Παρακολούθηση του Bitcoin στην αλυσίδα μπλοκ με ΤΝ: τι σημαίνει για την ιδιωτικότητα

Στον πυρήνα του δικτύου Bitcoin και άλλων κρυπτονομισμάτων υπάρχει μια έντονη αντίφαση.

Από τη μία πλευρά, αυτά τα κρυπτονομίσματα σχεδιάστηκαν για να προσφέρουν τη μέγιστη δυνατή ατομική ελευθερία και ανωνυμία.

Από την άλλη, η συμμόρφωση με τους κανονισμούς, οι εγκληματολογικοί έλεγχοι και η διερεύνηση κυβερνοεγκλημάτων απαιτούν να συνδέονται τα κρυπτονομίσματα με συγκεκριμένα άτομα, των οποίων είναι γνωστά τα ονόματα, οι διευθύνσεις κ.λπ.

Η αντίφαση αυτή οξύνεται τα τελευταία χρόνια, καθώς το Bitcoin έγινε περιουσιακό στοιχείο «ευρείας αποδοχής», το οποίο κατέχουν επενδυτικά κεφάλαια, τράπεζες, ρυθμιζόμενα ETF κ.λπ.

«Ένα βασικό ζήτημα για τις κυβερνήσεις είναι η μη εξουσιοδοτημένη χρήση κρυπτονομισμάτων, όπως τα Bitcoin, για κυβερνοέγκλημα, ξέπλυμα χρήματος και χρηματοδότηση της τρομοκρατίας. Σε αντίθεση με τις ευρέως αποδεκτές παραδοχές σχετικά με την ισχυρή ανωνυμία που προσφέρει η αλυσίδα μπλοκ του Bitcoin, η αποκάλυψη της πραγματικής ταυτότητας των ατόμων υπό αυτές τις συνθήκες θα ήταν ηθικά και νομικά επιτρεπτή, αν και θα παρουσίαζε λογικές δυσκολίες.»

Συνολικά, λοιπόν, σε σύγκριση με τις αρχικές, πιο ελευθεριακές ημέρες του, το Bitcoin θα μπορούσε σήμερα να ωφεληθεί από τον περιορισμό της ανωνυμίας.

Η πρόοδος στη μηχανική μάθηση και σε άλλες τεχνολογίες ΤΝ θα μπορούσε να συμβάλει στην «αποανωνυμοποίηση» της ιδιοκτησίας Bitcoin. Για να αξιοποιηθεί, όμως, σε περιπτώσεις όπου απαιτείται ο εντοπισμός εγκληματικών δραστηριοτήτων και η συμμόρφωση με τις απαιτήσεις των χρηματοπιστωτικών ρυθμιστικών αρχών, πρέπει να είναι αρκετά αξιόπιστη.

Νέα μελέτη από Ινδούς ερευνητές του Pranveer Singh Institute of Technology και του Manipal University Jaipur εξετάζει πώς οι νέες εξελίξεις στην ΤΝ —οι ολοκληρωμένες νευρωνικές αρχιτεκτονικές— θα μπορούσαν να συμβάλουν σε αυτό το έργο, επιτυγχάνοντας ακρίβεια περίπου 97%.

«Η έρευνα αυτή επιδιώκει να προωθήσει την οικονομική ανάπτυξη χωρίς τη χρήση ανήθικων μέσων. Τα ευρήματα θα φανούν χρήσιμα σε νομοθέτες που αναζητούν πηγές δεδομένων για να προβλέψουν την πορεία των κρυπτονομισμάτων που βασίζονται στην αλυσίδα μπλοκ, σε επιχειρήσεις που επιδιώκουν τη συμμόρφωση και την αποτελεσματική αξιολόγηση κινδύνου για συναλλαγές στην αλυσίδα μπλοκ του Bitcoin, καθώς και σε υπηρεσίες επιβολής του νόμου που θέλουν να εξετάσουν και να διερευνήσουν διευθύνσεις συνδεδεμένες με παράνομη δραστηριότητα.»

