TY - THES A1 - Henle, Mona T1 - Multi-Leader Congestion Games with an Adversary N2 - In this thesis, we introduced a congestion game with multiple leaders and a single follower (adversary) which is motivated by security applications with congestion effects. Our objective was to understand the result and the impact of selfish acting individuals in these games. In this regard, we analyzed the existence, the computation and the quality of (approximate) pure Nash equilibria. First, we observed that an exact pure Nash equilibrium always exists in the resulting strategic game among the leaders if the resource cost coefficients are identical and the underlying congestion game is a matroid congestion game. If one of these two conditions is not fulfilled, the existence of PNE is not ensured anymore in general. Consequently, we focused on approximate equilibria. For the case of symmetric singleton strategies, one of our main result established that K ≈ 1.1974, the unique solution of a cubic polynomial equation, is the smallest possible factor such that the existence of a K-approximate equilibrium is guaranteed for all instances of the game. To this end, we presented an efficient algorithm which computes a K-approximate PNE. Furthermore, we showed that the factor K is tight by providing an instance where no α-approximate PNE with α < K exists. However, for a specific symmetric singleton instance there might be a better α-approximate PNE, i.e., with α < K. A given instance could even admit an exact PNE. We provided therefore a polynomial time procedure that computes a best approximate PNE of a given instance. In particular, this procedure can verify the existence of an exact PNE in a given instance efficiently and, if it exists, can also determine the corresponding load vector. Finally, for symmetric singleton instances with two resources, we compared the total cost of a best (cheapest) and worst (most expensive) PNE to the total cost of an optimal outcome, termed by the price of stability and the price of anarchy, respectively. In particular, we verified that the PoS and the PoA are 4/3. KW - Congestion Games KW - Game Theory KW - Adversary KW - Spieltheorie Y1 - 2025 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:739-opus4-19683 ER - TY - THES A1 - Schiermeier, Kathrin T1 - Multidimensional Wavelets and Neural Networks N2 - The construction of scaling functions and wavelets in multiple dimensions and for arbitrary scaling matrices is a challenging task entailing some complexities. Existing approaches mainly focus on the two-dimensional case using dyadic or quincunx sampling. This thesis aims to develop a method to construct multidimensional scaling and wavelet filters yielding orthogonal scaling functions and wavelets under the usage of convolutional neural networks. We start by recalling substantial fundamentals of ideals, modules, Fourier analysis, filterbanks and multiresolution analyses, where the mentioned concepts are already considered in an arbitrary dimensional setting to prepare the proof of the main result. There, we show the connection between multivariate scaling functions and multidimensional filters possessing certain properties. This enables us to construct scaling functions and corresponding wavelets by discrete filter design. Exploiting the link between the discrete wavelet decomposition, filterbanks and neural networks, we utilize the latter to do so. Being the main difficulty of this process, we especially focus on the Cohen criterion, which concerns the zeros of the Fourier transform of the scaling filter in modulus representing a multivariate trigonometric polynomial. After transferring the Bernstein inequality for univariate trigonomic polynomials to multiple dimensions, we present a method to derive a finite set of inequality constraints implying that the Cohen criterion holds true for a given multivariate cosine sum. Afterwards, we introduce neural networks and TensorFlow as the main tools to execute the described approach, formulate the described objective as an optimization problem and present some smaller