Kunstmatige intelligentie

AI-tracking van de blockchain: wat betekent dit voor de privacy van Bitcoin?

mm
Gepubliceerd op
Voeg Securities.io toe aan je voorkeursbronnen op Google

De kern van het Bitcoin-netwerk en andere cryptovaluta wordt gekenmerkt door een sterke spanning.

Enerzijds zijn deze cryptovaluta ontworpen om individuele vrijheid en anonimiteit zo veel mogelijk te waarborgen.

Anderzijds vereisen naleving van regelgeving, forensische audits en onderzoek naar cybercriminaliteit dat cryptoactiva worden toegeschreven aan specifieke personen met bekende namen, adressen enzovoort.

Deze spanning is de afgelopen jaren toegenomen, doordat Bitcoin een ‘mainstream’ beleggingscategorie is geworden, in handen van beleggingsfondsen, banken, gereguleerde ETF’s enzovoort.

“Een belangrijk probleem voor overheden is het ongeoorloofde gebruik van cryptovaluta zoals bitcoins voor cybercriminaliteit, witwassen en terrorismefinanciering. In tegenstelling tot wat vaak wordt aangenomen over de robuustheid van de anonimiteit die de Bitcoin-blockchain biedt, zou het onder dergelijke omstandigheden moreel en juridisch geoorloofd zijn de werkelijke identiteit van de betrokken personen te onthullen, ook al zou dat logisch gezien een uitdaging zijn.”

Al met al zou de prijs van Bitcoin vandaag de dag, vergeleken met de aanvankelijk meer libertaire beginperiode, baat kunnen hebben bij een lagere mate van anonimiteit.

Vooruitgang op het gebied van machine learning en andere AI-technologieën kan helpen om het eigenaarschap van Bitcoin te ‘de-anonimiseren’. Daarvoor moet de aanpak echter betrouwbaar genoeg zijn om te kunnen worden ingezet bij het opsporen van criminele activiteiten en het voldoen aan de eisen van financiële toezichthouders.

Een nieuwe studie van Indiase onderzoekers van het Pranveer Singh Institute of Technology en Manipal University Jaipur onderzoekt hoe nieuwe ontwikkelingen op het gebied van AI (integratieve neurale architecturen) daarbij kunnen helpen, met een nauwkeurigheid van ongeveer 97%.

“Dit onderzoek wil economische groei stimuleren zonder onethische middelen in te zetten. De bevindingen zijn waardevol voor wetgevers die op zoek zijn naar datagestuurde bronnen om het landschap van cryptovaluta op basis van blockchain in kaart te brengen, voor bedrijven die willen voldoen aan regelgeving en risico’s rond Bitcoin-blockchaintransacties efficiënt willen inschatten, en voor rechtshandhavingsinstanties die adressen willen onderzoeken die verband houden met illegale activiteiten.”

De onderzoekers publiceerden hun bevindingen in Scientific Reports1, onder de titel ‘Adaptieve deanonymisering van blockchaintransacties met behulp van integratieve neurale architecturen in gedecentraliseerde netwerken’.

Van adressen naar identiteiten

Patronen vinden

Bij de meeste pogingen om de identiteit achter Bitcoin-adressen te achterhalen, ligt de nadruk op afzonderlijke adressen. Deze studie maakt daarentegen gebruik van entiteitsresolutie op basis van DSU om de pseudonimiteit van de blockchain op te delen in clusters van actoren en entiteiten die langdurig bij elkaar blijven.

De disjuncte-verzamelingenstructuur (DSU), ook bekend als Union-Find of merge-find, vergelijkt kenmerken (zoals naam, e-mailadres of telefoonnummer) om te bepalen of twee afzonderlijke records dezelfde persoon of hetzelfde object in de echte wereld vertegenwoordigen.

In de context van Bitcoin betekent dit dat meerdere pseudonieme Bitcoin-adressen worden samengebracht in één ‘entiteitscluster’ dat toebehoort aan één actor in de echte wereld.