Δημοσίευσαν τα ευρήματά τους στο Scientific Reports¹, με τίτλο «Προσαρμοστική αποανωνυμοποίηση συναλλαγών στην αλυσίδα μπλοκ με αξιοποίηση ολοκληρωμένων νευρωνικών αρχιτεκτονικών σε αποκεντρωμένα δίκτυα».

Από τις διευθύνσεις στις ταυτότητες

Εντοπισμός μοτίβων

Οι περισσότερες προσπάθειες ταυτοποίησης των κατόχων διευθύνσεων Bitcoin εστιάζουν σε μεμονωμένες διευθύνσεις. Αντίθετα, η συγκεκριμένη μελέτη αξιοποιεί την αντιστοίχιση οντοτήτων με βάση το DSU, για να διασπάσει την ψευδωνυμία της αλυσίδας μπλοκ σε διαχρονικές ομάδες δραστών ή οντοτήτων.

Η Συνένωση Ασύνδετων Συνόλων (DSU), γνωστή και ως Union-Find ή merge-find, συγκρίνει χαρακτηριστικά (όπως όνομα, email ή τηλέφωνο) για να διαπιστώσει αν δύο διαφορετικές εγγραφές αφορούν το ίδιο φυσικό πρόσωπο ή αντικείμενο.

Στο πλαίσιο του Bitcoin, αυτό σημαίνει την ομαδοποίηση πολλών ψευδώνυμων διευθύνσεων Bitcoin σε ένα ενιαίο «σύμπλεγμα οντοτήτων» που αντιστοιχεί σε έναν συγκεκριμένο πραγματικό χρήστη.

Αυτό είναι σημαντικό, καθώς οι χρήστες μπορούν να δημιουργούν απεριόριστο αριθμό δημόσιων διευθύνσεων. Επομένως, ο εντοπισμός μεμονωμένων διευθύνσεων δεν είναι ιδιαίτερα χρήσιμος, τουλάχιστον όταν πρόκειται για εξελιγμένους εγκληματίες —δηλαδή για εκείνους ακριβώς στους οποίους είναι σημαντικότερο να αρθεί η ανωνυμία.

Δημιουργία του κατάλληλου εργαλείου

Για να δημιουργήσουν ένα εργαλείο ΤΝ ικανό να ταυτοποιεί χρήστες Bitcoin, οι ερευνητές κατασκεύασαν μια ολοκληρωμένη νευρωνική αρχιτεκτονική, η οποία συνδυάζει διαφορετικές προσεγγίσεις νευρωνικών δικτύων:

• Τα συνελικτικά νευρωνικά δίκτυα (CNN) εξάγουν τοπικά μεταδεδομένα και λεπτομερή, αναλλοίωτα μοτίβα από τα ακατέργαστα μεταδεδομένα των συναλλαγών, τα οποία εντοπίζουν συγκεκριμένους τύπους οντοτήτων από το διάνυσμα χαρακτηριστικών.
  • Αυτό χρησιμοποιείται για τον εντοπισμό του «πώς»: συγκεκριμένων μοτίβων σεναρίων και προμηθειών.
• Τα μοντέλα μακράς βραχυπρόθεσμης μνήμης (LSTM) αποτυπώνουν την ταχύτητα ροής.
  • Αυτό χρησιμοποιείται για τον εντοπισμό του «πότε»: των χαρακτηριστικών μοτίβων και των χρονικών διαστημάτων στις ροές συναλλαγών.
• Τα χαρακτηριστικά μοτίβα και τα χρονικά διαστήματα στις ροές συναλλαγών αποτυπώνονται με τη χρήση δομικών χαρτών.
• Τα νευρωνικά δίκτυα γραφημάτων (GNN) συνδυάζουν ενσωματώσεις μέσω ενός δυναμικού πίνακα γειτνίασης k πλησιέστερων γειτόνων (k-NN) εντός παρτίδων, ώστε να ενσωματώνουν τη συμπεριφορά των γειτονικών κόμβων.
  • Αυτό χρησιμοποιείται για τον εντοπισμό του «ποιος»: της τοπολογικής γειτονιάς και της σύνδεσης με κόμβους-κέντρα.

