OCG Journal 01 26: IT-Nachwuchs in Österreich 2026

P.b.b. Verlagspostamt 1010 Wien I 02Z031460M

Ausgabe 01 • 2026 | Jg. 51 | EUR 5,00

IT-Nachwuchs in

Österreich 2026

OCG Journal Ausgabe 01 • 2026: | Coverbild: iStock/Autor*innen

OCG Förderpreise

für hervorragende Diplom-bzw. Masterarbeiten auf dem Gebiet der

Informatik, Wirtschaftsinformatik und ihren Anwendungen

OCG Förderpreis 2026

Einreichungen müssen im

Zeitraum Oktober 2024 bis

Dezember 2025 an einer österreichischen

Universität 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.

OCG Förderpreis-FH 2026

Einreichungen müssen im Zeitraum

Oktober 2024 bis Dezember

2025 an einer österreichischen

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.

Einreichsfrist: 14. März 2026

Heinz Zemanek Preis

für hervorragende Dissertationen auf dem Gebiet der Informatik

Akademische Einrichtungen mit Promotionsrecht können jeweils bis zu 2

Dissertationen nominieren, die im Zeitraum 1. Jänner 2024 bis 31. Dezember

2025 in Österreich abgeschlossen wurden. Die beste Arbeit wird von einer

Jury ermittelt. Der Preis ist mit 5000 Euro dotiert.

ocg.at/hzp

Nominierungsfrist: 13. März 2026

Editorial

Sehr geehrtes OCG-Mitglied,

liebe Leserin, lieber Leser!

So wie schon in den vergangenen Jahren

holen wir mit der ersten Ausgabe des OCG

Journals 2026 den IT Nachwuchs vor den

Vorhang. Europa rückt näher zusammen,

wir bündeln unsere Kräfte, um gemeinsam

den globalen Herausforderungen entgegentreten

zu können. Die Forschungstätigkeit

im Bereich der Informatik spielt für den

Erfolg und die Unabhängigkeit des gemeinsamen

Wirtschaftsraums eine wesentliche

Rolle.

So betrachtet es die OCG als eine ihrer Kernaufgaben

den Forschungsnachwuchs zu

fördern und ausgezeichnete Leistungen zu

ehren. Jedes Jahr werden die OCG Förderpreise

für mit Sehr gut bewertete Master-/

Diplomarbeiten verliehen und in Kooperation

mit der JKU der Adolf-Adam-Informatikpreis.

Jedes zweite Jahr wird der Sieger des

Heinz Zemanek Preises für hervorragende

Dissertationen gekürt. Die Gewinnerinnen

und Gewinner haben die Gelegenheit ihre

aktuelle Forschung im OCG Journal vorzustellen

– und so sind die Preise oft auch der

Anfang für eine langjährige fruchtbare Kooperation.

Auf dem Gebiet der Cybersecurity stellen

die Teilnehmerinnen und Teilnehmer des

Young Researchers´Day im Rahmen der

IKT-Sicherheitskonferenz des BM für Landesverteidigung

und organisiert vom OCG

AK IT-Sicherheit ihre Arbeit vor. Lesen Sie in

diesem Heft dazu die aktuellen Beiträge der

österreichischen Security-Expert*innen.

Freuen Sie sich auf viele spannende Beiträge

und auf einen Einblick in Österreichs IT

Nachwuchsforschung.

Herzlichst, Ihr

Wilfried Seyruck, Präsident OCG

Inhalt

3 Editorial

von Wilfried Seyruck

6 IT-Nachwuchs in Österreich

Leitartikel

von Edgar Weippl

Young Researchers´Day

7 Cybersecurity Emergency

Simulation

Nottfallsimulationen rüsten

Führungskräfte für NIS-2-Richtlinie

von Michael Fischer, Jennifer-

Marieclaire Sturlese und Edgar

Weippl

10 Anomalie-Erkennung auf

Logdaten

Cybersecurity - Logdate-Analyse

von Viktor Beck

12 Der Mensch als Schlüssel für

Informationssicherheit

Social Skills in IT-Security-

Studiengängen

von Ines Jansta

14 ChoiceJacking: Datendiebstähle

durch Handy Ladegeräte

Risiken bei der Nutzung öffentlicher

Ladestationen

von Florian Draschbacher

16 KI-basierte Honeypots

Cybersicherheit in

Produktionsanlagen

von Olaf Saßnick

18 Gamifiziertes Forensiktraining für

FINTA*

Interesse wecken, Selbstvertrauen

stärken

von Maria Kloibhofer

20 Federated Learning

Sensible Informationen schützen

von Verena Schuster

4 OCG Journal | 01 • 2026

Wettbewerbe

22 Wie wir Quantencomputer

nutzbar machen

Quantensprung nur mit Software

von Lukas Burgholzer

24 Stealing Machine Learning Models

Without Breaking In

When intended access leaks model

secrets

von Daryna Oliynyk

26 Zero Trust in IT- und OT-

Umgebungen

Grenzen klassischer

Sicherheitssysteme

von Alois Schafferhofer

29 Ein Blick in das Innere von

Programmen

Visualisierung: Was ein Bytecode-

Interpreter tatsächlich tut

von Tobias Herber

31 Was macht mein Code?

Auf Spurensuche in verteilten

Systemen

von Lukas Freiseisen

33 Maschinencode zur Laufzeit

verändern

Software anpassen ohne Quellcode

von Alexander Voglsperger

Informatik im Unterricht

35 Sicher im Digitalen: Starke

Mädchen. Starke Zukunft.

Ein Projekt zur digitalen Sicherheit

von Jugendlichen

von Corinna Hörmann und Eva

Schmidthaler

57 Was Informatikdidaktik nicht ist

Ein persönlicher Blick auf Lehre,

Lernen und Informatik

von Corinna Hörmann

Intern

39 Veranstaltungen

39 Schriftenreihe

01 • 2026 | OCG Journal

5

Leitartikel

von Edgar Weippl

IT-Nachwuchs in Österreich

Junge Forschung ist ein zentraler Motor

für Innovation; in der Informatik ebenso

wie in angrenzenden Disziplinen gibt es

immer rascher werdende Innovationszyklen,

neue Techniken und Verfahren

setzen sich zunehmend schneller durch.

Nachwuchswissenschaftler*innen bringen

neue Themen, andere Blickwinkel

und oft auch den Mut mit, ungewöhnliche

Methoden auszuprobieren. Damit

das gelingt, braucht es neben guter Ausbildung

auch Rahmenbedingungen, die

Austausch und Sichtbarkeit ermöglichen:

Konferenzen, Mentoring, Netzwerke –

und Gelegenheiten, die eigene Arbeit zu

präsentieren.

Genau hier setzt die OCG seit Jahren an.

Mit Preisen und Auszeichnungen wie

dem OCG Förderpreis, dem OCG Förderpreis

FH sowie dem Heinz Zemanek

Preis werden wissenschaftliche Leistungen

sichtbar gemacht und der Einstieg

in eine Forschungslaufbahn unterstützt.

Viele frühere Preisträger*innen sind später

selbst in Forschung und Lehre aktiv

geworden und prägen inzwischen die Informatik

in Österreich mit.

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 und Edgar Weippl.

Der nächste Young Researchers‘ Day

findet bei der IKT Sicherheitskonferenz

am 16. und 17. September 2026

in Linz statt.

VERNETZUNG UND AUSTAUSCH

Auch der OCG Arbeitskreis IT‐Sicherheit

hat früh erkannt, dass Vernetzung gerade

für junge Forscher*innen entscheidend

ist: Es fehlt oft an niederschwelligen

Möglichkeiten, Ideen, Daten oder

Erfahrungen auszutauschen – besonders

dann, wenn Projekte noch in einem frühen

Stadium sind. Aus diesem Bedarf heraus

wurde der Young Researchers’ Day

etabliert, der jungen Wissenschaftler*innen

eine Bühne gibt und inzwischen fest

in das Programm der IKT‐Sicherheitskonferenz

des Österreichischen Bundesheers

eingebettet ist. So gibt es nicht nur eine

Bühne, sondern die Hauptbühne der

größten jährlichen Praxiskonferenz für

IT-Sicherheit in Österreich.

Die Beiträge in dieser Ausgabe zeigen

exemplarisch, wie breit und praxisnah

Nachwuchsforschung heute sein kann:

von Logdaten‐Analyse und Anomalie‐Erkennung

über didaktisch neue Ansätze

in der Forensik‐Ausbildung bis hin zu

Notfallsimulationen für Führungskräfte

sowie Fragen der Kommunikation und

Awareness in der Security‐Ausbildung.

VIELFALT IST STÄRKE

Gerade diese thematische Vielfalt ist ein

gutes Zeichen: Informatik ist längst nicht

mehr nur Softwareentwicklung oder reine

Technik. Sie verbindet Methodik, Systeme,

Menschen und Organisationen –

und sie wirkt in nahezu alle Bereiche von

Wirtschaft und Gesellschaft.

Als Fachcommunity können wir dazu beitragen,

dass junge Forschung nicht nur

entsteht, sondern auch ankommt: durch

faire Begutachtung, durch Austauschformate,

durch gute Betreuung und vor

allem dadurch, dass wir Nachwuchsfor-

Edgar Weippl

ist Vizedekan der

Fakultät Informatik

der Universität

Wien und Leiter der

Forschungsgruppe

Security & Privacy. Seine Forschungsinteressen

sind Cybersecurity und

Privacy.

scher*innen Gelegenheiten geben, ihre

Ergebnisse einem interessierten Publikum

zu präsentieren.

Ich danke allen Autor*innen dieser Ausgabe

für ihre Beiträge und lade die Leser*innen

ein, die Vielfalt der Themen als

Einladung zu verstehen: zum Mitdenken,

zum Diskutieren – und vielleicht auch

dazu, selbst Nachwuchs zu unterstützen,

sei es in Forschung, Lehre oder Praxis.



Notfallsimulationen rüsten Führungskräfte für NIS-2-Richtlinie

von Michael Fischer, Jennifer-Marieclaire Sturlese und Edgar Weippl

Cybersecurity Emergency

Simulation

In einer immer stärker digitalisierten

Welt wird Cybersicherheit zur Aufgabe

der Unternehmensführung. Was früher

vor allem in der IT-Abteilung verortet

war, betrifft heute alle, die online sind.

Besonders Führungskräfte sind durch

ihre strategische Rolle gefährdet: Sie

müssen in Krisensituationen rasch Entscheidungen

treffen, oft ohne tiefgehendes

technisches Wissen. Diese Unsicherheit

kann zu einer gefährlichen

„Bedrohungsrigidität“[1] führen – also

dazu, dass man sich auf vertraute, aber

möglicherweise unzureichende Reaktionen

beschränkt.

Mit der Einführung der NIS-2-Richtlinie,

die Unternehmen nahezu aller

Größen und Branchen zu hohen Cybersicherheitsstandards

verpflichtet und

bei Versäumnissen auch Haftungsfragen

aufwirft, wächst der Druck zusätzlich.

Deshalb ist es entscheidend, auch

nicht-technische Führungskräfte gezielt

zu schulen. Genau hier kommen Notfallsimulationen

ins Spiel: Sie schaffen eine

realistische Trainingsumgebung, in der

der Ernstfall geübt werden kann – mit

all dem Druck einer echten Krise, jedoch

ohne deren tatsächliche Folgen.

wundbarkeit. Genau hier setzt unser neues

Simulations-Framework an.

Unser Ziel ist die Entwicklung eines Prototyps

für eine Executive-Notfallsimulation,

die genau diese Wissenslücke schließen

soll. Die Mechanismen von Cyberangriffen

und die entsprechenden Schutzmaßnahmen

werden dabei so dargestellt,

dass sie auch ohne technische Expertise

verständlich sind. Durch die realitätsnahe

Inszenierung von Cyberangriffen erleben

Führungskräfte denselben Entscheidungsdruck,

den klassische Trainings bislang

fast ausschließlich IT-Spezialist*innen

vorbehalten haben. Auf diese Weise

lässt sich der Gefahr einer Bedrohungsrigidität

entgegenwirken und die Anfälligkeit

gegenüber Cyberkriminalitätsdelikten

verringern.

CYBER-SPIONAGE ALS REALISTI-

SCHES FALLBEISPIEL

Als idealer Anwendungsfall für die Executive-Notfallsimulation

wählen wir das

Szenario Cyber-Spionage, das formell

anhand des in Managementkreisen weit

verbreiteten SMART-Prinzips validiert

wurde.

Spezifisch: Cyber-Spionage umfasst

konkrete Angriffstechniken wie Identitätsdiebstahl,

Spear-Phishing oder Insider-Bedrohungen,

die zunehmend als

„Spionage-as-a-Service“ angeboten werden.

Messbar: Der finanzielle Schaden ist

messbar und beläuft sich global auf Milliarden

bis hunderte Milliarden Euro jährlich.

Attraktiv: Das Thema ist verständlich und

für Entscheidungsträger*innen auf Unternehmens-

und Staatsebene hoch-relevant.

Realistisch: Fälle wie SolarWinds oder

der Anthem-Hack zeigen die reale Bedrohung

und komplexe Angriffsmuster.

BRÜCKE ZWISCHEN MANAGE-

MENT UND TECHNOLOGIE

Die Lücke zwischen dem betriebswirtschaftlichen

Blickwinkel von Führungskräften

und dem technischen Fachwissen

der IT-Expert*innen ist seit Langem

bekannt. Besonders Unternehmen, die

sich nicht als „Tech-Giganten“ verstehen,

unterschätzen häufig ihre digitale Ver-

Diese Grafik zeigt visuell die Spieldynamik der Notfallsimulation über 5 Runden. Jede Runde

kann der Red Player zwischen 3 Cyberangriffen wählen und vor jeder Runde kann der Blue Player

eine Cybersicherheitsmaßnahme setzen, um die Angriffe abzuwehren.

Grafik: JMC Sturlese


7

Diese Grafik zeigt visuell, wie sich der programmierte

Red Player im Rahmen der Notfallsimulation

zwischen verschiedenen Cyberangriffen

entscheiden soll. Die Formel links oben zeigt

die mathematische Formel dahinter.

Grafik: JMC Sturlese

Timely (Zeitbezogen, dringlich): Cyber-Spionage

ist ein aktuelles Sicherheitsparadigma

des digitalen Zeitalters,

verschärft durch globale Vernetzung und

rechtliche Grauzonen.

Die Forschungsergebnisse wurden im

Oktober 2024 in Österreich auf der Fachkonferenz

ITDRR-24 [2] - IFIP Information

Technology in Disaster Risk Reduction

vorgestellt und stießen bei internationalen

Expert*innen auf große Resonanz.

PROGRAMMIERUNG DES RED

PLAYERS „SPYBOT“

Um eine dynamische und lehrreiche

Spielumgebung zu schaffen, modellieren

wir den algorithmischen Angreifer, den

sogenannten Red Player namens „Spy-

Bot“. Die zugrundeliegende Forschungsfrage

lautet: Wie lassen sich die algorithmischen

Entscheidungen des Angreifers

relevant, rational und realistisch gestalten?

Darauf schlagen wir die folgenden

Antworten und Vorgehensweisen vor:

Relevant: Der automatisierte Angreifer

„SpyBot“ folgt den sequentiellen Regeln

eines Stackelberg-Sicherheitsspiels, bei

dem der Angreifer (Red Player) auf die

zuvor etablierten Verteidigungsmaßnahmen

des Blue Players (den menschlichen

Spieler) reagiert.

Rational: Der Gegner „SpyBot“ wählt

seine Angriffsvektoren auf Basis der

ATT&CK-Matrix aus — einem etablierten

Framework, das validierte Cyberangriffe

systematisch kategorisiert.

Realistisch: Die Entscheidungslogik

des Angreifers wird durch empirische

Marktdaten gewichtet. Hierzu fließen Erkenntnisse

aus Darknet-Quellen ein; wir

analysieren Angebote im Bereich „Spionage-as-a-Service“,

um reale Marktmechanismen

in die Simulation zu integrieren.

Diese Ergebnisse wurden im Juni 2025

in Singapur auf der Fachkonferenz

ICCMSO-25 - IEEE International Conference

on Computational Modelling,

Simulation and Optimization [3] vorgestellt

und dort mit internationalem Fachpublikum

diskutiert.

REALITÄTSNÄHE DURCH

DARK-WEB-EINBINDUNG

Um den Lerneffekt der Zielgruppe zu

maximieren, begründen wir, dass die

Entscheidungen des automatisierten Angreifers

„SpyBot“ eine empirisch fundierte

Entscheidungslogik widerspiegeln soll.

Für unser Gewichtungsschema greifen

wir auf klassische ökonomische Theorien

zurück, darunter Angebots- und Nutzenfunktionen

sowie Wahrscheinlichkeitsmodelle

zur Entscheidungsfindung, um

einen sogenannten Likelihood-Score abzuleiten.

Während die Variable Preis exogen

ist und direkt aus Dark-Web-Marktplätzen

entnommen wird, werden die

Variablen Risiko, Kosten und technisches

Niveau synthetisch erzeugt, endogen geschätzt

mithilfe der Mitre ATT&CK Matrix,

um realistische Szenarien zu garantieren.

