Kunstig intelligens

Sporing af Bitcoin med blockchain og AI: Hvad det betyder for privatlivet

mm
Udgivet den
Føj Securities.io til dine foretrukne kilder på Google

Bitcoin-netværket og andre kryptovalutaer er præget af en grundlæggende spænding.

På den ene side blev disse kryptovalutaer udviklet til at give den enkelte størst mulig frihed og anonymitet.

På den anden side kræver overholdelse af regler, retsmedicinsk revision og efterforskning af cyberkriminalitet, at kryptoaktiver knyttes til bestemte personer med identificerede navne, adresser osv.

Denne spænding er vokset i de senere år, efterhånden som Bitcoin er blevet et »mainstream«-aktiv, der ejes af investeringsfonde, banker, regulerede ETF’er osv.

»Et centralt problem for regeringer er uautoriseret brug af kryptovalutaer som Bitcoin til cyberkriminalitet, hvidvaskning af penge og finansiering af terrorisme. I modsætning til den gængse opfattelse af, hvor robust den anonymitet er, som Bitcoin-blockchainen tilbyder, ville det under sådanne omstændigheder være moralsk og juridisk tilladeligt at afsløre de pågældende personers reelle identitet, selv om det rent logisk ville være en udfordring.«

Alt i alt kunne Bitcoins pris i dag, sammenlignet med valutaens mere libertære begyndelse, drage fordel af et lavere niveau af anonymitet.

Fremskridt inden for maskinlæring og andre AI-teknologier kan hjælpe med at »af-anonymisere« ejerskabet af Bitcoin. Teknologien skal dog være tilstrækkeligt pålidelig til at kunne bruges i forbindelse med afsløring af kriminelle aktiviteter og opfyldelse af finansielle tilsynsmyndigheders krav.

Et nyt studie af indiske forskere ved Pranveer Singh Institute of Technology og Manipal University Jaipur undersøger, hvordan nye fremskridt inden for AI (integrative neurale arkitekturer) kan bidrage til denne opgave og opnå en nøjagtighed på cirka 97 %.

»Denne forskning har til formål at fremme økonomisk vækst uden at anvende uetiske metoder. Lovgivere, der søger datadrevne kilder til at forudsige udviklingen inden for blockchainbaserede kryptovalutaer, virksomheder, der ønsker at sikre regeloverholdelse og foretage effektive risikovurderinger af transaktioner på Bitcoin-blockchainen, og retshåndhævende myndigheder, der vil undersøge adresser med forbindelse til ulovlige aktiviteter, vil alle kunne drage nytte af resultaterne.«

De offentliggjorde deres resultater i Scientific Reports1 under titlen »Adaptiv deanonymisering af blockchain-transaktioner ved hjælp af integrative neurale arkitekturer i decentrale netværk«.

Fra adresser til identiteter

At finde mønstre

I de fleste forsøg på at fastslå identiteten bag Bitcoin-adresser fokuserer man på enkelte adresser. I stedet udnytter dette studie entitetsafklaring baseret på DSU til at opdele blockchainens pseudonymitet i klynger af aktører og entiteter, der består over tid.

Disjoint Set Union (DSU), også kendt som Union-Find eller merge-find, union af disjunkte mængder sammenligner attributter som navn, e-mail eller telefonnummer for at afgøre, om to separate poster repræsenterer den samme person eller genstand i den virkelige verden.

I Bitcoin-sammenhæng betyder det, at flere pseudonyme Bitcoin-adresser samles i én »entitetsklynge«, der tilhører én aktør i den virkelige verden.

Det er vigtigt, fordi brugere kan oprette et ubegrænset antal offentlige adresser. Derfor er det ikke særlig nyttigt at identificere enkelte adresser, i hvert fald ikke når det gælder sofistikerede kriminelle aktører – netop dem, som det er vigtigst at af-anonymisere.

Udvikling af det rette værktøj

For at udvikle et AI-værktøj, der kan identificere Bitcoin-brugere, opbyggede forskerne en integrativ neural arkitektur, der kombinerer forskellige paradigmer inden for neurale netværk:

  • Konvolutionelle neurale netværk (CNN’er) udtrækker lokale metadata og detaljerede, invariante mønstre i rå transaktionsmetadata, som identificerer bestemte entitetstyper ud fra featurevektoren.
    • Dette bruges til at identificere »hvordan«: bestemte mønstre i scripts og gebyrer.
  • Long Short-Term Memory-modeller (LSTM-modeller) modellerer flowets hastighed.
    • Dette bruges til at identificere »hvornår«: transaktionsflowets signatur og tidsintervaller.
  • Transaktionsflowets signatur og tidsintervaller indfanges ved at behandle strukturelle kort.
  • Grafneurale netværk (GNN’er) samler embeddings via en dynamisk nabomatrix for k nærmeste naboer (k-NN) inden for batches for at indarbejde adfærd i naboskabet.
    • Dette bruges til at identificere »hvem«: topologisk naboskab og tilknytning til knudepunkter.

