Tobias Andreas Fritz M.Sc.

Research Area:

Tobias is currently conducting research in the field of temporal graph neural networks (TGNNs). His work focuses on developing and applying these models in several domains, including cryptocurrency transaction graph analysis—with an emphasis on tracing ransomware-related payments—as well as detecting anomalies in network behavior for cybersecurity applications. Another key area of application is network traffic load prediction, where TGNNs help anticipate dynamic changes in communication patterns. In addition to advancing the application domains, Tobias is also dedicated to improving the performance, runtime, and memory efficiency of TGNN architectures. Beyond graph-based methods, he is interested in AI agents based on large language models, especially their use in autonomous network management and the automated content analysis of news articles.

Prior to his PhD, Tobias worked for one year as a software developer at Bertrandt AG. He holds a master’s degree in mathematics from the Technical University of Munich and a bachelor’s degree in mathematics with a minor in computer science from Ludwig-Maximilians-Universität. During his studies, he spent about three years in research roles at Infineon Technologies AG and Allianz Global Investors GmbH.

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

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. Der Transaktionsgraph bei 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.

Bachelor/Master Thesis: Predicting Cellular Network Traffic Load using Temporal Graph Neural Networks: Die effiziente Vorhersage von Verkehrslasten in Mobilfunknetzen ist entscheidend für Netzplanung, Kapazitätsmanagement und Energieoptimierung. Da sich Nutzerverhalten sowohl räumlich als auch zeitlich verändert, sind klassische Vorhersagemethoden oft nicht ausreichend. In dieser Masterarbeit wird der Einsatz von Temporal Graph Neural Networks (TGNN) untersucht, um zeitlich-dynamische Abhängigkeiten in zellulären Netzwerken zu modellieren und zukünftige Netzlasten präziser vorherzusagen. Neben einer fundierten Literaturübersicht wird ein TGNN-Modell prototypisch implementiert und auf realistischen Mobilfunkdaten evaluiert.

Inhalte der Arbeit:

• Einführung in Mobilfunknetzwerke und typische Traffic-Metriken (z. B. Nutzerzahl, Durchsatz)

• Überblick über bestehende Ansätze zur Traffic Load Prediction

• Grundlagen von GNNs und TGNNs

• Literaturrecherche zu TGNN-Anwendungen im Mobilfunkbereich

• Implementierung eines TGNN-Modells zur Lastvorhersage

• Bewertung und Diskussion der Ergebnisse

Voraussetzungen:

Grundkenntnisse in Machine Learning und Deep Learning. Interesse an Mobilfunknetzen und Erfahrung mit Python (z. B. PyTorch) sind von Vorteil.