen konnten zunächst mit professionellen On-Chain-Analysemethoden nachvollzogen werden. Dabei zeigte sich, dass die Täterschaft die gestohlenen ETH zunächst in USDC und anschließend in XMR1, eine auf Hyperliquid verwendete Repräsentation von Monero, konvertierte.

Der rekonstruierte Asset-Pfad verlief damit zunächst:

  • ETH → USDC → XMR1 → Hyperliquid

Ein für die weitere Untersuchung zentraler Transfer umfasste exakt 70,500615 XMR1. Hyperliquids Ledger-Daten wiesen diesem Vorgang zum damaligen Zeitpunkt einen Wert von 35.151,606639 USDC zu. Bis zu diesem Punkt ließ sich der Vermögensfluss mit professionellen On-Chain-Analysewerkzeugen nachvollziehen.

Anschließend änderte sich die Situation.

Sowohl das von uns eingesetzte professionelle On-Chain-Analysewerkzeug als auch die verfügbaren Explorer-Darstellungen führten uns bis in die Hyperliquid-Infrastruktur. Sie beantworteten jedoch nicht ausreichend die entscheidende nächste Frage:

Was geschah danach mit den Assets?

Genau an diesem Punkt musste die Untersuchung die klassische grafische On-Chain-Analyse verlassen. Nicht weil die Spur zwangsläufig beendet war. Sondern weil wir eine andere Datenebene benötigten.

Eine fehlende Linie im Transaktionsgraphen bedeutet nicht automatisch, dass die Spur endet. Manchmal endet lediglich die Sichtbarkeit des verwendeten Werkzeugs.

Von einer Wallet zu zwölf relevanten Account-Strukturen

Die weitere Untersuchung zeigte schnell, warum eine einfache Betrachtung des ursprünglichen Zielaccounts nicht ausreichen würde. Im Zuge der Analyse wurden insgesamt zwölf Hyperliquid-Accounts beziehungsweise plattformspezifische Account-Strukturen untersucht, die im Kontext der relevanten Asset-Bewegungen standen.

Es handelte sich nicht um „Off-Chain-Konten“ im klassischen Sinn einer zentralisierten Börse. Die relevanten Vorgänge mussten jedoch auf einer Hyperliquid-spezifischen Datenebene untersucht werden, die von der gewöhnlichen Wallet-zu-Wallet-Darstellung unseres On-Chain-Analysewerkzeugs nicht ausreichend erfasst wurde. Damit änderte sich auch die Ermittlungslogik. Die Frage lautete nicht mehr ausschließlich:

Welche Wallet erhielt die gestohlenen Kryptowerte als Nächstes?

Sondern:

Welche Beziehungen bestanden zwischen den relevanten Hyperliquid-Accounts, welche internen Transfers fanden statt und lässt sich der wirtschaftliche Wert über diese Bewegungen hinweg rekonstruieren?

Das war der eigentliche Übergang vom klassischen Transaction Tracing zur plattformspezifischen Event Reconstruction.

Warum die Beträge entscheidend wurden

Bei der Rekonstruktion solcher Bewegungen ist die Höhe einzelner Beträge relevant – aber sie darf niemals isoliert betrachtet werden.

Der untersuchte Eingang umfasste 70,500615 XMR1 mit einem zu diesem Zeitpunkt von Hyperliquid ausgewiesenen USDC-Wert von 35.151,606639 USDC. Im weiteren Abgleich der relevanten Account-Aktivitäten ergab sich bei der gesuchten Wertsumme eine Abweichung von lediglich: 0,01 USDC also rund einem Cent.

Diese Abweichung ist forensisch wesentlich.

Nicht deshalb, weil ein Unterschied von einem Cent mathematisch beweisen würde, dass zwei Vorgänge identisch sind. Sondern weil bei einer mehrstufigen Asset-Transformation und anschließenden Verteilung über verschiedene Account-Strukturen eine derart geringe Wertabweichung ein sehr starkes Korrelationsmerkmal darstellen kann.

Anders ausgedrückt: Bei einem untersuchten Volumen von rund 35.151,61 USDC lag die Differenz bei nur einem Cent. Das ist analytisch etwas völlig anderes als eine bloße Ähnlichkeit zweier grob vergleichbarer Beträge.

Trotzdem bleibt die forensische Grenze klar: Betragskorrelation ist ein Indiz – kein alleiniger Beweis.

Sie muss mit weiteren Merkmalen wie Zeitstempeln, Account-Beziehungen, Event-Typen und der Reihenfolge der Bewegungen zusammenpassen.

