@masterthesis{AbdoulKarim2024, type = {Bachelor Thesis}, author = {Abdoul Karim, Malik}, title = {Verbesserung der Alarmqualit{\"a}t und Entscheidungsfindung bei der Erkennung von Cyberangriffen durch Integration von Threat Intelligence und externen Datenquellen}, address = {Brandenburg an der Havel}, doi = {10.25933/opus4-3210}, url = {http://nbn-resolving.de/urn:nbn:de:kobv:522-opus4-32103}, school = {Technische Hochschule Brandenburg}, pages = {64}, year = {2024}, abstract = {Diese Arbeit untersucht die Integration von externer Threat Intelligence in Cybersicherheitsplattformen, um die Erkennung von Bedrohungen in Echtzeit und die Reaktion auf Vorf{\"a}lle zu verbessern. Durch den Einsatz von Datenscraping-Techniken auf sozialen Medien (X) in Kombination mit einer Python-basierten Verarbeitungspipeline und Elasticsearch zur Speicherung und Abfrage von Daten wird ein robustes System zur Analyse und Visualisierung bedrohungsrelevanter Informationen entwickelt. Das System integriert Natural Language Processing (NLP) Techniken, wie das Stanford CoreNLP-Framework und den Stucco Entity Extractor, um gesammelte Daten mit Cybersicherheitsentit{\"a}ten anzureichern. Zudem werden maschinelle Lernmodelle, insbesondere Satztransformatoren, verwendet, um Texte einzubetten und die Kosinus-{\"A}hnlichkeit zwischen potenziellen Bedrohungen und Warnmeldungen zu berechnen. Damit wird gezeigt, dass die Korrelation externer Datenquellen mit Threat Intelligence die Pr{\"a}zision von Alarmen erheblich verbessert und sicherheitsrelevante Einblicke f{\"u}r Analysten liefert. Das finale System bietet eine skalierbare und effiziente Datenverarbeitung sowie Echtzeit-Visualisierungen durch Elasticsearch und Kibana-Dashboards zur Unterst{\"u}tzung der Entscheidungsfindung in der Cybersicherheit.}, subject = {Maschinelles Lernen}, language = {de} } @masterthesis{Allwardt2024, type = {Bachelor Thesis}, author = {Allwardt, Arne}, title = {Analyse von Machine-Learning-Methoden zur synthetischen Erzeugung von Zeitreihen}, doi = {10.25933/opus4-3201}, url = {http://nbn-resolving.de/urn:nbn:de:kobv:522-opus4-32017}, school = {Technische Hochschule Brandenburg}, pages = {74}, year = {2024}, abstract = {In der Dom{\"a}ne der Zeitreihen besteht ein Mangel an qualitativ hochwertigen Daten, was die Leistungsf{\"a}higkeit von Deep-Learning-Modellen beeintr{\"a}chtigen kann. Diese Arbeit untersucht Data-Augmentation-Methoden im Bereich von Zeitreihen, welche dieses Problem adressieren. Dabei werden insbesondere Machine-Learning-Verfahren (Autoencoder, Variational Autoencoder, TimeGAN) untersucht und mit algorithmischen Ans{\"a}tzen (Jittering, Time Warping) verglichen. Die Methoden werden anhand der Kriterien {\"A}hnlichkeit, Diversit{\"a}t und N{\"u}tzlichkeit bewertet. Die Ergebnisse zeigen, dass algorithmische Verfahren konsistent bessere Ergebnisse liefern als Machine-Learning-Methoden. Zudem wird festgestellt, dass der Einsatz generativer Machine-Learning-Verfahren nur dann sinnvoll ist, wenn das generative Modell weniger komplex ist als das Modell, welches die synthetischen Daten letztlich verwenden soll.}, subject = {Maschinelles Lernen}, language = {de} }