AI og on-chain-analyse: sådan spores transaktioner på blockchainen

Enhver transaktion på en offentlig blockchain registreres permanent og er tilgængelig for alle. Men selve tilgængeligheden af data betyder ikke, at de er lette at forstå: Blokkene indeholder millioner af adresser, beløb og tidsstempler uden navne og uden kontekst.

Det er netop her, on-chain-analyse kommer ind i billedet, en disciplin, der omdanner disse rådata til nyttig indsigt. I de senere år har kunstig intelligens (AI) fået en stadig vigtigere rolle i den, da den kan behandle datamængder, der ville være uden for rækkevidde for menneskelige analytikere.

I denne artikel forklarer vi, hvad on-chain-analyse er, hvordan AI forandrer den, hvor kombinationen allerede bruges, og hvilke begrænsninger man bør være opmærksom på.

Hvad er on-chain-analyse?

On-chain-analyse er studiet af data, der er registreret direkte på blockchainen, med det formål at forstå adfærden i netværket, på markedet og hos dets deltagere. I modsætning til traditionel finans, hvor transaktionsdata forbliver lukket inde i bankerne, er hele historikken her offentlig.

Når det gælder sikkerhed og overholdelse af regler, er følgende data særligt vigtige:

• Pengestrømme: den vej, midlerne bevæger sig fra adresse til adresse, herunder overførsler til børser og andre tjenesteudbydere.
• Forbindelser til kendte enheder: om adresser direkte eller indirekte er forbundet med børser, mixere, markedspladser på darknet eller adresser, der er markeret i svindelsager.
• Mønstre for opdeling og sammenlægning: opdeling af beløb i mange mindre transaktioner eller sammenlægning af midler fra flere adresser, hvilket kan bruges til at skjule pengenes oprindelse.
• Interaktioner med smart contracts: hvilke protokoller en adresse bruger, og om der blandt dem er kompromitterede eller risikable kontrakter.
• Generelle aktivitetsindikatorer: antallet af aktive adresser og transaktionsvolumen, som giver kontekst til at vurdere, hvad der er normalt på netværket.

Alle disse målinger er tilgængelige for alle, der kan læse blockchainen. Udfordringen ligger i datamængden og i, at adresserne i sig selv ikke afslører, hvem der står bag dem.

Sådan forandrer AI on-chain-analyse

AI skaber ikke nye data, men gør det muligt at læse de eksisterende data hurtigere og mere dybdegående. De vigtigste forandringer sker inden for tre områder.

Klyngedannelse af adresser

En enkelt person eller organisation bruger ofte mange forskellige adresser. Maskinlæringsmodeller analyserer transaktionsmønstre, for eksempel adresser, der optræder sammen som input i den samme transaktion, eller lignende tidsmæssige mønstre, og samler dem i sandsynlige enheder. I stedet for tusindvis af tilsyneladende uafhængige adresser får man dermed et overblik over enheder som børser, fonde eller tjenester.

Genkendelse af mønstre og anomalier

Algoritmer kan lære, hvordan »normal« adfærd på netværket ser ud, og markere afvigelser: usædvanligt store overførsler, pludselige ændringer i pengestrømme eller transaktionskæder, der er typiske for at skjule pengenes oprindelse. Det, der ville tage en analytiker flere dage, kan en model markere på få sekunder.

Sprogmodeller som brugerflade

Store sprogmodeller gør analyse mere tilgængelig for dem, der ikke er tekniske eksperter. I stedet for at skrive databaseforespørgsler kan brugeren stille et spørgsmål i almindeligt sprog, hvorefter modellen omsætter det til en analyse og opsummerer resultatet. Sådanne værktøjer kan også forklare, hvad der er sket i en bestemt transaktion eller smart contract.

Praktiske anvendelser

Sikkerhed og beskyttelse af brugere

AI-modeller hjælper med tidligt at opdage svindel, phishingkampagner og kompromitterede smart contracts. Når midler fra et kendt hackerangreb begynder at bevæge sig gennem netværket, kan analysesystemer spore deres vej og advare platforme, før midlerne bliver omvekslet til andre aktiver.

Overholdelse af regler (AML og Travel Rule)

Udbydere af kryptoaktivtjenester i EU skal gennemføre foranstaltninger til forebyggelse af hvidvask af penge og finansiering af terrorisme samt anvende Travel Rule, som kræver, at transaktioner ledsages af oplysninger om ophavsmanden og den begunstigede. AI-understøttet on-chain-analyse gør det muligt at vurdere adressers risiko, afdække forbindelser til sanktionerede eller højrisikoenheder og overvåge transaktioner mere effektivt i stor skala.

Markedsindsigt

On-chain-data bruges også til markedsanalyse, men har dér klare begrænsninger. Vi har skrevet mere om det på vores blog: AI-analyse i forudsigelse af markedsbevægelser: Fordele og ulemper

Forskning og gennemsigtighed

Journalister, forskere og tilsynsmyndigheder bruger de samme værktøjer til at analysere markedsbegivenheder, spore midler i svindelsager og bedre forstå, hvordan decentraliserede protokoller fungerer.

Begrænsninger og risici

AI udvider mulighederne for on-chain-analyse betydeligt, men den er ikke ufejlbarlig.

• Forkerte antagelser: Klyngedannelse af adresser bygger på sandsynligheder. En adresse kan fejlagtigt blive knyttet til en bestemt enhed, hvilket kan føre til unøjagtige konklusioner.
• Skævheder i træningsdata: En model er kun så god som de data, den er trænet på. Nye svindelmønstre kan forblive uopdagede.
• Fejl i sprogmodeller: Sprogmodeller giver nogle gange overbevisende, men forkerte svar. Konklusioner bør derfor altid kontrolleres i kildedataene.
• Privatliv: Jo mere avanceret analysen er, desto lettere bliver det at forbinde adresser med virkelige personer. Det rejser vigtige spørgsmål om beskyttelse af privatlivet for brugere, der ikke har gjort noget ulovligt.
• Overdreven afhængighed: Automatiserede systemer fungerer bedst som støtte til menneskelig vurdering, ikke som erstatning for den.

Hvordan påvirker det den daglige brug af kryptovaluta?

For de fleste brugere af kryptovaluta arbejder AI og on-chain-analyse i baggrunden. Når en reguleret platform kontrollerer en transaktion eller beder om yderligere oplysninger om modtageren, er en del af processen ofte netop baseret på den slags værktøjer. Formålet er at beskytte brugerne og det finansielle system mod misbrug.

Dem, der selv vil undersøge markedet, har også adgang til offentlige blockchain-explorere og analyseplatforme. Når man bruger sådanne værktøjer, er det en god idé at:

• forstå, hvad den enkelte måling egentlig måler,
• kontrollere konklusioner i flere kilder,
• huske, at ingen indikator garanterer den fremtidige prisudvikling.

Det er også vigtigt at huske, at transaktioner på offentlige blockchains er permanent synlige, så en grundlæggende forståelse af on-chain-analyse er også nyttig for ens egen sikkerhed og privatliv.

Konklusion

On-chain-analyse udnytter en af blockchainens grundlæggende egenskaber, gennemsigtighed, til at omdanne rådata til forståelig indsigt. Kunstig intelligens tilfører processen hastighed, skala og tilgængelighed: fra klyngedannelse af adresser og opdagelse af anomalier til sproglige brugerflader, der gør analyse tilgængelig for et bredere publikum.

Samtidig er AI fortsat et værktøj, der kræver kontrol og ansvarlig brug. Den skaber størst værdi, når den kombineres med faglig menneskelig vurdering, en klar regulatorisk ramme og respekt for brugernes privatliv.