numerical experiments and their results. A second objective of this thesis is the construction of filters possessing a unimodular modulation vector and therefore the ability to be completed to a perfect reconstruction filterbank. Both - the construction and the filterbank completion - can also be considered in a neural network framework as we will detail in the last section of this thesis alongside with the presentation of corresponding numerical experiments. In the context of filterbank completion, a further observation which allows to complete any given interpolatory filter to a perfect reconstruction filterbank in a very intuitive and simple way is presented. Furthermore, we explain that any given unimodular filter can be rendered interpolatory through prefiltering. KW - Wavelets KW - Filterbanks KW - Convolutional Neural Networks Y1 - 2025 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:739-opus4-19742 ER - TY - THES A1 - Wendlinger, Lorenz T1 - Structure-aware Deep Learning N2 - Graph structures permeate the digital landscape in explicit and implicit forms. They connect or construct artifacts by combining semantic and structural information. We also observe them in the systems designed to process this data, in their learning algorithms and the very nature of the tasks they solve. At the same time, machine learning methods are extremely data-hungry, requiring petabytes of data for training. Due to their complexity, graphs remain an under-utilized resource in this regard. Many approaches cannot incorporate them due to being fully structurally unaware or not suited to the specific flavour of graphs encountered in some domains. This disconnect is sub-optimal from an effectiveness and efficiency perspective. We present methods that extend the scope of structure-aware deep learning through structural knowledge integration and enrichment, structural performance prediction, and synergistic transfer learning. Knowledge graphs organize information and make it directly available for querying. They provide a structured inference interface for manual and automated inspection, though they can suffer from data quality issues and require careful schema design. We rephrase the reconciliation of knowledge in knowledge graphs as a link prediction task, making it tractable with adapted graph neural networks, while also benefiting conventional link prediction tasks. We further combine textual semantics and structural expression for legal reference prediction via adapted heterogeneous graph neural networks operating on complex meta-information enriched graphs. Additionally, we explore methods for the integration of intermediary expressions in strongly typed heterogeneous graphs, improving prediction via meta-path-based processing. We also develop methods for automated machine learning workflow analysis and performance prediction. This includes the learning of salient representations for management as well as improvement of workflows through automatic suggestion and refinement of components. These are then extended to the prediction of Neural Architecture Search performance prediction, including adaptation to operation-on-edge spaces. Finally, we investigate the transfer capability of pre-trained attention structures for text-based prediction tasks and find it to be both inferior to directly optimized attention masks as well as highly dependent on inherent domain knowledge. We also show that the exploitation of hierarchical task formulation can improve prediction performance through joint learning in diverse learning domains, including link prediction, performance prediction, and specialized and general argumentation mining. The dissertation contains previously published or submitted texts: Wendlinger, L., Hübscher, G., Ekelhart, A., Granitzer, M. (2022). Reconciliation of Mental Concepts with Graph Neural Networks. In: Strauss, C., Cuzzocrea, A., Kotsis, G., Tjoa, A.M., Khalil, I. (eds): Database and Expert Systems Applications. DEXA 2022. Lecture Notes in Computer Science, vol 13427, p 133-146. Springer, Cham. https://doi.org/10.1007/978-3-031-12426-6_11; Wendlinger, L., Granitzer