The open source structure of Android applications introduces security vulnerabilities that can be readily exploited by third-party applications. We address certain vulnerabilities at both installation and runtime using machine learning. Effective classification techniques with neural networks can be used to verify the application categories on installation. We devise a novel application category verification methodology that involves machine learning the application permissions and estimating the likelihoods of different categories. To detect malicious patterns in runtime, we present a Hidden Markov Model (HMM) method to analyze the activity usage by tracking Intent log information. After applying our technique to nearly 1,700 popular third-party Android applications and malware, we report that a major portion of the category declarations were judged correctly. This demonstrates the effectiveness of neural network decision engines in validating Android application categories. The approach, using HMM to analyze the Intent log for the detection of malicious runtime behavior, is new. The test results show promise with a limited input dataset (69.7% accuracy). To improve the performance, further work will be carried out to: increase the dataset size by adding game applications, to optimize Baum-Welch algorithm parameters, and to balance the size of the Intent sequence. To better emulate the participant's usage, some popular applications can be selected in advance, and the remainder can be randomly chosen. / Master of Science

Person identification has in the recent years gained notoriety as one of the most powerful ways of extracting information from image data. This thesis is focused on the task of human identification from facial photographs. To solve this task, we employ algorithms based on neural networks, which produce more robust results than traditional algorithms. In this thesis, we studied the common approaches for solving this problem and based on the gathered knowledge we created an architecture of a neural network trained to tackle the task of human identification and verification based on facial photographs. We have then further improved the model architecture and the training process by performing various experiments and observing the results. The final model has reached an accuracy comparable to other state-of-the-art models. Furthermore, we created a desktop application to demonstrate the results visually and to enable easier manipulation with the identity database. The knowledge gathered in this thesis can be used for improvements of current identification models or models modified for solving similar tasks.

No description available.

