DUBAJ, ZEA, 15 maja 2026 r. /PRNewswire/ -- Bybit, druga co do wielkości giełda kryptowalut na świecie pod względem wolumenu obrotu, niedawno zakończyła współpracę badawczą w zakresie przeciwdziałania praniu pieniędzy z zespołami studenckimi z The University of Hong Kong (HKU), zapewniając uczestnikom praktyczne doświadczenie w prowadzeniu dochodzeń kryptowalutowych, wykorzystaniu uczenia maszynowego oraz analizie AML poprzez rzeczywiste wyzwanie demiksowania.
Współpraca koncentrowała się na incydencie naruszenia bezpieczeństwa Bybit z lutego 2025 r. Wykorzystując to zdarzenie jako studium przypadku, studenci badali, jak analityka blockchain i uczenie maszynowe mogą być stosowane do identyfikowania ścieżek prania związanych z aktywnością mikserów kryptowalut oraz transakcjami powiązanymi z grupą Lazarus.
Projekt został zaproponowany i nadzorowany przez prof. Doyeon Kim, adiunkt w dziedzinie rachunkowości i prawa na Uniwersytecie w Hongkongu, przy czym Bybit zapewniał rzeczywisty kontekst śledczy i wskazówki branżowe przez cały proces badawczy. Ten projekt zaliczeniowy został zdefiniowany i sponsorowany przez Davida Zonga, szefa działu kontroli ryzyka grupy i bezpieczeństwa w Bybit, aby dać studentom możliwość zmierzenia się z rzeczywistym wyzwaniem branżowym, a nie hipotetycznym ćwiczeniem. Zong uważnie śledził ustalenia zespołu i jego postępy w trakcie projektu.
W ramach współpracy studenci mieli za zadanie prześledzić środki powiązane z grupą Lazarus w łańcuchu bloków Bitcoina, zrozumieć rolę adresów portfeli wykorzystywanych w operacjach prania oraz opracować podejścia z zakresu uczenia maszynowego zdolne do identyfikowania wzorców transakcji związanych z mikserami oraz potencjalnych adresów wyjściowych powiązanych z nielegalną działalnością. Ze względu na prywatnościowy charakter projektowania mikserów kryptowalut, śledzenie dokładnych przepływów transakcji jest matematycznie niewykonalne, co oznacza brak absolutnej, deterministycznej metody atrybucji. Projekt koncentrował się więc na analizie probabilistycznej, klasteryzacji behawioralnej oraz technikach uczenia maszynowego zaprojektowanych w celu poprawy identyfikacji podejrzanych wzorców transakcji i ścieżek prania.
Zamiast podążania za z góry ustaloną metodologią, studenci otrzymali otwarty opis projektu i zostali zachęceni do zdefiniowania własnego podejścia analitycznego. Niektóre zespoły rozwijały istniejące metody śledzenia w blockchainie, podczas gdy inne badały alternatywne modele uczenia maszynowego i analizy grafowej.
W ciągu kilku tygodni badań i iteracji zespoły studenckie udoskonalały swoje metodologie poprzez samodzielne dochodzenia, dyskusje techniczne i przeglądy projektu. Bybit przeprowadził również śródokresową sesję przeglądową z udziałem zespołów, tworząc okazję dla studentów do zaprezentowania postępów, refleksji nad wynikami badań i uzyskania informacji zwrotnej wspierającej kolejne etapy rozwoju.
Współpraca została zaprojektowana tak, aby zaznajomić studentów z niepewnością i wymaganiami w zakresie rozwiązywania problemów, typowymi dla rzeczywistej pracy związanej z przeciwdziałaniem praniu pieniędzy i zapewnianiem zgodności w obszarze blockchain. Dla studentów doświadczenie to było okazją do doskonalenia myślenia analitycznego, opracowywania technicznych ram działania oraz pracy nad złożonymi wyzwaniami śledczymi bez z góry znanych rozwiązań. Dla Bybit inicjatywa ta była sposobem na nawiązanie relacji z rozwijającymi się talentami, a jednocześnie umożliwiała firmie wniesienie praktycznej perspektywy branżowej do badań akademickich i wczesnego etapu eksploracji technologicznej.
Finałowy przegląd projektu odbył się w biurze Bybit, gdzie studenci zaprezentowali swoje ustalenia i otrzymali dodatkowe opinie od zespołu Bybit.
