Diva.exchange entwickelt ein System für den Wertaustausch, das auf Privatsphäre, Anonymität und Benutzersicherheit basiert. Aus diesem Grund nutzt die Plattform I2P (Invisible Internet Project) als Overlay-Netzwerk – ein nachrichtenbasiertes, anonymes Netzwerk, das gegen Zensur und Restriktionen ausgelegt ist.

Doch wie zuverlässig ist dieser Schutz, wenn künstliche Intelligenz dagegen eingesetzt wird?

Die Anonymität jeder Netzwerkschicht erfordert regelmäßige Belastungstests. Im Rahmen einer Zusammenarbeit mit der Hochschule Luzern (HSLU) untersuchte der Forscher Patrick Grossenbacher das Potenzial des maschinellen Lernens zur Deanonymisierung von I2P-Nutzern („Machine Learning Approaches to Deanonymizing I2P Network Traffic“). Die Forschungsergebnisse wurden auf der CRITIS-Konferenz vom 28. bis 30. September 2026 vorgestellt.

Nachfolgend finden Sie eine Analyse der Methodik, der wichtigsten Ergebnisse und der Auswirkungen der Studie auf die Architektur von diva.exchange.

Bedrohungen für anonyme Netzwerke

Angriffe auf anonyme Netzwerke lassen sich in zwei Kategorien unterteilen: aktive Angriffe (Einschleusen bösartiger Knoten, kompromittierte Floodfill-Router) und passive Angriffe.

Die vorliegende Studie konzentriert sich ausschließlich auf die passive Analyse. In diesem Szenario greift der Angreifer nicht aktiv in den Netzwerkbetrieb ein, sondern zeichnet lediglich den verschlüsselten Datenverkehr auf Ebene von Internetdienstanbietern (ISPs) oder Backbone-Leitungen auf.

Ziel der Untersuchung war es festzustellen, ob ein Beobachter die Quell- und Ziel-IP-Adressen einer Kommunikationssitzung (Outbound Gateway und Inbound Endpoint) identifizieren kann, ohne die Verschlüsselung zu knacken – allein auf Basis von Zeitstempeln und Paketgrößen. Einfach ausgedrückt: Kann künstliche Intelligenz feststellen, dass zwischen zwei Knoten im Netzwerk Informationen ausgetauscht werden?

I2P-Architektur und Risikobereiche

Im Gegensatz zu Tor basiert I2P auf einer paketvermittelten Datenübertragung mit unidirektionalen Tunneln. Der Schutz stützt sich auf Garlic-Verschlüsselung sowie die Noise-basierten Transportprotokolle NTCP2 und SSU2. Die Daten werden in verschlüsselten Blöcken fester Größe (bis zu 1 KB) übertragen, was deren interne Struktur verbirgt.

Wie künstliche Intelligenz nach Verbindungen zwischen I2P-Nutzern suchte

Für die Datenerhebung wurde ein Testnetzwerk aus 16 i2pd-Routern in einem Kubernetes-Cluster aufgesetzt. Alle Netzwerkpakete wurden mit Nanosekunden-Präzision aufgezeichnet (tcpdump –nano). Anschließend versuchten Algorithmen des maschinellen Lernens, die Zusammenhänge zu rekonstruieren und die tatsächlichen Absender und Empfänger zuzuordnen.

Die Analyse erfolgte in zwei Schritten:

1. Suche nach übereinstimmenden Signalen: Der Algorithmus analysierte Millionen übertragener Datenpakete und versuchte zu ermitteln, welche davon derselben Route zuzuordnen waren.

• Zeitbasierte Verifikation: Wenn zwei Knoten über mehrere Minuten hinweg kontinuierlich im selben Rhythmus Daten austauschen, sinkt die Fehlerrate bei der Zuordnung.

Hauptergebnisse der Studie

1. Vollständige Sichtbarkeit verschafft Algorithmen den Vorteil

Bei 100 % Verkehrssichtbarkeit ist eine Deanonymisierung möglich. Unter Laborbedingungen und bei vollständiger Erfassung sämtlicher Netzwerkpakete konnte der Algorithmus bei einem strikt konfigurierten Schwellenwert bis zu 99 % der Absender-Empfänger-Verbindungen mit einer Genauigkeit von bis zu 93 % rekonstruieren.

Mit anderen Worten: Wenn ein hypothetischer Beobachter (z. B. ein großer Telekommunikationsanbieter) den gesamten Datenverkehr im Netzwerk einsehen kann, sind Algorithmen in der Lage, Absender und Empfänger mit hoher Präzision zu verknüpfen. Unter idealen Laborbedingungen konnte das Modell den Großteil der Teilnehmer identifizieren.

