Memory Bias for Anxiety Prior to Academic Achievement Situations: Influences of Time, Mood, Personality and Post-Event-Processing

The current thesis examines memory bias for state anxiety prior to academic achievement situations like writing an exam and giving a speech. The thesis relies on the reconstruction principle, which assumes that memories for past emotions are reconstructed rather than stored permanently and accurately. This makes them prone to memory bias, which is af-fected by several influencing factors. A major aim is to include four important influencing factors simultaneously. Early research on mood and emotional autobiographical memory found evidence for the existence of a propositional associative network (Bower, 1981; Col-lins & Loftus, 1975), leading to mood congruent recall. But empirical findings gave also strong evidence for the existence of mood incongruent recall for one’s own emotions, which was for example linked to mood regulation via mood repair (e.g. Clark & Isen, 1982), which seems to be associated to the personality traits extraversion and neuroticism (Lischetzke & Eid, 2006; Ng & Diener, 2009). Moreover, neuroticism and trait anxiety are related to rumination, which is seen as negative post-event-processing (e.g. Wells & Clark, 1997). Overall, the elapsed time since the emotional event happened should have an impact on recall of emotions. Following the affect infusion model by Robinson and Clore (2002a), the influence of personality on memory bias should increase over time. Therefore, three longitudinal studies were realized, using naturally occurring as well as laboratory settings. The used paradigm was equivalent in all studies. Subjects were asked about their actual state anxiety prior to an academic achievement situation. Directly after the situation, cur-rent mood and recall of former anxiety were assessed. The same procedure was repeated a few weeks later. Personality traits and post-event-processing were also assessed. The results suggest a need to have a differentiated view on predicting memory bias. Study 1 (N = 131) as well as study 3 (N = 53) found evidence for mood incongruent memory in the sense of mood repair and downward regulation as a function of personality. Rumination was found to cause stable overestimation of pre-event anxiety in study 2 (N = 141) as well as in study 3. Although the relevance of the influencing factors changed over time, an increasing relevance of personality could not consistently be observed. The tremendously different effects of the laboratory study 2 indicated that such settings are not appropriate to study current issues. Theoretical and psychotherapeutically relevant conclusions are drawn and several limitations are discussed.

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.