Kunstig intelligens

Sporing av blokkjeder med KI: Hva det betyr for personvernet til Bitcoin

mm
Publisert
Legg til Securities.io blant dine foretrukne kilder på Google

I kjernen av Bitcoin-nettverket og andre kryptovalutaer ligger en sterk spenning.

På den ene siden ble disse kryptovalutaene utformet for å gi størst mulig individuell frihet og anonymitet.

På den andre siden krever etterlevelse av regelverk, kriminalteknisk revisjon og etterforskning av nettkriminalitet at kryptoeiendeler knyttes til bestemte personer med identifiserte navn, adresser og så videre.

Denne spenningen har økt de siste årene, etter hvert som Bitcoin ble en «mainstream»-eiendel som eies av investeringsfond, banker, regulerte ETF-er og så videre.

«Et sentralt problem for myndighetene er uautorisert bruk av kryptovalutaer som Bitcoin til nettkriminalitet, hvitvasking av penger og finansiering av terrorisme. I motsetning til den utbredte antakelsen om hvor robust anonymiteten som Bitcoin-blokkjeden tilbyr, er det moralsk og juridisk forsvarlig å avdekke den faktiske identiteten til personer under slike omstendigheter, selv om det logisk sett vil være krevende.»

Alt i alt kan Bitcoin-kursen i dag, sammenlignet med valutaens mer libertarianske tidlige fase, dra nytte av et lavere nivå av anonymitet.

Fremskritt innen maskinlæring og annen KI-teknologi kan bidra til å «av-anonymisere» eierskap til Bitcoin. Teknologien må imidlertid være pålitelig nok til at den kan brukes til å avdekke kriminell virksomhet og oppfylle finansmyndighetenes krav.

En ny studie av indiske forskere ved Pranveer Singh Institute of Technology and Manipal University Jaipur undersøker hvordan nye KI-forbedringer (integrerende nevrale arkitekturer) kan bidra til denne oppgaven, med en treffsikkerhet på omtrent 97 %.

«Denne forskningen tar sikte på å fremme økonomisk vekst uten å bruke uetiske metoder. Lovgivere som leter etter datadrevne kilder for å kunne forutsi utviklingen i det blokkjede-baserte kryptovalutalandskapet, bedrifter som ønsker å sikre etterlevelse av regelverk og effektiv risikovurdering av transaksjoner på Bitcoin-blokkjeden, og politimyndigheter som vil undersøke og etterforske adresser knyttet til ulovlig aktivitet, vil alle ha nytte av funnene.»

De publiserte funnene sine i Scientific Reports1, under tittelen «Adaptiv deanonymisering av blokkjedetransaksjoner ved hjelp av integrerende nevrale arkitekturer i desentraliserte nettverk».

Fra adresser til identiteter

Finne mønstre

I de fleste forsøk på å identifisere personene bak Bitcoin-adresser fokuserer man på enkeltadresser. Denne studien bruker i stedet DSU-basert entitetsoppløsning for å bryte ned blokkjedens pseudonymitet i varige klynger av aktører og entiteter.

Sammenslåing av disjunkte mengder (DSU), også kjent som Union-Find eller merge-find, sammenligner egenskaper (som navn, e-postadresse eller telefonnummer) for å avgjøre om to separate oppføringer representerer den samme personen eller gjenstanden i den virkelige verden.

I Bitcoin-sammenheng betyr dette at flere pseudonyme Bitcoin-adresser grupperes i én «entitetsklynge» som tilhører én aktør i den virkelige verden.

Dette er viktig fordi brukere kan opprette et ubegrenset antall offentlige adresser. Det er derfor ikke særlig nyttig å identifisere enkeltadresser, i hvert fall ikke når det gjelder sofistikerte kriminelle aktører – nettopp dem det er viktigst å av-anonymisere.

Slik utvikler man det rette verktøyet

For å utvikle et KI-verktøy som kan identifisere Bitcoin-brukere, bygde forskerne en integrerende nevral arkitektur som kombinerer ulike typer nevrale nettverk:

  • Konvolusjonelle nevrale nettverk (CNN-er) henter ut lokale metadata og detaljerte, invariante mønstre fra rå transaksjonsmetadata. Mønstrene i egenskapsvektoren identifiserer bestemte entitetstyper.
    • Dette brukes til å identifisere «hvordan»: bestemte skript- og gebyrmønstre.
  • Long Short-Term Memory-modeller (LSTM) modellerer flythastigheten.
    • Dette brukes til å identifisere «når»: kjennetegn og tidsintervaller i transaksjonsflyten.
  • Kjennetegn og tidsintervaller i transaksjonsflyten fanges opp ved å behandle strukturelle kart.
  • Grafnevrale nettverk (GNN-er) samler innbygginger via en dynamisk tilstøtende matrise basert på k nærmeste naboer (k-NN) innenfor minibatcher, slik at atferd i nærområdet blir tatt med.
    • Dette brukes til å identifisere «hvem»: topologisk naboskap og tilknytning til knutepunkter.

