IT-Nachwuchsforschung in Österreich

OCG Journal Ausgabe 01 • 2024 | Coverbild: Autor*innen P.b.b. Verlagspostamt 1010 Wien I 02Z031460M 

Ausgabe 01 • 2024 | Jg. 49 | EUR 5,00 

IT-Nachwuchsforschung in Österreich

Wissenschaftliche Wettbewerbe 

ocg.at/wissenschaftliche-wettbewerbe 

OCG Förderpreis 2024 

OCG Förderpreis-FH 2024 

Einreichungen müssen im 

Zeitraum Oktober 2022 bis Dezember 

2023 an einer österreichischen 

Universität bzw. Fachhochschule 

approbiert und mit 

einem sehr gut beurteilt worden 

sein. Die beste Arbeit wird von 

einer Jury ermittelt. Der Preis ist 

mit 2.000 Euro dotiert. 

Heinz Zemanek Preis 2024 

Dissertationen müssen im Zeitraum 

1.1. 2022 bis 31.12.2023 an 

einer österreichischen Universität 

abgeschlossen und von der 

Universität nominiert worden 

sein. Die beste Arbeit wird von 

einer Jury ermittelt. Der Preis ist 

mit 5.000 Euro dotiert. 

Einreich-/Nominierungsfrist: 14. März 2024 

Jetzt OCG Mitglied werden! 

Nutzen Sie unser Netzwerk und profitieren Sie zusätzlich von 

den exklusiven Angeboten für Mitglieder der Österreichischen 

Computer Gesellschaft: 

• Mitbestimmen 

• Weiterbilden 

• Publizieren 

• Dissemination von Ihren Veranstaltungen 

• Top-Räumlichkeit in der Wollzeile 1 im 1. Bezirk Wiens 

• Ermäßigungen 

FÜR STUDIERENDE BIS ZUM VOLLENDETEN 26. LEBENSJAHR GRATIS! 

Mehr Informationen: ocg.at/ocg-mitgliedschaft

Inhalt 

[ 20 

Young Researchers‘ Day 

5 Junge Forschung in Österreich 

Edgar Weippl 

6 Schwachstellen des Bluetooth 

Designs 

Christopher Skallak, FH Campus 

Wien 

7 MQT: The Munich Quantum 

Toolkit 

Thomas Gurl, JKU Linz 

9 LLM Prompt Injections 

Caroline Lawitschka, JKU LInz 

10 FAIRE Forschung mit 

dynamischen Daten 

Josef Taha, TU Wien 

12 Blockchain-basierte IS-Audit- 

Systeme 

Lukas König, FH St. Pölten 

14 Datenschutzrisiken bei 

intelligenten Stromzählern 

Dejan Radovanovic, FH Salzburg 

16 Web Application Firewalls 

Patrick Deininger, TU Graz 

18 Privaca Preserving Fingerprinting 

Matching 

Julia Mader, AIT 

Ausgewählte Forschung 

20 Datenexfiltration mit Hilfe von 

Modellen des Maschinellen 

Lernens 

Andrea Siposova, SBA Research 

22 Synthetische Daten im 

Gesundheitswesen 

Daniele Martinez-Duarte, SBA 

Research 

24 Dynamisches Policy Management 

Christian Luidold, Uni Wien 

25 Differential Privacy for Machine 

Learning 

Anastasia Pustozerova, SBA 

Research 

26 Matrix-Vector Multiplication in 

Distributed Models 

Tijn de Vos, Uni Salzburg 

28 Variabilitätsartefakte vergleichen 

leicht gemacht 

Kevin Feichtinger, JKU/TU Karlsruhe 

30 Clustering mit neuronalen Netzen 

Lukas Milatuz, Uni Wien 

32 Probleme algorithmisch lösen 

lernen 

Martina Landman, TU Wien 

Wettbewerbe 

34 Visualisierungstool für die 

Programmierausbildung 

Katrin Kern, JKU Linz 

36 OCG Förderpreis 2023 

Irina Scheitz 

37 OCG Förderpreis-FH 2023 

Irina Scheitz 

OCG Intern 

38 Nachruf Niklaus Wirth 

Katharina Resch-Schobel 

39 Veranstaltungen 

39 Impressum 

01 • 2024 | OCG Journal 

3

Sehr geehrtes OCG-Mitglied, 

liebe Leserin, lieber Leser! 

Das erste OCG Journal des Jahres widmet 

sich erneut der IT-Nachwuchsforschung 

in Österreich. Auch dieses Jahr dürfen die 

„Young Researchers“, die bei der IKT-Sicherheitskonferenz 

des Heeres ihre Arbeiten mit 

Schwerpunkt auf IT-Security präsentierten, 

jeweils einen Beitrag für das Heft liefern. 

Zusätzlich haben unsere Jury-Mitglieder 

der OCG Preise – Professor*innen von verschiedensten 

Universitäten und Fachhochschulen 

mit IKT-Schwerpunkt – Studierende 

mit vielversprechenden Forschungsschwerpunkten 

empfohlen. 

Die Bedeutung der IT-Nachwuchsforschung 

kann nicht genug betont werden. 

Angesichts der guten Jobaussichten am 

Arbeitsmarkt für Informatiker*innen, ist die 

Entscheidung für eine wissenschaftliche 

Laufbahn ein umso bewusster gewählter 

Schritt, der langfristig zur Bedeutung Österreichs 

als Wissenschaftsstandort im Bereich 

der Informatik beiträgt. Unser Ziel ist es, junge 

Talente zu unterstützen, denn mit innovativen 

Denkansätzen und Lösungen aus 

der Wissenschaft können wir den Herausforderungen 

der digitalen Welt begegnen. 

Dabei geht es nicht nur um die Entwicklung 

neuer Technologien, sondern auch um die 

Erforschung ihrer Auswirkungen auf Gesellschaft, 

Wirtschaft und Umwelt. 

Die Möglichkeit zur Publikation sowie die 

OCG-Preise für wissenschaftliche Arbeiten 

(der Zemanek Preis und die beiden OCG 

Förderpreise) sind ein wichtiger Beitrag der 

Österreichischen Computer Gesellschaft zur 

Förderung von Informatik-Studierenden. 

Mein besonderer Dank gilt den engagierten 

Jurorinnen und Juroren, die jedes Jahr die 

vielen eingereichten Arbeiten bewerten. 

Wir wünschen Ihnen eine anregende Lektüre 

und hoffen, dass Sie die Begeisterung 

und das Engagement der Forscher*innen 

für ihr Fachgebiet teilen können. 

Herzlichst, Ihr 

Thomas Mück, Präsident OCG


AK IT-Sicherheit - Young Researchers‘ Day 

von Edgar Weippl 

Junge Forschung in Österreich 

Vernetzung ist in der wissenschaftlichen 

Forschung von zentraler Bedeutung, da 

sie den Austausch von Wissen, Daten und 

Ressourcen ermöglicht. Durch die Zusammenarbeit 

von Forscher*innen aus 

verschiedenen Disziplinen und Ländern 

können komplexe Probleme angegangen 

und neue Perspektiven gewonnen 

werden. Vernetzung fördert Innovation, 

indem sie den Zugang zu neuen Technologien, 

Methoden und Erkenntnissen 

erleichtert. All das ist Forscher*innen seit 

langem bekannt und Konferenzen sowie 

Tagungen fördern diesen Austausch. 

Die OCG unterstützt Vernetzungsaktivitäten 

junger Forscher*innen durch verschiedene 

Initiativen. 

OCG PREISE UND AUSZEICH- 

NUNGEN 

Auszeichnungen und Preise wie der OCG 

Förderpreis und der OCG Förderpreis FH 

für sehr gute Diplom- und Masterarbeiten 

oder der Heinz Zemanek Preis für 

Dissertationen zeichnen hervorragende 

Leistungen aus und bieten der Gewinner*innen 

zusätzliche Sichtbarkeit. 

Viele der früheren Preisträger*innen sind 

später selbst Professor*innen geworden 

und haben wichtige Beiträge für die Informatik 

geleistet. 

OCG ARBEITSKREIS IT-SICHER- 

HEIT 

Vor mehr als zehn Jahren hat der AK 

IT-Sicherheit der OCG erkannt, dass allerdings 

die Möglichkeit eines einfachen 

Austauschs von jungen Forscher*innen, 

die beispielsweise an ihrer Master Thesis 

arbeiten, fehlt. Ebenso ist gerade im 

Bereich der IT-Sicherheit der Austausch 

innerhalb Österreichs wichtig, um eine 

effizientere Nutzung von Ressourcen zu 

ermöglichen, da Forschungsergebnisse 

und Infrastrukturen gemeinsam genutzt 

werden können. Darüber hinaus trägt die 

nationale Vernetzung zur Qualitätssicherung 

durch Peer Review und kritischen 

Dialog bei und unterstützt die Verbreitung 

von Forschungsergebnissen. In den 

ersten Jahren stand die interne Vernetzung 

der jungen Forscher*innen im Vordergrund 

und wir organisierten ein jährliches 

Treffen bei der OCG. Da wir allerdings 

die Ergebnisse der Forscher*innen einem 

größeren Publikum zugänglich machen 

wollten, bot sich die IKT-Sicherheitskonferenz 

als ein idealer Ort an. Mittlerweile 

sind die Vorträge fester Bestandteil des 

Hauptprogramms und finden im großen 

Vortragssaal vor mehreren hundert 

Teilnehmer*innen statt. Zum Young Researchers‘ 

Day werden jedes Jahr alle 

Fachhochschulen, Universitäten und 

Forschungszentren eingeladen, die im 

Bereich der IT-Sicherheit tätig sind. Jede 

Forschungsstätte kann ein bis zwei Vortragende 

für das Programm nominieren. 

Auf der IKT Sicherheitskonferenz 2023 in 

Linz wurden folgende Vorträge präsentiert: 

• Bluetooth LE Security Vulnerabilities 

von Christopher Skallak, FH Campus 

Wien 

• Quantum Error Correction von Thomas 

Grurl, FH Oberösterreich Compus 

Hagenberg 

• Blockchain-System für Sicherheitsaudits 

von Lukas König, FH St. Pölten 

• Privacy Issues in Smart Metering von 

Dejan Radovanovic, FH Salzburg 

• Prompt Injections in ChatGPT von Caroline 

Lawitschka, Universität Wien 

• Web Application Firewalls von Patrick 

Deininger, FH Joanneum 

• Performance-Scanning von Streamdaten 

von Josef Taha, TU Wien 

• Privacy Preserving Fingerprint 

Matching von Julia Mader, AIT Austrian 

Institute of Technology 

• Kompetenzbedarf NIS2 von Nicolas 

Petri, SBA Research 

Alle jungen Forscher*innen bekommen 

die Möglichkeit, ihre aktuelle Forschungstätigkeit 

im OCG Journal einer 

interessierten Leserschaft vorzustellen. 

Freuen Sie sich mit mir auf viele spannende 

Artikel in der vorliegenden Ausgabe. 

Edgar Weippl 

ist Professor für 

Security und Privacy 

und Vizedekan 

der Fakultät 

für Informatik, 

Universität Wien. 

Seine Forschungsschwerpunkte 

liegen auf Distributed-Ledger- 

Technologien und sicheren 

Produktsystemen. 

AK IT-Sicherheit 

Der Arbeitskreis (AK) widmet sich 

den Gebieten Informationssicherheit 

und IT-Sicherheit. Dazu gehört 

auch die Förderung eines kritischen 

Bewusstseins gegenüber Sicherheitsfragen. 

Geleitet wird der AK von Ingrid 

Schaumüller-Bichl, Edgar Weippl ist 

Stellvertretender Leiter. 

Der nächste Young Researchers‘ 

Day findet bei der nächsten IKT 

Sicherheitskonferenz am 17. und 18. 

September 2024 im Congress Center 

Messe Wien statt. 


5

Verschlüsselung und sichere Schlüsselerzeugungsmethoden verwenden 

von Christopher Skallak 

Schwachstellen des 

Bluetooth Designs 

Die jüngsten Entwicklungen auf dem 

Gebiet der Industrie 4.0 haben Internet 

of Things (IoT)-Geräte für den Verbrauchermarkt 

zugänglich gemacht. 

Heute besitzen bereits viele Haushalte 

Heim-Assistenten, die Kontrolle über 

unsere Smarthome-Geräte besitzen. 

IoT-Geräte kommunizieren untereinander 

über drahtlose Protokolle, wie etwa 

Bluetooth oder WLAN. Bluetooth-Verbindungen 

können durch Angriffe ihre 

Sicherheitsmechanismen verlieren und 

so die Daten für potenzielle Hacker*innen 

verfügbar werden. 

Diverse drahtlose Übertragungsprotokolle 

erleichtern unser tägliches Leben, sei 

es das Internet (WLAN), die kabellosen 

Kopfhörer oder die Smarthome-Geräte, 

welche wir mit dem Smartphone steuern 

können. Einer der ältesten Standards für 

die Datenübertragung ist Bluetooth, welcher 

bereits am Ende der 90er-Jahre in 

Handys eingebaut wurde, um Infrarot für 

das Austauschen von Klingeltönen und 

anderen Dateien abzulösen. Mit der Bluetooth 

Version 4.0 wurde 2010 das zweite 

Übertragungsprotokoll von den Bluetooth-Entwickler*innen 

mit den Namen 

Bluetooth Low Energy (BLE) vorgestellt. 

BLE fokussiert sich hierbei auf das Übertragen 

von kleineren Daten und effizienteren 

Batterielaufzeiten, um die Smarthome- 

und Internet of Things (IoT)-Domäne 

abzudecken. Bluetooth und BLE teilen 

sich mit vielen anderen drahtlosen Übertragungsprotokollen 

wie WLAN, ZigBee, 

6LoWPAN etc. das lizenzfreie 2,4 GHz Frequenzband. 

Aufgrund dessen kann es zu 

Interferenzen bei der Datenübertragung 

kommen; dagegen werden Techniken 

zur Kollisionsvermeidung wie Frequency 

Hopping Spread Spectrum (FHSS) eingesetzt. 

Hierbei unterteilt BLE das 2,4 GHz 

Frequenzband in 40 Kanäle und wechselt 

den Kanal nach jedem gesendeten 

Datenpaket nach einem Muster, welches 

sich die Verbindungspartner beim Verbindungsaufbau 

ausgemacht haben. Die 

40 Kanäle (Channels) werden weiter unterteilt 

in 3 Advertisement Channels und 

37 General Purpose Channels. Die Advertisement 

Channels werden von BLE-Geräten 

verwendet, um die Möglichkeit des 

Verbindungsaufbaus zu bewerben; der 

Datenaustausch findet unter der Verwendung 

der General Purpose Channels 

statt. 

SCHUTZZIEL VERFÜGBARKEIT 

NICHT ERREICHT 

Wenn man BLE auf die drei IT-Security 

Schutzziele Vertraulichkeit (Confidentiality), 

Datenintegrität (Integrity) und 

Verfügbarkeit (Availability) untersucht, 

wird ersichtlich, dass BLE, wie die anderen 

drahtlosen Übertragungsprotokolle 

auch, nicht das Schutzziel der Verfügbarkeit 

erfüllen kann. Der Grund dafür 

ist, dass es möglich ist, das 2,4 GHz Frequenzband 

mit spezieller Hardware zu 

jammen, sodass es zu keinem Datenaustausch 

kommen kann. Insbesonders bei 

BLE fokussieren Angreifer*innen auf die 

drei Advertisement Channels, um den 

Verbindungsaufbau zwischen zwei Geräten 

zu verhindern. 

MÖGLICHE MASSNAHMEN BEI 

SCHWACHSTELLEN 

Eine weitere potenzielle Schwachstelle 

von BLE ist Eavesdropping (Abhören 

der Radiofrequenzen). Hierfür existieren 

diverse USB Accessoires bzw. Pentesting 

Devices wie der Ubertooth One [1] oder 

der Bluefruit LE Sniffer [2], welche das 

2,4 GHz Frequenzband abhören können. 

Als Gegenmaßnahme ist es empfohlen, 

die vom BLE-Protokoll zur Verfügung 

gestellte Verschlüsselung zu verwenden. 

BLE verwendet hierfür den AES CCM 

Verschlüsselungsalgorithmus und kann 

somit die IT-Security Schutzziele der Vertraulichkeit 

und Datenintegrität erfüllen, 

da der Verschlüsselungsalgorithmus neben 

Verschlüsselung auch noch Message 

Integrity Codes (MICs) für jedes Datenpaket 

generiert. Für die Erzeugung der 

Schlüssel wird das Elliptic Curve Diffie 

Hellman Verfahren mit Passkeys zur Authentifizierung 

verwendet, sodass keine 

angreifende Identität einen Man-in-the- 

Middle (MITM) Angriff ausführen kann. 

Eine weitere häufig ausgenutzte 

Schwachstelle ist das Fälschen der Adresse 

des Geräts (Address Spoofing), welches 

die Basis für MITM-Angriffe darstellt. 

Viele Hersteller von Bluetooth Chips ermöglichen 

das Verändern der verwendeten 

Adresse mittels herstellerspezifischen 

Host Controller Interface Commands, 

welche die CPU mittels UART an den 

[1] https://greatscottgadgets.com/ubertoothone/ 

[2] https://www.adafruit.com/product/2267 

6 OCG Journal | 01 • 2024


Bluetooth Chip senden kann. Sofern Verschlüsselung 

und MITM-sichere Schlüsselerzeugungsmethoden 

verwendet 

werden, können MITM-Angriffe detektiert 

und verhindert werden. Daher versuchen 

böswillig agierende Personen einen 

Downgrade-Angriff auszuführen, infolge 

dessen die nicht sichere Schlüsselerzeugungsmethode 

„Just Works“ verwendet 

wird und der MITM-Angriff nicht auffällt, 

indem Felder in den Verbindungsaufbau-Nachrichten 

manipuliert werden. 

EMPFEHLUNGEN ZUR VERHIN- 

DERUNG VON ANGRIFFEN 

Prinzipiell können viele Angriffe auf die 

Schwachstellen des BLE-Protokolls verhindert 

werden, indem man die zur Verfügung 

gestellte Verschlüsselung und 

sichere 

Schlüsselerzeugungsmethoden 

verwendet. Weiters ist es empfehlenswert, 

den „Secure Connections Only“-Modus 

zu verwenden, welcher Downgrade-Angriffe 

verhindert (aber dafür 

Backward Compatibility einschränkt). 

Christopher Skallak 

ist IT-Security Masterstudent 

auf der FH 

Campus Wien. Seine 

Masterarbeit befasst 

sich mit einem STRI- 

DE Threat Modeling des Bluetooth 

Low Energy drahtlosen Übertragungsprotokolls. 

Entwurfsautomatisierung für Quantencomputer 

von Thomas Gurl 

MQT: The Munich Quantum 

Toolkit 

Indem sie quantenmechanische Effekte 

ausnutzen, haben Quantencomputer 

das Potenzial Probleme zu lösen, die für 

heutige Computer unlösbar sind. Probleme 

dieser Art lassen sich in Bereichen 

wie der Logistik, Pharmazie oder 

Finanzwelt finden. Motiviert durch das 

enorme Potenzial dieser Technologie, 

entwickeln Akteur*innen weltweit im 

privaten und öffentlichen Sektor immer 

leistungsfähigere Quantencomputer. 

Doch leistungsfähige Quantencomputer 

allein reichen nicht aus: Um die 

neue Technologie zu nutzen, müssen 

Quantenanwendungen für spezifische 

Quantencomputer kompiliert werden. 

Zusätzlich dazu ist es u. a. notwendig die 

Korrektheit von Quantenanwendungen 

zu verifizieren oder die Ausführung von 

Quantenalgorithmen zu simulieren. Dieses 

Problemfeld wird oft als Entwurfsautomatisierung 

bezeichnet. 

