Künstliche Intelligenz

KI-gestützte Blockchain-Überwachung: Was sie für die Privatsphäre von Bitcoin bedeutet

mm
Veröffentlicht am
Securities.io zu deinen bevorzugten Quellen auf Google hinzufügen

Im Kern des Bitcoin-Netzwerks und anderer Kryptowährungen besteht ein starkes Spannungsverhältnis.

Einerseits wurden diese Kryptowährungen entwickelt, um größtmögliche individuelle Freiheit und Anonymität zu gewährleisten.

Andererseits erfordern die Einhaltung regulatorischer Vorgaben, forensische Prüfungen und die Ermittlung von Cyberkriminalität, dass Krypto-Assets bestimmten Personen mit bekannten Namen, Adressen usw. zugeordnet werden.

Dieses Spannungsverhältnis hat sich in den vergangenen Jahren verschärft, da Bitcoin zu einem „Mainstream“-Asset wurde, das Investmentfonds, Banken, regulierte ETFs usw. halten.

„Ein zentrales Problem für Regierungen ist die unbefugte Nutzung von Kryptowährungen wie Bitcoins für Cyberkriminalität, Geldwäsche und die Finanzierung von Terrorismus. Entgegen der verbreiteten Annahme, die von der Bitcoin-Blockchain gebotene Anonymität sei robust, wäre es unter solchen Umständen moralisch und rechtlich zulässig, die tatsächliche Identität der betreffenden Personen offenzulegen, auch wenn dies logisch eine Herausforderung darstellen würde.“

Insgesamt könnte der Preis von Bitcoin heute also von einem geringeren Maß an Anonymität profitieren als in den frühen, stärker libertär geprägten Zeiten.

Fortschritte beim maschinellen Lernen und bei anderen KI-Technologien könnten dazu beitragen, die Eigentumsverhältnisse bei Bitcoin zu „ent-anonymisieren“. Dafür muss das Verfahren jedoch zuverlässig genug sein, um bei der Aufdeckung krimineller Aktivitäten und zur Erfüllung der Anforderungen von Finanzaufsichtsbehörden eingesetzt werden zu können.

Eine neue Studie von indischen Forschern am Pranveer Singh Institute of Technology und an der Manipal University Jaipur untersucht, wie neue Fortschritte im Bereich der KI – integrative neuronale Architekturen – bei dieser Aufgabe helfen könnten. Dabei wurde eine Genauigkeit von etwa 97 % erreicht.

„Diese Forschung soll das Wirtschaftswachstum fördern, ohne unethische Mittel einzusetzen. Die Ergebnisse sind wertvoll für Gesetzgeber, die nach datengestützten Quellen suchen, um Entwicklungen im Bereich der Blockchain-basierten Kryptowährungen einzuschätzen, für Unternehmen, die die Einhaltung von Vorschriften und eine effiziente Risikobewertung bei Bitcoin-Blockchain-Transaktionen anstreben, sowie für Strafverfolgungsbehörden, die Adressen untersuchen möchten, die mit illegalen Aktivitäten in Verbindung stehen.“

Sie veröffentlichten ihre Ergebnisse in Scientific Reports1 unter dem Titel „Adaptive Deanonymisierung von Blockchain-Transaktionen mithilfe integrativer neuronaler Architekturen in dezentralen Netzwerken“.

Von Adressen zu Identitäten

Muster erkennen

Bei den meisten Versuchen, die Identitäten hinter Bitcoin-Adressen zu ermitteln, konzentriert man sich auf einzelne Adressen. Diese Studie nutzt stattdessen eine DSU-basierte Entitätsauflösung, um die Pseudonymität der Blockchain aufzubrechen und dauerhafte Cluster von Akteuren beziehungsweise Entitäten zu bilden.

Auch als Union-Find oder Merge-Find bekannt, vergleicht die Vereinigung disjunkter Mengen (DSU) Attribute wie Name, E-Mail-Adresse oder Telefonnummer, um festzustellen, ob zwei getrennte Datensätze dieselbe reale Person oder dasselbe reale Objekt abbilden.

Im Zusammenhang mit Bitcoin bedeutet dies, mehrere pseudonyme Bitcoin-Adressen zu einem einzigen „Entitätscluster“ zusammenzufassen, der einem einzelnen realen Akteur zugeordnet ist.

