Die Masterthesis gibt einen Überblick über den Einsatz von Machine Learning-Verhaltensanalysen zur Erkennung von Gefahren aus dem Inneren im Kontext von Smart Cities. Dabei wurden im Rahmen einer Fallstudie drei verschiedene Digitalisierungsprojekte der Stadt Darmstadt ("IoT-Netz LoRaWAN", "Verkehrssteuerungsnetzwerk" und "digitales Krankenhaus") auf Gefahren aus dem Inneren und auf die Anwendbarkeit von Nutzer- und Entitätsverhaltensanalysen (UEBA) überprüft und miteinander verglichen. Hierfür wurden Interviews mit Experten aus Darmstadt qualitativ nach Mayring 2010 ausgewertet und in die Form einer Risikoprüfung nach Nostro et al. 2013, 2014 gebracht. Zusätzlich wurden bei jeder Analyseeinheit verwandte Fallstudien und theoretische Werke hinzugezogen.
Inhaltsverzeichnis
- Einleitung
- Motivation und Zielsetzung
- Projektrahmen
- Aufbau der Arbeit
- Grundlagen
- Gefahren aus dem Inneren
- Definiton
- Gefahren von bösartigen Insidern
- Unbeabsichtigte Insider Gefahren
- Erkennung und Vorbeugung
- Maschinelles Lernen in der Cybersicherheit
- Definitionen.
- Verhaltensanalysen von Nutzern und Entitäten
- Typische Anwendungsfälle von UEBA . .
- Cybersicherheit in Smart Cities
- IoT-Sicherheit .
- Datenschutz.
- Zusammenfassung und abgeleitete Thesen
- Methodische Vorgehensweise
- Fallstudie
- Qualitative Inhaltsanalyse
- Risikoprüfung
- Analyse und Ergebnis
- Fallinterne Analyse
- Low Power WAN in Form von LoRaWAN
- Intelligente Verkehrssteuerung
- Digitales Krankenhaus
- Fallübergreifende Analyse und Interpretation der Ergebnisse
- Fazit
Zielsetzung und Themenschwerpunkte
Diese Masterarbeit analysiert die Anwendung von Machine Learning-Verhaltensanalysen zur Erkennung von Gefahren aus dem Inneren im Kontext von Smart Cities. Die Studie konzentriert sich auf drei Digitalisierungsprojekte der Stadt Darmstadt, um die Anwendbarkeit und Herausforderungen von Nutzer- und Entitätsverhaltensanalysen (UEBA) zu untersuchen.
- Bewertung des Einsatzes von Machine Learning-Verhaltensanalysen zur Erkennung von Gefahren aus dem Inneren in Smart Cities.
- Analyse der spezifischen Herausforderungen und Möglichkeiten von UEBA in verschiedenen Smart City-Projekten.
- Entwicklung eines Modells zur Evaluation des Einsatzes von UEBA in Smart City-Szenarien.
- Untersuchung der ethischen und rechtlichen Aspekte von UEBA im Kontext von Datenschutz und Überwachung.
- Identifizierung von Best Practices und Empfehlungen für die Implementierung von UEBA in Smart Cities.
Zusammenfassung der Kapitel
Die Einleitung der Arbeit erläutert die Motivation und Zielsetzung sowie den Aufbau der Arbeit. Im Kapitel "Grundlagen" werden die Themen Gefahren aus dem Inneren, Maschinelles Lernen in der Cybersicherheit, Cybersicherheit in Smart Cities und die abgeleiteten Thesen behandelt. Die methodische Vorgehensweise beinhaltet die Beschreibung der Fallstudie, der qualitativen Inhaltsanalyse und der Risikoprüfung. Das Kapitel "Analyse und Ergebnis" präsentiert die fallinterne und fallübergreifende Analyse der drei Digitalisierungsprojekte in Darmstadt.
Schlüsselwörter
Smart City, Cybersicherheit, Machine Learning, Verhaltensanalyse, Nutzer- und Entitätsverhaltensanalyse (UEBA), Gefahren aus dem Inneren, Datenschutz, Risikoprüfung, Fallstudie, Digitalisierungsprojekte, IoT-Sicherheit, LoRaWAN, Intelligente Verkehrssteuerung, Digitales Krankenhaus.
- Arbeit zitieren
- Johannes Euler (Autor:in), 2018, Machine Learning-Verhaltensanalysen zur Erkennung von Gefahren aus dem Inneren der Infrastruktur im Smart City-Umfeld, München, GRIN Verlag, https://www.grin.com/document/1167865