Das Munich Quantum Toolkit (MQT), 

welches federführend vom Lehrstuhl für 

Design Automation an der Technischen 

Universität München entwickelt wird, ist 

eine Sammlung von Softwarelösungen, 

welche Entwickler*innen genau bei diesen 

Problemen unterstützt. Das MQT ist 

frei und als Open Source verfügbar, wird 

aktiv weiterentwickelt und regelmäßig 

um neue Funktionen erweitert. Weiters 

bieten die meisten Tools eine einfach 

verwendbare Python Schnittstelle und 

können bequem über den Paketmanager 

„pip“ installiert werden. Eine umfangreiche 

Dokumentation aller Funktionen 

und Komponenten des MQT ist online 

verfügbar 1 . In diesem Artikel werden einige 

Features des MQT präsentiert. 

KOMPILIERUNG 

Bevor ein Quantenalgorithmus auf einem 

Quantencomputer ausgeführt werden 

kann, muss der Algorithmus erst für 

die spezifische Architektur des Quantencomputers 

kompiliert werden. Dies ist 

notwendig, da echte Quantencomputer 

physikalische Einschränkungen haben, 

die bei der Entwicklung von Algorithmen 

nicht berücksichtigt werden. 

Eine zentrale Aufgabe in der Kompilierung 

von Quantenalgorithmen ist das 

sogenannte „Mapping“. In einem ersten 

Schritt werden dabei die Quantenbits 

des Algorithmus den physikalischen 

Quantenbits des Quantencomputers 

zugewiesen. Da aufgrund physikalischer 

Einschränkungen nicht alle Quantenbits 

direkt miteinander verbunden sind, ist es 

nur selten möglich eine Zuweisung (bzw. 

ein „Mapping“) zu finden, sodass alle 

Operationen des Algorithmus direkt ausführbar 

sind. Daher wird dieses Mapping 

in einem zweiten Schritt mithilfe spezieller 

Operationen (sogenannter „SWAP“s) 

dynamisch angepasst. So kann ein beliebiger 

Algorithmus auf Kosten einer höheren 

Komplexität ausführbar gemacht 

werden. Durch die Fehleranfälligkeit von 


7

Quantencomputern führt diese erhöhte 

Komplexität jedoch zu mehr Fehlern 

und Ungenauigkeit. Ein optimales Mapping 

zu finden, das alle Anforderungen 

der Hardware berücksichtigt, während 

gleichzeitig die Komplexität nur minimal 

erhöht wird, ist ein hoch-komplexes Problem, 

welches nur für äußerst kleine Quantencomputer 

berechenbar ist. 

Das Quantum Mapping Tool (QMAP 2 ) 

des MQT hilft bei genau diesem Problem. 

QMAP erlaubt es Mappings zu finden, die 

alle Einschränkungen der Quantencomputer 

erfüllen, während gleichzeitig die 

dadurch entstehende Komplexität minimiert 

wird. Dazu bietet QMAP mehrere 

komplementäre Ansätze. Unter anderem 

wird ein heuristischer Ansatz unterstützt, 

der auf beliebige Schaltungen angewendet 

werden kann und ein optimaler Ansatz, 

welcher immer die minimale Anzahl 

an SWAP-Operationen findet. 

VERIFIKATION 

Durch die Kompilierung wird der ursprüngliche 

Algorithmus meist stark 

transformiert. Anschließend ist oft nicht 

mehr direkt nachvollziehbar, ob die ursprüngliche 

Funktionalität des Quantenalgorithmus 

bei der Kompilierung 

erhalten geblieben ist. Bevor der kompilierte 

Quantenalgorithmus nun ausgeführt 

wird, ist es oft notwendig, dessen 

Korrektheit zu verifizieren. Wie schon 

das Mapping-Problem ist diese Verifikation 

schwierig und für größere Quantenschaltkreise 

aufgrund der Komplexität oft 

nicht in vernünftiger Zeit entscheidbar. 

Das MQT bietet das Quantum Circuit 

Equivalence Checking Tool (QCEC 3 ), welches 

bei dieser Aufgabe unterstützt. Das 

QCEC-Tool stellt mehrere verschiedene 

Methoden bereit, um die Äquivalenz 

von zwei Quantenschaltungen zu verifizieren. 

Dabei wird eine grundlegende 

Eigenschaft aller Quantenschaltungen 

ausgenutzt, nämlich dass diese reversibel 

sind. Dies erlaubt es die Äquivalenz 

von zwei Schaltungen auf die Frage zurückzuführen, 

ob die Kombination eines 

Schaltkreises mit dem Inversen des zweiten 

Schaltkreises die Identität realisiert. 

Diese Fragestellung lässt sich durch den 

Einsatz von anwendungsspezifischen 

Heuristiken in vielen praktisch relevanten 

Fällen bedeutend leichter beantworten. 

Darüber hinaus führt die Reversibilität 

dazu, dass selbst kleine Fehler oft durch 

wenige Simulationen mit zufälligen Inputs 

erkannt werden können. 

SIMULATION 

Die Simulation von Quantenschaltkreisen 

auf klassischen Computern hat neben 

der Verifikation auch noch weitere 

Einsatzgebiete. So unterstützten Simulatoren 

die Entwicklung von neuen Quantenalgorithmen 

und erlauben jederzeit 

Zugriff auf den gesamten Quantenzustand, 

während echte Quantencomputer 

nur probabilistische Messergebnisse liefern 

können. Weiter erlauben diese Simulatoren 

zu testen, wie sich Algorithmen 

verhalten, wenn sie auf echten, d. h. fehleranfälligen 

Quantencomputern ausgeführt 

werden. Ein weiterer Vorteil besteht 

darin, dass solche Simulatoren kostenlos 

und einfach zur Verfügung stehen, während 

der Zugriff auf echte Quantencomputer 

mitunter kompliziert, limitiert und 

teuer ist. 

Die klassische Simulation von Quantenschaltkreisen 

ist also eine nützliche und 

wichtige Aufgabe. Für diese Simulation 

werden die Quantenzustände oft als Vektoren 

dargestellt. Diese Art der Darstellung 

führt jedoch rasch zu Problemen, da 

jedes zusätzlich betrachtete Quantenbit 

die Größe dieses Vektors verdoppelt. Aufgrund 

dieses exponentiellen Wachstums 

stoßen selbst Supercomputer hier schnell 

an ihre Grenzen. 

Simulationsmethoden, die auf Entscheidungsdiagrammen 

basieren, sind ein 

1 https://mqt.readthedocs.io/en/latest/ 

2 https://github.com/cda-tum/mqt-qmap 

3 https://github.com/cda-tum/mqt-qcec 

4 https://github.com/cda-tum/mqt-ddsim 

vielversprechender komplementärer Ansatz, 

der den benötigten Speicherplatz 

durch Ausnutzung von Redundanzen 

im simulierten Quantenzustand in vielen 

Fällen zu reduzieren. 

Das MQT bietet einen auf Entscheidungsdiagrammen 

basierenden Quantenschaltungssimulator 

namens DDSIM 

(DDSIM 4 ) der Quantenschaltungen 

simuliert, die in gängigen Formaten 

vorliegen können. Weiters unterstützt 

DDSIM auch verschiedene Möglichkeiten 

Fehlermodelle bei der Simulation zu berücksichtigen, 

um festzustellen, wie sich 

Quantenalgorithmen unter Realbedingungen 

verhalten. 

FAZIT 

In diesem Artikel wurde das Munich 

Quantum Toolkit (MQT) vorgestellt – eine 

Sammlung von Softwarelösungen, die 

bei 

Entwurfsautomatisierungsproblemen 

von Quantencomputern helfen. 

Dieser Artikel beschränkt sich auf die Vorstellung 

einiger der unterstützten Werkzeuge, 

weiterführende Links erlauben es 

jedoch interessierten Leser*innen, sich 

näher mit dem MQT zu beschäftigen. 

Thomas Gurl 

schloss sein Doktorratsstudium 

Ende 2023 an der 

Johannes Kepler 

Universität Linz mit 

Auszeichnung ab. Seine Forschungsinteressen 

beinhalten Entwurfsautomatisierung 

für Quantencomputer, 

klassische Simulation von Quantenschaltkreisen 

und Informationssicherheit. 

8 OCG Journal | 01 • 2024


Sicherheitsrisiken bei großen Sprachmodellen wie ChatGPT 

von Caroline Lawitschka 

LLM Prompt Injections 

Bei großen Sprachmodellen (Large 

Language Models, LLMs) wie ChatGPT 

handelt es sich um KI-Systeme, welche 

mittels großer Datenmengen darauf 

trainiert werden, statistische Muster in 

Sprache zu erkennen und kohärente 

wie kontextbezogene Texte zu erzeugen. 

Besonders relevant sind hierbei 

Prompt-Eingaben der Nutzer*innen. 

Diese Eingaben sind entscheidend, da 

sie bestimmen, wie das Modell Informationen 

verarbeitet und Antworten generiert. 

Dieses Vorgehen birgt jedoch Sicherheitsrisiken, 

die nicht unterschätzt 

werden dürfen. 

WO DIE PROBLEME ENTSTEHEN 

Grundsätzlich erhält ein LLM ein Anweisungspaket, 

welches sich aus dem sogenannten 

Kontext und dem eingegebenen 

Prompt zusammensetzt. Hierbei 

bildet der Kontext die konkrete Art und 

Weise wie die Aufgabe gelöst werden soll 

und der Prompt die Anweisung selbst. 

Ein Beispiel: Bei einer Übersetzungsaufgabe 

bildet “Übersetze vom Englischen 

ins Deutsche” den Kontext, und der deutsche 

Satz ist der Prompt. 

Ein Sicherheitsrisiko entsteht insbesondere 

dann, wenn ein Prompt innerhalb 

eines Systems im Backend weiterverarbeitet 

wird und sich die Antworten 

und Anweisungen des LLMs nicht mehr 

auf die reinen Trainingsdaten beziehen. 

Beispielsweise könnten in einer Versicherungs-App 

Nutzer*innen persönliche 

Informationen über einen Prompt 

eingeben, die dann zur Suche in einer 

Datenbank verwendet werden. Die von 

Nutzer*innen eingegeben Daten finden 

so also ihren Weg ins Backend, werden 

dort potentiell weiterverarbeitet und erweitern 

daraufhin den Kontext des LLMs. 

Genau hier kommt die sogenannte 

Prompt Injection ins Spiel. Eine Prompt 

Injection ist eine spezielle Form des Angriffs, 

die darauf abzielt, die ursprünglichen 

Anweisungen des LLMs zu 

manipulieren oder sogar gänzlich zu 

überschreiben. Da das Anweisungspaket 

eines LLMs aus Kontext und Prompts besteht 

haben Nutzer*innen so zwangsläufig 

Zugriff auf das Verhalten des Modells. 

POTENTIELLE ANGRIFFSFLÄ- 

CHEN 

Diese Art der Angriffe stellen ganz grundsätzlich 

eine Gefahr für die Vertraulichkeit, 

Integrität und Verfügbarkeit einer 

Applikation und ihrer Daten dar und können 

sich gegen verschiedene Aspekte einer 

Applikation richten. 

Zum einen kann der Kontext des LLMs 

selbst geleakt werden, indem man über 

den Prompt die Anweisung gibt, bisherige 

Direktiven zu ignorieren und stattdessen 

die ursprünglichen Anweisungen 

preiszugeben. Des Weiteren können 

natürlich auch Daten von Nutzer*innen 

in Gefahr sein. Beispielsweise kann eine 

Prompt Injection ganz klassisch wie eine 

SQL Injection fungieren, sollte der Prompt 

ungefiltert eine Datenbank erreichen. 

Die Funktionsfähigkeit der Applikation 

selbst kann ebenfalls einer Prompt Injection 

zum Opfer fallen, indem man auch 

hier die Anweisung gibt, bisherige Direktiven 

zu ignorieren und beispielsweise 

nur noch anstößige Inhalte wiederzugeben 

oder gar überhaupt nicht mehr auf 

Prompts zu reagieren. 

Das Modell selbst kann ebenfalls über 

vermehrte anstößige Prompts in Mitleidenschaft 

gezogen werden, da dies eine 

potentielle Auswirkung auf zukünftige 

Generationen haben kann. 

Grafik zu Chat GPT, Jänner 2024(c) Caroline Lawitschka 


9

WIE KANN MAN SICH SCHÜT- 

ZEN? 

Der Schutz des Kontextes in LLMs vor 

Prompt Injections ist wichtig, aber herausfordernd. 

Da der Kontext ein zentraler 

Teil des LLM Anweisungspakets 

ist und die Prompts der Nutzer*innen 

einschließt, sollte er keine sensiblen Informationen 

beinhalten. Zusätzlich ist es 

entscheidend, das Backend der Applikation 

vom LLM zu trennen und bewährte 

Sicherheitsmaßnahmen wie Prepared 

Statements zu nutzen, um SQL Injections 

durch Prompts zu verhindern. 

Eine effektive Strategie zur Sicherung 

der Applikation ist es auch, die Kontexte 

innerhalb der Nutzersitzungen zu begrenzen, 

um das Risiko von Angriffen zu 

reduzieren. 

Insgesamt sind Prompt Injections nur 

schwer über klassisches Blacklisting oder 

Filtering zu begrenzen, da diese über 

natürliche Sprache formuliert werden. 

Ein Angriff kann also verschiedensten 

Sprachkonstruktionen entspringen, was 

solche Ansätze zur Abwehr schwierig gestaltet. 

Des Weiteren kann man solche 

Filter umgehen, indem man die Anweisungen 

verschlüsselt und diese vom LLM 

entschlüsseln lässt. 

Zusammenfassend lässt sich sagen, dass 

LLMs nicht als vertrauenswürdige Quelle 

zur Datenverarbeitung betrachtet 

werden sollten. Nutzer*innen haben direkten 

Zugriff auf den Anweisungscode 

des LLMs, wodurch die Ausgaben des 

Modells als potenziell nicht vertrauenswürdig 

gelten. Dies erfordert besondere 

Aufmerksamkeit und angemessene Sicherheitsvorkehrungen. 

Caroline 

Lawitschka 

ist Masterstudentin 

für Artificial Intelligence 

an der JKU 

sowie für Philosophie 

an der Universität Wien. Derzeit 

ist sie an der Unversität Wien als 

Researcher in der Forschungsgruppe 

für Security und Privacy tätig. 

Transparenz und Nachvollziehbarkeit des Forschungsprozesses 

von Josef Taha 

FAIRE Forschung mit 

dynamischen Daten 

Die Welt der Forschung ist im Wandel 

– dynamische Datenströme sind 

das Rückgrat vieler Wissenschafts- und 

Forschungsfelder. Die Fähigkeit, diese 

Daten nicht nur zu analysieren, sondern 

auch die Forschung zu einem späteren 

Zeitpunkt exakt reproduzieren zu 

können, ist von entscheidender Bedeutung. 

Hier setzt VRE+ an, ein Konzept, 

das durch die Integration diverser 

Open-Source-Tools eine modulare und 

FAIR-konforme virtuelle Forschungsumgebung 

darstellt. 

In der Wissenschaft rücken Reproduzierbarkeit 

und Transparenz, besonders 

in Bereichen wie Machine Learning, immer 

stärker in den Vordergrund. Es ist 

entscheidend, sowohl Ergebnisse als 

auch den gesamten Forschungsprozess 

nachvollziehen zu können, insbesondere 

bei dynamischen Daten, die sich stetig 

ändern. Die FAIR-Prinzipien – Findability, 

Accessibility, Interoperability und Reusability 

– spielen dabei eine Schlüsselrolle, 

indem sie die Effizienz und Integrität wissenschaftlicher 

Arbeit steigern 1 . 

VRE+: FAIR, MODULAR UND 

OPEN-SOURCE 

VRE+ ist eine an der TU Wien entwickelte, 

modulare und FAIRE Architektur für 

virtuelle Forschungsumgebungen, die 

auf den folgenden Open-Source-Komponenten 

basiert: JupyterHub, Binder, 

GitLab, InvenioRDM und DBRepo 2 . Diese 

Architektur zielt darauf ab, die Reproduzierbarkeit 

und Transparenz in der Datenforschung 

zu optimieren, insbesondere 

im Umgang mit dynamischen Daten 3. 

InvenioRDM und DBRepo dienen hierbei 

als FAIR-konforme Datenrepositories. 

Während InvenioRDM für die Verwaltung 

von Dateien und Forschungsartefakten 

genutzt wird, spezialisiert sich DBRepo 

auf die Handhabung strukturierter relationaler 

Daten sowie Echtzeitdaten, die 

sich kontinuierlich ändern. GitLab kommt 

für das versionierte Management von 

Forschungscodes in Form von Jupyter 

Notebooks zum Einsatz. JupyterHub und 

Binder bilden die Rechenumgebung für 

die Forschung und ermöglichen das automatisierte 

Aufsetzen von Forschungsumgebungen 

mit einem Klick. 

VALIDIERUNG MITTELS LUFT- 

QUALITÄTSDATEN 

Die Luftqualitätsüberwachung in Österreich 

diente als Test-Anwendungsbeispiel 

für die Evaluierung von VRE+. Sie umfasste 

zwei Datenquellen: (i) historische 

10 OCG Journal | 01 • 2024


Daten aus einem 20-jährigen Archiv, die 

aufwändige Vorverarbeitung benötigten, 

und (ii) aktuelle Echtzeitdaten, die im 

30-Minuten-Takt von 200 Messstationen 

erfasst wurden. 

Für den Test wurden die historischen 

Rohdaten aus InvenioRDM in ein Jupyter-Notebook 

geladen, aufbereitet und 

wieder in InvenioRDM als saubere, analysierbare 

Daten mit Metadaten gespeichert, 

die auf den Ursprungsdatensatz 

und das verarbeitende Notebook hinweisen. 

Echtzeitdaten wurden ebenfalls in den 

Test integriert, indem sie über DBRepo 

bezogen und für die Erstellung von Datensnapshots 

verwendet wurden. Diese 

mit einem DOI versehenen Snapshots 

ermöglichten es, sowohl aktuelle als auch 

spezifische historische Zustände, wie beispielsweise 

Stromausfälle, präzise festzuhalten 

und reproduzierbar zu machen. 

In diesem Test wurden Jupyter-Notebooks 

verwendet, um die aufbereiteten 

historischen Daten in Trainings- und Testsets 

umzuwandeln, die dann in DBRepo 

gespeichert wurden. Auf dieser Basis 

wurde ein prädiktives Wettervorhersagemodell 

entwickelt und in Invenio hochgeladen. 

Die Metadatenverknüpfung in Invenio 

wies auf die Daten in DBRepo und 

den Code in GitLab hin. Über Binder wurde 

eine teilbare, automatisch ausführbare 

Forschungsumgebung bereitgestellt, 

um die Workflows des Testfalls auszuführen. 

Diese Anwendung demonstrierte die 

Transparenz und Nachvollziehbarkeit des 

Forschungsprozesses gemäß FAIR-Prinzipien 

und zeigte die Potenziale von VRE+ 

in der Handhabung dynamischer Daten 

auf. 

Josef Taha 

ist Masterstudent 

im Fachbereich 

Data Science an 

der Technischen 

Universität Wien und 

arbeitet als Cloud Engineer im Bereich 

Jupyter Services an der TU.it. Seine 

Forschungsinteressen sind im Bereich 

Entwicklung optimaler Umgebung 

für Forschung und Lehre. 

1 Neil P. Chue Hong, Daniel S. Katz, Michelle Barker, Anna-Lena Lamprecht, Carlos Martinez, Fotis E. Psomopoulos, Jen Harrow, Leyla Jael Castro, Morane 

Gruenpeter, Paula Andrea Martinez, and Tom Honeyman. FAIR Principles for Research Software (FAIR4RS Principles). Research Data Alliance, 

2021. doi: 10.15497/RDA00068. 