Dit is belangrijk omdat gebruikers een onbeperkt aantal openbare adressen kunnen aanmaken. Daardoor is het identificeren van afzonderlijke adressen niet bijzonder nuttig, zeker niet bij geavanceerde criminele actoren — juist de groep waarvoor deanonymisering het belangrijkst is.

Het juiste instrument ontwikkelen

Om een AI-tool te ontwikkelen die Bitcoin-gebruikers kan identificeren, bouwden de onderzoekers een integratieve neurale architectuur die verschillende soorten neurale netwerken combineert:

  • Convolutionele neurale netwerken (CNN’s) halen lokale metadata en gedetailleerde, invariante patronen uit onbewerkte transactiegegevens. Die patronen worden uit de kenmerkenvector gehaald en helpen specifieke typen entiteiten te identificeren.
    • Hiermee wordt het ‘hoe’: specifieke script- en vergoedingspatronen. geïdentificeerd.
  • Long short-term memory-modellen (LSTM’s) brengen de stroomsnelheid in kaart.
    • Hiermee wordt het ‘wanneer’: de kenmerkende patronen en tijdsintervallen van transactiestromen. geïdentificeerd.
  • De kenmerkende patronen en tijdsintervallen van transactiestromen worden vastgelegd door structurele kaarten te gebruiken.
  • Graph neural networks (GNN’s) voegen embeddings samen via een dynamische k-nearest-neighbor-adjacentiematrix (k-NN) binnen batches, zodat gedrag in de omgeving wordt meegenomen.
    • Hiermee wordt het ‘wie’: de topologische omgeving en de verbinding met hubs. geïdentificeerd.

De studie testte de methode op een dataset met 427.625 transacties en 140.235 unieke entiteiten. De transactiegeschiedenis was afkomstig uit de archieven van WalletExplorer en Blockchair. Elke transactie omvatte 22 kenmerken, zoals block_id, transactiehash, fee_used, omvang, tijdstempel, gewicht enzovoort.

Het model werd getraind op een Intel(R) Core (TM) I9-10,900 CPU met een kloksnelheid van 2.81 GHz, 32 GB RAM en een NVIDIA GeForce RTX 3070 GPU met 8 GB.

Bitcointransacties met AI uit de anonimiteit halen

Hoe werkt het?

Een stapsgewijze uitleg helpt om duidelijk te maken hoe deze complexe systemen werken.

In de eerste fase wordt een dataset gemaakt met alle transacties, die vervolgens worden gelabeld zodat ze verder kunnen worden geanalyseerd.

Vervolgens wordt begonnen met het clusteren van adressen. Daarbij wordt ervan uitgegaan dat verschillende adressen die als invoer worden gebruikt bij een specifieke transactie, toebehoren aan één en dezelfde particuliere entiteit. Deze stap verbindt eerder afzonderlijke Bitcoin-adressen met behulp van het Disjoint Set Union-algoritme (DSU). Hierdoor nam de ruis met bijna 67,2% af.

Vervolgens worden de grootboekgegevens omgezet in een ‘gerichte graaf’. Zo worden de meest actieve gebruikers opgespoord en wordt onderscheid gemaakt tussen adressen die tegoeden verzamelen (sink-adressen) en adressen die tegoeden verspreiden (hub-adressen). Ook wordt het relatieve belang van elk cluster binnen het ecosysteem bepaald.

De gegenereerde gegevens worden ook ingedeeld naar de vier mogelijke functies in het Bitcoin-netwerk: wisseldiensten, miningpools, mengdiensten en gokactiviteiten. Wisseldiensten en miningpools worden standaard als legitieme activiteiten beschouwd.

Tot slot wordt de geïntegreerde neurale architectuur (CNN-LSTM-GNN) gebruikt om afzonderlijke clusters te identificeren.