M. (2024). Informed Heterogeneous Attention Networks for Metapath Based Learning. In: SAC '24: Proceedings of the 39th ACM/SIGAPP Symposium on Applied Computing, p 458-465, ACM, New York. https://doi.org/10.1145/3605098.3635890; Wendlinger, L., Nonn, S.A., Al Zubaer, A., Granitzer, M. (2026). The Missing Link: Joint Legal Citation Prediction Using Heterogeneous Graph Enrichment. In: Wrembel, R., Kotsis, G., Tjoa, A.M., Khalil, I. (eds) Database and Expert Systems Applications. DEXA 2025. Lecture Notes in Computer Science, vol 16047, p 197-211. Springer, Cham. https://doi.org/10.1007/978-3-032-02088-8_14; Wendlinger, L., Stier, J., Granitzer, M. (2021). Evofficient: Reproducing a Cartesian Genetic Programming Method. In: Hu, T., Lourenço, N., Medvet, E. (eds) Genetic Programming. EuroGP 2021. Lecture Notes in Computer Science, vol 12691, p 162-178. Springer, Cham. https://doi.org/10.1007/978-3-030-72812-0_11; Wendlinger, L., Berndl, E., Granitzer, M. (2021). Methods for Automatic Machine-Learning Workflow Analysis. In: Dong, Y., Kourtellis, N., Hammer, B., Lozano, J.A. (eds) Machine Learning and Knowledge Discovery in Databases. Applied Data Science Track. ECML PKDD 2021. Lecture Notes in Computer Science, vol 12979, p 52-67. Springer, Cham. https://doi.org/10.1007/978-3-030-86517-7_4; Wendlinger, L., Granitzer, M., Fellicious, C. (2023). Pooling Graph Convolutional Networks for Structural Performance Prediction. In: Nicosia, G., et al. (eds) Machine Learning, Optimization, and Data Science. LOD 2022. Lecture Notes in Computer Science, vol 13811, p 1-16. Springer, Cham. https://doi.org/10.1007/978-3-031-25891-6_1; Wendlinger, L., Braun, C., Zubaer, A., Nonn, S., Großkopf, S., Fellicious, C., Granitzer, M.: On the Suitability of pre-trained foundational LLMs for Analysis in German Legal Education, submitted to the proceedings of the International Conference on Machine Learning, Optimization, and Data Science 2025, preprint published: https://doi.org/10.48550/arXiv.2412.15902; Wendlinger, L., Kuhn, R., Mitrovic, J., Granitzer, M. (2025). Joint Learning for Efficient German Argument Mining. In: 2025 IEEE 37th International Conference on Tools with Artificial Intelligence (ICTAI), Athens, Greece, 2025, p 770-777. IEEE, Los Alamitos. https://doi.org/10.1109/ICTAI66417.2025.00111. N2 - Graphenstrukturen durchdringen die digitale Landschaft in expliziten und impliziten Formen. Sie verbinden oder konstruieren Artefakte, indem sie semantische und strukturelle Informationen kombinieren. Wir beobachten sie auch in den Systemen, die zur Verarbeitung dieser Daten entwickelt wurden, in ihren Lernalgorithmen und in der Art der Aufgaben, die sie lösen. Gleichzeitig sind die Methoden des maschinellen Lernens extrem datenhungrig und benötigen Petabytes an Daten für das Training. Aufgrund ihrer Komplexität bleiben Graphen in dieser Hinsicht eine unzureichend genutzte Ressource. Viele Ansätze können sie nicht einbeziehen, weil sie die Struktur der Graphen nicht kennen oder nicht für die spezielle Art von Graphen geeignet sind, die in einigen Bereichen vorkommen. Diese Trennung ist aus Sicht der Effektivität und Effizienz suboptimal. Wir stellen Methoden vor, die den Anwendungsbereich des strukturbewussten Deep Learning durch strukturelle Wissensintegration und -anreicherung, strukturelle Leistungsvorhersage und synergetisches Transferlernen erweitern. Wissensgraphen organisieren Informationen und machen sie direkt für Abfragen verfügbar. Sie bieten eine strukturierte Inferenzschnittstelle für die manuelle und automatische Überprüfung, obwohl sie unter Problemen der Datenqualität leiden können und ein sorgfältiges Schemadesign erfordern. Wir formulieren den Abgleich von Wissen in Wissensgraphen als eine Aufgabe der Kantenvorhersage um, die mit angepassten neuronalen Netzen für Graphen durchführbar ist und auch konventionellen Kantenvorhersageaufgaben zugute kommt. Darüber hinaus kombinieren wir Textsemantik und strukturelle Ausdrücke für die Vorhersage rechtlicher Verweise mit Hilfe angepasster heterogener Graph neuronaler