BDF515: KI in der Cyberkriminalistik

Wahlpflichtmodule

BDF515: KI in der Cyberkriminalistik

Kurzporträt BDF515: KI in der Cyberkriminalistik
Worum geht es? Dieses Modul behandelt KI in der Cyberkriminalistik im Kontext der Digitalen Forensik. Im Mittelpunkt stehen insbesondere Praktische KI-Programmierung: Python-Bibliotheken (z.B. Pandas, NumPy, Scikit-learn), Jupyter Notebooks; Decision Trees & Neuronale Netze: Aufbau, Training, Anwendung auf forensische Datensätze (z.B. Klassifikation von Angriffsmustern); Objekterkennung: YOLO für Bild-/Videoforensik (z.B. Erkennung von Tatwerkzeugen).
Wofür braucht man es? KI-Kompetenzen helfen, datenintensive forensische Aufgaben zu unterstützen und zugleich Risiken wie Verzerrungen, Fehlklassifikationen oder nicht nachvollziehbare Ergebnisse kritisch zu bewerten.
Wieso ist es interessant? Das Modul verbindet fachliche Grundlagen mit anwendungsnahen Fragestellungen und zeigt, wie die behandelten Konzepte in realen digitalen Untersuchungs- und Sicherheitskontexten wirksam werden.
Modulverantwortung

Prof. Dr. Jürgen Quade

Lehrperson(en)
  • Prof. Dr. Jürgen Quade
  • Prof. Dr. Michael Gref
  • Prof. Dr. Duc Duy Pham
Verwendbarkeit

Bachelor Digitale Forensik

Fächergruppe

Informatik

Modultyp
Wahlpflicht
Sprache

Deutsch

Angebot

Wintersemester

Dauer

1 Semester

Credits

5 ECTS

Benotung

Deutsche Notenskala 1-5

SWS

2 V | 2 Ü | - P | - S

Workload
Präsenzstudium: 45 Std. Selbststudium: 90 Std.
Engl. Titel

AI in Cybercrime Investigation

Empfohlene Voraussetzungen
  • BDF102: Ethische und Menschliche Aspekte der Informationssicherheit: ethische Bewertung automatisierter Entscheidungen, Bias und verantwortlicher Umgang mit sensiblen Daten.
  • BDF103: Programmierung: Python-Grundlagen, Bibliotheksnutzung und einfache Implementierung datenverarbeitender Programme.
  • BDF305: Datenbanken-Forensik: datenbezogene Analyseaufgaben, strukturierte Datenquellen und forensische Auswertung größerer Datenbestände.
Lernergebnisse / Kompetenzen
WAS

Die Studierenden können Methoden der Künstlichen Intelligenz auf forensische Fragestellungen anwenden und deren Grenzen, Risiken und Einsatzbedingungen kritisch reflektieren.

WOMIT

Die Studierenden erreichen dieses Lernergebnis, indem sie insbesondere folgende im PDF genannten Kompetenzen aufbauen:

  • Grundlagen der KI (insb. Decision Trees, Neuronale Netze, LLMs) erklären und auf forensische Problemstellungen anwenden
  • Praktische KI-Werkzeuge (z.B. Python, Scikit-learn, TensorFlow, YOLO, LLM-APIs) für forensische Analysen nutzen (z.B. Bilderkennung in Beweismitteln, Textanalyse in Logfiles)
  • Grenzen und Risiken von KI in der Forensik kritisch reflektieren (z.B. Bias, Overfitting, Halluzinationen bei LLMs)
  • Einfache KI-Modelle (z.B. Decision Trees, Tiny-LLMs) selbst implementieren und trainieren
  • Prompt-Engineering und LLM-APIs für forensische Recherche oder Datenaufbereitung einsetzen
WOZU

Damit sie in späteren Modulen, Projekten und beruflichen Aufgaben der Digitalen Forensik fachliche Entscheidungen begründet treffen, digitale Sachverhalte systematisch untersuchen und Ergebnisse nachvollziehbar kommunizieren können.

Inhalte
  • Praktische KI-Programmierung: Python-Bibliotheken (z.B. Pandas, NumPy, Scikit-learn), Jupyter Notebooks
  • Decision Trees & Neuronale Netze: Aufbau, Training, Anwendung auf forensische Datensätze (z.B. Klassifikation von Angriffsmustern)
  • Objekterkennung: YOLO für Bild-/Videoforensik (z.B. Erkennung von Tatwerkzeugen)
  • Large Language Models (LLMs): Architektur, Training, Einsatz in der Forensik (z.B. Auswertung von Chatprotokollen, automatisiertes Reporting)
  • Ethik & Risiken: Diskussion von Fehlerquellen, Datenschutz, Manipulationsgefahren
Prüfungsvorleistung

Keine

Prüfungsleistung

Klausur, 90 Minuten

Literatur
  • Stuart Russell und Peter Norvig: Artificial Intelligence: A Modern Approach, Pearson, Hoboken, 2021
  • Aurélien Géron: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, O’Reilly Media, Sebastopol, 2022
  • Ian Goodfellow, Yoshua Bengio und Aaron Courville: Deep Learning, MIT Press, Cambridge, 2016, https://www.deeplearningbook.org/
  • Christopher M. Bishop und Hugh Bishop: Deep Learning: Foundations and Concepts, Springer, Cham, 2024, https://doi.org/10.1007/978-3-031-45468-4