• Teilweise Sichtbarkeit: Die Schutzmechanismen greifen

Sobald der Beobachter auch nur einen Teil der Übertragungen aus den Augen verliert (etwa weil nicht alle Knoten kontrolliert werden oder Datenpakete fehlen), bricht die Genauigkeit des Algorithmus massiv ein. Verbindungen aufzuspüren wird nahezu unmöglich. Der Verlust bereits einzelner Abschnitte der Paketkette erschwert die Rekonstruktion des vollständigen Pfades erheblich.

• Mehr Teilnehmer bedeuten höhere Sicherheit

Das Experiment wurde in einem Testnetzwerk mit 16 Knoten durchgeführt. In der Praxis besteht das I2P-Netzwerk aus Zehntausenden Teilnehmern. In diesem dichten Grundrauschen verschmelzen Millionen gleichzeitig übertragener Nachrichten, wodurch die Isolierung einzelner Routen erheblich erschwert wird.

Schlussfolgerungen und Ausblick für diva.exchange

Die Studie zeigt, dass die Korrelation von Zeitstempeln unter der theoretischen Laborannahme einer lückenlosen Verkehrsüberwachung eine Herausforderung darstellen kann. Gleichzeitig bestätigt sie jedoch die Belastbarkeit der dezentralen I2P-Architektur unter realistischen Bedingungen.

Für diva.exchange und die I2P-Community ergeben sich daraus klare Prioritäten:

• Konsequente Nutzung moderner Transportprotokolle: Standardmäßige Durchsetzung von SSU2 und NTCP2. Beide Protokolle setzen auf dem Noise Protocol Framework auf und bieten bereits integrierte kryptografische Padding-Mechanismen, um Paketgrößen und Datenmuster wirksam zu verschleiern.

• Netzwerkskalierung als natürlicher Schutz: Die Untersuchung belegt, dass die Treffsicherheit von Korrelationsmodellen mit wachsender Teilnehmerzahl drastisch abnimmt. Das Wachstum des Knoten-Ökosystems ist der effektivste Schutzfaktor, da ein hohes Grundrauschen das Nachverfolgen einzelner Kommunikationspfade in der Praxis verhindert.

• Architektur auf Anwendungsebene: Anstatt das zugrundeliegende Low-Latency-Netzwerk künstlich zu verlangsamen, optimiert diva.exchange die Abläufe auf Applikationsebene. Durch asynchrone Transaktionsbündelung und entkoppelte Interaktionsmuster werden vorhersehbare Übertragungsrhythmen von vornherein unterbunden, ohne die Reaktionszeiten für Nutzer zu beeinträchtigen.

Forschungsmaterialien

Alle Forschungsmaterialien – einschließlich des annotierten Datensatzes der Netzwerkpakete, der Bereinigungsskripte und des Modell-Trainingscodes – sind unter der MIT-Lizenz frei zugänglich veröffentlicht:

• Datensatz: i2p-dataset-2026

• Modell-Code: i2p-deanonymization-ml

DAS IST DIVA.EXCHANGE

Der gemeinnützige Verein diva.exchange, unterstützt mit einem barrierefreien und kollaborativen Ansatz die Entwicklung freier Banking-Technologie für alle interessierten Menschen. Die quelloffene Technologie sichert die Privatsphäre aller Teilnehmer im Finanzwesen der Zukunft. Das Blockchain-basierte Gesamtsystem ist vollkommen verteilt. Jeder kann bei diva.exchange mitmachen.

Die Zusammenarbeit mit der Forschungsinstitutionen spielt bei diva.exchange eine wichtige Rolle. Forschung findet in Kooperation mit akademischen Einrichtungen statt und die Resultate werden jeweils auf Fachkonferenzen öffentlich vorgestellt.

ERFAHRE MEHR ÜBER UNSERE ARBEIT

Alle technischen Informationen unter: https://github.com/diva-exchange/

I2P-Leitfaden für Einsteiger und Installationsanleitung: https://www.diva.exchange/en/privacy/introduction-to-i2p-your-own-internet-secure-private-and-free/

Alle Videos: https://odysee.com/@diva.exchange:d/

Einführung in I2P: https://en.wikipedia.org/wiki/I2P

Testnetz von diva.exchange: https://testnet.diva.exchange

KONTAKT

Twitter: https://twitter.com/@DigitalValueX

Mastodon: https://social.diva.exchange/@social

Falls noch Fragen auftauchen so ist Telegram besonders geeignet: https://t.me/diva_exchange_chat_de (auf Englisch, Deutsch oder Russisch