Too small to doxx? Как ИИ-агенты удешевили деанонимизацию держателей биткоина

Вот последние новости с рынков цифровых активов: Владелец кошелька с $5000 привык считать себя слишком мелкой целью для слежки. Чтобы связать биткоин-адрес с человеком, аналитику требовались часы работы, и тратить их ради скромного баланса было невыгодно. Однако нейросети существенно удешевили такой поиск.

В феврале группа исследователей показала, как ИИ-агент вычисляет людей только по постам под псевдонимом. Из 338 пользователей форума Hacker News он опознал 226, потратив на каждого $1–4. У держателей криптовалюты зацепок еще больше: публичный блокчейн хранит историю переводов и суммы транзакций, а утечки данных позволяют связать адреса с именами.

Динамика рынка

Вместе с командой биткоин-миксера Mixer. Money разбираемся, по каким следам находят владельца кошелька и как разорвать ончейн-связь раскрытого адреса с нынешними сбережениями. У приватности, которая держится только на сложности поиска, давно есть название.

В 1989 году Верховный суд США закрепил понятие «практической неприметности» (practical obscurity). Журналисты тогда добивались от ФБР криминального досье на бизнесмена, чью семейную компанию подозревали в связях с мафией, и проиграли. Логика решения была такой: аресты, обвинения и приговоры по отдельности — публичные события.

Но чтобы увидеть их вместе, пришлось бы обойти суды, архивы и полицейские участки по всей стране. Сводка в одной базе избавляет от этой работы и тем самым снимает защиту, которую давала трудоемкость сбора. Публичный блокчейн устроен похоже: транзакции открыты, но изучать их ради рядового пользователя почти никто не брался.

Влияние на рынки

Исследование Large-scale online deanonymization with LLMs показало, сколько сегодня стоит преодолеть этот барьер. Его подготовили шестеро авторов во главе с Саймоном Лерменом из программы MATS и Дэниелом Палекой из Швейцарской высшей технической школы Цюриха (ETH Zurich). Среди соавторов — Николас Карлини из Anthropic и еще один сотрудник ETH Zurich Флориан Трамер.

Метод работает в три этапа. Сначала языковая модель извлекает из постов приметы человека: демографические данные, интересы, манеру письма и подробности, оброненные мимоходом. Затем система составляет список похожих кандидатов.

Агент ищет их в интернете, а конвейер для больших массивов — в заранее подготовленной базе аккаунтов. Наконец, модель сопоставляет лучшие совпадения и оценивает, насколько она уверена в результате. Если сомнений слишком много, она отказывается отвечать.

Эта перемена продолжает формировать ландшафт цифровых активов.