192.080 Crypto Asset Analytics
Diese Lehrveranstaltung ist in allen zugeordneten Curricula Teil der STEOP.
Diese Lehrveranstaltung ist in mindestens einem zugeordneten Curriculum Teil der STEOP.

2022S, VU, 2.0h, 3.0EC

LVA-Bewertung

Merkmale

  • Semesterwochenstunden: 2.0
  • ECTS: 3.0
  • Typ: VU Vorlesung mit Übung
  • Format der Abhaltung: Distance Learning

Lernergebnisse

Nach positiver Absolvierung der Lehrveranstaltung sind Studierende in der Lage

  • Distributed Ledger Technologie und darauf aufbauende Kryptoassets zu erklären
  • Zwischen unterschiedlichen Arten von Kryptoassets auf Basis ihrer Funktionalität und technischen Eigenschaften zu unterscheiden
  • Grundlegende Analysemethoden auf Kryptoasset Transaktionen anzuwenden
  • Spezifische Kryptoasset Analyse Tasks mit Open Source Tools durchzuführen
  • Die Eigenschaften und mögliche Analysemethoden privacy-zentrierter Kryptowährungen zu erklären
  • Smart Contract Analyse-Tools anzuwenden
  • Die footprints von off-chain Zahlungskanälen in Blockchains zu analysieren
  • Gängige Kryptoasset Anwendungen und Use Cases zu präsentieren
  • Eigene Analyse-Tasks umzusetzen

 

 

Inhalt der Lehrveranstaltung

  • Einführung in Kryptowährungen und Distributed Ledger Technology (Blockchain)
  • Grundlegende Analyse Methoden für Kryptowährungen
  • Analyse von Privacy Coins (Monero, Zcash, etc.)
  • Analyse von Off-Chain Zahlungskanälen
  • Analyse von Smart Contracts und Token Systemen
  • Analyse von Decentralized Finance (DeFi) Protokollen

Methoden

  • Vorlesung
  • Wöchentliche Übungsaufgaben (Literaturstudie + Programmieraufgaben)
  • Präsentationen
  • Projektarbeit (specific data analytics task)

Prüfungsmodus

Prüfungsimmanent

Weitere Informationen

Diese Lehrveranstaltung gliedert sich ein zwei Teile: der erste Teil (zu Semesterbeginn) umfasst Vorlesung seitens des LV Leiters, externe Fachvorträge, sowie wöchentliche Übungen (Programmieraufgaben + Aufbereitung wissenschaftlicher Literatur) die seitens der Studierenden in den Lehrveranstaltungen präsentiert werden. Im zweiten Teil sollen die erlernten Methoden in konkreten Projekten angewendet werden.

Benotung

  • Wöchentliche Hausübung 50%
  • Projektarbeit 50%

Vortragende Personen

Institut

LVA Termine

TagZeitDatumOrtBeschreibung
Mi.17:00 - 18:3009.03.2022 Zoom Meeting (LIVE)Course Intro & Cryptoassets Recap
Mi.17:00 - 18:3016.03.2022 Zoom Meeting (LIVE)Basic Cryptoasset Analysis Techniques
Mi.17:00 - 18:3023.03.2022 Zoom Meeting (LIVE)The Limits of Known Methods: Coin Mixing & Privacy Coins
Mi.17:00 - 18:3030.03.2022 Zoom Meeting (LIVE)Going Beyond UTXO: Ethereum, Smart Contracts, Tokens, Account-Model Ledgers
Mi.17:00 - 18:3020.04.2022 Zoom Meeting (LIVE)Analyzing Decentralized Finance (DeFi) Protocols
Mi.17:00 - 18:3027.04.2022 Zoom Meeting (LIVE)Analyzing Layer-2 (Lightning Protocol) + Machine Learning Techniques
Mi.17:00 - 18:3004.05.2022 Zoom Meeting (LIVE)Projects | Overall Approach & Initial Design Presentation
Mi.17:00 - 18:3001.06.2022 Zoom Meeting (LIVE)Projects | Intermediate Results Presentation
Mi.17:00 - 19:0029.06.2022EI 1 Petritsch HS Projects | Final Results Presentation

Leistungsnachweis

ECTS Breakdown:
---------------------------------------------------

12 Std. Vorlesung

13 Std. Selbststudium, Lesungen und Hausaufgaben

50 Std. Project
---------------------------------------------------
75 Stunden (6 ECTS)

LVA-Anmeldung

Von Bis Abmeldung bis
18.02.2022 10:00 28.02.2022 23:59 09.03.2022 23:59

Curricula

StudienkennzahlSemesterAnm.Bed.Info
066 645 Data Science
066 645 Data Science STEOP
Lehrveranstaltung erfordert die Erfüllung der Studieneingangs- und Orientierungsphase STEOP
066 937 Software Engineering & Internet Computing
175 FW Freie Wahlfächer - Wirtschaftsinformatik
880 FW Freie Wahlfächer - Informatik

Literatur

Es wird kein Skriptum zur Lehrveranstaltung angeboten.

Vorkenntnisse

  • Programmierkenntnisse (e.g., Python).
  • Grundlegendes Verständnis von Bitcoin und Kryptowährungstechnologie (z.B.: erfolgreiche Absolvierung von „VU 192.065“)
  • Grundkenntnisse in Netzwerkanalyse und maschinellen Lerntechniken (supervised, unsupervised)

Vorausgehende Lehrveranstaltungen

Sprache

Englisch