Mobiles Lernen

In ihrer Arbeit "Mobiles Lernen. Analyse des Wissenschaftsprozesses der britischen und deutschsprachigen medienpädagogischen und erziehungswissenschaftlichen Mobile-Learning-Diskussion." zeichnet Judith Seipold die Phasen und Entwicklungslinien der bisherigen und naturwüchsigen Diskussion um das Mobile Lernen nach. Dabei eröffnet sie mit ihrer Analyse des vornehmlich britischen Wissenschaftsprozesses des Mobilen Lernens ab Beginn des 21. Jahrhunderts den Blick auf die Struktur der medienpädagogischen und erziehungswissenschaftlichen Mobile-Learning-Diskussion, auf deren Kontexte, Bezugspunkte, Perspektiven und theoretische Schwerpunkte, aber auch Erfolge und Problembereiche in der praktischen Umsetzung des Lernens mit Mobiltechnologien in formalisierten Lernkontexten wie dem des Schulunterrichts. Auf diese Weise liefert die Autorin eine Systematik, die nicht nur die britische Diskussion für die deutschsprachige Medienpädagogik verfügbar macht, sondern auch eine neue und systematisch begründete Reflexionsebene für eine aktuelle medienpädagogische Entwicklung – das Mobile Lernen – bildet. Zunächst widmet sich die Autorin der Analyse des Wissenschaftsprozesses der bisherigen britischen und teils auch der deutschsprachigen Mobile-Learning-Diskussion. Um diesen Prozess in seiner Struktur greifbar zu machen, skizziert sie die Bezugsdisziplinen, aus denen die medienpädagogische und erziehungswissenschaftliche Mobile-Learning-Forschung schöpft, arbeitet die Legitimationsbasis auf, auf die sich Mobiles Lernen stützt, zeichnet die historische Entwicklung der Diskussion nach, die sowohl Alltagsnutzung von Mobiltechnologien als auch den Fachdiskurs einschließt, und erläutert innerhalb ihres Modells der Phasen und Entwicklungslinien Mobilen Lernens Theorien, Konzepte und Modelle, die in der Mobile-Learning-Community als zentral für Analyse und Planung Mobilen Lernens erachtet werden. Konzepte und Modelle, die in der Mobile-Learning-Diskussion die Rolle der Lernenden in das Zentrum der Betrachtungen rücken und eine explizite Handlungsorientierung unterstützen, sind Kernbereich des theoriebasierten Teils der Arbeit. Überlegungen zu einer „Sozio-kulturellen Ökologie Mobilen Lernens“, zu „user-generated contexts“ und zu einer „kulturökologisch informierten Didaktik des Mobilen Lernens“ sind dabei sowohl reflektierende Einordnung aktueller Konzepte und Modelle als auch theoretische und konzeptionelle Basis für die praktische Umsetzung Mobilen Lernens. Um die Rolle der Handlungskompetenzen, kulturellen Praktiken und Strukturen der Lerner bei der Nutzung von Mobiltechnologien für Lernen analytisch zu fassen, finden im Praxis-Kapitel Planungs- und Analyseschemata unter Rückgriff auf Beispiele aus der Praxisforschung und der Implementierung mobilen Lernens in den Schulunterricht Anwendung. Ihre Erörterungen rahmt die Autorin abschließend kritisch und weist zum einen auf bildungspolitische, strukturelle und handlungspraktische Implikationen hin, die sich aus der Mobile-Learning-Diskussion ergeben; zum anderen lenkt sie das Augenmerk auf Gegensätze und Dialektiken des Mobilen Lernens, die sich im Spannungsfeld zwischen alltäglicher mobiler Mediennutzung und der teils theoretisch informierten schulischen Verwendung von Mobiltechnologien zum Lernen entfalten. Sie gilt es, im weiteren Verlauf der Diskussion zu hinterfragen und aufzulösen.

"Strictly models and objects first" - Unterrichtskonzept und -methodik für objektorientierte Modellierung im Informatikunterricht

Objektorientierte Modellierung (OOM) im Unterricht ist immer noch ein breit diskutiertes Thema - in der Didaktik akzeptiert und gewünscht, von der Praxis oft als unnötiger Overhead oder als schlicht zu komplex empfunden. Ich werde in dieser Arbeit zeigen, wie ein Unterrichtskonzept aufgebaut sein kann, das die lerntheoretischen Vorteile der OOM nutzt und dabei die berichteten Schwierigkeiten größtenteils vermeidet. Ausgehend von den in der Literatur dokumentierten Konzepten zur OOM und ihren Kritikpunkten habe ich ein Unterrichtskonzept entwickelt, das aus Erkenntnissen der Lernpsychologie, allgemeiner Didaktik, Fachdidaktik und auch der Softwaretechnik Unterrichtsmethoden herleitet, um den berichteten Schwierigkeiten wie z.B. dem "Lernen auf Vorrat" zu begegnen. Mein Konzept folgt vier Leitideen: models first, strictly objects first, Nachvollziehbarkeit und Ausführbarkeit. Die strikte Umsetzung dieser Ideen führte zu einem Unterrichtskonzept, das einerseits von Beginn an das Ziel der Modellierung berücksichtigt und oft von der dynamischen Sicht des Problems ausgeht. Da es weitgehend auf der grafischen Modellierungsebene verbleibt, werden viele Probleme eines Programmierkurses vermieden und dennoch entstehen als Ergebnis der Modellierung ausführbare Programme.