2 Robert N Allan. Virtual Research Environments: From Portals to Science Gateways. Elsevier, 2009. ISBN 9781843345626. 

3 Martin Weise, Cornelia Michlits, Moritz Staudinger, Eva Gergely, Kirill Stytsenko, et al. DBRepo: A Data Preservation Repository Supporting FAIR Principles, 

Data Versioning and Reproducible Queries. In Proceedings of the 17th International Conference on Digital Preservation, 2021. doi: 10.17605/ 

OSF.IO/B7NX5. 

Grafik zu VRE, Jänner 2024 (c) Josef Taha 


11

Informationssicherheitsaudits 

von Lukas König 

Blockchain-basierte IS- 

Audit-Systeme 

Informationssicherheitsaudits sind für 

Unternehmen und deren Evaluierung 

des Cyber-Schutzniveaus unerlässlich. 

Eine Gängige Methode solcher Überprüfungen 

beinhaltet das Heranziehen 

von Sicherheitsstandards- und -Frameworks, 

wie beispielsweise der ISO 27001 1 

Sicherheitsüberprüfungen 2 ganzer Unternehmen 

können so strukturiert und 

zielgerichtet durchgeführt werden. 

In einer globalisierten Welt, mit komplexen 

Lieferketten und Firmenbeziehungen, 

gibt es jedoch zusätzliche Bedenken. 

Denn die Schwachstellen und Ausfälle 3 

einer Organisation können sich auf die 

gesamte Lieferkette auswirken. Aus diesem 

Grund ist es wichtig, dass alle beteiligten 

Organisationen einer Lieferkette 

gegenseitig ihr hohes Sicherheitsniveau 

konkret nachweisen können, ohne dabei 

sensible Informationen zu Schwachstellen 

oder Ähnlichem zu teilen. 

Diese grundlegende Problematik ist einer 

der Motivatoren kürzlicher Forschungsarbeiten 

im Bereich von Blockchains und 

verteilten Systemen als Anwendungssystem 

zum Austausch von Resultaten und 

Informationen von Sicherheitsüberprüfungen 

entsprechend international anerkannter 

Normen und Standards. 

BLOCKCHAIN TECHNOLOGIE 

UND DOKUMENTATION 

Nachdem die Blockchain-Technologie 

schon mehrere Hype-Wellen durchlebt 

hat, ist eine Erklärung der technischen 

Struktur davon an dieser Stelle mit ziemlicher 

Sicherheit nicht mehr notwendig. 

Dennoch sollte erwähnt werden, dass 

Blockchains als eine Technologieimplementierung 

einer verteilten Datenstruktur 

anzusehen sind, die nicht gleichbedeutend 

mit Kryptowährungen und 

Bitcoin ist, sondern nur eine Erscheinungsform 

4 von einer Vielzahl an Implementierungsmöglichkeiten 

verteilter 

Datenstrukturen ist. Blockchains im technologischen 

Sinne, also als verknüpfte 

Datenblöcke, eignen sich hervorragend 5 

zur Dokumentation von Daten, die langfristig 

unverändert erhalten bleiben sollen. 

ANSATZ UND KONZEPT 

Das im Zuge aktueller Forschungstätigkeiten 

entworfene grundlegende 

Konzept für ein verteiltes System für Informationssicherheitsaudits 

beinhaltet 

die Möglichkeit zur Aufzeichnung von 

Selbstüberprüfungen, sowie die Aufzeichnung 

von Prüfungen unabhängiger 

Dritter einer Organisation. Informationen 

werden an dieser Stelle auf einer lokalen 

Blockchain gespeichert. 

Darauf aufbauend gibt es eine „globale“, 

in diesem Kontext inter-organisatorische 

Blockchain, die als Verifizierungsstelle 

zwischen Organisationen einer Lieferkette 

genutzt wird. Hier werden Sicherheitsnachweise 

und Bestätigungen zur 

Einhaltung internationaler Sicherheitsstandards 

festgehalten, ohne sensible Informationen 

selbst zwischen den Organisationen 

austauschen zu müssen. 

EXPERIMENTELLER PROTOTYP 

Um die beabsichtigte Funktionalität zu 

evaluieren, wurde ein experimenteller 

Prototyp entwickelt. In diesem Prototyp 

wurden Funktionen zur Erstellung und 

Verwaltung von Audit-Informationen realisiert. 

Normative Grundlage ist in erster 

Instanz der Maßnahmenkatalog des 

Sicherheitsstandard ISO 27001 und eine 

darauf basierende Prüfungscheckliste 

zum Erheben und Nachweisen von Konformitäten. 

Dieser Prototyp basiert auf dem Blockchain-Framework 

von Polkadot/Substrate 

und wurde modular und leicht 

erweiterbar entwickelt. Mit einer ersten 

Evaluierungsphase konnten alle implementierten 

Funktionalitäten erfolgreich 

getestet werden. In erster Linie beschränkt 

sich der Prototyp aufgrund von 

zeitlichen Limitierungen vorerst nur auf 

die „lokale“ Ebene des Systems. In folgenden 

Arbeiten wird beabsichtigt, die Anwendung 

auch mit der geplanten „globalen“ 

Komponente zu versehen. 

VERGANGENE PUBLIKATIONEN 

UND ZUKÜNFTIGE ARBEITEN 

Bisher wurden als Teil eines mehrjährigen 

Forschungsprojekts bereits mehrere 

Publikationen im Bereich Blockchains 

und Sicherheitsmanagement veröffentlicht. 

Diese befassen sich mit Risiken 

und Schwachstellen, die mit dem Einsatz 

von Blockchains bedacht werden 

müssen, einem Überblick über die Standardisierungslandschaft 

im Bereich der 

Blockchain-Technologien aus der Security-Sicht. 

Auch die Thematik und Problematik 

von sicheren Lieferketten wird 

zurzeit innerhalb der Forschungsgruppe 

thematisiert. 

12 OCG Journal | 01 • 2024


Grafik Globale Blockchain, Jänner 2024 

(c) Lukas König 

Grafik Lokale Blockchain, Jänner 2024 

(c) Lukas König 

In kommenden Publikationen wird noch 

stärker auf die Kombination und Vereinbarkeit 

von Blockchain-Technologien und 

internationalen Normen und Standards 

wie der ISO 27001 eingegangen. Darunter 

auch eine Analyse zur Anwendbarkeit 

und den technischen Besonderheiten 

und Notwendigkeiten von Blockchains, 

sowie die Konzeption und Erstellung eines 

Blockchain-basierten Informationssicherheitsmanagementsystems 

(ISMS). 

Lukas König 

1 International Organization for Standardization (2022). Information security management systems 

– Requirements (ISO Standard no. 27001:2022) https://www.iso.org/standard/27001. 

2 Vroom, Cheryl, and Rossouw von Solms. „Information security: Auditing the behaviour of the 

employee.“ Security and Privacy in the Age of Uncertainty: IFIP TC11 18th International Conference 

on Information Security (SEC2003) May 26–28, 2003, Athens, Greece 18. Springer US, 

2003. 

3 Boyens, Jon, et al. „Supply chain risk management practices for federal information systems 

and organizations.“ NIST Special publication 800.161 (2015): 32. 

4 Panwar, Arvind, and Vishal Bhatnagar. „Distributed ledger technology (DLT): the beginning of a 

technological revolution for blockchain.“ 2nd International Conference on Data, Engineering 

and Applications (IDEA). IEEE, 2020. 

5 Ahmad, Ashar, et al. „Towards blockchain-driven, secure and transparent audit logs.“ Proceedings 

of the 15th EAI International Conference on Mobile and Ubiquitous Systems: Computing, 

Networking and Services. 2018. 

ist Junior Researcher 

an der 

Fachhochschule 

St. Pölten, am Josef 

Ressel Zentrum für 

Blockchain-Technologien & Sicherheitsmanagement. 

Neben weiteren 

Forschungstätigkeiten im Bereich 

Sicherheitsmanagement und Awareness, 

unterrichtet er auch in den 

Gebieten IT-Service Management, 

(regulatorische) Grundlagen der IT-Sicherheit, 

sowie Produktentwicklung. 


13

Smart Metering 

von Dejan Radovanovic 

Datenschutzrisiken bei 

intelligenten Stromzählern 

Im Zeitalter fortschreitender Digitalisierung 

nimmt Smart Metering (Verwendung 

von intelligenten Stromzählern) 

eine zentrale Rolle in der Energieverwaltung 

ein. Diese Technologie bietet 

erhebliche Vorteile für die Energieeffizienz 

und ermöglicht eine präzise Überwachung 

des Energieverbrauchs in 

Echtzeit. Die hier diskutierte Studie 

untersucht jedoch die Kehrseite dieser 

Technologie – die Datenschutzrisiken. 

Insbesondere wird die Einzigartigkeit 

wöchentlicher Smart Meter-Daten analysiert, 

um das Potenzial zur Identifikation 

individueller Haushalte zu bewerten. 

Die Ergebnisse heben die Dringlichkeit 

hervor, Datenschutzmaßnahmen im 

Kontext von Smart Metering zu überdenken, 

da bereits eine Woche an Verbrauchsdaten 

zur Identifikation eines 

Haushalts ausreichen kann. 

SMART METER-DATEN ALS FIN- 

GERPRINTS VON HAUSHALTEN 

Die fortschreitende Implementierung 

von Smart Metering-Technologien stellt 

uns vor neue Herausforderungen im Datenschutz. 

Durch die detailreiche Erfassung 

des Energieverbrauchs in Echtzeit 

werden nicht nur Verbrauchsdaten für 

Energieunternehmen und Kunden transparenter 

und können zur Optimierung 

der Energieeffizienz beitragen, sondern 

es entstehen auch potenzielle Risiken für 

die Privatsphäre der VerbraucherInnen. 

Der Energieverbrauch kann tiefgreifende 

Einblicke in die Lebensgewohnheiten 

der Menschen bieten. So stellt Abbildung 

1 den Verbrauch eines Haushalts 

in den Sommermonaten in Form einer 

Heatmap dar. Dabei veranschaulicht die 

x-Achse die Monate des Jahres und die 

y-Achse die Stunden eines Tages. Die 

Messwerte, welche im 15-Minutenabstand 

aufgenommen wurden, variieren 

in der Farbintensität: Hellere Messwerte 

indizieren einen höheren Verbrauch, 

während dunklere Messwerte einen niedrigeren 

Verbrauch anzeigen. So können 

charakteristische Verbrauchsmuster aus 

den Energiewerten identifiziert werden, 

die Rückschlüsse auf individuelles Verhalten 

zulassen. Beispielsweise kann ein 

regelmäßig erhöhter Energieverbrauch 

in den Abendstunden darauf hinweisen, 

dass die Bewohner zu dieser Zeit nach 

Hause kommen und Geräte wie Beleuchtung 

und Heizung einschalten. Ein periodisch 

hoher Verbrauch am Tag könnte auf 

Klimatisierungsgeräte während der Sommermonate 

deuten oder, wie die helleren 

Messwerte es vermuten lassen, auf den 

Betrieb einer Poolpumpe. Andererseits 

können wiederkehrende Zeiträume mit 

Abbildung 1: Energieverbrauch eines Haushalts im Sommer. Die horizontalen, hellen Streifen deuten auf eine mögliche Poolpumpe hin, der helle 

vertikale Streifen auf einen Verbraucher, der mehrere Tage am Stück durchgelaufen ist und die beiden dunklen Streifen auf keinen Verbrauch, was 

als möglicher Urlaub kategorisiert werden kann. 

14 OCG Journal | 01 • 2024


niedrigem Energieverbrauch darauf hindeuten, 

dass die Bewohner in dieser Zeit 

üblicherweise nicht zu Hause sind, etwa 

während der Arbeitsstunden oder im Urlaub. 

Solche Informationen könnten genutzt 

werden, um die Anwesenheit von 

Personen in einem Haushalt zu ermitteln 

oder sozialdemografische Charakteristiken, 

wie beispielsweise Berufstätigkeit, 

Familiengröße und -struktur, kulturelle 

Gewohnheiten, ökonomischer Status, Alter 

und Lebensstil, abzuleiten und somit 

die Einzigartigkeit von Haushalten zu 

identifizieren. 

Die dabei untersuchte Fragestellung 

lässt sich wie folgt zusammenfassen: 

Kann ein einzelner Haushalt allein durch 

seinen wöchentlichen Energieverbrauch 

eindeutig identifiziert (also „gefingerprintet“) 

werden? Oder allgemeiner formuliert: 

Lässt sich ein bestimmter Haushalt 

anhand seines Energieverbrauchs von 

anderen unterscheiden? 

VERGLEICH DER HAUSHALTE 

ANHAND IHRER FINGERPRINTS 

In unserer Untersuchung analysieren wir 

Smart Meter-Daten von 1589 Haushalten 

in Oberösterreich. Die jährlichen Verbrauchsdaten, 

in 15 Minuten Auflösung 

(alle 15 Minuten ein Messwert) werden 

in wöchentliche Segmente unterteilt, 

um haushaltsspezifische Verbrauchsmuster 

zu identifizieren. Diese Muster 

bestehen aus statistischen Kennwerten 

und speziell für Zeitreihen entwickelten 

Merkmalen. Für das Vergleichen der wöchentlichen 

Segmente bestimmen wir 

die Distanz zwischen den Merkmalen im 

hochdimensionalen Raum. Die Distanz 

dient als Indikator für die Ähnlichkeit der 

wöchentlichen Verbrauchsmuster: Je geringer 

die Distanz, desto ähnlicher sind 

die Verbrauchsmuster der verschiedenen 

Haushalte, was Rückschlüsse auf die Einzigartigkeit 

oder Gemeinsamkeiten der 

Haushaltsprofile ermöglicht. 

ERGEBNISSE UND RESULTIE- 

RENDE DATENSCHUTZIMPLIKA- 

TIONEN 

Die Ergebnisse verdeutlichen, dass bereits 

eine Woche an anonymisierten 

Energieverbrauchsdaten 

ausreichend 

ist, um einen Haushalt in einer umfangreicheren 

Datenbank von Lastprofilen zu 

identifizieren. Diese Identifikation erfolgt 

mit überraschend hoher Genauigkeit, 

was darauf hindeutet, dass ein signifikanter 

Anteil von Haushalten de-anonymisiert 

werden kann. Die erzielten Erkenntnisse 

werfen ernsthafte Bedenken über 

die Wirksamkeit bestehender Anonymisierungspraktiken 

auf und zeigen, dass 

es aus Energieanbietersicht nicht genug 

ist, die Energieverbrauchsdaten nur zu 

anonymisieren. 

STRATEGIEN ZUR VERBESSE- 

RUNG DES DATENSCHUTZES BEI 

SMART METER-DATEN 

Um die Datenschutzprobleme, die sich 

aus der Nutzung von Smart Meter-Daten 

ergeben, zu bewältigen, bedarf es eines 

mehrschichtigen Ansatzes. Eine mögliche 

Verbesserung der Anonymisierungstechniken 

könnte in der Verwendung 

komplexerer Methoden wie Differential 

Privacy liegen. Differential Privacy ist ein 

Ansatz, der es ermöglicht, statistische 

Analysen von Daten durchzuführen, 

ohne dabei sensitive Informationen über 

einzelne Haushalte preiszugeben. Dies 

geschieht durch das Hinzufügen einer 

kontrollierten Menge an Zufälligkeit zu 

den Daten, was die Rückverfolgung zu individuellen 

Haushalten erschwert, ohne 

dabei die Nützlichkeit der Gesamtdaten 

für Analysen zu beeinträchtigen. Solche 

Techniken könnten einen wesentlichen 

Fortschritt in der Wahrung der Privatsphäre 

von VerbraucherInnen bei Smart 

Meter-Daten bedeuten. Gleichzeitig sind 

strengere gesetzliche Regelungen zum 

Schutz personenbezogener Daten im 

Energiebereich vonnöten. Zudem spielt 

die Sensibilisierung und Bildung der VerbraucherInnen 

eine wichtige Rolle, um 

ein Bewusstsein für Datenschutzrisiken 

zu schaffen und ihnen Kontrolle über ihre 

Daten zu ermöglichen. Nur durch eine 

Kombination dieser Ansätze kann ein effektiver 

Datenschutz im Bereich Smart 

Metering erreicht werden. 

Dejan 

Radovanovic 

Dejan Radovanovic bei der IKT Sicherheitskonferenz 2023 (c) Nicolas 

Petri 

ist Forscher am 

Zentrum für sichere 

Energieinformatik an 

der Fachhochschule 

Salzburg. Im Rahmen seiner Dissertation 

widmet er sich der Analyse von 

Energieverbrauchsdaten mit Fokus 

auf Datenschutz. Sein Ansatz besteht 

darin, zunächst die Grenzen der 

Privatsphäre in Bezug auf Energieverbrauchsdaten 

auszuloten, um darauf 

aufbauend effektive Methoden zur 

Wahrung der Privatsphäre anzuwenden. 


15

Sicherheitsrisiken von Webanwendungen 

von Patrick Deininger 

Web Application Firewalls 

Eine immer größer werdende Zahl von 

Anwendungen wird heute über das Intranet 

und Internet genutzt. Diese webbasierten 

Anwendungen verarbeiten 

häufig auch sehr sensible Daten. Dazu 

gehören Gesundheitsdaten, Bankdaten, 

Kreditkartennummern und vieles 

mehr. In Anbetracht der Sensibilität dieser 

Daten wird die Absicherung webbasierter 

Anwendungen immer wichtiger. 

Oftmals können Anwendungen jedoch 

während der Konzeption und Entwicklung 

nicht zuverlässig gesichert werden, 

oder es handelt sich um sogenannte Legacy-Anwendungen, 

die im Zuge ihrer 

Entwicklung schlichtweg nicht richtig 

abgesichert wurden. Ist dies der Fall, 

so kann eine Anwendung durch den 

Einsatz von Web Application Firewalls 

(WAFs) sicherer gemacht werden. 

Laut Sobers 1 , greifen Hacker im Durchschnitt 

2.244 Mal pro Tag an (das entspricht 

einem Angriff alle 39 Sekunden) 

– und bereits eine von 13 Webanfragen 

führt zu Malware. Die Absicherung von 

über das Internet verfügbaren Applikationen 

ist entsprechend zu priorisieren. Der 

beste Zeitpunkt für die Absicherung einer 

Webanwendung ist die Entwurfs- und 

Implementierungsphase . Das heißt, das 

Eindringen in die Anwendung oder der 

Zugriff auf nicht autorisierte Ressourcen 

wird am besten durch die Implementierung 

der neuesten Sicherheitsstandards 

im Quellcode der Anwendung selbst verhindert 

2 . 

Manchmal setzen Entwickler*innen jedoch 

in der Entwurfs- und Implementierungsphase 

nicht genügend Sicherheitsmaßnahmen 

um und Änderungen am 

Quellcode sind später im Lebenszyklus 

der Anwendungen nicht mehr möglich 2 . 

Die Gründe dafür sind vielfältig 2,3 Mangelnde 

Unterstützung durch das entwickelnde 

Unternehmen, hohe Kosten und 

das Fehlen ausreichender Daten, mangelndes 

Wissen oder fehlender Fokus der 

Entwicklungsmannschaft. 

Eine Web Application Firewall (WAF) 

kann nun eine universelle Möglichkeit 

sein, um Angriffe und das unberechtigte 

Eindringen zu verhindern 4 , indem 

sie zwischen den Benutzer*innen und 

der Webanwendung selbst eingesetzt 

wird. Im Unterschied zu herkömmlichen 

Firewalls treffen WAFs Entscheidungen 

über das Zulassen oder Blockieren von 

Traffic hauptsächlich auf einer eingehenden 

Analyse der HTML-Daten und -Parameter. 