Jennifer Sturlese auf der Hauptbühne bei ihrem Vortrag im Rahmen des Young Researcher’s Day an der IKT-Sicherheitskonferenz 2025 in Dornbirn

Foto: JMC Sturlese



Das entwickelte Modell basiert auf einer

sequentiellen Dynamik über fünf

Runden. In der Anfangsphase verzichtet

der Red Player bewusst darauf, sich an

jede Verteidigungsmaßnahme des Blue

Players anzupassen. Dadurch wird der

Lernprozess gefördert und schnelle Erfolgserlebnisse

ermöglicht. In späteren

Phasen sind erweiterte Modi vorgesehen,

in denen der Gegner zunehmend adaptiv

reagiert.

Auf der Fachkonferenz ITDRR-25 - IFIP

Information Technology in Disaster Risk

Reduction [4] in Japan im Oktober 2025

stellten wir die Forschungsergebnisse

vor, die bei internationalen Fachteilnehmer*innen

auf aufgeschlossenes Interesse

stießen.

ERSTER PROTOTYP, AUSBLICK

UND WEITERE FORSCHUNG

Der erste visuelle Prototyp der Notfallsimulation

wurde bereits auf der IKT-Sicherheitskonferenz

des österreichischen

Bundesheers 2025 in Dornbirn vorgestellt.

Als nächster Schritt folgt eine umfassende

Requirements-Engineering-Phase.

Mithilfe eines Mixed-Methods-Ansatzes

bestehend aus Interviews und Umfragen

werden Expert*innen, Bedarfsträger*innen

und weitere Stakeholder aktiv in den

Entwicklungsprozess eingebunden. Ziel

ist es, die Simulation passgenau auf die

Anforderungen und Erwartungen der

Zielgruppe auszurichten.

Interessierte Leser*innen, die sich als Interviewpartner*innen

einbringen möchten,

sind herzlich eingeladen, Kontakt mit

dem Forschungsteam aufzunehmen!

jmc@fhwn.ac.at

REFERENZEN

[1) Barry M Staw, Lance E Sandelands, and Jane E Dutton. Threat rigidity effects in organizational behavior: A multilevel analysis.

Administrative science quarterly, pages 501–524, 1981.

[2] Sturlese, J. M. C., & Hochreiter, R. (2024, October). Modeling the Case of Cyber Espionage for Executive Game Simulations.

In International Conference on Information Technology in Disaster Risk Reduction (pp. 66-81). Cham: Springer Nature Switzerland.

[3] Sturlese, J. M. C., & Purgathofer, P. (2025, June). Optimizing Algorithmic Decisions in Executive Game Simulations. In 2025

4th International Conference on Computational Modelling, Simulation and Optimization (ICCMSO) (pp. 238-242). IEEE.

[2] Sturlese, J. M. C., & Weippl, E. (2025). Inference of a Weighting Scheme for Cybersecurity Emergency Simulations. In The

Information Technology in Disaster Risk Reduction Conference (ITDRR 2025) http://eprints.cs.univie.ac.at/8453/

Jennifer-Marieclaire

(JMC) Sturlese

ist Leiterin des Lehrgangs

„Cyber Crime

Investigation“ an der

Fakultät Sicherheit,

FH Wiener Neustadt und promoviert

unter Betreuung durch Univ.-Prof.

Weippl. Ihre Forschungsinteressen

sind Cybercrime und Cybersecurity.

Michael Fischer

ist Fakultätsleiter der

Fakultät Sicherheit

an der FH Wiener

Neustadt. Seine

Forschungsinteressen

sind Cybercrime und qualitative

Forschungsmethoden für Polizeiwissenschaften.

Edgar Weippl

ist Vizedekan der

Fakultät Informatik

der Universität

Wien und Leiter der

Forschungsgruppe

Security & Privacy. Seine Forschungsinteressen

sind Cybersecurity und

Privacy.


9

Cybersecurity - Logdate-Analyse

von Viktor Beck

Anomalie-Erkennung auf

Logdaten

Anomale Muster in Echtzeit zu erkennen,

wird zunehmend wichtiger. Besonders

in Bereichen wie Cybersecurity

oder der Produktionsüberwachung hat

sich die Anomalie-Erkennung (engl.

Anomaly Detection) zu einem unverzichtbaren

Werkzeug entwickelt. Bei

der Anomalie-Erkennung handelt es

sich um ein Verfahren des maschinellen

Lernens, das ungewöhnliche Muster

oder Ausreißer in Datensätzen identifiziert.

Solche Abweichungen können

auf Fehler, Cyberangriffe, technische

Störungen oder andere kritische Ereignisse

hindeuten. Das Ziel besteht darin,

Auffälligkeiten frühzeitig zu erkennen,

um gezielt Gegenmaßnahmen einleiten

zu können.

wenn von vielen Entwickler*innen oft

versprochen – in der Regel nicht einfach

„out-of-the-box“. Vielmehr müssen dafür

bestimmte Voraussetzungen erfüllt sein.

wurde, von den variablen Teilen zu trennen.

Aus diesem Problem heraus hat sich

ein eigener Forschungszweig entwickelt,

der sich speziell mit der Strukturierung

von Logdaten mithilfe von Parsing-Algorithmen

beschäftigt. Ein Beispiel für diesen

Prozess zeigt Abbildung 1.

Jeder Klick auf einer Website, jede Nutzung

einer App oder jeder Start einer

Maschine in einer Fabrik kann unzählige

Event-Logs generieren. Logdaten sind

automatisch generierte Protokolle, die

von Computersystemen, Anwendungen

oder Geräten erstellt werden und alle

relevanten Ereignisse im System dokumentieren

– von Nutzeraktivitäten über

Systemfehler bis hin zu Transaktionen

oder Netzwerkverkehr. Sie enthalten oft

Zeitstempel, Fehlercodes, IP-Adressen

und andere technische Informationen.

Besonders in der Cybersecurity sind

diese Daten von zentraler Bedeutung:

Genau wie in der analogen Welt hinterlassen

auch Cyberkriminelle digitale

Spuren – und diese zeigen sich häufig als

unerwartete Ereignisse in den Logdaten.

Hier kommt die Anomalie-Erkennung ins

Spiel. Allerdings funktioniert sie – auch

Abbildung 1: Log-Parsing: von Logging-Statement im Code, zu Logs, zu strukturierten Daten ©

Viktor Beck

LOG PARSING

Bevor Logdaten effizient analysiert werden

können, müssen sie in ein strukturiertes

Format überführt werden. In der

Informatik bezeichnet der Begriff Parsing

den Prozess, bei dem rohe Daten in ein

nutzbares Format transformiert werden.

Logdaten sind semi-strukturiert: Sie enthalten

zwar strukturierte Elemente wie

Zeitstempel oder IP-Adressen, aber auch

unstrukturierte Anteile – etwa systemgenerierte

Nachrichten. Diese Nachrichten

sind zwar für Fachleute lesbar, für Computer

jedoch schwer interpretierbar. Entsprechend

schwierig ist es die statischen

Teile einer solchen Nachricht, deren Formulierung

irgendwo im Code festgelegt

Auch der Bereich des Log-Parsings bleibt

vom aktuellen Hype um Sprachmodelle

nicht unberührt. Moderne Large Language

Models (LLMs) wie ChatGPT, Mistral

oder Quen lassen sich hier besonders

effektiv – und trotz ihrer Größe überraschend

effizient – einsetzen, da sie im Vergleich

zu traditionelleren Parsing-Algorithmen

die semantischen Eigenschaften

von Logdaten „verstehen“ und somit die

statischen und variablen Teile eines Logs

klassifizieren können 1 . Wie ein solches

1

https://arxiv.org/abs/2504.04877

10 OCG Journal | 01 • 2026

Young Researcher´s Day

System typischerweise aufgebaut ist und

welche Rolle das LLM darin übernehmen

kann, veranschaulicht Abbildung 2.

LOGDATEN-GENERIERUNG MIT

LLMS

Ein zentrales Problem der Logdaten-Analyse

– und damit auch der Anomalie-Erkennung

auf Logdaten – ist der

chronische Mangel an realistischen Datensätzen,

die für Design und Evaluierung

von Algorithmen genutzt werden

können. Logdaten enthalten in der Regel

sensible Informationen.

Zwar lassen sich einige dieser Daten anonymisieren,

doch allein das Verhalten

der Logs – also genau das, was analysiert

werden soll – gibt oft Aufschluss über

das zugrundeliegende Computersystem

und dessen Nutzer. Aus Gründen der Cyber-

und Informationssicherheit geben

Unternehmen ihre Logdaten daher nur

selten frei. Für die Forschung ist dies problematisch,

da Reproduzierbarkeit ohne

reale freizugängliche Daten kaum möglich

ist. Ohne Zugang zu echten Logs ist

die Anwendbarkeit in der Realität nicht

sichergestellt.

Forscher*innen greifen daher häufig auf

Simulationen zurück, um synthetische

Logdaten zu generieren. Doch solche Simulationen

sind oft aufwändig: Gerade

in großen Infrastrukturen sorgen zahlreiche

Nutzer*innen, Applikationen und

Hintergrundprozesse für ein komplexes

Normalverhalten. Bisher wird das Problem

diese zu simulieren meist durch

starre, vorgefertigte Skripte gelöst, die

Infrastruktur und Nutzer*innen im System

abbilden. Diese Skripte sind jedoch

Abbildung 2: LLM-basiertes Log-Parsing © Viktor Beck

unflexibel und müssen für jeden Anwendungsfall

neu erstellt werden.

Hier bieten LLMs eine vielversprechende

Lösung. Ein konkretes Beispiel: Die Simulation

von Systemadministrator*innen

durch LLMs ermöglicht die automatische

Generierung realistischer Logdaten. Dabei

interagiert die KI dynamisch mit dem

Terminal – ähnlich wie ein menschlicher

Nutzer. Das LLM erhält eine konkrete

Aufgabe (z. B. Fehlerbehebung oder Wartung),

führt Befehle aus und reagiert adaptiv

auf Systemrückmeldungen. Sogar

Tippfehler oder Umwege werden dabei

protokolliert. Das Ergebnis sind Logdaten,

die nicht nur technisch korrekt, sondern

auch verhaltensbezogen authentisch

wirken. Der größte Vorteil liegt in der

Skalierbarkeit: Innerhalb kürzester Zeit

lassen sich vielfältige Szenarien simulieren

– perfekt für Sicherheitstests oder die

Evaluierung von Anomalie-Erkennungsalgorithmen.

ZUKÜNFTIGE FORSCHUNG

Zukünftige Forschung sollte sich auf

die zentralen Herausforderungen und

Voraussetzungen konzentrieren, um

Anomalie-Erkennung auf Logdaten realistischer

und anwendungsfähiger zu

machen. Unter anderem sollte der Fokus

darauf liegen, wie Algorithmen automatisch

an neue Daten angepasst werden

können 2 , oder wie die Zusammenarbeit

mehrerer Systeme, mit einem gemeinsamen

Modell, die Erkennungsleistung

steigern kann, ohne Datensouveränität

zu gefährden. Ein weiteres wichtiges Thema

wäre, wie Detektions-Algorithmen

auf verändertes Datenverhalten reagieren,

zum Beispiel bei Systemupdates.

2

https://ieeexplore.ieee.org/abstract/document/10825202

Viktor Beck

ist PhD Student an

der TU Wien und

arbeitet als Junior

Scientist am AIT

Austrian Institute of

Technology an EU-Forschungsprojekten.

Sein Forschungsschwerpunkt

liegt auf Anomalie-Erkennung und

Logdaten-Analyse im Kontext der

Cybersicherheit.


11

Social Skills in IT-Security-Studiengängen

von Ines Jansta

Der Mensch als Schlüssel für

Informationssicherheit

Die Digitalisierung schreitet voran,

IT-Systeme werden komplexer und mit

ihnen wachsen die Herausforderungen

für Unternehmen und Gesellschaft.

Während Firewalls, Verschlüsselung

und technische Schutzmaßnahmen immer

ausgefeilter werden, bleibt ein Aspekt

oft im Schatten: der Mensch.

Social Engineering, Phishing und andere

Angriffsformen, die gezielt menschliches

Verhalten ausnutzen, nehmen stetig zu.

Doch wie gut sind künftige IT-Security-Expert*innen

darauf vorbereitet? Ein

Blick auf die österreichischen Studiengänge

zeigt: Psychologische und soziale

Aspekte werden bislang nur am Rande

behandelt.

DER BLINDE FLECK IN DER AUS-

BILDUNG

Eine systematische Analyse aktueller Curricula

offenbart eine deutliche Schieflage:

Im Durchschnitt entfallen nur rund 3,6 %

der ECTS auf soziale Kompetenzen, Awareness-spezifische

Inhalte machen sogar

weniger als 0,5 % aus. Damit bleibt ein

zentrales Risiko für Organisationen weitgehend

unadressiert. Die Ausbildung fokussiert

weiterhin auf Technik – obwohl

der Mensch nachweislich das schwächste

Glied in der Sicherheitskette ist.

WARUM SOCIAL SKILLS FEHLEN

Warum werden Social Skills so wenig berücksichtigt?

Interviews mit Expert*innen

aus Information Security und Social Skills

liefern Antworten:

• Viele Curricula werden von Personen

mit rein technischem Hintergrund gestaltet.

• Es fehlt an Lehrenden mit interdisziplinärem

Profil.

• Soziale Kompetenzen werden oft als

„Soft Skill“ Zusatzthema betrachtet

– nicht als integraler Bestandteil der

Ausbildung.

WAS BRAUCHT ES FÜR WIRKSA-

ME SECURITY AWARENESS?

Die Expert*innen sind sich einig: Um Security

Awareness nachhaltig zu etablieren,

braucht es mehr als klassische Vorlesungen.

Gefragt ist ein Methodenmix,

der Theorie und Praxis verbindet. Dazu

zählen:

• Phishing-Simulationen und realitätsnahe

Übungen

• Gamification-Ansätze, die Motivation

und Lernerfolg steigern

• Zielgruppenspezifische Kommunikation,

die unterschiedliche Vorkenntnisse

und Bedürfnisse adressiert

Als zentrale soziale Kompetenzen werden

Kommunikationsfähigkeit,

Empathie,

Präsentationsskills sowie Team- und Konfliktmanagement

genannt. Gerade bei

technisch orientierten Zielgruppen ist die

Vermittlung dieser Fähigkeiten jedoch

eine Herausforderung und verlangt nach

innovativen, interaktiven Lehrformaten.

EIN LEITFADEN FÜR DIE PRAXIS:

DAS KOMPETENZMODELL

Wie können Hochschulen Social Skills

gezielt und wirksam integrieren? Im Rahmen

der Masterarbeit wurde ein praxisnahes

Kompetenzmodell entwickelt, das

fünf zentrale Bereiche abdeckt:

• Kommunikations- und Präsentationsfähigkeit:

Inhalte klar, verständlich und

zielgruppengerecht vermitteln

• Strukturelle Hürden und ein traditionell

technikzentrierter Blick prägen

die Studiengänge.

Darstellung der durchschnittlichen ECTS-Verteilung der Studiengänge, Grafik: Ines Jansta

12 OCG Journal | 01 • 2026


• Persönliche Kompetenzen: Empathie,

Selbstreflexion und die Bereitschaft,

sich weiterzuentwickeln

• Psychologische und analytische Fähigkeiten:

Verständnis für menschliches

Verhalten, Entscheidungsprozesse

und Motivation

• Team- und Konfliktmanagement: Zusammenarbeit

fördern, Konflikte konstruktiv

lösen

• Führungs- und Managementkompetenzen:

Verantwortung übernehmen,

Teams leiten und Veränderungen gestalten

Zu jedem Bereich werden konkrete Methoden

wie Rollenspiele, Storytelling,

Simulationen oder Reflexionsaufgaben

vorgeschlagen. Das Modell ist flexibel und

kann an die jeweiligen Anforderungen

der Hochschule angepasst werden.

VOM RANDTHEMA ZUM ER-

FOLGSFAKTOR

Die gezielte Integration sozialer Kompetenzen

in IT-Security-Studiengängen ist

keine Kür, sondern eine dringende Notwendigkeit.

Nur durch eine bewusste Verankerung

dieser Inhalte in den Curricula können

künftige Fachkräfte umfassend auf die

Herausforderungen der digitalen Arbeitswelt

vorbereitet werden. Die regelmäßige

Überprüfung und Weiterentwicklung

der Studienpläne ist dabei ebenso wichtig

wie die Förderung interdisziplinärer

Lehransätze und die Sensibilisierung von

Lehrenden und Studierenden für die Bedeutung

von Social Skills.

ZUKUNFT BRAUCHT MEHR ALS

TECHNIK

Die Ergebnisse der Masterarbeit zeigen

klar: Die Entwicklung von Social Skills darf

nicht länger als „Soft Skill“ Zusatzthema

betrachtet werden. Sie ist ein integraler

Bestandteil einer modernen IT-Security-Ausbildung

und der Schlüssel, um den

menschlichen Faktor in der Informationssicherheit

wirksam zu adressieren. Wer

die Sicherheit von morgen gestalten will,

muss heute schon den Menschen in den

Mittelpunkt der Ausbildung stellen.

Ines Jansta

ist Masterabsolventin

des Studiengangs

IT-Security an der

FH Technikum Wien

und Expertin für

Information Security Governance, Risk

& Compliance bei Greiner AG.