Wenn sich die Ebene der Untersuchung verändert

Professionelle Blockchain-Analyseplattformen sind ein wesentlicher Bestandteil moderner Krypto-Ermittlungen.sind ein wesentlicher Bestandteil moderner Krypto-Ermittlungen. Sie ermöglichen unter anderem die Visualisierung komplexer Geldflüsse, die Identifikation bekannter Dienste, Exposure-Analysen, Adressattributionen und die strukturierte Auswertung großer Mengen an Blockchain-Daten.

Sie können jedoch nicht zwangsläufig jede plattformspezifische Aktivität in derselben Tiefe darstellen. Sobald relevante Vorgänge über eigene Account-Strukturen, Ledger-Ereignisse oder spezifische Transaktionstypen abgebildet werden, muss sich auch die Untersuchungsmethode verändern. Für uns bedeutete das einen Methodenwechsel. Bis dahin lautete die Frage:

Welche weitere On-Chain-Transaktion folgt auf den bekannten Asset-Flow?

Nun lautete sie:

Welche innerhalb von Hyperliquid dokumentierten Ereignisse erklären den weiteren Verbleib des wirtschaftlichen Wertes?

Die Plattformdaten direkt untersuchen

Im ersten Schritt werteten wir verschiedene Hyperliquid-Datenbereiche voneinander getrennt aus. Dazu gehörten insbesondere:

  • Non-Funding-Ledger-Updates
  • Spot Transfers
  • historische Fill-Daten
  • historische Orders
  • Account-Rollen
  • sowie historische Account- und Transaktionsinformationen

Dabei ging es nicht darum, möglichst große Datenmengen zu sammeln. Wir wollten konkrete technische Szenarien voneinander unterscheiden.

  • Waren XMR1 lediglich zwischen Accounts transferiert worden?
  • Gab es nachweisbare Handelsaktivitäten?
  • Waren Orders vorhanden?
  • Gab es Hinweise auf eine weitere Asset-Konvertierung?
  • Oder führten relevante Bewegungen zu weiteren Accounts innerhalb derselben Infrastruktur?

Was die Ledger-Daten zeigten

Die erste vertiefte Ledger-Auswertung des zentralen untersuchten Accounts ergab 148 Einträge. Davon betrafen 147 Einträge XMR1 und ein Eintrag USDC. Die erfassten Vorgänge waren als Spot Transfers ausgewiesen. Der bekannte relevante Eingang von 70,500615 XMR1 war ebenfalls als Spot Transfer dokumentiert. Die Transaktionsdaten bestätigten zusätzlich einen spotSend über exakt diesen Betrag.

Damit konnten wir den zuvor bekannten Asset-Flow auf einer weiteren technischen Datenebene verifizieren. Gleichzeitig musste berücksichtigt werden, dass dieser Account keineswegs ausschließlich die fallrelevanten Assets bewegte. Die Tagesauswertung zeigte erhebliche weitere XMR1-Aktivität.

In einem untersuchten Datensatz wurden nach dem fallrelevanten Eingang beispielsweise 110 XMR1-Ausgänge an 102 unterschiedliche Zieladressen festgestellt. Die Summe dieser nachfolgenden Ausgänge betrug mehr als 7.213 XMR1.

Damit war klar: Eine einfache Methode nach dem Muster 70,500615 XMR1 hinein → 70,500615 XMR1 hinaus konnte hier nicht funktionieren. Die fallrelevanten Assets waren in eine hochaktive Account-Struktur gelangt.

Warum wir Trades separat untersuchten

Transfers und Trades sind analytisch nicht dasselbe. Deshalb wurden die entsprechenden Datenbereiche getrennt überprüft. Für den relevanten Untersuchungszusammenhang ergaben die abgefragten Fill-Daten keine entsprechenden Treffer. Auch die historischen Orders lieferten keine passende Handelsaktivität.

Die Rolle des zentral untersuchten Accounts wurde ebenfalls separat abgefragt und als regulärer User-Account ausgewiesen. Damit konnten wir feststellen: Es gab umfangreiche Transferaktivität. Die von uns untersuchten Fill- und Order-Datensätze lieferten jedoch keine unmittelbare Erklärung dafür, wie die relevanten XMR1 innerhalb dieses Zeitraums gehandelt oder konvertiert worden wären. Das ist ein wichtiger Unterschied.

