DUBAI, VAE, 15 mei 2026 /PRNewswire/ -- Bybit, 's werelds op één na grootste cryptobeurs naar handelsvolume, heeft recent een onderzoekssamenwerking op het gebied van witwasbestrijding afgerond met studententeams van The University of Hong Kong (HKU). Deelnemers kregen praktijkervaring met onderzoeken naar cryptocurrency, machine learning en witwasanalyse via een real-world demixing challenge.
De samenwerking draaide om de beveiligingsinbreuk bij Bybit in februari 2025. Aan de hand van deze casus onderzochten studenten hoe blockchain-analyse en machine learning kunnen worden toegepast om witwasroutes te identificeren die verband houden met activiteit van cryptomixers en transacties die in verband worden gebracht met de Lazarus Group.
Het project werd voorgesteld en begeleid door Prof. Doyeon Kim, universitair docent Accounting and Law aan The University of Hong Kong, terwijl Bybit gedurende het gehele onderzoeksproces zorgde voor de praktijkcontext van het onderzoek en begeleiding vanuit de sector. Deze capstone werd opgezet en gesponsord door David Zong, Head of group risk control and security bij Bybit, om studenten de kans te geven een reële uitdaging uit de sector aan te pakken in plaats van een hypothetische oefening. Zong heeft de bevindingen en voortgang van het team gedurende het project van nabij gevolgd.
In het kader van de samenwerking kregen studenten de opdracht Lazarus-gelinkte fondsen op de Bitcoin‑blockchain te traceren, de rol te begrijpen van walletadressen die tijdens witwasoperaties worden gebruikt, en machine‑learningbenaderingen te ontwikkelen die mixer‑gerelateerde transactiepatronen en potentiële outputadressen die met illegale activiteiten in verband staan, kunnen identificeren. Gezien het privacybeschermende ontwerp van cryptomixers is het wiskundig niet haalbaar om exacte transactiestromen te traceren, wat betekent dat er geen absolute of deterministische methode voor toeschrijving is. Het project richtte zich daarom op probabilistische analyse, gedragsclustering en machine‑learningtechnieken die zijn ontworpen om de identificatie van verdachte transactiepatronen en witwasroutes te verbeteren.
In plaats van een vaste methodologie te volgen, kregen studenten een open projectopdracht en werden zij aangemoedigd hun eigen analytische aanpak te definiëren. Sommige teams bouwden voort op bestaande methoden voor blockchaintracing, terwijl andere alternatieve machine‑learning‑ en grafanalysemodellen onderzochten.
Gedurende meerdere weken van onderzoek en iteratie verfijnden de studententeams hun methodologieën via zelfstandig onderzoek, technische discussies en projectreviews. Bybit organiseerde ook een tussentijdse review met de deelnemende teams, waardoor studenten de gelegenheid kregen voortgangsupdates te presenteren, onderzoeksbevindingen te bespreken en feedback te ontvangen ter ondersteuning van de volgende ontwikkelingsfase.
De samenwerking was erop gericht studenten bloot te stellen aan de onzekerheid en probleemoplossende eisen die vaak samengaan met echte werkzaamheden op het gebied van witwasbestrijding en blockchain‑compliance. Voor studenten bood de ervaring een kans om analytisch denken te verfijnen, technische raamwerken te ontwikkelen en complexe onderzoeksuitdagingen zonder vooraf bepaalde oplossingen uit te werken. Voor Bybit ondersteunde het initiatief de betrokkenheid bij opkomend talent en stelde het bedrijf in staat praktische sectorinzichten bij te dragen aan academisch onderzoek en technische verkenning in een vroeg stadium.
De eindpresentatie van het project vond plaats op het kantoor van Bybit, waar studenten hun bevindingen presenteerden en aanvullende feedback ontvingen van het Bybit‑team.
In het kader van het onderzoek analyseerden studenten ongeveer 49.800 Bitcoin‑blokken en meer dan 146 miljoen transacties met behulp van clusteringmodellen, graph neural networks en op grafen gebaseerde transactieanalysetechnieken.