Πηγή: Scientific Reports

Η μελέτη δοκίμασε τη μέθοδό της σε ένα σύνολο δεδομένων με 427.625 συναλλαγές και 140.235 μοναδικές οντότητες. Το ιστορικό συναλλαγών αντλήθηκε από τα αρχεία των WalletExplorer και Blockchair, ενώ κάθε συναλλαγή περιλάμβανε 22 χαρακτηριστικά, όπως block_id, transaction hash, fee_used, size, timestamp, weight κ.λπ..

Η εκπαίδευση του μοντέλου πραγματοποιήθηκε σε υπολογιστή με επεξεργαστή Intel(R) Core (TM) I9-10,900 CPU, συχνότητα 2.81 GHz, μνήμη RAM 32 GB και κάρτα γραφικών NVIDIA GeForce RTX 3070 GPU με μνήμη 8 GB.

Χρήση της τεχνητής νοημοσύνης για την άρση της ανωνυμίας των συναλλαγών Bitcoin

Πώς λειτουργεί;

Για να εξηγήσουμε πώς λειτουργούν αυτά τα σύνθετα συστήματα, βοηθά μια ανάλυση βήμα προς βήμα.

Το πρώτο στάδιο είναι η δημιουργία ενός συνόλου δεδομένων που περιλαμβάνει όλες τις συναλλαγές και την επισήμανσή τους, ώστε να μπορούν να αναλυθούν περαιτέρω.

Πηγή: Scientific Reports

Στη συνέχεια, ακολουθεί το βήμα της «ομαδοποίησης διευθύνσεων», με βάση την παραδοχή ότι, όταν χρησιμοποιούνται πολλές διευθύνσεις ως είσοδος σε μια συγκεκριμένη συναλλαγή, αυτές οι διευθύνσεις ανήκουν στην ίδια ιδιωτική οντότητα. Έτσι, το βήμα αυτό συνδέει μεταξύ τους διευθύνσεις Bitcoin που προηγουμένως ήταν ξεχωριστές, χρησιμοποιώντας τον αλγόριθμο Disjoint Set Union (DSU). Με αυτό το βήμα ο θόρυβος μειώθηκε κατά σχεδόν 67,2%.

Στη συνέχεια, τα δεδομένα του καθολικού μετατρέπονται σε «κατευθυνόμενο γράφο», ώστε να εντοπιστούν οι πιο ενεργοί χρήστες και να διακριθούν οι διευθύνσεις συσσώρευσης (κόμβοι-δέκτες) από τις διευθύνσεις διανομής (κόμβοι-διανομείς), καθώς και να προσδιοριστεί η σχετική σημασία κάθε συστάδας στο οικοσύστημα.

Πηγή: Scientific Reports

Τα δεδομένα που προκύπτουν ταξινομούνται επίσης με βάση τις τέσσερις πιθανές λειτουργίες τους στο δίκτυο Bitcoin: ανταλλαγές, δεξαμενές εξόρυξης, υπηρεσίες ανάμειξης και τζόγος. Οι ανταλλαγές και οι δεξαμενές εξόρυξης θεωρούνται εξ ορισμού νόμιμες δραστηριότητες.

Πηγή: Scientific Reports

Τέλος, η ολοκληρωμένη νευρωνική αρχιτεκτονική (CNN-LSTM-GNN) χρησιμοποιείται για τον εντοπισμό μεμονωμένων συστάδων.

