Themen

Entwicklung eines prototypischen CTI-Awareness-Kits für Cyber-Risiken. Übersetzung technischer CTI-Informationen in verständliche, rollenbezogene und handlungsorientierte Awareness-Artefakte. -Analyse realer CTI-Reports, CVEs oder Threat-Actor-Reports. -Ableitung von Stakeholder-Rollen und Informationsbedarfen. -Gestaltung und Evaluation von CTI-Awareness-Artefakten.

Präsentation: https://mediathek2.uni-regensburg.de/playthis/6a422cc7c54a18.64990563 Beschreibung: Ein Convolutional Neural Network (CNN) ist ein Machine Learning-Verfahren in der Bildklassifikation, das sehr hohe Genauigkeit erreicht. Daher werden sie zunehmend in kritischen Bereichen wie beispielsweise der Diagnose von Lungenentzündungen verwendet (siehe Abbildung). Die Entscheidungen dieser komplexen Modelle sind allerdings nicht mehr vom menschlichen Anwender nachvollziehbar! Es ist also nicht klar, wie man das Bild ändern muss um eine andere Klassifikation herbeizuführen (Counterfactual). Es ist allerdings möglich ein CNN durch Rekonstruktion in die Darstellung einer stückweisen linearen Funktion zu überführen und so die exakten Entscheidungsgrenzen des Netzes funktional zu beschreiben! Wie kann man also diese neuen Informationen für die Erzeugung realistischer Counterfactuals nutzen? Aufgabenstellung: Konzeption eines CF-Ansatzes um realistische Gegenbeispiele zu erzeugen Praktische Umsetzung und Evaluation des Algorithmus in Python auf bestehender Code-Basis Startliteratur: Moreira, C., Chou, Y. L., Hsieh, C., Ouyang, C., Pereira, J., & Jorge, J. (2025). Benchmarking instance-centric counterfactual algorithms for XAI: from white box to black box. ACM Computing Surveys, 57(6), 1-37. Heinrich, B., Krapf, T., & Miethaner, P. (2024). Explore: a novel method for local explanations.

This practical workshop focuses on transforming raw urban datasets into analysis-ready datasets for urban analytics. Students will explore publicly available smart-city platforms and open datasets, collect and integrate pedestrian, traffic, weather, environmental, and geographic information, and enrich urban observations with contextual data. Inspired by Jane Jacobs' concept of eyes on the street and social presence, the workshop examines how urban characteristics can be translated into measurable computational indicators that support the analysis of urban activity, observability, and safety. The workshop emphasizes data acquisition, contextual enrichment, feature engineering, and the construction of reproducible datasets for future AI-enabled smart-city applications. Rather than performing anomaly detection, the outcome of the workshop is an enriched dataset that can later be used for tasks such as urban safety assessment, Urban Black Hole detection, and machine-learning applications. Expected Outcomes • Curated and context-enriched urban datasets. • Documentation and metadata for reproducibility. • Integrated datasets combining multiple urban data sources. • Derived computational indicators for urban analytics. • Reproducible code, visualizations, and benchmark datasets for future AI applications.

