AI och on-chain-analys: så spåras transaktioner på blockkedjan

Varje transaktion på en offentlig blockkedja registreras permanent och är tillgänglig för alla. Men att data finns tillgängliga betyder inte att de är lätta att förstå: blocken innehåller miljontals adresser, belopp och tidsstämplar utan namn och utan sammanhang.

Det är just här som on-chain-analys kommer in, en disciplin som omvandlar dessa rådata till användbara insikter. Under de senaste åren har artificiell intelligens (AI) fått en allt viktigare roll inom området, eftersom den kan bearbeta datamängder som skulle vara utom räckhåll för mänskliga analytiker.

I den här artikeln förklarar vi vad on-chain-analys är, hur AI förändrar den, var kombinationen redan används och vilka begränsningar man bör ha i åtanke.

Vad är on-chain-analys?

On-chain-analys är studiet av data som registrerats direkt på blockkedjan för att förstå beteendet hos nätverket, marknaden och dess aktörer. Till skillnad från traditionell finans, där transaktionsdata stannar inom bankerna, är hela historiken här offentlig.

För säkerhet och regelefterlevnad är följande data särskilt viktiga:

• Penningflöden: den väg som medlen tar från adress till adress, inklusive överföringar till börser och andra tjänsteleverantörer.
• Kopplingar till kända aktörer: om adresser direkt eller indirekt är kopplade till börser, mixertjänster, marknadsplatser på darknet eller adresser som flaggats i bedrägerifall.
• Mönster för uppdelning och sammanslagning: uppdelning av belopp i många mindre transaktioner eller sammanslagning av medel från flera adresser, något som kan användas för att dölja pengarnas ursprung.
• Interaktioner med smarta kontrakt: vilka protokoll en adress använder och om det bland dem finns komprometterade eller riskfyllda kontrakt.
• Allmänna aktivitetsindikatorer: antalet aktiva adresser och transaktionsvolymen, som ger sammanhang för att bedöma vad som är normalt i nätverket.

Alla dessa mått är tillgängliga för alla som kan läsa blockkedjan. Utmaningen ligger i datamängden och i att adresserna i sig inte avslöjar vem som står bakom dem.

Så förändrar AI on-chain-analys

AI skapar inga nya data, men gör det möjligt att läsa befintliga data snabbare och mer ingående. De viktigaste förändringarna sker inom tre områden.

Klustring av adresser

En enskild person eller organisation använder ofta många olika adresser. Maskininlärningsmodeller analyserar transaktionsmönster, till exempel adresser som förekommer tillsammans som indata i samma transaktion eller liknande tidsmönster, och grupperar dem i sannolika enheter. I stället för tusentals till synes orelaterade adresser får man på så sätt en överblick över aktörer som börser, fonder eller tjänster.

Igenkänning av mönster och avvikelser

Algoritmer kan lära sig hur ”normalt” beteende i nätverket ser ut och flagga avvikelser: ovanligt stora överföringar, plötsliga förändringar i penningflöden eller transaktionskedjor som är typiska för att dölja pengars ursprung. Det som skulle ta en analytiker flera dagar kan en modell flagga på några sekunder.

Språkmodeller som gränssnitt

Stora språkmodeller gör analysen mer tillgänglig för dem som inte är tekniska experter. I stället för att skriva databasfrågor kan användaren ställa en fråga på vanligt språk, och modellen omvandlar den till en analys och sammanfattar resultatet. Sådana verktyg kan också förklara vad som har hänt i en viss transaktion eller ett visst smart kontrakt.

Praktiska tillämpningar

Säkerhet och skydd för användare

AI-modeller hjälper till att tidigt upptäcka bedrägerier, nätfiskekampanjer och komprometterade smarta kontrakt. När medel från en känd hackerattack börjar röra sig i nätverket kan analyssystem spåra deras väg och varna plattformar innan medlen omvandlas till andra tillgångar.

Regelefterlevnad (AML och Travel Rule)

Leverantörer av kryptotillgångstjänster i EU måste vidta åtgärder mot penningtvätt och finansiering av terrorism samt tillämpa Travel Rule, som kräver att transaktioner åtföljs av uppgifter om upphovsmannen och mottagaren. AI-stödd on-chain-analys gör det möjligt att bedöma adressers risk, upptäcka kopplingar till sanktionerade aktörer eller aktörer med hög risk och övervaka transaktioner mer effektivt i stor skala.

Marknadsinsikter

On-chain-data används även för marknadsanalys, men har där tydliga begränsningar. Vi har skrivit mer om detta på vår blogg: AI-analys i förutsägelse av marknadsrörelser: Fördelar och nackdelar

Forskning och transparens

Journalister, forskare och tillsynsmyndigheter använder samma verktyg för att analysera marknadshändelser, spåra medel i bedrägerifall och bättre förstå hur decentraliserade protokoll fungerar.

Begränsningar och risker

AI utökar möjligheterna för on-chain-analys avsevärt, men den är inte ofelbar.

• Felaktiga antaganden: klustring av adresser bygger på sannolikheter. En adress kan felaktigt kopplas till en viss aktör, vilket kan leda till felaktiga slutsatser.
• Snedvridning i träningsdata: en modell är bara så bra som de data den har tränats på. Nya bedrägerimönster kan förbli oupptäckta.
• Fel i språkmodeller: språkmodeller ger ibland övertygande men felaktiga svar. Slutsatser bör därför alltid kontrolleras mot källdata.
• Integritet: ju mer avancerad analysen är, desto lättare blir det att koppla adresser till verkliga personer. Det väcker viktiga frågor om skyddet av den personliga integriteten för användare som inte har gjort något olagligt.

Överdrivet beroende: automatiserade system fungerar bäst som ett stöd för mänsklig bedömning, inte som en ersättning för den.

Hur påverkar detta den dagliga användningen av kryptovalutor?

För de flesta användare av kryptovalutor arbetar AI och on-chain-analys i bakgrunden. När en reglerad plattform kontrollerar en transaktion eller begär ytterligare uppgifter om mottagaren bygger en del av processen ofta just på den här typen av verktyg. Syftet är att skydda användarna och det finansiella systemet mot missbruk.

Den som vill undersöka marknaden på egen hand har också tillgång till offentliga blockkedjeutforskare och analysplattformar. När man använder sådana verktyg är det bra att:

• förstå vad varje mått faktiskt mäter,
• kontrollera slutsatser i flera källor,
• komma ihåg att ingen indikator garanterar den framtida prisutvecklingen.

Det är också viktigt att komma ihåg att transaktioner på offentliga blockkedjor är permanent synliga, så en grundläggande förståelse för on-chain-analys är användbar även för den egna säkerheten och integriteten.

Slutsats

On-chain-analys utnyttjar en av blockkedjans grundläggande egenskaper, transparensen, för att omvandla rådata till begripliga insikter. Artificiell intelligens tillför processen snabbhet, skala och tillgänglighet: från klustring av adresser och upptäckt av avvikelser till språkliga gränssnitt som gör analysen tillgänglig för en bredare publik.

Samtidigt förblir AI ett verktyg som kräver kontroll och ansvarsfull användning. Den skapar störst värde när den kombineras med kvalificerad mänsklig bedömning, ett tydligt regelverk och respekt för användarnas integritet.