Übersicht untersuchter Studiengänge, Grafik: Ines Jansta

IKT Sicherheitskonferenz 2025, Ines Jansta auf der Hauptbühne; Foto: SBA


13

Risiken bei der Nutzung öffentlicher Ladestationen

von Florian Draschbacher

ChoiceJacking: Datendiebstahl

durch Handy Ladegeräte

Das Aufladen des Smartphones gehört

für die meisten Menschen zum Alltag.

Immer häufiger stehen dafür auch im

öffentlichen Raum – etwa an Flughäfen,

Bahnhöfen oder Hotels – Ladegelegenheiten

zur Verfügung, die in der Regel

dankbar angenommen werden. Kaum

jemand macht sich dabei Gedanken

über mögliche Sicherheitsrisiken. Das

wäre allerdings durchaus angebracht,

wie wir in unserer Forschung herausgefunden

haben.

Die grundlegende Problematik ist nicht

neu. Smartphones besitzen meist nur

eine einzige physische Schnittstelle, die

nicht nur dazu dient, das Gerät zu laden.

Derselbe Anschluss kann auch benutzt

werden, um etwa Dateien mit einem

Computer auszutauschen, oder Eingabegeräte

wie Tastaturen anzuschließen. Wie

Forscher*innen schon vor mehr als zehn

Jahren in sogenannten JuiceJacking-Angriffen

zeigten, konnte ein manipuliertes

(nun bösartiges) Ladegerät sich daher

unbemerkt als Computer ausgeben und

auf am Smartphone gespeicherte Daten

zugreifen.

Als Reaktion darauf führten Android und

iOS Sicherheitsmechanismen ein: Ein

Dateiaustausch über USB ist nur mehr

möglich, wenn der*die Nutzer*in diesen

explizit bestätigt – etwa durch einen Dialog

am Bildschirm. Diese Maßnahme galt

lange als wirksam, neue Angriffe mit vergleichbarer

Tragweite blieben aus.

VON JUICEJACKING ZU CHOICE-

JACKING

Unsere Arbeit zeigt jedoch, dass diese

Schutzmaßnahme auf einer Annahme

beruht, die in der Praxis nicht immer zutrifft:

Man ging davon aus, dass ein Ladegerät

entweder als Computer oder als

Eingabegerät auftreten kann, aber nicht

beides gleichzeitig. Damit könnte ein Ladegerät

nicht gleichzeitig als Computer

eine Verbindung zum Dateiaustausch

herstellen und als Eingabegerät den Bestätigungsdialog

akzeptieren.

Diese Annahme ist zwar bei isolierter

Betrachtung der USB-Spezifikation gültig,

nicht aber bei ganzheitlicher Betrachtung

moderner Smartphone-Betriebssysteme.

Genau hier setzen unsere

ChoiceJacking-Angriffe an. Der Name ist

bewusst gewählt: Anders als bei Juice-

Jacking wird nicht einfach heimlich eine

Datenverbindung aufgebaut, sondern

die Entscheidung der Nutzer*innen zur

Freigabe dieser Verbindung wird manipuliert

oder umgangen.

DREI WEGE ZUM ZIEL

Im Rahmen unserer Forschung konnten

wir drei unterschiedliche Angriffsvarianten

identifizieren. Alle haben gemein-

Grundprinzip von Choice Jacking - Angriffen; Foto: Florian Draschbacher

14 OCG Journal | 01 • 2026


sam, dass ein manipuliertes Ladegerät

über USB gleichzeitig zwei Kommunikationskanäle

aufbaut: Einen für den Dateiaustausch

selbst und einen weiteren zur

selbständigen Bestätigung des Dateiaustauschs.

Eine erste, eher naheliegende Variante

nutzt eine initiale USB-Eingabeverbindung,

um das Smartphone mit einem

Bluetooth-Eingabegerät zu koppeln, das

im Ladegerät verbaut ist. Anschließend

kann die USB-Verbindung auf Dateiaustausch

umgeschaltet werden und die

Bestätigung mittels des Bluetooth-Eingabegeräts

erfolgen. Dieser Angriff funktioniert

sowohl unter Android als auch

iOS, ist jedoch vergleichsweise langsam.

Eine zweite Variante nutzt eine Race Condition

im Eingabesystem von Android.

Das Ladegerät schickt als USB-Eingabegerät

eine schnelle Abfolge von Eingabeevents

und schaltet die Verbindung

dann rasch auf Dateiaustausch um. Während

der Bestätigungsdialog dafür schon

angezeigt wird, ist das Eingabesystem

noch damit beschäftigt, die vielen Eingabeevents

abzuarbeiten. So kann der Dialog

mit in der Vergangenheit erzeugten

Eingabeevents bestätigt werden. Dieser

Ansatz ist schneller, erzeugt aber deutlich

sichtbare Bildschirmaktivität.

Die effektivste und schnellste Variante

nutzt schließlich ein Android-spezifisches

USB-Protokoll zur Anbindung

von speziellem Zubehör. Dieses kann so

missbraucht werden, dass das Ladegerät

während einer Verbindung zum Dateiaustausch

auch Eingabeevents schicken

kann. In vielen Fällen genügt ein sehr kurzer

Moment – teils nur wenige Hundert

Millisekunden –, um vollständigen Zugriff

auf Dateien zu erlangen.

DER RICHTIGE MOMENT

Allen ChoiceJacking-Angriffen ist gemeinsam,

dass das Gerät meist während

des Ladens zumindest kurz entsperrt

sein muss. Das klingt zunächst nach einer

starken Einschränkung, ist im Alltag aber

erstaunlich realistisch. Wer sein Smartphone

unterwegs lädt, tut dies häufig aus

der Notwendigkeit heraus, erreichbar zu

bleiben. Oft wird das Gerät also entsperrt,

um Nachrichten zu lesen, Musik zu hören

oder zu telefonieren – und bleibt dabei

auch immer wieder unbeachtet.

Um diesen Moment zuverlässig zu erkennen,

kann für ChoiceJacking-Angriffe

ein Power-Line-Side-Channel ausgenutzt

werden. Dabei analysiert das Ladegerät

minimale Schwankungen im Stromverbrauch

des Smartphones. Bestimmte

Nutzungsszenarien – etwa ein laufendes

Telefonat mit abgeschaltetem Display –

lassen sich so erkennen. Das Ladegerät

kann den Angriff so gezielt dann starten,

wenn der*die Nutzer*in das Display nicht

im Blick hat.

BETROFFENE GERÄTE UND RE-

AKTIONEN

In unserer Evaluierung waren alle getesteten

Geräte anfällig – darunter Smartphones

von acht großen Android-Herstellern

sowie ein aktuelles iOS-Gerät. Je

nach Hersteller und Konfiguration war

sogar ein Zugriff auf gesperrte Geräte

oder Entwicklerfunktionen möglich. Wir

haben alle Ergebnisse verantwortungsvoll

an die betroffenen Unternehmen

gemeldet. Die meisten Hersteller, darunter

Google, Samsung, Xiaomi und Apple,

haben die Schwachstellen bestätigt und

mittlerweile behoben.

WEITERE SCHWACHSTELLEN

Im Rahmen unserer Arbeit zu ChoiceJacking-Angriffen

stießen wir auch auf einige

weitere schwerwiegende Schwachstellen,

die über USB Dateizugriff auf

gesperrte Geräte erlaubten. Eine dieser

Lücken erlaubte über USB das Löschen

sämtlicher Nutzerdaten auf gesperrten

Smartphones der Hersteller Huawei und

Honor. Ein anderer Logikfehler erlaubte

unter bestimmten Voraussetzungen das

USB-basierte Auslesen von Dateien auf

aktuellen Google-Pixel-Geräten trotz gesperrten

Bildschirms. Auch diese Sicherheitslücken

haben wir an die betroffenen

Hersteller gemeldet, sodass sie mittlerweile

behoben werden konnten.

WAS NUTZER*INNEN TUN KÖN-

NEN

Auch wenn die meisten der gefundenen

Schwachstellen mittlerweile behoben

sind, sollten sicherheitsbewusste Endnutzer*innn

dennoch vorsichtig bleiben.

Unsere wichtigsten Empfehlungen sind

einfach, aber wirksam: Öffentliche Ladegeräte

möglichst meiden, im Zweifel

lieber eine eigene Powerbank verwenden

oder das Smartphone während des

Ladens ausschalten. USB-Datenblocker,

die nur Strom durchlassen, können ebenfalls

helfen – sofern man sie konsequent

dabeihat.

Florian

Draschbacher

ist Doktorand am Institute

of Information

Security der Technischen

Universität

Graz. In seiner Forschung beschäftigt

er sich mit verschiedenen Aspekten

von Mobile Security.


15

Cybersicherheit in Produktionsanlagen

von Olaf Saßnick

KI-basierte Honeypots

Produktionsanlagen sind heutzutage

hochgradig vernetzt und automatisiert.

Das erhöht die Effizienz und Flexibilität,

schafft aber auch neue Sicherheitsrisiken.

Im Folgenden wird ein Ansatz vorgestellt,

wie KI genutzt werden kann,

um Produktionsanlagen besser zu

schützen.

In den vergangenen Jahren haben sich

industrielle Produktionsanlagen im Zuge

von Industrie 4.0 durch eine fortschreitende

Digitalisierung zu hoch vernetzten

Systemen gewandelt. Fertigungsprozesse

werden durchgehend automatisiert,

besser überwacht und optimiert. Damit

einhergehend ist jedoch die virtuelle Angriffsfläche

gegenüber Cyberangriffen

erheblich gewachsen [1]. Cyberangriffe

verfolgen unterschiedliche Ziele, darunter

Monetarisierung etwa durch Erpressungssoftware

(Ransomware), Industriespionage

oder auch Sabotage durch die

gezielte Manipulation von Prozessparametern.

Zur wirksamen Abwehr sind

moderne Sicherheitskonzepte erforderlich,

die jedoch Anforderungen von OT

(Operational Technology), wie Echtzeitfähigkeit

und funktionale Sicherheit, berücksichtigen

müssen. In diesem Kontext

werden KI-basierte Honeypots für Produktionsanlagen

erforscht, die im Folgenden

vorgestellt werden.

KI-BASIERTE HONEYPOTS

Ein Honeypot ist eine scheinbar normale

Komponente im Netzwerk, die jedoch

bewusst nicht produktiv genutzt wird.

Sie existiert ausschließlich, um potenzielle

Angreifer vom realen Produktionssystem

abzulenken und soll deshalb als

Angriffsziel möglichst interessant oder

lohnenswert wirken. Eine Interaktion mit

dem Honeypot löst einen Alarm aus und

enttarnt somit den Angreifer. Aufgrund

seiner Funktionsweise kann ein Honeypot

ein herkömmliches signaturbasiertes

Intrusion-Detection-System (IDS) gut

ergänzen, da er auch bei unbekannten

Sicherheitslücken wirksam ist und durch

die Interaktion mit dem Angreifer dessen

Angriff verzögert wird. Die potenzielle

Interaktionsdauer steigt mit dem Detailgrad

des Honeypots.

Während sich das Verhalten von Servern

oder Desktop-PCs vergleichsweise leicht

imitieren lässt, da Betriebssystem, Programme

und Daten rein virtuell sind,

ist das bei Produktionsmaschinen mit

hohem Detailgrad für einen Honeypot

aufwendiger, da es sich um Cyber-Physical

Systems (CPS) handelt, die mit der

physischen Umgebung interagieren. Sie

verfügen über Aktuatoren und Sensoren,

die den Fertigungsprozess umsetzen

und überwachen. Um das Verhalten von

CPS nachzubilden, verwenden bestehende

publizierte Honeypots nahezu ausschließlich

Simulationsmodelle [2]. Das

manuelle Erstellen von Simulationsmodellen

und Anpassen an reale Abläufe für

bestehende Anlagen ist jedoch zeitaufwändig.

Mit steigender Komplexität der

abzubildenden Prozesse wird es immer

weniger kosteneffizient ein Simulationsmodell

zu erstellen. Deshalb besteht der

Ansatz dieser Forschungsarbeit darin,

mit Hilfe generativer KI-Modelle Datenschnittstellen

der realen Produktionsmaschinen

zu beobachten und so deren

Verhalten zu erlernen. Die KI-Modelle

agieren autonom, womit der Aufwand

zum Erstellen eines Honeypots stark reduziert

wird und gut skalierbar ist. Dabei

können die in der Fertigung involvierten

Prozesse physikalischer oder chemischer

Natur sein.

DYNAMISCHES DEPLOYMENT

In weiterer Folge könnten Honeypots

nicht nur permanent in einem Netzwerk

Abbildung 1 Ein Angreifer bewegt sich in einem Firmennetzwerk, welches in Planning, Supervision und Shopfloor segmentiert ist. Der Angreifer hat

Zugriff auf eine Operator Workstation, wird jedoch bei der Kommunikation in den Shopfloor vom Intrusion Detection System (IDS) als ungewöhnliche

Aktivität erkannt und dynamisch auf ein virtuelles KI-basiertes Honeynet umgeleitet.; Grafik: Olaf Saßnick

16 OCG Journal | 01 • 2026


positioniert werden, sondern auch dynamisch

als Reaktion auf eine verdächtige

Aktivität, die von einem IDS erkannt wird.

In der in Abb. 1 gezeigten schematischen

Darstellung versucht ein Angreifer über

eine Operator-Workstation auf eine Produktionsmaschine

zuzugreifen, um etwa

Prozessparameter zu manipulieren. Diese

ungewöhnliche Aktivität wird von dem

IDS erkannt. Statt diese Aktivität jedoch

direkt zu blockieren und damit den Angreifer

indirekt über dessen Enttarnung

zu informieren, kann eine Umleitung auf

einen Honeypot erfolgen. Dazu wird von

dem IDS aus dynamisch ein Honeypot instanziiert,

der den aktuellen Zustand der

Produktionsmaschine imitiert, anschließend

jedoch völlig isoliert arbeitet.

Weiterführend kann in einem derartigen

Szenario der Zugriff auf das industrielle

Netzwerk mit Produktionsmaschinen

völlig getrennt werden und, soweit

operativ möglich, in einem Modus ohne

Kommunikation nach außen laufen.

Währenddessen wird der Angreifer auf

ein dynamisch erstelltes virtuelles Netzwerk

umgeleitet, in dem Honeypots verschiedener

Produktionsmaschinen instanziiert

sind und miteinander agieren.

Die verschiedenen Honeypots zusammen

bilden ein Honeynet. Der Aufbau

könnte auch als eine Sandbox bezeichnet

werden. In weiterer Folge kann das

Verhalten des Angreifers isoliert studiert

werden. Zugleich wird Zeit für ein Incident-Response-Team

gewonnen. Der

Angreifer hat zwar nicht länger Zugriff

auf die Produktionsanlage (Shopfloor), jedoch

muss analysiert werden, wie der Angreifer

auf die Operator-Workstation gelangt

ist (Lateral Movement Analysis). Je

nach Bedenklichkeit des Angriffs kann es

auch sinnvoll sein, das Firmennetzwerk

vollständig zu isolieren, wobei zwischen

sicherheitstechnischen und operativen

Interessen abzuwägen ist.

AKTUELLER STAND UND AUS-

BLICK

Der Zustand eines CPS kann mit einer

definierten Menge an Variablen vollständig

beschrieben werden. Zeitlich betrachtet

bewegt sich folglich das CPS auf

einer Trajektorie in einem Zustandsraum.

Diese Trajektorie ist als eine multivariate

Zeitreihe darstellbar, wobei KI-basierte

Vorhersagemodelle zum Generieren der

Zeitreihe eingesetzt werden können. Es

erfolgte dazu bereits eine erste prototypische

Umsetzung [3], wo das Verhalten

eines CPS auf einer industriellen Kommunikationsschnittstelle

mit einem Long

Short-Term Memory (LSTM) Modell generiert

wurde. Weiterführend wurden

verschiedene universelle KI-Vorhersagemodelle

mit einem eigenen Datensatz,

der charakteristische Merkmale einer

diskreten Fertigung aufweist, in unterschiedlichen

Einsatzszenarien evaluiert

[4]. Hierbei zeigte sich besonders, dass

die mit Standard-Benchmarks entstandene

Reihung der Vorhersagemodelle

mit diesem Datensatz nicht länger zutreffend

ist. Derartige KI-Modelle sind

nicht nur für Honeypots nutzbar, sondern

auch beispielsweise, um vorausschauende

Wartung, Anomalieerkennung oder

Prozessoptimierung zu ermöglichen. Im

Vergleich dazu ergeben sich jedoch für

den Honeypot spezielle Anforderungen.

Ein trainierter Honeypot muss in der Lage

sein langzeitstabile Zeitreihendaten zu

generieren. Initial erhält er den Zustand

der realen Maschine als Eingabe und

muss anschließend isoliert Daten gene-

REFERENZEN

[1] T. Miller, A. Staves, S. Maesschalck, M. Sturdee und B. Green, „Looking back to

look forward: Lessons learnt from cyber-attacks on Industrial Control Systems,“ Int.

Journal of Critical Infrastructure Protection, Jg. 35, 2021. doi: https://doi.org/10.1016/j.

ijcip.2021.100464.

[2] J. Franco, A. Aris, B. Canberk und A. S. Uluagac, „A survey of honeypots and

honeynets for internet of things, industrial internet of things, and cyber-physical

systems,“ IEEE Communications Surveys & Tutorials, Jg. 23, Nr. 4, S. 2351–2383, 2021.