Warum auch ein Null-Ergebnis relevant ist

Ein leerer Datensatz ist in einer forensischen Untersuchung nicht automatisch ein gescheitertes Ergebnis. Wenn Transferaktivitäten sichtbar sind, während separat abgefragte Handelsdaten keinen korrespondierenden Vorgang zeigen, ist auch diese Differenz analytisch relevant. Sie berechtigt jedoch nicht dazu, die fehlende Erklärung durch eine Vermutung zu ersetzen.

Man hätte an dieser Stelle eine plausible Geschichte konstruieren können. Forensisch wäre das falsch gewesen. Eine technisch plausible Erklärung ist noch kein Beweis. Nicht nachgewiesene Vorgänge dürfen nicht durch Annahmen ersetzt werden. Deshalb ging die Untersuchung weiter.

Ein bekannter Transfer als technischer Anker

Für die weitere Rekonstruktion nutzten wir den bereits verifizierten Transfer von 70,500615 XMR1 als technischen Referenzpunkt. Der Vorgang konnte einem konkreten historischen Block zugeordnet werden. Damit hatten wir einen eindeutig definierten Ausgangspunkt für die weitere Untersuchung.

Nun trat jedoch ein weiteres Problem auf. Die gewöhnliche Account-Historie enthielt nicht die vollständige historische Tiefe, die wir für den relevanten Zeitraum benötigten. Die von uns abgefragten User-Details umfassten lediglich einen begrenzten Ausschnitt jüngerer Transaktionen. Deshalb konnten wir nicht einfach über die Oberfläche rückwärts bis zum relevanten Zeitpunkt scrollen. Wir mussten die historischen Daten gezielt rekonstruieren.

Warum wir ein eigenes PowerShell-Werkzeug entwickelten

Eine manuelle Untersuchung größerer historischer Blockbereiche wäre ineffizient und fehleranfällig gewesen. Deshalb entwickelten wir ein eigenes PowerShell-basiertes Analysewerkzeug.

Das Ziel war bewusst eng definiert. Das Script sollte weder eine Täterattribution automatisieren noch ein bestehendes Blockchain-Analysewerkzeug ersetzen.

Es sollte eine konkrete Frage beantworten: Welche technisch relevanten Ereignisse lassen sich ab dem bekannten Ausgangspunkt im historischen Hyperliquid-Datenbestand identifizieren? Dafür wurde ein abgegrenzter historischer Blockbereich untersucht.

Das Script

  • rief historische Blockdaten systematisch ab
  • untersuchte die Datensätze auf relevante Account-Bezüge
  • erkannte relevante Transaktions- und Event-Strukturen
  • protokollierte Treffer
  • speicherte Ergebnisse strukturiert
  • berücksichtigte Rate Limits
  • verwendete kontrollierte Wiederholungen bei temporären Fehlern
  • und speicherte den Bearbeitungsstand, um einen Scan reproduzierbar fortsetzen zu können

Dass diese Logik tatsächlich erforderlich war, zeigte sich auch während des Betriebs: Die Schnittstelle beantwortete einzelne Abfragen mit HTTP-Status 429, worauf das Script entsprechend pausierte und anschließend kontrolliert fortfuhr. Damit wurde aus einer manuellen Suche ein reproduzierbarer forensischer Analyseprozess.

Warum die zwölf Accounts einzeln betrachtet werden mussten

Die Untersuchung einer Plattformstruktur mit mehreren beteiligten Accounts unterscheidet sich wesentlich von einer linearen Wallet-Kette.

Bei einer klassischen Blockchain-Transaktion lässt sich häufig unmittelbar feststellen:

  • Adresse A sendet Betrag X an Adresse B.

Innerhalb einer komplexeren Infrastruktur können dagegen mehrere Account-Beziehungen nacheinander relevant werden. Deshalb wurden die zwölf identifizierten Account-Strukturen nicht einfach als ein gemeinsames Cluster behandelt.

Für die einzelnen Accounts musste geprüft werden, welche Rolle sie im relevanten Zeitraum spielten und welche technisch dokumentierten Ereignisse vorhanden waren.

Entscheidend waren dabei insbesondere:

  • eingehende und ausgehende Transfers
  • zeitliche Reihenfolge
  • Höhe der Beträge
  • USDC-Wertdarstellungen
  • Event-Typen
  • Account-Beziehungen
  • mögliche Handelsaktivitäten
  • und nachfolgende externe Bewegungen

Erst durch diese Kombination kann aus mehreren einzelnen technischen Ereignissen eine forensisch belastbare Rekonstruktion entstehen.

