DUBAI, VAE, 15. Mai 2026 /PRNewswire/ -- Bybit, die weltweit zweitgrößte Kryptowährungsbörse nach Handelsvolumen, hat kürzlich eine Forschungskooperation zur Geldwäschebekämpfung mit Studierendenteams der The University of Hong Kong (HKU) abgeschlossen. Die Teilnehmenden erhielten dabei praxisnahe Erfahrung in Kryptowährungsuntersuchungen, Machine Learning und Geldwäscheanalyse im Rahmen einer realen Demixing-Challenge.
Im Zentrum der Zusammenarbeit stand der Sicherheitsvorfall bei Bybit im Februar 2025. Anhand dieses Fallbeispiels untersuchten die Studierenden, wie Blockchain-Analysen und Machine Learning eingesetzt werden können, um Geldwäschepfade im Zusammenhang mit Kryptowährungs-Mixer-Aktivitäten und Transaktionen mit Bezug zur Lazarus-Gruppe zu identifizieren.
Das Projekt wurde von Prof. Doyeon Kim, Assistenzprofessorin für Accounting and Law an der The University of Hong Kong, initiiert und betreut. Bybit stellte dabei den realen Untersuchungsrahmen sowie fachliche Anleitung während des gesamten Forschungsprozesses bereit. Dieses Capstone-Projekt wurde von David Zong, Head of group risk control and security bei Bybit, konzipiert und gesponsert, um den Studierenden die Möglichkeit zu geben, eine reale Branchenherausforderung statt einer hypothetischen Übung zu bearbeiten. Zong verfolgte die Ergebnisse und Fortschritte der Teams während des gesamten Projekts genau.
Im Rahmen der Kooperation hatten die Studierenden die Aufgabe, mit Lazarus verknüpfte Gelder auf der Bitcoin-Blockchain nachzuverfolgen, die Rolle der während der Geldwäscheoperationen verwendeten Wallet-Adressen zu verstehen und Machine-Learning-Ansätze zu entwickeln, die in der Lage sind, mixerbezogene Transaktionsmuster sowie potenzielle Output-Adressen im Zusammenhang mit illegalen Aktivitäten zu identifizieren. Angesichts des datenschutzorientierten Designs von Kryptowährungs-Mixern ist das exakte Nachverfolgen von Transaktionsflüssen mathematisch nicht möglich, sodass es keine absolute oder deterministische Zuordnungsmethode gibt. Das Projekt konzentrierte sich daher auf probabilistische Analysen, verhaltensbasierte Clusterbildung und Machine-Learning-Techniken, die darauf ausgelegt sind, die Identifikation verdächtiger Transaktionsmuster und Geldwäschepfade zu verbessern.
Anstatt einer festen Methodik zu folgen, erhielten die Studierenden ein offenes Projektbriefing und wurden ermutigt, ihren eigenen analytischen Ansatz zu definieren. Einige Teams bauten auf bestehenden Methoden zur Blockchain-Nachverfolgung auf, während andere alternative Machine-Learning- und Graphanalyse-Modelle untersuchten.
Über mehrere Wochen Forschung und Iteration verfeinerten die Studierendenteams ihre Methodiken durch eigenständige Untersuchungen, technische Diskussionen und Projekt-Reviews. Bybit führte außerdem eine Zwischenpräsentation mit den teilnehmenden Teams durch, wodurch die Studierenden die Möglichkeit erhielten, Fortschrittsberichte vorzustellen, Forschungsergebnisse zu reflektieren und Feedback für die nächste Entwicklungsphase zu erhalten.
Die Zusammenarbeit zielte darauf ab, die Studierenden mit den Unsicherheiten und Problemlösungsanforderungen vertraut zu machen, die typischerweise mit der praktischen Arbeit im Bereich Geldwäschebekämpfung und Blockchain-Compliance verbunden sind. Für die Studierenden bot die Erfahrung die Gelegenheit, analytisches Denken zu schärfen, technische Rahmenwerke zu entwickeln und komplexe Ermittlungsherausforderungen ohne vorgegebene Lösungen zu bearbeiten. Für Bybit unterstützte die Initiative den Austausch mit aufstrebenden Talenten und ermöglichte es dem Unternehmen zugleich, praxisnahe Branchenperspektiven in die akademische Forschung und frühe technische Explorationsprojekte einzubringen.
Die Abschlusspräsentation des Projekts fand im Bybit-Büro statt, wo die Studierenden ihre Ergebnisse vorstellten und weiteres Feedback vom Bybit-Team erhielten.
Im Rahmen des Forschungsprozesses analysierten die Studierenden etwa 49.800 Bitcoin-Blöcke und mehr als 146 Millionen Transaktionen mithilfe von Clustering-Modellen, Graph Neural Networks und graphbasierten Transaktionsanalysetechniken.
