Wykrywanie oszustw na blockchainie z użyciem ML - poziom zaawansowany
Szczegółowy program kursu z zakresu uczenia maszynowego w analizie łańcucha bloków - materiał przygotowany przez zespół ryhobyy.
O tym kursie
Fraud w ekosystemie blockchain ma swoją specyfikę - pseudoanonimowość, nieodwracalność transakcji i szybkość przepływu środków tworzą środowisko, w którym klasyczne metody detekcji często zawodzą.
Problemy, które tu rozwiązujemy
Pracujemy na udokumentowanych przypadkach: wash trading na rynkach NFT, schematy Ponziego w protokołach DeFi, front-running botów MEV. Każdy przypadek to osobny moduł z danymi i kodem.
Kurs wymaga znajomości Pythona na poziomie średniozaawansowanym oraz podstaw statystyki. Jeśli nie wiesz, czym jest precision-recall tradeoff, zacznij od kursu podstawowego.
Narzędzia i środowisko
Używamy TensorFlow, DGL (Deep Graph Library) oraz środowiska Google Colab z dostępem do GPU. Dane pochodzą z publicznych archiwów oraz zanonimizowanych zbiorów udostępnionych przez partnerów kursu.
- Modele heterogenicznych grafów transakcyjnych
- Temporal Graph Networks dla detekcji w czasie rzeczywistym
- Kalibracja modeli pod kątem wysokiej czułości przy niskim FPR
- Integracja z pipeline ETL opartym na Apache Kafka
Jeden z uczestników poprzedniej edycji - Radosław Kwiatkowski z zespołu compliance w firmie fintech - opisał kurs jako jedyne szkolenie, które nie pomijało problemu niezbalansowanych klas w danych fraudowych.Program trwa osiem tygodni. Zajęcia na żywo odbywają się dwa razy w tygodniu, nagrania dostępne przez rok.
Program kursu
-
Tydzień 1-2 - Anatomia fraudu na blockchainie. Przegląd udokumentowanych przypadków, struktura danych wejściowych, budowa datasetu.
-
Tydzień 3 - Inżynieria cech dla danych grafowych. Cechy węzłów, krawędzi i podgrafów. Feature importance w kontekście fraudu.
-
Tydzień 4 - Modele klasyfikacji: XGBoost, LightGBM, ensemble methods. Obsługa niezbalansowanych klas - SMOTE, class weighting, threshold tuning.
-
Tydzień 5 - Graph Neural Networks dla detekcji fraudu. GraphSAGE, GAT, heterogeniczne grafy w DGL.
-
Tydzień 6 - Temporal Graph Networks. Modelowanie sekwencji transakcji w czasie, streaming data.
-
Tydzień 7 - Produkcja: monitoring modelu, concept drift, retraining pipeline. Integracja z systemami alertowania.
-
Tydzień 8 - Projekt końcowy: pełny system detekcji fraudu na wybranym protokole, prezentacja przed panelem ekspertów.