Artificiell intelligens

AI-spårning av blockkedjan: vad det innebär för Bitcoins integritet

mm
Publicerad
Lägg till Securities.io bland dina föredragna källor på Google

I kärnan av Bitcoin-nätverket och andra kryptovalutor finns en stark motsättning.

Å ena sidan utformades dessa kryptovalutor för att ge maximal individuell frihet och anonymitet.

Å andra sidan kräver regelefterlevnad, forensisk granskning och utredningar av cyberbrott att kryptotillgångar kan knytas till specifika personer med fastställda namn, adresser och så vidare.

Den här motsättningen har blivit allt tydligare under de senaste åren, i takt med att Bitcoin blivit en ”etablerad” tillgång som ägs av investeringsfonder, banker, reglerade börshandlade fonder och andra aktörer.

”En central fråga för regeringar är obehörig användning av kryptovalutor som Bitcoin i samband med cyberbrott, penningtvätt och finansiering av terrorism. I motsats till den gängse uppfattningen om hur stark anonymitet Bitcoin-blockkedjan erbjuder skulle det i sådana situationer vara moraliskt och juridiskt tillåtet att avslöja de berörda personernas verkliga identitet, även om det skulle vara logiskt utmanande.”

Sammantaget skulle Bitcoinpriset i dag alltså kunna gynnas av en lägre grad av anonymitet än under valutans mer libertarianska begynnelse.

Framsteg inom maskininlärning och annan AI-teknik skulle kunna bidra till att ”av-anonymisera” Bitcoinägande. Tekniken måste dock vara tillräckligt tillförlitlig för att kunna användas i sammanhang där man identifierar brottslig verksamhet och tillgodoser finansinspektörers krav.

I en ny studie undersöker indiska forskare vid Pranveer Singh Institute of Technology och Manipal University Jaipur hur nya AI-framsteg, i form av integrerande neurala arkitekturer, skulle kunna bidra till detta arbete och uppnå en noggrannhet på cirka 97 %.

”Den här forskningen syftar till att främja ekonomisk tillväxt utan oetiska metoder. Resultaten är värdefulla för lagstiftare som söker datadrivna källor för att förutsäga utvecklingen inom blockkedjebaserade kryptovalutor, för företag som vill säkerställa regelefterlevnad och göra effektiva riskbedömningar av transaktioner på Bitcoin-blockkedjan och för brottsbekämpande myndigheter som vill granska och utreda adresser med koppling till olaglig verksamhet.”

Forskarna publicerade sina resultat i Scientific Reports1 under titeln ”Adaptiv av-anonymisering av blockkedjetransaktioner med hjälp av integrerande neurala arkitekturer i decentraliserade nätverk”.

Från adresser till identiteter

Att hitta mönster

De flesta försök att identifiera vilka personer som står bakom Bitcoinadresser fokuserar på enskilda adresser. I stället använder den här studien entitetsidentifiering baserad på DSU för att bryta ned blockkedjans pseudonymitet i bestående kluster av aktörer och entiteter.

Disjoint Set Union (DSU), även kallat Union-Find eller merge-find, sammanför disjunkta mängder genom att jämföra attribut som namn, e-postadress eller telefonnummer för att avgöra om två separata poster avser samma person eller objekt i verkligheten.

I Bitcoin-sammanhang innebär det att flera pseudonyma Bitcoinadresser grupperas i ett enda ”entitetskluster” som tillhör en och samma verkliga aktör.

Detta är viktigt eftersom användare kan skapa ett obegränsat antal offentliga adresser. Att identifiera enskilda adresser är därför inte särskilt användbart, åtminstone inte när det gäller sofistikerade kriminella aktörer – just de aktörer som det är viktigast att kunna av-anonymisera.

Att bygga rätt verktyg

För att skapa ett AI-verktyg som kan identifiera Bitcoinanvändare byggde forskarna en integrerande neural arkitektur som kombinerar olika typer av neurala nätverk:

  • Konvolutionella neurala nätverk (CNN) extraherar lokal metadata: detaljerade, oföränderliga mönster i rå transaktionsmetadata som identifierar specifika entitetstyper utifrån egenskapsvektorn.
    • Detta används för att identifiera ”hur”: specifika mönster i skript och avgifter.
  • Långt korttidsminne-modeller (LSTM) modellerar flödeshastighet.
    • Detta används för att identifiera ”när”: signaturer och tidsintervall i transaktionsflöden.
  • Signaturer och tidsintervall i transaktionsflöden fångas upp genom att strukturella kartor behandlas.
  • Grafneurala nätverk (GNN) sammanför inbäddningar med hjälp av en dynamisk grannskapsmatris för k närmaste grannar (k-NN) inom batcher, för att fånga in grannskapsbeteenden.
    • Detta används för att identifiera ”vem”: topologiskt grannskap och koppling till nav.