[3] O. Saßnick, G. Schäfer, T. Rosenstatter und S. Huber, „A Generative Model Based

Honeypot for Industrial OPC UA Communication,“ in Computer Aided Systems

Theory – EUROCAST 2024, Cham: Springer Nature Switzerland, 2025-04, S. 320–334.

doi: 10.1007/978-3-031-83885-9_29.

[4] O. Saßnick, T. Rosenstatter, A. Unterweger und S. Huber, „Deep Learning-based

Time Series Forecasting for Industrial Discrete Process Data,“ in 8th IEEE Conference

on Industrial Cyber-Physical Systems (ICPS), Emden, Germany: IEEE, 2025-05.

doi: 10.1109/ICPS65515.2025.11087869.

rieren. Fehler addieren sich, wodurch, die

realen und die generierten Daten auseinanderdriften.

Hier könnte der Einsatz von

Neural Ordinary Differential Equations

(Neural ODEs) zielführend sein. Anstelle

aus einem Ausgangszustand direkt den

Folgezustand zu erlernen, lernen diese

die zeitliche Ableitung des Zustands. Um

den Folgezustand zu bestimmen, wird

die zeitliche Ableitung des Zustands integriert,

womit eine bessere Stabilität

erreicht werden kann. Zudem kann das

Verhalten gewöhnlicher Differentialgleichungen,

die sich besonders zur Modellierung

physikalischer Abläufe eignen,

durch Neural ODEs gut wiedergegeben

werden.

Der Honeypot muss außerdem charakteristische

höherfrequente Signalanteile

wiedergeben können, beispielsweise

eine lastabhängige Restwelligkeit bei

einem Motorstrom. Fehlt diese, kann auf

einfache Weise zwischen Honeypot und

realem System unterschieden werden.

Modelle im Zeitbereich können diese

jedoch nur unzureichend erlernen. Ein

möglicher Ansatz könnte darin bestehen,

die höherfrequenten Signalanteile

mithilfe von Gauß-Verteilungen im Frequenzbereich

zu regenerieren.

Um letztlich ein Honeynet zu bilden, können

bereits bestehende Honeypots gemeinsam

eingesetzt werden. Zusätzlich

muss jedoch auch eine SCADA-Komponente

(Supervisory Control and Data Acquisition)

imitiert werden, die die Orchestrierung

der Honeypots wie bei einem

realen Produktionsablauf übernimmt.

Zusammenfassend zeigen KI-basierte

Ansätze vielversprechende Einsatzmöglichkeiten,

während zugleich jedoch weiterer

Forschungsbedarf besteht.

Olaf Saßnick

arbeitet als Forscher

am Josef Ressel Zentrum

für Intelligente

und Sichere Industrieautomatisierung

(JRZ ISIA) der Fachhochschule Salzburg,

mit Schwerpunkt Cybersecurity.

Daneben ist er Lehrbeauftragter im

Fachbereich Mechatronik, mit Fokus

auf Sensorik und Embedded-Systems.

01 • 2026 | OCG Journal 17

Interesse wecken, Selbstvertrauen stärken

von Maria Kloibhofer

Gamifiziertes Forensiktraining

für FINTA*

Mit rund 75 % stellen Männer immer

noch den Großteil der Arbeitskräfte in

der Cybersecurity. In der Infrastruktur

wird Diversität bereits mitgedacht, etwa

mit der „Diversity in Defense“-Strategie,

bei der verschiedene Hersteller eingesetzt

werden, um die Chancen von

Angreifern zu mindern. Eine ähnliche

Vielfalt an Sichtweisen und Lebenserfahrung

kann auch in anderen Bereichen

der Cybersecurity helfen, Probleme

zu lösen und neue Strategien zu

finden.

Im Rahmen der Bachelorarbeit „Interest,

Confidence and Murderous Animatronics

– Gamified, Story-Driven Forensics

Education“ wurde ein gamifiziertes, story-getriebenes

Training über die digitale

Forensik erarbeitet und für eine bestehende

Initiative zur Förderung von Frauen

und die gesamte Gruppe der FINTA*

in der Cybersecurity abgehalten.

GRÜNDE FÜR DIE GENDER-GAP

Warum existiert diese Geschlechterdifferenz

überhaupt? Ein Teil lässt sich aus

historischen Gründen erklären, aber auch

einige aktuelle Strukturen und Mindsets

schließen etwa Frauen aktiv sowie passiv

aus diesem Bereich aus.

Im Zuge der Arbeit wurden einige der

häufig genannten Gründe in zwei Kategorien

unterteilt.

Interesse

Durch die niedrige Frauenquote ergeben

sich automatisch weniger Vorbilder und

* FINTA* steht für Fraunen, intergeschlechtliche,

nichtbinäre, trans und agender Personen.

mögliche Repräsentation, sowohl im echten

Leben als auch in den Medien. Vielen

Berufsanfänger*innen ist auch nicht bewusst,

wie vielseitig die Cybersecurity ist

und welche Tätigkeitsbereiche sich daraus

ergeben. Obwohl sich mittlerweile

einige Initiativen darum kümmern, hier

zu informieren und zu stärken, spürt

man die Diskrepanz noch stark. Dadurch

ergibt sich weniger direkter Kontakt zu

dem Feld und damit auch die Möglichkeit,

sich selbst in diesem Berufsbild zu

sehen.

Was bleibt also übrig, wenn es keine Vorbilder

gibt? Es bleiben die Bilder im eigenen

Kopf und die Bilder, die in der Gesellschaft

generell vorherrschen. Und die sind

in der Cybersecurity einerseits männlich

geprägt, aber auch sehr klischeebehaftet

– denn woran denkt man instinktiv, wenn

man an einen „Hacker“ denkt? An einen

jungen Mann im schwarzen Kapuzenpullover.

Selbstvertrauen

Ein weiteres Problem, von dem Frauen

sowohl während der Ausbildung als auch

später im Berufsleben berichten, ist das

Imposter (Hochstapler) Syndrom. Dabei

handelt es sich um das Gefühl, an den

eigenen Fähigkeiten zu zweifeln und die

Angst, als Hochstapler entlarvt zu werden,

obwohl es keine objektiven Gründe dafür

gibt. Ein Gefühl, dass oft noch verstärkt

wird, wenn man als einzige Frau auftritt

und sich so nicht nur selbst, sondern quasi

alle Frauen repräsentiert. Hier kann das

Bilden von Netzwerken helfen, um dieses

Gefühl der Isolation zu verringern.

Zusammengefasst ergaben sich daraus

die zwei Aufgabenbereiche Interesse (wecken,

halten) und Selbstvertrauen (mit einem

niederschwelligen Angebot Selbstvertrauen

zu geben).

Die Arbeit untersucht, ob das Training etwas

an der Selbsteinschätzung in diesen

Bereichen ändert und welche Maßnahmen

den größten Einfluss nehmen.

FINTA* STÄRKEN

Mittlerweile gibt es einige Initiativen, die

FINTA* in der Cybersecurity unterstützen.

Eine davon ist Shecurity von Stephanie

Jakoubi, die kostenlose und niederschwellige

Cybersecurity-Trainings für

diese Zielgruppe anbietet. So können die

Teilnehmer*innen in einem geschützten

Rahmen in verschiedene Teilbereiche

der Cybersecurity hineinschnuppern und

sich mit anderen austauschen. Diese Initiative

war die Inspiration für die Bachelorarbeit

und in ihrem Rahmen wurde

auch das daraus entstandene Training

abgehalten.

Bei dem online abgehaltenen Training

wurden zuerst in einem Theorieteil ausgewählte

Grundlagen der digitalen Forensik

vermittelt, auch für Teilnehmer*innen

ohne Vorkenntnisse. Dabei wurde

der Fokus weniger auf umfassendes Wissen

und mehr auf grundlegendes Verständnis

des forensischen Prozesses und

ausgewählte Teilbereiche gelegt, um die

späteren Übungen auch verstehen zu

können.

Für den Praxisteil wurden sechs Übungen,

die sogenannten „Challenges“ ausgearbeitet.

Um die Übungen realitäts-

18 OCG Journal | 01 • 2026


naher zu gestalten, konnten forensische

Tools für die Lösung verwendet werden,

etwa zur Arbeitsspeicheranalyse oder

Datenwiederherstellung. Für die Gamifizierung

sorgten die unterliegende Geschichte,

die in den gefundenen Artefakten

erzählt wird, sowie „Auszeichnungen“

(Achievements), die durch das Absolvieren

einzelner Übungen sowie das Finden

von Easter Eggs, kleinen versteckten Zusatzartefakten,

verliehen wurden.

Beim Erstellen wurde mit einem vierteiligen

Ansatz gearbeitet:

• Gamification – die Übungen sollen

sich anfühlen wie ein Spiel, um freies

Erforschen zu fördern, weniger Leistungsdruck

aufzubauen und das „Impostor

Syndrom“ zu minimieren. Viele

andere gamifizierte Übungen bauen

vor allem auf Wettbewerb, Ranglisten

und Geschwindigkeit auf. Auf diese

Elemente wurde bewusst verzichtet.

• Story driven – eine durchgehende Geschichte

über eine vermisste Freundin

und mörderische animatronische

Figuren soll als zusätzliche Motivation

dienen. Die Geschichte wird sowohl

aktiv durch die Übungsbeschreibungen

vermittelt, als auch passiv durch

die eingesetzten Artefakte.

• Selbstständigkeit – alle Übungen sind

alleine und ohne Input/Bestätigung

von außen erledigbar, in der eigenen

Geschwindigkeit. Auch hier wurde darauf

geachtet, keinen Leistungs- und

Zeitdruck zu erzeugen, sondern die

Teilnehmer*innen so mit den Übungen

interagieren zu lassen, wie sie

möchten.

• Inklusion – ein ganzheitlicher Ansatz,

um möglichst viele Barrieren abbauen

zu können; das Training war explizit

nur für Menschen, die nicht der männlichen

Norm entsprechen. Es wurde

online abgehalten, um Menschen die

zeitlich/örtlich eingeschränkt sind zu

inkludieren. Die Hardwareanforderungen

für die Übungen waren minimal

und sowohl die verwendete Software

als auch das Training selbst sind kostenlos,

um niemanden aufgrund ihrer

finanziellen Situation auszuschließen.

Das selbstständige Arbeiten und der klare

Praxisbezug sollen Teilnehmer*innen

weiter stärken und zeigen: Ich kann das

auch.

ERGEBNISSE UND AUSBLICK

Rund 60 Teilnehmer*innen nahmen bei

diesem ersten Training, mit dem die Daten

für die Bachelorarbeit erhoben wurden,

teil.

Obwohl keine nennenswerten Unterschiede

zwischen der Selbsteinschätzung

vor und nach dem Training gefunden

werden konnten, beurteilten die Teilnehmer*innen

die gesetzten Maßnahmen

durchwegs positiv. (Zahlen aufgerundet)

Ein Großteil bevorzugte diese Art des Lernens

zu anderen Arten (77 %) und gab

an, dass die Storyelemente ihr Interesse

in die digitale Forensik positiv beeinflusst

hätten (69 %). Die bestbewerteten Faktoren,

die das Selbstvertrauen der Teilnehmer*innen

positiv beeinflussten, waren

das Schaffen eines reinen FINTA-Trainings

(62 %), der zusätzlich Kontext zum

Ablauf und Erwartungen vor dem

Training (58 %) und das Abschließen der

einzelnen Challenges (58 %). Der Motivation

zuträglich waren unter anderem die

Anwesenheit eine*r Trainer*in für Rückfragen

(69 %), das Erforschen der unterliegenden

Geschichte (62 %) und das Finden

von Easter Eggs innerhalb der Challenges

(50 %). Das qualitative Feedback spiegelt

wider, dass es besonders wichtig ist, auf

das Skilllevel der Teilnehmer*innen zu

achten, unterschiedlich viele Hilfestellungen

zu bieten und Kooperation zwischen

Teilnehmer*innen zu ermöglichen.

Mit einem einzelnen Training lässt sich an

der 25%-Quote nicht direkt etwas verändern.

Aber es wurden wichtige Erkenntnisse

für spätere Iterationen gewonnen,

um zukünftige Trainings noch besser zu

gestalten.

Maria Kloibhofer

ist Masterstudentin

an der Hochschule

für Angewandte

Wissenschaften St.

Pölten und zusätzlich

als IT Systems Engineer tätig. In ihrer

Freizeit baut sie ihr Forensiktraining

weiter aus.

Ergebnisse vom ersten Training, Grafik: Maria Kloibhofer


19

Sensible Informationen schützen

von Verena Schuster

Federated Learning

In der heutigen datenzentrierten Welt

ist der Austausch von Daten für weitere

Analysen oft erforderlich. Während

der Austausch von Daten in vielen Bereichen

akzeptabel sein mag, stellt der

Schutz sensibler Informationen wie

Patientengesundheitsdaten und Finanzunterlagen

eine Herausforderung

dar und ist zudem durch Vorschriften

wie die Datenschutz-Grundverordnung

(DSGVO) vorgeschrieben.

In Szenarien, in denen Daten dezentral

erfasst werden – beispielsweise, wenn

sie von Edge-Geräten wie Sensoren,

Fahrzeugen oder mobilen Endgeräten

stammen oder in größeren Datensilos

etwa bei Gesundheitsdienstleistern vorliegen

– kann die Zusammenführung aller

Daten an einem zentralen Ort neben

datenschutzrechtlichen Aspekten auch

aus praktischen Gründen problematisch

sein. Einschränkungen hinsichtlich der

verfügbaren Netzwerkbandbreite sowie

der Verfügbarkeit der beteiligten Geräte

können eine zentrale Datensammlung

zusätzlich erschweren.

Daher ist es notwendig, Strategien zu

entwickeln, die eine Zentralisierung der

Daten vermeiden und gleichzeitig deren

Analyse ermöglichen. Der traditionelle

Ansatz von Machine Learning (ML) besteht

darin, aus einem einzelnen, zentralen

verfügbaren Datensatz zu lernen.

Im Gegensatz dazu erfolgt das Training

im Federated Learning (FL) [1] dezentral,

wobei lediglich ein zentraler Server, auch

bekannt als Aggregator, die lokal erlernten

Informationen (Modelle oder lokale

Gradienten) zusammenführt, um ein

kollaboratives Training zu ermöglichen.

Federated Learning stellt somit ein vielversprechendes

Paradigma dar, bei dem

die Daten der Clients lokal verbleiben.

Federated Learning reduziert folglich die

Federated Learning Prozess; Grafik: Verena Schuster

Notwendigkeit einer Zentralisierung der

Daten.

FEDERATED LEARNING

PROZESS

Der Ablauf des Federated Learning Prozesses

(siehe Abbildung) gestaltet sich

wie folgt:

• Initialisierung:

Der zentrale Server definiert das Modell,

das als Ausgangsmodell für alle

Clients dient. Dieses Startmodell kann

entweder neu initialisiert oder bereits

vortrainiert sein.

• Client-Auswahl:

In diesem Schritt wählt der zentrale

Server die an der jeweiligen Kommunikationsrunde

teilnehmenden

Clients aus. Abhängig vom Anwendungsfall

tragen entweder alle Clients

in jeder Runde bei, oder es wird in

jeder Runde eine vordefinierte Teilmenge

von Clients ausgewählt.

• Verteilung:

Der zentrale Server überträgt das

globale Modell an die ausgewählten

Clients.

• Client-Berechnung:

Jeder Client trainiert das globale

Modell auf seinen lokalen Daten und

sendet anschließend das aktualisierte

Modell oder ausschließlich

die berechneten Gradienten an den

zentralen Server zurück.

• Aggregation:

Der zentrale Server aggregiert die

Parameter der empfangenen Modelle

mithilfe eines ausgewählten Aggregationsverfahrens.

Verschiedene

Aggregationsmethoden werden im

Abschnitt zur verwandten Arbeit zu

Aggregationsmethoden diskutiert.

• Aktualisierung des globalen Modells:

Der zentrale Server aktualisiert das

globale Modell unter Verwendung der

aggregierten Parameter.

Anschließend wird das globale Modell

an die Clients zurückgesendet und dient

dort als Ausgangsmodell für die nächste

Trainingsrunde. Danach werden die

Schritte 2 bis 6 wiederholt, bis das Modell

konvergiert oder die maximale Anzahl an

Iterationen, auch als Kommunikationsrunden

bezeichnet, erreicht ist.

AGGREGIERUNGSANSÄTZE

Der am weitesten verbreitete Ansatz ist

Federated Averaging (FedAvg) [1], bei

dem die lokalen Modellparameter der

Clients gewichtet gemittelt werden, typischerweise

proportional zur Größe der

jeweiligen lokalen Datensätze. FedAvg

20 OCG Journal | 01 • 2026


zeichnet sich durch seine Einfachheit

und Effizienz aus, ist jedoch anfällig gegenüber

stark nicht-i.i.d. verteilten Daten.

Zur Erhöhung der Robustheit gegenüber

Ausreißern wurde FedMedian [2] eingeführt.

Anstelle des arithmetischen Mittels

wird hierbei der Median der Modellparameter

über alle Clients berechnet, wodurch

der Einfluss einzelner stark abweichender

Updates reduziert wird.

FedAvgM [3] erweitert FedAvg um einen

Momentum-Term auf Serverebene.