Studiet afprøvede metoden på et datasæt med 427.625 transaktioner og 140.235 unikke entiteter. Transaktionshistorikken stammede fra arkiverne hos WalletExplorer og Blockchair, og hver transaktion omfattede 22 egenskaber såsom block_id, transaction hash, fee_used, size, timestamp, weight osv..

Modellen blev trænet på en Intel(R) Core (TM) I9-10,900 CPU med 2,81 GHz, 32 GB RAM og en 8 GB NVIDIA GeForce RTX 3070 GPU.

Sådan bruges AI til at deanonymisere Bitcoin-transaktioner

Hvordan fungerer det?

En trinvis forklaring kan gøre det lettere at forstå, hvordan disse komplekse systemer fungerer.

Først oprettes et datasæt med alle transaktionerne, som mærkes, så de kan analyseres nærmere.

Dernæst begynder man at klynge adresser ud fra den antagelse, at flere adresser, der bruges som input i en bestemt transaktion, tilhører én og samme private aktør. Dette trin forbinder således tidligere adskilte Bitcoin-adresser ved hjælp af algoritmen Disjoint Set Union (DSU). Det reducerede støjen med næsten 67,2 %.

Derefter omdannes regnskabsbogens data til en “rettet graf”, så man kan finde de mest aktive brugere og skelne mellem akkumuleringsadresser (slutpunkter) og distributionsadresser (knudepunkter) samt vurdere hver klynges relative betydning i økosystemet.

De genererede data kategoriseres også efter deres fire mulige funktioner i Bitcoin-netværket: børshandel, miningpuljer, mixing-tjenester og gambling. Børshandel og miningpuljer betragtes som standard som legitime aktiviteter.

Til sidst bruges den integrerede neurale arkitektur (CNN-LSTM-GNN) til at identificere individuelle klynger.

“De strukturelle kort fra CNN behandles som en sekvens. LSTM opfanger de sekventielle mønstre i transaktionsaktiviteten over tid eller i flowhastigheden. GNN modellerer den relationelle struktur og forbindelserne mellem adresser og transaktioner, hvilket er afgørende for Bitcoins blockchain, da hver transaktion og adresse naturligt kan repræsenteres som en knude eller en kant i en graf.”

Resultater af høj kvalitet

CNN→LSTM→GNN-modellen leverede meget konsistente resultater på tværs af de forskellige evalueringsmål. Afvigelserne lå inden for 1–2 % for rangordnings- og klassifikationsmålene og på 1,5 % for fejlprocenten.

“Modellen opnår næsten perfekt linkforudsigelse (AUC ≈ 0,995), en usædvanligt høj præcision i rangordningen (MRR ≈ 0,985) og næsten fuldstændig succes med at finde relevante resultater (Hits@10 ≈ 0,999), samtidig med at den holder antallet af falske positiver meget lavt (<3 %).”

Modellen var også meget dygtig til at kategorisere, hvilken type aktivitet en Bitcoin-adresse var knyttet til.

“En af modellens vigtigste bedrifter er, at den kan skelne præcist mellem mixing-tjenester og gamblingvirksomheder. Modellen kan også identificere minoritetsklasser som miningpuljer, der udgør cirka 0,53 % af datasættet. Uden denne funktion ville modellen sandsynligvis overse dem til fordel for den dominerende klasse ‘Børser’.”

Endnu vigtigere er det, at modellen kunne holde antallet af falske positiver ekstremt lavt (<3 %). Det er afgørende for at undgå fejlagtig sammenkædning af identiteter i forbindelse med deanonymisering. Det er også vigtigt for at forhindre, at uskyldige tilskuere fejlagtigt mærkes i analytiske revisioner.

For at undersøge, hvilket lag i modellen der havde størst betydning for de endelige resultater, fjernede forskerne nogle lag og gennemførte analysen igen. De fandt, at Long Short-Term Memory (LSTM) samlet set var det lag, hvis fjernelse havde mindst betydning, men at det stadig bidrog væsentligt til den endelige ydeevne. Convolutional Neural Networks (CNN’er) var den vigtigste del af AI-modellen.

Vigtigste pointer for investorer

Anonymitet var en del af Bitcoins oprindelige værditilbud, men denne undersøgelse og andre viser tydeligt, at fremskridt inden for blockchain-forensik og AI hurtigt kan afsløre, hvilke Bitcoin-adresser der tilhører samme person eller organisation.

