DUBÁI, EAU, 15 de mayo de 2026 /PRNewswire/ -- Bybit, el segundo mayor exchange de criptomonedas del mundo por volumen de operaciones, concluyó recientemente una colaboración de investigación sobre lucha contra el lavado de dinero con equipos de estudiantes de The University of Hong Kong (HKU), proporcionando a los participantes experiencia práctica en investigaciones de criptomonedas, aprendizaje automático y análisis contra el lavado de dinero mediante un desafío de demixing del mundo real.
La colaboración se centró en la vulneración de seguridad de Bybit de febrero de 2025. Utilizando el incidente como caso de estudio, los estudiantes exploraron cómo la analítica de blockchain y el aprendizaje automático pueden aplicarse para identificar rutas de lavado asociadas a la actividad de mezcladores de criptomonedas y a transacciones vinculadas al Lazarus Group.
El proyecto fue propuesto y supervisado por Prof. Doyeon Kim, profesora asistente de Contabilidad y Derecho en The University of Hong Kong, con Bybit proporcionando el contexto de investigación del mundo real y la orientación del sector durante todo el proceso. Este proyecto final fue definido y patrocinado por David Zong, director de control de riesgos de grupo y seguridad en Bybit, para ofrecer a los estudiantes la oportunidad de abordar un desafío real de la industria en lugar de un ejercicio hipotético. Zong ha seguido de cerca las conclusiones y el progreso del equipo a lo largo del proyecto.
Como parte de la colaboración, se encargó a los estudiantes rastrear fondos vinculados a Lazarus en la blockchain de Bitcoin, comprender el papel de las direcciones de monedero utilizadas durante las operaciones de lavado y desarrollar enfoques de aprendizaje automático capaces de identificar patrones de transacciones relacionados con mezcladores y posibles direcciones de salida conectadas a actividad ilícita. Dado el diseño de preservación de la privacidad de los mezcladores de criptomonedas, rastrear flujos exactos de transacciones es matemáticamente inviable, lo que significa que no existe un método absoluto o determinista de atribución. Por ello, el proyecto se centró en el análisis probabilístico, el clustering de comportamiento y técnicas de aprendizaje automático diseñadas para mejorar la identificación de patrones de transacciones sospechosas y rutas de lavado.
En lugar de seguir una metodología fija, se dio a los estudiantes un encargo de proyecto abierto y se les animó a definir su propio enfoque analítico. Algunos equipos ampliaron métodos existentes de rastreo en blockchain, mientras que otros exploraron modelos alternativos de aprendizaje automático y análisis de grafos.
Durante varias semanas de investigación e iteración, los equipos de estudiantes refinaron sus metodologías mediante investigación independiente, debates técnicos y revisiones de proyecto. Bybit también llevó a cabo una sesión de revisión intermedia con los equipos participantes, creando una oportunidad para que los estudiantes presentaran actualizaciones de progreso, reflexionaran sobre los hallazgos de la investigación y recibieran comentarios que apoyaran la siguiente fase de desarrollo.
La colaboración se diseñó para exponer a los estudiantes a la incertidumbre y a las exigencias de resolución de problemas asociadas habitualmente con el trabajo contra el lavado de dinero y de cumplimiento en blockchain en el mundo real. Para los estudiantes, la experiencia ofreció la oportunidad de perfeccionar el pensamiento analítico, desarrollar marcos técnicos y abordar desafíos de investigación complejos sin soluciones predeterminadas. Para Bybit, la iniciativa favoreció la relación con talento emergente y permitió a la empresa aportar perspectivas prácticas del sector a la investigación académica y a la exploración técnica en fases iniciales.
La revisión final del proyecto se celebró en la oficina de Bybit, donde los estudiantes presentaron sus conclusiones y recibieron comentarios adicionales del equipo de Bybit.