«Οι δομικοί χάρτες από το CNN αντιμετωπίζονται ως ακολουθία. Το LSTM καταγράφει τα διαδοχικά μοτίβα της δραστηριότητας των συναλλαγών με την πάροδο του χρόνου ή την ταχύτητα ροής. Το GNN μοντελοποιεί τη σχεσιακή δομή και τη συνδεσιμότητα των διευθύνσεων και των συναλλαγών, στοιχεία ζωτικής σημασίας για το blockchain του Bitcoin, καθώς κάθε συναλλαγή και διεύθυνση μπορεί να αναπαρασταθεί φυσικά ως κόμβος ή ακμή σε έναν γράφο.»

Αποτελέσματα υψηλής ποιότητας

Το μοντέλο CNN→LSTM→GNN έδωσε πολύ σταθερά αποτελέσματα σε διαφορετικές μετρικές αξιολόγησης, με αποκλίσεις 1–2% στις μετρικές κατάταξης και ταξινόμησης και 1,5% στο ποσοστό σφάλματος.

«Το μοντέλο επιτυγχάνει σχεδόν τέλεια πρόβλεψη συνδέσεων (AUC ≈ 0,995), εξαιρετικά υψηλή ακρίβεια κατάταξης (MRR ≈ 0,985) και σχεδόν πλήρη επιτυχία ανάκτησης (Hits@10 ≈ 0,999), διατηρώντας παράλληλα πολύ χαμηλό ποσοστό ψευδώς θετικών αποτελεσμάτων (<3%).»

Το μοντέλο ήταν επίσης ιδιαίτερα ικανό να ταξινομεί το είδος της δραστηριότητας που αντιστοιχεί σε μια διεύθυνση Bitcoin.

«Ένα από τα σημαντικότερα επιτεύγματα του μοντέλου είναι η ικανότητά του να διακρίνει με ακρίβεια τις υπηρεσίες ανάμειξης από τους οργανισμούς τζόγου. Το μοντέλο εντοπίζει επίσης μειονοτικές κατηγορίες, όπως οι δεξαμενές εξόρυξης, οι οποίες αποτελούν περίπου το 0,53% του συνόλου δεδομένων. Χωρίς αυτή τη δυνατότητα, το μοντέλο πιθανότατα θα τις αγνοούσε υπέρ της πολυπληθέστερης κατηγορίας «Ανταλλακτήρια».»

Το σημαντικότερο είναι ότι το μοντέλο κατάφερε να διατηρήσει εξαιρετικά χαμηλό ποσοστό ψευδώς θετικών αποτελεσμάτων (<3%), κάτι πολύ σημαντικό για την αποφυγή εσφαλμένης σύνδεσης ταυτοτήτων σε εργασίες άρσης της ανωνυμίας. Αυτό είναι κρίσιμο για την αποτροπή της εσφαλμένης επισήμανσης «αθώων τρίτων» σε αναλυτικούς ελέγχους.

Πηγή: Scientific Reports

Για να διαπιστώσουν ποιο επίπεδο του μοντέλου είχε τη μεγαλύτερη σημασία για τα τελικά αποτελέσματα, οι ερευνητές αφαίρεσαν ορισμένα επίπεδα και επανέλαβαν την ανάλυση. Διαπίστωσαν ότι, συνολικά, το Long Short-Term Memory (LSTM) ήταν το επίπεδο του οποίου η αφαίρεση είχε τον μικρότερο αντίκτυπο, αλλά εξακολουθούσε να συμβάλλει σημαντικά στην τελική απόδοση. Το σημαντικότερο μέρος του μοντέλου τεχνητής νοημοσύνης ήταν τα Συνελικτικά Νευρωνικά Δίκτυα (CNN).