Außerdem können WAFs verschlüsselten 

HTTPS-Datenverkehr entschlüsseln, um 

sicherzustellen, dass kein bösartiger Code 

in verschlüsselte Pakete eingefügt werden 

kann. Eine WAF prüft also den von einer 

Webanwendung erzeugten Verkehr 

und entscheidet, welcher Verkehr legitim 

oder zumindest gutartig ist und welcher 

Verkehr bösartig ist. Unsichere Anfragen 

an die Webanwendung oder sogar unsichere 

Antworten der Webanwendung 

werden verworfen und der*dem Anwender*in 

nicht zur Verfügung gestellt. 

DAS PROBLEM 

In aktueller Literatur werden zwar die Fähigkeiten 

von WAFs erörtert, der Markt 

an WAF-Lösungen ist mittlerweile aber 

äußerst unüberschaubar geworden. Es 

war notwendig einen angemessenen 

Vergleich der zwei bekanntesten Open- 

Source-WAFs (ModSecurity und Shadow 

Daemon) herzustellen. 

MODSECURITY 

ModSecurity bietet umfassende Protokollierungsfunktionen 

in Echtzeit, inklusive 

der Aufzeichnung roher Transaktionsdaten, 

und nutzt diese für eine 

kontinuierliche 

Sicherheitsbewertung. 

Dies ermöglicht die frühzeitige Erkennung 

von Schwachstellen. Es kann als 

Reverse-Proxy oder als Apache-Modul 

fungieren, wobei die Reverse-Proxy-Konfiguration 

den Schutz mehrerer Webserver 

im gleichen Netzwerk ohne Ressourcenteilung 

ermöglicht. ModSecurity wird 

mit einem Standard-Regelwerk ausgeliefert: 

Das OWASP Core Rule Set, welches 

die meisten üblichen Schwachstellen von 

Webanwendungen abdeckt. 

SHADOW DEAMON 

Shadow Daemon unterscheidet sich 

von ModSecurity durch seine grafische 

Benutzeroberfläche, die die Verwaltung 

erleichtert. Diese WAF ist in der 

Lage, verschiedene Arten von Angriffen, 

einschließlich Injection-Angriffe, Backdoor-Zugänge 

und Dateieinschlüsse, zu 

erkennen. Durch spezielle Konnektoren 

für PHP, Perl und Python kann Shadow 

Daemon enger mit der Anwendung verbunden 

werden als andere WAFs. Ein in 

die Anwendung integrierter Connector 

wird bei jeder Clientanfrage aktiviert 

und übermittelt Daten wie IP-Adresse, 

Aufrufer, Ressource und Benutzereingaben 

an den Shadow Daemon Server. Der 

Server analysiert diese Daten und liefert 

Informationen zurück, die zur Erkennung 

und Neutralisierung von Bedrohungen 

genutzt werden. Anschließend wird die 

ursprünglich angeforderte Ressource geladen. 

DER VERGLEICH 

Zum Vergleich und Test von ModSecurity 

und Shadow Daemon wurde eine besonders 

anfällige Webanwendung entwickelt. 

Diese Anwendung wurde zunächst 

ohne Schutzmaßnahmen verschiedenen 

Angriffen ausgesetzt. Danach wurde 

ModSecurity installiert, konfiguriert und 

16 OCG Journal | 01 • 2024


die Anwendung erneut angegriffen. Anschließend 

erfolgte das gleiche Prozedere 

mit Shadow Daemon. 

Die Entscheidung fiel auf Apache als 

Webserver und PHP für die Implementierung 

der Webanwendung, wobei MariaDB 

als Datenbankmanagementsystem 

(DBMS) diente. Die Anwendung simuliert 

einen einfachen Blog, in dem Benutzer*innen 

sich anmelden und Beiträge 

erstellen oder bearbeiten können. 

Wichtig war, bei der Entwicklung der 

Blog-Anwendung keine gängigen 

Webanwendungs-Frameworks zu verwenden, 

da diese in der Regel über 

eingebaute 

Sicherheitsmechanismen 

verfügen, die gewisse Angriffsvektoren 

erschweren könnten. Dieses Vorgehen 

zielte darauf ab, eine einfache und verwundbare 

Weboberfläche zu schaffen, 

die ideal für das Testen der WAFs geeignet 

ist. 

ERGEBNISSE UND SCHLUSSFOL- 

GERUNGEN 

Die Tests verdeutlichen, dass selbst einfache 

Webanwendungen zahlreichen Sicherheitsrisiken 

ausgesetzt sein können. 

Daher ist es von höchster Bedeutung, 

dass Webanwendungen, insbesondere 

in Unternehmensnetzwerken, adäquat 

abgesichert sind. Web Application Firewalls 

erweisen sich hierbei als effektive 

Lösung, besonders wenn eine Änderung 

des Quellcodes nicht möglich ist. 

Die Unterschiede zwischen den beiden 

Open-Source-WAFs ModSecurity und 

Shadow Daemon in Bezug auf Installation, 

Konfiguration und Ergebnisse sind 

signifikant. ModSecurity zeichnet sich 

durch eine einfache Installation und das 

schnelle Hinzufügen von vordefinierten 

Regeln aus. Obwohl das Erstellen benutzerdefinierter 

Regeln komplexer sein 

kann, bietet die Vielfalt an Variablen und 

Operatoren die Möglichkeit, hochkomplexe 

Regeln zu entwickeln, was ModSecurity 

eine hohe Flexibilität verleiht. 

Shadow Daemon hingegen erwies sich in 

der Installation als komplizierter, besonders 

auf Windows-Systemen. Die Dokumentation 

bietet wenig Anleitung für das 

Hinzufügen benutzerdefinierter Regeln. 

Die Regeln basieren primär auf regulären 

Ausdrücken, was die Möglichkeiten im 

Vergleich zu ModSecurity einschränkt, da 

komplexere Regelkonstruktionen nicht 

möglich sind. 

Beide WAFs konnten SQL-Injections und 

XSS-Angriffe erfolgreich identifizieren. 

Ein wesentlicher Unterschied zeigte sich 

jedoch beim Umgang mit CSRF-Angriffen: 

Während Shadow Daemon in der 

Lage war, diesen Angriffstyp zu stoppen, 

erkannte ModSecurity CSRF-Angriffe 

nicht ohne eine zusätzliche Regel. Selbst 

mit einer zusätzlichen Regel wurde nicht 

der Angriff selbst erkannt, sondern lediglich 

das Fehlen von CSRF-Tokens. 

Diese Ergebnisse unterstreichen, dass die 

Wahl der richtigen WAF von den spezifischen 

Anforderungen der Webanwendung 

und den vorhandenen Ressourcen 

abhängt. Während ModSecurity eine größere 

Flexibilität und Komplexität in der 

Regelkonfiguration bietet, zeigt Shadow 

Daemon Stärken in spezifischen Angriffsszenarien 

wie CSRF. 

LIMITATIONEN 

Da die implementierte Webanwendung, 

die zum Testen der WAFs verwendet 

wurde, sehr einfach ist, bestünde eine 

Möglichkeit zur Verbesserung darin, eine 

komplexere Anwendung für Testzwecke 

zu erstellen. Diese Anwendung könnte 

auch eine größere Zahl an Angriffsvektoren 

enthalten, die ausgenutzt werden 

können. 

Darüber hinaus sollte eine größere Vielfalt 

von WAFs verglichen werden. Dies 

würde einen besseren Überblick über 

die auf dem Markt befindlichen WAFs 

ermöglichen. Allerdings müssten dann 

auch proprietäre WAFs in die Liste der zu 

vergleichenden Produkte aufgenommen 

werden. 

1 Sobers, R. (2024). 161 Must-Know Cybersecurity Statistics and Trends. [Online]. Available at: 

[Last accessed: 2024-01-18]. 

2 Ghanbari, Z. & Rahmani, Y. & Ghaffarian, H. & Ahmadzadegan, M. H. (2015). “Comparative 

approach to web application firewalls”. In: 2015 2nd International Conference on Knowledge-Based 

Engineering and Innovation (KBEI), pp. 808–812. doi: 10.1109/KBEI.2015.7436148. 

3 Clincy, V. & Shahriar, H. (2018). “Web Application Firewall: Network Security Models and Configuration”. 

In: 2018 IEEE 42nd Annual Computer Software and Applications Conference 

(COMPSAC). Vol. 01, pp. 835–836. doi: 10.1109/COMPSAC.2018.00144. 

4 Pałka, D. & Zachara, M. (2011). “Learning Web Application Firewall - Benefits and Caveats”. In: 

Proceedings of the IFIP WG 8.4/8.9. ARES’11. Vienna, Austria: Springer-Verlag, pp. 295–308. 

isbn: 9783642232992. doi: 10.1007/978-3-642-23300-5_23. 

Patrick A.J. 

Deininger 

ist Geschäftsführer 

der auf IT-Security 

spezialisierten ARC- 

TAROS GmbH. Außerdem 

ist er als Hochschullektor an 

der FH JOANNEUM tätig und arbeitet 

an der TU-Graz an seiner Dissertation. 


17

Fingerabrücke verschlüsselt vergleichen 

von Julia Mader 

Privacy Preserving 

Fingerprinting Matching 

Privacy Preserving Fingerprint Matching 

- oder wie man Fingerabdrücke verschlüsselt 

vergleichen kann - damit 

befasste sich die Forschung im Zuge 

meiner Masterarbeit. Da biometrische 

Daten immer mehr zur Identifikation 

und Authentifizierung genutzt werden, 

stellt ihre Unmöglichkeit diese bei Kompromittierung 

zu widerrufen, ein Sicherheitsrisiko 

dar. Ein weiteres Problem 

sind Bedenken hinsichtlich Privatsphäre 

der Nutzer*innen aufgrund von Datensammlung, 

Speicherung und möglichen 

Missbrauchs der biometrischen 

Daten. Als Lösung präsentieren wir den 

Einsatz von Multiparty Computation 

(MPC) für den verschlüsselten Vergleich 

der biometrischen Daten. 

MPC ist ein Teilbereich der Kryptographie, 

der unabhängigen Parteien, die 

weder einander noch einer dritten Partei 

vertrauen, die gemeinsame Berechnung 

anhand von geschützten Daten ermöglicht, 

ohne diese offenzulegen. Dazu 

teilt MPC (basierend auf Shamir’s Secret 

Sharing) geheime Daten (Secret S) in n 

Shares. Diese werden dann auf n Parteien 

aufgeteilt, welche Berechnungen auf 

ihren jeweiligen Shares ausführen können. 

Das Protokoll garantiert, dass die 

Kombination von weniger als t Shares 

keine Informationen über das Geheimnis 

offenlegt, während es durch t oder mehr 

Shares rekonstruiert werden kann. 

Der Nachteil von MPC ist allerdings, dass 

ihr Einsatz die Berechnung und damit 

den Matching-Prozess erheblich verlangsamt. 

Dies ist der Grund weshalb MPC 

noch wenige praktische Einsatzgebiete 

Grafik Konzept (c) Julia Mader 

hat, obwohl die Idee in den 80er-Jahren 

entwickelt wurde. In den letzten Jahren 

gab es jedoch erhebliche Fortschritte bei 

der Implementierung von MPC-Protokollen, 

die es nun für den realen Einsatz geeignet 

machen könnten. 

SICHERHEITSCHECK AM FLUG- 

HAFEN 

Motiviert wurde die Idee durch einen Anwendungsfall, 

der gemeinsam mit der 

UN identifiziert wurde 1 . In diesem wird 

ein zusätzlicher Sicherheitscheck am 

Flughafen vorgestellt, genau genommen 

der verpflichtende Abgleich der Fingerabdrücke 

aller Reisenden mit No-Fly-Listen, 

wobei bei einem Treffer in einer Liste 

die Reise nicht fortgesetzt werden darf. 

Der Einsatz von MPC für dieses Szenario 

würde einerseits das vertrauliche Zusammenführen 

von nicht öffentlich zu teilenden 

No-Fly-Listen ermöglichen und andererseits 

die Privatsphäre der Reisenden 

schützen. Dieser Anwendungsfall betont 

erneut die Wichtigkeit der Optimierung 

der MPC-Implementierung, da die Wartezeit 

für Reisende durch die zusätzliche 

Überprüfung nicht verlängert werden 

soll. 

Konkret funktioniert der Datenfluss wie 

folgt: Zunächst werden die individuellen 

No-Fly-Listen verschiedener Organisationen 

geheim (verschlüsselt) geteilt und 

unter den Parteien verteilt, in diesem 

Fall auf drei Server. Durch die Aufteilung 

in „Secret Shares“ kennen die Teilnehmer*innen 

nur die von ihnen gehaltenen 

Daten und können durch diese keinerlei 

Schlüsse über die Daten anderer Teilnehmer*innen 

oder gar die Gesamtdatei 

ziehen. Wird anschließend ein Fingerabdruck 

gescannt, wird ein sogenanntes 

Template generiert und ebenfalls verschlüsselt 

an die Server gesendet. Sobald 

die Server die verschlüsselten Teile erhalten 

haben, können sie das Ergebnis der 

Matching-Funktion in einem gemeinsamen 

MPC-Protokoll geheim berechnen 

und nur das Ergebnis offenbaren. Nur 

im Fall einer Übereinstimmung in der 

Grafik Secret Sharing (c) Julia Mader 

18 OCG Journal | 01 • 2024


Julia Mader bei der IKT- Sicherheitskonferenz 

2023 (c) Nicolas Petri 

Datenbank werden die persönlichen Daten 

der Reisenden offengelegt, um dem 

Sicherheitspersonal weitere Schritte zu 

erlauben. 

DERZEITIGER STAND DER FOR- 

SCHUNG 

Das Projekt beinhaltete die Implementierung 

zweier unterschiedlicher Fingerabdruckmatcher 

mit MPC mithilfe eines 

Open-Source-Packages namens MPyC: 

Python Package for Secure Multiparty 

Computation und die anschließende 

Analyse deren Performance. Für die 

Implementierung ausgewählt wurden 

FingerCode 2 , ein beliebter Feature-Vektor-basierter 

Matcher, und 

SourceAFIS 3 , ein minuzienbasierter 

Matcher mit herausragender 

Performance. 

Während sich Feature-Vektor-basierte 

Matcher wie 

FingerCode aufgrund ihres 

einfachen Vergleichs 

durch die Berechnung der 

euklidischen Distanz zweier 

beschreibender Feature 

Vektoren gut für die Implementierung 

mit MPC 

eignen würde, kann der 

Algorithmus aufgrund seiner 

hohe Fehlerraten nicht 

für die geplanten Einsatzmöglichkeiten 

verwendet 

werden. Der Algorithmus 

wurde demzufolge nur 

als Vergleichsbasis für den 

minuzienbasierten Matcher 

implementiert und um die 

verlangsamenden Eigenschaften 

von MPC zu untersuchen. 

SourceAFIS zeigte im Vergleich sehr gute 

Genauigkeit, aber eine recht komplexe 

(und somit langsamere) Implementierung. 

Nach ersten Implementierungen 

des Algorithmus mit MPyC resultierte 

dieser in einer Ausführungszeit von drei 

Stunden. Durch kluge Optimierungen 

des Algorithmus und beschleunigenden 

Maßnahmen, wie Parallelisierungen, 

konnte die Zeit auf sieben Minuten 

reduziert werden. Verglichen mit der 

originalen Ausführungszeit ist das eine 

hervorragende Optimierung, die für die 

geplanten Einsatzzwecke allerdings noch 

nicht ausreicht. Aus diesem Grund wurden 

Experimente mit einem zweiten Framework 

namens MP-SPDZ 4 ausgeführt, 

welches eine Ausführungszeit von sieben 

Sekunden erlauben würde. 

Diese Ergebnisse zeigen, dass noch 

weitere Arbeit notwendig ist, um den 

Matcher für das obengenannte Szenario 

einzusetzen. Sie verdeutlichen aber, 

dass MPC als Alternative zu oder auch in 

Kombination mit herkömmlichen Kryptographie-Methoden 

nicht außer Acht 

gelassen werden sollte und definitiv als 

zukunftsträchtiges Verschlüsselungsmedium 

dienen wird. 

ACKNOWLEDGMENTS 

Das Projekt wurde finanziert durch das 

Sicherheitsforschungs-Förderprogramm 

KIRAS des Bundesministeriums für Finanzen 

(BMF) unter der Grant Agreement 

Nr. 905287 („PASSENGER“), sowie das 

Horizon Europe-Programm der Europäischen 

Union unter der Grant Agreement 

Nr. 101073821 („SUNRISE“). Die dargestellten 

Ansichten und Meinungen sind jedoch 

ausschließlich die der Autorinnen 

und Autoren und spiegeln nicht notwendigerweise 

die der Europäischen Union 

oder der Europäischen Forschungsagentur 

wider. Weder die Europäische Union 

noch die Förderbehörde können dafür 

verantwortlich gemacht werden. 

1 Sobers, R. (2024). 161 Must-Know Cybersecurity Statistics and Trends. [Online]. Available at: 

[Last accessed: 2024-01-18]. 

2 Ghanbari, Z. & Rahmani, Y. & Ghaffarian, H. & Ahmadzadegan, M. H. (2015). “Comparative 

approach to web application firewalls”. In: 2015 2nd International Conference on Knowledge-Based 

Engineering and Innovation (KBEI), pp. 808–812. doi: 10.1109/KBEI.2015.7436148. 

3 Clincy, V. & Shahriar, H. (2018). “Web Application Firewall: Network Security Models and Configuration”. 

In: 2018 IEEE 42nd Annual Computer Software and Applications Conference 

(COMPSAC). Vol. 01, pp. 835–836. doi: 10.1109/COMPSAC.2018.00144. 

4 Pałka, D. & Zachara, M. (2011). “Learning Web Application Firewall - Benefits and Caveats”. In: 

Proceedings of the IFIP WG 8.4/8.9. ARES’11. Vienna, Austria: Springer-Verlag, pp. 295–308. 

isbn: 9783642232992. doi: 10.1007/978-3-642-23300-5_23. 

Julia Mader 

iarbeitet als Junior 

Scientist am AIT 

Center for Digital 

Safety & Security, wo 

sie sich vor allem mit 

Multiparty Computation beschäftigt. 

Im Herbst 2023 schloss sie ihr Masterstudium 

Elektrotechnik an der TU 

München ab. 


19

Abwehrmaßnahmen bei Cyberangriffen 

von Andrea Siposova 

Datenexfiltration mit Hilfe 

von Modellen des 

maschinellen Lernens 

Sensible Daten, insbesondere in Bereichen 

wie dem Gesundheits-, dem Versicherungs- 

und dem Bankwesen, wo die 

Datensätze häufig personenbezogene 

Informationen enthalten, gehören zu 

den wertvollsten Datenarten. Insbesondere 

beim maschinellen Lernen werden 

Daten zu einem entscheidenden Faktor, 

da die Qualität und Robustheit der 

Modelle direkt von der Qualität der Trainingsdaten 

abhängen. Die mit der Datenerhebung 

oder -weiterverarbeitung 

verbundenen Kosten erhöhen den Wert 

der Daten zusätzlich. 

