Aktuelle Ausschreibungen

BA: Vergleich vortrainierter Bildmodelle für die Segmentierung von Leitungskorridoren in Orthophotos

Ziel: Freileitungen und Drahtseile unterhalb der luftfahrtrechtlichen Meldeschwellen fehlen in Hindernisdaten und sind aus der Luft kaum zu erkennen. Im Projekt VAM (Vertical-obstacle Avoidance Mapping) lernt ein CNN aus offenen Orthophotos und OpenStreetMap-Geometrien, Leitungskorridore pixelgenau zu segmentieren. Ziel der Arbeit ist ein belastbarer Vergleich, welches vortrainierte Bildmodell sich am besten auf diese Aufgabe feinabstimmen lässt.

Perspektivisch lassen sich hier gewonnene Daten in der Flugvorbereitung zur Risikominderung bei Tiefflug-Missionen nutzen.

Inhalte der Arbeit:

• Einarbeitung in die vorhandene Pipeline und Reproduktion des Baseline U-Net
• Auswahl und Fine-Tuning mehrerer Encoder (z. B. ResNet, ConvNeXt, SegFormer, DINOv2)
• Vergleich unter gleichen Bedingungen: gleiche Splits, gleiche Metriken (IoU, F1), mehrere Seeds
• Fehleranalyse nach Landschaftstyp (z. B. Acker, Wald, Siedlung)
• Diskussion der Ergebnisse, Grenzen und Modellempfehlung

Voraussetzungen: Interesse an Machine Learning und Geodaten, Grundkenntnisse in Python. Erfahrung mit Deep Learning (z. B. PyTorch) von Vorteil, lässt sich im Rahmen der Arbeit einarbeiten. Pipeline, Datensatz und GPU-Infrastruktur sind vorhanden.

Lukas Kaltenbach

Alexander Schwankner

BA: Deep Learning auf LiDAR-Punktwolken zur Erkennung von Freileitungen

Ziel: OpenStreetMap als Referenz für das Projekt VAM (Vertical-obstacle Avoidance Mapping) ist lückenhaft: Mittel- und Niederspannungsleitungen sowie Drahtseile fehlen häufig, das Bildmodell lernt sie als Hintergrund. In Punktwolken aus Airborne Laserscanning (ALS) sind Leiterseile dagegen als lineare Punktreihen über dem Bewuchs sichtbar, inklusive Höhe. Ziel der Arbeit ist, Leiterseile mit Deep Learning direkt in Punktwolken zu segmentieren und daraus lagegenaue Labels für VAM abzuleiten.

Perspektivisch lassen sich hier gewonnene Daten in der Flugvorbereitung zur Risikominderung bei Tiefflug-Missionen nutzen bzw. ergänzen das Verfahren zur Erkennung auf Satellitenphotos durch Verbesserung der Trainingsdaten.

Inhalte der Arbeit:

• Beschaffung und Aufbereitung offener ALS-Daten, Registrierung mit den Orthophoto-Kacheln
• Grundlagen von Deep Learning auf Punktwolken (z. B. PointNet++, KPConv, RandLA-Net)
• Training und Vergleich ausgewählter Netze zur Segmentierung von Leiterseilen
• Rekonstruktion von Leitungsvektoren aus den segmentierten Punkten
• Neutraining von VAM mit LiDAR-Labels und Bewertung, ob das Bildmodell dadurch besser wird

Voraussetzungen: Interesse an Machine Learning und 3D-Daten, Grundkenntnisse in Python. Erfahrung mit Deep Learning (z. B. PyTorch) oder Punktwolken von Vorteil, lässt sich im Rahmen der Arbeit einarbeiten. GPU-Infrastruktur und VAM als Abnehmer der Labels sind vorhanden.

Lukas Kaltenbach

Alexander Schwankner

BA: Regelbasierte Erkennung von Freileitungen in LiDAR-Punktwolken

Ziel: Leiterseile heben sich in Punktwolken aus Airborne Laserscanning (ALS) geometrisch klar ab: hoch über dem Boden, isoliert und in linearen Ketten angeordnet. Ziel der Arbeit ist ein regelbasiertes, erklärbares Verfahren, das Freileitungen allein aus der Geometrie der Punktwolke extrahiert, ohne Machine Learning. Es liefert Lage und Höhe der Leitungen und dient als nachvollziehbare Referenz für die lernenden Ansätze im Projekt VAM (Vertical-obstacle Avoidance Mapping).

Inhalte der Arbeit:

• Einführung in ALS-Daten, Bodenmodelle und Höhe über Grund
• Filterung von Kandidatenpunkten nach Höhenband, Linearität und Punktdichte in der Nachbarschaft
• Clustering linearer Punktketten und Anpassung von Kettenlinien (z. B. per RANSAC)
• Ableitung von Leitungsvektoren mit Höhe und einer Korridormaske für VAM
• Validierung gegen OpenStreetMap und geprüfte Testflächen, Diskussion der Grenzen

Voraussetzungen: Interesse an Geometrie, Algorithmik und Geodaten, Grundkenntnisse in Python. Erfahrung mit Punktwolken oder GIS von Vorteil, lässt sich im Rahmen der Arbeit einarbeiten. Referenzkacheln und OSM-Extraktion sind vorhanden.