Statische Crawler stoßen beim Erfassen moderner Web-Tracking- oder Werbeauktionen an Grenzen, da sie menschliches Interaktionsverhalten nur unzureichend simulieren (siehe [1]). Dieses Praxisseminar fokussiert sich auf die Transformation eines bestehenden Header-Bidding-Crawlers in ein autonomes Agent-Tool-Framework. Ein lokales Large Language Model (LLM) agiert hierbei als Agent (Zentrale Steuereinheit), dem über Tool-Use (Function Calling) spezifische Browser-Aktionen (Klicken, Scrollen, Texteingabe via Playwright) als Werkzeuge zur Verfügung stehen. Basierend auf synthetischen Nutzer-Personas und dem dynamischen Webseiten-Zustand (HTML-DOM, Screenshots) operiert der Agent autonom, um authentische Browsing-Muster zu generieren. Die Ausführung erfolgt lokal via Ollama auf einem KI-Server (48 GB VRAM). Aufgaben 1. Evaluierung von Open-Source-LLMs im GGUF-Format hinsichtlich ihrer Fähigkeiten zur Tool-Nutzung und strukturierten Befehlsausgabe. Deployment via Ollama auf der dedizierten Hardware (48 GB VRAM). 2. Persona-Synthese: Konzeptionierung und automatisierte Generierung distinkter Nutzerprofile mittels LLM-Prompting zur Steuerung der Agenten-Intentionen. 3. Bibliotheksentwicklung: Implementierung einer wiederverwendbaren Python-Schnittstelle zur Verknüpfung von Playwright mit der OpenAI-API, einschließlich der DOM-Aufbereitung für das LLM und der Ausführung von Handlungsentscheidungen via Function Calling. 4. Integration & Evaluation: Einbettung der entwickelten Bibliothek in den bestehenden Header-Bidding-Crawler sowie Validierung der Generierung authentischerer Interaktionsdaten während der Werbeauktionen. [1] Zeber, D., Bird, S., Oliveira, C., Rudametkin, W., Segall, I., Wollsén, F., & Lopatka, M. (2020). The representativeness of automated web crawls as a surrogate for human browsing. Proceedings of The Web Conference 2020, 167–178. https://doi.org/10.1145/3366423.3380104

Third-Party Cookies bilden das Rückgrat des kommerziellen Web-Trackings, stehen jedoch wegen massiver Einschnitte in die Privatsphäre (Consumer Privacy) unter Druck. Initiativen wie das W3C diskutieren intensiv das Ende dieser Technologie und wie ein "Web ohne Third-Party Cookies" aussehen kann (siehe W3C TAG Architecture Document). Dennoch sind sie nach wie vor weit verbreitet. Was diese "Privacy-Kosten" im digitalen Alltag konkret bedeuten, ist jedoch selten empirisch exakt quantifiziert. Ziel dieser Arbeit ist es, die Privacy-Kosten von Third-Party Cookies sowohl theoretisch als auch empirisch zu ermitteln. Es soll untersucht werden, wie viele Cookies von reinen Trackern stammen, an wie viele Tracking-Domains Online-Aktivitäten abfließen und was technisch überhaupt rekonstruiert werden kann. Mögliche Forschungsfragen: 1. Welche Nutzeraktivitäten können durch Third-Party-Tracking technisch aggregiert werden? 2. Wie hoch sind die empirisch messbaren Privacy-Kosten (Anz. Tracking-Cookies, Anz. Drittdomains) auf populären Webseiten? Mögliche Methodik: 1. Literaturarbeit (Related Work): Aufarbeitung des Forschungsstands zu Consumer Privacy und der W3C-Debatte zur Abschaffung von Third-Party Cookies. 2. Experimentelles Setup (z. B. mit OpenWPM): Automatisierte Crawls einer repräsentativen Auswahl an Webseiten zur Erfassung von Third-Party Cookies und Tracking-Requests. 3. Datenanalyse: Abgleich der erfassten Domains mit Blocklisten (z. B. EasyList) zur Quantifizierung des tatsächlichen Tracking-Ausmaßes. 4. Synthese: Vergleich der experimentellen Daten mit den theoretischen Privacy-Kosten aus der Literatur. Startliteratur: Englehardt, Steven, and Arvind Narayanan. "Online tracking: A 1-million-site measurement and analysis." Proceedings of the 2016 ACM SIGSAC conference on computer and communications security. 2016.