Studien testade metoden på en datamängd med 427 625 transaktioner och 140 235 unika entiteter. Transaktionshistoriken hämtades från arkiven hos WalletExplorer och Blockchair. Varje transaktion innehöll 22 egenskaper, till exempel block_id, transaktionshash, fee_använt, storlek, tidsstämpel, vikt och så vidare.

Modellen tränades på en Intel(R) Core (TM) I9-10,900 CPU, 2.81 GHz, 32 GB RAM och en 8 GB NVIDIA GeForce RTX 3070 GPU.

Avslöja identiteten bakom Bitcoin-transaktioner med AI

Hur fungerar det?

För att förklara hur de här komplexa systemen fungerar är det bra att gå igenom processen steg för steg.

Först skapas en datamängd med alla transaktioner, som märks upp så att de kan analyseras vidare.

Därefter följer steget ”adressklustring”, som bygger på antagandet att flera adresser som används som indata i en viss transaktion tillhör samma privata aktör. I det här steget kopplas tidigare åtskilda Bitcoin-adresser därför samman med algoritmen Disjoint Set Union (DSU). Steget ledde till att bruset minskade med nästan 67,2 %.

Därefter omvandlas liggaruppgifterna till en ”riktad graf”. Med hjälp av den identifieras de mest aktiva användarna och man skiljer mellan ackumuleringsadresser (sänkor) och distributionsadresser (nav), samtidigt som klustrens relativa betydelse inom ekosystemet fastställs.

De genererade uppgifterna kategoriseras också utifrån de fyra möjliga funktionerna i Bitcoin-nätverket: börser, gruvpooler, mixningstjänster och spelverksamhet. Börser och gruvpooler betraktas som legitima verksamheter som standard.

Slutligen används den integrerade neurala arkitekturen (CNN-LSTM-GNN) för att identifiera enskilda kluster.

”CNN:ens strukturella kartor behandlas som en sekvens. LSTM fångar upp sekventiella mönster i transaktionsaktiviteten över tid eller i flödeshastigheten. GNN modellerar den relationella strukturen och kopplingen mellan adresser och transaktioner, vilket är avgörande för Bitcoins blockkedja, eftersom varje transaktion och adress naturligt kan representeras som en nod eller en kant i en graf.”

Resultat av hög kvalitet

Modellen CNN→LSTM→GNN gav mycket konsekventa resultat för de olika utvärderingsmåtten. Avvikelserna låg inom 1–2 % för rangordnings- och klassificeringsmåtten och på 1,5 % för felfrekvensen.

”Modellen uppnår nästan perfekt länkprediktion (AUC ≈ 0,995), exceptionellt hög precision i rangordningen (MRR ≈ 0,985) och nästan fullständig träffsäkerhet i hämtningen (Hits@10 ≈ 0,999), samtidigt som den falska positiva frekvensen hålls mycket låg (<3 %).”

Modellen var också mycket bra på att avgöra om en Bitcoin-adress hörde till rätt typ av verksamhet.

”En av modellens viktigaste prestationer är att den kan skilja noggrant mellan mixningstjänster och spelorganisationer. Modellen upptäcker också minoritetsklasser, till exempel gruvpooler, som utgör cirka 0,53 % av datamängden. Utan detta skulle modellen sannolikt ignorera dem till förmån för majoritetsklassen ”börser”.”

Än viktigare är att modellen kunde hålla den falska positiva frekvensen extremt låg (<3 %), vilket är mycket viktigt för att undvika felaktiga kopplingar mellan identiteter vid avidentifiering. Detta är avgörande för att förhindra att oskyldiga utomstående felaktigt märks ut vid analytiska granskningar.

För att ta reda på vilket lager i modellen som hade störst betydelse för slutresultaten tog forskarna bort vissa lager och genomförde analysen på nytt. Sammantaget fann de att Long Short-Term Memory (LSTM) var det lager som påverkade resultatet minst när det togs bort, men att det ändå bidrog avsevärt till slutresultatet. Den viktigaste delen av AI-modellen var Convolutional Neural Networks (CNN).

Viktiga slutsatser för investerare

Anonymitet var en del av Bitcoins ursprungliga värdeerbjudande, men den här och andra studier visar tydligt att framsteg inom blockkedjeforensik och AI snabbt kan identifiera vilka Bitcoin-adresser som tillhör samma person eller organisation.

