Tobias Andreas Fritz M.Sc.

INF 3 Institut für Technische Informatik

 

Research Area:

Tobias Fritz is a researcher in machine learning with a focus on temporal graph neural networks (TGNNs). His work combines foundational research on performance and efficiency with applications in security and networking. He develops and evaluates TGNNs for blockchain forensics (cryptocurrency transaction graphs; fraud and ransomware activity), large-scale social networks (e.g., Twitter/X), and network-traffic analytics (e.g. in 5G core networks).

 

Publications:

Tobias Fritz, Alexander Schwankner, Jan-Hendrik Wissing, Robin Buchta, Gabi Dreo Rodosek. May 2025. Granomaly: A Framework for Anomaly Detection in 5G Core Network Control Plane Traffic with Temporal Graph Neural Networks. Network Operations and Management Symposium (NOMS) 2025.

Robin Buchta, Tobias Fritz, Carsten Kleiner, Felix Heine, Gabi Dreo Rodosek. May 2024. One-Class Learning on Temporal Graphs for Attack Detection in Cyber-Physical Systems.Network Operations and Management Symposium, Workshop on Analytics for Network and Service Management (NOMS AnNet) 2024.

Tobias Fritz. September 2023. Leveraging tree-structured Graphs in Graph Neural Networks for Fake News Detection. PhD Symposium Poster @ European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD) 2023

L. Servadei, E. Zennaro, T. Fritz, K. Devarajegowda, W. Ecker, R. Wille.November 2019. Using Machine Learning for Predicting Area and Firmware Metrics of Hardware Designs from Abstract Specifications. In Microprocessors and Microsystems,Volume 71, November 2019

 

Seminar/Bachelor/Master Thesis Topics:

Bachelor/Master Thesis: Temporal Graph Neural Networks for Analyzing Cryptocurrency Transaction Graphs: Ransomware Payment Tracing & Money Laundering Detection:Mit dem Aufkommen von Kryptowährungen haben sich neue Möglichkeiten für Geldwäsche und Cyberkriminalität entwickelt – insbesondere durch den Einsatz komplexer Transaktionsmuster bei Ransomware-Zahlungen. Ziel dieser Masterarbeit ist es, den Einsatz von Temporal Graph Neural Networks (TGNN) zur Analyse solcher Kryptowährungs-Transaktionsgraphen zu untersuchen.DerTransaktionsgraphbei Kryptowährungen stellt das Netzwerk der Geldflüsse dar, wobei Knoten Wallets und gerichtete Kanten einzelne Transaktionen zwischen diesen Wallets repräsentieren – oft mit Zeitstempel, Betrag und weiteren Metadaten. Die Arbeit umfasst eine strukturierte Literaturrecherche zu bestehenden Ansätzen und eine eigene prototypische Implementierung eines ausgewählten TGNN-Modells zur Identifikation auffälliger Muster. Dabei sollen sowohl die zeitlichen als auch strukturellen Eigenschaften der Transaktionsnetzwerke berücksichtigt werden.

Inhalte der Arbeit:

  • Einführung in Transaktionsgraphen (z. B. Bitcoin)

  • Überblick über typische kriminelle Muster (z. B. Mixing, Peel Chains)

  • Grundlagen und Architektur von TGNNs

  • Literaturüberblick zu TGNNs für Blockchain-Analyse

  • Implementierung eines ausgewählten TGNN-Modells auf Basis öffentlich zugänglicher Daten

  • Diskussion von Ergebnissen, Grenzen und Forschungslücken

Voraussetzungen:

Interesse an Blockchain-Technologien, Machine Learning und Netzwerkanalyse. Erste Programmiererfahrung in Python wird vorausgesetzt.

Master Thesis - Extending a 5G Core Simulation Framework with Multi-Cell Support and NWDAF Analytics and Simulating and Evaluating a Selected NWDAF Use Case:

Moderne 5G-Mobilfunknetze bestehen nicht nur aus Funkmasten, sondern aus einem softwarebasierten 5G Core, der Nutzerverbindungen, Datenpfade und Service-Regeln steuert. Der 5G Core ist als Service-Based Architecture (SBA)aufgebaut: Viele spezialisierte Software-Bausteine (sogenannte Network Functions) tauschen Informationen über standardisierte Schnittstellen aus. Mit steigender Komplexität (dynamische Last, Mobilität, Quality-of-Service-Anforderungen) wächst der Bedarf an datengetriebener Automatisierung. Hier setzt die Network Data Analytics Function (NWDAF) an: Sie aggregiert Messdaten und Ereignisse aus dem Core-Netz und liefert daraus abgeleitete Analytics (z. B. Zustandsindikatoren oder Vorhersagen), die andere Network Functions für Optimierung und Steuerung nutzen können.

Ziel dieser Arbeit ist es, ein bestehendes 5G-Core-Simulationsframework gezielt zu erweitern und damit die Wirkung von NWDAF-basierten Use Cases unter realistischeren Bedingungen zu untersuchen. Das Framework unterstützt bislang nur eine Base Station; es soll um ein Multi-Base-Station-/Multi-Cell-Szenario erweitert werden, sodass Effekte wie Lastverteilung, Mobilität und (vereinfachte) Handover-Situationen abbildbar werden. Zusätzlich wird ein NWDAF-Modul in die Simulation integriert, inklusive Datenerfassung aus relevanten Komponenten, einer internen Datenhaltung und einer Schnittstelle zur Bereitstellung von Analytics. Aufbauend darauf wird ein ausgewählter NWDAF Use Caseimplementiert, in Simulationsexperimenten ausgeführt und quantitativ analysiert (z. B. Load/Congestion Analytics, QoS-Degradation-Erkennung/-Prädiktion, Anomalie-/Fault Detection oder Slice-bezogene Analytics). Die Arbeit soll zeigen, welche Signale und KPIs für den Use Case nötig sind, wie robust die Analytics über unterschiedliche Last- und Mobilitätsszenarien funktionieren und welche Grenzen durch Datenverfügbarkeit und Multi-Cell-Dynamik entstehen.