Den Projektergebnissen zufolge identifizierte die Forschung 10.289 Wasabi-ähnliche Transaktionen und erzeugte einen Blockchain-Transaktions-Subgraphen mit mehr als 1,6 Millionen Adressknoten und nahezu 6 Millionen Transaktionskanten unter Verwendung der Peel-Chain-Methodologie. Auf Basis ihrer Stichproben und Tests erreichte ein Machine-Learning-Cluster eine Recall-Rate von 70,5 % gegenüber bestätigten, mit der DVRK verknüpften Adressen.
Das Projekt untersuchte außerdem, wie Kryptowährungs-Mixer wie Wasabi, CoinJoin-Transaktionen und Peel-Chain-Strukturen eingesetzt werden, um Transaktionshistorien zu verschleiern und Ermittlungen zur Geldwäschebekämpfung zu erschweren. Die Studierenden analysierten, wie illegale Gelder sich über Wallets, dezentrale Börsen, Swap-Protokolle und Cross-Chain-Systeme bewegen, die darauf ausgelegt sind, die Nachverfolgbarkeit von Transaktionen zu verringern.
Die an der Zusammenarbeit beteiligten Studierenden erklärten, das Projekt habe ihnen geholfen, besser zu verstehen, wie Blockchain-Ermittlungen, Systeme zur Geldwäschebekämpfung und Sicherheitsoperationen im Bereich Kryptowährungen in der Praxis funktionieren.
Eine Teilnehmerin bzw. ein Teilnehmer sagte, die Erfahrung habe die Bedeutung von Regulierung und Technologien zur Geldwäschebekämpfung für die Erhöhung operativer Hürden für kriminelle Akteure verdeutlicht und zugleich die Komplexität der Lösung praktischer Branchenprobleme aufgezeigt.
Eine andere Studierende bzw. ein anderer Studierender beschrieb das Projekt als informativer und fesselnder als erwartet und erklärte, die Lernergebnisse hätten die ursprünglichen Erwartungen übertroffen.
Mehrere Teilnehmende gaben an, dass die Zusammenarbeit wertvolle Einblicke in Kryptowährungsuntersuchungen, Blockchain-Sicherheitsvorfälle und die wachsende Nachfrage nach Fachkräften in den Bereichen Blockchain-Sicherheit und Compliance-bezogene Tätigkeiten vermittelt habe.
Eine weitere Studierende bzw. ein weiterer Studierender merkte an, dass das Projekt zu einem systematischeren Verständnis der Bitcoin-Blockchain-Strukturen, der Transaktionsmechanismen und der Logik hinter On-Chain-Geldwäsche beigetragen habe, während Diskussionen über die Zukunft blockchainbasierter Finanzsysteme hilfreiche Perspektiven für die künftige berufliche Entwicklung im Finanz- und Aktuarswesen boten.
Die Zusammenarbeit spiegelt das wachsende Interesse von Universitäten und Digital-Asset-Unternehmen wider, Machine Learning und Blockchain-Analytik auf reale Herausforderungen in den Bereichen Cybersicherheit, Compliance und Finanzkriminalität anzuwenden.
Bybit spricht der HKU Business School und Professorin Kim seinen Dank für ihre Zusammenarbeit und Unterstützung während der gesamten Forschungsinitiative aus.
#Bybit / #NewFinancialPlatform
Über Bybit
Bybit ist die weltweit zweitgrößte Kryptowährungsbörse nach Handelsvolumen und bedient eine globale Community von über 80 Millionen Nutzerinnen und Nutzern. Gegründet im Jahr 2018, definiert Bybit Offenheit in der dezentralen Welt neu, indem ein einfacheres, offenes und gleichberechtigtes Ökosystem für alle geschaffen wird. Mit einem starken Fokus auf Web3 arbeitet Bybit strategisch mit führenden Blockchain-Protokollen zusammen, um eine robuste Infrastruktur bereitzustellen und On-Chain-Innovationen voranzutreiben. Bekannt für seine sichere Verwahrung, vielfältigen Marktplätze, intuitive Nutzererfahrung und fortschrittlichen Blockchain-Tools, überbrückt Bybit die Lücke zwischen TradFi und DeFi und befähigt Builder, Creator und Enthusiasten, das volle Potenzial von Web3 auszuschöpfen. Entdecken Sie die Zukunft der dezentralen Finanzwelt auf Bybit.com.
Für weitere Informationen zu Bybit besuchen Sie bitte Bybit Press
Für Medienanfragen wenden Sie sich bitte an: [email protected]
Für aktuelle Informationen folgen Sie bitte: Bybits Communities und Social Media
Discord | Facebook | Instagram | LinkedIn | Reddit | Telegram | TikTok | X | Youtube