Das ist wichtig, weil Nutzer unbegrenzt viele öffentliche Adressen erzeugen können. Die Identifizierung einzelner Adressen ist daher wenig hilfreich – zumindest bei raffinierten kriminellen Akteuren, also gerade bei denjenigen, bei denen eine Entanonymisierung am wichtigsten ist.

Das richtige Werkzeug entwickeln

Um ein KI-Werkzeug zu entwickeln, das Bitcoin-Nutzer identifizieren kann, entwickelten die Forscher eine integrative neuronale Architektur, die verschiedene Paradigmen neuronaler Netze kombiniert:

  • Convolutional Neural Networks (CNNs) extrahieren aus dem Merkmalsvektor lokale Metadaten sowie detaillierte, invariante Muster in den Rohmetadaten von Transaktionen, anhand derer sich bestimmte Entitätstypen identifizieren lassen.
    • Damit wird das „Wie“ ermittelt: anhand spezifischer Muster bei Skripten und Gebühren.
  • Long Short-Term Memory (LSTM)-Modelle erfassen die Geschwindigkeit des Transaktionsflusses.
    • Damit wird das „Wann“ ermittelt: anhand der Signaturen und zeitlichen Abstände im Transaktionsfluss.
  • Signaturen und zeitliche Abstände im Transaktionsfluss werden erfasst, indem strukturelle Karten herangezogen werden.
  • Graph Neural Networks (GNNs) aggregieren Einbettungen über eine dynamische Adjazenzmatrix der k nächsten Nachbarn (k-NN) innerhalb von Batches, um das Verhalten in der Nachbarschaft einzubeziehen.
    • Damit wird das „Wer“ ermittelt: anhand der topologischen Nachbarschaft und der Zugehörigkeit zu einem Hub.

Die Studie testete ihre Methode anhand eines Datensatzes mit 427.625 Transaktionen und 140.235 eindeutigen Entitäten. Der Transaktionsverlauf stammte aus den Archiven von WalletExplorer und Blockchair. Jede Transaktion umfasste 22 Merkmale, darunter block_id, Transaktionshash, fee_used, Größe, Zeitstempel, Gewicht usw..

Das Modell wurde auf einer Intel(R) Core (TM) I9-10,900-CPU mit 2,81 GHz, 32 GB RAM und einer 8 GB NVIDIA GeForce RTX 3070 GPU trainiert.

KI zur De-Anonymisierung von Bitcoin-Transaktionen einsetzen

Wie funktioniert das?

Um zu erklären, wie diese komplexen Systeme funktionieren, hilft eine schrittweise Erläuterung.

Im ersten Schritt wird ein Datensatz mit sämtlichen Transaktionen erstellt und beschriftet, damit sie anschließend weiter analysiert werden können.

Anschließend folgt das sogenannte „Adress-Clustering“. Dabei wird angenommen, dass mehrere Adressen, die bei einer bestimmten Transaktion als Eingabe verwendet werden, zu derselben privaten Einheit gehören. Dieser Schritt verknüpft zuvor getrennte Bitcoin-Adressen mithilfe des Algorithmus Disjoint Set Union (DSU). Dadurch wurde das Rauschen um fast 67,2 % reduziert.

Anschließend werden die Ledger-Daten in einen „gerichteten Graphen“ umgewandelt. Dabei werden die aktivsten Nutzer ermittelt, Ansammlungsadressen (Senken) von Verteilungsadressen (Knoten) unterschieden und die relative Bedeutung jedes Clusters innerhalb des Ökosystems bestimmt.

Die generierten Daten werden außerdem anhand der vier möglichen Funktionen im Bitcoin-Netzwerk kategorisiert: Börsen, Mining-Pools, Mixing-Dienste und Glücksspiel. Börsen und Mining-Pools gelten standardmäßig als legitime Aktivitäten.

Abschließend wird die integrierte neuronale Architektur (CNN-LSTM-GNN) verwendet, um einzelne Cluster zu identifizieren.