“De structurele kaarten van de CNN worden als een reeks behandeld. De LSTM legt de opeenvolgende patronen vast van transactieactiviteit in de tijd of van de transactiesnelheid. De GNN brengt de relationele structuur en de onderlinge verbindingen tussen adressen en transacties in kaart. Dat is essentieel voor de Bitcoin-blockchain, omdat elke transactie en elk adres op natuurlijke wijze kan worden weergegeven als een knoop of verbinding in een graaf.”

Resultaten van hoge kwaliteit

Het CNN→LSTM→GNN-model leverde zeer consistente resultaten op voor de verschillende evaluatiemaatstaven. De afwijkingen bedroegen 1–2% voor de rangschikkings- en classificatiemaatstaven en 1,5% voor het foutenpercentage.

“Het model voorspelt verbanden vrijwel perfect (AUC ≈ 0,995), behaalt een uitzonderlijk hoge precisie bij rangschikking (MRR ≈ 0,985) en weet bijna alle relevante resultaten terug te vinden (Hits@10 ≈ 0,999), terwijl het percentage fout-positieven zeer laag blijft (<3%).”

Het model was ook zeer goed in staat om te classificeren of een Bitcoin-adres bij het juiste type activiteit hoort.

“Een van de belangrijkste prestaties van het model is dat het een scherp onderscheid kan maken tussen mengdiensten en gokorganisaties. Het model detecteert ook minderheidsklassen, zoals miningpools, die ongeveer 0,53% van de dataset uitmaken. Zonder deze mogelijkheid zou het model ze waarschijnlijk negeren ten gunste van de dominante klasse ‘wisseldiensten’.”

Belangrijker nog: het model wist het percentage fout-positieven extreem laag te houden (<3%). Dat is van groot belang om te voorkomen dat identiteiten bij het ontrafelen van anonimiteit ten onrechte aan elkaar worden gekoppeld. Dit is essentieel om te voorkomen dat onschuldige omstanders tijdens analytische controles verkeerd worden geclassificeerd.

Om te bepalen welke laag van het model het belangrijkst was voor de eindresultaten, verwijderden de onderzoekers telkens een laag en voerden ze de analyse opnieuw uit. Daaruit bleek dat Long Short-Term Memory (LSTM) de minst bepalende laag was wanneer deze werd verwijderd, maar toch aanzienlijk bijdroeg aan de uiteindelijke prestaties. De Convolutional Neural Networks (CNN’s) vormden het belangrijkste onderdeel van het AI-model.

Wat beleggers hiervan kunnen leren

Hoewel anonimiteit aanvankelijk een deel van de waardepropositie van Bitcoin vormde, maken deze en andere onderzoeken duidelijk dat vooruitgang in forensische blockchainanalyse en AI snel aan het licht kan brengen welke Bitcoin-adressen bij dezelfde persoon of organisatie horen.

Om bovendien aan te tonen dat het raamwerk breed toepasbaar is, werd een grondige evaluatie uitgevoerd op verschillende datasets in uiteenlopende blockchainomgevingen, waaronder Elliptic, Bitcoin Elliptic+, Bitcoin Heist Ransomware en Ethereum (ETH ) Fraud Detection. Daarbij bleef de nauwkeurigheid met 90 tot 99% consistent hoog.

Dit betekent dat de waarde van Bitcoin inmiddels vrijwel niet meer samenhangt met anonimiteit, maar vooral met de waarde van het netwerk als betaalsysteem, de eigenschappen van ‘digitaal goud’ (absolute schaarste, onveranderlijkheid, decentralisatie, overdraagbaarheid enzovoort) en het algemene enthousiasme voor de digitale munt onder het publiek en financiële instellingen.

Betere analysemethoden, zoals die uit dit onderzoek, kunnen waarschijnlijk de steun voor institutionele deelname vergroten. Ze kunnen echter ook nieuwe zorgen oproepen over privacy en fout-positieven. Daarom is grote voorzichtigheid geboden voordat een analyse die ‘slechts’ 97% nauwkeurig is, wordt beschouwd als onomstotelijk bewijs van betrokkenheid bij illegale activiteiten.

