Bereich

Titel

Betreuung

BA/MA: Temporal Graph Neural Networks for Analyzing Cryptocurrency Transaction Graphs: Ransomware Payment Tracing & Money Laundering Detection: Mit dem Aufkommen von Kryptowährungen haben sich neue Möglichkeiten für Geldwäsche und Cyberkriminalität entwickelt – insbesondere durch den Einsatz komplexer Transaktionsmuster bei Ransomware-Zahlungen. Ziel dieser Masterarbeit ist es, den Einsatz von Temporal Graph Neural Networks (TGNNs) zur Analyse solcher Kryptowährungs-Transaktionsgraphen zu untersuchen. Der Transaktionsgraph bei Kryptowährungen stellt das Netzwerk der Geldflüsse dar, wobei Knoten Wallets und gerichtete Kanten einzelne Transaktionen zwischen diesen Wallets repräsentieren – oft mit Zeitstempel, Betrag und weiteren Metadaten. Die Arbeit umfasst eine strukturierte Literaturrecherche zu bestehenden Ansätzen und eine eigene prototypische Implementierung eines ausgewählten TGNN-Modells zur Identifikation auffälliger Muster. Dabei sollen sowohl die zeitlichen als auch strukturellen Eigenschaften der Transaktionsnetzwerke berücksichtigt werden.

Inhalte der Arbeit:

• Einführung in Transaktionsgraphen (z. B. Bitcoin)

• Überblick über typische kriminelle Muster (z. B. Mixing, Peel Chains)

• Grundlagen und Architektur von TGNNs

• Literaturüberblick zu TGNNs für Blockchain-Analyse

• Implementierung eines ausgewählten TGNN-Modells auf Basis öffentlich zugänglicher Daten

• Diskussion von Ergebnissen, Grenzen und Forschungslücken

Voraussetzungen:

Interesse an Blockchain-Technologien, Machine Learning und Netzwerkanalyse. Erste Programmiererfahrung in Python wird vorausgesetzt.

Tobias Fritz

BA/MA: Predicting Cellular Network Traffic Load using Temporal Graph Neural Networks: Die effiziente Vorhersage von Verkehrslasten in Mobilfunknetzen ist entscheidend für Netzplanung, Kapazitätsmanagement und Energieoptimierung. Da sich Nutzerverhalten sowohl räumlich als auch zeitlich verändert, sind klassische Vorhersagemethoden oft nicht ausreichend. In dieser Masterarbeit wird der Einsatz von Temporal Graph Neural Networks (TGNNs) untersucht, um zeitlich-dynamische Abhängigkeiten in zellulären Netzwerken zu modellieren und zukünftige Netzlasten präziser vorherzusagen. Neben einer fundierten Literaturübersicht wird ein TGNN-Modell prototypisch implementiert und auf realistischen Mobilfunkdaten evaluiert.

Inhalte der Arbeit:

• Einführung in Mobilfunknetzwerke und typische Traffic-Metriken (z. B. Nutzerzahl, Durchsatz)

• Überblick über bestehende Ansätze zur Traffic Load Prediction

• Grundlagen von GNNs und TGNNs

• Literaturrecherche zu TGNN-Anwendungen im Mobilfunkbereich

• Implementierung eines TGNN-Modells zur Lastvorhersage

• Bewertung und Diskussion der Ergebnisse

Voraussetzungen:

Grundkenntnisse in Machine Learning und Deep Learning. Interesse an Mobilfunknetzen und Erfahrung mit Python (z. B. PyTorch) sind von Vorteil.

Tobias Fritz

BA/MA: Large 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

MA: Design und Evaluation leichtgewichtiger Large Language Models zur realitätsnahen Simulation sprachbasierter Social-Engineering-Interaktionen in Voice-Honeypot-Systemen
Mit dem zunehmenden Einsatz KI-generierter Gesprächstechnologien entstehen neue Herausforderungen für die Simulation, Analyse und Abwehr von Social-Engineering-Angriffen. Ziel dieser Masterarbeit ist die Entwicklung und Evaluation eines kompakten, dialogfähigen LLM-Modells, das in simulierten Voice-Interaktionen glaubwürdig agiert – ohne als künstlich erkennbar zu sein. Solche Modelle sollen künftig in Voice-Honeypot-Systemen zur Täuschung und Klassifikation von Angreifern eingesetzt werden.

Inhalte der Arbeit:

• Einführung in LLM-basierte Social-Engineering-Techniken

• Benchmarking bestehender LLMs in Bezug auf Dialogqualität und Erkennbarkeit

• Grundlagen von Model Compression, Distillation und Steuerung von Antwortverhalten

• Entwicklung eines steuerbaren LLM-Demonstrators für simulierte Telefoninteraktionen

• Evaluation der Dialogglaubwürdigkeit in realitätsnahen Szenarien

Voraussetzungen:
Grundkenntnisse in Machine Learning und NLP. Erfahrung mit PyTorch oder HuggingFace Transformers ist hilfreich. Interesse an Human-AI-Interaction und IT-Sicherheit wird erwartet.

Leonardo Erlacher

MA: Konzeption und prototypische Implementierung eines datenschutzkonformen Voice-Honeypot-Systems zur Erfassung und Analyse sprachbasierter Social-Engineering-Angriffe
Zur Erforschung und Prävention sprachbasierter Täuschungsangriffe (z. B. Deepfake-Anrufe) werden Voice-Honeypots entwickelt – also technische Systeme, die gezielt zur Interaktion mit Angreifern entworfen sind. Diese Masterarbeit hat das Ziel, ein prototypisches Honeypot-System zu konzipieren und datenschutzkonform umzusetzen, das sowohl Audio- als auch Textdaten analysierbar macht, ohne sensible Informationen offenzulegen.

Inhalte der Arbeit:

• Einführung in Voice-Honeypots und juristische Rahmenbedingungen

• Techniken zur Anonymisierung von Sprache und Transkription (z. B. Speaker De-ID, Named Entity Removal)

• Vergleich und Evaluation bestehender Anonymisierungsansätze

• Architekturentwurf und Implementierung eines prototypischen Honeypot-Systems

• Testbetrieb mit simulierter Angreiferinteraktion

Voraussetzungen:
Interesse an IT-Sicherheit, Sprachtechnologie und Datenschutz. Erfahrungen mit Python, Speech-to-Text-APIs oder Audioverarbeitung sind hilfreich.

Leonardo Erlacher

BA/MA: NTP DDoS attacks and defenses

BA/MA: DNS DDoS attacks and defenses

Jihye Kim