Warum ein Cent relevant sein kann

Gerade die festgestellte Differenz von nur 0,01 USDC zeigt, warum forensische Analyse nicht mit einer einfachen Suche nach identischen Beträgen gleichgesetzt werden darf. Konvertierungen können Rundungen, Preisbewegungen, Gebühren oder unterschiedliche Bewertungszeitpunkte beinhalten.

Deshalb wäre die Erwartung unrealistisch, dass sich ein Vermögenswert nach mehreren Transformationen immer mit exakt derselben numerischen Darstellung wiederfindet. Umgekehrt ist eine Abweichung von lediglich einem Cent bei einem fünfstelligen Betrag analytisch hoch relevant.

Sie kann eine Hypothese erheblich stärken, wenn gleichzeitig

  • der zeitliche Zusammenhang stimmt
  • die Account-Beziehungen nachvollziehbar sind
  • die Asset-Abfolge technisch plausibel ist
  • und die entsprechenden Plattformereignisse vorhanden sind
Die korrekte Formulierung lautet deshalb nicht: „Weil nur ein Cent fehlt, sind es eindeutig dieselben Assets.“ Sondern: „Die Abweichung von lediglich einem Cent stellt im Zusammenspiel mit den übrigen technischen Merkmalen ein starkes Korrelationsindiz dar.“ Diese Differenz ist für eine forensisch belastbare Aussage wesentlich.

Von Transaction Tracing zu Event Reconstruction

Der Fall zeigt einen grundlegenden Unterschied zwischen klassischer Blockchain-Analyse und Untersuchungen innerhalb komplexer Trading-Infrastrukturen. Ein einfacher On-Chain-Pfad kann beispielsweise so aussehen:

  • Wallet A → Wallet B → Wallet C

Der vorliegende Sachverhalt entwickelte sich wesentlich komplexer:

  • Diebstahl von ETH
  • ↓
  • Konvertierung zu USDC
  • ↓
  • Konvertierung zu XMR1
  • ↓
  • Transfer von 70,500615 XMR1
  • ↓
  • Hyperliquid
  • ↓
  • Analyse von zwölf relevanten Account-Strukturen
  • ↓
  • Abgleich von Ledger-, Transaktions- und historischen Daten
  • ↓
  • weitere forensische Rekonstruktion

Nicht jeder relevante Zwischenschritt erscheint dabei als einfache Wallet-zu-Wallet-Linie in einem klassischen On-Chain-Analysewerkzeug. Deshalb reicht es irgendwann nicht mehr aus, ausschließlich einem Transaktionsgraphen zu folgen. Aus reinem Transaction Tracing wird Event Reconstruction.

Warum wir das On-Chain-Analysewerkzeug verlassen mussten

Dass wir die klassische On-Chain-Analyse verlassen mussten, bedeutet nicht, dass das eingesetzte professionelle Analysewerkzeug unzureichend war. Im Gegenteil.

Ohne diese Analyse hätten wir den vorhergehenden Asset-Pfad

  • ETH → USDC → XMR1 → Hyperliquid

nicht in dieser Form rekonstruieren können.

Das Problem hatte sich verändert. Wir waren von einer klassischen Blockchain-Fragestellung zu einer plattformspezifischen Datenfrage gelangt. Die vorhandenen Tools hatten uns bis an diese technische Infrastruktur geführt. Für den nächsten Schritt benötigten wir zusätzliche Datenebenen.

Das eigene PowerShell-Werkzeug setzte die Untersuchung deshalb dort fort, wo die grafische On-Chain-Analyse für die konkrete Fragestellung nicht mehr genügend historische Granularität bot.

Reproduzierbarkeit statt Bildschirmbeobachtung

Ein weiterer Vorteil der automatisierten Analyse liegt in der Beweissicherung. Es reicht für eine belastbare forensische Untersuchung nicht aus, dass ein Analyst einen Datensatz auf einem Bildschirm gesehen hat.

Die zugrunde liegenden Informationen müssen möglichst nachvollziehbar erhalten werden. Daher wurden relevante Datensätze strukturiert gespeichert.

Sie können anschließend

  • erneut überprüft
  • mit neuen Erkenntnissen verglichen
  • technisch nachanalysiert
  • und gegebenenfalls in forensische Berichte übernommen werden

Die entscheidende Frage lautet dadurch nicht nur:

Was haben wir festgestellt?

Sondern auch:

Wie sind wir zu dieser Feststellung gelangt und lässt sich der Analyseschritt nachvollziehen?

Was das selbst entwickelte Werkzeug nicht kann

Auch bei eigens entwickelten Analysewerkzeugen müssen die Grenzen klar benannt werden.