Durch die Berücksichtigung vergangener

Aggregationsschritte kann die Konvergenz

beschleunigt und die Stabilität

des Trainings verbessert werden, insbesondere

bei stark schwankenden lokalen

Updates.

Mit FedProx [4] wird ein Regularisierungsterm

in das lokale Optimierungsproblem

der Clients eingeführt, der große

Abweichungen vom globalen Modell

penalisiert. Dieser Ansatz adressiert explizit

die Herausforderungen durch statistische

Heterogenität zwischen den Clients

und ermöglicht stabileres Training in

nicht-i.i.d.-Szenarien.

FedLAW [5] (Federated Learning with

Adaptive Weights) verfolgt einen adaptiven

Aggregationsansatz, bei dem die

Beiträge der Clients dynamisch gewichtet

werden. Im Gegensatz zu FedAvg, bei

dem die Gewichtung der Clients üblicherweise

statisch erfolgt, passt FedLAW

die Gewichtung der einzelnen Beiträge

flexibel an. Ziel ist es, Clients mit qualitativ

hochwertigeren oder konsistenteren Updates

stärker zu berücksichtigen und so

die globale Modellleistung zu verbessern.

Neben parameterbasierten Mittelungsverfahren

existieren auch strukturorientierte

Aggregationsansätze, die speziell

für unterschiedliche Modellarten

zugeschnitten sind. Insbesondere für

Neuronale Netzwerke wurden Verfahren

wie PFNM [6] (Probabilistic Federated

Neural Matching) und FedMA [7] (Federated

Matched Averaging) entwickelt.

Diese Methoden verfolgen das Ziel, einzelne

Neuronen zwischen den lokalen

Modellen explizit zuzuordnen, anstatt die

Modellparameter – wie bei klassischen

Ansätzen – koordinatenweise zu aggregieren.

Neben den hier vorgestellten Aggregierungsverfahren

existieren eine Vielzahl

an weiteren Ansätzen in der Literatur.

Diese unterscheiden sich unter anderem

hinsichtlich ihrer Robustheit gegenüber

heterogenen Datenverteilungen, ihrer

Kommunikations- und Rechenkosten

sowie ihrer Widerstandsfähigkeit gegenüber

fehlerhaften oder adversarialen Clients.

Verena Schuster

ist eine Researcherin

bei SBA Research

und Masterstudentin

im Programm

Data Science an der

TU Wien. Ihre Interessen liegen bei

Federated Databases und Federated

Learning..

QUELLEN:

[1] Brendan McMahan, Eider Moore, Daniel Ramage, Seth Hampson, and Blaise Aguera y Arcas. Communication-Efficient Learning

of Deep Networks from De-centralized Data. In Aarti Singh and Jerry Zhu, editors, Proceedings of the 20th International

Conference on Artificial Intelligence and Statistics, volume 54 of Proceedings of Machine Learning Research, pages 1273–1282.

PMLR, April 2017.

[2] Dong Yin, Yudong Chen, Ramchandran Kannan, and Peter Bartlett. Byzantine-Robust Distributed Learning: Towards Optimal

Statistical Rates. In Jennifer Dy and Andreas Krause, editors, Proceedings of the 35th International Conference on Machine

Learning, volume 80 of Proceedings of Machine Learning Research, pages 5650–5659. PMLR, July 2018.

[3] Tzu-Ming Harry Hsu, Hang Qi, and Matthew Brown. Measuring the Effects of Non-Identical Data Distribution for Federated

Visual Classification, September 2019. arXiv:1909.06335 [cs, stat].

[4] Tian Li, Anit Kumar Sahu, Ameet Talwalkar, and Virginia Smith. Federated Learning: Challenges, Methods, and Future Directions.

IEEE Signal Processing Magazine, 37(3):50–60, May 2020.

[5] Zexi Li, Tao Lin, Xinyi Shang, and Chao Wu. Revisiting Weighted Aggregation in Federated Learning with Neural Networks.

In Andreas Krause, Emma Brunskill, Kyunghyun Cho, Barbara Engelhardt, Sivan Sabato, and Jonathan Scarlett, editors, Proceedings

of the 40th International Conference on Machine Learning, volume 202 of Proceedings of Machine Learning Research,

pages 19767–19788. PMLR, July 2023.

[6] Mikhail Yurochkin, Mayank Agarwal, Soumya Ghosh, Kristjan Greenewald, Nghia Hoang, and Yasaman Khazaeni. Bayesian

Nonparametric Federated Learning of Neural Networks. In Kamalika Chaudhuri and Ruslan Salakhutdinov, editors, Proceedings

of the 36th International Conference on Machine Learning, volume 97 of Proceedings of Machine Learning Research, pages

7252–7261. PMLR, June 2019.

[7] Hongyi Wang, Mikhail Yurochkin, Yuekai Sun, Dimitris Papailiopoulos, and Yasaman Khazaeni. Federated Learning With

Matched Averaging. In International Conference on Learning Representations, April 2020.


21

Quantensprung nur mit Software

von Lukas Burgholzer

Wie wir Quantencomputer

nutzbar machen

Wenn wir in den Medien von Quantencomputern

hören, dominieren meist

Bilder von futuristischer Hardware: vergoldete

Kronleuchter-Strukturen in riesigen

Kühlaggregaten oder Laserlabore,

die an Science-Fiction erinnern. Das Versprechen

ist gigantisch: Probleme, an

denen heutige Supercomputer scheitern,

sollen in Sekunden lösbar werden.

Doch bei aller Faszination für die Physik

wird eine entscheidende Komponente

oft übersehen: die Software.

Ohne Software ist der beste

Quantencomputer nur ein teures

physikalisches Experiment.

Vergleichen Sie es mit einem modernen

Smartphone ohne Betriebssystem und

Apps – ein Stück High-Tech-Hardware,

mit dem man nichts anfangen kann. Im

Quantencomputing stehen wir heute an

einem ähnlichen Punkt. Die Hardware

macht rasante Fortschritte, aber die Software

hinkt oft hinterher. Es fehlt an stabilen

Werkzeugen, an Standards und an

etablierten Schnittstellen. Im Moment

gleicht die Landschaft einem Wildwuchs

aus inkompatiblen Insellösungen.

Genau hier setzt unsere Arbeit an. Als Informatiker

betrachten wir den Quantencomputer

nicht primär als physikalisches

System, sondern als Rechenmaschine,

die programmiert, gesteuert und kontrolliert

werden muss. Unser Ziel ist es, den

„Software Stack“ so robust zu machen,

dass Anwender*innen sich auf die Lösung

ihrer Probleme konzentrieren können,

statt sich mit der Fragilität einzelner

Qubits herumzuschlagen. Dabei ignorieren

wir die Hardware nicht – im Gegenteil.

Effektive Software muss die Eigenheiten

der zugrunde liegenden Technologie verstehen

und optimal nutzen.

DIE KUNST DER ÜBERSETZUNG:

VOM ALGORITHMUS ZUM CHIP

Ein Quantenalgorithmus existiert zunächst

oft nur als mathematisches Konzept

oder als abstrakter Programmcode.

Damit dieser auf einem realen Chip ausgeführt

werden kann, bedarf es einer

komplexen Übersetzungskette. Dieser

Prozess ähnelt dem Kompilieren klassischer

Software, ist aber ungleich schwieriger.

Die Herausforderung liegt in den physikalischen

Beschränkungen der Maschinen.

Heutige Quantenprozessoren sind

„noisy“ – also fehleranfällig – und eingeschränkt

in ihrer Konnektivität. Nicht jedes

Qubit kann direkt mit jedem anderen

kommunizieren. Wenn ein Algorithmus

eine Interaktion zwischen zwei weit entfernten

Qubits verlangt, muss der Compiler

die Informationen schrittweise über

den Chip transportieren. Das ist wie ein

komplexes Schiebe-Puzzle, das optimal

gelöst werden muss. Jeder unnötige

Schritt verlängert die Laufzeit und erhöht

die Gefahr, dass das empfindliche Quanten-Signal

im Rauschen untergeht.

Software für Quantencomputing muss

also zaubern können: Sie muss den abstrakten

Wunsch des Programmierers so

effizient wie möglich auf die imperfekte

Hardware abbilden. Wir entwickeln Algorithmen,

die genau das automatisch

erledigen – und zwar oft besser, als es

menschliche Expert*innen von Hand

könnten. Dabei greifen wir auf Methoden

zurück, die in der klassischen Chip-Entwicklung

(„Electronic Design Automation“)

seit Jahrzehnten erprobt sind, und

passen sie für die Quantenwelt an.

Anwendung

Sim ula tion

Kom pilierung

Verifika tion

Fehler -

Korrektur

Ha rdwa re

Da tenstrukturen & Methoden

Illustration wichtiger Schritte entlang des Software-Stacks von Anwendung bis Hardware, geschützt durch Datenstrukturen und Methoden;

Grafik: Lukas Burgholzer

22 OCG Journal | 01 • 2026

Heinz Zemanek Preis

EFFIZIENZ DURCH CLEVERE DA-

TENSTRUKTUREN

Ein weiteres Nadelöhr ist die Entwicklung

und das Testen neuer Ideen. Bevor man

teure Zeit auf einem echten Quantencomputer

bucht, möchte man wissen, ob

ein Algorithmus überhaupt korrekt funktioniert.

Dazu simuliert man den Quantencomputer

auf klassischen Rechnern.

Das Problem dabei: Die Komplexität eines

Quantenzustands explodiert förmlich.

Jedes zusätzliche Qubit verdoppelt

den Speicherbedarf. Um einen Zustand

von nur 50 Qubits exakt zu speichern,

bräuchte man mehr Arbeitsspeicher, als

auf der ganzen Welt existiert[KR2.1].

Sind Simulationen jenseits von 40 oder

50 Qubits also unmöglich? Nicht unbedingt.

Hier kommt die Informatik ins

Spiel. Oft enthalten die Zustände, die in

der Praxis auftreten, viele Redundanzen

und Strukturen. Statt stur eine riesige Tabelle

von Zahlen abzuspeichern, nutzen

wir graphenbasierte Datenstrukturen, sogenannte

„Entscheidungsdiagramme“.

Diese Technik, die an der JKU Linz und

der TU München intensiv erforscht wird,

erlaubt es uns, enorme Zustandsräume

extrem kompakt darzustellen, indem

gleiche Teilbäume nur einmal gespeichert

werden.

Das Ergebnis ist oft verblüffend: Simulationen,

die mit herkömmlichen Vektoren

unmöglich wären, laufen dank dieser

Technik in Minuten auf einem normalen

Laptop. Das demokratisiert die Forschung,

da man für Experimente keinen

Supercomputer mehr braucht. Natürlich

funktioniert das nicht für jeden beliebigen

Quantenzustand – das würde die

Gesetze der Physik verletzen –, aber für

viele praxisrelevante Fälle ist es ein „Game

Changer“.

VERTRAUEN IST GUT, VERIFIKA-

TION IST BESSER

Eine der brennendsten Fragen im Quantencomputing

lautet: „Ist das Ergebnis

überhaupt richtig?“ Quantencomputer

machen Fehler. Zudem ist es bei Aufgaben,

die klassisch nicht mehr lösbar sind,

schwer, das Ergebnis zu überprüfen.

Wir müssen uns also zumindest darauf

verlassen können, dass die Software keine

zusätzlichen Fehler einbaut. Wenn unser

Compiler einen Algorithmus optimiert,

darf er dessen logische Funktion nicht

verändern. In der klassischen Informatik

ist Compiler-Verifikation ein etabliertes

Feld. Für Quantenschaltungen betreten

wir Neuland.

Auch hier helfen uns Datenstrukturen

aus der Informatik wie Entscheidungsdiagramme.

Sie ermöglichen es in vielen

Fällen, analytisch zu beweisen, dass

zwei Quantenschaltungen – etwa die

ursprüngliche und die optimierte Version

– äquivalent sind. Das schafft das nötige

Vertrauen, um Quantencomputing

zukünftig auch in sensiblen Bereichen

einzusetzen. Ohne solche Verifikationsmethoden

bliebe die Technologie eine

Black Box.

VOM FORSCHUNGSPROJEKT

ZUM GLOBALEN STANDARD

Viel zu oft endet akademische Software

als „Paperware“ – veröffentlicht, aber

kaum nutzbar. Wir haben uns 2019 entschieden,

einen anderen Weg zu gehen.

Alle unsere Werkzeuge bündeln wir im

„Munich Quantum Toolkit“ (MQT).

Das MQT ist eine Open-Source-Plattform,

die Simulation, Kompilierung, Verifikation,

Benchmarking, und mehr unter einem

Dach vereint. Uns war wichtig, dass

diese Tools nicht nur funktionieren, sondern

auch einfach zu bedienen sind. Wir

investieren viel Zeit in saubere Dokumentation,

einfache Installationsprozesse und

stabile Schnittstellen.

Dieser Aufwand hat sich gelohnt. Das

MQT wird mittlerweile weltweit genutzt –

von Forschungsgruppen in Asien bis hin

zu Start-ups in den USA. Tausende Downloads

pro Monat und eine aktive Community

auf GitHub zeigen, dass der Bedarf an

robuster, zugänglicher Software riesig ist.

Es ist ein schönes Beispiel dafür, wie Forschung

aus Österreich und Deutschland

internationale Standards setzen kann.

DIE BRÜCKE IN DIE INDUSTRIE

Open Source ist der Motor der Wissenschaft,

aber industrielle Anwender benötigen

mehr: Verlässlichkeit, Support

und langfristige Roadmaps. Um diese

Lücke zu schließen, haben wir vor gut einem

Jahr die Munich Quantum Software

Company (MQSC) als Spin-off gegründet.

Die MQSC nimmt den Kern der akademischen

Forschung und schmiedet daraus

Produkte für den Unternehmenseinsatz.

Ein großes Thema ist derzeit die Integration

von Quantenprozessoren in klassische

Rechenzentren. Im Rahmen des

Munich Quantum Valley arbeiten wir daran,

dass Quantencomputer nicht isoliert

stehen, sondern als Beschleuniger in die

bestehende High-Performance-Computing

(HPC) Infrastruktur eingebunden

werden – ähnlich wie heute Grafikkarten

oder andere Beschleuniger.

Dafür braucht es offene Standards und

Kooperation. Wir wollen keine geschlossenen

Ökosysteme, sondern offene

Schnittstellen, die Innovation fördern.

Die Auszeichnung meiner Arbeit mit

dem Heinz Zemanek-Preis der OCG ist

für mich eine wunderbare Bestätigung,

dass wir mit diesem Fokus auf Software

und Design-Automatisierung auf dem

richtigen Weg sind. Am Ende wird sich

Quantencomputing nicht durchsetzen,

weil wir die besten Qubits haben, sondern

weil wir die beste Software haben,

um sie zu nutzen.

Lukas Burgholzer

ist Postdoc am

Lehrstuhl für Design

Automation der TU

München und CTO

der Munich Quantum

Software Company (MQSC). Er

promovierte an der JKU Linz zum

Thema Entwurfs-Automatisierung

und Software für Quantencomputer.

Seine Forschung wurde vielfach

ausgezeichnet, unter anderem mit

dem EDAA Outstanding Dissertation

Award und dem Heinz Zemanek Preis

der OCG.


23

When intended access leaks model secrets

von Daryna Oliynyk

Stealing Machine Learning

Models Without Breaking In

Threats to the confidentiality of proprietary

assets are not new. What makes

machine learning models special is that

they can be stolen through their intended

interface, without compromising

the underlying system.

Machine learning (ML) models often require

significant resource investment

and may represent a core business asset.

Stealing such a model can therefore

result in significant economic damage,

such as enabling competitors to offer

equivalent services without comparable

development effort. At the same time,

confidentiality is not only an economic

concern: access to a model can facilitate

attacks on system integrity or enable its

misuse in unintended or malicious ways.

HOW DOES MODEL STEALING

WORK?

In the most common model stealing

scenario, an attacker interacts with a model

through its intended interface, such

as an API, and aims to reproduce its functionality.

By querying the model with

selected data samples and using the returned

predictions as labels, the attacker

can train a local substitute that approximates

the original model’s behavior. Figure

1 illustrates this process for an image

classifier that predicts the artist based on

the visual style of a painting.

KEY FACTORS IN MODEL STEA-

LING ATTACKS

In our recent study [1], we analyzed 180

different attack configurations, varying

attacker assumptions and experimental

settings to better understand which factors

actually influence model stealing attacks.

Our results show that some aspects

commonly emphasized in the literature

matter less than often assumed, while

other factors are frequently overlooked.

For instance, we found that better-performing

target models are often easier

to steal. The reason is that learning from

incorrect predictions is more difficult for

a substitute model, and therefore the

attacker benefits when stealing a model

that makes fewer mistakes. In addition,

we showed that the quality of the data

used for stealing plays a central role, whereas

the choice of the substitute model

architecture is comparatively less important.

Taken together, our observations

suggest that focusing on the right factors

can substantially improve model stealing

attacks, and that their effectiveness has

likely been underestimated.

ARE MODEL STEALING ATTACKS

PRACTICAL?

Our recent analysis of prior work [2] has

also highlighted that, despite a growing

body of proposed model stealing attacks,

it remains difficult to assess how

practical these attacks are in real-world

a. Attacker queries the API to obtain labels b. Attacker trains a local substitute model.

