<?xml version="1.0" encoding="utf-8"?>
<export-example>
  <doc>
    <id>6087</id>
    <completedYear>2021</completedYear>
    <publishedYear/>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>bachelorthesis</type>
    <publisherName/>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2022-09-24</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>2021-03-05</thesisDateAccepted>
    <title language="eng">A machine learning approach for churn prediction within the social network Jodel</title>
    <title language="deu">Ein Machine-Learning-Ansatz zur Vorhersage der Abwanderung von Nutzern am Beispiel des Sozialen Netzwerkes Jodel</title>
    <abstract language="eng">Within the last decades, the number of social networks is growing fast. The competition of retaining the customers to grow their platform and increase their profitability is rising. That is why companies need to detect possible churners to retain these. The problem of predicting the users’ lifetime, churning users, and the reasons for churning can be tackled by using machine learning. &#13;
The goal of this bachelor thesis is to build machine learning models to predict user churn and the user lifetime within the social network Jodel, a location-based anonymous messaging application for Android and iOS. &#13;
To get the best possible prediction results, we have started with extensive literature research, whose approaches we have tested and added to a machine learning pipeline to build predictive models. With these models, we have investigated the performance after different observation time windows and have finally compared the strongest models to detect similarities and understand the insights to learn their behaviour. &#13;
The results of this thesis are machine learning models for a selected representative set of communities varying in size within the Kingdom of Saudi Arabia and a country model leveraging all data. These models are used for a regression task by predicting the lifetime of a user and a multi-label classification of a user into six different churn classes. Additionally, we have also given models for a binary classification, where the model will predict if the user will churn within a given time or not. These models have shown general strong predictive power, which is shrinking when limiting the observation time window. Especially the binary classification yielded high accuracy of over 99%. &#13;
The best models have been used for predicting user churn within other communities to detect communities with possible similar behaviour. These similarities then have been determined by features’ importance, where the most important features have got fed back into empirics. This has shown statistically significant differences between user groups with a different active time but as of today no clear trends were visible that had led us to define the communities’ behaviours. &#13;
Since the competition of social networks is still growing, the retaining of users will stay a core marketing strategy, which will need to be tackled by machine learning and artificial intelligence. The created models could be useful for predicting churning users within the platform Jodel to detect these customers that will churn within a given time. &#13;
Researches did not focus much on anonymous and location-based messaging. That is why the results of this thesis on the anonymous messaging application Jodel opens a variety of possible tasks for the future in this context.</abstract>
    <abstract language="deu">In den letzten Jahrzehnten ist die Zahl der sozialen Netzwerke schnell gewachsen. Der Wettbewerb um die Bindung der Kunden, um die Plattform zu vergrößern und die Rentabilität zu steigern, nimmt zu. Aus diesem Grund müssen Unternehmen mögliche Abwanderer erkennen, um diese zu binden. Das Problem der Vorhersage der Nutzerlebensdauer, der abwandernden Nutzer und der Gründe für die Abwanderung kann mit Hilfe von maschinellem Lernen angegangen werden. Ziel dieser Bachelorarbeit ist es, maschinelle Lernmodelle zur Vorhersage der Nutzerabwanderung und der Nutzerlebensdauer innerhalb des sozialen Netzwerks Jodel, einer ortsbezogenen anonymen Messaging-Anwendung für Android und iOS, zu erstellen.&#13;
