Applied Cybersecurity & Internet Governance Repository
Not a member yet
6623 research outputs found
Sort by
Schlussbericht für die Bundesanstalt für Landwirtschaft und Ernährung (BLE) "KontRed"; Teilprojekt J
No full textDatei-Upload durch TI
Sachbericht zum Verwendungsnachweis (VN)
No full textDas Gesamtziel des beantragten Projekts besteht in der Erforschung des Mehrwerts von Investitionen in Dienstleistungsmaßnahmen der Arbeitsorientierten Grundbildung. Um dieses Ziel zu erreichen, werden exemplarisch die Wirkungen und die Sozialrendite von Dienstleistungsmaßnahmen in der Arbeitsorientierten Grundbildung (AoG) analysiert. Für einen systematischen Zugang wurden die Ziele ausdifferenziert:
• Mikroebene: Mehrwertanalyse der Investitionen in AoG für die Individuen (Lernende/Kursteilnehmende)
• Mesoebene: Mehrwertanalyse der Investitionen in AoG für Unternehmen und das kollegiale Umfeld
• Makroebene: Mehrwertanalyse der Investitionen in AoG für die Gesellschaft
Das Projekt knüpft damit an den Ergebnissen des Projekts ABAG 2 an und differenziert den Mehrwert von AoG-Maßnahmen in monetarisierbare und nicht-monetarisierbare Effekte. Den Rahmen für das Vorhaben bildet dabei der Social-Return-on-Investment (SROI)-Ansatz (vgl. z.B. Then et al. 2017). Mit diesem Ansatz ist es möglich, systematisch und unter Einbeziehung anerkannter Verfahren der empirischen Bildungsforschung die Wirkung sozialer Interventionen sichtbar zu machen und Handlungsempfehlungen abzuleiten. Das Projekt wurde mit den Projektpartnern partizipativ umgesetzt.
In dem Projekt Alpha-Invest konnte der Mehrwert der Arbeitsorientierten Grundbildung analysiert werden. Um den Mehrwert zu bestimmen, wurde zwischen monetarisierbaren und nicht monetarisierbaren Aspekten unterschieden. Für die Bestimmung der Sozialrendite wurde auf Basis der empirischen Daten und mithilfe von branchenspezifischen Szenarien eine Komplexitätsreduktion vorgenommen. Im Folgenden sind einige ausgewählte zentrale Ergebnisse dargestellt:
Die Monetarisierung hat ergeben, dass die Sozialrendite in jedem realitätsnahen und auf empirischen Daten konzipierten Szenario positiv ausfällt:
• Szenario Bau: Für jeden investierten Euro in die AoG-Maßnahme können bis zu 4,65 € an Kosten eingespart werden, was einer Sozialrendite von 465% entspricht.
• Szenario Pflege: Für jeden investierten Euro in die AoG-Maßnahme können bis zu 3,05 € an Kosten eingespart werden, was einer Sozialrendite von 305% entspricht.
• Szenario Recycling: Für jeden investierten Euro in die AoG-Maßnahme können bis zu 3,05 € an Kosten eingespart werden, was einer Sozialrendite von 305% entspricht.
Im Hinblick auf die qualitativen Daten zeigt sich, dass aus Sicht der Lernende/Kursteilnehmenden die Kursteilnahme sowohl als Wertschätzung als auch als Stigmatisierung wahrgenommen werden kann
Schlussbericht zum Vorhaben COMMUTE "Wirkstofftransport: Kombinatorisches und multidisziplinäres Targeting von effektiven Gentherapie Vektoren" - Teilprojekt P5 "Targeting von AAV9 auf Muskelzellen und Glioblastomzellen"
No full text[no abstract available
AI-Powered Pervasive Computing: Discerning Threat Model to Unveil Security and Privacy Challenges
No full textThe integration of Artificial Intelligence (AI) with pervasive computing is transforming environments into intelligent, context-aware systems capable of seamless and intuitive user interactions. This convergence drives advancements across various domains, including smart homes, healthcare, and industrial automation. Traditional security paradigms often fall short in addressing AI-specific risks, such as adversarial attacks, data inference, and the complexities of autonomous decision-making in highly interconnected systems. However, it also introduces a range of security and privacy challenges that must be addressed. We critically analyse these emerging concerns, delving into the unique vulnerabilities arising from the fusion of AI’s inferential capabilities with pervasive computing’s ubiquitous data collection. We further
explore why existing threat models designed for conventional IT infrastructures prove insufficient in adequately capturing the nuanced and dynamic risks posed by intelligent, autonomous, and deeply integrated pervasive systems. We present a practical threat model specifically tailored to highlight the key risks associated with
AI-driven pervasive computing and discuss potential mitigation strategies to enhance security and safeguard user privacy in these interconnected environments
Improving Threat Detection in Information Security with Ensemble Learning
No full textIn the face of increasingly complex and frequent cyberattacks, traditional rule-based threat detection systems often fail to identify evolving malicious behaviours. This study addresses the challenge by leveraging ensemble learning to enhance intrusion detection in information security. By integrating three distinct machine learning models – Support Vector Machine (SVM), Random Forest, and Deep Neural Network (DNN) – the proposed approach capitalises on their strengths while mitigating their weaknesses. The primary goal is to enhance detection accuracy,
