Tekoälypohjainen lohkoketjun seuranta: mitä se merkitsee Bitcoinin yksityisyydelle

Bitcoin-verkon ja muiden kryptovaluuttojen ytimessä piilee vahva jännite.

Yhtäältä nämä kryptovaluutat suunniteltiin tarjoamaan mahdollisimman paljon yksilönvapautta ja anonymiteettiä.

Toisaalta sääntelyn noudattaminen, forensinen tilintarkastus ja tietoverkkorikosten tutkinta edellyttävät, että kryptovarat voidaan yhdistää tiettyihin henkilöihin, joiden nimet, osoitteet ja muut tiedot tunnetaan.

Jännite on kasvanut viime vuosina, kun Bitcoinista on tullut ”valtavirran” sijoituskohde, jota omistavat muun muassa sijoitusrahastot, pankit ja säännellyt ETF-rahastot.

”Hallitusten keskeinen huolenaihe on kryptovaluuttojen, kuten Bitcoinin, luvaton käyttö tietoverkkorikoksiin, rahanpesuun ja terrorismin rahoittamiseen. Vastoin yleisesti hyväksyttyjä käsityksiä Bitcoin-lohkoketjun tarjoaman anonymiteetin vahvuudesta tällaisten olosuhteiden vallitessa toimivien henkilöiden todellisen henkilöllisyyden paljastaminen olisi moraalisesti ja oikeudellisesti sallittua, vaikka se osoittautuisikin loogisesti haastavaksi.”

Kaiken kaikkiaan Bitcoinin hinta voisi nykyään hyötyä anonymiteetin vähenemisestä verrattuna sen alkuvaiheen vapaamielisempään aikaan.

Koneoppimisen ja muiden tekoälyteknologioiden kehitys voisi auttaa purkamaan Bitcoinin omistajien anonymiteetin. Menetelmän on kuitenkin oltava riittävän luotettava, jotta siihen voidaan luottaa rikollisen toiminnan selvittämisessä ja rahoitusalan sääntelyviranomaisten vaatimusten täyttämisessä.

Intialaisten Pranveer Singh Institute of Technologyn ja Manipal University Jaipur -yliopiston tutkijoiden uudessa tutkimuksessa selvitetään, miten uudet tekoälyn edistysaskeleet eli integroivat neuroverkkoarkkitehtuurit voisivat auttaa tässä tehtävässä. Menetelmällä saavutettiin noin 97 prosentin tarkkuus.

”Tutkimuksen tavoitteena on edistää talouskasvua turvautumatta epäeettisiin keinoihin. Tuloksista hyötyvät niin lainsäätäjät, jotka etsivät dataan perustuvia lähteitä lohkoketjupohjaisten kryptovaluuttojen kehityksen ennakoimiseen, yritykset, jotka tarvitsevat Bitcoin-lohkoketjun tapahtumien vaatimustenmukaisuuden varmistamiseen ja tehokkaaseen riskinarviointiin liittyviä ratkaisuja, kuin lainvalvontaviranomaiset, jotka haluavat tarkastella ja tutkia laittomaan toimintaan yhdistettyjä osoitteita.”

Tutkijat julkaisivat tuloksensa Scientific Reports¹ -lehdessä otsikolla ”Lohkoketjutapahtumien mukautuva anonymiteetin purkaminen hajautetuissa verkoissa integroivia neuroverkkoarkkitehtuureja hyödyntäen”.

Osoitteista henkilöllisyyksiin

Toistuvien mallien löytäminen

Useimmissa Bitcoin-osoitteiden omistajien tunnistamiseen tähtäävissä hankkeissa keskitytään yksittäisiin osoitteisiin. Tässä tutkimuksessa hyödynnetään sen sijaan DSU-pohjaista entiteettien täsmäytystä, jolla lohkoketjun pseudonymiteetti puretaan pitkäaikaisiksi toimija- tai entiteettiryhmiksi.

Disjoint Set Union -menetelmää, joka tunnetaan myös nimillä Union-Find ja merge-find, erillisten joukkojen yhdistäminen (DSU), käytetään tietueiden ominaisuuksien, kuten nimen, sähköpostiosoitteen tai puhelinnumeron, vertailuun sen selvittämiseksi, kuvaavatko kaksi erillistä tietuetta samaa todellisen maailman henkilöä tai kohdetta.

Bitcoinin yhteydessä tämä tarkoittaa useiden pseudonyymien Bitcoin-osoitteiden ryhmittelyä yhdeksi ”entiteettiryhmäksi”, joka kuuluu yhdelle todellisen maailman toimijalle.