Wertvolle Daten ziehen natürlich auch 

die Aufmerksamkeit von Angreifer*innen 

auf sich und in den letzten Jahren ist die 

Zahl der Cyberangriffe, wie z. B. Datenlecks 

durch Phishing und Ransomware, 

erheblich gestiegen. Dieser Trend hat 

Schwachstellen in Systemen aufgedeckt, 

die bisher als sehr sicher gegen solche 

Bedrohungen galten. Im Mai 2021 wurde 

beispielsweise die irische Gesundheitsbehörde 

Health Service Executive (HSE) Opfer 

eines schweren Ransomware-Angriffs, 

der zu einem landesweiten Ausfall aller 

IT-Systeme führte. Dieser Angriff war der 

größte bekannte Angriff auf ein Computersystem 

eines Gesundheitssystems. In 

einem Ransomware-Angriff verschafften 

sich Angreifer*innen Zugang zu sensiblen 

Daten und drohten damit, über 700 

Gigabyte an Daten zu verkaufen oder 

zu veröffentlichen, wovon über 100,000 

Personen betroffen waren. Sensible Daten 

von 520 Patient*innen sowie weitere 

Unternehmensdokumente, wurden tatsächlich 

ins Netz gestellt. 

Angreifer*innen werden in der Regel 

durch die Aussicht auf finanzielle oder 

strategische Vorteile motiviert, sich unbefugten 

Zugang zu verschaffen. Laut dem 

Verizon 2023 Data Breach Investigation 

Report waren 94,6 % der Datenschutzverletzungen 

finanziell motiviert. Im oben 

genannten Fall soll die Angreifergruppe 

Berichten zufolge ein Lösegeld in Höhe 

von 16,5 Millionen Euro gefordert haben. 

ANGRIFFSVEKTOREN UND 

SCHWACHSTELLEN 

Wenn es um maschinelles Lernen geht, 

ist es wichtig zu erkennen, dass es neben 

dem Einsatz von Malware oder Ransomware 

auch andere Arten von Cyberangriffen 

geben kann. So können beispielsweise 

auch scheinbar harmlose Praktiken 

wie kollaboratives Lernen oder Outsourcing 

an Data Science Expert*innen als 

mögliche Angriffsvektoren für Cyberangriffe 

dienen. Schwachstellen können 

entstehen, wenn ein Dateneigentümer 

die Modellerstellung auslagert, möglicherweise 

unter Verwendung von Programmbibliotheken 

von Drittanbietern, 

oder die Nutzung von Daten durch Dritte 

erlaubt wird, wie z. B. bei Forschungsprojekten 

oder Federated Learning Szenarien, 

bei denen der „Code zu den Daten“ 

kommt, ohne dass die Daten explizit freigegeben 

werden. 

Der gemeinsame Ausgangspunkt für 

Angriffe auf die Daten ist daher die Anwendung 

von Algorithmen Dritter auf 

vertrauliche Daten. Die Angreifer*innen 

müssen zudem in der Lage sein, auf 

das trainierte ML-Modell zuzugreifen. 

Durch die Ausnutzung der Kapazität von 

ML-Modellen können Angreifer*innen, 

die Daten exfiltrieren, selbst wenn der 

bereitgestellte Code in einer isolierten, 

sicheren Computerumgebung ausgeführt 

wird. Dazu wird zusätzlich zu dem 

gutartigen Code, der das maschinelle 

Lernmodell trainiert, bösartiger Code bereitgestellt, 

der steganografische Techniken 

implementiert, um das Modell als 

versteckten Kanal für die Datenexfiltration 

zu nutzen. Dieses Szenario ist in Abbildung 

1 dargestellt. 

Die Partei, die das Modell auf ihren Daten 

trainiert, hat die Möglichkeit, Abwehrtechniken 

auf das trainierte Modell anzuwenden, 

bevor es veröffentlicht wird. 

Der rechte Teil von Abbildung 1 zeigt eine 

Verteidigung, die darauf abzielt, die im 

Modell versteckten Informationen zu entfernen, 

um zu verhindern, dass die Angreifer*innen 

die versteckten Trainingsdaten 

rekonstruieren können, sobald sie 

Zugang erhalten. 

ANGRIFFE MITTELS MASCHINEL- 

LEN LERNENS 

Song et al. 1 haben erstmals Angriffe zur 

Datenexfiltration mittels maschinellen 

Lernens vorgestellt und dabei zwei 

Kategorien unterschieden. Beim White-Box-Zugriff, 

d. h. dem vollständigen 

20 OCG Journal | 01 • 2024


Abbildung 1: Überblick über eine Datenexfiltrationspipeline: Der Angreifende stellt einen bösartigen Code bereit, der Trainingsdaten in einem 

Modell versteckt. Aus diesem werden die Trainingsdaten rekonstruiert, sobald Zugriff auf das trainierte Modell besteht. Eine Abwehrmaßnahme 

(rechts) wird auf das trainierte Modell angewendet, um die Rekonstruktion zu verhindern. 

Zugriff auf Modellparameter, nutzen Angreifer*innen 

die Kapazität der trainierbaren 

Parameter aus. Sie betten die Trainingsdaten 

direkt in die Parameter ein, 

indem sie Techniken wie die Kodierung 

mit dem least-significant Bit verwenden. 

Beim Zugriff auf das trainierte Modell 

können die versteckten Daten direkt aus 

den Parametern ausgelesen und rekonstruiert 

werden. 

In Blackbox-Szenarien, bei denen der 

Zugriff auf die Vorhersagen des Modells 

beschränkt ist, trainieren die Angreifer*innen 

das Modell (zusätzlich und 

zusammen mit gutartigen Daten) auf 

einem deterministisch generierten Trigger-Datensatz, 

so dass das Modell bei 

der Vorhersage auf diesem Trigger-Datensatz 

einzelne Bits der Trainingsdaten 

preisgibt. In diesem Szenario missbrauchen 

die Angreifer*innen also die Lernfähigkeit 

des Modells. 

SCHWIERIGE WAHL DER VER- 

TEIDIGUNGSMASSNAHMEN 

Die Verteidigungsmaßnahmen im White-Box-Szenario 

erfolgen durch eine direkte 

Änderung der Parameterwerte, 

während im Black-Box-Szenario die Architektur 

des Modells geändert werden 

muss. Dazu werden die Teile des Modells, 

die den Trigger gelernt haben, entfernt, 

sodass das Modell die verborgenen Daten 

„vergisst“. 

Allgemein gilt es jedoch einen Kompromiss 

zwischen der Güte des Modells und 

der Wirksamkeit der Verteidigung zu 

finden, da die Verteidigung die Qualität 

der Vorhersagen beeinträchtigt. Außerdem 

kennt der Verteidigende die Art 

des Angriffs und seine Parameter nicht, 

was die Wahl der Verteidigungsstrategien 

erschwert. Hinzu kommt, dass keine 

Verteidigungsstrategie gegen alle Angriffsarten 

wirksam ist. Um die Sicherheit 

der Trainingsdaten zu verbessern, ist es 

daher von entscheidender Bedeutung, 

Dateneigentümer*innen auch mit dem 

Wissen über potentielle Angriffe auf die 

Daten zu schulen. Dies ist von entscheidender 

Bedeutung für die Wahrung der 

Vertraulichkeit sensibler Daten. 

1 C. Song, T. Ristenpart, und V. Shmatikov. 

Machine Learning Models that Remember 

Too Much. Proceedings of the 2017 

ACM SIGSAC Conference on Computer 

and Communications Security, 587-601. 

2017. 

Andrea Siposova 

arbeitet als 

Researcherin in der 

Machine Learning 

and Data Management 

Gruppe bei 

SBA Research. Ihre Forschungsinteresse 

sind Sicherheit von machinellem 

Lernen und Datenvertraulichkeit. 


21

Kompromiss zwischen Datenschutz und Nützlichkeit 

von Daniela Martinez Duarte 

Synthetische Daten im 

Gesundheitswesen 

Die zunehmende Erfassung von Daten 

in den letzten Jahren hat den Weg für 

die Entwicklung innovativer datengestützter 

Anwendungen, in verschiedenen 

Bereichen, geebnet. Im Gesundheitswesen 

beispielsweise bieten Daten 

das Potential, die Diagnose von Krankheiten 

zu beschleunigen, die Versorgung 

der Patient*innen zu verbessern 

und die klinische Entscheidungsfindung 

zu erleichtern 1 . 

Gesundheitsdaten gelten jedoch als sensibel, 

da sie persönliche Informationen 

über Patient*innen beinhalten, z. B. über 

deren Gesundheitszustand, Behandlungen 

oder Versicherungsdaten. Die 

Verwendung von Gesundheitsdaten im 

Gesundheitswesen oder in der medizinischen 

Forschung unterliegt außerdem 

Vorschriften wie der Datenschutz-Grundverordnung 

(DSGVO) in der EU, dem Health 

Insurance Portability and Accountability 

Act (HIPAA) oder dem California 

Consumer Privacy Act (CCPA) in den USA. 

Dadurch ist der Zugang zu qualitativ 

hochwertigen Datensätzen im Gesundheitswesen 

oft stark eingeschränkt. 

SENSIBLE DATEN – HERAUSFOR- 

DERUNG UND MÖGLICHE LÖ- 

SUNGSANSÄTZE 

Synthetische Daten anstelle von Originaldaten 

haben sich als vielversprechende 

Alternative zur Weitergabe sensibler 

Daten erwiesen, da sie Datenschutzbedenken 

ausräumen und darüber hinaus 

die Möglichkeit bieten, Datensätze zu erweitern 

und zu ergänzen, insbesondere 

in Fällen, in denen Daten unvollständig 

oder spärlich vorhanden sind. Synthetische 

Daten sind künstlich erzeugte Daten, 

welche die Struktur und Verteilung 

realer Daten imitieren 2 . Zur Generierung 

synthetischer Daten können verschiedene 

Methoden verwendet werden, die 

von einfachen Ansätzen wie der multiplen 

Datenimputation bis hin zu komplexeren 

Ansätzen wie probabilistischen 

und Deep-Learning-Modellen reichen. 

Welche Technik im Generierungsprozess 

verwendet wird, hängt vom Datentyp, 

Grafik zur Darstellung der Generierung und Bewertung synthetischer Daten (c) Daniele Martinez Duarte 

22 OCG Journal | 01 • 2024


der Anwendungsdomäne und der spezifischen 

Aufgabe ab. Die Generierung 

komplexer Daten, wie z. B. Bilder, erfordert 

fortgeschrittenere Techniken. 

Synthetische Daten können entweder 

teilweise oder vollsynthetisch sein. Teilsynthetische 

Daten werden erzeugt, 

indem in einem realen Datensatz sensible 

Attribute durch synthetische Werte 

ersetzt werden. Vollsynthetische Daten 

werden vollständig neu generiert, so dass 

es keine direkte Zuordnung zwischen 

einem realen Datensatz und einem synthetischen 

Datensatz gibt, was zu einem 

stärkeren Schutz der Privatsphäre beiträgt. 

Beide Arten synthetischer Daten 

werden auch im Bereich des Gesundheitswesens 

erforscht 1 . Aufgrund der 

Anforderungen an den Datenschutz und 

der Komplexität der Daten in diesem Bereich 

werden jedoch in vielen Fällen vollständig 

synthetische Daten bevorzugt. 

Neben der Nützlichkeit für eine bestimmte 

Aufgabe werden bei der Bewertung 

synthetischer Daten auch die 

Wahrung der Privatsphäre und die Wiedergabetreue 

berücksichtigt. Der Schutz 

der Privatsphäre wird durch das Risiko 

der Veröffentlichung synthetischer Daten 

quantifiziert. Andererseits misst die 

Wiedergabetreue die Ähnlichkeit zwischen 

den synthetischen Daten und den 

Originaldaten, zum Beispiel in Bezug auf 

Verteilungen und Korrelationen zwischen 

Variablen. Diese Dimensionen werden anhand 

verschiedener Metriken bewertet. 

Eine Möglichkeit, den Schutz der Privatsphäre 

zu messen, besteht beispielsweise 

darin, den Erfolg von Inferenzangriffen 

abzuschätzen. Inferenzangriffe nutzen 

die synthetischen Daten oder das generative 

Modell, um sensible Informationen 

aus den ursprünglichen Trainingsdaten 

abzuleiten. Es gibt weitere Mechanismen 

zur Erhöhung des Datenschutzes, wie z. 

B. Differential Privacy. Insgesamt muss 

ein akzeptabler Kompromiss zwischen 

Datenschutz und Nützlichkeit gefunden 

werden; die Nützlichkeit bestimmt letztlich 

auch, ob die synthetischen Daten für 

die Forschung verwendet werden können. 

Derzeit besteht kein Konsens darüber, 

wie synthetische Daten systematisch zu 

bewerten sind, und die Risiken der Veröffentlichung 

synthetischer Daten werden 

noch untersucht 3 . In Anbetracht dieser 

Herausforderungen bleibt die Frage nach 

dem Potential synthetischer Daten zur 

Beschleunigung der medizinischen For- 

1 M. Giuffrè and D. L. Shung, “Harnessing the power of synthetic data in healthcare: innovation, 

application, and privacy,” Npj Digit. Med., vol. 6, no. 1, Art. no. 1, Oct. 2023, doi: 10.1038/s41746- 

023-00927-3. 

2 A. Figueira and B. Vaz, “Survey on Synthetic Data Generation, Evaluation Methods and GANs,” 

Mathematics, vol. 10, no. 15, Art. no. 15, Jan. 2022, doi: 10.3390/math10152733. 

3 B. Kaabachi et al., “Can We Trust Synthetic Data in Medicine? A Scoping Review of Privacy and 

Utility Metrics.” medRxiv, p. 2023.11.28.23299124, Nov. 28, 2023. doi: 10.1101/2023.11.28.23299124. 

schung in der Praxis offen. 

Im Rahmen meiner Forschung beschäftige 

ich mich derzeit mit der Generierung 

synthetischer Daten in verteilten 

Szenarien, in denen verschiedene Gesundheitsanbieter 

zusammenarbeiten. 

Dazu müssen generative Modelle, die in 

einer zentralisierten Umgebung verwendet 

werden, an die verteilte Umgebung 

angepasst und die Qualität der synthetischen 

Daten bewertet werden. Bei der 

Bewertung untersuche ich insbesondere 

die Quantifizierung von Risiken aus synthetischen 

Daten. 

Daniela 

Martinez Duarte 

ist Forscherin in der 


and Data Management 

Group bei SBA 

Research. Ihre Forschungsinteressen 

sind Sicherheit und Privacy in Maschinellem 

Lernen mit Schwerpunkt auf 

der Generierung synthetischer Daten 

und der Datenschutzbewertung synthetischer 

Daten. 


23

Sicherheit von Lieferketten 

von Christian Luidold 

Dynamisches Policy 

Management in Zeiten von KI 

Policy Management ist für viele ein relativ 

trockenes Thema. Darin beschrieben 

stehen in der Regel standardisierte 

Prozesse oder Aufgaben und Pflichten, 

welche eine Organisation ihren Mitarbeiter*innen 

zur Verfügung stellt. Diese 

Policies dienen neben der Hilfestellung 

zur Bewältigung von Problemen aber 

auch der Bereitstellung von Nachweisen 

über definierte Handlungen zur Erfüllung 

gesetzlicher Vorschriften. 

Die IT definiert dabei die eigene Kategorie 

der IT-Policies, die sich auf Handlungsabläufen 

von IT-Prozessen und Konfigurationen 

von Systemen fokussiert. Kommt 

es somit zu einem Vorfall in einer Organisation 

so können IT-Policies zum Teil 

automatische Handlungen durchführen 

um die Sicherheit der Systeme sowie die 

Vertraulichkeit, Integrität und Verfügbarkeit 

der Daten zu gewährleisten. 

BIG DATA, KI UND VERNETZTE 

SYSTEME 

Die Effektivität der Schutzmaßnahmen 

von Policies ist abhängig von der Menge 

an Informationen, welche in die Erstellung 

dieser einfließen. So wandern in 

heutigen Organisationen eine Vielzahl 

an organisationsinternen Daten (bspw. 

Logs) aber auch externe Daten (bspw. aus 

Social Media oder Cybersecurity Communities) 

in den Prozess der Entscheidungsfindung 

ein. Weitere Analysen erfolgen 

heutzutage immer öfter unter Zuhilfenahme 

von KI. Die Anwendungsgebiete 

sind dabei vielschichtig und reichen von 

Anomalie-Erkennungen über das Suchen 

und Einspielen von System- oder 

Softwareupdates bis hin zu automatisierten 

Prozessen aus dem Bereich der Business 

Continuity. 

GEMEINSAME POLICIES IN DER 

LIEFERKETTE 

Einen zunehmend wichtigen Punkt für 

Organisationen im Bereich der Cybersicherheit 

nimmt die NIS2-Richtlinie ein. 

Eine bedeutende Neuerung gegenüber 

der alten Richtlinie ist die Pflicht, die Sicherheit 

der eigenen Lieferkette zu berücksichtigen. 

Dies zwingt verschiedene 

Organisationen innerhalb einer Lieferkette 

gemeinsame Policies zu entwickeln, 

um die gesetzlichen Anforderungen zu 

erfüllen. Dies kann sich oftmals aber als 

komplexer herausstellen, als anzunehmen 

wäre. Unterschiedliche Organisationen 

stehen vor unterschiedlichen 

Rahmenbedingungen hinsichtlich Anforderungen, 

verfügbare Ressourcen, Größe, 

wie auch Produkte und Dienstleistungen. 

Durch diese neue Pflicht sind zukünftig 

eine Vielzahl an Organisationen aufgrund 

ihrer Position als Lieferant oder Dienstleister 

für wesentliche bzw. wichtige Einrichtungen 

indirekt von der NIS2-Richtlinie 

betroffen. 

INTERNATIONAL GEFÖRDERTE 

FORSCHUNG 

Im Rahmen des aktuell laufenden 

HEU-Projekts „CS-AWARE-NEXT” wird 

speziell im Bereich Cybersicherheitsmanagement 

für Organisationen und 

lokale (sowie regionale) Netze geforscht. 

Das Ziel ist die Unterstützung von Organisationen 

hinsichtlich eines koordinierten 

kollaborativen Ansatzes zum dynamischen 

Management von Policies mit 

Fokus auf Lieferketten. Dabei wurden 

mehrere Workshops in verschiedenen 

Europäischen Städten mit Vertretern aus 

Wirtschaft und öffentlicher Verwaltung 

durchgeführt, um individuelle Prozesse 

unter Verwendung eines sozio-technischen 

Ansatzes abzubilden. Darauf aufbauend 

wurden die Ergebnisse anhand 

ihres Potenzials zur Weiterentwicklung 

und Optimierung in Verbindung mit automatisierten 

Prozessen im Bereich Business 

Continuity und Disaster Recovery 

sowie KI-gestützter Datensammlung, 

-auswertung und -korrelation analysiert. 

Daten werden hierbei aus drei verschiedenen 

Ebenen verwendet: der Organisationsebene 

(interne Daten wie Logs), der 

Ökosystemebene (Daten aus der Lieferkette 

und geschlossenen Communities) 

sowie der globalen Ebene (Social Media, 

Behörden, offene Communities). Diese 

Verbindungen zu einem diversen Set 

an Datenquellen soll es Organisationen 

ermöglichen, ihre eigene Resilienz im 

Bereich Cybersicherheit zu erhöhen, wobei 

eine integrierte Sammlung an Best 

Practices, Knowledge Bases und technischen 

Hilfestellungen den Einstieg in effektivere 

dynamische Managementprozesse 

hinsichtlich Policies bereitstellen. 

C hristiain Luidold 

ist PhD-Student an 

der Fakultät für Informatik 

der Uni Wien. 

Forschungsschwerpunkt 

ist Information 

Security Policy Management und 

Security Automation 

24 OCG Journal | 01 • 2024


Schutz der Privatsphäre - datenschutzfreundliche Techniken 

von Anastasia Pustozerova 

Differential Privacy for 


Heutzutage spielt Machine Learning in 

verschiedenen Branchen eine zunehmend 

wichtigere Rolle. Im Gesundheitswesen 

beispielsweise werden große 

Datenmengen benötigt, um die Vorhersage 

von Krankheiten zu verbessern 

oder neue Medikamente zu erforschen. 