W ramach procesu badawczego studenci przeanalizowali około 49 800 bloków Bitcoina oraz ponad 146 milionów transakcji, wykorzystując modele klasteryzacji, sieci neuronowe grafowe oraz techniki analizy transakcji oparte na grafach.
Zgodnie z ustaleniami projektu, badania zidentyfikowały 10 289 transakcji typu Wasabi i wygenerowały podgraf transakcji blockchain zawierający ponad 1,6 mln węzłów adresowych i prawie 6 mln krawędzi transakcyjnych z wykorzystaniem metodologii Peel Chain. Na podstawie próbkowania i testów klaster uczenia maszynowego osiągnął współczynnik recall na poziomie 70,5% wobec potwierdzonych adresów powiązanych z KRLD.
Projekt dodatkowo zbadał, w jaki sposób miksery kryptowalut, takie jak Wasabi, transakcje CoinJoin i struktury typu peel chain są wykorzystywane do zaciemniania historii transakcji i komplikowania dochodzeń AML. Studenci analizowali, jak nielegalne środki przemieszczają się pomiędzy portfelami, zdecentralizowanymi giełdami, protokołami swapowymi i systemami międzyłańcuchowymi zaprojektowanymi tak, aby ograniczyć możliwość śledzenia transakcji.
Studenci zaangażowani we współpracę stwierdzili, że projekt pomógł im lepiej zrozumieć, jak w praktyce funkcjonują dochodzenia blockchainowe, systemy przeciwdziałania praniu pieniędzy i operacje bezpieczeństwa kryptowalut.
Jeden z uczestników powiedział, że doświadczenie to wzmocniło przekonanie o znaczeniu regulacji i technologii AML w podnoszeniu barier operacyjnych dla podmiotów przestępczych, a jednocześnie pokazało złożoność rozwiązywania praktycznych problemów branżowych.
Inny student opisał projekt jako bardziej pouczający i angażujący, niż się spodziewał, dodając, że rezultaty nauki przekroczyły wstępne oczekiwania.
Kilku uczestników podkreśliło, że współpraca dostarczyła cennego wglądu w dochodzenia kryptowalutowe, incydenty bezpieczeństwa blockchain oraz rosnące zapotrzebowanie na talenty w dziedzinie bezpieczeństwa blockchain i obszarach związanych z zapewnianiem zgodności.
Jeden ze studentów zauważył również, że projekt przyczynił się do bardziej systematycznego zrozumienia struktur łańcucha bloków Bitcoina, mechanizmów transakcyjnych oraz logiki stojącej za praniem pieniędzy on-chain, podczas gdy dyskusje dotyczące przyszłości systemów finansowych opartych na blockchainie dostarczyły użytecznych perspektyw związanych z przyszłym rozwojem kariery w finansach i aktuarialności.
Współpraca odzwierciedla rosnące zainteresowanie uczelni i firm z sektora aktywów cyfrowych zastosowaniem uczenia maszynowego oraz analityki blockchain do rzeczywistych wyzwań związanych z cyberbezpieczeństwem, zgodnością regulacyjną i przestępczością finansową.
Bybit składa podziękowania HKU Business School oraz profesor Kim za współpracę i wsparcie w trakcie całej inicjatywy badawczej.
#Bybit / #NewFinancialPlatform
O Bybit
Bybit jest drugą co do wielkości giełdą kryptowalut na świecie pod względem wolumenu obrotu, obsługującą globalną społeczność ponad 80 milionów użytkowników. Założona w 2018 r. giełda Bybit na nowo definiuje otwartość w zdecentralizowanym świecie, tworząc prostszy, otwarty i równy ekosystem dla wszystkich. Z silnym naciskiem na Web3, Bybit strategicznie współpracuje z wiodącymi protokołami blockchain, aby zapewnić solidną infrastrukturę i napędzać innowacje on-chain. Znana z bezpiecznej depozytacji, zróżnicowanych rynków, intuicyjnego doświadczenia użytkownika i zaawansowanych narzędzi blockchain, Bybit wypełnia lukę między TradFi a DeFi, umożliwiając budowniczym, twórcom i entuzjastom odblokowanie pełnego potencjału Web3. Odkryj przyszłość zdecentralizowanych finansów na Bybit.com.
Aby uzyskać więcej informacji o Bybit, odwiedź Bybit Press
W sprawach medialnych prosimy o kontakt: [email protected]
Aby być na bieżąco, obserwuj: Bybit's Communities and Social Media
Discord | Facebook | Instagram | LinkedIn | Reddit | Telegram | TikTok | X | Youtube