Tämä on tärkeää, sillä käyttäjät voivat luoda rajattomasti julkisia osoitteita. Siksi yksittäisten osoitteiden tunnistamisesta ei ole juuri hyötyä ainakaan kehittyneille rikollisille, joiden anonymiteetin purkaminen on kaikkein tärkeintä.

Oikean työkalun kehittäminen

Tutkijat rakensivat Bitcoin-käyttäjien tunnistamiseen tarkoitetun tekoälytyökalun pohjaksi integroivan neuroverkkoarkkitehtuurin, jossa yhdistyvät erilaiset neuroverkkomallit:

• Konvoluutioneuroverkot (CNN) poimivat paikallisia metatietoja eli raakamuotoisista tapahtumien metatiedoista löytyviä yksityiskohtaisia, muuttumattomina säilyviä malleja, joiden avulla piirrevektorista tunnistetaan tietyntyyppisiä entiteettejä.
  • Tätä käytetään ”miten”-kysymyksen selvittämiseen: tunnistetaan tiettyjä komentosarja- ja maksukuviota.
• Pitkän lyhytaikaisen muistin mallit (LSTM) mallintavat virtausnopeutta.
  • Tätä käytetään ”milloin”-kysymyksen selvittämiseen: tunnistetaan tapahtumavirtojen tunnusomaiset piirteet ja ajoitusvälit.
• Tapahtumavirtojen tunnusomaiset piirteet ja ajoitusvälit saadaan esiin rakenteellisia karttoja käsittelemällä.
• Graafineuroverkot (GNN:t) kokoavat upotuksia käyttämällä erissä dynaamista k-lähimmän naapurin (k-NN) vierekkäisyysmatriisia naapuruston käyttäytymisen huomioimiseksi.
  • Tätä käytetään ”kuka”-kysymyksen selvittämiseen: tunnistetaan topologinen naapurusto ja yhteys keskussolmuihin.

Lähde: Scientific Reports

Tutkimuksessa menetelmää testattiin aineistolla, johon kuului 427 625 tapahtumaa ja 140 235 yksilöllistä entiteettiä. Tapahtumahistoria koottiin WalletExplorerin ja Blockchairin arkistoista. Jokainen tapahtuma sisälsi 22 ominaisuutta, kuten block_id, transaction hash, fee_used, size, timestamp, weight jne.

Malli koulutettiin Intel(R) Core (TM) I9-10,900 -suorittimella, jonka kellotaajuus oli 2,81 GHz, 32 Gt:n RAM-muistilla ja 8 Gt:n NVIDIA GeForce RTX 3070 -näytönohjaimella.

Tekoälyn avulla Bitcoin-tapahtumat voidaan jäljittää niiden tekijöihin

Miten se toimii?

Näiden monimutkaisten järjestelmien toimintaa on helpointa selittää vaihe vaiheelta.

Ensimmäisessä vaiheessa luodaan tietojoukko, joka sisältää kaikki tapahtumat ja jossa ne merkitään, jotta niitä voidaan analysoida tarkemmin.

Lähde: Scientific Reports

Seuraavaksi osoitteet ryhmitellään olettaen, että jos tietyn tapahtuman syötteenä käytetään useita osoitteita, ne kuuluvat samalle yksityiselle toimijalle. Tässä vaiheessa aiemmin erilliset Bitcoin-osoitteet yhdistetään Disjoint Set Union (DSU) -algoritmilla. Näin kohina väheni lähes 67,2 %.

Seuraavaksi tilikirjan tiedot muunnetaan suunnatuksi graafiksi, jonka avulla tunnistetaan aktiivisimmat käyttäjät ja erotetaan toisistaan varoja keräävät osoitteet (nielut) ja niitä jakavat osoitteet (keskukset). Samalla selvitetään kunkin ryhmän suhteellinen merkitys ekosysteemissä.

Lähde: Scientific Reports

Luodut tiedot luokitellaan myös niiden neljän mahdollisen käyttötarkoituksen mukaan Bitcoin-verkossa: pörssitoiminta, louhintapoolit, sekoituspalvelut ja uhkapelaaminen. Pörssitoimintaa ja louhintapooleja pidetään lähtökohtaisesti laillisena toimintana.

Lähde: Scientific Reports

Lopuksi yksittäisten ryhmien tunnistamiseen käytetään integroivaa neuroverkkoarkkitehtuuria (CNN-LSTM-GNN).

