Grafenanalyse en ML op Blockchain-data: een technische verdieping
Verken hoe machine learning-modellen worden ingezet om patronen en anomalieën in blockchaindata te detecteren. Praktijkgericht en direct toepasbaar.
Over dit webinar
Inhoudelijke toelichting bij het programma en de leerdoelen van deze sessie.
Blockchain-netwerken zijn van nature grafenstructuren. Wallets zijn knopen, transacties zijn kanten. Toch worden ze in de praktijk vaak nog als platte tabellen geanalyseerd, wat veel structurele informatie verloren laat gaan.
Deze webinar richt zich op deelnemers die al vertrouwd zijn met standaard ML-technieken en verder willen gaan. We behandelen Graph Convolutional Networks (GCN) en Graph Attention Networks (GAT), en laten zien hoe deze modellen relaties tussen adressen beter vastleggen dan klassieke methoden.
Aan de hand van een Ethereum-dataset analyseren we clustering van exchange-wallets, identificatie van mixerservices en het traceren van fondsen over meerdere hops. We bespreken ook de beperkingen: wat deze modellen niet goed kunnen, en wanneer een eenvoudiger aanpak de voorkeur verdient.
- Vereist: kennis van Python, basiservaring met PyTorch of TensorFlow
- Aanbevolen: bekendheid met grafentheorie
- Duur: 2,5 uur inclusief vragen
Programma
Een stapsgewijs overzicht van de onderwerpen die aan bod komen tijdens het webinar.
Programma
Blok A - Grafenrepresentatie van blockchain
- Van ruwe transactiedata naar grafenobjecten
- Knoopfeatures en kantfeatures definiëren
- Schaalbaarheidsproblemen bij grote netwerken
Blok B - GNN-architecturen in de praktijk
- GCN versus GAT: wanneer welke kiezen
- Trainen op gedeeltelijk gelabelde grafendata
- Interpretatie van aandachtsmechanismen
Blok C - Casestudy Ethereum
- Detectie van mixerpatronen
- Multi-hop tracing van fondsen
- Evaluatiemetrieken bij sterk ongebalanceerde klassen
Deelnemers ontvangen vooraf een leeslijst van drie artikelen om de sessie optimaal te kunnen volgen.