Um die bestmöglichen Vorhersageergebnisse zu erhalten, haben wir mit einer umfangreichen Literaturrecherche begonnen, deren Ansätze wir getestet und zu einer maschinellen Lernpipeline hinzugefügt haben, um Vorhersagemodelle zu erstellen. Mit diesen Modellen haben wir die Leistung nach verschiedenen Beobachtungszeitfenstern untersucht und schließlich die stärksten Modelle verglichen.&#13;
Die Ergebnisse dieser Arbeit sind maschinelle Lernmodelle für eine ausgewählte repräsentative Gruppe von Gemeinden unterschiedlicher Größe im Königreich Saudi-Arabien und ein Ländermodell, das alle Daten nutzt. Diese Modelle werden für eine Regressionsaufgabe verwendet, bei der die Lebensdauer eines Benutzers vorhergesagt wird, sowie für eine Multi-Label-Klassifizierung eines Benutzers in sechs verschiedene Abwanderungsklassen. Darüber hinaus haben wir auch Modelle für eine binäre Klassifizierung erstellt, bei der das Modell vorhersagt, ob der Nutzer innerhalb einer bestimmten Zeit abwandert oder nicht. Diese Modelle haben eine allgemein starke Vorhersagekraft gezeigt, die mit der Einschränkung des Beobachtungszeitfensters abnimmt. Insbesondere die binäre Klassifizierung ergab eine hohe Genauigkeit von über 99 %.&#13;
Die besten Modelle wurden für die Vorhersage der Nutzerabwanderung in anderen Gemeinschaften verwendet, um Gemeinschaften mit möglicherweise ähnlichem Verhalten zu ermitteln. Diese Ähnlichkeiten wurden dann anhand der Wichtigkeit der Merkmale bestimmt, wobei die wichtigsten Merkmale in die Empirie zurückgeführt wurden. Dies hat statistisch signifikante Unterschiede zwischen Nutzergruppen mit unterschiedlicher Aktivitätszeit gezeigt, jedoch ohne klare Trends zur Definition von Verhaltensweisen der Gemeinschaften.&#13;
Da die Konkurrenz unter den sozialen Netzwerken weiterwächst, wird die Bindung von Nutzern eine zentrale Marketingstrategie bleiben, die durch maschinelles Lernen und künstliche Intelligenz angegangen werden muss. Die erstellten Modelle könnten für die Vorhersage von abwandernden Nutzern innerhalb der Plattform Jodel nützlich sein, um die Kunden zu erkennen, die innerhalb einer bestimmten Zeit abwandern werden.</abstract>
    <identifier type="doi">10.26127/BTUOpen-6087</identifier>
    <identifier type="urn">urn:nbn:de:kobv:co1-opus4-60878</identifier>
    <enrichment key="opus.source">publish</enrichment>
    <enrichment key="OtherNotes">Based on the results of this Bachelor Thesis, a Paper was published, that includes and extends the results of this work: Understanding &amp; Predicting User Lifetime with Machine Learning in an Anonymous Location-Based Social Network (DOI:10.1145/3442442.3451887)</enrichment>
    <enrichment key="opus.doi.autoCreate">false</enrichment>
    <enrichment key="opus.urn.autoCreate">true</enrichment>
    <licence>Creative Commons - CC BY-NC-ND - Namensnennung - Nicht kommerziell - Keine Bearbeitungen 4.0 International</licence>
    <author>Max Bergmann</author>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Machine learning</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Churn prediction</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Neural networks</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Python</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Feature engineering</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Maschinelles Lernen</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Online-Community</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Prognose</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Maschinelles Lernen</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Abwanderungsvorhersage</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Neuronale Netze</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Klassifizierungsbäume</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Regressionsbäume</value>
    </subject>
    <collection role="ddc" number="0">Informatik, Informationswissenschaft, allgemeine Werke</collection>
    <collection role="collections" number="">Wiss. Publikationen</collection>
    <collection role="institutes" number="1203">FG Rechnernetze und Kommunikationssysteme</collection>
    <thesisPublisher>BTU  Cottbus - Senftenberg</thesisPublisher>
    <thesisGrantor>BTU Cottbus - Senftenberg</thesisGrantor>
    <file>https://opus4.kobv.de/opus4-btu/files/6087/Bergmann_M.pdf</file>
  </doc>
  <doc>
    <id>4432</id>
    <completedYear>2017</completedYear>
    <publishedYear/>
    <thesisYearAccepted/>