Como parte del proceso de investigación, los estudiantes analizaron aproximadamente 49.800 bloques de Bitcoin y más de 146 millones de transacciones utilizando modelos de clustering, redes neuronales de grafos y técnicas de análisis de transacciones basadas en grafos.
Según las conclusiones del proyecto, la investigación identificó 10.289 transacciones de tipo Wasabi y generó un subgrafo de transacciones en blockchain que contiene más de 1,6 millones de nodos de direcciones y casi 6 millones de aristas de transacciones utilizando la metodología Peel Chain. Con base en sus muestras y pruebas, un clúster de aprendizaje automático alcanzó una tasa de recall del 70,5 % frente a direcciones confirmadas vinculadas a la RPDC.
El proyecto examinó además cómo mezcladores de criptomonedas como Wasabi, transacciones CoinJoin y estructuras de peel chain se utilizan para oscurecer historiales de transacciones y complicar las investigaciones contra el lavado de dinero. Los estudiantes estudiaron cómo los fondos ilícitos se mueven entre monederos, exchanges descentralizados, protocolos de swap y sistemas cross-chain diseñados para reducir la trazabilidad de las transacciones.
Los estudiantes implicados en la colaboración afirmaron que el proyecto les ayudó a comprender mejor cómo funcionan en la práctica las investigaciones en blockchain, los sistemas de lucha contra el lavado de dinero y las operaciones de seguridad de criptomonedas.
Un participante comentó que la experiencia reforzó la importancia de la regulación y de las tecnologías de lucha contra el lavado de dinero a la hora de aumentar las barreras operativas para los actores criminales, al tiempo que demostraba la complejidad de resolver problemas prácticos del sector.
Otro estudiante describió el proyecto como más informativo y atractivo de lo esperado y afirmó que los resultados de aprendizaje superaron las expectativas iniciales.
Varios participantes señalaron que la colaboración proporcionó una valiosa visión de las investigaciones de criptomonedas, los incidentes de seguridad en blockchain y la creciente demanda de talento en los campos de seguridad en blockchain y cumplimiento.
Un estudiante también señaló que el proyecto contribuyó a una comprensión más sistemática de las estructuras de la blockchain de Bitcoin, de los mecanismos de transacción y de la lógica que hay detrás del lavado de dinero on-chain, mientras que los debates sobre el futuro de los sistemas financieros basados en blockchain proporcionaron perspectivas útiles relacionadas con el desarrollo futuro de carrera en finanzas y ciencias actuariales.
La colaboración refleja el creciente interés entre universidades y empresas de activos digitales en aplicar aprendizaje automático y analítica de blockchain a desafíos reales de ciberseguridad, cumplimiento y delitos financieros.
Bybit expresa su agradecimiento a la HKU Business School y a la profesora Kim por su colaboración y apoyo durante toda la iniciativa de investigación.
#Bybit / #NewFinancialPlatform
Acerca de Bybit
Bybit es el segundo mayor exchange de criptomonedas del mundo por volumen de operaciones, y atiende a una comunidad global de más de 80 millones de usuarios. Fundada en 2018, Bybit está redefiniendo la apertura en el mundo descentralizado creando un ecosistema más simple, abierto e igualitario para todos. Con un fuerte enfoque en Web3, Bybit se asocia estratégicamente con protocolos líderes de blockchain para proporcionar una infraestructura sólida e impulsar la innovación on-chain. Reconocida por su custodia segura, sus diversos mercados, su experiencia de usuario intuitiva y sus avanzadas herramientas de blockchain, Bybit tiende un puente entre TradFi y DeFi, capacitando a constructores, creadores y entusiastas para desbloquear todo el potencial de Web3. Descubra el futuro de las finanzas descentralizadas en Bybit.com.
Para más detalles sobre Bybit, visite Bybit Press
Para consultas de prensa, póngase en contacto con: [email protected]
Para actualizaciones, siga: Bybit's Communities and Social Media
Discord | Facebook | Instagram | LinkedIn | Reddit | Telegram | TikTok | X | Youtube