Netze, die auf komplexen, mit Metainformationen angereicherten Graphen arbeiten. Darüber hinaus erforschen wir Methoden zur Integration von intermediären Ausdrücken in stark typisierten heterogenen Graphen und verbessern die Vorhersage durch metapfadbasierte Verarbeitung. Wir entwickeln auch Methoden für die automatische Analyse von Prozessbeschreibungen und Leistungsvorhersagen für maschinelles Lernen. Dies beinhaltet das Lernen von bedeutungsvollen Repräsentationen für das Management sowie die Verbesserung von Prozessbeschreibungen durch automatische Vorschläge und Verfeinerung von Komponenten. Diese Methoden werden dann auf die Leistungsvorhersage der neuronalen Architektursuche ausgeweitet, einschließlich der Anpassung an die Operation-on-Edge-Räume. Schließlich untersuchen wir die Transferfähigkeit von vortrainierten Aufmerksamkeitsstrukturen für textbasierte Vorhersageaufgaben und stellen fest, dass diese sowohl den direkt optimierten Aufmerksamkeitsmasken unterlegen sind als auch in hohem Maße vom inhärenten Domänenwissen abhängen. Wir zeigen auch, dass die Ausnutzung hierarchischer Aufgabenformulierung die Vorhersageleistung durch gemeinsames Lernen in verschiedenen Lernbereichen verbessern kann, einschließlich Kantenvorhersage, Leistungsvorhersage und spezialisierter und allgemeiner Argumentationsanalyse. Die Dissertation beinhaltet bereits veröffentlichte oder zur Veröffentlichung vorgesehene Texte: Wendlinger, L., Hübscher, G., Ekelhart, A., Granitzer, M. (2022). Reconciliation of Mental Concepts with Graph Neural Networks. In: Strauss, C., Cuzzocrea, A., Kotsis, G., Tjoa, A.M., Khalil, I. (Hgg.): Database and Expert Systems Applications. DEXA 2022. Lecture Notes in Computer Science, vol 13427, S. 133-146. Springer, Cham. https://doi.org/10.1007/978-3-031-12426-6_11; Wendlinger, L., Granitzer M. (2024). Informed Heterogeneous Attention Networks for Metapath Based Learning. In: SAC '24: Proceedings of the 39th ACM/SIGAPP Symposium on Applied Computing, S. 458-465, ACM, New York. https://doi.org/10.1145/3605098.3635890; Wendlinger, L., Nonn, S.A., Al Zubaer, A., Granitzer, M. (2026). The Missing Link: Joint Legal Citation Prediction Using Heterogeneous Graph Enrichment. In: Wrembel, R., Kotsis, G., Tjoa, A.M., Khalil, I. (Hgg.) Database and Expert Systems Applications. DEXA 2025. Lecture Notes in Computer Science, vol 16047, S. 197-211. Springer, Cham. https://doi.org/10.1007/978-3-032-02088-8_14; Wendlinger, L., Stier, J., Granitzer, M. (2021). Evofficient: Reproducing a Cartesian Genetic Programming Method. In: Hu, T., Lourenço, N., Medvet, E. (Hgg.) Genetic Programming. EuroGP 2021. Lecture Notes in Computer Science, vol 12691, S. 162-178. Springer, Cham. https://doi.org/10.1007/978-3-030-72812-0_11; Wendlinger, L., Berndl, E., Granitzer, M. (2021). Methods for Automatic Machine-Learning Workflow Analysis. In: Dong, Y., Kourtellis, N., Hammer, B., Lozano, J.A. (Hgg.) Machine Learning and Knowledge Discovery in Databases. Applied Data Science Track. ECML PKDD 2021. Lecture Notes in Computer Science, vol 12979, S. 52-67. Springer, Cham. https://doi.org/10.1007/978-3-030-86517-7_4; Wendlinger, L., Granitzer, M., Fellicious, C. (2023). Pooling Graph Convolutional Networks for Structural Performance Prediction. In: Nicosia, G., et al. Machine Learning, Optimization, and Data Science. LOD 2022. Lecture Notes in Computer Science, vol 13811, S. 1-16. Springer, Cham. https://doi.org/10.1007/978-3-031-25891-6_1; Wendlinger, L., Braun, C., Zubaer, A., Nonn, S., Großkopf, S., Fellicious, C., Granitzer, M.: On the Suitability of pre-trained foundational LLMs for Analysis in German Legal Education, eingereicht für die Proceedings der International Conference on Machine Learning, Optimization, and Data Science 2025, vorab veröffentlicht: https://doi.org/10.48550/arXiv.2412.15902; Wendlinger, L., Kuhn, R., Mitrovic, J., Granitzer, M. (2025). Joint Learning for Efficient German Argument Mining. In: 2025 IEEE 37th International Conference on Tools with Artificial Intelligence (ICTAI), Athens, Greece, 2025, S. 770-777. IEEE, Los