Model stealing attack against a classifier predicting the artist based on visual style.All images in this figure are AI-generated; Image: Daryna Oliynyk

24 OCG Journal | 01 • 2026

OCG Förderpreis

settings. Current evaluations are heavily

concentrated on small benchmark tasks

and standard model architectures, while

questions of scalability and realistic

access constraints are rarely addressed.

Many attacks are studied under assumptions

such as generous query budgets,

rich model outputs, or static target models,

which may not hold for deployed

systems. As a result, reported attack performance

often reflects carefully controlled

experimental conditions rather than

realistic usage scenarios, leaving open the

question of how effective model stealing

attacks are in practice.

SHOULD WE CARE ABOUT MO-

DEL STEALING?

The limited evidence on the practical effectiveness

of model stealing raises the

question of whether these attacks deserve

attention. A lack of convincing studies,

however, does not imply that such attacks

are infeasible, but rather that they

have not yet been sufficiently explored

under realistic conditions. Given the growing

value of deployed models, it is therefore

important to study model stealing

in more practical settings while simultaneously

developing and evaluating countermeasures.

Daryna Oliynyk

is a researcher at University

of Vienna and

SBA Research, and

a PhD student at TU

Wien. Her research

focuses on practical aspects of machine

learning security

OCG Preise

HEINZ ZEMANEK PREIS

Der Preis ist nach dem österreichischen Computerpionier Heinz Zemanek benannt und mit 5.000 Euro dotiert. Alle zwei

Jahre werden mit diesem Preis hervorragende Dissertationen auf dem Gebiet der Informatik oder fachverwandter Bereiche

ausgezeichnet.

OCG FÖRDERPREIS | OCG FÖRDERPREIS-FH

Die OCG verleiht zur Förderung der Informatik und Wirtschaftsinformatik jährlich seit 1988 den OCG Förderpreis. Der Preis

solljunge Informatiker*innen unterstützen, indem er herausragende Diplom‐ und Masterarbeiten sichtbar macht und anerkennt,

die sich durch wissenschaftliche Relevanz, Aktualität, Originalität, Methodik und Anwendbarkeit auszeichnen. Der

OCG Förderpreis-FH wird seit 2008 verliehen.


25

Grenzen klassischer Sicherheitssysteme

von Alois Schafferhofer

Zero Trust in IT- und

OT-Umgebungen

Die Bedrohung durch Cyberangriffe hat

in den letzten Jahren deutlich zugenommen.

Allein in Österreich ist die Anzahl

gemeldeter Cybercrime-Fälle innerhalb

weniger Jahre stark gestiegen. Studien

zeigen zudem, dass mehr als die Hälfte

der Unternehmen Cyberangriffe mittlerweile

als existenzbedrohend einschätzt. 1

Besonders kritisch ist diese Entwicklung

für Betreiber von kritischer Infrastruktur:

Angriffe auf Energie-, Industrie- und

Produktionsumgebungen werden gezielter,

komplexer und professioneller.

Parallel dazu wächst der Druck, Operational

Technology (OT) stärker abzusichern.

Viele Unternehmen stehen vor der Herausforderung,

historisch gewachsene

und oft veraltete OT-Systeme mit modernen

IT-Infrastrukturen zu verbinden.

Gerade diese zunehmende IT-/OT-Konvergenz

erweitert die Angriffsfläche erheblich

und bringt klassische Sicherheitskonzepte

an ihre Grenzen.

Traditionelle, perimeterbasierte Sicherheitsansätze

folgen häufig noch dem

Prinzip einer „harten Außenschale und eines

weichen Kerns“ 2 . Dieses Modell setzt

voraus, dass alles innerhalb des Netzwerks

grundsätzlich vertrauenswürdig

ist. In heutigen hybriden Umgebungen

mit Cloud-Diensten, Remote-Zugriffen,

1

Lamprecht, R. (2023). “Cybersecurity in Osterreich”.

In: KPMG, p. 61. Available

from: https://www.kpmg.at/upload/MCM/Publikationen/2023/Cyberstudie%202023_final.pdf

2

Kindervag, J. (2010). “No More Chewy Centers:

Introducing The Zero Trust Model Of Information

Security”, p. 15. Available from:

https://media.paloaltonetworks.com/documents/Forrester-No-More-Chewy-Centers.pdf

mobilen Endgeräten und hochvernetzten

OT-Systemen ist diese Annahme jedoch

kaum noch haltbar. Ein einzelner

kompromittierter Zugang kann ausreichen,

um sich lateral durch das Netzwerk

zu bewegen – mit potenziell gravierenden

Folgen für die Verfügbarkeit und Sicherheit.

NEVER TRUST, ALWAYS VERIFY

Vor diesem Hintergrund gewinnt das

Sicherheitskonzept Zero Trust zunehmend

an Bedeutung. Zero Trust basiert

auf dem Grundsatz „Never trust, always

verify“: Weder Benutzer*innen noch Geräte

oder Systeme werden grundsätzlich

als vertrauenswürdig eingestuft – auch

dann nicht, wenn sie sich innerhalb des

eigenen Netzwerks befinden. Zugriffe

werden kontinuierlich überprüft, kontextabhängig

bewertet und auf das notwendige

Minimum beschränkt.

Während Zero Trust in klassischen IT-Umgebungen

zunehmend diskutiert und

teilweise umgesetzt wird, ist seine Anwendung

in OT-Umgebungen deutlich

weniger erforscht und verstanden. Insbesondere

fehlt es an Erkenntnissen darüber,

wie IT- und OT-Fachleute Zero Trust

wahrnehmen, welche Chancen sie darin

sehen und welche Risiken oder Herausforderungen

sie erwarten. Gleichzeitig ist

unklar, wie sich Zero-Trust-Prinzipien mit

etablierten Sicherheitsstandards oder

regulatorischen Anforderungen in Einklang

bringen lassen.

GRUNDIDEE VON ZERO TRUST

Kern von Zero Trust ist die konsequente

Durchsetzung des Least-Privilege-Prinzips.

Zugriffe auf Ressourcen werden

nicht dauerhaft gewährt, sondern für

jede Sitzung und auf Basis aktueller Kontextinformationen

neu bewertet. Dabei

fließen unter anderem Identität, Gerätezustand,

Zugriffsort und Risiko in die

Entscheidung ein. Authentifizierung und

Autorisierung erfolgen kontinuierlich und

nicht nur einmalig beim Verbindungsaufbau.

Konzeptionell lässt sich Zero Trust in drei

zentrale logische Komponenten gliedern:

• Policy Engine trifft kontextabhängige

Zugriffsentscheidungen auf Basis definierter

Richtlinien.

• Policy Administrator setzt diese Entscheidungen

technisch um.

• Policy Enforcement Point erzwingt

die Zugriffskontrolle an der Ressource

oder im Netzwerk.

Unterstützt werden diese Komponenten

durch umfangreiche Monitoring- und

Logging-Daten, um jederzeit Transparenz

über Nutzer*innen, Geräte und Zugriffe

zu gewährleisten.

In der Praxis existiert keine einheitliche

Referenzarchitektur für Zero Trust.

Stattdessen werden einzelne Prinzipien

schrittweise umgesetzt, beispielsweise

durch stärkere Identitätskontrollen, feinere

Zugriffspolitiken oder Netzwerksegmentierung.

ANWENDBARKEIT VON ZERO

TRUST IN IT- UND OT-UMGE-

BUNG

DDie zugrunde liegende Masterarbeit

untersucht die Anwendbarkeit von Zero

Trust in IT- und OT-Umgebungen anhand

26 OCG Journal | 01 • 2026

OCG Förderpreis-FH

Zero Trust Logical Components - Rose et al., 2020, Rose, Borchert, Mitchell&Connelly (2020). “Zero trust architecture”. In: NIST special publication, p. 9.

DOI: 10.6028/NIST.SP.800-207. Available from: https://doi.org/10.6028/NIST.SP.800-207

eines kombinierten Forschungsansatzes.

Basierend auf einer empirischen Untersuchung

mit Umfrage- und Interviewdaten

wird beleuchtet, wie Zero Trust von

IT- und OT-Expert*innen eingeschätzt

wird, welche spezifischen Anforderungen

sich für OT-Umgebungen ergeben und

warum Verfügbarkeit, Fehlertoleranz und

der Umgang mit Legacy-Systemen dabei

eine zentrale Rolle spielen.

Eine Umfrage in lokalen Industrien analysierte

die Wahrnehmung von Zero Trust

durch IT-Fachleute, den aktuellen Reifegrad

der Umsetzung sowie geplante

Strategien. Ergänzend dazu wurden Expert*innen-Interviews

durchgeführt, um

kritische Erfolgsfaktoren für die Implementierung

von Zero Trust in OT-Umgebungen

zu identifizieren.

Zusätzlich wurden Zero-Trust-Prinzipien

CSF Functions - regarding to NIST, 2024

NIST (2024). “The NIST Cybersecurity Framework

(CSF) 2.0”. In: NIST publication, p. 5. DOI:

10.6028/NIST.CSWP.29. Available from: https://

doi.org/10.6028/NIST.CSWP.29

mit bestehenden Sicherheitsstandards

und regulatorischen Anforderungen verglichen,

darunter ISO/IEC 27002:2022, IEC

62443, das BDEW-Whitepaper sowie die

NIS- bzw. NIS2-Richtlinie.

ZENTRALE ERGEBNISSE UND

ERFOLGSFAKTOREN

Die Ergebnisse basieren auf einer Umfrage

unter 46 IT-Fachkräften aus unterschiedlichen

Industriebereichen sowie

auf ergänzenden Experteninterviews.

Die Auswertung zeigt, dass Zero Trust

überwiegend positiv wahrgenommen

wird. Die überwiegende Mehrheit gab an,

dass Zero Trust die Angriffsfläche eines

Unternehmens gegenüber Cyberangriffe

verringern kann. Einige gaben an, dass

lateral Movement – also die Ausbreitung

eines Angreifers innerhalb eines Netzwerks

nach einer erfolgten Erstinfektion

– erschwert wird.

Gleichzeitig äußerten viele Befragte

Vorbehalte gegenüber der praktischen

Umsetzung. Mehr als 80 Prozent gingen

davon aus, dass Zero Trust mit einer erhöhten

Komplexität der IT-Infrastruktur

und zusätzlichen Kosten verbunden ist.

Zudem besteht Skepsis gegenüber einer

inflationären Nutzung des Begriffs Zero

Trust zu Marketingzwecken.

Ein zentrales Ergebnis ist, dass viele Organisationen

bereits einzelne Elemente einer

Zero-Trust-Architektur implementiert

haben, ohne diese explizit so zu benennen.

Dazu zählen etwa starke Authentifizierungsmechanismen,

rollenbasierte

Zugriffskontrollen, Netzwerksegmentierung

und Verschlüsselung. Der Übergang

zu Zero Trust erfolgt nicht durch einen

vollständigen Neuaufbau, sondern durch

schrittweise Anpassungen und Weiterentwicklungen

bestehender Sicherheitsmaßnahmen.

Im OT-Umfeld zeigen sich besondere

Herausforderungen durch Legacy-Systeme,

hohe Verfügbarkeitsanforderungen

und lange Lebenszyklen. Als kritische

Erfolgsfaktoren für die Anwendung von

Zero-Trust-Prinzipien in einer OT-Umgebungen

wurden identifiziert::

• inkrementelle Umsetzung zur Reduktion

von Komplexität

• starke Unterstützung durch Management

und Führungsebene

• frühzeitige Einbindung relevanter Stakeholder

• klare Kommunikations- und Governance-Strukturen

• kontinuierliches Monitoring und technische

Reife

EINORDNUNG IN BESTEHENDE

STANDARDS

Das abschließende Kapitel der Masterarbeit

befasst sich mit der Einordnung

des Zero-Trust-Ansatzes in bestehende

Sicherheitsstandards und regulatorische

Vorgaben. Analysiert wurden die

NIS2-Richtlinie, die ISO/IEC-27000-Familie,

das BDEW-Whitepaper sowie die

Norm IEC 62443. Diese Regelwerke zählen

zu den zentralen Referenzen im Bereich

der Cybersecurity und sind insbesondere

für die Energiewirtschaft sowie

die industrielle Automation von hoher

Relevanz.

Der Begriff „Zero Trust“ findet sich explizit

nur in der ISO/IEC 27002 sowie in

der europäischen NIS2-Richtlinie. Wäh-


27

rend in der ISO/IEC 27002 grundlegende

Zero-Trust-Prinzipien ausdrücklich benannt

und empfohlen werden, wird Zero

Trust in der NIS2-Richtlinie lediglich als

Maßnahme der Cyberhygiene erwähnt,

ohne eine weitergehende konzeptionelle

Einordnung. In den weiteren durchsuchten

Sicherheitsleitlinien findet der Ansatz

keine explizite Erwähnung. Dies ist

vermutlich darauf zurückzuführen, dass

Zero Trust bislang nicht als etablierte

Best Practice für industrielle Automatisierungssysteme

gilt.

Für einen strukturierten Vergleich wurde

das NIST Cybersecurity Framework

(CSF) herangezogen, dessen Funktionen

Identify, Protect, Detect, Respond, Recover

sowie die übergreifende Funktion

Governance als Vergleichsmaßstab dienen.

Das Ergebnis zeigt, dass zentrale

Zero-Trust-Prinzipien in bestehenden

Standards bereits implizit abgebildet

sind, insbesondere in den Bereichen Authentifizierung,

Zugriffskontrolle und

Verschlüsselung. Der Ansatz erweitert

diese jedoch um kontinuierliche Verifikation,

feingranulare Segmentierung und

eine dynamische Richtliniensteuerung.

Damit stellt Zero Trust weniger einen

Ersatz, sondern vielmehr eine konzeptionelle

Weiterentwicklung bestehender

Sicherheitsframeworks dar.

GERINGERE ANGRIFFSFLÄCHEN

– HÖHERE SICHERHEIT

Zero Trust bietet einen wirkungsvollen

Ansatz zur Erhöhung der Cybersicherheit

in zunehmend vernetzten IT- und

OT-Landschaften. Die Forschung zeigt,

dass das Konzept insbesondere zur Reduktion

von Angriffsflächen beiträgt,

seine Anwendung in OT-Umgebungen

jedoch sorgfältig geplant werden muss,

um Verfügbarkeitsrisiken zu vermeiden.

Zukünftige Forschungsarbeiten könnten

sich auf detaillierte Fallstudien, die

Entwicklung konkreter Zero-Trust-Architekturen

für OT-Umgebungen sowie die

Bewertung von Marktprodukten im Hinblick

auf echte Zero-Trust-Konformität

konzentrieren. Mit fortschreitender Digitalisierung

bleibt Zero Trust ein zentrales

Element moderner Sicherheitsstrategien.

Alois Schafferhofer

ist Information Security

Officer bei einem

Energieversorger in

Österreich und verantwortet

das Information

Security Management System

(ISMS). Sein fachlicher Schwerpunkt

liegt auf IT- und OT-Sicherheit sowie

dem Schutz kritischer Infrastrukturen.

OCG Cybersecurity

IHR WEG ZUR DIGITALEN SICHERHEIT

Entdecken Sie unser Zertifikat zur sicheren Nutzung von IKT - für den Alltag und den professionellen

Bereich!

Mit diesem Zertifikat erwerben Sie praxisnahes Wissen zu Datenschutz, Datensicherheit und dem Schutz

vor digitalen Bedrohungen wie Malware oder Identitätsdiebstahl. Sie lernen, Passwörter, Verschlüsselung,

Netzwerke, Geräte und Online-Kommunikation wirksam abzusichern. So bewegen Sie sich sicher im

Internet und schützen Ihre Daten zuverlässig - privat wie beruflich.

Wenn Sie Interesse für das OCG Cybersecurity Zertifikat für sich oder ihr Unternehmen haben, finden Sie

hier weiter Informationen:

28 OCG Journal | 01 • 2026

Adolf-Adam-Informatikpreis

Visualisierung: Was ein Bytecode-Interpreter tatsächlich tut

von Tobias Herber

Ein Blick in das Innere von

Programmen

Computerprogramme wirken nach außen

oft erstaunlich einfach. Ein Klick

und schon reagiert das System. Doch

hinter dieser scheinbaren Einfachheit

verbergen sich viele kleine Rädchen,

die ineinandergreifen. Während ein Programm

läuft, werden in kürzester Zeit

Millionen einzelner Schritte ausgeführt,

Daten werden verschoben, Zustände

verändert und Entscheidungen getroffen.

Das Problem dabei: All diese Vorgänge

bleiben unsichtbar.

Gerade in der Informatik ist diese Unsichtbarkeit

eine besondere Herausforderung.

Entwickler*innen schreiben Programme

in einer für Menschen verständlichen

Sprache: dem Quellcode. Der Quellcode

alleine reicht für den Computer nicht aus.

Ein Computer versteht Programme auf

einer ganz anderen Ebene.

Was genau zwischen dem geschriebenen

Code und dem tatsächlichen Verhalten

eines Programms passiert, ist das

Thema meiner Masterarbeit, die ich beim

Adolf-Adam-Informatikpreis 2026 präsentieren

durfte und damit den ersten

Preis gewann.