minimise false positives, and ensure reliable performance across various attack types. Using benchmark datasets, such as NSL-KDD and CICIDS2017, each model is trained and evaluated separately before being combined through a voting mechanism. Results from 10-fold cross-validation show that while baseline models perform well individually, the ensemble demonstrates more balanced and robust detection, achieving 94.00% accuracy, 95.10% precision, and a high area under the curve score of 0.77. These findings highlight the value of ensemble methods in producing consistent and dependable threat classification. The contribution of this work lies in demonstrating how a multi-model ensemble strategy can significantly strengthen cybersecurity defences, offering a scalable solution adaptable to real-world security environments
Supply Chain Security and AI Risk Governance Model for Critical Infrastructure under NIS2, CER, and CRA
No full textCritical infrastructure increasingly depends on digital ecosystems where external providers, artificial intelligence (AI)-based tools, and complex supply chains form the backbone of essential services. This interconnectedness generates cascading risks that surpass the scope of internal controls, exposing sectors, such as energy, water, food, healthcare, and transport to systemic vulnerabilities. Known incidents illustrate that supply chain compromise is not a theoretical possibility but persistent and growing reality. According to the authors’ practical experience in national security and sectoral information security, cybersecurity and resilience-oriented projects, organisations often struggle to recognise context of the threats in their critical services, wideness, and vulnerabilities of own supply chain and/or translate standards and new regulatory requirements into daily operational measures, which is a gap this model seeks to address. The purpose of this paper
is to underline why supply chain and AI-related risks represent a systemic challenge for critical infrastructure, demonstrate how existing standards and regulatory frameworks can be synthesised into a coherent governance model and provide organisations with a practical tool that moves towards operational resilience. The chosen methodology rests on comparative analysis of chosen international standards (ISO 28000, ISO 31000, ISO/IEC 27001/27002/27005, ISO/IEC 23894, ISO/IEC 42001, and NIST AI RMF), supported by European Union obligations and recent European Union Agency for Cybersecurity [European Network and Information Security Agency] (ENISA) recommendations. Five-step supply chain security and AI risk governance model contribute structured, practical step-by-step model for strengthening systemic resilience. As an immediate step, operators should insert at least one supply chain-specific clause into their next procurement or renewal contract: a clear
timeline and format for incident notification by the supplier
Sachbericht
No full textDas Projekt MOTUS "MObilitätsTransformation - Erkenntnisgewinn zU Schlüsselfaktoren für nachhaltigen und resilienten Verkehr" untersucht, wie sich das Mobilitätsverhalten durch disruptive Ereignisse insbesondere der Covid-19-Pandemie verändert und welche Maßnahmen zur Sicherstellung nachhaltiger und resilienter urbaner Verkehrssysteme zukünftig ergriffen werden können.
MOTUS verfolgt einen interdisziplinären Ansatz und modelliert ein komplexes System, das individuelles Mobilitätsverhalten, Verkehrsnachfrage und -fluss sowie das Sicherheitslevel in einem urbanen Verkehrsnetz abbildet. Ziel ist es, die Auswirkungen von Veränderungen auf das Verkehrssystem zu bewerten und Maßnahmen zur Systemstabilisierung zu entwickeln. Darüber hinaus wurde untersucht, inwiefern die Erkenntnisse auf andere disruptive Ereignisse wie den Strukturwandel in Braunkohlerevieren oder den Klimawandel übertragbar sind.
Die Projektergebnisse richten sich an Bürgerinnen und Bürger sowie einzelne Entscheidungsträger und die Verwaltung. Eine begleitende methodische Vorgehensweise eines Transportmodells ermöglicht es, verschiedene Szenarien zu testen, während ein Podcast Hintergrundwissen zu nachhaltigen und resilienten Verkehrssystemen vermittelt. Zusätzlich wurde ein Maßnahmenkatalog für Entscheidungsträger erarbeitet, um eine nachhaltige Verkehrsplanung zu unterstützen.
Datei-Upload durch TI
Dokumentation der Ergebnisse - "Verbundprojekt: Kl-gestützte Plattform für datenbasierten Staffelverkehr - STAFFEL" im Rahmen des Modernitätsfonds mFUND des Bundesministeriums für Digitales und Verkehr
No full textIm Projekt ‚STAFFEL‘ wurden eine Plattform zur Organisation eines speditionsübergreifenden Begegnungsverkehrs sowie eine IoT-basierte Sicherungstechnologie zur asynchronen Trailerübergabe konzipiert und pilotartig erprobt