Πηγή: Scientific Reports

Συμπεράσματα για τους επενδυτές

Παρότι η ανωνυμία αποτελούσε μέρος της αρχικής πρότασης αξίας του Bitcoin, αυτή η μελέτη και άλλες καθιστούν σαφές ότι η πρόοδος στην εγκληματολογική ανάλυση blockchain και στην τεχνητή νοημοσύνη μπορεί να εντοπίσει γρήγορα ποιες διευθύνσεις Bitcoin ανήκουν στο ίδιο άτομο ή στον ίδιο οργανισμό.

Επιπλέον, για να αποδειχθεί ότι το πλαίσιο μπορεί να γενικευτεί, πραγματοποιήθηκε διεξοδική αξιολόγηση σε διαφορετικά σύνολα δεδομένων, σε ετερογενή περιβάλλοντα blockchain, μεταξύ άλλων στα Elliptic, Bitcoin Elliptic+, Bitcoin Heist Ransomware και Ethereum Fraud Detection. (ETH ) Και πάλι, η ακρίβεια παρέμεινε σταθερά υψηλή, από 90 έως 99%.

Αυτό σημαίνει ότι η αξία του Bitcoin πλέον σχεδόν δεν συνδέεται καθόλου με την ανωνυμία, αλλά με την αξία του δικτύου του ως συστήματος πληρωμών, τη δομή του ως «ψηφιακού χρυσού» (απόλυτη σπανιότητα, αμεταβλητότητα, αποκεντρωμένος χαρακτήρας, φορητότητα κ.λπ.) και, συνολικά, τον ενθουσιασμό του κοινού και των χρηματοπιστωτικών ιδρυμάτων για το ψηφιακό νόμισμα.

Οι βελτιωμένες αναλυτικές μέθοδοι από μελέτες όπως αυτή θα μπορούσαν πιθανότατα να ενισχύσουν τη στήριξη της συμμετοχής θεσμικών επενδυτών. Θα μπορούσαν, όμως, να δημιουργήσουν νέους προβληματισμούς σχετικά με την ιδιωτικότητα και τα ψευδώς θετικά αποτελέσματα, γι’ αυτό απαιτείται μεγάλη προσοχή προτού θεωρηθεί μια ανάλυση με ακρίβεια «μόλις» 97% ως αδιαμφισβήτητη απόδειξη σύνδεσης με παράνομες δραστηριότητες.

Επένδυση στο Bitcoin

Coinbase

Καθώς τα κρυπτονομίσματα γίνονται όλο και πιο δημοφιλή, όλο και περισσότεροι επενδυτές αποκτούν έκθεση σε αυτά ή αυξάνουν την παρουσία τους στις αγορές κρυπτονομισμάτων. Το ίδιο ισχύει καθώς πληθαίνουν τα πρότζεκτ κρυπτονομισμάτων.

Αυτό ωφελεί εταιρείες όπως η Coinbase, που συνδέονται στενά με τις συναλλαγές κρυπτονομισμάτων, τις τιμές των περιουσιακών στοιχείων, τη θεματοφυλακή και τη συμμετοχή θεσμικών επενδυτών.

Επομένως, η επένδυση σε ανταλλακτήρια κρυπτονομισμάτων και τεχνολογικές πλατφόρμες όπως η Coinbase μπορεί να προσφέρει στους επενδυτές έκθεση στις συνθήκες της αγοράς κρυπτονομισμάτων, χωρίς να χρειάζεται να επιλέξουν αυθαίρετα συγκεκριμένα token.

Ωστόσο, αυτό δεν σημαίνει ότι η Coinbase θα προσφέρει στους επενδυτές της μετοχής της που διαπραγματεύεται δημόσια τις ίδιες πιθανές αποδόσεις (και τους ίδιους κινδύνους) με την άμεση επένδυση σε κρυπτονομίσματα. Αντίθετα, πρόκειται για επένδυση στις υποδομές της αγοράς κρυπτονομισμάτων. Στις 30 Ιουνίου 2026, η Coinbase ανέφερε ότι η πλατφόρμα της φιλοξενούσε περιουσιακά στοιχεία αξίας 246 δισ. δολαρίων.