    <language>eng</language>
    <pageFirst/>
    <pageLast/>
    <pageNumber/>
    <edition/>
    <issue/>
    <volume/>
    <type>doctoralthesis</type>
    <publisherName/>
    <publisherPlace/>
    <creatingCorporation/>
    <contributingCorporation/>
    <belongsToBibliography>0</belongsToBibliography>
    <completedDate>2018-02-11</completedDate>
    <publishedDate>--</publishedDate>
    <thesisDateAccepted>2017-11-17</thesisDateAccepted>
    <title language="eng">Optimization of network intrusion detection processes</title>
    <title language="deu">Optimierung von Einbrucherkennungsprozessen</title>
    <abstract language="eng">Intrusion detection is a concept from the field of IT security. Network intrusion detection systems (NIDS) are used in addition to preventative measures, such as firewalls, to enable an automated detection of attacks.&#13;
Network security threats often consist of multiple attack phases directed against various components of the network. During each attack phase, varying types of security-related events can be observed at various points in the network. Security monitoring, however, is nowadays essentially limited to the uplink to the internet. Sometimes it is also used to a limited extent at key points within a network, but the analysis methods do not have the same depth as at the uplink. Other areas, such as virtual networks in virtual machines (VMs), are not covered at all, yet. The aim of this thesis has been to improve the detection capability of attacks in local area networks. With a glance at the area of safety engineering, it appears efficient to secure these networks thoroughly and to develop additional monitoring solutions only for the remaining problem cases. This entails several challenges for the analysis of different parts of the TCP/IP stack. The lowermost part of the network stack has to be analyzed for attacks on network components, such as switches and VM bridges.  For this, there is still no technology. Although attacks on the layers~2 and 3, such as ARP spoofing and rogue DHCP servers in physical networks, can be controlled to some extent by appropriate switches, equivalent methods are not used in virtual networks. Therefore, a software-defined networking based approach is proposed to counteract the respective attacks, which works for physical and virtual networks. The upper layers are already largely covered by traditional NIDS methods, but the rapidly increasing data rates of local area networks often lead to an uncontrolled discarding of traffic due to overload situations in the monitoring stations.&#13;
Therefore, the drawbacks of current optimization approaches are outlined based on a detailed performance profiling of typical intrusion detection systems. A new approach for parallelizing the intrusion detection analysis that copes with the increasing network dynamics is introduced and evaluated. Since further special issues for NIDS particularly go back to the massive use of web technologies in today's networks, a firewall architecture is presented which applies novel NIDS methods based on machine learning to identify web applications and to ward off malicious inputs. The architecture addresses the entire process chain starting from the data transfer with HTTP via the analysis of manipulated web documents to the extraction and analysis of active contents.</abstract>
    <abstract language="deu">Intrusion Detection (Einbrucherkennung) ist ein Konzept aus dem Bereich der IT-Sicherheit. Netzwerk-Einbrucherkennungssysteme (NIDS) werden in Ergänzung zu präventiven Maßnahmen, wie z.B. Firewalls, eingesetzt um automatisiert Angriffe auf Computernetze und Endsysteme zu erkennen. Bedrohungen für die Netzsicherheit setzen sich oft aus verschiedenen Angriffsphasen zusammen, die gegen verschiedene Komponenten im Netz gerichtet sind. Während jeder Angriffsphase können an verschiedenen Punkten im Netz unterschiedliche sicherheitsrelevante Ereignisse beobachtet werden, die theoretisch in ein NIDS eingeleitet werden können. Das Sicherheits-Monitoring ist heutzutage jedoch im Wesentlichen auf den Uplink zum Internet beschränkt. In wenigen Fällen wird es auch innerhalb eines Netzes eingesetzt, aber die eingesetzten Analysemethoden haben nicht dieselbe Analysetiefe wie am Uplink. Darüber hinaus sind andere Netzbereiche, wie z.B. virtuelle Netze zwischen virtuellen Maschinen, bisher nicht abgedeckt.&#13;