Die Verwendung dieser Daten ist oft mit 

Datenschutzbedenken verbunden, insbesondere 

wenn sie sensible Informationen 

über Einzelpersonen enthalten. 

Vorschriften wie die Datenschutzgrundverordnung 

(DSGVO) motivieren darüber 

hinaus die Forschung im Bereich 

Privacy-Preserving Machine Learning. 

Differential Privacy (DP) wurde von Dwork 

et al. 1 vorgeschlagen, um Datensätze in 

einer Datenbank mit sensiblen Informationen 

zu schützen, während gleichzeitig 

Statistiken über die Daten abgefragt werden 

können. DP schützt die Privatsphäre 

der einzelnen Person durch Hinzufügen 

von Rauschen zu den Abfrageergebnissen. 

Ziel ist es, dass sich ein Algorithmus 

bei Daten, die sich nur in einem Element 

unterscheiden, ähnlich verhält, d. h. ein 

ähnliches, kaum unterscheidbares Ergebnis 

liefert. Einer der Hauptvorteile von 

Differential Privacy ist die Möglichkeit, 

den Verlust der Privatsphäre zu quantifizieren. 

Im Jahr 2016 stellten Abadi et 

al. 2 eine differenziell private Version des 

Stochastic Gradient Descent (DP-SGD) 

vor, die nach wie vor eine der beliebtesten 

Methoden zum Schutz der Privatsphäre 

im Machine Learning ist. DP kann jedoch 

in verschiedenen Phasen eines maschinellen 

Lernprozesses erreicht werden, z. 

B. durch Hinzufügen von Rauschen zu 

den Trainingsdaten, zu den Gradienten 

(wie bei DP-SGD), zur Zielfunktion oder 

zum fertig trainierten Modell. Das Hinzufügen 

von Rauschen bei DP zur Verbesserung 

der Privatsphäre, führt jedoch 

unweigerlich zu einer Verringerung des 

Nutzens, weshalb bei der Anwendung 

von DP ein Kompromiss zwischen Privatsphäre 

und Nutzen eingegangen werden 

muss. 

ANWENDUNGSBEREICHE VON 

DIFFERENTIAL PRIVACY 

Differential Privacy ist auch in Szenarien 

relevant, in denen Daten zunächst dezentral 

gesammelt und gespeichert werden, 

aber kollaborativ analysiert werden 

sollen, z. B. beim föderierten Lernen (federated 

learning )3 Je nach Anforderung 

kann Differential Privacy in diesem Umfeld 

auf verschiedene Weise angewendet 

werden: 

• Central DP bezieht sich auf eine Situation, 

in der ein vertrauenswürdiger 

Datenaggregator Zugang zu den 

Rohdaten hat und DP nur auf die 

Analyseergebnisse anwendet, z. B. das 

Machine Learning-Modell oder aggregierte 

Statistiken. 

• Local DP wird vor der Aggregation 

angewendet, wenn die Nutzer*innen 

dem Aggregator nicht vertrauen. Local 

DP bietet daher mehr Datenschutz als 

Central DP. Gleichzeitig führt Local 

DP zu einem stärkeren Rückgang des 

Nutzens der Daten und der Genauigkeit 

der Machine Learning-Modelle. 

• Distributed DP zielt darauf ab, ähnliche 

Datenschutzgarantien wie bei 

Local DP zu bieten und gleichzeitig 

den Verlust an Nutzen auf das Niveau 

von Central DP zu reduzieren. Distributed 

DP kann z. B. durch die Verwendung 

sicherer Aggregationsprotokolle 

wie Secure Multiparty Computation 

erreicht werden, verursacht aber auch 

zusätzliche Rechen- und Kommunikationskosten. 

Die Verringerung des Nutzens ist eine 

der größten Herausforderungen der 

Differential Privacy. Wenn der Nutzen 

optimiert werden soll, muss besonders 

darauf geachtet werden, den Parameter 

für den Verlust der Privatsphäre so zu 

wählen, dass Differential Privacy die notwendigen 

Garantien für die Privatsphäre 

bietet. Es gibt keine gesetzlichen Richtlinien 

für die korrekte Anwendung von DP, 

dennoch wird DP bereits aktiv als Methode, 

z. B. von Apple, Google und Microsoft 

eingesetzt. 

Meine Forschung konzentriert sich auf 

ein besseres Verständnis der Auswirkungen 

von Differential Privacy auf die Privatsphäre 

und den Nutzen von Machine 

Learning-Modellen. Insbesondere analysiere 

und vergleiche ich verschiedene 

Strategien zur Anwendung von DP im 

föderierten Lernen, um optimale Wege 

zur Nutzung von DP zu finden. Die Erforschung 

datenschutzfreundlicher Techniken 

wie Differential Privacy ist für eine 

nachhaltige Entwicklung des Machine 

Learning unerlässlich, damit wir als Benutzer 

nicht mit unserer Privatsphäre für 

den Fortschritt bezahlen müssen. 

(Fußnoten auf der nächsten Seite) 


25

1 Dwork, C., Kenthapadi, K., McSherry, F., Mironov, I., & Naor, M. (2006a). Our data, ourselves: 

Privacy via distributed noise generation. In Advances in Cryptology–EUROCRYPT.. 

2 badi, M., Chu, A., Goodfellow, I., McMahan, H.B., Mironov, I., Talwar, K., Zhang, L., 2016. 

Deep Learning with Differential Privacy, in: Proceedings of the 2016 ACM SIGSAC Conference 

on Computer and Communications Security 

3 Anastasia Pustozerova, Jan Baumbach, and Rudolf Mayer. Differentially Private Federated 

Learning: Privacy and Utility Analysis of Output Perturbation and DP-SGD. In 2023 

IEEE International Conference on Big Data (Big Data) 

Anastasia 

Pustozerova 

ist Machine Learning 

Researcher 

bei SBA Research 

und der Universität 

Wien. Ihre Forschungsinteressen sind 

Privacy-Preserving Machine Learning, 

Federated Learning und Differential 

Privacy. 

Distributed Computing and Dynamic Graph Algorithms 

von Tijn de Vos 

Matrix-Vector Multiplication 

in Distributed Models 

Part of theoretical computer science 

is to develop new algorithms with provable 

guarantees on their running time. 

One substantial subfield consists of 

graph algorithms. Graphs model several 

real-world networks such as road networks 

or social networks. The goal is to 

efficiently compute properties of graphs 

such as finding the distance between 

two points in a transportation network 

(the shortest path problem) or finding 

well-connected nodes in a social network 

(community detection). 

CONTINUOUS OPTIMIZATION 

Graphs are discrete objects and problems 

are often solved with combinatorial, discrete 

algorithms. In another part of computer 

science, we have continuous optimization, 

a branch of optimization where 

the variables can take continuous values. 

This is opposed to discrete optimization, 

where they can only take discrete values. 

Surprisingly, in 2004 Spielman and Teng 

showed in their seminal work, that led 

them to winning the Gödel prize, that discrete 

graph problems can benefit from 

continuous optimization techniques. 

Examples of discrete problems that 

benefit from continuous optimization 

techniques include computing shortest 

paths or computing the maximum flow. 

In the latter, the goal is to send the maximum 

amount of flow from a source 

to a target through the network. Such 

algorithms have been developed in the 

normal, ‘central’ model of computation 

in the last 20 years. Recently, it led to the 

celebrated near-linear time algorithm for 

maximum flow. 

A first example of optimization 

techniques is solving a system of equations. 

When these equations relate to the 

structure of a graph, we call it a Laplacian 

system. With continuous optimization, 

the goal is to solve this (much) faster than 

just trying possible values. A more involved 

example is solving linear programs: 

optimizing an objective function under a 

set of linear constraints. This generalizes 

problems like shortest paths, maximum 

matching, and maximum flow. 

MATRIX-VECTOR MULTIPLICATI- 

ON 

It turns out that one of the most important 

primitives for solving optimization 

problems is matrix-vector multiplication. 

Where matrix multiplication is an (in)fa- 

26 OCG Journal | 01 • 2024


mous problem, matrix-vector multiplication 

is much easier. The goal is to multiply 

an n-by-n matrix with an n-dimensional 

vector. In our normal, central model of 

computation, where we have one processor, 

it simply takes linear time in the size 

of the matrix. Although this is not slow, it 

is also not as ridiculously fast as it is in in 

many distributed models, where we have 

multiple processors: here we can often do 

matrix-vector multiplication in constant 

(!) time. This means that the optimization 

approach is showing to be promising in 

distributed computing as well. To understand 

this better, let us introduce a distributed 

model: the CONGEST model. 

THE CONGEST MODEL 

The CONGEST model consists of a network 

of processors, which communicate 

in synchronous rounds. In each round, 

a processor can send information to its 

neighbors over a link with limited bandwidth. 

At the start of each round, each 

vertex can send one message to each 

of its neighbors and receives messages 

from them. We measure the efficiency 

of an algorithm by the number of rounds 

needed to solve a problem. 

In variants of the CONGEST model, we can 

also allow nodes to communicate with 

nodes that are not their neighbors (called 

the Congested Clique) and/or force them 

to send the same message to all neighbors 

(called the Broadcast constraint). All 

these distributed models can be seen as 

an effort to better understand recent engineering 

tools from a fundamental point 

of view, tools such as MapReduce, Hadoop, 

Dryad, and Spark. 

When each node knows one row of a given 

matrix and one value of a vector, we 

can perform matrix-vector multiplication 

in one round: each node only needs to 

send its vector value to their neighbors. 

Then each node can internally multiply 

their row with the vector. This works the 

same in each variant of distributed model 

mentioned above. In other words, the observation 

here is that we can highly parallelize 

matrix-vector multiplication, while 

respecting limited bandwidth computation. 

DISTRIBUTED OPTIMIZATION 

Recently it was shown how to solve Laplacian 

system in the CONGEST model. In 

my research, I have developed the counterpart 

of this result for the broadcast 

congested clique and the (deterministic) 

congested clique. Further, I have shown 

that graph linear programs can be solved 

efficiently in both the CONGEST model 

and the Broadcast Congested Clique. 

These results are obtained by using existing 

interior point methods in distributed 

models, since each progress step at its 

core is based on matrix-vector multiplication 

and Laplacian solvers. 

Although the newly obtained results are 

much faster than previous solutions – 

which often were not better than a trivial 

brute force solution – they are far away 

from optimal. An open question is if it is 

possible to obtain (the equivalent of) linear 

time solutions from problems like maximum 

flow in distributed models. 

Tijn de Vos 

is a PhD-student at 

the University of Salzburg. 

They obtained 

their master‘s degree 

in mathematics from 

the University of Amsterdam. They are 

a theoretical computer scientist with 

a focus on distributed computing and 

dynamic graph algorithms. 

Homepage: https://sites.google.com/ 

view/tijndevos/ 


27

Personalisierte Software 

von Kevin Feichtinger 

Variabilitätsartefakte 

vergleichen leicht gemacht 

Um Kundenbedürfnissen und Markttrends 

gerecht zu werden, werden immer 

spezifischere und umfassender 

personalisierte (Software-)Produkte 

entwickelt. Um Zeit und Geld zu sparen, 

versuchen viele Unternehmen neue 

Produkte basierend auf existierenden 

Lösungen zu erstellen. Folglich werden 

im Laufe der Zeit viele verschiedene Varianten 

desselben Softwaresystems entwickelt 

und die Gesamtvariabilität des 

Softwaresystems steigt. 

Um zuverlässige Software zu entwickeln, 

ist ein umfassender Überblick über die 

verfügbare Variabilität des Softwaresystems 

notwendig. Eine Möglichkeit, einen 

derartigen Überblick zu erhalten, ist die 

Variabilitätsmodellierung. Dabei werden 

die Gemeinsamkeiten und Unterschiede 

einer Reihe von (Software-)Systemen in 

dezidierten Modellen gespeichert. Variabilitätsmodellierung 

ist ein wesentlicher 

Teil der Entwicklung von Softwareproduktlinien. 

30 JAHRE VARIABILITÄTSMO- 

DELLIERUNG 

Seit den 1990er-Jahren wurden viele verschiedene 

Ansätze, Sprachen und Werkzeuge 

zur Variabilitätsmodellierung entwickelt. 

Die bekanntesten Ansätze sind 

Feature Modelle und Entscheidungsmodelle 

(Siehe Abbildung 1), von welchen es 

auch die unterschiedlichsten Varianten 

gibt. In der Industrie wird die Variabilität 

oft mit individuell erstellten Variabilitätsdarstellungen, 

wie beispielsweise Matrizen 

oder Domänenspezifische Sprachen, 

abgebildet. Die meisten dieser Artefakte 

sind für Menschen lesbar, um die Konfiguration 

neuer Varianten zu ermöglichen 

oder das modellierte System zu dokumentieren. 

Ein Variabilitätsartefakt ist jedes 

Modell oder jede Darstellung, die Variabilitätsinformationen 

auf strukturierte 

und für Menschen lesbare Weise erfasst. 

WELCHER ARTEFAKTTYP PASST 

AM BESTEN? 

Leider konnte sich keiner der bestehenden 

Variabilitätsmodellierungsansätze 

endgültig als Standard durchsetzen. 

Zahlreiche Ansätze haben sich aber zumindest 

für deren vorgesehenen Bereich 

oder Anwendungsfall als nützlich erwiesen. 

Dennoch mangelt es an einer lang- 

Bilder: Feature_Modelle_(oben)_und_Entscheidungsmodelle_(unten)_sind_die_bekanntesten_Variabilitätsmodellierungsansätze (c) Kevin Feichtinger 

28 OCG Journal | 01 • 2024


fristigen Unterstützung und Übernahme 

dieser Ansätze in anderen Bereichen und 

Werkzeugen. Daher ist es für akademische 

und industrielle Nutzer*innen gleichermaßen 

schwierig mit den jeweiligen 

Ansätzen zu experimentieren und deren 

Vor- und Nachteile zu verstehen. Um speziellen 

Anforderungen zu genügen, werden 

daher oft neue Ansätze entwickelt, 

statt Bestehende aufzugreifen. Ziel sollte 

es aber sein, die Stärken und Schwächen 

jeder Sprache zu verstehen und dann 

den passendsten Ansatz für einen gegebenen 

Anwendungsfall als Basis auszuwählen 

und gegebenenfalls zu erweitern. 

Dazu muss aber auch die Interoperabilität 

bestehender Variabilitätsmodellierungsansätze 

und deren Werkzeuge erhöht 

werden. 

AUS EINEM MACH VIELE ARTE- 

FAKTE 

Es gibt keine standardisierte Methode 

zum Vergleich mehrerer verschiedener 

Variabilitätsartefakte, die mit unterschiedlichen 

Ansätzen erstellt wurden. In 

der Praxis macht dies das Experimentieren 

und Auswählen eines geeigneten Variabilitätsmodellierungsansatzes 

zu einer 

mühsamen Aufgabe. Die Transformation 

von Variabilitätsartefakten, d. h. von einem 

Typ in einen anderen, kann dieses 

Problem lösen. Ein Transformationsansatz 

hilft Nutzer*innen verschiedene Variabilitätsmodellierungsansätze 

zu vergleichen 

und den einen zu finden, der (fast) 

alle Anforderungen ihres konkreten Anwendungsfalls 

erfüllt. Außerdem können 

bestehende Artefakte eines bestimmten 

Typs in einen anderen überführt werden, 

wodurch bereits investierte Modellierung- 

und Dokumentationsarbeiten 

nicht verloren gehen. Die Transformation 

ermöglicht weiters die Integration 

bestehender Variabilitätsmodellierungsartefakte 

in anderen Werkzeugen, und 

fördert so die Wiederverwendung bestehender 

Ansätze über ihren beabsichtigten 

Umfang hinaus. Darüber hinaus 

werden durch die Entwicklung von Transformationen 

die gemeinsamen Konzepte 

aller Variabilitätsmodellierungsartefakte 

und deren Ansätze sichtbar. Diese Informationen 

können für die Entwicklung eines 

Variabilitätsmodellierungsstandards 

genutzt werden. 

DIE HERAUSFORDERUNG LIEGT 

IN DEN UNTERSCHIEDEN 

Die Heterogenität der verschiedenen Variabilitätsartefakte 

und deren Ansätze aus 

Wissenschaft und Industrie erschwert die 

Entwicklung von Transformationen. Die 

Ähnlichkeiten verschiedener Variabilitätsmodellierungsansätze 

wurden oftmals 

untersucht und es wurden meist mehr 

Ähnlichkeiten als Unterschiede gefunden. 

Jedoch bremsen die unterschiedliche 

Semantik und Ausdruckskraft verschiedener 

Ansätze die Entwicklung von 

korrekten Transformationen zwischen 

zwei Artefakten, die unterschiedlichen 

Ansätze verwenden aus. Zusätzlich haben 

speziell maßgeschneiderte Variabilitätsdarstellungen 

aus der Industrie oft eine 

unklare Semantik und Ausdruckskraft, 

was deren Transformation behindert. Erschwerend 

kommt hinzu, dass mangelndes 

Verständnis darüber herrscht, welche 

Art von Anleitung Forscher*innen und 

Praktiker*innen benötigen und erwarten 

würden, um die Stärken und Schwächen 

der verfügbaren Variabilitätsmodellierungsansätze 

besser zu verstehen. 

EIN ERWEITERBARER TRANS- 

FORMATIONSANSATZ FÜR ALLE 

VARIABILITÄTSARTEFAKTE 

Basierend auf dem Feedback führender 

Expert*innen aus dem Bereich der 

Variabilitätsmodellierung 

entwickelten 

wir am LIT Cyber-Physical Systems Lab 

der Johannes Kepler Universität Linz 

den generischen, (halb-)automatischen 

Transformationsansatz TRAVART. Im Vergleich 

zu anderen Ansätzen, welche nur 

einzelne Arten von Variabilitätsmodellen 

unterstützen, erlaubt TRAVART die Transformation 

von beliebigen Variabilitätsartefakten. 

TRAVART ist ein Plugin-basierter 

Ansatz, der auf einem Pivot-Model 

aufbaut und die Konfigurationsräume 

der erstellten Variabilitätsartefakte überprüft. 

Dadurch kann ein beliebiges Variabilitätsartefakt 

via dem Pivot-Model in 

jedes andere unterstützte Variabilitätsartefakt 

transformiert werden. Wir konnten 

zeigen, dass heterogene Variabilitätsmodellierungsartefakte 

aus Wissenschaft 

und Industrie effektiv ineinander umgewandelt 

werden können, wodurch man 

zwischen Variabilitätsartefakten verschiedener 

Typen wechseln kann, ohne bereits 

investierte Modellierungsanstrengungen 

zu verlieren. 

ES IST NOCH EIN WEITER WEG 

TRAVART ist ein wesentlicher Schritt im 

Verständnis der Stärken und Schwächen 

von 

Variabilitätsmodellierungsansätze. 

Durch die Transformationen werden die 

wesentlichen Elemente eines Ansatzes 

und die Mächtigkeitsunterschiede zwischen 

den verschiedenen Ansätzen sichtbar. 

Dadurch erleichtert TRAVART nicht 

nur die Auswahl eines Ansatzes für einen 

bestimmten Anwendungsfall, sondern 

hilft bei der Definition eines standardisierten 

Ansatzes zur Variabilitätsmodellierung, 

welcher eben diese wesentlichen 

Elemente aller Sprachen abbildet. Jedoch 

lassen sich nicht alle Konzepte von 

jedem Ansatz in jedem anderen Ansatz 

abbilden. Dadurch kommt es zu einem 

nicht wesentlichen Informationsverlust. 

