Die vorliegende Arbeit beschäftigt sich mit den Änderungen der §§ 176 Abs. 6 und 184b Abs. 5 StGB, welche durch das 57. Gesetz zur Änderung des Strafgesetzbuchs - Versuchsstrafbarkeit des Cybergroomings am 13. März 2020 in Kraft traten [16]. § 176 Abs. 6 StGB regelt fortan die Strafbarkeit des Versuchs für Vorbereitungstaten nach § 176 Abs. 4 Nr. 3 StGB, worunter auch das sogenannte Cybergrooming zählt. Durch die Neufassung des § 184b Abs. 5 StGB wird Strafverfolgungsbehörden zukünftig die Verwendung von künstlich erzeugtem kinderpornografischen Material im Rahmen von verdeckten Ermittlungen und zur Aufdeckung von Straftaten ermöglicht. Im Rahmen dieser Arbeit wird der Einfluss dieser Änderungen auf die Arbeit von Ermittlern in Strafverfolgungsbehörden betrachtet und dabei auf eventuelle Vor- und Nachteile eingegangen. Die Arbeit soll aufzeigen, welche Probleme es in Deutschland bei der Bearbeitung von Kinderpornografie-Delikten gibt. Ziel ist die Veranschaulichung des derzeitigen Standes im Kampf gegen Kinderpornografie, nicht nur in Strafverfolgungsbehörden, sondern auch auf politischer Ebene. Zudem soll ein Ausblick erfolgen, inwiefern sich dies in Zukunft verändern könnte.

Anwendung moderner Bilderkennungsverfahren auf polizeiliche Problemstellungen, mit dem Ziel strafrechtlich relevante Inhalte herauszufiltern. Dabei werden die 3 Architekturen Faster R-CNN, SSD-ResNet und EfficientDet getestet. Anschließend soll eine Integration in den PA von Cellebrite erfolgen, um die Verarbeitungspipeline innerhalb der Polizei bestmöglich zu ergänzen. Aufgrund von Systeminkompatibilitäten wurde eine eigenständige Lösung erarbeitet.

The Infinica product suite consists of multiple individual microservice applications, mainly gathered around Infinica Process Engine which allows the execution of highly individualised process definitions. For estimating process performance, a layered queuing network approach has been applied. In the first step this required the implementation of a basic modelling framework. Subsequently the implemented framework was used to evaluate the applicability of the approach by creating two models and comparing them with actual performance measurements. Although the calculated results deviated from the expected results, analysis showed that the differences may derive from an inaccurate model. Nevertheless the general approach seems to be appropriate for the given application as well as for microservices in general, especially when extended with advanced modelling techniques, as the analysed modelled results appear consistent.

Active Learning (AL) ist eine besondere Trainingsstrategie im überwachten maschinellen Lernen, mit dem Ziel die Accuracy eines Klassifikators zu verbessern, indem ein Klassifikator mit nur wenig gelabelten, aber dafür hoch informativen Datenpunkten (DP) gelernt wird. In der medizinischen Forschung liegen oftmals nur wenig gelabelte DP vor. AL kann eine sinnvolle Strategie sein, um die Kosten und den Aufwand für das Labeln ungelabelter DP zu senken. Mit Pool-Based AL wurden bisher die größten Erfolge verzeichnet. In der vorliegenden Arbeit wurden zwei biologische, binäre Klassifikationsprobleme mit Uncertainty Sampling Pool-Based AL und Query by Bagging Comitee Pool-Based AL untersucht. Der Generalized Learning Vector Quantization (GLVQ) und ein Multilayer Perzeptron (MLP) wurden als Klassifikatoren verwendet. Anhand eines linear trennbaren und eines nicht linear trennbaren Datensatzes wurden die Auswirkungen der Anzahl an gelabelten DP, mit welcher die Klassifikatoren zu Beginn trainiert wurden, auf die Accuracy untersucht. Die AL-Accuracy näherte sich für das anfängliche Training der Klassifikatoren mit 10 % gelabelten DP bereits stark an die Accuracy im klassischen maschinellen Lernen an und war teilweise sogar größer. In einem weiteren Experiment wurden daher die Klassifikatoren anfänglich mit nur 1 % gelabelten DP trainiert. Es wurde die Auswirkung der Anzahl nachgelabelter DP, mit welcher die Klassifikatoren nachtrainiert wurden, auf die Accuracy untersucht. Für den linear trennbaren Datensatz war die Anwendung von AL mit dem GLVQ und 10 nachgelabelten DP sowie mit dem MLP und 50 nachgelabelten DP erfolgreich. Bei dem nicht linear trennbaren Datensatz wurde mit dem MLP zumindest eine Tendenz, dass AL die Accuracy verbessert, festgestellt. Jedoch reichten 50 nachgelabelte DP nicht aus.

Die vorliegende Bachelorarbeit befasst sich mit der Konzeption und Implementierung eines Serious Game-Prototypen. Nachdem zunächst die Eigenschaften und Vorteile von E-Learning und Serious Games erläutert werden, widmet sich die Arbeit der ausführlichen Analyse der Möglichkeiten und Besonderheiten von unbemannten Luftfahrtsystemen, sowie den Systemen zu deren Detektion und Abwehr. Neben dem entwicklungstechnischen Stand, aktuellen Ereignissen, sowie potenziellen Bedrohungen werden stellvertretend Beispiele für Abwehr- und Erkennungssysteme aufgezeigt, um einen Überblick über die Gefahren von Drohnen und die möglichen Konsequenzen verschiedener Interventionsmaßnahmen aufzuzeigen. Im weiteren Verlauf der Arbeit werden die Implementierungsschritte des entwickelten Serious-Game-Prototypen erläutert und die Zusammenhänge einzelner Gameplay-Elemente und der Realität hervorgehoben.