Das Ziel dieser Arbeit ist die Verbesserung der Angriffserkennung innerhalb lokaler Netze (LANs). Mit Blick auf den Bereich des Safety Engineering scheint es effizient diese Netze zunächst sorgfältig mit präventiven Maßnahmen zu sichern und nur für die verbleibenden Problemfälle reaktive Monitoring-Maßnahmen zu entwickeln. Dies beinhaltet verschiedene Probleme bei der Analyse un¬terschiedlicher Teile des TCP/IP Protokoll-Stacks.&#13;
Der unterste Teil des Stacks muss auf Angriffe/Angriffsmethoden auf die Netztechnik, wie z.B. Switches und VM bridges, untersucht werden. Hierfür gibt es bisher keine zuverlässige Technologie. Auch wenn Angriffe auf die Schichten 2 bis 3 des Protokoll-Stacks in physischen Switches bis zu einem gewissen Grad eingeschränkt werden können, gibt es bisher keine vergleichbaren Technologien für virtuelle Netze und Software-Komponenten. Deshalb wird in dieser Dissertation ein software-defined-networking Ansatz vorgestellt, der sowohl physische, als auch virtuelle Netzinfrastrukturen schützt.&#13;
Die mittleren/oberen Schichten des Protokoll-Stacks sind bereits zu einem großen Teil durch traditionelle NIDS geschützt. Stetig steigende Datenraten innerhalb der lokalen Netze führen jedoch oft zu einem unkontrollierten Verwerfen von Netzverkehr (mit einem entsprechenden Verlust der Analysegenauigkeit), der durch Überlastsituationen innerhalb der Monitoring-Stationen bedingt ist. Basierend auf einer detaillierten Leistungsanalyse typischer NIDS werden die Probleme und Flaschenhälse existierender Optimierungsansätze für die Beschleunigung der Analyse aufgezeigt und ein neuer Ansatz zur Parallelisierung der NIDS-Analysemethoden vorgestellt und evaluiert.&#13;
Die Analyse der Anwendungsschicht wird zwar zu einem großen Teil durch klassische NIDS abgedeckt, aber der massive Einsatz von Web-Technologien erschwert die Analyse potenziell gefährlicher Anwendungsdaten. Um auch den Web-Bereich abzudecken wird eine neue Firewall-Architektur präsentiert, die basierend auf neuen NIDS-Analysemethoden mittels maschinellen Lernens Web-Anwendungen identifizieren und schadhafte Eingaben abwehren kann. Die Architektur adressiert die gesamte Prozesskette beginnend mit dem Datentransfer via HTTP, über die Analyse manipulierter Web-Dokumente, bis hin zur Extraktion und Analyse aktiver Inhalte.</abstract>
    <identifier type="urn">urn:nbn:de:kobv:co1-opus4-44327</identifier>
    <licence>Keine Lizenz vergeben. Es gilt das deutsche Urheberrecht.</licence>
    <author>René Rietz</author>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Intrusion Detection Systems (NIDS)</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Software-Defined Networking (SDN)</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Parallel NIDS</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Web Firewall (Web 2.0)</value>
    </subject>
    <subject>
      <language>eng</language>
      <type>uncontrolled</type>
      <value>Machine Learning</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Einbrucherkennungssysteme (IDS)</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Software-definierte Netzwerke (SDN)</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Web Firewall</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Web 2.0</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>uncontrolled</type>
      <value>Maschinelles Lernen</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Eindringerkennung</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Maschinelles Lernen</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Software-defined networking</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>World Wide Web 2.0</value>
    </subject>
    <subject>
      <language>deu</language>
      <type>swd</type>
      <value>Firewall</value>
    </subject>
    <collection role="ddc" number="0">Informatik, Informationswissenschaft, allgemeine Werke</collection>
    <collection role="collections" number="">Wiss. Publikationen</collection>
    <collection role="institutes" number="1203">FG Rechnernetze und Kommunikationssysteme</collection>
    <thesisPublisher>BTU  Cottbus - Senftenberg</thesisPublisher>
    <thesisGrantor>BTU Cottbus - Senftenberg</thesisGrantor>
    <file>https://opus4.kobv.de/opus4-btu/files/4432/Rietz_Rene.pdf</file>
  </doc>
</export-example>