Studien testet metoden på et datasett med 427,625 transaksjoner og 140,235 unike entiteter. Transaksjonshistorikken ble hentet fra arkivene til WalletExplorer og Blockchair. Hver transaksjon omfattet 22 egenskaper, blant annet block_id, transaction hash, fee_used, size, timestamp, weight og så videre.

Modellen ble trent på en Intel(R) Core (TM) I9-10,900-prosessor med en hastighet på 2.81 GHz, 32 GB RAM og et 8 GB NVIDIA GeForce RTX 3070-grafikkort.

Slik brukes KI til å av-anonymisere Bitcoin-transaksjoner

Hvordan fungerer det?

En trinnvis forklaring gjør det lettere å forstå hvordan disse komplekse systemene fungerer.

Først opprettes et datasett med alle transaksjonene, som merkes slik at de kan analyseres videre.

Deretter følger trinnet «adressegruppering», basert på antakelsen om at flere adresser som brukes som inndata i en bestemt transaksjon, tilhører én og samme private aktør. Dette trinnet kobler dermed sammen Bitcoin-adresser som tidligere var atskilt, ved hjelp av algoritmen Disjoint Set Union (DSU). Trinnet førte til en reduksjon i støy på nesten 67,2 %.

Deretter omformes registerdataene til en «rettet graf» for å finne de mest aktive brukerne og skille mellom akkumuleringsadresser (sluk) og distribusjonsadresser (knutepunkter), samt fastslå hvor viktig hver klynge er i økosystemet.

De genererte dataene kategoriseres også etter de fire mulige funksjonene i Bitcoin-nettverket: børser, gruvepooler, miksetjenester og gambling. Børser og gruvepooler regnes som legitime aktiviteter som standard.

Til slutt brukes den integrerte nevrale arkitekturen (CNN-LSTM-GNN) til å identifisere individuelle klynger.

«De strukturelle kartene fra CNN behandles som en sekvens. LSTM fanger opp sekvensmønstrene i transaksjonsaktiviteten over tid eller i transaksjonsflyten. GNN modellerer relasjonsstrukturen og forbindelsene mellom adresser og transaksjoner, noe som er avgjørende for Bitcoin-blokkjeden, siden hver transaksjon og adresse naturlig kan representeres som en node eller kant i en graf.»

Resultater av høy kvalitet

CNN→LSTM→GNN-modellen leverte svært konsistente resultater på tvers av de ulike evalueringsmålene, med avvik på 1–2 % for rangerings- og klassifiseringsmålene og 1,5 % for feilraten.

«Modellen oppnår nesten perfekt lenkeprediksjon (AUC ≈ 0,995), eksepsjonelt høy rangeringspresisjon (MRR ≈ 0,985) og nesten fullstendig treff ved gjenfinning (Hits@10 ≈ 0,999), samtidig som den holder falsk positiv-rate svært lav (<3 %).»

Modellen var også svært god til å klassifisere hvilken type aktivitet en Bitcoin-adresse er knyttet til.

«En av modellens viktigste prestasjoner er at den klarer å trekke et tydelig skille mellom miksetjenester og gamblingorganisasjoner. Modellen oppdager også minoritetsklasser, som gruvepooler, som utgjør omtrent 0,53 % av datasettet. Uten dette ville modellen sannsynligvis oversett dem til fordel for majoritetsklassen «børser».»

Enda viktigere er det at modellen klarte å holde falsk positiv-rate svært lav (<3 %), noe som er svært viktig for å unngå feilaktig kobling av identiteter i oppgaver som skal av-anonymisere brukere. Dette er avgjørende for å hindre at «uskyldige tilskuere» feilaktig merkes i analytiske revisjoner.

For å finne ut hvilket lag i modellen som hadde størst betydning for sluttresultatene, fjernet forskerne enkelte lag og gjennomførte analysen på nytt. De fant at Long Short-Term Memory (LSTM) samlet sett var laget som hadde minst innvirkning når det ble fjernet, men at det likevel bidro vesentlig til den endelige ytelsen. Konvolusjonelle nevrale nettverk (CNN-er) var den viktigste delen av KI-modellen.

Viktige punkter for investorer

Selv om anonymitet var en del av Bitcoins opprinnelige verdiforslag, viser denne studien og andre studier tydelig at fremskritt innen rettsmedisinsk analyse av blokkjeder og KI raskt kan avdekke hvilke Bitcoin-adresser som tilhører samme person eller organisasjon.