For også at vise, at rammeværket kan generaliseres, gennemførte forskerne en grundig evaluering på tværs af datasæt i forskellige blockchainmiljøer, herunder Elliptic, Bitcoin Elliptic+, Bitcoin Heist Ransomware og Ethereum (ETH ) Fraud Detection, og modellen opnåede fortsat konsekvent høj nøjagtighed på mellem 90 og 99 %.

Det betyder altså, at Bitcoins værdi nu næsten ikke længere er knyttet til anonymitet, men i stedet til netværkets værdi som betalingssystem, dets struktur som “digitalt guld” (absolut knaphed, uforanderlighed, decentralisering, overførbarhed osv.) og den generelle begejstring for den digitale valuta blandt offentligheden og finansinstitutionerne.

Forbedrede analysemetoder fra undersøgelser som denne kan sandsynligvis øge opbakningen til institutionel deltagelse. Men de kan også skabe nye bekymringer om privatliv og falske positiver. Derfor bør man være meget forsigtig med at betragte en analyse, der er “kun” 97 % nøjagtig, som et endegyldigt bevis på forbindelser til ulovlige aktiviteter.

Investering i Bitcoin

Coinbase

COIN Prisdiagram

I takt med at kryptovalutaer bliver mere udbredte, får flere investorer eksponering mod dem eller øger deres tilstedeværelse på kryptovalutamarkederne. Det samme gælder, efterhånden som antallet af kryptoprojekter vokser.

Det er en fordel for virksomheder som Coinbase, der er tæt knyttet til handel med kryptovalutaer, aktivpriser, opbevaring af aktiver og institutionel deltagelse.

Investering i kryptobørser og teknologiplatforme som Coinbase kan derfor være en måde for investorer at få eksponering mod markedsforholdene på kryptomarkedet uden at skulle udvælge bestemte tokens på må og få.

Det betyder dog ikke, at Coinbase vil give investorer i selskabets børsnoterede aktier samme potentielle afkast (og risici) som en direkte investering i krypto. I stedet er der tale om en investering i infrastrukturen på kryptomarkedet. Coinbase oplyste, at der pr. 30. juni 2026 var aktiver for 246 mia. dollars på platformen.

Ud over Coinbases hovedapp og kryptobørs tilbyder virksomheden i dag en række supplerende tjenester:

  • Coinbase One, et premium-medlemskab med gebyrfri handel, forhøjede stakingbelønninger og tilbud fra partnere, f.eks. en skatteberegner til krypto og kryptoforskning.
  • Coinbase Advanced, til professionelle kryptohandlere.
  • Coinbase Wallet, til selvforvaltning af kryptovalutaer uden for børser samt NFT’er.
  • Coinbase Earn, en stakingtjeneste, hvor ejere af kryptovalutaer kan låse deres krypto for at tjene belønninger fra netværket. Coinbases kunder tjente 230 mio. dollars i 2023.
  • Coinbase Card, et Visa-debetkort til køb med kryptovalutaer. Man får 1 % tilbage i Bitcoin, når man betaler med USD, og 1,5 % i USDC, når man betaler med ETH. Kortet accepteres alle steder, hvor Visa-debetkort accepteres.
  • USD Coin (USDC), en digital stablecoin med en værdi svarende til den amerikanske dollar, har som mål at skabe en »digital dollar«.

Efterhånden som der udvikles flere og mere avancerede værktøjer, herunder AI, vil de supplere den eksisterende kryptoinfrastruktur. Coinbase er nu en mere moden og dominerende platform og er godt positioneret til at drage fordel af, at krypto bliver stadig mere udbredt, drevet af de voksende tendenser inden for Bitcoin-ETF’er, stablecoins og tokenisering af aktier.

(Du kan læse mere om Coinbases historie, tilbud og investeringspotentiale i vores særskilte rapport om virksomheden)

Bitcoin

En anden måde at få eksponering mod Bitcoin-netværket på er naturligvis at eje Bitcoin direkte.

Du kan komme i gang ved at læse vores vejledninger om emnet:

Seneste nyheder og udvikling om Coinbase-aktien (COIN)

Refereret undersøgelse

1. Rohit Saxena m.fl. Adaptiv deanonymisering af blockchaintransaktioner ved hjælp af integrerende neurale arkitekturer i decentraliserede netværk. Scientific Reports. 15. oktober 2026. https://doi.org/10.1038/s41598-026-69816-5 

mm

Jonathan er en tidligere biokemisk forsker, der arbejdede med genetisk analyse og kliniske forsøg. Han er nu aktieanalytiker og finansskribent med fokus på innovation, markedscyklusser og geopolitik i sin publikation 'The Eurasian Century'.