Der Luftverkehr stellt ein komplexes Gesamtsystem dar, in welchem eine Prozessoptimierung aufgrund zahlreicher und verschiedenartiger Arbeitsabläufe verschiedener Unternehmen nur durch eine übergeordnete Leistungsbewertung möglich ist. Hierfür wurde im Bereich des leistungsbasierten Flughafenmanagements - sowohl auf wissenschaftlicher, als auch industrieller Ebene - bereits eine hohe Zahl individueller Lösungsansätze entwickelt, die jedoch aufgrund ihrer unterschiedlichen Struktur schwer zu vergleichende Ergebnisse hervorbringen. Des Weiteren werden Wechselbeziehungen zwischen ausschließlich eindimensional betrachteten Leistungsindikatoren, welche die verschiedenen Prozessschritte einzeln abbilden, außer Acht gelassen - die Dynamik des Systems spiegelt sich auf diese Art nicht auf Datenebene wider. Abhängigkeiten beeinflussen jedoch maßgeblich das Bewertungsergebnis und sind damit bei der Implementierung von Optimierungsstrategien innerhalb heutiger Konzepte essentiell. Der Kern dieser Dissertation umfasst die erweiterte datenbasierte Betrachtung des Luftverkehrssystems innerhalb des leistungsbasierten Ansatzes und einer damit einhergehenden Entkopplung von Modellierungsansätzen. Dies bedeutet, dass das betrachtete Luftverkehrssystem nur durch Leistungskennwerte beschrieben werden soll (z. B. Verspätungen, meteorologische Messungen). Der Einsatz künstlicher neuronaler Netze erhöht die Möglichkeiten zur Abbildung und Erfassung nicht-linearer und abhängiger Wert-diskreter Zeitreihen, welche im ständigen Vergleichsprozess wesentlich für die Strategiebildung sind. Die Datenquellen beziehen sich einerseits auf mikroskopische Analysen im Bereich des Boardings und damit verbundenen wissenschaftlichen Ausarbeitungen, andererseits auf die Beispielflughäfen Flughafen Hamburg (HAM) und Gatwick Airport (LGW) der Jahre 2012 - 2015 im makroskopischen Fokus. Die Implementierung des Wetters erfolgt über aggregierte meteorologische Kennzahlen, welche auf realen Wettermeldungen des entsprechenden Zeitraums beruhen. Von der Wahl und Definition eines Systems (Boarding, HAM und LGW) ausgehend, erfolgt eine geeignete Datenaggregation, welche Daten zur anschließenden Wissensgenerierung bereitstellt und damit Optimierungsansätze ermöglicht. Im Sinne des wachsenden Interesses der Forschung im Bereich des leistungsbasierten Luftverkehrsmanagements und der heutigen Wichtigkeit von Entscheidungsunterstützungssystemen bei der Strategieentwicklung, fokussiert sich diese Arbeit damit auf die Durchführung multivariater nicht-linearer Zeitreihenanalyse und -vorhersage mit neuronalen Netzen. Die damit einhergehende Nachvollziehbarkeit solcher Datenreihen liefert Möglichkeiten zur Systemidentifikation (datenbasiertes Erlernen der Systemdynamik). Das identifizierte Systemabbild des Luftverkehrs kann folglich für Simulation bekannter Eingabegrößen, als auch für die optimierte Kontrolle des Systems herangezogen werden und umfasst damit wesentliches Erweiterungspotential für heutige Management-Konzepte, um Entwicklungen hin zu einem kooperativen Betrieb zu unterstützen. Ableitend aus der Differenzierung in mehrere gekoppelte Bearbeitungsschritte innerhalb dieser Arbeit, erfolgt eine Fokussierung auf drei Kernfragen: a) Ist eine auf Leistungskennwerten des Luftverkehrs basierende Systemidentifikation mit derzeitigen Paradigmen neuronaler Netze möglich? b) Welche Einschränkungen sind gemäß des unterschiedlichen Charakters der Datensätze zu beachten und wie kann diesen durch eine, das Training der neuronalen Netze vorbereitenden, Datenstrukturanalyse und -Anpassung entgegengewirkt werden? c) Ist auf Basis der trainierten Netze eine erweiterte Optimierung und Vorhersage innerhalb vorhandener Strukturen des leistungsbasierten Luftverkehrsmanagements möglich?:I Grundlagen 1 Leistungsbasiertes Luftverkehrsmanagement 1.1 Allgemeine Definitionen & Begrifflichkeiten 1.2 Leistungsbewertungsrahmenwerke des Luftverkehrs 1.2.1 Interdependenzen von Leistungsindikatoren 1.2.2 Einflussfaktoren auf die Leistungsfähigkeit von Verkehrsflughäfen 1.2.3 Flugmeteorologische Datenaggregation 1.3 Grundkonzepte leistungsbasierten Luftverkehrsmanagements 1.3.1 Airport Collaborative Decision Making (A-CDM) 1.3.2 Total Airport Management (TAM) 1.3.3 Performance Based Airport Management (PBAM) 2 Künstliche neuronale Netze 2.1 Grundverfahren der Computational Intelligence 2.2 Biologische neuronale Netze 2.3 Topologie & Bestandteile künstlicher neuronaler Netze 2.4 Lernvorgang & Fehlerevaluierung 2.5 Netzparadigmen 2.5.1 Feedforward Netzwerke 2.5.2 Rekurrente (rückgekoppelte) Netzwerke 2.5.3 Faltende Netzwerke 2.6 Taxonomie der Zeitreihenverarbeitung mit künstlichen neuronalen Netzen 2.6.1 Zeitreihenregression 2.6.2 Zeitreihenklassifikation II Anwendung künstlicher neuronaler Netze im Luftverkehr 3 Methodische Konzeption 3.1 Datenbasierte Erfassung des Luftverkehrssystems 3.1.1 Prinzip des virtuellen Luftverkehrssystems 3.1.2 Systemidentifikation, Kontrolle & Simulation 3.2 Anwendungsgebiet Turnaround Management 3.2.1 Status Quo 3.2.2 Stochastische Boardingsimulation & Aggregationsmetrik 3.3 Anwendungsgebiet Air Traffic Flow Management 3.3.1 Status Quo 3.3.2 Datengrundlage der Flughäfen Hamburg & London Gatwick 4 Systemidentifikation mit künstlichen neuronalen Netzen 4.1 Modularisierung der Systemidentifikation 4.2 Problemidentifikation & Systemauswahl 4.3 Datenstrukturanalyse & -anpassung 4.3.1 Datenvoranalyse 4.3.2 Datenvorverarbeitung & Fehlerbereinigung 4.3.3 Datenanpassung für maschinelles Lernen 4.4 Paradigmenauswahl & Modellinitialisierung 4.5 Modellanwendung & -Überwachung 4.6 Nachgelagerte Analyse & Modellanpassung 5 Simulation & Kontrolle durch künstliche neuronale Netze 5.1 Sequenzprediktion zur Vorhersage bei bekannten Eingabemengen 5.1.1 Fehlerfortschreitung & Prognoseevaluierung 5.1.2 Robustheitsschätzung der Vorhersage 5.2 Nutzung des Modells als adaptive Kontrollstruktur 5.2.1 Extraktion von Zusammenhängen der Eingabegrößen 5.2.2 Metaheuristische Optimierung der Eingabemengen III Anwendung 6 Anwendungsgebiet Boarding als Teil des Turnaround-Prozesses 6.1 Systemidentifikation des Boarding-Subsystems 6.1.1 Datenstrukturanalyse 6.1.2 Experimenteller Aufbau & Modellanwendung 6.2 Simulation & Kontrolle des Boarding-Subsystems 6.2.1 Vorhersage des Boardingvorgangs unter verschiedenen Randbedingungen 6.2.2 Robustheitsprüfung der adaptiven Kontrollstruktur 6.2.3 Ableitung von Handlungsempfehlungen innerhalb des Prozesses 7 Anwendungsgebiet Air Traffic Flow Management 7.1 Systemidentifikation des Flugbetriebs in Hamburg & London Gatwick 7.1.1 Datenstrukturanalyse 7.1.2 Experimenteller Aufbau & Modellanwendung 7.2 Simulation & Kontrolle des Flugbetriebs in Hamburg & London Gatwick 7.2.1 Vorhersage von Verspätungen unter Berücksichtigung des Wetters 7.2.2 Robustheitsprüfung der adaptiven Kontrollstruktur 7.2.3 Eingabeempfehlungen zur Minimierung der Gesamtverspätung 8 Schlussbetrachtungen 8.1 Zusammenfassende Auswertung der Basisszenarien 8.2 Ausblick