Dieser Verlust muss noch weiter untersucht 

werden: Wie viel Informationsverlust 

ist akzeptabel? Ist das transformierte 

Variabilitätsartefakt immer noch in der 

Praxis nutzbar? Trotzdem eröffnet TRA- 

VART Nutzer*innen die volle Bandbreite 

an verfügbaren Variabilitätsmodellierungsansätzen, 

deren Werkzeugen und 

den damit verbundenen Überblick über 

die Variabilität eines Softwaresystems. 


29

Literatur 

Kevin Feichtinger and Rick Rabiser. 2020. Towards Transforming Variability Models: 

Usage Scenarios, Required Capabilities and Challenges. In Proceedings of the 24th 

ACM International Systems and Software Product Line Conference - Volume B (SPLC 

‚20). Association for Computing Machinery, New York, NY, USA, 44–51. https://doi. 

org/10.1145/3382026.3425768 

Kevin Feichtinger, Kristof Meixner, Rick Rabiser, and Stefan Biffl. 2020. Variability Transformation 

from Industrial Engineering Artifacts: An Example in the Cyber-Physical Production 

Systems Domain. In Proceedings of the 24th ACM International Systems and Software 

Product Line Conference - Volume B (SPLC ‚20). Association for Computing Machinery, 

New York, NY, USA, 65–73. https://doi.org/10.1145/3382026.3425770 

Kevin Feichtinger, Johann Stöbich, Dario Romano, and Rick Rabiser. 2021. TRAVART: An 

Approach for Transforming Variability Models. In Proceedings of the 15th International 

Working Conference on Variability Modelling of Software-Intensive Systems (VaMoS 

‚21). Association for Computing Machinery, New York, NY, USA, Article 8, 1–10. https://doi. 

org/10.1145/3442391.3442400 

Kevin Feichtinger. 2021. A flexible approach for transforming variability models. In Proceedings 

of the 25th ACM International Systems and Software Product Line Conference 

- Volume B (SPLC ‚21). Association for Computing Machinery, New York, NY, USA, 18–23. 

https://doi.org/10.1145/3461002.3473069 

Kevin Feichtinger 

ist PostDoc Researcher 

in der 

Dependability of 

Software-intensive 

Systems Gruppe des 

Karlsruher Institut für Technologie. 

Im September 2023 schloss er das 

Doktoratsstudium der Technischen 

Wissenschaften am LIT Cyber-Physical 

Systems Lab der Johannes Kepler 

Universität Linz ab. Seine Forschungsinteressen 

sind Softwareproduktlinien, 

Variabilitätsmodellierung, Modelltransformationen, 

Softwareevolution, 

Softwarekonsistenz und Softwareentwicklung 

für Cyber-Physical Systems. 

Kevin Feichtinger, Chico Sundermann, Thomas Thüm, and Rick Rabiser. 2022. It‘s your 

loss: classifying information loss during variability model roundtrip transformations. In 

Proceedings of the 26th ACM International Systems and Software Product Line Conference 

- Volume A (SPLC ‚22), Vol. A. Association for Computing Machinery, New York, NY, USA, 

67–78. https://doi.org/10.1145/3546932.3546990 

Unüberwachtes Maschinelles Lernen 

von Lukas Miklautz 

Clustering mit neuronalen 

Netzen 

Clustering ist ein Forschungsgebiet aus 

den Bereichen Data Mining und Maschinellem 

Lernen, welches sich damit 

beschäftigt, wie ähnliche Objekte in 

sogenannte „Cluster“ gruppiert werden 

können. 

In der automatischen Textverarbeitung 

werden Clustering-Algorithmen dazu 

verwendet, um Nachrichtenartikel automatisch 

nach ihren Inhalten zu gruppieren 

oder in der Medizin wird versucht 

durch Clustering herauszufinden, welche 

Gruppen von Genen das Risiko für eine 

Erkrankung erhöhen. Clustering ist ein 

unüberwachtes Lernverfahren, in dem 

der Algorithmus die Gruppen von selbst 

findet. Im Gegensatz dazu stehen überwachte 

Lernverfahren, in denen bereits 

im Vorhinein angegeben werden muss, 

welche Gruppen (auch Klassen) man finden 

will. 

DEEP CLUSTERING 

Im Bereich des Deep Clusterings wird 

versucht, die erfolgreichen Ansätze des 

Deep Learnings mittels künstlicher neuronaler 

Netze, das vor allem für überwachte 

Lernverfahren entwickelt wurde, 

30 OCG Journal | 01 • 2024


auch für Clustering zu verwenden. Die 

Deep Clustering Forschung fokussiert 

sich dabei auf ein Problem der „traditionellen“ 

Clustering-Algorithmen, nämlich, 

dass diese oft vorverarbeitete Daten benötigen. 

Zum Beispiel können Bilddaten 

nicht als solche verarbeitet werden und es 

müssen zuerst die wichtigsten Merkmale 

(Features) extrahiert werden. Möchte 

man einen „traditionellen“ Clustering-Algorithmus 

dazu verwenden Bilder von 

Katzen und Hunden zu gruppieren, muss 

man zuerst die wichtigsten Merkmale 

berechnen, wie Form der Nase, Ohren, 

Augen etc. Im Gegensatz dazu können 

Deep Clustering Algorithmen selbständig 

die wichtigsten Merkmale lernen. Das 

hat den Vorteil, dass man nicht bereits im 

Vorhinein wissen muss, welche Merkmale 

wichtig sind, was in der Praxis oft einen 

großen Aufwand darstellt. 

PROTOTYP-BASIERTES LERNEN 

VON REPRÄSENTATIONEN 

Im Rahmen meiner Dissertation habe 

ich mich auf das Lernen von Repräsentationen 

(representation learning) für 

das Clustering fokussiert. Darin habe ich 

mehrere Methoden vorgeschlagen, die 

Deep Clustering Algorithmen neue Möglichkeiten 

eröffnen, Muster in Daten zu 

erkennen. Die vorgeschlagenen Methoden 

basieren dabei auf dem Konzept von 

Prototypen. Der Prototyp eines Clusters 

kann dabei als eine vereinfachte oder abstraktere 

Darstellung von Instanzen des 

jeweiligen Clusters verstanden werden. 

Zum Beispiel würde ein prototypisches 

Bild einer Katze Gemeinsamkeiten aller 

in diesem Katzencluster vorhandenen 

Instanzen abbilden, wie spitze Ohren, 

Schnurrhaare etc. Diese Prototypen werden 

vom Algorithmus automatisch gelernt 

und dienen als Anhaltspunkte, mit 

der die Repräsentation des Neuronalen 

Netzwerks verbessert werden kann. Dabei 

startet der Algorithmus zu Beginn 

mit „schlechten“ Prototypen und verbessert 

sich über die Zeit, um am Ende repräsentative 

Prototypen für jeden Cluster 

zu erhalten. 

NICHT-REDUNDANTES CLUSTE- 

RING IN DER ARCHÄOLOGIE 

Unter anderem hat meine Dissertation 

den ersten Deep Clustering Algorithmus 

für das nicht-redundante Clustering 

enthalten. Beim nicht-redundanten 

Clustering werden Daten auf mehrere 

Arten gruppiert, zum Beispiel kann das 

Bild eines roten Würfels einmal nach seiner 

Form und einmal nach seiner Farbe 

gruppiert werden. Unser Verfahren erreicht 

das, indem es lernt, die Repräsentation 

eines neuronalen Netzwerks in 

nützliche Merkmale für jedes Clustering 

aufzuteilen. In Zusammenarbeit mit Archäolog*innen 

haben wir den Algorithmus 

eingesetzt, um Bilder frühmittelalterlicher 

Glasperlen (Abb.1) automatisch 

nach Form, Farbe, Größe und Dekoration 

zu clustern. 

Lukas Miklautz 

ist PostDoc Researcher 

in der Data 

Mining and Machine 

Learning Group der 

Fakultät für Informatik 

an der Universität Wien. Der Fokus 

seiner Forschung liegt im unüberwachten 

Maschinellen Lernen, vor 

allem an der Schnittstelle von Deep 

Learning und Clustering. 

Abbildung 1: Front- und Seitenansicht von frühmittelalterlichen Glasperlen (c) Tobias Bendeguz 


31

Schüler*innen informatische Denkweise vermitteln 

von Martina Landman 

Probleme algorithmisch lösen 

lernen 

Aus unserem Alltag sind Algorithmen 

nicht wegzudenken. Das sehen nicht 

nur Informatiker*innen so, sondern 

auch Kinder und ihre Lehrkräfte. In unseren 

Informatik-Schulworkshops des 

TU Wien Informatics eduLAB sammeln 

wir regelmäßig wertvolle Erfahrungen 

und gewinnen tiefe Einblicke in das informatische 

Problemlösen. 

ALGORITHMEN ÜBERALL 

Algorithmen bestimmen zum größten 

Teil darüber, was wir über unsere digitalen 

Geräte wie Smartphones und Computer 

sehen: Von TikTok über YouTube und anderen 

Social Media Plattformen bis hin zu 

Tageszeitungen und Werbung wird alles 

über Algorithmen bestimmt. Das ist auch 

den Kindern bewusst, die uns in unseren 

Workshops vom „YouTube-Algorithmus“ 

erzählen. Aber was ist eigentlich ein Algorithmus? 

Obwohl der Begriff ständig verwendet 

wird, können ihn die wenigsten 

verständlich beschreiben. 

In unseren Informatik-Workshops gehen 

wir der Frage „Was ist ein Algorithmus?“ 

auf den Grund. Wir arbeiten mit Kindern 

und Jugendlichen daran, ihre informatischen 

Denkweisen und algorithmischen 

Problemlösestrategien zu fördern. 

Anstelle digitaler Geräte setzen wir auf 

unplugged Aktivitäten, die die Teilnehmer*innen 

in Kleingruppen gemeinsam 

durchführen. Gemeinsam lösen sie Rätsel 

und praktische Probleme in einem 

forschend-entdeckenden Ansatz. Dabei 

wenden sie, oft unbewusst, ihre bereits 

vorhandenen algorithmischen Lösungsfähigkeiten 

intuitiv an. 

Selbst den Lehrkräften fällt es oft schwer, 

diesen allgegenwärtigen Begriff des 

Algorithmus präzise auf den Punkt zu 

bringen und zu erklären. Dabei ist diese 

Schwierigkeit absolut verständlich: Sogar 

die Fachliteratur begnügt sich oft mit 

Näherungen und Beispielen. Mit dem 

neuen Schulfach Digitale Grundbildung 

stehen vor allem viele fachfremde Lehrkräfte 

vor genau dieser Herausforderung. 

ETWAS, DASS SICH IMMER WIE- 

DER WIEDERHOLT. 

Schaut man in diverse Fachbücher auf 

internationaler Ebene, stellt man fest, 

dass es selbst unter Expert*innen keine 

Universaldefinition des Begriffs gibt. Es 

handelt sich eher um eine Arbeitsdefinition, 

die je nach Kontext etwas anders 

ausgelegt wird. Die meisten stimmen mit 

der Auffassung überein, dass es eine eindeutige 

Schritt-für-Schritt-Anweisung ist, 

die ein Problem in endlicher Zeit löst. Je 

weiter sich die Publikationen vom Schulbereich 

entfernen, desto mehr computerbezogene 

Attribute werden eingefügt, 

wie etwa die Relevanz von Input und Output 

und die konkrete Eingabesprache. 

Wie genau beschreiben Kinder nun den 

Begriff, wenn sich weder Expert*innen 

noch Lehrkräfte einig sind? Wir baten 

Kinder im Unterstufenalter eine Erklärung 

zu ihrem Verständnis des Begriffs 

Algorithmus aufzuschreiben. Für die 

meisten Befragten scheint ein zentrales 

Kriterium zu sein, dass sich Vorgänge „immer 

wieder wiederholen“ müssen, um als 

Algorithmus zu gelten. 

Diese Anschauung könnte an den verwendeten 

Vergleichen zur Erklärung des 

abstrakten Begriffs liegen. Beispielsweise 

werden Kochrezepte in Schulbüchern als 

Vergleich herangezogen, um einen Alltagsbezug 

zur Welt der Kinder herzustellen: 

Ein Rezept ist eine Schritt-für-Schritt- 

Anleitung, die ein bestimmtes Problem 

(= Kochen) löst. Viele Erklärungen legen 

dabei Wert auf die Wiederholbarkeit, da 

beim Kochen desselben Rezepts auch 

„immer wieder“ das gleiche Gericht entsteht. 

Somit ist es verständlich, dass dieser 

Aspekt in den Köpfen der Kinder einen 

besonderen Stellenwert einnimmt. 

Wie schon zuvor erwähnt, gibt es keine 

allumfassende Definition, mit der alle 

Menschen zufrieden sind. Umso wichtiger 

ist es, den Kindern und Jugendlichen 

das richtige Gefühl für den Begriff Algorithmus 

mitzugeben und ihre algorithmischen 

Denkweisen zu fördern. 

UNSICHTBARE ALGORITHMI- 

SCHE HANDLUNGEN 

Die fehlende Fähigkeit den Begriff zu erklären, 

schränkt die Lernenden jedoch 

nicht ein, algorithmische Handlungsanweisungen 

auszuführen und auch beschreiben 

zu können. 

Algorithmen werden im Alltag häufig 

eingesetzt, ohne bemerkt zu werden. Das 

führt dazu, dass Kinder und Jugendliche 

schon einen großen Rucksack an intuitiven 

Lösungsstrategien für informatische 

Problemstellungen besitzen und oftmals 

gar nicht wissen, dass sie Algorithmen 

benutzen. 

Genau an diesem Punkt setzen unsere 

eduLAB Aufgabenstellungen an,und parallel 

dazu auch unsere Forschung. Wir 

möchten Kinder und Jugendlichen he- 

32 OCG Journal | 01 • 2024

ausfordern und deren algorithmischen 

Fähigkeiten in einer spielerisch-entdeckenden 

Form ans Tageslicht bringen. 

Weiß man, wie Kinder informatische 

Probleme lösen, kann man mit diesem 

Wissen gezielt auf die Thematik eingehen, 

auch um ein tieferes Verständnis für 

diese Konzepte herzustellen, ohne dabei 

vorher neue Begriffe erlernen zu müssen. 

Dabei umgeht man die festsitzenden 

Stereotype, dass die 

Informatik kompliziert sei und 

erreicht womöglich nebenbei 

auch jene begleitenden Lehrkräfte, 

die bisher selbst noch keine 

Chance hatten, sich mit der 

Informatik anzufreunden. 

VIDEOANALYSE FÜR TIEFERES 

VERSTÄNDNIS 

In einer laufenden Studie werden mit 

Hilfe von Videoanalyse die verschiedenen 

algorithmischen Strategien in Schüler*innen-Kleingruppen 

untersucht. 

Besonders interessant ist dabei eine Aufgabe, 

bei der Karten gemeinsam sortiert 

werden. Die Kameras werden in der Vogelperspektive 

positioniert, um die Interaktion 

der Teilnehmenden miteinander 

und mit den Karten anonym betrachten 

zu können (Abbildung 1). Das Besondere 

an dieser einfachen Aufgabe ist das Sortieren 

auf verschiedenen Ebenen. Es gibt 

vier verschiedene Rückseitenfarben (je 

40 pro Farbe), und jeweils vier Farben auf 

der Vorderseite mit den Zahlen von 1-10. 

Die genauen Einzelheiten werden dabei 

von den Schüler*innen selbst entdeckt, 

da keine genauen Regeln vorgegeben 

werden. Die Gruppe hat zwei Versuche 

deren Zeit gestoppt wird. Zwischen den 

Versuchen dürfen sie sich absprechen, 

um ihre erste Zeit zu schlagen und ihre 

Taktik zu optimieren. 

Abgesehen davon, dass die meisten 

Gruppen sehr motiviert sind, ihre eigene 

Zeit zu schlagen, finden unter den Schüler*innen 

spannende Diskussionen zu 

komplexen informatischen und algorithmischen 

Inhalten statt. 

Nach der Sichtung der ersten Videoaufnahmen 

konnten wir bereits einige 

interessante Gespräche analysieren. 

Beispielsweise geben die Schüler*innen 

gegenseitig Feedback zu den Sortierstrategien. 

Dabei verwenden sie teilweise 

schon ausgeklügelte Sortieralgorithmen, 

ohne es zu merken: Zu Beginn der Aufnahme 

sortieren alle Teilnehmer*innen 

nach einer eigenen Methode. Im zweiten 

Durchgang einigen sie sich auf eine 

Methode, die jetzt alle anwenden. Dabei 

werden mehrere informatische Aspekte 

implizit verwendet und thematisiert, unter 

anderem das Divide&Conquer-Prinzip, 

Stacks, Sortieralgorithmen, Optimierung 

und Parallelisierung. 

Während der Diskussionsrunde zeigen 

die Kinder intuitiv ihr Verständnis für informatische 

Konzepte, indem sie ihre effektivsten 

Sortiermethoden diskutieren. 

In diesem Austausch erklären sie einander 

unbewusst z. B. die Prinzipien von 

Datenstrukturen wie Stacks (indem sie 

Karten stapeln) oder Arrays (indem sie 

Karten auslegen), die sie im Sortiervorgang 

anwenden. 

Alle bisher betrachteten Videos zeigen 

eine Verbesserung zwischen dem ersten 

und dem zweiten Sortierversuch. 

DIE ZUKUNFT SPRICHT „ALGO- 

RITHMISCH“ 

Kinder sollten ein tiefes und intuitives 

Verständnis für Algorithmen entwickeln. 

In unserer Arbeit streben wir danach, die 

Lücke zwischen der bloßen Verwendung 

des Begriffs Algorithmus und dem Verständnis 

zu schließen. Denn Kinder und 

Jugendlichen kommen täglich mit Technologie 

in Berührung. Nur durch das Verständnis 

der zugrunde liegenden Konzepte 

können sie ihre Zukunft steuern, 

um nicht durch die Zukunft gesteuert zu 

werden. 


Martina Landman 

ist Doktorandin an 

der TU Wien im 

Forschungsbereich 

Softwareengineering. 

Sie ist Organisatorin 

des TU Wien Informatics eduLAB und 

organisiert Schulworkshops. Ihre Forschungsinteressen 

liegen im Gebiet 

der Informatikdidaktik. 

Abbildung 1: Gruppe sortiert die Rückseiten (li) und die Vorderseiten (re) der Karten 

(c) TU Wien Informatics eduLAB 


33

Preisträgerin des Adolf-Adam-Informatikpreis 

von Katrin Kern 

Visualisierungstool für die 

Programmierausbildung 

Dass Programmieren-Lernen meist kein 

leichtes Unterfangen ist, ist weithin bekannt 

– die Durchfallquoten in einführenden 

Kursen und vielleicht auch die 

eigenen Erinnerungen an die ersten 

„Gehversuche“ sprechen für sich. 

Ein zentrales Problem hierbei ist, dass 

die Arbeitsweise eines Computers besonders 

für Anfänger*innen oft undurchsichtig 

ist. Wissenslücken und inkorrekte 

Annahmen über die zugrundeliegende 

Maschine führen häufig zu unerwarteten 

Ergebnissen. Um die internen Vorgänge 

etwas sichtbarer zu machen, können an 

Programmieranfänger*innen angepasste 

Visualisierungen eingesetzt werden. 

Das ist natürlich keine neue Idee – allerdings 

waren der Funktionsumfang und 

die Usability bestehender Lösungen 

nicht zufriedenstellend für den Einsatz 

an der Johannes Kepler Universität Linz. 

Das Ziel meiner Masterarbeit war es, ein 

modernes Tool zu gestalten, das komplexe 

Sachverhalte für Java-Anfänger*innen 

vollständig, aber möglichst einfach, darstellt. 