„Die strukturellen Karten des CNN werden als Sequenz behandelt. Das LSTM erfasst die zeitlichen Sequenzmuster der Transaktionsaktivität oder die Geschwindigkeit des Datenflusses. Das GNN modelliert die relationalen Strukturen und Verbindungen zwischen Adressen und Transaktionen. Das ist für die Bitcoin-Blockchain entscheidend, da sich jede Transaktion und jede Adresse auf natürliche Weise als Knoten oder Kante in einem Graphen darstellen lässt.“

Hochwertige Ergebnisse

Das Modell CNN→LSTM→GNN lieferte über die verschiedenen Bewertungsmetriken hinweg sehr konsistente Ergebnisse. Bei den Ranking- und Klassifizierungsmetriken lagen die Abweichungen zwischen 1 und 2 %, bei der Fehlerrate betrugen sie 1,5 %.

„Das Modell erzielt eine nahezu perfekte Link-Vorhersage (AUC ≈ 0,995), eine außergewöhnlich hohe Ranking-Präzision (MRR ≈ 0,985) und eine fast vollständige Trefferquote bei der Abfrage (Hits@10 ≈ 0,999) und hält zugleich die Falsch-Positiv-Rate sehr niedrig (<3 %).“

Das Modell war außerdem sehr gut darin, die Aktivitätsart einer Bitcoin-Adresse zu kategorisieren.

„Eine der wichtigsten Leistungen des Modells besteht darin, Mixing-Dienste klar von Glücksspielorganisationen abzugrenzen. Das Modell erkennt auch Minderheitsklassen wie Mining-Pools, die etwa 0,53 % des Datensatzes ausmachen. Ohne diese Fähigkeit würde das Modell sie wahrscheinlich zugunsten der vorherrschenden Klasse „Börsen“ ignorieren.“

Noch wichtiger ist, dass das Modell eine extrem niedrige Falsch-Positiv-Rate (<3 %) beibehielt. Das ist entscheidend, um bei der De-Anonymisierung eine fehlerhafte Verknüpfung von Identitäten zu vermeiden. So lässt sich verhindern, dass Unbeteiligte bei analytischen Prüfungen fälschlich etikettiert werden.

Um herauszufinden, welche Schicht des Modells für die Endergebnisse am wichtigsten war, entfernten die Forschenden einzelne Schichten und führten die Analyse erneut durch. Insgesamt erwies sich das Long Short-Term Memory (LSTM) als die am wenigsten wirkungsvolle Schicht, wenn es entfernt wurde. Dennoch trug es erheblich zur endgültigen Leistung bei. Den wichtigsten Bestandteil des KI-Modells bildeten die Convolutional Neural Networks (CNNs).

Erkenntnisse für Anleger

Obwohl Anonymität zum ursprünglichen Wertversprechen von Bitcoin gehörte, zeigen diese und andere Studien deutlich, dass Fortschritte bei der forensischen Blockchain-Analyse und künstlicher Intelligenz schnell aufdecken können, welche Bitcoin-Adressen derselben Person oder Organisation gehören.

Um außerdem zu zeigen, dass sich das Framework verallgemeinern lässt, wurde eine umfassende datensatzübergreifende Evaluierung in heterogenen Blockchain-Umgebungen durchgeführt. Sie umfasste Elliptic, Bitcoin Elliptic+, Bitcoin Heist Ransomware und Ethereum (ETH ) Fraud Detection. Dabei wurde weiterhin durchgehend eine hohe Genauigkeit von 90 bis 99 % erreicht.

Das bedeutet, dass der Wert von Bitcoin inzwischen fast nicht mehr mit Anonymität verknüpft ist, sondern vielmehr mit dem Netzwerkwert als Zahlungssystem, seiner „digitalen Gold“-Eigenschaft (absolute Knappheit, Unveränderlichkeit, Dezentralität, Übertragbarkeit usw.) und der allgemeinen Begeisterung der Öffentlichkeit und der Finanzinstitute für die digitale Währung.

Verbesserte Analysemethoden, wie sie in Studien dieser Art entwickelt werden, könnten wahrscheinlich die institutionelle Beteiligung fördern. Zugleich könnten sie jedoch neue Bedenken hinsichtlich des Datenschutzes und falsch positiver Ergebnisse hervorrufen. Daher ist große Vorsicht geboten, wenn eine Analyse mit einer Genauigkeit von „nur“ 97 % als endgültiger Beweis für Verbindungen zu illegalen Aktivitäten betrachtet wird.