Inhalte der Arbeit:

  • Kurze Einführung in 5G Core, SBA und zentrale Network Functions (verständnisorientiert)

  • Analyse der NWDAF-Rolle im 5G Core und Auswahl eines konkreten NWDAF Use Cases

  • Erweiterung des Simulationsframeworks von Single-Cell zu Multi-Cell (mehrere Base Stations, Last-/Mobility-Szenarien)

  • Design und Implementierung eines NWDAF-Moduls (Dateninputs, Datenmodell, Analytics-Output)

  • Implementierung und Simulation eines ausgewählten NWDAF Use Cases inkl. definierter KPIs

  • Systematische Experimentkampagnen (Parameterstudien zu Traffic, Mobilität, Funkbedingungen)

  • Auswertung und Diskussion: Effektivität, Sensitivitäten, Grenzen, offene Fragen

 

Voraussetzungen:

Interesse an Mobilfunknetzen, Netzwerksimulation und datengetriebener Analyse. Programmiererfahrung (z. B. Python/C++ je nach Framework) wird erwartet; Grundkenntnisse in Netzwerken und Software Engineering sind hilfreich, 5G-Vorkenntnisse sind nicht zwingend erforderlich.

Seminar Thesis -NWDAF Use Cases in the 5G Core Network:Der 5G Core ist der zentrale Software-Teil eines 5G-Mobilfunknetzes, der u. a. Nutzer-Verbindungen aufbaut, Regeln für den Datenverkehr durchsetzt und die Bereitstellung verschiedener Dienste koordiniert. Anders als frühere, eher monolithische Architekturen ist der 5G Core als Service-Based Architecture (SBA) aufgebaut: Viele spezialisierte Software-Komponenten – sogenannte Network Functions (NFs) – bieten klar definierte Services über standardisierte Schnittstellen an und nutzen umgekehrt Services anderer NFs. Diese Modularität erhöht die Flexibilität und ermöglicht dynamische Anpassungen, führt aber auch dazu, dass Betriebszustand und Entscheidungsgrundlagen über mehrere Komponenten verteilt sind und sich schnell ändern (z. B. Last, Servicequalität, Störungen, Nutzerbewegungen). Die Network Data Analytics Function (NWDAF) ist eine standardisierte Analysefunktion im 3GPP-5G-Core, die Daten und Ereignisse aus dem Core-Netz aggregiert und daraus Analytics (Kennzahlen, Zustandsbewertungen und teilweise Prognosen) ableitet, die von anderen NFs zur Steuerung und Optimierung genutzt werden können. Damit fungiert NWDAF als analytische Querschnittsfunktion innerhalb der SBA, welche verteilte Informationen in verwertbare Entscheidungsgrundlagen überführt. In dieser Seminararbeit soll eine strukturierte Literaturrecherche zu den Anwendungsfällen (Use Cases) von NWDAF im 5G Core durchgeführt werden. Ziel ist es, relevante Use Cases aus Standards und Forschung zu identifizieren, zu klassifizieren und vergleichbar zu machen, z. B. QoS/QoE-Assurance, Load- und Congestion-Analytics, Network Slicing Analytics, Mobility-Analytics sowie Anomalie- und Fault Detection (inkl. sicherheitsnaher Szenarien). Für jeden Use Case soll herausgearbeitet werden, welches Problem adressiert wird, welche NFs typischerweise beteiligt sind, welche Datenquellen vorausgesetzt werden und in welcher Form die Ergebnisse bereitgestellt werden (z. B. KPIs, Events, Empfehlungen, Vorhersagen). Zusätzlich soll der Reifegrad der Ansätze bewertet werden: Was ist klar in Spezifikationen beschrieben, was wird primär akademisch diskutiert, und wo existieren Prototypen oder Implementierungshinweise? Abschließend werden zentrale Herausforderungen und offene Fragen zusammengeführt, etwa hinsichtlich Datenzugang und -qualität, Echtzeitfähigkeit, Interoperabilität innerhalb der SBA, Datenschutz sowie reproduzierbarer Evaluation.


Seminar Thesis:Blockchain Transaction Graph Analysis with Temporal Graph Neural Networks:Die zunehmende Nutzung von Kryptowährungen durch Cyberkriminelle stellt neue Herausforderungen für die Strafverfolgung dar. Insbesondere bei Ransomware-Zahlungen und Geldwäsche werden Transaktionen oft über komplexe, zeitlich verteilte Netzwerke verschleiert. Um solche kriminellen Aktivitäten aufzudecken, gewinnen graphbasierte Analysemethoden zunehmend an Bedeutung. DerTransaktionsgraphbei Kryptowährungen stellt das Netzwerk der Geldflüsse dar, wobei Knoten Wallets und gerichtete Kanten einzelne Transaktionen zwischen diesen Wallets repräsentieren – oft mit Zeitstempel, Betrag und weiteren Metadaten. Temporal Graph Neural Networks (TGNNs) bieten ein modernes Deep-Learning-Framework zur Analyse solcher Graphen, bei denen sowohl die Netzwerkstruktur als auch die zeitliche Dynamik eine Rolle spielen. In dieser Seminararbeit soll ein Überblick über den Stand der Forschung zum Einsatz von TGNNs in der Analyse von Kryptowährungs-Transaktionsgraphen gegeben werden – mit besonderem Fokus auf Ransomware-Tracking und die Erkennung von Geldwäsche.
Please approach me if you want to propose your own idea within my area of interest.