Beleggen in Bitcoin

Coinbase

COIN Prijsgrafiek

Nu cryptovaluta steeds meer gemeengoed worden, krijgen meer beleggers er toegang toe of breiden ze hun activiteiten op de cryptomarkten uit. Hetzelfde geldt naarmate het aantal cryptoprojecten groeit.

Dat is gunstig voor bedrijven als Coinbase, die nauw verbonden zijn met de handel in cryptovaluta, de prijzen van digitale activa, het beheer ervan en de deelname van institutionele partijen.

Beleggen in cryptobeurzen en technologieplatforms zoals Coinbase kan beleggers daarom blootstelling bieden aan de dynamiek van de cryptomarkt, zonder dat ze willekeurig specifieke tokens hoeven te selecteren.

Dit betekent echter niet dat Coinbase beleggers in zijn beursgenoteerde aandelen hetzelfde potentiële rendement (en dezelfde risico’s) biedt als rechtstreeks beleggen in cryptovaluta. Het gaat juist om een belegging in de infrastructuur van de cryptomarkt. Per 30 juni 2026 rapporteerde Coinbase $246 miljard aan activa op zijn platform.

Naast de hoofdapp en cryptobeurs van Coinbase biedt het bedrijf tegenwoordig een reeks aanvullende diensten aan:

  • Coinbase One, een premiumlidmaatschap met geen transactiekosten, hogere stakingbeloningen en aanbiedingen van partners, zoals een belastingcalculator voor cryptovaluta en onderzoek naar cryptovaluta.
  • Coinbase Advanced, voor professionele cryptohandelaren.
  • Coinbase Wallet, voor het zelf beheren van cryptovaluta buiten beurzen en voor NFT’s.
  • Coinbase Earn, een stakingdienst waarmee bezitters van cryptovaluta hun crypto kunnen vastzetten om beloningen van het netwerk te verdienen. Klanten van Coinbase verdienden hiermee in 2023 $230 miljoen.
  • Coinbase Card, een Visa-betaalpas waarmee je aankopen kunt doen met cryptovaluta. Betalen met USD levert 1% cashback in Bitcoin op; betalen met ETH levert 1,5% cashback in USDC op. De kaart wordt overal geaccepteerd waar Visa-betaalpassen worden geaccepteerd.
  • USD Coin (USDC), een digitale stablecoin die evenveel waard is als de Amerikaanse dollar, wil een ‘digitale dollar’ creëren.

Naarmate er meer geavanceerde hulpmiddelen worden ontwikkeld, waaronder AI, zullen die de bestaande crypto-infrastructuur aanvullen. Coinbase is inmiddels een volwassener en invloedrijker platform en verkeert in een goede positie om te profiteren van de groeiende acceptatie van cryptovaluta, die wordt gestimuleerd door de toenemende populariteit van Bitcoin-ETF’s, stablecoins en de tokenisatie van aandelen.

(Meer over de geschiedenis, het aanbod en het beleggingspotentieel van Coinbase lees je in ons uitgebreide rapport over het bedrijf)

Bitcoin

Een andere manier om blootstelling aan het Bitcoin-netwerk te krijgen, is natuurlijk door rechtstreeks Bitcoin te bezitten.

Om op weg te gaan, kun je onze gidsen over dit onderwerp lezen:

Het laatste nieuws en de nieuwste ontwikkelingen rond het Coinbase-aandeel (COIN)

Geraadpleegde studie

1. Rohit Saxena e.a. Adaptieve deanonymisering van blockchaintransacties met behulp van geïntegreerde neurale architecturen in gedecentraliseerde netwerken. Scientific Reports. 15 oktober 2026. https://doi.org/10.1038/s41598-026-69816-5 

mm

Jonathan is een voormalig biochemisch onderzoeker die werkzaam was in genetische analyse en klinische proeven. Hij is nu een aandelenanalist en financieel schrijver met een focus op innovatie, marktcycli en geopolitiek in zijn publicatie 'The Eurasian Century'.