Unser Script

  • identifiziert nicht automatisch den wirtschaftlich Berechtigten eines Accounts
  • beweist nicht allein anhand ähnlicher Beträge eine Verbindung
  • umgeht keine technischen Zugriffsbeschränkungen
  • greift nicht auf nicht öffentliche Kundendaten zu
  • und ersetzt keine Informationen, die möglicherweise nur durch die Plattform oder zuständige Ermittlungsbehörden erhoben werden können

Das Werkzeug strukturiert und untersucht technisch zugängliche Daten. Die forensische Bewertung erfolgt weiterhin durch den Analysten.

Kein einzelnes Tool löst jeden Fall

Das ist eine der wesentlichen Erkenntnisse dieser Untersuchung. Moderne Blockchain-Forensik besteht nicht darin, ein einzelnes Analysewerkzeug zu öffnen und einer Linie so lange zu folgen, bis ein Fall gelöst ist.

In diesem Fall führte der Weg über mehrere technische Ebenen:

  • ETH
  • ↓
  • USDC
  • ↓
  • XMR1
  • ↓
  • professionelle On-Chain-Analyse
  • ↓
  • Hyperliquid
  • ↓
  • plattforminterne Account-Analyse
  • ↓
  • historische Daten
  • ↓
  • PowerShell-basierte Rekonstruktion

Jede Ebene beantwortete andere Fragen. Entscheidend ist daher nicht, möglichst viele Werkzeuge einzusetzen. Entscheidend ist zu erkennen, wann eine Datenquelle ihre analytische Grenze erreicht und welche Ebene anschließend untersucht werden muss.

Closing Remarks

Die Untersuchung begann mit gestohlenen ETH. Die Täterschaft konvertierte die Assets zunächst zu USDC und anschließend zu XMR1. Ein wesentlicher Teil der Spur führte über einen Transfer von 70,500615 XMR1 mit einem damaligen USDC-Wert von 35.151,606639 in die Hyperliquid-Infrastruktur.

Dort erreichten sowohl die klassische Explorer-Darstellung als auch unser professionelles On-Chain-Analysewerkzeug für diese konkrete Fragestellung ihre analytische Sichtbarkeitsgrenze. Die weitere Untersuchung erforderte die Analyse von zwölf relevanten Hyperliquid-Account-Strukturen und die direkte Auswertung historischer Plattformdaten.

Besonders relevant war dabei eine Wertkorrelation, bei der die Abweichung zum gesuchten Betrag lediglich 0,01 USDC betrug. Ein Cent ist kein Beweis. Aber bei einem untersuchten Wert von rund 35.000 USDC ist eine solche Abweichung in Verbindung mit Zeit, Account-Beziehungen und technischen Plattformereignissen keineswegs bedeutungslos.

Genau darin liegt der Unterschied zwischen einer oberflächlichen Transaktionssuche und einer forensischen Rekonstruktion. Wir folgen nicht der wahrscheinlichsten Geschichte. Wir folgen den Daten.

Und manchmal bedeutet das, nicht nur das Werkzeug zu wechseln, sondern die Ebene, auf der ein Vermögenswert untersucht werden muss.

Über den Autor

Albert Quehenberger ist Gründer und Geschäftsführer der AQ Forensics GmbH sowie Spezialist für Blockchain-Forensik, Kryptowährungsermittlungen und digitale Vermögensanalysen. Mit über einem Jahrzehnt Erfahrung in den Bereichen Intelligence, digitale Ermittlungen und Blockchain-Analyse unterstützt er Unternehmen, Banken, Rechtsanwälte, Behörden und Privatpersonen bei der Aufklärung von Krypto-Betrugsfällen, Asset Tracing und der Analyse komplexer Finanzströme auf öffentlichen Blockchains.

Seine berufliche Laufbahn umfasst mehr als sechs Jahre Tätigkeit im militärischen Nachrichtendienst, einen Masterabschluss der WU Executive Academy, Fachausbildungen für Gerichtssachverständige sowie die Ausbildung zum Wahlbeobachter nach den Standards der OSZE/ODIHR. Darüber hinaus ist er Mitglied des Expertenrats des European Institute for Future Generations (EIFG), ChangeNOW Ambassador und Berater für Web3-Bildungsprogramme in Äthiopien.

<a href="https://www.linkedin.com/in/albert-quehenberger-6791a3174/" target="_blank"> Albert Quehenberger</a>
Founder & CEO AQ Forensics

Technische Dokumentation:

Kontakt / Fall schildern