Alamitos. https://doi.org/10.1109/ICTAI66417.2025.00111. KW - graph neural networks KW - knowledge graphs KW - structural knowledge integration KW - structural performance prediction KW - synergistic transfer learning KW - link prediction tasks Y1 - 2026 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:739-opus4-19892 ER - TY - THES A1 - Neuwirth, Daniel T1 - Einbettung und Charakterisierung von aligned bar 1-visibility Graphen und outer fan free Graphen N2 - In dieser Arbeit werden drei verschiedene Klassen von Graphen untersucht. Die Klassen sind die bar (1;1)-visibilty Graphen, die aligned bar 1-visibility Graphen und die outer fan free Graphen. Die Klassen werden durch ihre möglichen Einbettungen charakterisiert. Die Repräsentation der bar (1; j)-visibility Graphen ist, dass jeder Knoten als horizontaler Strich und jede Kante als vertikaler Strich gezeichnet wird. Eine Kante kann einen Knoten genau einmal schneiden und ein Knoten kann j-mal geschnitten werden. Wir erweitern die Ergebnisse von Dean et. al. und geben Beispiele mit einer maximalen Dichte an für bar (1; 2)-visibility, bar (1; 3)-visibility und bar (1; 4)-visibility Graphen und geben einen maximal dünnen Graphen für die Klasse der bar (1;1) visibility Graphen an. Wir zeigen, dass die Klassen der bar (1; j)-visibility Graphen für 1 < j < 1eine unendliche Hierarchie bilden. Abschließend beweisen wir, dass das Erkennungsproblem ob ein Graph eine bar (1;1)-visibility Repräsentation hat, NP-vollständig ist. Die Klasse der aligned bar 1-visibility Graphen (AB1V ) erhält man, indem man die bar (1;1)-visibility Repräsentation um 90 Grad dreht und alle Knoten verlängert, so dass diese alle mit der y-Koordinate 0 starten. Die relative Position bzgl. der x-Koordinate wird mit der t-Ordnung beschrieben und mit der r-Ordnung die relative Position bzgl. der y-Koordinate. Wir erweitern die Erkenntnisse von Felsner und Massow für die Klasse der AB1V Graphen bzgl. ihrer maximalen Dichte, der minimale Grad eines Knotens. Wir führen die Methode Pfadaddition ein, um anhand deren Abschlusseigenschaften zu unterscheiden, ob ein Graph in einer Klasse liegt oder nicht. Diese Methode nutzen wir, um die Beziehung der Klasse der AB1V Graphen mit anderen Klassen zu untersuchen. Für die Klasse der maximalen Graphen geben wir einen dünnen Graphen und eine untere Schranke bzgl. der Dichte an. Wir geben einen Algorithmus an, welcher eine Bucheinbettung aus einer AB1V Einbettung berechnet. Für die Klassen der optimalen AB1V Graphen geben wir einen Einbettungsalgorithmus an. Wir verbessern den Erkennungsalgorithmus von Felsner und Massow, ob ein Graph mit einer gegebenen t-Ordnung eine AB1V Einbettung besitzt. Für die Klasse der distinkt strong AB1V Graphen, Graphen in der jeder Knoten ein unterschiedliche r-Ordnung hat und maximal für die r-Ordnung ist, geben wir einen Algorithmus an, der in O(n6) eine mögliche Einbettung berechnet. Zum Schluss zeigen wir für diese Klasse, dass es exponentiell viele verschiedene Einbettungen gibt. Ein Graph hat eine outer fan free Einbettung, wenn alle Knoten inzident zu einer Fläche sind und keine Kante von zwei Kanten geschnitten wird, die adjazent zu einem Knoten sind. Wir untersuchen diese Klasse zuerst auf die Dichte. Weiter erforschen wir die Beziehung zwischen den Klassen der AB1V , RAC und k-planaren Graphen. Abschließend geben wir eine Reduktion von NAE-3-SAT auf das Erkennungsproblem von outer fan free Graphen an. KW - Graph Drawing Y1 - 2026 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:739-opus4-19930 ER - TY - THES A1 - Frank, Florian T1 - Integrating physical unclonable functions from novel nanomaterials, circuit elements, and memory technologies into future hardware architectures N2 - Cryptographic keys are fundamental components for ensuring security in digital systems. To ensure reliable key generation and management, various technical concepts have been developed, primarily based on dedicated hardware components such as Trusted Platform Modules (TPMs). However, many modern systems, especially small resource-constrained devices, typically lack hardware