Forskare föreslår ett nytt system för att hjälpa domstolar att testa deanonymiserade blockkedjedata

Ett team av forskare från Friedrich-Alexander-Universität Erlangen-Nürnberg publicerade nyligen ett dokument som beskriver metoder som utredare och domstolar kan använda för att fastställa giltigheten av deanonymiserade data om Bitcoin (BTC) blockchain.

Teamets förtryckta papper, "Argumentation Schemes for Blockchain Deanonymization", lägger ut en plan för att genomföra, verifiera och presentera utredningar av brott som involverar kryptovalutatransaktioner. Medan uppsatsen fokuserar på de tyska och amerikanska rättssystemen, säger författarna att resultaten bör vara allmänt tillämpliga. 

Bitcoin-relaterade brottsutredningar kretsar kring deanonymisering av misstänkta brottslingar, en process som gjorts mer utmanande av blockkedjors pseudonyma karaktär. Användare som utför blockchain-transaktioner identifieras av plånböcker (unika programvaruadresser) istället för juridiska namn.

Dock är blockkedjor till sin natur transparenta. Närhelst data läggs till i en blockchain-reskontra, registreras transaktionen och görs tillgänglig för alla som har tillgång till blockkedjan att se.

Utredare som försöker avgöra vem som ligger bakom en specifik plånbok använder informationen som finns i blockkedjetransaktioner (block) som datapunkter som, när de kombineras, bildar ett digitalt pappersspår.

Enligt forskargruppen är den nuvarande flaskhalsen när det gäller dessa undersökningar inte längre en teknisk; det är en juridisk fråga. 

Brottsbekämpande myndigheter har tillgång till de verktyg som behövs för att genomföra preliminära blockkedjeanalyser, men dessa tidiga datapunkter representerar indicier.

Dessa bevis bygger på vissa råa antaganden som endast kan valideras genom att koppla aktivitet i kedjan till aktivitet utanför kedjan, till exempel att tvinga en börs att avslöja identiteten eller bankkontoinformationen för användare som misstänks för brottslig inblandning. Enligt tidningen:

"I juridisk praxis är dessa antaganden avgörande för att sluta sig till bevisvärdet av deanonymiseringen av en förövare. Men ingen standardpraxis för att härleda och diskutera tillförlitligheten hos dessa analysresultat har ännu inte föreslagits."

Om de genomförs på rätt sätt kan blockchain-utredningar avslöja gärningsmannen till ett brott. Forskarna nämner Wall Street Market-fallet som ett exempel. Där identifierade US Postal Service utredare operatören av en illegal mörk webbmarknad genom att koppla ihop olika datapunkter som brottsbekämpande tjänstemän bekräftade genom övervakningsoperationer.

Relaterat: Den tyska polisen beslagtar sex siffror i krypto från misstänkta inblandade i mörk webbplats

Forskarna konstaterar dock att sådana utredningar riskerar att inkräkta på misstänkta personers rättigheter på grund av lagkrav. Åklagare (i Tyskland och USA, enligt tidningen) måste uppvisa en viss grad av bevis på skuld innan ett beslut om invasiva utredningar, såsom övervakning eller gripanden, utfärdas.

För att hjälpa utredare och åklagare samtidigt som de ser till att lagen tillämpas rättvist på misstänkta, föreslår forskarna ett standardramverk som innehåller fem argumenterande system utformade för att säkerställa korrekt rapportering och förklaring under hela rättsprocessen.

Två av scheman som utforskats av forskare. Källa: "Argumentationsscheman för Blockchain Deanonymization"

Bilden ovan visar två av scheman, som var och en använder en uppsättning definierade premisser för att skapa en specifik slutsats och sedan tillhandahåller en uppsättning kritiska frågor för att bedöma styrkan i argumentet.

Forskarna hävdar att "genom att använda scheman kan en analytiker tydligt artikulera den använda heuristiken, deras individuella styrkor och potentiella svagheter. Detta ökar förståeligheten för sådana analyser och domstolsprocesser för beslutsfattarna och underlättar också dokumentationen för senare verifiering av ett sakkunnigt vittne.”

Källa: https://cointelegraph.com/news/researchers-propose-new-scheme-to-help-courts-test-deanonymized-blockchain-data