In Bitcoin investieren

Coinbase

COIN Preisdiagramm

Da Kryptowährungen immer mehr zum Mainstream werden, investieren mehr Anleger in sie oder bauen ihr Engagement an den Kryptomärkten aus. Dasselbe gilt, da immer mehr Kryptoprojekte entstehen.

Das kommt Unternehmen wie Coinbase zugute, die eng mit dem Handel von Kryptowährungen, den Preisen digitaler Vermögenswerte, deren Verwahrung und der Beteiligung institutioneller Anleger verbunden sind.

Eine Investition in Kryptobörsen und Technologieplattformen wie Coinbase kann Anlegern daher Zugang zur Entwicklung des Kryptomarkts verschaffen, ohne dass sie einzelne Token willkürlich auswählen müssen.

Das bedeutet jedoch nicht, dass Coinbase Anlegern, die die börsennotierte Aktie kaufen, dieselbe Art potenzieller Renditen (und Risiken) bietet wie eine Direktanlage in Kryptowährungen. Stattdessen investieren sie in die Infrastruktur des Kryptomarkts. Coinbase meldete zum 30. Juni 2026 Vermögenswerte in Höhe von 246 Milliarden US-Dollar auf seiner Plattform.

Neben der Haupt-App und der Kryptobörse bietet Coinbase heute eine Reihe ergänzender Produkte und Dienstleistungen an:

  • Coinbase One, ein Premium-Mitgliedschaftsdienst mit gebührenfreiem Handel, erhöhten Staking-Prämien und Angeboten von Partnern, etwa einem Steuerrechner für Kryptowährungen und Kryptorecherchen.
  • Coinbase Advanced für professionelle Kryptohändler.
  • Coinbase Wallet zur selbstverwahrten Aufbewahrung von Kryptowährungen außerhalb von Börsen sowie von NFTs.
  • Coinbase Earn, ein Staking-Dienst, bei dem Besitzer von Kryptowährungen ihre Coins im Netzwerk sperren können, um dafür Zinsen zu erhalten. 2023 verdienten Coinbase-Kunden damit 230 Mio. US-Dollar.
  • Coinbase Card, eine Visa-Debitkarte, mit der sich Einkäufe in Kryptowährungen bezahlen lassen. Bei Zahlung mit USD gibt es 1 % Cashback in Bitcoin, bei Zahlung mit ETH 1,5 % in USDC. Die Karte wird überall dort akzeptiert, wo Visa-Debitkarten angenommen werden.
  • USD Coin (USDC), ein digitaler Stablecoin mit einem Wert, der dem US-Dollar entspricht, soll einen „digitalen Dollar“ schaffen.

Mit der Entwicklung immer fortschrittlicherer Tools, darunter KI, werden diese die bestehende Kryptoinfrastruktur ergänzen. Als inzwischen ausgereiftere und marktbeherrschende Plattform ist Coinbase gut aufgestellt, um davon zu profitieren, dass Kryptowährungen zunehmend zum Mainstream werden – begünstigt durch die wachsende Bedeutung von Bitcoin-ETFs, Stablecoins und der Tokenisierung von Aktien.

(Mehr über die Geschichte, Angebote und das Anlagepotenzial von Coinbase erfahren Sie in unserem ausführlichen Bericht über das Unternehmen)

Bitcoin

Eine weitere Möglichkeit, am Bitcoin-Netzwerk teilzuhaben, ist natürlich der direkte Besitz von Bitcoin.

Zum Einstieg können Sie unsere Ratgeber zu diesem Thema lesen:

Aktuelle Nachrichten und Entwicklungen zur Coinbase-Aktie (COIN)

Zitierte Studie

1. Rohit Saxena u. a. Adaptive Deanonymisierung von Blockchain-Transaktionen mithilfe integrativer neuronaler Architekturen in dezentralen Netzwerken. Scientific Reports. 15. Oktober 2026. https://doi.org/10.1038/s41598-026-69816-5 

mm

Jonathan ist ein ehemaliger Biochemie‑Forscher, der in der genetischen Analyse und in klinischen Studien gearbeitet hat. Er ist jetzt Aktienanalyst und Finanzautor mit einem Fokus auf Innovation, Marktzyklen und Geopolitik in seiner Veröffentlichung 'The Eurasian Century'.