Instant-Messenger sind ein grundlegender Teil unseres digitalen Alltags geworden und das menschliche Kommunikationsverhalten in diesen ist von großem Interesse. Zwar gibt es echte Datensätze, welche Einblicke in das Kommunikationsverhalten von Menschen in diesen Apps geben, jedoch sind diese mit mehreren Problemen verbunden. So sind es meist nur beschränkte anonymisierte Datensätze, wodurch mögliche Rückschlüsse stark eingeschränkt werden und in der Wissenschaft oft mit vereinfachten statistischen Modellen gearbeitet wird. In dieser Arbeit sollen deswegen mithilfe von KI beschränkte reale Datensätze (z.B. [1, 2]) ausgeweitet werden. Dabei müssen die Daten evtl. bereinigt und in ein für die KI angepasstes Format gebracht werden. Es können mehrere Modelle für die Erzeugung der künstlichen Daten genutzt werden. Um abschließend evaluieren zu können, wie realistisch diese künstlichen Daten sind, müssen entsprechende Metriken definiert werden, welche beurteilen, wie nah sie an originalen Daten sind. [1] https://ieeexplore.ieee.org/abstract/document/10064263 [2] https://ojs.aaai.org/index.php/ICWSM/article/view/14989

This practical workshop investigates how urban activity patterns can be learned from context-enriched datasets and how significant deviations from expected behaviour can be identified and interpreted. Students will analyse pedestrian-frequency data together with contextual indicators, such as weather, visibility, activity density, safety, and sensing coverage, to learn normal activity baselines for different urban locations. The workshop explores statistical and AI-based methods for detecting anomalies and examines how contextual information can help distinguish genuine inactivity from sensing gaps, unusual events, or changes in urban dynamics, supporting the identification of Urban Black Holes; the areas that are inactive and have low social presence. Expected Outcomes • Characterization of normal urban activity patterns for different locations. • Baseline models of expected pedestrian activity. • Detection and visualization of anomalous urban activity. • Interpretation of anomalies using contextual indicators (e.g., weather, visibility, safety, and sensing coverage). • Identification of potential Urban Black Holes and explanation of their underlying causes. • Reproducible code, visualizations, and analytical reports.

Statistical Disclosure Attacks (SDA) zählen als bekanntes Verfahren zur Deanonymisierung anonymer Kommunikationssysteme [1]. Dabei werden über längere Zeit Kommunikationsmuster (Sender + Empfänger, aber nicht wer mit wem) beobachtet, um schrittweise Rückschlüsse auf die tatsächlichen Kommunikationsbeziehungen zwischen Nutzern zu ziehen. Die meisten Arbeiten betrachten jedoch vereinfachte Kommunikationsmodelle, die nur eingeschränkt die Eigenschaften moderner Instant-Messaging-Systeme abbilden. Ziel dieses Projektseminars ist die Implementierung einer SDA auf Basis eines realen Instant-Messaging-Datensatzes [2]. Hierzu sollen die notwendigen Kommunikationsdaten aufbereitet, der Angriff umgesetzt und dessen Wirksamkeit experimentell untersucht werden. Die Ergebnisse können anschließend mit den Annahmen und Resultaten der ursprünglichen Literatur verglichen werden. Darüber hinaus können verschiedene Erweiterungen untersucht werden, um die Simulation realistischer zu gestalten. Beispiele sind die Berücksichtigung echter Kommunikationsbeziehungen, zeitlicher Abhängigkeiten zwischen Nachrichten oder Nutzerverhalten, das durch Anonymitätssysteme beeinflusst wird, etwa längere Wartezeiten oder verzögerte Kommunikation. Ziel ist es, die Übertragbarkeit klassischer Angriffe auf moderne Messenger-Kommunikation besser zu verstehen und mögliche Grenzen bestehender Modelle aufzuzeigen. Voraussetzungen: • Programmierkenntnisse • Interesse an Datenanalyse Literatur: [1] http://www0.cs.ucl.ac.uk/staff/G.Danezis/papers/StatDisclosure.pdf [2] https://ieeexplore.ieee.org/abstract/document/10064263/

