Ein hybrides Analyse-Framework für die forensische Untersuchung von Bitcoin-Transaktionsnetzwerken

Ein hybrides Analyse-Framework wurde für die forensische Untersuchung von Bitcoin-Transaktionsnetzwerken entwickelt, das die inhärenten Herausforderungen adressiert, die durch die dezentrale und pseudo-anonyme Charakteristik von Blockchain-Systemen entstehen. Obwohl Bitcoin-Transaktionen öffentlich zugänglich sind, bleibt die Erkennung illegaler Aktivitäten in komplexen Transaktionsgraphen eine erhebliche Herausforderung. Bestehende Ansätze basieren typischerweise auf isolierten Techniken, wie regelbasierten Methoden oder eigenständigen maschinellen Lernmodellen, die oft nicht ausreichend effektiv sind. Das vorgeschlagene Framework kombiniert graphbasierte Netzwerkanalyse, statistische Modellierung und maschinelles Lernen, um die Erkennungsfähigkeit zu verbessern. Transaktionen werden als gerichteter Graph dargestellt, wobei Wallet-Adressen als Knoten und Transaktionen als Kanten fungieren. Aus dieser Darstellung werden strukturelle, verhaltensbezogene und zeitliche Merkmale systematisch extrahiert und in einen einheitlichen Datensatz integriert. Anschließend wird ein Random-Forest-Klassifikator eingesetzt, um Wallet-Adressen als entweder normal oder verdächtig zu kategorisieren. Dieser integrierte Ansatz verbessert die Genauigkeit, Skalierbarkeit und Robustheit und ermöglicht eine effiziente Analyse von großskaligen Blockchain-Daten sowie eine zuverlässigere Identifikation betrügerischer Aktivitäten in realen forensischen Untersuchungen.