UNSICHTBARE ABLÄUFE MIT

REALEN KONSEQUENZEN

Viele Probleme in der Softwareentwicklung

entstehen nicht durch falsche Ideen,

sondern durch falsche Annahmen

darüber, wie ein Programm tatsächlich

ausgeführt wird. Ein Codefragment sieht

logisch aus, verhält sich aber anders als

erwartet. Der Grund dafür liegt häufig in

den Details der Ausführung, zum Beispiel

der Reihenfolge von Befehlen, dem Umgang

mit Speicher oder in Optimierungen,

die im Quellcode nicht sichtbar sind.

Das mentale Modell von Entwickler*innen

ist oft anders als die Realität im Computer.

Software und Computer sind allgegenwärtig,

unter Umständen kann das

also zu realen Problemen führen. Umso

wichtiger ist das korrekte Verständnis.

WARUM VISUALISIERUNG

HELFEN KANN

Visualisierung ist ein bewährtes Mittel,

um komplexe Sachverhalte verständlicher

zu machen. Sie übersetzt abstrakte

Prozesse in sichtbare Elemente. In der Informatik

wird Visualisierung schon lange

sehr erfolgreich eingesetzt. Etwa bei Algorithmenanimationen,

Speicheranalyse

oder bei grafischen Debuggern.

Besonders hilfreich ist Visualisierung

dann, wenn Prozesse dynamisch, komplex

und abstrakt sind. Genau das ist bei

der Ausführung von Programmen der

Fall. Auch der zeitliche Verlauf kann damit

gut dargestellt werden. Anstatt nur

Anfangszustand und Endergebnis zu betrachten,

erlaubt eine Visualisierung, den

Weg dazwischen zu beobachten und zu

verstehen.

LERNEN DURCH VERSTEHEN

STATT DURCH AUSWENDIG

LERNEN

In der Lehre spielt das eine zentrale Rolle.

Nachhaltiges Lernen entsteht nicht dadurch,

dass man Definitionen auswendig

lernt, sondern dadurch, dass man Zusammenhänge

versteht.

Visualisierungen können hier gezielt unterstützen.

Sie helfen dabei, korrekte

Runtime Environment

Web- Based Interpreter Visualization

1 2

Bytecode Interpreter

2a

3

Code

Visualization

6

Visualization

Manager

7

Visualization

Spec DSL

Compiler

Trace

Collector

Bytecode Trace

& Symbol Info

4

Memory

Visualization

5 8

Stepping

Interpreter

Error

User Interaction

Workflows des webbasierten Bytecode-Visualisierungstools; Grafik: Tobias Herber


29

mentale Modelle aufzubauen und zu

überprüfen. Zusammenhänge werden

nicht nur erkannt, sondern verstan-

den - wenn ich diesen Quellcode schreibe,

dann macht der Computer das, was

ich geschrieben habe.

BYTECODE: DIE UNSICHTBARE

ZWISCHENSCHICHT

Ein besonders gutes Beispiel für diese

Unsichtbarkeit ist der sogenannte Bytecode.

Programme werden oft nicht direkt

in Maschinencode übersetzt, sondern

zunächst in eine Zwischendarstellung.

Dieser Bytecode wird von einer virtuellen

Maschine oder einem Bytecode-Interpreter

ausgeführt. Für viele moderne

Programmiersprachen (z. B.: Java, C#, Python)

ist das ein zentraler Bestandteil der

Laufzeitumgebung.

Obwohl Bytecode eine Schlüsselrolle

spielt, bleibt er für Studierende meist im

Hintergrund. Die Generierung und Ausführung

erfolgt automatisch und ohne

Rückmeldung. Man führt einfach den

Compiler aus und der kümmert sich darum.

Genau hier setzt meine Arbeit an: Ziel

war es, diese verborgene Ebene sichtbar

zu machen und nachvollziehbar darzustellen,

was ein Bytecode-Interpreter tatsächlich

tut.

VOM PROGRAMM ZUR SICHTBA-

REN AUSFÜHRUNG

Im Rahmen meiner Masterarbeit habe

ich ein webbasiertes Visualisierungstool

entwickelt, das die Ausführung von

Bytecode Schritt für Schritt darstellt.

Grundlage dafür ist ein sogenanntes Trace.

Während ein Programm ausgeführt

wird, werden alle relevanten Schritte aufgenommen

und abgespeichert. Diese

Aufnahme kann anschließend interaktiv

erkundet werden.

Das Tool zeigt Quellcode und den zugehörigen

Bytecode nebeneinander an und

hebt jeweils hervor, welcher Schritt gerade

ausgeführt wird. Besonders wichtig

ist die Visualisierung des Speichers. Veränderungen

an Variablen, Objekten oder

Datenstrukturen werden animiert dargestellt.

Dadurch wird sichtbar, wie sich der

Zustand des Programms im Laufe der

Ausführung entwickelt. Jedes Mal, wenn

man von einer Instruktion zur nächsten

springt, verändert sich etwas.

Ein weiterer zentraler Aspekt ist die Interaktivität.

Man kann nicht nur die Ausführung

anhalten, sondern auch nach Belieben

vor- und zurückspringen oder gezielt

zu bestimmten Stellen navigieren. Vor

allem in der Lehre ist dies nützlich, weil so

jede*r im eigenen Tempo das Programm

bei der Arbeit beobachten kann.

EINSATZ IN DER LEHRE AN DER

JKU

Das Visualisierungstool wird inzwischen

in der Lehrveranstaltung Compilerbau an

der Johannes Kepler Universität eingesetzt.

Dort unterstützt es sowohl Lehrende

als auch Studierende. In Vorlesungen

und Übungen können komplexe Abläufe

live demonstriert werden, während Studierende

das Tool nutzen können, um

ihre selbstgebauten Compiler zu analysieren.

SICHTBARKEIT FÜHRT ZU

BESSEREM VERSTÄNDNIS

Viele zentrale Konzepte der Informatik

sind unsichtbar. Genau darin liegt ihre

Schwierigkeit, aber auch ihr Potenzial. Visualisierung

kann helfen, diese verborgenen

Abläufe zugänglich zu machen und

ein tieferes Verständnis zu ermöglichen.

Meine Arbeit zeigt, dass es möglich ist,

selbst komplexe systemnahe Prozesse

verständlich darzustellen, ohne sie zu vereinfachen.

Gerade in der Lehre eröffnet

das neue Wege, Informatik nicht nur zu

erklären, sondern erfahrbar zu machen.

Wer sieht, was im Inneren eines Programms

passiert, versteht nicht nur den

Link zur Masterarbeit:

Das zugehörige Paper wurde bei der IEEE

VISSOFT 2025 in Neuseeland veröffentlicht:

Tobias Herber

ist Absolvent der JKU

am Institut für Systemsoftware.

Seine

fachlichen Interessen

liegen im Bereich

Compilerbau und verteilte Systeme.

Aktuell arbeitet er beim Artificial Intelligence

Startup Metorial, wo er sich

auf verteilte Systeme spezialisiert hat.

30 OCG Journal | 01 • 2026


Auf Spurensuche in verteilten Systemen

von Lukas Freiseisen

Was macht mein Code?

Die Größe und Komplexität von Software-Systemen

nimmt aufgrund immer

anspruchsvollerer Anforderungen stetig

zu. Häufig wird in diesem Zusammenhang

von „Systemen von Systemen“ gesprochen,

die sich als Netzwerk mit zahlreichen

Knoten darstellen lassen und

über diverse Schnittstellen und Netzwerke

kommunizieren. Diese verteilten

Systeme werden in der Regel von verschiedenen

Organisationen entwickelt

und bilden das Rückgrat des Internets,

der industriellen Produktion, der Logistik

und vieler anderer Bereiche (Internet

of Things).

Eine der anspruchsvollsten Herausforderungen

bei großen verteilten Systemen

ist die Transparenz ihrer inneren Abläufe.

Wer schon einmal programmiert hat, der

weiß, dass selbst bei kleinen Softwareanwendungen

das Systemverhalten oft

schwer zu verstehen ist. Bei verteilten

Software-Systemen treten viele Probleme

aufgrund ihrer Größe und Struktur

erst zur Laufzeit auf und lassen sich nur

schwer oder gar nicht in Testumgebungen

reproduzieren.

Im Software-Tracing werden Systeme

daher angepasst, um Telemetriedaten

zu generieren. Diese Daten werden anschließend

mithilfe von Process-Mining

analysiert, um die Systemeigenschaften

zu überwachen und bei Bedarf detaillierte

Einblicke zu erhalten.

In meiner Masterarbeit habe ich mit

OpenTelemetry (https://opentelemetry.io)

gearbeitet, einem Open-Source-Framework,

das einen allgemeinen Standard für

Tracing-Daten definiert und in der Praxis

zunehmend an Bedeutung gewinnt.

Software-Monitoring die Echtzeitüberwachung

auf Basis der gesammelten

Daten übernimmt. Es gibt verschiedene

Verfahren, um bei einem System zur

Laufzeit Daten über sein Verhalten zu

erfassen. Diese reichen von einfachen

Logeinträgen bis hin zur Sammlung und

Meldung wichtiger Ereignisse an einen

oder mehrere Server. Diese Meldungen

werden dann in Traces gebündelt, die

zeigen, welche Systemkomponenten an

welchen Abläufen beteiligt waren.

PROCESS-MINING

Beim Software-Tracing werden innerhalb

kürzester Zeit oft tausende Datensätze

erfasst, die aufgrund ihrer Menge und

Struktur für Menschen nur schwer zu interpretieren

sind. Darüber hinaus gibt es

verschiedene Anwendungsbereiche: Das

Wartungspersonal eines Manufacturing

Execution Systems (MES) interessiert sich

beispielsweise für Systemausfälle und die

Einhaltung von Zeitvorgaben. Führungskräfte

hingegen fokussieren sich auf

Umsatzsteigerungen und Produktivitätsgewinne

durch das System. Bei einem

Webshop steht beispielsweise das Nutzerverhalten

während des Kaufprozesses

im Mittelpunkt.

Im Process-Mining werden komplexe

Tracing-Daten verarbeitet, um einfach

verständliche Prozessmodelle zu erzeugen,

die das Systemverhalten abbilden.

Es existieren verschiedene Prozessmodellierungssprachen

(Petri-Netze, BPMN

etc.). Ich habe für meine Masterarbeit

das Prozessmodell PROB DECLARE gewählt,

mit dem durch Anwendung von

endlicher linearer temporaler Logik die

zeitlichen Abhängigkeiten von Aktivitäten

innerhalb eines Systems dargestellt

werden können. Man kann sich ein Trace

als eine Baumstruktur vorstellen, bei der

jeder Knoten einer Aktivität des Systems

entspricht. Mittels endlicher linearer temporaler

Logik kann dann etwa festgestellt

werden, ob eine Aussage über die zeitliche

Abhängigkeit von logischen Termen

zutrifft.

PROB DECLARE identifiziert Constraints,

die zeitliche Abhängigkeiten zwischen

Aktivitäten in einem Trace darstellen und

bestimmt gleichzeitig die Wahrscheinlichkeit

ihres Auftretens. Dieses Prozessmodell

zeichnet sich dadurch aus, dass

es verschiedene Systeme gut abbilden

kann, ohne das Domänenwissen der Entwickler*innen

erforderlich ist. Personen

mit entsprechendem Wissen können jedoch

aus dem Modell selbst viele Er

SOFTWARE-TRACING

Software-Tracing dient dazu, Systeme

nachvollziehbarer zu gestalten, während

Abbildung 1: Abstraktes Trace and äquivalentes PROB DECLARE Modell; Grafik: Lukas Freiseisen


31

kenntnisse gewinnen. Abbildung 1 zeigt

ein abstraktes Trace und ein äquivalentes

PROB DECLARE Modell. Die Auftrittswahrscheinlichkeit

jedes Constraints beträgt

hier 100 % und ist deswegen nicht

explizit angeführt.

NUTZEN

Nach einer von System zu System unterschiedlichen

„Aufwärmphase“ ergibt sich

eine Verteilung der Auftrittswahrscheinlichkeit

der ermittelten Constraints. Diese

Verteilung dient als Grundlage für die

Vorhersage des erwarteten Verhaltens im

Normalbetrieb. Während der Echtzeitüberwachung

können unerwartete Veränderungen

dieser Verteilung auf Anomalien

des Systemverhaltens hinweisen.

Stellen Sie sich ein Modell vor, das einen

Webshop abbildet, bei dem die Wahrscheinlichkeit

von Constraints im Zusammenhang

mit Produktkäufen plötzlich

steigt. Eine mögliche Ursache könnte

ein laufender Black Friday Sale sein. In

diesem Fall wurden im Vorfeld entsprechende

Berechnungen angestellt und

die Erwartungen können mit der Realität

verglichen werden. Eine andere Ursache

könnte aber sein, dass Scalper ein neues

Produkt aufkaufen, um es später zu einem

höheren Preis auf anderen Plattformen

weiterzuverkaufen. In diesem Szenario

ist es für den Webshop-Betreiber

unerlässlich, schnell zu handeln. Durch

rechtzeitiges Erkennen können die betroffenen

Verkäufe storniert und die

Scalper identifiziert werden. Bei benutzerorientierten

Systemen wie dem beschriebenen

Webshop lässt sich das Nutzerverhalten

analysieren. Dies ermöglicht

es, Fragen zur Dauer der Katalogsuche

oder zum tatsächlichen Kaufverhalten

zu beantworten. Darüber hinaus können

Fehler und Redundanzen in wichtigen

Systemabläufen identifiziert werden. Vor

Software-Updates können etwa Modelle

in einer Testumgebung vorberechnet

und nach dem Deployment mit dem tatsächlichen

Verhalten verglichen werden.

Im praktischen Teil meiner Masterarbeit

habe ich ein echtzeitfähiges System (Abbildung

2) entworfen und implementiert,

das als Open-Source-Projekt (MIT Lizenz)

frei zur Verfügung steht.

Abbildung 2: System-Architektur; Grafik: Lukas Freiseisen

Zum Projekt

Zur Masterarbeit

Lukas Freiseisen

ist wissenschaftlicher

Mitarbeiter am

Institute of Software

Systems Engineering

an der Johannes Kepler

Universität Linz. Dort erforscht er

im Rahmen eines Doktoratsstudiums

Möglichkeiten zur automatischen

Code-Generierung für die Tracing-Instrumentierung..

32 OCG Journal | 01 • 2026


Software anpassen ohne Quellcode

von Alexander Voglsperger

Maschinencode zur Laufzeit

verändern

Es ist ein Szenario, das wohl die meisten

kennen: Man spielt den Klassiker Snake.

Die Schlange wird länger und länger,

das Spiel von Frucht zu Frucht schwieriger

– und unvermeidlich folgt der Zusammenstoß

mit der Wand oder sich

selbst. Game Over. In diesem Moment

der Frustration keimt vielleicht der Gedanke

auf: Was wäre, wenn ich die Spielregeln

ändern könnte?

Was, wenn ich die Kollisionsabfragen einfach

deaktivieren könnte, um unsterblich

zu werden? Oder wenn das Einsammeln

einer Frucht nicht nur einen Punkt, sondern

gleich zehnt bringt? Was in der

Gaming-Szene als „Cheaten“ oder „Modding“

bekannt ist, beschreibt in der Informatik

eine der mächtigsten Techniken

Maschinencode-Instrumentierung.

der Systemprogrammierung: die Dynamische

Genau dieses „Hacken an der Basis“ war

der Kern meiner Präsentation für den

Adolf-Adam-Preis und das Thema „A

Generic Machine Code Instrumentation

Library“¹.

WENN DER QUELLCODE FEHLT

Hätten wir den Quellcode des Spiels vor

uns – etwa in einer lesbaren Sprache wie

Python oder Java – wäre die Änderung

trivial: return score + 1 wird zu return score

+ 10. Doch in der Realität, und besonders

bei performanter Software, liegt uns

meist kein Quellcode vor. Stattdessen blicken

wir auf kompilierten Binärcode.

Für den Computer sind das verständliche

1

https://epub.jku.at/obvulihs/content/titleinfo/12074964

Instruktionen aus Nullen und Einsen. Für

den Menschen eine „Black Box“ ohne verständliche

Logik. Um hier einzugreifen,

müssen wir zur Laufzeit, also während

das Spiel bereits läuft, das Gehirn des Programms

operieren, ohne den Patienten

zu töten.

DIE LUPE ANSETZEN

Um den Binärcode verständlich und manipulierbar

zu machen, benötigen wir

eine Art Lupe: einen Disassembler. Das

in der Arbeit verwendete Capstone Framework²

ermöglicht den Zahlenstrom

zurück in lesbare Assembler-Instruktionen

zu übersetzen. Erst dann kann man

die Stellen identifizieren, an denen man

ansetzen muss.

Das Ziel der Arbeit war die Entwicklung

einer generischen C++ Bibliothek, die

diesen komplexen Prozess zugänglicher

macht. Anstatt mühsam einzelne Bytes

zu modifizieren, bietet die Bibliothek eine

Schnittstelle, um sich in beliebige Funktionen

einzuklinken und zusätzlichen

Code (sogenannte „Hooks“) auszuführen.

Doch der Teufel steckt im Detail, oder

besser gesagt in der Architektur.

DAS TRAMPOLIN-PRINZIP

Wie leitet man eine laufende Funktion zu

eigenem Code um? Der Grundgedanke

ist relativ einfach, man fügt am Anfang

einen Sprungbefehl ein. Dieser Sprung

leitet den Programmfluss aus der eigentlichen

Funktion in ein sogenanntes

„Trampolin“ um.

