Abstract-Band - Fakultät für Informatik, TU Wien - Technische ...

nischen Systemen befasst, bezieht sich die ISO 26262 auf Serienfahrzeuge.
Zentraler Begriff beider Normen ist das Maß der Sicherheitsrelevanz, die in SIL
und ASIL angegeben wird. Danach wird das Sicheres Mikrocomputersystem
SIMIS vorgestellt und Konzeption, Aufbau und Funktionsweise erläutert. Die
Anwendung von FMECA ist ebenso eine anerkannte Methode, um die
Sicherheit eines technischen Systems weiter zu verbessern. Hier wird auf die
historische Entwicklung, Voraussetzung und Einsatzzweck, die FMECA Arbeitsblätter,
Risikoprioritätszahl, Risikomatrix und die Grenzen der FMECA eingegangen.
Die Verwendung von Funktionswächtern ist ein weiteres sicherheitstechnisches
Prinzip. Nach zwei Einsatzbeispielen wird der grund-legende Aufbau
dieser sogenannten Watchdogs erklärt sowie Architekturen und Ausführungen
behandelt. Eine Skizzierung des optimalen Watchdogs wird vorgenommen
und Ideen zu mehrstufigen Funktionswächtern werden angeboten.
Die Funktionsweise des Ruhestromprinzips wird beschrieben und die Umsetzung
in drei Anwendungsbeispielen veranschaulicht. Als letztes werden die
Vorteile der Dynamisierung von Steuersignalen gezeigt. Die Um-setzung wird
anhand einer Funktionsschaltung mit Transistorstufe und dem LOGISAFE
Systems demonstriert.
Fabian Fischer
Automated Extraction of Economic Information from Underground
Marketplaces Using Machine Learning
Studium: Masterstudium Computational Intelligence
BetreuerIn: Ao.Univ.Prof. Dr. Wolfgang Kastner
The Internet and e-commerce are ever-growing. This is not only the case for
legitimate activities, but also for fraudulent activities. Credit cards are a
convenient way of payment, on-line and in person. But credit card credentials
are also an attractive target for fraudsters. This has led to a lively underground
economy based around credit card data. Division of labor is also present in
these underground economies. As a result, stolen credit card data are sold to
those who can turn the data into cash. The places where this happens are
underground marketplaces: This work tries to get a glimpse into these market
places. We want to know what goods are traded at what price. And we want to
know how that changes over time. To achieve this, we implemented a machine
learning algorithm that can extract products in a very general sense, not
confined to a certain product category. This algorithm leverages natural
language processing for increased accuracy. Because we obtain the data from
bulletin boards, it is known at what time an offer was posted. We also extract a
products price. In a classification step, the products are narrowed down into
classes and sub-classes. Additionally, location information is extracted, if
present. All this enabled us to create a system that can learn from very few
manually annotated documents and create a stock market-like output that
shows the change of price over time. Price differences between regional
origins of stolen data can be visualized, too.
13