Peneliti mengusulkan skema baru untuk membantu pengadilan menguji data blockchain yang tidak dianonimkan

Sebuah tim peneliti dari Friedrich-Alexander-Universität Erlangen-Nürnberg baru-baru ini menerbitkan makalah yang merinci metode yang dapat digunakan penyelidik dan pengadilan untuk menentukan validitas data yang tidak dianonimkan pada blockchain Bitcoin (BTC).

Makalah pracetak tim, “Skema Argumentasi untuk Deanonimisasi Blockchain,” menjabarkan cetak biru untuk melakukan, memverifikasi, dan menyajikan penyelidikan atas kejahatan yang melibatkan transaksi mata uang kripto. Sementara makalah ini berfokus pada sistem hukum Jerman dan Amerika Serikat, penulis menyatakan bahwa temuan tersebut harus dapat diterapkan secara umum. 

Investigasi kejahatan terkait Bitcoin berputar di sekitar deanonimisasi tersangka penjahat, sebuah proses yang dibuat lebih menantang oleh sifat pseudonim blockchain. Pengguna yang melakukan transaksi blockchain diidentifikasi oleh dompet (alamat perangkat lunak unik) alih-alih nama resmi.

Namun, blockchain pada dasarnya transparan. Setiap kali data ditambahkan ke buku besar blockchain, transaksi dicatat dan tersedia untuk dilihat oleh siapa saja yang memiliki akses ke blockchain.

Penyelidik mencoba untuk menentukan siapa yang berada di balik dompet tertentu menggunakan informasi yang dilindungi dalam transaksi blockchain (blok) sebagai titik data yang, jika digabungkan, membentuk jejak kertas digital.

Menurut tim peneliti, kemacetan saat ini terkait penyelidikan ini bukan lagi masalah teknologi; itu masalah hukum. 

Lembaga penegak hukum memiliki akses ke alat yang diperlukan untuk melakukan analisis blockchain awal, tetapi poin data awal ini mewakili bukti tidak langsung.

Bukti ini bergantung pada asumsi mentah tertentu yang hanya dapat divalidasi dengan menghubungkan aktivitas on-chain ke aktivitas off-chain, seperti memaksa pertukaran untuk mengungkapkan identitas atau informasi rekening bank pengguna yang diduga terlibat kriminal. Per kertas:

“Dalam praktik hukum, asumsi tersebut sangat penting untuk menyimpulkan nilai bukti dari deanonimisasi pelaku. Namun, belum ada praktik standar untuk menurunkan dan mendiskusikan keandalan hasil analisis tersebut yang telah diusulkan.

Jika dilakukan dengan benar, investigasi blockchain dapat mengungkap pelaku kejahatan. Para peneliti mengutip kasus Wall Street Market sebagai contoh. Di sana, penyelidik Layanan Pos AS mengidentifikasi operator pasar web gelap ilegal dengan menghubungkan berbagai titik data yang dikuatkan oleh petugas penegak hukum melalui operasi pengawasan.

Terkait: Polisi Jerman Menyita Enam Tokoh dalam Kripto Dari Tersangka yang Terlibat dalam Situs Web Gelap

Namun, para peneliti menyatakan bahwa penyelidikan tersebut berisiko melanggar hak-hak tersangka karena persyaratan hukum. Jaksa (di Jerman dan AS, per surat kabar) harus menunjukkan tingkat tertentu bukti bersalah sebelum surat perintah untuk investigasi invasif, seperti pengawasan atau penangkapan, dikeluarkan.

Untuk membantu penyelidik dan jaksa sekaligus memastikan hukum diterapkan secara adil kepada tersangka, para peneliti mengusulkan kerangka kerja standar yang berisi lima skema argumentatif yang dirancang untuk memastikan pelaporan dan penjelasan yang tepat selama proses hukum.

Dua skema dieksplorasi oleh peneliti. Sumber: “Skema Argumentasi untuk Deanonimisasi Blockchain”

Gambar di atas menunjukkan dua skema, masing-masing memanfaatkan seperangkat premis yang ditentukan untuk membingkai kesimpulan tertentu dan kemudian memberikan serangkaian pertanyaan kritis untuk menilai kekuatan argumen.

Para peneliti menegaskan bahwa “dengan memanfaatkan skema, seorang analis dapat dengan jelas mengartikulasikan heuristik yang digunakan, kekuatan masing-masing, dan kelemahan potensial. Hal ini meningkatkan pemahaman analisis dan proses pengadilan tersebut bagi para pembuat keputusan, dan juga memudahkan dokumentasi untuk verifikasi selanjutnya oleh saksi ahli.”

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