Bereich

Titel

Betreuung

Logdatenanalyse

Firewalls

MA: Development and Evaluation of a Threat Analysis Tool for Bw Firewall Logs

Schwerpunkte:

• Erstellung einer Taxonomie zur Erkennung von Angriffsvorbereitungen
• Implementierung und Evaluation eines Analysetools zur Auswertung Log-Daten Bw-Firewalls

An den Netzübergängen der Bw Netze zum Internet werden täglich Millionen von Events detektiert. Während eine grundlegende Erkennung von Angriffsversuchen auf Basis von bspw. Signaturen oder Anomalien erfolgen kann, sind Angriffsvorbereitungen wie bspw. Portscans aufgrund des permanenten und hohen Hintergrundrauschens (Netzscans zu Forschungszwecken durch Universitäten, durch Firmen und Behörden im Sicherheitsbereich, etc.) im Internet deutlich schwieriger zu identifizieren. Da viele dieser Vorgänge automatisiert erfolgen, sind entsprechende Muster zu erwarten, so dass Abweichungen Indizien auf zielgerichtete Maßnahmen darstellen können.

Schwerpunkt der Arbeit sind die Klassifizierung von Ereignissen von Interesse im Netzverkehr und Erstellung einer entsprechenden Taxonomie, sowie darauf basiere nd die Klassifizierung geeigneter Auswahlkriterien (geographische Zuordnung von Adressen, Zeitpunkte und räume von Scans, Aggressivität, etc.) zur Erkennung von relevanten (maliziösen) Datenströmen im Kontext der Angriffsvorbereitung. Als Machbarkeitsnach weis (PoC) ist als weiterer Schwerpunkt der Arbeit die Konzeptionierung und Implementierung eines entsprechenden Analysetools, sowie dessen Evaluierung anhand von realen Logdaten der Firewallsysteme Bw vorgesehen.

PD Dr. Robert Koch

Robert.Koch@UniBw.de

Tool-Evaluation in Zusammenarbeit mit KdoCIR/ZCSBw

BA/MA: Temporal Graph Neural Networks for Intrusion Detection

Computer Networks can be modeled as a graph that changes over time. The nodes are the PCs, servers, access points, … and the edges are connections/traffic between them. Graph Neural Networks can be used to detect anomalies in the network. The goal of this work is to classify existing approaches to detect attacks in computer networks and implement one aproach and evaluate its performance.

Tobias Fritz

BA/MA: Lage Language Models for Training-Data-Generation

• Herausarbeitung der Möglichkeiten, die große Sprachmodelle bei der synthetischen (komplett generierte Daten) und teil-synthetischen (automatisch gelabelte Daten) Erstellung von Trainingsdaten bieten.
  
  
• Untersuchung der Voraussetzungen für die synthetische Trainingsdatengenerierung (Modelle, Prompts etc.)
  
  
• Untersuchung bereits durchgeführter Ansätze, wie z.B.
  • SELF-INSTRUCT: Aligning Language Models with Self-Generated Instructions https://arxiv.org/pdf/2212.10560.pdf
  • airoboros: using large language models to fine-tune large language models https://github.com/jondurbin/airoboros
    
    
• Erstellung und Evaluation eines kleinen Demonstrators

Voraussetzungen:

• Ein allgemeines Interesse an Themen rund um Natural Language Processing.
• Bereits vorhandene Python-Programmierkenntnisse.
• Vorkenntnisse im Bereich des Maschinellen Lernens sind erforderlich.
• Vorkenntnisse in der Arbeit mit Sprachmodellen wären ein großer Pluspunkt.

Sinclair Schneider

BA/MA: Attack detection in computer networks with large language models

Large language models show their strengths in many areas and have become very capable of solving tasks other than chatting. Therefore, in this thesis you will investigate if and how large language models are able to detect attacks in computer networks.

Alexander Schwankner

As the number of attacks on computer networks continues to increase lately, detection and defense must also keep pace. Therefore, this thesis will review and compare current approaches for detecting anomalies and attacks in computer networks.

Alexander Schwankner

BA/MA: Creation of a laboratory network representing a small company for the collection of measurement data

In order to obtain data for the research of anomaly detection in networks, a network simulating a small to medium sized enterprise will be built. Not only the server infrastructure is to be created, but also the clients that generate the corresponding traffic. This will be done in a virtualization environment to produce reproducible results.

Alexander Schwankner