Lukas Kaltenbach

Alexander Schwankner

BA/MA: Python based SDR (Software defined radio) frequency monitoring

Ziel: Erkennung von Frequenzsprungverfahren (Frequency hopping) Aktivitäten in einem Frequenzbereich mit optionaler Aufzeichnung.
Möglicher Versuchsaufbau: Nutzung eines USB-SDR und einer Python-Library zur Datenverarbeitung auf einem handelsüblichen Endgerät (Laptop).

Anknüpfungspunkt: Erkennung von taktischen Datenlinks mit handelsüblicher Hardware.

Lukas Kaltenbach,

Sinclair Schneider,

Alexander Schwankner

BA/MA: DNS Threat Detection (+AI)

BA/MA: Traffic Generation and Evaluation

BA/MA: Temporal Graph Neural Networks for Analyzing Cryptocurrency Transaction Graphs: Ransomware Payment Tracing & Money Laundering Detection

Mit dem Aufkommen von Kryptowährungen haben sich neue Möglichkeiten für Geldwäsche und Cyberkriminalität entwickelt – insbesondere durch den Einsatz komplexer Transaktionsmuster bei Ransomware-Zahlungen. Ziel dieser Masterarbeit ist es, den Einsatz von Temporal Graph Neural Networks (TGNNs) zur Analyse solcher Kryptowährungs-Transaktionsgraphen zu untersuchen.

Inhalte der Arbeit:

• Einführung in Transaktionsgraphen (z. B. Bitcoin)
• Überblick über typische kriminelle Muster (z. B. Mixing, Peel Chains)
• Grundlagen und Architektur von TGNNs
• Literaturüberblick zu TGNNs für Blockchain-Analyse
• Implementierung eines ausgewählten TGNN-Modells auf Basis öffentlich zugänglicher Daten
• Diskussion von Ergebnissen, Grenzen und Forschungslücken

Voraussetzungen: Interesse an Blockchain-Technologien, Machine Learning und Netzwerkanalyse. Erste Programmiererfahrung in Python wird vorausgesetzt.

BA/MA: Predicting Cellular Network Traffic Load using Temporal Graph Neural Networks

Die effiziente Vorhersage von Verkehrslasten in Mobilfunknetzen ist entscheidend für Netzplanung, Kapazitätsmanagement und Energieoptimierung. In dieser Masterarbeit wird der Einsatz von Temporal Graph Neural Networks (TGNNs) untersucht, um zeitlich-dynamische Abhängigkeiten in zellulären Netzwerken zu modellieren und zukünftige Netzlasten präziser vorherzusagen.

Inhalte der Arbeit:

• Einführung in Mobilfunknetzwerke und typische Traffic-Metriken
• Überblick über bestehende Ansätze zur Traffic Load Prediction
• Grundlagen von GNNs und TGNNs
• Literaturrecherche zu TGNN-Anwendungen im Mobilfunkbereich
• Implementierung eines TGNN-Modells zur Lastvorhersage
• Bewertung und Diskussion der Ergebnisse

Voraussetzungen: Grundkenntnisse in Machine Learning und Deep Learning, Interesse an Mobilfunknetzen und Erfahrung mit Python (z. B. PyTorch).

BA/MA: Large Language Models for Training-Data-Generation

• Untersuchung synthetischer und teil-synthetischer Datengenerierung (Modelle, Prompts, Frameworks)
• Analyse bestehender Ansätze wie SELF-INSTRUCT und airoboros
• Erstellung und Evaluation eines kleinen Demonstrators

Voraussetzungen: Interesse an NLP, Python-Kenntnisse, Erfahrung im maschinellen Lernen von Vorteil.

MA: Design und Evaluation leichtgewichtiger Large Language Models zur realitätsnahen Simulation sprachbasierter Social-Engineering-Interaktionen in Voice-Honeypot-Systemen

Entwicklung und Evaluation eines kompakten, dialogfähigen LLM-Modells für simulierte Voice-Honeypot-Umgebungen.

Inhalte der Arbeit:

• Einführung in LLM-basierte Social-Engineering-Techniken
• Benchmarking bestehender LLMs hinsichtlich Dialogqualität
• Model Compression und Distillation
• Entwicklung eines steuerbaren LLM-Demonstrators
• Evaluation der Glaubwürdigkeit in realitätsnahen Szenarien

Voraussetzungen: Grundkenntnisse in Machine Learning und NLP, Erfahrung mit PyTorch oder HuggingFace von Vorteil.

MA: Konzeption und prototypische Implementierung eines datenschutzkonformen Voice-Honeypot-Systems zur Erfassung und Analyse sprachbasierter Social-Engineering-Angriffe

Inhalte der Arbeit:

• Einführung in Voice-Honeypots und rechtliche Rahmenbedingungen
• Techniken zur Sprach- und Textanonymisierung (z. B. Speaker De-ID, Named Entity Removal)
• Vergleich und Evaluation bestehender Ansätze
• Implementierung eines prototypischen Honeypot-Systems
• Testbetrieb mit simulierten Angreiferinteraktionen

Voraussetzungen: Interesse an IT-Sicherheit, Sprachtechnologie und Datenschutz. Erfahrung mit Python, Speech-to-Text-APIs oder Audioverarbeitung hilfreich.