En los sistemas descentralizados, la búsqueda de una mayor seguridad e integridad dentro de las redes blockchain se convierte en un problema. Esta encuesta investiga las técnicas de detección de anomalías en los ecosistemas blockchain a través del prisma del aprendizaje no supervisado, adentrándose en las complejidades y atravesando el complejo tapiz de comportamientos anómalos al examinar algoritmos de vanguardia para discernir desviaciones de patrones normales. Al combinar hábilmente el acumen tecnológico con una mirada perspicaz, esta encuesta ofrece una perspectiva sobre la relación simbiótica entre el aprendizaje no supervisado y la detección de anomalías al revisar este problema con una categorización de algoritmos que se aplican a una variedad de problemas en este campo. Proponemos que el uso de algoritmos no supervisados en la detección de anomalías en blockchain no solo debe ser visto como un procedimiento de implementación, sino también como un procedimiento de integración, donde los méritos de estos algoritmos pueden combinarse de manera efectiva de acuerdo con el problema en cuestión. En ese sentido, la principal contribución de este documento es un estudio exhaustivo de la interacción entre varios algoritmos de aprendizaje no supervisado y cómo esto puede utilizarse para enfrentar actividades y comportamientos maliciosos dentro de las redes blockchain públicas y privadas. El resultado es la definición de tres categorías, cuyas características son reconocidas en términos de la forma en que tiene lugar la integración respectiva. Al implementar el aprendizaje no supervisado, la estructura de los datos desempeña un papel fundamental. Por lo tanto, este documento también proporciona una presentación detallada de las estructuras de datos comúnmente utilizadas en la detección de anomalías en blockchain basadas en el aprendizaje no supervisado. El análisis anterior está rodeado por una presentación de las anomalías típicas que han ocurrido hasta ahora junto con una descripción de los marcos generales de aprendizaje automático desarrollados para hacerles frente. Finalmente, el documento destaca los desafíos y direcciones que pueden servir como un compendio completo para los esfuerzos de investigación futuros.