Self-energy corrections in heavy muonic atoms

Self-energy corrections for ls_1/2 levels of heavy muonic atoms are calculated to all orders in the external field using numerical techniques to evaluate the bound-muon propagator. The resulting values of the selfenergy are about 10% larger than previous estimates.

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.

Adsorption kinetic investigations of phthalocyanine derivatives self assembled monolayers (SAMs) on gold: Temperature influence on the SAM formation process and quality

The ordered nano-structured surfaces, like self-assembled monolayers (SAMs) are of a great scientific interest, due to the low cost, simplicity, and versatility of this method. SAMs found numerous of applications in molecular electronics, biochemistry and optical devices. Phthalocyanine (Pc) complexes are of particular interest for the SAM preparation. These molecules exhibit fascinating physical properties and are chemically and thermally stable. Moreover their complex structure is advantageous for the fabrication of switchable surfaces. In this work the adsorption process of Pcs derivatives, namely, subphthalocyanines (SubPcB) and terbium (2TbPc) sandwich complexes on gold has been investigated. The influence of the molecular concentration, chain length of peripheral groups, and temperature on the film formation process has been examined using a number of techniques. The SAMs formation process has been followed in situ and in real time by means of second harmonic generation (SHG) and surface plasmon resonance (SPR) spectroscopy. To investigate the quality of the SAMs prepared at different temperatures atomic force microscopy (AFM) and X-Ray photoelectron spectroscopy (XPS)measurements were performed. Valuable information about SubPcB and 2TbPc adsorbtion process has been obtained in the frame of this work. The kinetic data, obtained with SHG and SPR, shows the best conformance with the first order Langmuir kinetic model. Comparing SHG and SPR results, it has been found, that the film formation occurs faster than the formation of chemical bonds. Such, the maximum amount of molecules on the surface is reached after 6 min for SubPcB and 30 min for 2TbPc. However, at this time the amount of formed chemicals bonds is only 10% and 40% for SubPcB and 2TbPc, respectively. The most intriguing result, among others, was obtained at T = 2 °C, where the formation of the less dense SAMs have been detected with SHG.However, analyzing XPS and AFM data, it has been revealed, that there is the same amount of molecules on the surface at both temperature T = 2 °C, and T = 21 °C, but the amount of formed chemicals bond is different. At T = 2 °C molecules form aggregates, therefore many of available anchor groups stay unattached.