support for secure key generation and management. To address these limitations, Physical Unclonable Functions (PUFs) have proven to be an effective solution for key generation, device authentication, and identification tasks. PUFs leverage inherent variations in hardware components to produce unique, device-specific keys. For a well-designed PUF, these keys can be reproduced reliably on the same device but are practically impossible to clone. Various types of PUFs exist, including those that exploit slight delay differences in circuits with symmetric paths. Others rely on physical characteristics of components already present in the computing system, such as SRAM or DRAM. However, many of these constructions rely on technologies that could be replaced by emerging ones in the future. Such a replacement may involve a transition from traditional memory technologies, such as SRAM, DRAM, and flash memory, to emerging Non-Volatile Memories (NVMs), including Ferroelectric RAM (FRAM), Magnetoresistive RAM (MRAM), and Resistive RAM (ReRAM). These new technologies, in turn, necessitate innovative hardware security solutions for generating intrinsic hardware fingerprints, ensuring security for next-generation embedded devices. Furthermore, the integration of nanomaterials, such as carbon nanotubes, into processor architectures and the adoption of reconfigurable hardware platforms like Field-Programmable Gate Arrays (FPGAs) require the development of specifically tailored cybersecurity solutions. This dissertation aims to develop hardware-based security mechanisms for these types of devices by designing new PUF constructions and demonstrating their practical applications. One focus lies on PUFs extracted from nanomaterials and emerging circuit elements, particularly memristive devices and Carbon NanoTube Field-Effect Transistors (CNT-FETs). For memristive devices, which form the basis of ReRAM memory, this work analyzes methods ranging from simple binary quantization to advanced techniques exploiting device-specific response patterns. In the case of CNT-FETs, custom-fabricated wafers are developed to construct PUFs with optimal properties, such as high robustness, uniformity, and entropy, even under varying environmental conditions. These conditions include fluctuations in ambient temperature. Based on an analysis of fundamental system components, this work evaluates the feasibility of deriving PUFs from fully integrated circuits. A specific focus is placed on emerging non-volatile memory technologies, assessing their potential for PUF applications. To achieve PUF behavior in these memory devices, techniques such as intentional timing manipulation, induced bit flips through row hammering, and variations in supply voltage are examined. These resulting bit flips can be exploited as PUF responses. Additionally, transforming raw PUF responses into cryptographically usable keys and integrating specific PUFs into practical applications are core components of this work. The demonstrated practical applications include an innovative architecture for encrypting and binding data to non-volatile memory modules, implemented on Multiprocessor System-on-Chips (MPSoCs) incorporating FPGAs. This architecture enables the storage of confidential data on non-volatile memory while simultaneously using the same module as a PUF, without requiring separate memory partitions solely for the PUF functionality. Finally, practical applications of hardware fingerprints in the automotive sector are demonstrated, including an FPGA-based implementation to maintain security while preserving the temporal determinism of time-critical messages. These goals are met through the use of hardware-implemented cryptographic algorithms coupled with an FPGA-based ring oscillator PUF. To summarize, this work presents new types of PUF implementations, starting with nanomaterials and emerging circuit elements, extending to PUFs derived from integrated circuits, and demonstrates innovative solutions for their integration into MPSoC-based architectures. N2 - Kryptografische Schlüssel bilden