Markus Merges

• Eine steigende Anzahl kleiner und mittlerer Unternehmen (KMUs)ist von Cyberangriffen bedroht. Die Erkennung solcher Angriffe im Netzwerkverkehr bleibt eine Herausforderung, insbesondere in Umgebungen mit begrenzten Ressourcen. In dieser Masterarbeit wird ein KI-basiertes System zur Erkennung von Cyberangriffen, insbesondere von DoS-Angriffen, vorgeschlagen. Dazu wird ein neuronales Netz mit Open-Source-Daten wie CICIDS2017 sowie selbst erzeugten Daten trainiert und angewendet, um Anomalien im Netzwerkverkehr zu identifizieren, die auf potenzielle Cyberangriffe hindeuten könnten. Das KI-Modell wird mittels der Reinforcement-Learning-Methode trainiert. Das experimentelle Design priorisiert die Umsetzbarkeit mit begrenzten technischen Ressourcen, sodass die Setups ohne industrielle Infrastruktur implementiert werden können. Es werden drei experimentelle Setups implementiert, um die Effektivität des KI-Modells zu testen. Das erste Experiment verwendet eine softwarebasierte Simulation, die synthetischen Netzwerkverkehr erzeugt. Ein proxybasiertes Setup erstellt einen virtuellen Server, Client, Analysator und Requester. Hieraus resultiert eine Simulationsumgebung, welche auf Standard-Consumer-Hardware replizierbar ist und sich zum Testen der Anomalie-Erkennungs-fähigkeiten des neuronalen Netzes eignet. Im zweiten Experiment wird ein hardwarebasierter Ansatz mit drei Laptops durchgeführt: Einer fungiert als Server, der ein herunterladbares PDF hostet, ein anderer simuliert Client-Verkehr einschließlich DoS-Verhalten durch Generierung hochfrequenter Anfragen und der dritte erfasst und analysiert den Verkehr mithilfe des KI-Modells.Im dritten Experiment wird dieses Setup durch Variation der angefragten Webseiten erweitert, wodurch vielfältigere Verkehrsmuster und komplexere Szenarien für das neuronale Netz entstehen. Die Ergebnisse zeigen, dass sich ein KI-gestütztes Anomalie-Erkennungssystem mit Standard-Consumer-Hardware entwickeln lässt. Die vorliegende Arbeit untersucht die Limitationen und das Potenzial dieser Methode und bietet KMUs, die die Implementierung unabhängiger, KI-gestützter Angriffserkennungssysteme anstreben, eine fundierte Grundlage.
• A rising number of small and medium-sized companies (SMEs) are being threatened by cyberattacks. It remains challenging to detect cyberattacks in network traffic, particularly in low-resource environments. This master's thesis proposes an AI-based system for the detection of cyberattacks, with a particular focus on DoS attacks. To achieve this, a neural network is trained and applied using open-source data, such as CICIDS2017, as well as self-produced data, to identify anomalies in network traffic that may indicate potential cyberattacks. The AI model is trained using the Reinforcement Learning method. The experimental design prioritizes feasibility with limited technical resources, ensuring that the setups can be implemented without industrial-grade infrastructure. Three experimental setups are implemented in order to test the AI model's effectiveness. The initial experiment uses a software-based simulation that generates synthetic network traffic. A proxy-based setup creates a virtual server, client, analyzer and requester, forming a simulation environment replicable on standard consumer hardware and suitable for testing the neural network’s anomaly-detection capabilities. The second experiment introduces a hardware-based approach with three laptops: one acts as a server hosting a downloadable PDF, another simulates client traffic including DoS behavior by generating high-frequency requests, and the third captures and analyses the traffic using the AI model. The third experiment extends this setup by varying the requested web pages, producing more diverse traffic patterns and more complex scenarios for the neural network. The results show that it is feasible to develop an AI-supported anomaly detection system using only standard consumer hardware. The thesis highlights the limitations and potential of the method, providing a foundation for SMEs looking to implement independent, AI-supported attack detection systems.