För att dessutom visa att ramverket kan generaliseras genomfördes en grundlig utvärdering över flera datamängder i heterogena blockkedjemiljöer, däribland Elliptic, Bitcoin Elliptic+, Bitcoin Heist Ransomware och Ethereum (ETH ) Fraud Detection. Även där uppnåddes konsekvent hög träffsäkerhet, från 90 till 99 %.

Det innebär alltså att Bitcoins värde numera nästan helt har frikopplats från anonymitet. I stället bygger det på nätverkets värde som betalningssystem, dess ”digitalt guld”-egenskaper (absolut knapphet, oföränderlighet, decentralisering, överförbarhet med mera) och det allmännas och finansinstitutens samlade entusiasm för den digitala valutan.

Förbättrad analys genom studier som den här skulle sannolikt kunna öka stödet för institutioners deltagande. Men den kan också väcka nya farhågor kring integritet och falska positiva resultat. Därför krävs stor försiktighet innan en analys med ”bara” 97 % träffsäkerhet betraktas som ett absolut bevis för koppling till olaglig verksamhet.

Investera i Bitcoin

Coinbase

COIN Prisdiagram

I takt med att kryptovalutor blir allt mer etablerade får fler investerare exponering mot dem eller ökar sin närvaro på kryptomarknaderna. Detsamma gäller när kryptoprojekten blir fler.

Det gynnar företag som Coinbase, som har nära kopplingar till kryptohandel, tillgångspriser, förvaring och institutionellt deltagande.

Att investera i kryptobörser och teknikplattformar som Coinbase kan därför vara ett sätt för investerare att få exponering mot marknadsläget på kryptomarknaden, utan att behöva göra ett godtyckligt urval av specifika token.

Det betyder dock inte att Coinbase ger investerare i bolagets börsnoterade aktie samma potentiella avkastning (och risker) som en direktinvestering i krypto kan ge. I stället investerar man i infrastrukturen för kryptomarknaden. Den 30 juni 2026 rapporterade Coinbase att bolagets plattform hade tillgångar värda 246 miljarder dollar.

I dag har företaget, utöver Coinbases huvudapp och kryptobörs, flera kompletterande erbjudanden:

  • Coinbase One, en premiumtjänst som erbjuder avgiftsfri handel, högre stakingbelöningar och erbjudanden från partnerföretag, till exempel en skattekalkylator för krypto och kryptoresearch.
  • Coinbase Advanced, för professionella kryptohandlare.
  • Coinbase Wallet, för egen förvaring av kryptovalutor utanför börser samt av NFT:er.
  • Coinbase Earn, en stakingtjänst där ägare av kryptovalutor kan låsa sina tillgångar för att få ränta från nätverket. Coinbases kunder tjänade 230 miljoner dollar på detta under 2023.
  • Coinbase Card, ett Visa-betalkort för köp med kryptovalutor. Man får 1 % tillbaka i Bitcoin när man betalar med USD och 1,5 % i USDC när man betalar med ETH. Kortet accepteras överallt där Visa-betalkort accepteras.
  • USD Coin (USDC), ett digitalt stablecoin med ett värde motsvarande den amerikanska dollarn, ska bidra till att skapa en ”digital dollar”.

I takt med att fler avancerade verktyg, däribland AI, utvecklas kommer de att komplettera den befintliga kryptoinfrastrukturen. Coinbase är nu en mer mogen och dominerande plattform och har goda förutsättningar att dra nytta av att krypto blir allt mer etablerat, genom de växande trenderna med Bitcoin-ETF:er, stablecoins och tokenisering av aktier.

(Du kan läsa mer om Coinbases historia, erbjudanden och investeringspotential i vår särskilda rapport om företaget)

Bitcoin

Ett annat sätt att få exponering mot Bitcoin-nätverket är förstås att äga Bitcoin direkt.

Du kan börja med att läsa våra guider i ämnet:

Senaste nytt och utveckling kring Coinbase-aktien (COIN)

Refererad studie

1. Rohit Saxena med flera. Adaptiv deanonymisering av blockkedjetransaktioner med hjälp av integrerande neurala arkitekturer i decentraliserade nätverk. Scientific Reports. 15 oktober 2026. https://doi.org/10.1038/s41598-026-69816-5 

mm

Jonathan är en tidigare biokemistforskare som arbetade med genetisk analys och kliniska prövningar. Han är nu en aktieanalytiker och finansskribent med fokus på innovation, marknadscykler och geopolitik i sin publikation 'The Eurasian Century'.