For å vise at rammeverket kan generaliseres, gjennomførte forskerne dessuten en grundig evaluering på tvers av datasett i heterogene blokkjedemiljøer. Evalueringen omfattet Elliptic, Bitcoin Elliptic+, Bitcoin Heist Ransomware og Ethereum (ETH ) Fraud Detection, og modellen oppnådde fortsatt jevnt høy nøyaktighet, fra 90 til 99 %.

Det betyr at Bitcoins verdi nå nesten ikke lenger er knyttet til anonymitet, men i stedet til nettverkets verdi som betalingssystem, strukturen som «digitalt gull» (absolutt knapphet, uforanderlighet, desentralisert karakter, overførbarhet osv.) og den generelle entusiasmen for den digitale valutaen blant offentligheten og finansinstitusjonene.

Bedre analysemetoder fra studier som denne kan trolig øke støtten til institusjonell deltakelse. De kan imidlertid også skape nye bekymringer knyttet til personvern og falske positive funn. Det krever stor forsiktighet å behandle en analyse som er «bare» 97 % nøyaktig, som et endelig bevis på tilknytning til ulovlig aktivitet.

Investering i Bitcoin

Coinbase

COIN Prisdiagram

Etter hvert som kryptovaluta blir mer utbredt, får flere investorer eksponering mot kryptovaluta eller øker sin tilstedeværelse i kryptomarkedene. Det samme gjelder etter hvert som det kommer stadig flere kryptoprosjekter.

Dette er positivt for selskaper som Coinbase, som er tett knyttet til handel med kryptovaluta, priser på digitale eiendeler, oppbevaring av kryptovaluta og institusjonell deltakelse.

Investeringer i kryptobørser og teknologiplattformer som Coinbase kan derfor gi investorer eksponering mot markedsregimet i kryptomarkedet, uten at de må velge ut bestemte kryptovalutaer på vilkårlig grunnlag.

Det betyr imidlertid ikke at Coinbase vil gi investorer i selskapets børsnoterte aksjer den samme typen potensielle avkastning (og risiko) som direkte investeringer i kryptovaluta kan gi. I stedet er det en investering i infrastrukturen rundt kryptomarkedet. Coinbase rapporterte at selskapets plattform hadde eiendeler verdt 246 milliarder dollar per 30. juni 2026.

I dag har selskapet, i tillegg til hovedappen og kryptobørsen, en rekke tilknyttede tilbud:

  • Coinbase One, en premium medlemskapstjeneste uten handelsgebyrer, med økte staking-belønninger og tilbud fra partnere, for eksempel en skattekalkulator for kryptovaluta og analyser av kryptomarkedet.
  • Coinbase Advanced, for profesjonelle kryptohandlere.
  • Coinbase Wallet, for selvforvaring av kryptovaluta utenfor børser, samt NFT-er.
  • Coinbase Earn, en staking-tjeneste der eiere av kryptovaluta kan låse kryptovalutaen sin for å få renter fra nettverket. Coinbase-kunder tjente 230 millioner dollar i 2023.
  • Coinbase Card, et Visa-debetkort for kjøp med kryptovaluta. Du får 1 % tilbake i Bitcoin når du betaler med USD, og 1,5 % i USDC når du betaler med ETH. Kortet godtas overalt der Visa-debetkort godtas.
  • USD Coin (USDC), en digital stablecoin med en verdi tilsvarende amerikanske dollar, har som mål å skape en «digital dollar».

Etter hvert som det utvikles stadig flere avanserte verktøy, blant annet innen kunstig intelligens, vil disse supplere den eksisterende kryptoinfrastrukturen. Coinbase er nå en mer moden og dominerende plattform, og er godt posisjonert til å dra nytte av at kryptovaluta blir stadig mer utbredt, blant annet gjennom den økende utbredelsen av Bitcoin-ETF-er, stablecoins og tokenisering av aksjer.

(Du kan lese mer om Coinbases historie, tilbud og investeringspotensial i vår egen rapport om selskapet)

Bitcoin

En annen måte å få eksponering mot Bitcoin-nettverket på er selvfølgelig å eie Bitcoin direkte.

For å komme i gang kan du lese guidene våre om temaet:

Siste nytt og utvikling for Coinbase-aksjen (COIN)

Referert studie

1. Rohit Saxena mfl. Adaptiv deanonymisering av blokkjedetransaksjoner ved hjelp av integrerende nevrale arkitekturer i desentraliserte nettverk. Scientific Reports. 15. oktober 2026. https://doi.org/10.1038/s41598-026-69816-5 

mm

Jonathan er en tidligere biokjemisk forsker som har arbeidet med genetisk analyse og kliniske studier. Han er nå aksjeanalytiker og finansskribent med fokus på innovasjon, markedssykluser og geopolitikk i sin publikasjon 'The Eurasian Century'.⁣⁣⁣​⁣