TY - THES A1 - Abdoul Karim, Malik T1 - Verbesserung der Alarmqualität und Entscheidungsfindung bei der Erkennung von Cyberangriffen durch Integration von Threat Intelligence und externen Datenquellen N2 - Diese Arbeit untersucht die Integration von externer Threat Intelligence in Cybersicherheitsplattformen, um die Erkennung von Bedrohungen in Echtzeit und die Reaktion auf Vorfälle 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 Cybersicherheitsentitäten anzureichern. Zudem werden maschinelle Lernmodelle, insbesondere Satztransformatoren, verwendet, um Texte einzubetten und die Kosinus-Ähnlichkeit zwischen potenziellen Bedrohungen und Warnmeldungen zu berechnen. Damit wird gezeigt, dass die Korrelation externer Datenquellen mit Threat Intelligence die Präzision von Alarmen erheblich verbessert und sicherheitsrelevante Einblicke für Analysten liefert. Das finale System bietet eine skalierbare und effiziente Datenverarbeitung sowie Echtzeit-Visualisierungen durch Elasticsearch und Kibana-Dashboards zur Unterstützung der Entscheidungsfindung in der Cybersicherheit. KW - NLP KW - Elastic KW - Twitter KW - X KW - Threat Intelligence KW - Machine Learning KW - Maschinelles Lernen KW - Twitter KW - Computersicherheit Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:522-opus4-32103 CY - Brandenburg an der Havel ER - TY - THES A1 - Allwardt, Arne T1 - Analyse von Machine-Learning-Methoden zur synthetischen Erzeugung von Zeitreihen N2 - In der Domäne der Zeitreihen besteht ein Mangel an qualitativ hochwertigen Daten, was die Leistungsfähigkeit von Deep-Learning-Modellen beeinträchtigen 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 Ansätzen (Jittering, Time Warping) verglichen. Die Methoden werden anhand der Kriterien Ähnlichkeit, Diversität und Nützlichkeit 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. N2 - In the domain of time series, there is a lack of high-quality data, which can negatively affect the performance of deep learning models. This thesis examines data augmentation methods in the field of time series that address this issue. In particular, machine learning approaches (Autoencoders, Variational Autoencoders, TimeGAN) are investigated and compared with algorithmic techniques (Jittering, Time Warping). The methods are evaluated using discriminative-, visual- and predictive evaluation. The results show that algorithmic approaches consistently yield better outcomes than machine learning methods. Furthermore, it is noted that the use of generative machine learning techniques is only meaningful when the generative model is less complex than the model that will ultimately utilize the synthetic data. KW - Machine Learning KW - Data Augmentation KW - Zeitreihen KW - Maschinelles Lernen KW - Data Augmentation KW - Zeitreihe Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:522-opus4-32017 ER -