Σήμερα, εκτός από την κύρια εφαρμογή και το ανταλλακτήριο κρυπτονομισμάτων της Coinbase, η εταιρεία διαθέτει μια σειρά από συμπληρωματικές υπηρεσίες:

• Coinbase One, μια premium συνδρομητική υπηρεσία που προσφέρει μηδενικές προμήθειες συναλλαγών, αυξημένες ανταμοιβές για staking και προσφορές από συνεργάτες, όπως υπολογιστή φόρου κρυπτονομισμάτων και έρευνα για τα κρυπτονομίσματα.
• Coinbase Advanced, για επαγγελματίες επενδυτές κρυπτονομισμάτων.
• Coinbase Wallet, για την αυτοτελή φύλαξη κρυπτονομισμάτων εκτός ανταλλακτηρίων, καθώς και NFT.
• Coinbase Earn, μια υπηρεσία staking όπου οι κάτοχοι κρυπτονομισμάτων μπορούν να δεσμεύουν τα κρυπτονομίσματά τους για να κερδίζουν τόκους από το δίκτυο. Το 2023, οι πελάτες της Coinbase κέρδισαν συνολικά 230 εκατ. δολάρια.
• Coinbase Card, μια χρεωστική κάρτα Visa για αγορές με κρυπτονομίσματα, που επιστρέφει 1% σε Bitcoin όταν η πληρωμή γίνεται με USD και 1,5% σε USDC όταν γίνεται με ETH. Η κάρτα γίνεται δεκτή παντού όπου γίνονται δεκτές χρεωστικές κάρτες Visa.
• Το USD Coin (USDC), ένα ψηφιακό stablecoin με αξία ίση με εκείνη του δολαρίου ΗΠΑ, φιλοδοξεί να δημιουργήσει ένα «ψηφιακό δολάριο».

Καθώς αναπτύσσονται όλο και πιο προηγμένα εργαλεία, μεταξύ των οποίων και η τεχνητή νοημοσύνη, θα συμπληρώνουν τις υπάρχουσες υποδομές κρυπτονομισμάτων. Ως πλέον ώριμη και κυρίαρχη πλατφόρμα, η Coinbase βρίσκεται σε πλεονεκτική θέση για να επωφεληθεί από την αυξανόμενη διάδοση των κρυπτονομισμάτων, χάρη στις ανερχόμενες τάσεις των ETF Bitcoin, των stablecoin και της μετατροπής μετοχών σε token.

(Μπορείτε να διαβάσετε περισσότερα για την ιστορία, τις υπηρεσίες και τις επενδυτικές προοπτικές της Coinbase στην ειδική έκθεσή μας για την εταιρεία)

Bitcoin

Ένας ακόμη τρόπος να αποκτήσετε έκθεση στο δίκτυο Bitcoin είναι, φυσικά, να κατέχετε απευθείας Bitcoin.

Για να ξεκινήσετε, μπορείτε να διαβάσετε τους οδηγούς μας για το θέμα:

• Επένδυση σε Bitcoin (BTC) – Όλα όσα πρέπει να γνωρίζετε
• 10 λόγοι για να επενδύσετε σε Bitcoin
• Τι είναι ένα ETF Bitcoin; Πώς λειτουργεί και γιατί έχει σημασία

Τελευταία νέα και εξελίξεις για τη μετοχή της Coinbase (COIN)

Μελέτη στην οποία γίνεται αναφορά

^{1. Rohit Saxena κ.ά. Προσαρμοστική αποανωνυμοποίηση συναλλαγών blockchain με αξιοποίηση ολοκληρωμένων νευρωνικών αρχιτεκτονικών σε αποκεντρωμένα δίκτυα. Scientific Reports. 15 Οκτωβρίου 2026. https://doi.org/10.1038/s41598-026-69816-5}