Automatische Erkennung und Messung von IT-Sicherheitsaufwänden

Inhaltsverzeichnis

• 1. Einleitung
  • 1.1. Motivation
  • 1.2. Ziele und Nutzen
  • 1.3. Struktur der Arbeit
• 2. Grundlagen
  • 2.1. Grundlagen zur IT-Sicherheit
    • 2.1.1. Definition der IT-Sicherheit
    • 2.1.2. Schwachstellen in der IT-Sicherheit
    • 2.1.3. Schwachstellendatenbanken
  • 2.2. Grundlagen zu Open Source Software und SourceForge
    • 2.2.1. Definition der Open Source Software
    • 2.2.2. SourceForge als Open Source Plattform
    • 2.2.3. Bugtracker
    • 2.2.4. Artefakt
  • 2.3. Grundlagen des maschinellen Lernens
    • 2.3.1. Einführung
    • 2.3.2. Die Datenpräparation als Vorstufe des maschinellen Lernens
    • 2.3.3. Algorithmen zur Textklassifizierung
    • 2.3.4. Ensembles und Stacking
    • 2.3.5. Evaluierung der Ergebnisse
• 3. Aktuelle Forschung
  • 3.1. Übersicht der Herangehensweisen der aktuellen Forschung
  • 3.2. Analytische Methoden zur Erkennung von IT-Schwachstellen
    • 3.2.1. Mathematische Modelle
    • 3.2.2. Automatische Methoden
  • 3.3. Empirische Untersuchung von Aufwänden in der IT-Sicherheit
  • 3.4. Diskussion der analytischen und empirischen Untersuchungen zur IT-Sicherheit
• 4. Patternbasierende Selektion und manuelle Klassifizierung von Artefakten
  • 4.1. Datensammlung und Verarbeitung
  • 4.2. Patternbasierende Selektion von Artefakten
  • 4.3. Manuelle Klassifizierung von Sicherheitsschwachstellen
  • 4.4. Analyse und Ergebnisse der manuellen Klassifizierung
  • 4.5. Erfahrungen der manuellen Klassifizierung
  • 4.6. Diskussion der Ergebnisse
• 5. Maschinelles Lernen
  • 5.1. Problemstellung und Lösungsansätze
  • 5.2. Datenpräparation
    • 5.2.1. Erkennen von Codeartefakten
    • 5.2.2. Generierung von Tokens
    • 5.2.3. Metadaten Tokens
  • 5.3. Durchführung und Ergebnisse des maschinellen Lernens
    • 5.3.1. Wahl des optimalen k für k-NN
    • 5.3.2. Veränderung der Accuracy durch Metadaten im maschinellen Lernen
    • 5.3.3. Evaluierung der Tokenqualität
    • 5.3.4. Evaluierung der Qualität der Algorithmen
  • 5.4. Ensembles und Stacking
  • 5.5. Validierung der Ergebnisse
    • 5.5.1. Validierung auf den restlichen Artefakten der Datenbank
    • 5.5.2. Validierung auf neuen Artefakten
  • 5.6. Diskussion der Ergebnisse
• 6. Exemplarische statistische Untersuchung von ökonomischen Zusammenhängen
  • 6.1. Problemstellung der statistischen Untersuchung
  • 6.2. Forschungshypothesen und Modellerstellung
  • 6.3. Statistische Auswertung des Modells
  • 6.4. Einflussfaktoren von Security Bugs, Security Feature Request und Security Diskussionen
  • 6.5. Diskussion der statistischen Ergebnisse

Zielsetzung und Themenschwerpunkte

Die vorliegende Bachelorthesis befasst sich mit der automatischen Erkennung und Messung von IT-Sicherheitsaufwänden im Kontext der Open-Source-Softwareentwicklung. Das Ziel ist es, einen Ansatz zu entwickeln, der die Identifizierung von Sicherheitsbedrohungen in Bug-Tracking-Systemen automatisiert, um die Auswirkungen der IT-Sicherheit auf die Entwicklung von Open-Source-Projekten besser zu verstehen.

• Automatische Erkennung von Sicherheitsbedrohungen in Bug-Tracking-Systemen
• Quantifizierung der Auswirkungen von IT-Sicherheit auf die Open-Source-Softwareentwicklung
• Einsatz von Machine-Learning-Techniken für die Analyse von Bug-Tracking-Daten
• Untersuchung des Einflusses von IT-Sicherheitsaspekten auf die Entwicklungsphasen von Open-Source-Projekten
• Statistische Analyse der ökonomischen Zusammenhänge im Kontext von IT-Sicherheitsbedrohungen

Zusammenfassung der Kapitel

Kapitel 1 führt in die Thematik der automatischen Erkennung und Messung von IT-Sicherheitsaufwänden ein, erläutert die Motivation und Ziele der Arbeit sowie die Struktur der Arbeit.

Kapitel 2 legt die theoretischen Grundlagen für die Arbeit. Es werden die Grundbegriffe der IT-Sicherheit, Open-Source-Software und SourceForge sowie die Grundlagen des maschinellen Lernens erläutert.

Kapitel 3 analysiert den Stand der Forschung im Bereich der Erkennung von IT-Schwachstellen und der empirischen Untersuchung von Aufwänden in der IT-Sicherheit.

Kapitel 4 beschreibt die angewandte Methode der patternbasierten Selektion und manuellen Klassifizierung von Artefakten. Die Datensammlung, die Verarbeitung der Daten und die manuelle Klassifizierung von Sicherheitsbedrohungen werden erläutert.

Kapitel 5 behandelt den Einsatz des maschinellen Lernens zur automatischen Klassifizierung von Sicherheitsbedrohungen. Es werden die Datenpräparation, die Durchführung des maschinellen Lernens und die Validierung der Ergebnisse diskutiert.

Kapitel 6 untersucht exemplarisch die ökonomischen Zusammenhänge im Kontext von IT-Sicherheitsbedrohungen. Die statistische Untersuchung des Einflusses von Sicherheitsaspekten auf die Entwicklungsphasen von Open-Source-Projekten wird vorgestellt.

Schlüsselwörter

IT-Sicherheit, Open-Source-Software, SourceForge, Bug-Tracking-Systeme, Machine Learning, Textklassifizierung, Datenpräparation, Artefakte, Sicherheitsbedrohungen, statistische Analyse, ökonomische Zusammenhänge.