die Grundlage nahezu aller Verfahren zur Gewährleistung der IT-Sicherheit in digitalen Systemen. Um deren Generierung und Verwaltung zuverlässig zu ermöglichen, wurden verschiedene technische Konzepte entwickelt, allen voran dedizierte Hardware-Komponenten wie Trusted Platform Modules (TPMs). Ein Nachteil solcher Konzepte ist jedoch, dass diese Module nicht in allen Systemen integrierbar sind, weshalb Mikrocontroller in kleinen eingebetteten Systemen häufig keine Unterstützung für hardwaregestützte Schlüsselverwaltung bieten. Um dennoch eine sichere Kommunikation zu gewährleisten, haben sich kryptografische Schlüssel, die aus sogenannten Physical Unclonable Functions (PUFs) abgeleitet werden, als effektive Lösung bewährt. PUFs nutzen hardwarebedingte physikalische Abweichungen, die häufig durch den Produktionsprozess verursacht werden, um daraus einen unklonbaren, gerätespezifischen kryptografischen Schlüssel zu erzeugen. Ein Beispiel sind verzögerungsbasierte PUFs, die minimale Signalverzögerungen aufgrund geringfügiger Abweichungen in den Leitungslängen sowie weiteren elektrischen Parametern nutzen, um eine unklonbare, gerätegebundene Charakteristik zu extrahieren. Des Weiteren haben sich PUFs, die auf bereits in einem Rechensystem vorhandenen Hardwarekomponenten wie DRAM oder SRAM basieren, als kostengünstige Möglichkeit eines Hardware-Sicherheitsankers erwiesen. Der Großteil der derzeit verfügbaren PUF-Implementierungen basiert jedoch nahezu ausschließlich auf älterer Hardware, wie den oben erwähnten Speichertechnologien. In Zukunft könnten diese jedoch durch neuartige nichtflüchtige Speichertechnologien, insbesondere Ferroelectric RAM (FRAM), Magnetoresistive RAM (MRAM) und Resistive RAM (ReRAM), ersetzt werden. Bei diesen Technologien besteht ebenfalls die Notwendigkeit zur Ableitung von kryptografisch sicheren Schlüsseln, um den Schutz zukünftiger eingebetteter Systeme zu gewährleisten. Weitere zukunftsgerichtete Entwicklungen werden die Integration von Nanomaterialien, beispielsweise in Prozessoren, sowie der vermehrte Einsatz neuer Hardwarearchitekturen, wie etwa solcher auf Basis von Field-Programmable Gate Arrays (FPGAs), umfassen. Diese Dissertation hat sich zum Ziel gesetzt, diese Probleme zu adressieren. Sie umfasst die Entwicklung und Analyse verschiedener Arten neuartiger PUFs sowie deren Integration in praktische Anwendungen. Zunächst wird eine Analyse bestimmter Nanomaterialien durchgeführt, insbesondere die Untersuchung neuartiger, auf Kohlenstoffnanoröhrchen basierender Feldeffekttransistoren. Hierfür wurden speziell gefertigte Siliziumwafer entwickelt, um PUFs mit optimalen Eigenschaften wie hoher Robustheit, Uniqueness und Entropie zu realisieren. Dies soll selbst unter variierenden Umgebungsbedingungen, einschließlich Schwankungen der Umgebungstemperatur, gewährleistet werden. Darüber hinaus wird das Verhalten von memristiven Bauelementen, den Basiselementen von ReRAM Modulen, im Hinblick auf mögliche PUF-Implementierungen untersucht. Dabei werden Lösungen zur binären Klassifikation entwickelt und spezifische Response-Pattern beim Anlegen verschiedener elektrischer Signale untersucht. Im nächsten Schritt wurde die Erzeugung von PUFs in integrierten Schaltkreisen betrachtet, insbesondere in den oben genannten nichtflüchtigen Speichern. Hierzu werden Methoden genutzt, die sich bereits bei älteren Speichermodulen als erfolgreich erwiesen haben. Dazu gehören unter anderem die Variation der Versorgungsspannung, das absichtliche Unterschreiten der Zugriffszeiten sowie das Erzeugen von Bit-Flips mittels Row Hammering. Im letzten Teil dieser Dissertation wird die Integration verschiedener PUFs in praktische Anwendungen untersucht. Zu diesem Zweck wird eine FPGA-basierte Architektur entwickelt, die unter Verwendung von intrinsischen speicherbasierten PUFs das Speichermodul gleichzeitig zum Ablegen vertraulicher Daten nutzt und diese Daten zusätzlich durch einen vom gleichen Modul abgeleiteten Schlüssel an dieses bindet. Dies ist möglich, ohne zusätzlichen Speicherplatz für die PUF-Erzeugung zu reservieren. Ein weiterer