”CNN:n tuottamia rakenteellisia karttoja käsitellään sekvenssinä. LSTM tunnistaa tapahtumien ajalliset sekvenssit ja tapahtumavirran nopeuden. GNN mallintaa osoitteiden ja tapahtumien välisiä suhteita ja yhteyksiä. Tämä on Bitcoin-lohkoketjussa olennaista, sillä jokainen tapahtuma ja osoite voidaan luontevasti esittää graafin solmuna tai särmänä.”

Tulokset ovat erittäin laadukkaita

CNN→LSTM→GNN-malli tuotti erittäin johdonmukaisia tuloksia eri arviointimittareilla. Järjestys- ja luokittelumittareiden poikkeamat olivat 1–2 % ja virheprosentin poikkeama 1,5 %.

”Malli ennustaa linkit lähes täydellisesti (AUC ≈ 0,995), saavuttaa poikkeuksellisen korkean sijoittelutarkkuuden (MRR ≈ 0,985) ja onnistuu hakutehtävässä lähes täydellisesti (Hits@10 ≈ 0,999) samalla, kun väärien positiivisten tulosten osuus pysyy erittäin pienenä (<3 %).”

Malli pystyi myös erittäin hyvin luokittelemaan, millaista toimintaa Bitcoin-osoite edustaa.

”Yksi mallin tärkeimmistä saavutuksista on sen kyky erottaa tarkasti sekoituspalvelut uhkapeliorganisaatioista. Malli tunnistaa myös vähemmistöluokkia, kuten louhintapoolit, joiden osuus tietojoukosta on noin 0,53 %. Ilman tätä ominaisuutta malli todennäköisesti sivuuttaisi ne enemmistöluokan eli pörssien hyväksi.”

Vielä tärkeämpää on, että väärien positiivisten tulosten osuus pysyi erittäin pienenä (<3 %). Tämä on ratkaisevan tärkeää, jotta henkilöllisyyksiä ei yhdistetä virheellisesti toisiinsa anonymiteetin purkamiseen liittyvissä tehtävissä. Näin voidaan ehkäistä myös viattomien sivullisten virheellistä luokittelua analyyttisissä tarkastuksissa.

Lähde: Scientific Reports

Tutkijat selvittivät poistamalla mallista kerroksia ja tekemällä analyysin uudelleen, mikä kerros vaikutti eniten lopputuloksiin. He havaitsivat, että Long Short-Term Memory (LSTM) -kerroksen poistamisella oli kokonaisuutena vähäisin vaikutus, vaikka sekin paransi merkittävästi lopputulosta. Tekoälymallin tärkein osa olivat konvoluutioneuroverkot (CNN).

Lähde: Scientific Reports

Mitä sijoittajien kannattaa ottaa huomioon

Vaikka Bitcoinin alkuperäiseen arvolupaukseen kuului anonymiteetti, tämä ja muut tutkimukset osoittavat selvästi, että lohkoketjujen forensisen analyysin ja tekoälyn kehitys voi nopeasti paljastaa, mitkä Bitcoin-osoitteet kuuluvat samalle henkilölle tai organisaatiolle.

Viitekehyksen yleistettävyyden osoittamiseksi tehtiin lisäksi perusteellinen arviointi eri tietojoukkojen välillä heterogeenisissä lohkoketjuympäristöissä. Arvioinnissa käytettiin muun muassa seuraavia tietojoukkoja: Elliptic, Bitcoin Elliptic+, Bitcoin Heist Ransomware ja Ethereum (ETH ) Fraud Detection. Malli saavutti niissäkin johdonmukaisesti korkean, 90–99 prosentin tarkkuuden.

Tämä tarkoittaa, että Bitcoinin arvo ei enää juuri perustu anonymiteettiin, vaan sen sijaan sen verkon arvoon maksujärjestelmänä, sen ”digitaalisen kullan” ominaisuuksiin (äärimmäinen niukkuus, muuttumattomuus, hajautettu luonne, siirrettävyys jne.) sekä yleisön ja rahoituslaitosten laajaan innostukseen digitaalista valuuttaa kohtaan.

Tällaisten tutkimusten ansiosta kehittyneempi analytiikka voisi todennäköisesti lisätä institutionaalisten sijoittajien osallistumista. Se voi kuitenkin myös herättää uusia huolia yksityisyydestä ja vääristä positiivisista tuloksista. Siksi on syytä olla erittäin varovainen, eikä ”vain” 97-prosenttisen tarkkaa analyysiä pidä pitää ehdottomana todisteena yhteydestä laittomaan toimintaan.