Die Personalisierung von Online-Werbung zählt zu den zentralen Mechanismen des programmatischen Werbeökosystems. Während Werbeausspielungen häufig auf Nutzungsprofilen und Interessenssignalen beruhen, bleibt in der Praxis oft unklar, wie stark die tatsächlich ausgelieferten Anzeigen zwischen unterschiedlichen Nutzerprofilen variieren und ob diese inhaltlich zu den jeweiligen Interessen passen. Dieses Praxisseminar untersucht anhand von etwa 18.000 Anzeigen-Screenshots aus einem Header-Bidding-Crawler, in welchem Ausmaß Online-Werbung personalisiert ist. Grundlage sind zuvor aufgebaute Interessenprofile mehrerer Personas, die entlang der Topics-API-Taxonomie klassifiziert wurden. Nach einer Seeding-Phase wurden dieselben 100 Webseiten mit unterschiedlichen Personas besucht und die ausgelieferten Anzeigen dokumentiert. Im Zentrum steht damit die Frage, ob sich Anzeigen zwischen Personas unterscheiden und ob sie inhaltlich mit den jeweiligen Interessenprofilen übereinstimmen. Für die Bearbeitung werden die Anzeigen aus den Screenshots mithilfe vortrainierter Modelle (z. B. von Hugging Face) klassifiziert und anschließend mit den Persona-Interessen verglichen. Auf dieser Basis kann die Individualität der ausgespielten Werbung sowie deren thematische Passung empirisch bewertet werden. Forschungsfragen: 1. In welchem Ausmaß unterscheiden sich die auf denselben Webseiten ausgespielten Anzeigen zwischen verschiedenen Personas? 2. Wie gut stimmen die klassifizierten Anzeigeninhalte mit den über die Topics-API-Taxonomie definierten Interessenprofilen der Personas überein? 3. Welche Interessenbereiche werden besonders häufig adressiert, und in welchen Fällen weichen die Anzeigeninhalte deutlich vom Persona-Profil ab? Aufgaben: 1. Preprocessing: Die ~18.000 Screenshots vorverarbeiten, unbrauchbare Dateien (leere/weiße/fehlformatierte Bilder) entfernen 2. Klassifikation: Geeigneten Bild‑/Multimodal‑Klassifikator auswählen (z. B. Modelle von Hugging Face), feinjustieren oder prompten und Anzeigeninhalte gemäß der Topics‑API‑Taxonomie zuordnen. 3. Validierung: Qualitätsprüfung der Klassifikationen (Stichproben‑Annotation, Confusion‑Matrix, Precision/Recall) und ggf. Iteration der Modelle oder Labelmapping‑Strategie. 4. Analyse: Aggregation der Klassifikationsergebnisse pro Persona und Seite; Berechnung von Ähnlichkeitsmaßen zwischen Anzeigenprofilen und Persona‑Interessen (z. B. Jaccard, Cosinus‑Ähnlichkeit, weighted overlap), statistische Tests und deskriptive Metriken zur Messung von Individualität (z. B. intra‑ vs. inter‑persona Divergenz) und Passung (Übereinstimmungsraten, Themen‑Hit‑Rates).

Wir unterhalten uns tagtäglich mit vielen Menschen über viele verschiedene Themen. Zwischenmenschliche Kommunikation ist von vielen Faktoren abhängig, wie von der Kommunikationsart, dem Inhalt und – natürlich - den beteiligten Personen. Die Wissenschaft hat zwar bereits versucht explizit das Verhalten in Instant-Messengern zu untersuchen (z.B. [1]), aber dies geschah aus Gründen der Privatsphäre ohne Beachtung des Nachrichteninhalts. In diesem Seminar soll der grobe Kontext einer Konversation genutzt werden (Verabredung, Informationsaustausch, …), um zu untersuchen, wie sich Menschen in verschiedenen Situationen verhalten/kommunizieren. Dafür ist eine automatisierte Auswertung der Daten notwendig, um quantitativ zu untersuchen, wie sich bspw. das Antwortverhalten in versch. Szenarien unterscheidet. Als Grundlage kann die Datenbank Mocada2 [2] genutzt werden. [1] https://ieeexplore.ieee.org/abstract/document/10064263 [2] https://db.mocoda2.de/c/home

