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.