Volgens de projectresultaten identificeerde het onderzoek 10.289 Wasabi‑achtige transacties en werd een blockchaintransactiesubgraaf gegenereerd met meer dan 1,6 miljoen adresnodes en bijna 6 miljoen transactie‑edges met behulp van de Peel Chain‑methodologie. Op basis van hun steekproeven en testen behaalde een machine‑learningcluster een recall van 70,5% ten opzichte van bevestigde met de DPRK gelinkte adressen.
Het project onderzocht daarnaast hoe cryptomixers zoals Wasabi, CoinJoin‑transacties en peel‑chainstructuren worden gebruikt om transactiegeschiedenissen te verdoezelen en onderzoeken naar witwaspraktijken te bemoeilijken. Studenten bestudeerden hoe illegale fondsen zich verplaatsen via wallets, gedecentraliseerde beurzen, swapprotocollen en cross‑chainsystemen die zijn ontworpen om de traceerbaarheid van transacties te verminderen.
Studenten die bij de samenwerking betrokken waren, gaven aan dat het project hen hielp beter te begrijpen hoe blockchainonderzoeken, systemen voor witwasbestrijding en beveiligingsoperaties rond cryptocurrency in de praktijk functioneren.
Een deelnemer zei dat de ervaring het belang van regulering en technologieën voor witwasbestrijding onderstreepte bij het verhogen van operationele drempels voor criminele actoren, en tegelijk de complexiteit liet zien van het oplossen van praktische vraagstukken in de sector.
Een andere student omschreef het project als informatiever en boeiender dan verwacht en zei dat de leeropbrengsten de oorspronkelijke verwachtingen overtroffen.
Verscheidene deelnemers gaven aan dat de samenwerking waardevol inzicht bood in onderzoeken naar cryptocurrency, beveiligingsincidenten op de blockchain en de toenemende vraag naar talent op het gebied van blockchainbeveiliging en compliance‑gerelateerde vakgebieden.
Een student merkte ook op dat het project heeft bijgedragen aan een meer systematisch begrip van de structuur van de Bitcoin‑blockchain, transactiemechanismen en de logica achter on‑chain witwassen, terwijl discussies over de toekomst van blockchain‑gebaseerde financiële systemen nuttige perspectieven boden voor de toekomstige loopbaanontwikkeling in finance en actuariële wetenschappen.
De samenwerking weerspiegelt de groeiende belangstelling bij universiteiten en digitale‑assetbedrijven om machine learning en blockchain‑analyse toe te passen op real‑world vraagstukken rond cyberbeveiliging, compliance en financiële criminaliteit.
Bybit spreekt zijn waardering uit aan de HKU Business School en Professor Kim voor hun samenwerking en steun gedurende het hele onderzoeksinitiatief.
#Bybit / #NewFinancialPlatform
Over Bybit
Bybit is 's werelds op één na grootste cryptobeurs naar handelsvolume en bedient een wereldwijde community van meer dan 80 miljoen gebruikers. Bybit werd opgericht in 2018 en herdefinieert openheid in de gedecentraliseerde wereld door een eenvoudiger, open en gelijk ecosysteem voor iedereen te creëren. Met een sterke focus op Web3 werkt Bybit strategisch samen met toonaangevende blockchainprotocollen om robuuste infrastructuur te bieden en on‑chain innovatie te stimuleren. Bekend om zijn veilige custody, diverse marktplaatsen, intuïtieve gebruikerservaring en geavanceerde blockchaintools, overbrugt Bybit de kloof tussen TradFi en DeFi en stelt het bouwers, creatoren en enthousiastelingen in staat het volledige potentieel van Web3 te ontsluiten. Ontdek de toekomst van gedecentraliseerde financiën op Bybit.com.
Voor meer details over Bybit, bezoek Bybit Press
Voor persvragen kunt u contact opnemen met: [email protected]
Voor updates, volg: Bybit's Communities and Social Media
Discord | Facebook | Instagram | LinkedIn | Reddit | Telegram | TikTok | X | Youtube
