vielleicht hat sich auch schon jemand über folgende Frage gewundert, oder kennt bereits die Antwort darauf:
In Blockchain-Analysen über Bitcoin (von z.B. Glassnode) werden häufig Untersuchungen zur Haltedauer und BTC-Verteilung auf WALLETS durchgeführt.
Wie können Rückschlüsse geführt werden, welche Adressen sich zu Wallets zusammenfassen lassen? Schließlich ist doch gängige Praxis, für jeden neuen BTC-Eingang auf seine Wallet eine neue Adresse zu verwenden.
Der einzige Moment in dem Adressen einer Wallet gemeinsam auftauchen, ist doch, wenn bei einer neuen Transaktion der Auszahlungsbetrag das einzelne Adressguthaben übersteigt und das Guthaben einer weiteren Adresse teilverwendet werden muss. Aber solche Vorgänge sind dann wiederum nur noch Vergangenheit. Und dies betrifft theoretisch nur einen Teil des eigenen BTC-Guthabens.
Oder lässt sich kryptographisch doch eine Verwandschaft errechnen, welche Adressen aus dem selben Seed entstanden sind?
Nein, das geht nicht. Das ist ja genau der Grund warum man verschiedene Adressen nutzt.
Glassnode kann trotzdem versuchen durch Analysen zu vermuten welche Adressen man welchen Entitäten zuordnen kann. Meistens reden die aber eigentlich von Adressen und nicht von Wallets.
Eine ähnliche Diskussion darüber gab es letztens hier:
Eine Beziehung von Adressen eines Wallets lässt sich kryptographisch nicht ermitteln. Damit bleibt den Analysten (Glassnode) doch nur über Verhalten, also z.B. über Zeitpunkte, Adressbewegungen, Transaktionsgrößen und ausgelobten Transaktionsgebühren Rückschlüsse auf bestimmte Entitäten zu führen.
Das finde ich etwas dünn. Das mag reichen, um vage Aussagen über ungefähre Verteilungen und geschätztes HODL-Verhalten abzuleiten, aber doch nicht, um gezielt bestimmte Entitäten komplett zu identifizieren.
Anders gesagt, selbst wenn es jemanden gelänge die Identität eines BTC-Adressbesitzers zu entschleiern, dann hat er immer noch keine Informationen über den gesamten BTC-Bestands des Wallets.
Also kann man nur alle Adressen eines Wallets kennen, wenn man den Seed kennt. Widerspruch?
Nein, du hast das selbst schon sehr gut beschrieben.
Richtig.
Auch richtig. Allerdings glaube ich man täuscht sich, wenn man nur von wenigen möglichen Mustern, Korrelationen und Informationen ausgeht, die von den On-Chain Analysten ausgewertet werden.
Da sitzen genau solche Data Scientists, wie bei Google, Facebook & Co. D.h. diese Leute machen seit Jahren nichts anders und haben es evtl. sogar studiert. Sie suchen den ganzen Tag lang selbst und mithilfe von KI nach Mustern und Verbindungen, denken sich neue Metriken aus, prüfen wie gut sie die Realität beschreiben etc. .
Außerdem darf man die Genauigkeit auf der „Mikroebene“ nicht mit der „Makroebene“ vergleichen. Natürlich können sie z.B. nicht für einzelne Entitäten genau sagen, wie hoch das Guthaben ist, da sie nicht alle Adressen kennen.
Sie können aber folgendes versuchen:
Sie können alle Entitäten in Klassen einteilen. Anschließend versuchen sie, die Schätzung des Guthaben jeder Entität einer Klasse so zu optimieren, dass sie vielleicht zwischen Entitäten stark schwankt (großer Fehler für Einzelne), aber der Mittelwert der Schätzung möglichst nahe am echten Mittelwert der Entitäten dieser Klasse liegt.
Gleichzeitig wird die relative (prozentuale) Schwankung des Mittelwerts, die von der Schwankung für einzelne abhängt, mit größerer Anzahl von Entitäten immer kleiner. Man muss also „nur“ die systematische Abweichung der Schätzung minimieren.
In den Auswertung siehst ja sowieso nie 10 Millionen Entitäten nebeneinander aufgetragen, sondern nur wenige Klassen. Diese Art von Makroschätzung basierend auf Mittelwerten kann dann sehr genau sein.
(Ich habe keine Ahnung was die wirklich machen, ist sicher auch Geschäftsgeheimnis, aber genau so würde ich es machen.)