Man kann sich dieses Trampolin wie eine

2

https://www.capstone-engine.org/

künstliche Umleitung auf einer Autobahn

vorstellen. Der Programmfluss wird

von seiner ursprünglichen Route abgeleitet

und auf einen separaten Bereich,

das Trampolin, geführt. Dort passiert ein

kontrollierter Boxenstopp, bei dem der

aktuelle Zustand des Prozessors (alle Register)

gesichert werden, damit nichts

durcheinandergebracht wird. Danach

wird der eigentliche Zusatzcode ausgeführt.

Anschließend wird der originale Zustand

wiederhergestellt und jene Befehle

nachgeholt, welche durch die Errichtung

der Umleitung – also des Sprungs – überschrieben

werden mussten. Letztendlich

leitet das Trampolin den Verkehr nahtlos

wieder zurück auf die Hauptstrecke, als

wäre nichts gewesen.

DER KAMPF MIT DEN BYTES

Was in der Theorie elegant klingt, gleicht

auf der x86-Architektur einem Minenfeld.

Im Gegensatz zu modernen RISC-Architekturen

haben Befehle hier eine unterschiedliche

Länge (1 bis 15 Bytes). Wenn

man für einen Sprung zum Trampolin 12

Bytes Platz benötigt, so darf man nicht

versehentlich mitten in einen anderen

Befehl schreiben. Die Bibliothek muss

also genau analysieren, wie viele verschoben

werden müssen, um einen sauberen

Platz zu schaffen.

Noch komplexer wird es, wenn relative

Adressierungen im Maschinencode aufkommen.

Denn viele Instruktionen sagen

im Grunde: „Lies den Wert, der 50 Bytes

hinter mir steht“. Verschiebt man so einen

Befehl in ein Trampolin, so zeigt dieser ins

Leere. Die Bibliothek erkennt automatisch

solche relativen Befehle und muss


33

Modifizerter_Programmablauf_für_eine_Funktion_foo_C_Alexander_Voglsperger.

diese „reparieren“, indem sie diese in eine

absolute Adressierung umschreibt. Für

die Generierung dieses neuen Maschinencodes

kommt AsmJit³ zum Einsatz.

VON SNAKE ZU DYNATRACE

Warum betreiben wir diesen immensen

Aufwand? Natürlich nicht nur, um bei

Spielen wie Snake zu schummeln. Die

gleichen Techniken, die einen Highscore

manipulieren können, werden in der Industrie

für essenzielle Aufgaben eingesetzt:

Sicherheitsanalysen, Hot-Patching

von Fehlern oder Application Performance

Monitoring.Für Unternehmen

wie Dynatrace⁴, in deren Umfeld diese

3.https://asmjit.com/

4.https://www.dynatrace.com/

Arbeit entstand, ist diese Technik lebenswichtig.

Sie ermöglicht es, tiefgreifende

Leistungsdaten aus Kundenanwendungen

zu sammeln (z. B. „Wie lange dauert

dieser Datenbankzugriff?“), ohne dass

der Kunde seinen Code ändern oder neu

kompilieren muss. Die entwickelte Bibliothek

liefert hierfür eine moderne, wartbare

Basis.

Der 3. Platz beim Adolf-Adam-Informatikpreis

ist für mich eine große Ehre. Er zeigt,

dass tiefe Systemprogrammierung nicht

trocken sein muss – und dass der Weg

vom „Cheater“ zum Software-Ingenieur

oft nur ein paar Bytes entfernt liegt.

Alexander

Vogelsperger

ist Absolvent der

JKU am Institut für

Systemsoftware. Das

Thema der Laufzeit-Manipulation

begleitet ihn auch

beruflich weiter: Aktuell arbeitet er bei

Dynatrace an der Instrumentierung

von Node.js-Applikationen für den

OneAgent.


Der Adolf-Adam-Informatikpreis wird seit 2011 für hervorragende Masterarbeiten am Fachbereich Informatik der Johannes Kepler

Universität Linz verliehen. Ziel des Preises ist es, die Leistungen der Linzer Informatik-AbsolventInnen einer breiten Öffentlichkeit

vorzustellen und im Rahmen einer Veranstaltung durch Schüler*innen aus Oberösterreich prämieren zu lassen.

Der Preis ist benannt nach Adolf Adam, einem österreichischen Statistiker und Informatiker, der wesentlich zur Etablierung der

Informatik als Studienrichtung in Linz beigetragen hat.

34 OCG Journal | 01 • 2026

Projekt: Sicher im Digitalen

Ein Projekt zur digitalen Sicherheit von Jugendlichen

von Corinna Hörmann und Eva Schmidthaler

Sicher im Digitalen: Starke

Mädchen. Starke Zukunft.

Mit der Initiative „Sicher im Digitalen:

Starke Mädchen. Starke Zukunft.“ wurde

ein Bildungs- und Forschungsprojekt

zur digitalen Sicherheit von Jugendlichen

im COOL Lab der Johannes Kepler

Universität umgesetzt. Ziel war es, Schülerinnen

im Alter von 11 bis 18 Jahren für

Risiken wie manipulierte, KI-generierte

Bilder, Videos und Sprachaufnahmen zu

sensibilisieren und ihnen Wissen sowie

Handlungskompetenzen zum Schutz

im digitalen Raum zu vermitteln. Das

Projekt wurde durch das Bundesministerium

für Frauen, Wissenschaft und

Forschung (BMFWF) gefördert und setzte

auf eine Kombination aus Workshops,

Online-Angeboten und umfangreichen

Unterrichtsmaterialien.

Der Projekttitel legt einen besonderen

Fokus auf die Stärkung von Mädchen, da

sie im Bereich digitaler Gewalt, Bildmanipulation

und Online-Belästigung nach

wie vor überproportional betroffen sind.

Gleichzeitig wurden die Projektangebote

bewusst geschlechterinklusiv umgesetzt

und richteten sich an alle Jugendlichen.

Ziel war es, Sicherheit und Resilienz insgesamt

zu stärken und unterschiedliche

Perspektiven im Umgang mit digitalen

Risiken mitzudenken.

WORKSHOPS FÜR SCHÜLER*IN-

NEN DER 9. UND 10. SCHUL-

STUFE

Im Zentrum des Projekts standen zwei

jeweils 2,5-stündige Workshops für Schüler*innen

der 9. und 10. Schulstufe. Der

Workshop „Mit KI und Köpfchen“ thematisierte

den Umgang mit Fake News

sowie KI-generierten Inhalten und setzte

sich mit Fragen der Glaubwürdigkeit

und Quellenbewertung auseinander. Im

Workshop „Meine Rechte im Internet“

standen Cyberkriminalität und Cybermobbing

im Fokus, ergänzt um rechtliche

Grundlagen und Handlungsmöglichkeiten

für Betroffene. Beide Workshops

wurden insgesamt nahezu 40-mal mit

unterschiedlichen Schulklassen durchgeführt.

Damit konnten über 750 Schüler*innen

direkt erreicht werden.

FORTBILDUNG VON MULTIPLI-

KATOR*INNEN

Neben der Arbeit mit Schüler*innen war

es ein zentrales Anliegen des Projekts,

auch Schülerinnnen und Lehrpersonal

als Multiplikator*innen gezielt weiterzubilden.

Zu diesem Zweck wurden mehrere

Fortbildungsformate entwickelt und

umgesetzt. Insgesamt fanden zehn Lehrer*innen-Fortbildungen

statt, in denen

256 (angehende) Lehrpersonen geschult

wurden. Ergänzend dazu wurden Einzel-

und Gruppen-Coachings für Lehrpersonen

angeboten und ein Selbstlernkurs

auf Moodle entwickelt.

PEER-LEARNING DURCH DAS

„DIGITAL HEROES“-PROGRAMM

Ein weiterer Projektbestandteil war die

Umsetzung von Peer-Learning-Ansätzen,

insbesondere durch das „Digital

Heroes“-Mentoring-Programm. In zwei

Durchgängen nahmen insgesamt über

40 Schüler*innen teil. Die Teilnehmenden

entwickelten eigenständig Unterrichtseinheiten

zu digitalen Sicherheitsthemen

und setzten diese anschließend

in ihren eigenen Klassen um. Ziel war es,

Inhalte auf Augenhöhe zu vermitteln und

Mitschüler*innen aktiv in Lernprozesse

einzubeziehen.

NACHHALTIGE MATERIALIEN

FÜR DEN UNTERRICHT

Auch über die Projektlaufzeit hinaus

sollen die erarbeiteten Inhalte nutzbar

bleiben. Zu diesem Zweck wurden Unterrichtsmaterialien

(Self Study Course

und Booklet) entwickelt, die von Lehrpersonen

eigenständig eingesetzt werden

können. Die Materialien sind bewusst fächerübergreifend

angelegt und eignen

sich neben der Informatik unter anderem

auch für Digitale Grundbildung, Politische

Bildung, Soziales Lernen oder Ethik.

Ergänzend dazu wurden Micro-Learning-Einheiten

in Form von Fact-Sheets

veröffentlicht. Diese bieten kompakte

Einstiege in einzelne Themen, eignen

sich zur Vorbereitung von Unterrichtseinheiten

in der Sekundarstufe oder als ergänzendes

Material für zu Hause.

AUSBLICK: NEUE PROJEKTE IN

VORBEREITUNG

„Sicher im Digitalen: Starke Mädchen.

Starke Zukunft.“ konnte zeigen, wie wir-


35

kungsvoll die Kombination aus Workshops,

Fortbildung und Peer-Learning im

Bereich digitaler Bildung sein kann. Die

entwickelten Materialien und Konzepte

bilden eine tragfähige Grundlage für zukünftige

Bildungsangebote und Projekte.

Aktuell befinden sich drei weitere Projekte

in Vorbereitung im JKU COOL Lab.

Besonders hervorzuheben ist das Projekt

„Decoded“, das sich mit Social-Media-Algorithmen

und deren Einfluss auf das

Selbstbild von Jugendlichen auseinandersetzt.

Fact-Sheets:

Unterrichtspakete

Grafik: JKU COOL Lab

Selbstlernkurs für Lehrende:

Corinna Hörmann

ist Assistenzprofessorin

für Informatikdidaktik

an der

Universität Salzburg.

Sie beschäftigt sich

mit der Vermittlung informatischen

Denkens und der Gestaltung wirksamer

Informatiklehre.

Eva Schmidthaler

leitet das JKU COOL

Lab der School of

Education an der

Johannes Kepler

Universität Linz. Ihre

Forschungsschwerpunkte liegen in

der digitalen Bildung, den Naturwissenschaften

sowie im Einsatz

von Bildungstechnologien von der

Primar- bis zur Sekundarstufe in MINT.

36 OCG Journal | 01 • 2026

Informatikdidaktik

Ein persönlicher Blick auf Lehre, Lernen und Informatik

von Corinna Hörmann

Was Informatikdidaktik

nicht ist

Wussten Sie, dass man mit einer Karotte

Programmieren genauso gut unterrichten

kann wie mit einer Banane? In

meinen frühen Workshops baute ich

mit Schüler*innen gerne das bekannte

MakeyMakey-Bananenklavier. Makey-

Makey ist ein kleiner Controller, der über

Krokodilklemmen mit leitfähigen Materialien

verbunden wird. Dass die Bananen

in meinem Rucksack nicht lange

überleben würden, hätte ich mir denken

können.

So wurde der Workshop weiterentwickelt

und ich kam zu dem Entschluss, dass Karotten

dem Zweck genauso gut dienten

und dabei wesentlich robuster waren. Ein

großer Pluspunkt der „verbrauchten“ Karotten

zeigte sich anschließend ebenfalls:

Die Hühner meiner Schwiegermutter

hatten noch große Freude an dem durch

viele Kinderhände gegangenen Gemüse!

Didaktisch relevant war aber nicht, was

angeschlossen wurde, sondern was Lernende

dabei verstanden. Die Auseinandersetzung

mit Schaltkreisen, Eingaben

und Programmabläufen blieb gleich –

egal, ob Banane oder Karotte verwendet

wurde.

INFORMATIKDIDAKTIK IST NICHT

DAS VERWALTEN VON SOFT-

WARE

„In der Schule macht man eh nur Word,

Excel und PowerPoint. Was muss man

dabei schon können?“ Diese Aussage

höre ich oft genug. Nein, ich forsche nicht

daran, ob Schüler*innen fünf verschiedene

Überschriften formatieren können. Ob

Lernende mit einer bestimmten Umgebung,

einer Lernplattform oder einem KI-

Tool arbeiten, ist selten der entscheidende

Faktor. Entscheidend ist, was sie dabei

verstehen – und was nicht.

Gute Informatikdidaktik zeigt sich oft

gerade dort, wo die Technik in den Hintergrund

tritt und Denkprozesse sichtbar

werden.


PROGRAMMIERSPRACHEN-

FETISCH

Ob mit Java, Python oder einer ganz anderen

Sprache gearbeitet wird, ist selten

die entscheidende didaktische Frage.

Programmiersprachen kommen

und gehen, informatische

Denkweisen bleiben.

Informatikdidaktik interessiert sich daher

weniger für Syntax als für Konzepte – unabhängig

davon, in welcher Sprache diese

umgesetzt werden.

Bananenklavier; Foto: JKU COOL Lab

Workshop, Foto: Corinna Hörmann


37


VEREINFACHUNG

Informatikdidaktik bedeutet nicht, Inhalte

„leichter“ zu machen oder Komplexität

zu vermeiden. Informatik lebt von Abstraktion,

Modellen und präzisem Denken.

Meine didaktische Arbeit besteht daher

nicht darin, schwierige Inhalte zu umgehen,

sondern darin, Lernende dabei zu

unterstützen, mit dieser Komplexität umzugehen.

WAS IST ALSO INFORMATIK-

DIDAKTIK?

Für mich ist sie die systematische Auseinandersetzung

mit der Frage, wie

informatisches Denken überhaupt entsteht:

Wie lernen Menschen, Probleme

zu strukturieren? Wie bauen sie mentale

Modelle von Algorithmen, Daten oder

Systemen auf? Und warum scheitern

manche Lernprozesse trotz guter Inhalte

und engagierter Lehrender?

Mit meiner Assistenzprofessur für Informatikdidaktik

an der Universität Salzburg

beschäftige ich mich genau mit diesen

Fragen - an der Schnittstelle zwischen Informatik,

Bildung und Praxis. Dabei geht

es nicht nur um Schule oder Hochschule,

sondern um Informatikbildung entlang

der gesamten Ausbildungskette.

Gute Informatikdidaktik fällt oft erst dann

auf, wenn sie fehlt: Wenn Menschen mit

Hilfe von künstlicher Intelligenz Code erzeugen

können, aber nicht erklären können,

warum er funktioniert. Oder wenn

neue Technologien eingeführt werden,

ohne dass sich das Verständnis vertieft.

Genau hier setzt meine Arbeit an – auch

wenn es manchmal nur darum geht, eine

Karotte statt einer Banane zu wählen.

Corinna Hörmann

ist Assistenzprofessorin

für Informatikdidaktik

an der

Universität Salzburg.

Sie beschäftigt sich

mit der Vermittlung informatischen

Denkens und der Gestaltung wirksamer

Informatiklehre.

Workshop; Foto: Kinderuni OÖ

Workshop; Foto: Corinna Hörmann

38 OCG Journal | 01 • 2026

Intern

Veranstaltungen

All Digital Weeks

Enhance your digital skills

09. - 25. März 2026, online

Public Lecture Series

AI in Science and Engeneering

16. - 24. März 2026, Wien und online

CreenComp in der Praxis

ComeThinkAgain Fortbildungg

07. April - 19. Mai 2026, Graz und online

RiE 2026

International Conference on Robotics in Education

15. - 17. April 2026, Wolfenbüttel, Deutschland

dHealth 2026

Health Informatics meets Digital Health

12. Mai 2026, Wien

EGOI 2026

European Girls´Olympiad in Informatics

12. - 18. Mai 2026, Cesenatico, Italien

ACSD 2026

Austrian Computer Science Day

01. Juni 2026, Wien

ICCHP 2026

20th International Conference on Computers Helping

People with Special Needs

15. - 17. Juli 2026, Brno, Tschechien

IOI 2026

International Olympiad in Informatics

09. - 16. August 2026, Tashkent, Uzbekistan

15th DACH+ Conference on Energy Informatics

Energy Informatics Conference

21. - 23. September 2026, Linz

OCG Impulse Linz

13. Oktober 2026, Linz

OCG Impulse Graz

22. Oktober 2026, Graz

OCG Impulse Wien

12. November 2026, Wien

Schriftenreihe

BürokratieabBAU. Modellregionen als innovative &

nachhaltige Lösung

Hg. von Laura Gabriele, Markus Jakob, Robert Müller-Török,

Christoph Schuhknecht, Jürgen Wunderlich

Band 347,

ISBN 978-3-903035-36-2

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: DI Wilfried Seyruck

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

OCG

CERTIFICATION

ISO/IEC 27001

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.

Informationen:

Österreichische Computer Gesellschaft • 1010 Wien • Wollzeile 1

istock

OCG Journal 01 26: IT-Nachwuchs in Österreich 2026

Verwandeln Sie Ihre PDFs in ePaper und steigern Sie Ihre Umsätze!

Template löschen?

Als Template speichern ?