MAIN IDEA & RESEARCH QUESTIONS Digital transformation offers significant opportunities for non-profit organizations to improve their services, increase operational efficiency, and better support their beneficiaries. However, many organizations lack the technical expertise and financial resources to develop customized information systems tailored to their specific needs. At the same time, modern technologies such as cloud computing, AI, low-code platforms, and web-based applications make it increasingly feasible to implement affordable and impactful digital solutions. The goal of this real-world IT project is to develop and evaluate a functional information system for a non-profit organization in cooperation with the social impact start-up VoluLink (https://volulink.de/). Depending on the partner organization's requirements, the project may involve the implementation of a web application, mobile application, AI-supported assistant, workflow automation, database solution, or another digital information system that addresses a concrete organizational challenge. Students will collaborate with representatives of the non-profit organization, receive support from VoluLink, and be guided by industry mentors throughout the development process. Possible research questions include, but are not limited to: Can a customized information system improve the efficiency and quality of service delivery in a non-profit organization? Which software architecture and development approach are most suitable for implementing a practical solution under real-world constraints? How can user-centered design contribute to the acceptance and usability of digital solutions in the non-profit sector? What challenges arise during the implementation of information systems in social impact organizations, and how can they be addressed? LITERATURE Hevner, A. R., March, S. T., Park, J., & Ram, S. (2004). Design Science in Information Systems Research. MIS Quarterly, 28(1), 75–105. Peffers, K., Tuunanen, T., Rothenberger, M. A., & Chatterjee, S. (2007). A Design Science Research Methodology for Information Systems Research. Journal of Management Information Systems, 24(3), 45–77.

Bei komplexen Projekten (z.B. im Baugewerbe oder in der industriellen Fertigung) arbeiten verschiedenste Akteure dezentral zusammen. Um Informationsverluste zu vermeiden, bedarf es zentraler Plattformen zum Austausch von Planungsdaten, Dokumenten und Status-Updates. Im Rahmen dieser Arbeit soll ein vollfunktionsfähiger Prototyp einer webbasierten Kollaborationsplattform konzipiert und implementiert werden. Kernfunktionen umfassen das Management von Dokumenten, das Hochladen und Annotieren von Bildern sowie rollenbasierte Zugriffsrechte für verschiedene Stakeholder. Als technologischer Stack wird eine moderne Architektur vorgeschlagen (z. B. Kotlin oder Python im Backend, React mit dem TanStack im Frontend sowie PostgreSQL).

Goal Develop an interaction layer between MuJoCo robot simulation and an external Workflow Management System (WfMS) or Enterprise Resource Planning (ERP) System, so that the robots can be controlled from outside the simulation. For example, task dispatch from the WfMS/ERP, status/completion feedback from the robot. Approach • Choose and set up the corresponding WfMS/ERP system (open source) and a standalone MuJoCo simulation environment. • Design and implement a communication interface to connect MuJoCo with WfMS/ ERP, to trigger robot actions in simulation. • Implement feedback from the simulation back to WfMS/ERP, creating a closed-loop system. • Demonstrate the integration on a representative use case. For example, a simple production/process workflow triggering pick and place actions. • Evaluate parameters such as latency, reliability and reusability of the interface for broader robot scenarios. Background Robot simulations are typically controlled locally/manually; linking MuJoCo to a WfMS/ERP would demonstrate how simulated robots can be orchestrated as part of a broader production/process workflow.

Goal Develop a real-time perception pipeline for a UR5e workspace equipped with 2 RGB-D cameras placed at fixed isometric viewpoints (opposite sides) to stream into a continuously updated 3D scene representation either via point cloud or 3D reconstruction. The research can find its application in multiple tasks for human-robot collaboration. Approach • A PyBullet simulation will be provided for development and tests before access to actual robot. • Implement point cloud generation from each camera and fuse them into a unified scene representation that is refreshed at every frame. • Evaluate and optimize computational performance. • Validate the resulting framework with different use cases such as object detection or pose estimation or dynamic obstacle/human tracking. Background Cameras suffer from occlusion and limited field of view during manipulation. Therefore, a dual camera setup can increase confidence in detection and offer more complete, continuous scene coverage. References Cai, Z., Yu, C., & Pham, Q. C. (2018). 3D convolution on RGB-D point clouds for accurate model-free object pose estimation.