Bitcoiniin sijoittaminen

Coinbase

Kryptovaluuttojen yleistyessä yhä useammat sijoittajat saavat niistä sijoituskokemusta tai kasvattavat sijoituksiaan kryptovaluuttamarkkinoilla. Sama pätee kryptoprojektien määrän kasvaessa.

Tämä hyödyttää Coinbasen kaltaisia yrityksiä, jotka ovat tiiviisti sidoksissa kryptovaluuttakaupankäyntiin, omaisuuserien hintoihin, säilytyspalveluihin ja institutionaalisten sijoittajien osallistumiseen.

Sijoittaminen Coinbasen kaltaisiin kryptopörsseihin ja teknologiayrityksiin voi siis tarjota sijoittajille mahdollisuuden hyötyä kryptomarkkinoiden kehityksestä ilman, että heidän tarvitsee valita tiettyjä tokeneita mielivaltaisesti.

Tämä ei kuitenkaan tarkoita, että Coinbase tarjoaisi julkisesti noteeratun osakkeensa sijoittajille samanlaisia mahdollisia tuottoja (ja riskejä) kuin suora sijoittaminen kryptovaluuttoihin. Kyseessä on sen sijaan sijoitus kryptomarkkinoiden infrastruktuuriin: Coinbase ilmoitti alustallaan olleen varoja 246 miljardin dollarin arvosta 30. kesäkuuta 2026.

Coinbasen pääsovelluksen ja kryptopörssin lisäksi yrityksellä on nykyään joukko niitä täydentäviä palveluita:

• Coinbase One, premium-jäsenpalvelu, joka tarjoaa kaupankäyntiä ilman kuluja, korotettuja steikkauspalkkioita ja kumppanietuja, kuten kryptoverolaskurin ja kryptovaluuttoihin liittyvää tutkimustietoa.
• Coinbase Advanced, ammattimaisille kryptovaluuttakauppiaille.
• Coinbase Wallet, kryptovaluuttojen säilyttämiseen itse pörssien ulkopuolella sekä NFT-omaisuuserien hallintaan.
• Coinbase Earn, steikkauspalvelu, jossa kryptovaluuttojen omistajat voivat lukita kryptovaluuttansa ansaitakseen tuottoa verkosta. Coinbasen asiakkaat ansaitsivat palvelun kautta 230 miljoonaa dollaria vuonna 2023.
• Coinbase Card, Visa-pankkikortti, jolla voi tehdä ostoksia kryptovaluutoilla. USD-valuutalla maksettaessa saa 1 % takaisin Bitcoinina ja ETH-valuutalla maksettaessa 1,5 % USDC-valuuttana. Kortti käy kaikkialla, missä Visa-pankkikortit hyväksytään.
• USD Coin (USDC) on digitaalinen vakaavaluutta, jonka arvo vastaa Yhdysvaltain dollaria ja jonka tavoitteena on luoda ”digitaalinen dollari”.

Kun käyttöön kehitetään yhä kehittyneempiä työkaluja, myös tekoäly mukaan lukien, ne täydentävät olemassa olevaa kryptoinfrastruktuuria. Coinbase on nyt aiempaa kypsempi ja vahvempi alusta, jolla on hyvät edellytykset hyötyä kryptovaluuttojen yleistymisestä Bitcoin-ETF:ien, vakaavaluuttojen ja osakkeiden tokenisoinnin kasvavien trendien myötä.

(Voit lukea lisää Coinbasen historiasta, palveluista ja sijoituspotentiaalista yhtiötä käsittelevästä erillisestä raportistamme)

Bitcoin

Toinen tapa päästä hyötymään Bitcoin-verkostosta on tietenkin omistaa Bitcoinia suoraan.

Aloita tutustumalla aihetta käsitteleviin oppaisiimme:

• Sijoittaminen Bitcoiniin (BTC) – kaikki, mitä sinun tarvitsee tietää
• 10 syytä sijoittaa Bitcoiniin
• Mikä on Bitcoin-ETF? Näin se toimii ja siksi sillä on merkitystä

Coinbasen (COIN) osakkeen viimeisimmät uutiset ja kehitys

Viitattu tutkimus

^{1. Rohit Saxena ym. Lohkoketjutapahtumien mukautuva deanonymisointi hajautetuissa verkoissa integroivia neuroverkkoarkkitehtuureja hyödyntämällä. Scientific Reports. 15. lokakuuta 2026. https://doi.org/10.1038/s41598-026-69816-5}