Auch Lehrende sollten davon profitieren 

– statt mit Whiteboard-Zeichnungen 

und animierten Präsentationsfolien, 

sollen Beispielprogramme im Unterricht 

mit JavaWiz visualisiert werden können. 

AUFBAU UND FUNKTIONSWEISE 

Grob zusammengefasst ist JavaWiz ein 

visueller Debugger: Benutzer*innen können 

Zeile für Zeile durch den Code steppen 

und dabei die Änderungen in den 

Visualisierungen verfolgen. Im Backend 

des Tools läuft ein Java-Debugger, dessen 

Informationen nach jedem Schritt aufgezeichnet 

und über einen Websocket an 

das Frontend gesendet werden. 

Das Frontend – der wesentliche Teil 

der Masterarbeit – besteht aus einem 

Code-Editor, einer Konsole und zwei Visualisierungen 

und wurde mit Vue.js, 

TypeScript, d3.js sowie d3-graphviz umgesetzt. 

Im Code-Editor wird während der Ausführung 

immer die nächste Zeile, die 

ausgeführt wird, farblich hervorgehoben 

(analog zu dem Verhalten eines „normalen” 

Debuggers). Die Konsole zeigt den 

Output des Programms und ermöglicht 

es, Eingaben zu tätigen. 

Die erste Visualisierung ist im Grunde 

die digitale Version eines klassischen 

„Schreibtischtests“, also einer einfachen 

Tabelle, die Änderungen von Variablenwerten 

darstellt und üblicherweise per 

Hand durchgeführt wird. Diese Tabelle 

eignet sich besonders gut für das Nachvollziehen 

der ersten einfachen Programme 

oder z. B. das Finden von One-Off- 

Errors bei Schleifen. Die zweite, etwas 

umfangreichere Visualisierung stellt 

Stack und Heap dar. Der Fokus liegt stark 

auf dem Hervorheben von Änderungen: 

Geänderte Variablenwerte und Referenzen 

werden rot und fett markiert, um die 

Auswirkungen der einzelnen Codezeilen 

besser nachvollziehen zu können. Damit 

auch etwas größere Programme noch 

sinnvoll dargestellt werden, können Objekte 

im Heap ein- und ausgeklappt werden. 

Zudem besteht die Möglichkeit, im 

Code zurückzugehen, um sich bestimmte 

Abläufe noch einmal anzusehen. 

EINSATZ, ERFOLG UND ZUKUNFT 

JavaWiz ist mittlerweile als Visual Studio 

Code Plugin verfügbar und wurde erfreulicherweise 

bereits über 1200-mal heruntergeladen. 

Sowohl Studierende als auch 

Lehrende an der JKU setzen das Tool im 

Unterricht und bei den Hausübungen 

ein. 

Durch mehrere Kolleg*innen am Institut 

für Systemsoftware der JKU wird Java- 

Wiz laufend um viele nützliche Features 

erweitert - beispielsweise gibt es mittlerweile 

spezielle Visualisierungen für verkettete 

Listen und Arrays. 

Link zum Projekt: https://ssw.jku.at/Research/Projects/JavaWiz/ 

34 OCG Journal | 01 • 2024

Wettbewerbe 

Screenshot Java Wiz (c) Katrin Kern 

Adolf-Adam-Informatikpreis 

Der Adolf-Adam-Informatikpreis wird jährlich von der JKU für die beste Informatik-Masterarbeit 

des vergangenen Studienjahres vergeben. Studierende 

stellen in allgemein verständlicher Form ihre Arbeit vor. Schüler*innen wählen 

anschließend per SMS-Voting die beste Arbeit. Die Präsentationen vermitteln 

etwas von der Faszination der Informatik und zeigen, womit sich die 

Studierenden beschäftigen. 

Adolf Adam war österreichischer Statistiker und Informatiker. Er wurde 1966 

an die gerade gegründete Hochschule für Sozial- und Wirtschaftswissenschaften 

nach Linz berufen. Prof. Adam erstellte das Linzer Informationswissenschaftliche 

Programm (LIP) und ebnete damit den Weg zur Etablierung 

der Informatik als anerkannte Studienrichtung.. Auf sein Betreiben erfolgte 

1971 auch die Umbenennung der damaligen Hochschule für Sozial- und 

Wirtschaftswissenschaften nach dem vormals in Linz tätigen Astronomen 

Johannes Kepler in Johannes Kepler Universität. 

Katrin Kern 

hat ihr Master-Studium 

Computer Science 

mit Schwerpunkt 

Software Engineering 

an der JKU Linz 

abgeschlossen und ist mittlerweile als 

Fullstack Developer bei Fronius tätig. 


35

OCG Förderpreis 2023 

von Irina Scheitz 

Software Engineering-Arbeit 

ausgezeichnet 

Die OCG vergibt jährlich den OCG Förderpreis 

für ausgezeichnete Abschlussarbeiten 

einer österreichischen Universität 

im Bereich Informatik. 

Lukas Stracke konnte die Fachjury mit 

seiner hervorragenden Masterarbeit im 

Bereich Software Engineering an der 

Technischen Universität Graz überzeugen. 

Betreut wurde die Arbeit von Franz 

Wotawa, Professor für Software Engineering 

an der TU Graz. 

Lukas Stracke ist als Software Engineer in 

Wien tätig. 

OCG Präsident Thomas Mück, Lukas Stracke und Jury-Vorsitzende Gabriele Kotsis bei der Preisverleihung 

(Foto: OCG). 

Abstract der Arbeit „Test Suite Reduction with Checked Coverage“ von Lukas Stracke 

Mit zunehmender Komplexität von Softwareprojekten wächst in der Regel auch die Anzahl an automatischen Software Testfällen, 

welche in sogenannten Test Suites gruppiert werden. Die Zunahme an Testfällen und Suites führt oft zu längeren Laufzeiten 

und höherer Ressourcenbelastung. Daher ist es wichtig, redundante Testfälle zu vermeiden, um die Effizienz des Testprozesses 

zu erhöhen. Das Forschungsgebiet der Test Suite Reduction (TSR) zielt darauf ab, Test Suites zu optimieren, indem redundante 

oder nicht benötigte Testfälle identifiziert und entfernt werden, gleichzeitig aber die Fehlererkennungsfähigkeiten der Test 

Suites aufrechterhalten werden. 

TSR verwendet häufig Code Coverage Metriken als Voraussetzungskriterium für die Auswahl der zu behaltenden Testfälle. Eine 

neue und vielversprechende Metrik, die in dieser Arbeit untersucht wird, ist Checked Coverage. Im Gegensatz zu herkömmlichen 

Metriken, wie Line Coverage, prüft Checked Coverage nicht nur, ob bestimmte Codeabschnitte ausgeführt wurden, sondern 

auch, ob sie in den Testfällen tatsächlich überprüft wurden. In dieser Arbeit wurde die Eignung von Checked Coverage als 

Voraussetzungskriterium für TSR untersucht. Dafür wurde ein Tool namens JSR (Java Test Suite Reduction Framework) entwickelt 

und als Open Source Projekt veröffentlicht. 

Dieses Tool ermöglicht die Reduktion von Test Suites anhand verschiedener Coverage Metriken, Reduktionsalgorithmen 

und Konfigurationsoptionen. Die Ergebnisse der Evaluierung anhand von 10 Open-Source-Java-Projekten deuten darauf hin, 

dass Checked Coverage-reduzierte Test Suites zwar vergleichbare Reduktionsgrade aufweisen, jedoch insgesamt eine etwas 

schlechtere Fehlererkennung bieten als Line Coverage-reduzierte Suites. Des Weiteren stellte sich heraus, dass die Berechnung 

von Checked Coverage zeitaufwendiger ist und zusätzliche Herausforderungen mit sich bringt. Neben diesen Ergebnissen stellt 

das entwickelte Tool, JSR, eine solide Grundlage für TSR in der Forschung und in der Praxis dar. Es trägt dazu bei, eine Brücke 

zwischen der TSR Forschung und fehlenden TSR Tools in der Praxis zu bauen, indem konkrete Anwendungsfälle für JSR identifiziert 

wurden. Zusätzlich kann es durch seine Modularität zukünftige TSR Forschung unterstützen und beschleunigen. So 

wurden zum Beispiel weitere Bachelorarbeiten basierend auf JSR verfasst. Die Ergebnisse und Werkzeuge sind als Open Source 

verfügbar. 

36 OCG Journal | 01 • 2024

Wettbewerbe 

OCG Förderpreis-FH 2023 

von Irina Scheitz 

Forschungen zu Einsatz von 

Virtual Reality ausgezeichnet 

Die informatischen Zweige der österreichischen 

Fachhochschulen liefern 

viele spannende wissenschaftliche 

Nachwuchstalente, welche die Österreichische 

Computer Gesellschaft (OCG) 

einmal jährlich mit dem OCG Förderpreis-FH 

auszeichnet. Heuer wurden 

von der fachkundigen Jury (Vorsitz Johannes 

Lüthi, FH Kufstein) unter den 

zahlreichen preiswürdigen Arbeiten folgende 

Masterarbeiten ausgewählt: 

Janine Mayer (FH Oberösterreich, Campus 

Hagenberg) für ihre Arbeit “Volumetric 

Data Interaction in AR Using a Handheld 

Touch-Sensitive Tablet” (Betreuer: 

FH-Prof. Dr. Christoph Anthes M.Sc.) 

und 

Johannes Fessler (FH Technikum, Wien) 

für “Research and Implementation of 

Cognitive Load based Virtual Reality Training 

Simulation for Pediatric Medical 

Emergencies” (Betreuer: H-Prof. DI Dr. 

Robert Pucher und Michel Varilek, BSc). 

MULTI-TOUCH TABLET IN AUG- 

MENTED REALITY 

Beide Arbeiten beschäftigen sich mit 

Virtual bzw. Augmented Reality (AR). Janine 

Mayer untersuchte in ihrer Masterarbeit 

den Einsatz eines multi-touch Tablets 

bei der Interaktion mit dreidimensionalen 

Daten in einer AR. „Für die Interaktion 

mit dreidimensionalen Daten in der 

Umgebung eines Users gab es zum Zeitpunkt 

der Forschung zwar verschiedene 

Ansätze, aber keinen einheitlichen Standard“, 

so Mayer. Sie erstellte ein Konzept, 

welches im Zuge eines Prototyps umgesetzt 

wurde. Der Prototyp wurde im Rahmen 

einer qualitativen Nutzerstudie mit 

fünf Personen evaluiert. Die Evaluation 

zeigte, dass ein Tablet überwiegend als 

gutes und intuitives Eingabegerät für die 

Untersuchung von Objekten in AR wahrgenommen 

wird. Darüber hinaus war die 

Handhabung von berührungsbasierten 

und räumlichen Gesten nachvollziehbar. 

Janine Mayer ist nach Abschluss ihres 

Studiums nicht mehr in der Forschung 

tätig und setzt ihr technisches Wissen 

im Team der Leittechnik für Fahrerlose 

Transport Fahrzeuge bei DS Automotion 

GmbH ein. 

Janine Mayer (c) privat 

VR-TRAINING FÜR MEDIZINI- 

SCHE NOTFALLSITUATIONEN. 

Johannes Fesslers Arbeit entstand im 

Rahmen des von der Österreichischen 

Forschungsförderungsgesellschaft (FFG) 

geförderten Projekts VR Pediatric Medical 

Emergencies. Die Soma Reality 

GmbH entwickelte mit Johannes Fessler 

als technischen Projektleiter in Kooperation 

mit der Medizinischen Universität 

Wien ein zukunftsweisendes System zur 

Anpassung von Virtual Reality (VR) – Szenarien. 

Diese Anpassung erfolgt durch 

die Echtzeit-Berechnung digitaler Biomarker, 

die auf Eye-Tracking basierend 

Einblicke in kognitive Anstrengung und 

Auslastung ermöglichen. Der hierfür benötigte 

Algorithmus wurde in Zusammenarbeit 

mit der Research Studios 

Austria Forschungsgesellschaft mbH 

(RSAFG) konzipiert und implementiert. 

Das System berechnet in Folge die individuelle, 

kognitive Leistungsfähigkeit 

mit Hauptaugenmerk auf die Verwendung 

von Cognitive Load (CL). Dieser ist 

der ausschlaggebende Indikator dafür, 

dass Benutzer*innen weder unter- noch 

überfordert sind. Studien, die von der 

Medizinischen Universität Wien durchgeführt 

werden, sollen Daten sammeln, um 

einen wissenschaftlich und statistisch relevanten 

Vergleich zu ermöglichen. Diese 

Studien konzentrieren sich auf Simulationen 

eines pädiatrischen Notfallszenarios, 

insbesondere des hypovolämischen 

Schocks. 

„Meine Dissertation zu diesem Thema 

wurde Mai 2022 abgeschlossen. Zum 

aktuellen Zeitpunkt, Ende 2023, sind die 


37

technischen Aspekte des Projekts abgeschlossen 

und weiterführende Studien 

befinden sich in der Durchführung. Die 

VR -Trainings sind vollständig implementiert 

und zeigen ihre Anpassungsfähigkeit. 

Analysen bereits abgeschlossener 

Studien belegen, dass speziell eingeführte 

Stress-Events den gemessenen CL 

- Wert signifikant beeinflussen können. 

Somit bietet das adaptierbare VR -Training 

eine innovative und effektive Methode 

für das Training in medizinischen Notfallsituationen, 

präsentiert im Zuge einer 

pädiatrischen Notfall-Simulation“, erklärt 

Fessler den Nutzen seiner Forschung. 

Johannes Fessler(c) privat 

OCG Preise für wissenschaftliche Leistungen 

in der Informatik 

Die Österreichische Computer Gesellschaft organisiert 

seit 1983 Informatik-Wettbewerbe zur Förderung 

junger Menschen, die sich in schulischer Ausbildung 

befinden und verleiht wissenschaftliche Auszeichnungen 

an talentierte Studierende. Der Verein unterstützt 

und beteiligt sich auch an themenverwandten 

Initiativen. 

Wichtigste Preise für junge Wissenschafter*innen 

sind der OCG Förderpreis bzw. der OCG Förderpreis-FH 

sowie der Zemanek Preis für Dissertationen, 

der alle zwei Jahre vergeben wird. 

Nachruf 

von Katharina Resch-Schobel 

Niklaus Wirth (1934-2024) 

Der große Informatikpionier wurde in 

Winterthur in der Schweiz geboren und 

studierte an der ETH Zürich Elektrotechnik, 

wo er das damals neue Forschungsgebiet 

Informatik entscheidend mitgestaltete. 

In Kanada erwarb er an der 

Université Laval den Master of Science 

und an der University of California in 

Berkeley promovierte er im Jahr 1963. 

Wirth entwickelte mehrere Programmiersprachen 

und war als Professor für 

Informatik in Lehre und Forschung tätig. 

Nach ihm ist das Wirthsche Gesetz benannt 

- das Phänomen, dass Software in 

kürzerer Zeit langsamer wird als Hardware 

schneller. 

Für seine Verdienste wurde ihm 1984 der 

A.M. Turing Award der ACM verliehen. Bis 

heute ist er der einzige deutschsprachige 

Träger dieser Auszeichnung. 

Die OCG freut sich sehr, dass Niklaus 

Wirth im Jahr 2020 der Einladung nach 

Wien gefolgt ist, um erster Sprecher der 

ersten Heinz Zemanek Lecture zu werden. 

Zahlreiche OCG Mitglieder und geladene 

Gäste hatten so die Möglichkeit, 

diesen Pionier persönlich zu treffen. 

Mit Niklaus Wirth haben wir einen der 

letzten Zeitzeugen verloren, der die Entwicklung 

der Informationstechnik und 

-technologie im 20 Jh. persönlich geprägt 

hat. 

NIklaus Wirth bei der Zemanek Lecture 2020. 

(c) Reinhard Schober/i.A. Norbert Rozsenich 

38 OCG Journal | 01 • 2024

Intern 

Veranstaltungen und Termine 

Informatiktag an der JKU 

Herausforderungen und Angebote für Schulen 

6. März 2024, Linz 

informatik.jku.at/informatiktag24/ 

Förderpreise und Heinz Zemanek Preis 

Ende der Einreichs- und Nominierungsfrist: 

14. März 2024 

ocg.at/wissenschaftliche-wettbewerbe 

AIRoV 

The First Austrian Symposium on AI, Robotics, and 

Vision 

26. - 27. März 2024, Innsbruck 

airov.at 

EDU|days 

Tagung für Lehrende 

3. - 4. April 2024, Krems 

edudays.at 

NIS-2 Business Breakfast 

Schwerpunkt: Rechtliche Aspekte 

8. April 2024, Wien 

ocg.at/veranstaltungen/nis-2-business-breakfast 

Symposium AK Forum e|Government 

8. April 2024, Wien 

ocg.at/veranstaltungen/symposium-ak-forum-egovernment 

dHealth 2024 

18th Annual Conference on Health Informatics meets 

Digital Health 

7. - 8. Mai 2024, Wien 

dhealth.at 

All Digital Weeks 2024 

Enhance your Digital Skills 

13. - 31. Mai 2024, 

alldigitalweeks.eu 

Lange Nacht der Forschung 

Mitmachen. Staunen. Entdecken. 

24. Mai 2024, Wien 

langenachtderforschung.at 

Austrian Computer Science Day 

inkl. Auszeichung der OCG Preisträger*innen 

14. Juni, Wien 

ocg.at/veranstaltungen/austrian-computer-science-day-2024 

CCHP 2024 

International Conference on Computers Helping People 

with Special Needs 

8. - 12. Juli 2024 

icchp-aaate.org 

European Girls‘ Olympiad in Informatics 

21. - 27. Juli 2024, Veldhofen, Niederlande 

egoi2024.nl 

International Olympiad in Informatics 

01. - 08. September 2024, Alexandria, Ägypten 

ioi2024,eg 

CEEE|Gov Days 2024 

Central and Eastern e|Dem and e|Gov Days 2024 

12. - 13. September 2024, Budapest 

ceeegov2024.ocg.at 

IKT- Sicherheitskonferenz 2024 

Sicherheitskonferenz und Young Researchers‘ Day 

17. - 18. September 2024, Wien 

seminar.bundesheeer.at 

IMPRESSUM 

Das OCG Journal ist die Mitgliederzeitschrift der Österreichischen Computer 

Gesellschaft (OCG). Inhaltlich wird das Journal in völliger Unabhängigkeit gestaltet 

und berichtet über die OCG Leitthemen Ausbildung und Qualität, Innovation und 

Start-ups, internationale Vernetzung und digitale Zivilgesellschaft. 

ISSN 1728-743X 

Medieninhaber und Herausgeber: 

Österreichische Computer Gesellschaft (OCG) 

Präsident: Dr. Thomas Mück 

Generalsekretär und Leitung der Redaktion: Dr. Ronald Bieber 

Redaktion: Irina Scheitz, Katharina Resch-Schobel, Josefine Hiebler 

Layout und DTP: OCG | Josefine Hiebler 

Lektorat: Katharina Resch-Schobel 

Fotos: Archiv OCG, Autor*innen, Privatarchive, istock 

Kontakt: info@ocg.at | URL: www.ocg.at 

Alle: Wollzeile 1, 1010 Wien | Tel.: +43 1 512 02 35-0 

Druck: Print Alliance HAV Produktions GmbH, 2540 Bad Vöslau 

https://printalliance.at/fairprint

IT-Sicherheit zertifizieren 

ISO/IEC 27001 

Wir zertifizieren Ihre Informationssicherheit 

nach ISO/IEC 27001 und bieten als 

Qualifizierte Stelle auch Prüfungen nach dem 

NISG an. 

Österreichische Computer Gesellschaft • 1010 Wien • Wollzeile 1 

istock

IT-Nachwuchsforschung in Österreich

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

Template löschen?

Als Template speichern?