Adaptive Real-time Anomaly-based Intrusion Detection using Data Mining and Machine Learning Techniques

Die zunehmende Vernetzung der Informations- und Kommunikationssysteme führt zu einer weiteren Erhöhung der Komplexität und damit auch zu einer weiteren Zunahme von Sicherheitslücken. Klassische Schutzmechanismen wie Firewall-Systeme und Anti-Malware-Lösungen bieten schon lange keinen Schutz mehr vor Eindringversuchen in IT-Infrastrukturen. Als ein sehr wirkungsvolles Instrument zum Schutz gegenüber Cyber-Attacken haben sich hierbei die Intrusion Detection Systeme (IDS) etabliert. Solche Systeme sammeln und analysieren Informationen von Netzwerkkomponenten und Rechnern, um ungewöhnliches Verhalten und Sicherheitsverletzungen automatisiert festzustellen. Während signatur-basierte Ansätze nur bereits bekannte Angriffsmuster detektieren können, sind anomalie-basierte IDS auch in der Lage, neue bisher unbekannte Angriffe (Zero-Day-Attacks) frühzeitig zu erkennen. Das Kernproblem von Intrusion Detection Systeme besteht jedoch in der optimalen Verarbeitung der gewaltigen Netzdaten und der Entwicklung eines in Echtzeit arbeitenden adaptiven Erkennungsmodells. Um diese Herausforderungen lösen zu können, stellt diese Dissertation ein Framework bereit, das aus zwei Hauptteilen besteht. Der erste Teil, OptiFilter genannt, verwendet ein dynamisches "Queuing Concept", um die zahlreich anfallenden Netzdaten weiter zu verarbeiten, baut fortlaufend Netzverbindungen auf, und exportiert strukturierte Input-Daten für das IDS. Den zweiten Teil stellt ein adaptiver Klassifikator dar, der ein Klassifikator-Modell basierend auf "Enhanced Growing Hierarchical Self Organizing Map" (EGHSOM), ein Modell für Netzwerk Normalzustand (NNB) und ein "Update Model" umfasst. In dem OptiFilter werden Tcpdump und SNMP traps benutzt, um die Netzwerkpakete und Hostereignisse fortlaufend zu aggregieren. Diese aggregierten Netzwerkpackete und Hostereignisse werden weiter analysiert und in Verbindungsvektoren umgewandelt. Zur Verbesserung der Erkennungsrate des adaptiven Klassifikators wird das künstliche neuronale Netz GHSOM intensiv untersucht und wesentlich weiterentwickelt. In dieser Dissertation werden unterschiedliche Ansätze vorgeschlagen und diskutiert. So wird eine classification-confidence margin threshold definiert, um die unbekannten bösartigen Verbindungen aufzudecken, die Stabilität der Wachstumstopologie durch neuartige Ansätze für die Initialisierung der Gewichtvektoren und durch die Stärkung der Winner Neuronen erhöht, und ein selbst-adaptives Verfahren eingeführt, um das Modell ständig aktualisieren zu können. Darüber hinaus besteht die Hauptaufgabe des NNB-Modells in der weiteren Untersuchung der erkannten unbekannten Verbindungen von der EGHSOM und der Überprüfung, ob sie normal sind. Jedoch, ändern sich die Netzverkehrsdaten wegen des Concept drif Phänomens ständig, was in Echtzeit zur Erzeugung nicht stationärer Netzdaten führt. Dieses Phänomen wird von dem Update-Modell besser kontrolliert. Das EGHSOM-Modell kann die neuen Anomalien effektiv erkennen und das NNB-Model passt die Änderungen in Netzdaten optimal an. Bei den experimentellen Untersuchungen hat das Framework erfolgversprechende Ergebnisse gezeigt. Im ersten Experiment wurde das Framework in Offline-Betriebsmodus evaluiert. Der OptiFilter wurde mit offline-, synthetischen- und realistischen Daten ausgewertet. Der adaptive Klassifikator wurde mit dem 10-Fold Cross Validation Verfahren evaluiert, um dessen Genauigkeit abzuschätzen. Im zweiten Experiment wurde das Framework auf einer 1 bis 10 GB Netzwerkstrecke installiert und im Online-Betriebsmodus in Echtzeit ausgewertet. Der OptiFilter hat erfolgreich die gewaltige Menge von Netzdaten in die strukturierten Verbindungsvektoren umgewandelt und der adaptive Klassifikator hat sie präzise klassifiziert. Die Vergleichsstudie zwischen dem entwickelten Framework und anderen bekannten IDS-Ansätzen zeigt, dass der vorgeschlagene IDSFramework alle anderen Ansätze übertrifft. Dies lässt sich auf folgende Kernpunkte zurückführen: Bearbeitung der gesammelten Netzdaten, Erreichung der besten Performanz (wie die Gesamtgenauigkeit), Detektieren unbekannter Verbindungen und Entwicklung des in Echtzeit arbeitenden Erkennungsmodells von Eindringversuchen.