praktischer Anwendungsfall im Automotive-Kontext wird demonstriert. Hier wird ebenfalls eine FPGA-basierte Lösung vorgestellt, die Authentizität und Integrität im Fahrzeug gewährleistet und gleichzeitig den zeitlichen Determinismus der Kommunikation im Fahrzeug bewahrt. Dies wird durch den Einsatz hardwaregestützter kryptografischer Algorithmen in Verbindung mit einem FPGA-basierten Ring-Oszillator-PUF erreicht. Zusammenfassend stellt diese Arbeit neuartige PUF-Implementierungen vor, die auf Konstruktionen mit Nanomaterialien und innovativen Schaltungselementen basieren. Aufbauend darauf werden Methoden zur Extraktion von PUFs aus neuartigen nichtflüchtigen Speichertechnologien untersucht. Abschließend werden praxisnahe, innovative Anwendungen auf MPSoC-Plattformen vorgestellt, die den Einsatz von PUFs demonstrieren. KW - Physical Unclonable Functions KW - Hardware Security KW - Nanomaterials KW - Emerging Memory Technologies KW - FPGAs Y1 - 2026 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:739-opus4-20104 ER - TY - RPRT A1 - Almaini, Amar A1 - Anthuber, Stefan A1 - Egger, Gottfried A1 - Grabner, Daniel A1 - Gutbrod, Amelie A1 - Herburger, Michael A1 - Holzer, Laura A1 - Icyer, Abdurrahman A1 - Katzenbeisser, Stefan A1 - Kraxberger, Manuel A1 - Kufner, Sven A1 - Langner, Karoline A1 - Lill, Bjarne A1 - Mexis, Nico A1 - Pichler, Julia A1 - Plasch, Michael A1 - Sauerwein, Clemens A1 - Schramm, Martin A1 - Szilagyi, Daniel A1 - Wagner, Carina A1 - Zeisler, Alexander T1 - Cyber-Security und Resilienz in Supply Chains mit Fokus auf KMU N2 - Dieser Best Practice Guide zeigt, wie kleine und mittlere Unternehmen (KMU) ihre Cyber-Resilienz umfassend stärken können, von der technischen Basis über Lieferketten und Unternehmenskultur bis hin zu Notfallmanagement und OT-Security. Da Cyberangriffe zunehmend komplexer werden und menschliches Verhalten weiterhin in über 80 % der Vorfälle eine entscheidende Rolle spielt, reicht technische Absicherung allein nicht aus. Entscheidend ist ein integrierter Ansatz, der Mindset (sicherheitsbewusste Haltung), Skillset (praktisches Wissen und regelmäßige Schulungen) und Toolset (adäquate technische Lösungen) miteinander verbindet. Der Cyber-Security Grundschutz vermittelt KMU praxisnahe Schritte zur Identifikation des IST-Zustands, zur Priorisierung von Schutzmaßnahmen und zur Einführung eines kontinuierlichen Verbesserungsprozesses nach dem PDCA-Modell. Das Supply Chain Cyber-Security Handbuch verdeutlicht, wie digital vernetzte Lieferketten zu kritischen Angriffspunkten werden können und unterstützt Unternehmen dabei, relevante Partner zu identifizieren, zu klassifizieren und risikobasierte Maßnahmen zu implementieren. Das Awareness- & Kultur-Handbuch zeigt, wie eine „Security-First“-Kultur entsteht, die Cybersicherheit als Teamaufgabe begreift und über Zero-Trust-Prinzipien, klare Verantwortlichkeiten und moderne Lernformate wie Serious Games nachhaltig verankert. Das Cyber-Notfallkonzept bietet KMU einen strukturierten Leitfaden zur Vorbereitung, Reaktion und Wiederherstellung bei Sicherheitsvorfällen - inklusive Checklisten, Rollenmodellen und Incident-Response-Plänen, um Ausfallzeiten zu minimieren und handlungsfähig zu bleiben. Ergänzend vermittelt das OT-Security Handbuch die Besonderheiten industrieller Systeme und zeigt, wie KMU ihre Produktionsumgebungen schützen können - von der Bewertung kritischer Anlagen über sichere Konfigurationen bis zur schrittweisen Umsetzung praxistauglicher OT-Security-Maßnahmen. Gemeinsam bilden die fünf Handbücher ein ganzheitliches Rahmenwerk, das KMU befähigt, Cybersicherheit als festen Bestandteil des Arbeitsalltags zu verankern, Risiken entlang der gesamten Wertschöpfungskette zu reduzieren und die eigene Widerstandsfähigkeit gegenüber Cyberbedrohungen systematisch zu erhöhen. T2 - Cyber-Security and Resilience in Supply Chains With a Focus on SMEs KW - Cybersicherheit KW - Cyber Security KW - Kleine und Mittlere Unternehmen (KMU) KW - Small and Medium-sized Enterprises (SME) Y1 - 2026 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:739-opus4-20549 ER -