Wild food trees in Eastern Nuba Mountains, Sudan: Use diversity and threatening factors

This study was conducted in 2010 in Eastern Nuba Mountains, Sudan to investigate ethnobotanical food and non-food uses of 16 wild edible fruit producing trees. Quantitative and qualitative information was collected from 105 individuals distributed in 7 villages using a semi-structured questionnaire. Also gathering of data was done using a number of rapid rural appraisal techniques, including key informant interviews, group discussion, secondary data sources and direct observations. Data was analysed using fidelity level and informant consensus factor methods to reveal the cultural importance of species and use category. Utilizations for timber products were found of most community importance than food usages, especially during cultivated food abundance. Balanites aegyptiaca, Ziziphus spina-christi and Tamarindus indica fruits were asserted as most preferable over the others and of high marketability in most of the study sites. Harvesting for timber-based utilizations in addition to agricultural expansion and overgrazing were the principal threats to wild edible food producing trees in the area. The on and off prevailing armed conflict in the area make it crucial to conserve wild food trees which usually play a more significant role in securing food supply during emergency times, especially in times of famine and wars. Increasing the awareness of population on importance of wild food trees and securing alternative income sources, other than wood products, is necessary in any rural development programme aiming at securing food and sustaining its resources in the area.

Assessing the users’ need for a spatial decision support system of smallholder farming in Kenya

Accurate data of the natural conditions and agricultural systems with a good spatial resolution are a key factor to tackle food insecurity in developing countries. A broad variety of approaches exists to achieve precise data and information about agriculture. One system, especially developed for smallholder agriculture in East Africa, is the Farm Management Handbook of Kenya. It was first published in 1982/83 and fully revised in 2012, now containing 7 volumes. The handbooks contain detailed information on climate, soils, suitable crops and soil care based on scientific research results of the last 30 years. The density of facts leads to time consuming extraction of all necessary information. In this study we analyse the user needs and necessary components of a system for decision support for smallholder farming in Kenya based on a geographical information system (GIS). Required data sources were identified, as well as essential functions of the system. We analysed the results of our survey conducted in 2012 and early 2013 among agricultural officers. The monitoring of user needs and the problem of non-adaptability of an agricultural information system on the level of extension officers in Kenya are the central objectives. The outcomes of the survey suggest the establishment of a decision support tool based on already available open source GIS components. The system should include functionalities to show general information for a specific location and should provide precise recommendations about suitable crops and management options to support agricultural guidance on farm level.

Multi-Scale Governance of Sustainable Natural Resource Use—Challenges and Opportunities for Monitoring and Institutional Development at the National and Global Level

In a globalized economy, the use of natural resources is determined by the demand of modern production and consumption systems, and by infrastructure development. Sustainable natural resource use will require good governance and management based on sound scientific information, data and indicators. There is a rich literature on natural resource management, yet the national and global scale and macro-economic policy making has been underrepresented. We provide an overview of the scholarly literature on multi-scale governance of natural resources, focusing on the information required by relevant actors from local to global scale. Global natural resource use is largely determined by national, regional, and local policies. We observe that in recent decades, the development of public policies of natural resource use has been fostered by an “inspiration cycle” between the research, policy and statistics community, fostering social learning. Effective natural resource policies require adequate monitoring tools, in particular indicators for the use of materials, energy, land, and water as well as waste and GHG emissions of national economies. We summarize the state-of-the-art of the application of accounting methods and data sources for national material flow accounts and indicators, including territorial and product-life-cycle based approaches. We show how accounts on natural resource use can inform the Sustainable Development Goals (SDGs) and argue that information on natural resource use, and in particular footprint indicators, will be indispensable for a consistent implementation of the SDGs. We recognize that improving the knowledge base for global natural resource use will require further institutional development including at national and international levels, for which we outline options.

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.