Kapitel 8 – Theorie

Site: CyberSEA training platform
Curs: CyberSEA Training Course - German
Carte: Kapitel 8 – Theorie
Tipărit de: Guest user
Dată: duminică, 22 noiembrie 2026, 00:00

Descriere

Neue Technologien und zukünftige Herausforderungen

1. Einleitung

Die Zukunft der Cybersicherheit in der Schifffahrt ist untrennbar mit der kontinuierlichen Weiterentwicklung neuer Technologien und der zunehmenden Komplexität des globalen Schiffsverkehrs verbunden. Mit der zunehmenden Integration autonomer Systeme und Technologien der nächsten Generation in den Schiffsbetrieb steigt auch das Potenzial für neue Cybersicherheitsrisiken. In diesem Kapitel werden die neuen Technologien untersucht, die den maritimen Sektor verändern, von autonomen Prozessen über die wachsende Bedeutung von IoT-Geräten (Internet of Things) bis hin zum Einsatz künstlicher Intelligenz (KI) für Cybersicherheit und prädiktive Analysen.

Zunächst werden die mit Automatisierung und autonomen Prozessen verbundenen Risiken untersucht und die potenziellen Schwachstellen analysiert, die durch die zunehmende Abhängigkeit von diesen Technologien entstehen. Anschließend richtet sich der Fokus auf die Sicherung von Technologien der nächsten Generation im maritimen Sektor, darunter auch die Frage, wie IoT-Geräte sowohl Innovationen ermöglichen als auch neue Angriffsvektoren schaffen. Außerdem wird untersucht, wie KI für prädiktive Analysen und proaktive Cybersicherheitsmaßnahmen genutzt wird.

Dieses Kapitel bietet eine zukunftsorientierte Perspektive darauf, wie der maritime Sektor seine Zukunft sichern kann, indem er die mit diesen neuen Technologien verbundenen Cybersicherheitsrisiken angeht und sich auf die bevorstehenden Herausforderungen vorbereitet.

2. Autonome Prozesse und Automatisierungsrisiken

Die SS Ideal X war das erste kommerzielle Containerschiff. Sie wurde von einem Öltanker aus dem Zweiten Weltkrieg zu einem Containerschiff für die Pan-Atlantic Steamship Company umgebaut. Die Ideal X hatte eine Ladekapazität von 58 Containern. Ihre Karriere in der maritimen Logistik endete 1965, als das Vorzeigeschiff des neuartigen Seetransports verschrottet wurde.

A large ship in the water

AI-generated content may be incorrect.

Abbildung 19: SS Ideal X

(Bild: Malcolm McLean, Pan-Atlantic Steamship Company 26.4.1956)

Es ist allgemein bekannt, dass die Containerindustrie seit den Tagen der Ideal X massive Veränderungen durchlaufen hat. Heute ist die MSC Irina das größte Containerschiff. Mit einer Länge von 399 Metern und einer Breite von 61,3 Metern bietet sie eine beeindruckende Containerkapazität von 24.346 TEU (Transport Equivalent Unit).

A ship in the water

AI-generated content may be incorrect.

Abbildung 20: MSC Irina

(Bild: Orbits hub Technology Private Ltd., 2024)

Auch heute noch vereint die Forderung nach Wirtschaftlichkeit die Designvorgaben und betrieblichen Erwartungen, die für die Ideal X und die MSC Irina festgelegt wurden. Das Fehlen verifizierter Business Cases hinter dem neuartigen Plan ist der schnellste Weg zur Ablehnung. Während die Diskussion um die Möglichkeit autonomer Schiffe kreist, dürfen wir nicht vergessen, dass der Mensch die Mondlandung aus der Ferne gesteuert hat, indem er verschiedene Kontrollen des Raumflugs und des Landemoduls übernahm. Nur während der eigentlichen Landung auf dem Mond wurde das Landemodul für kurze Zeit ausschließlich vor Ort von einem Piloten gesteuert. Der Rest der Flugmission wurde vom Apollo Guidance Computer durchgeführt. Der Leitcomputer verfügte über Schnittstellen für die Navigation und Steuerung des Raumfahrzeugs. All dies wurde 1966 entwickelt, eingesetzt und als funktionsfähig validiert. Daher können wir mit Fug und Recht sagen, dass der Grund für das Fehlen autonomer Schiffe nicht in einem Mangel an Technologie liegt. Um tiefer in die Gründe für die Wirtschaftlichkeit eines autonomen Schiffes einzutauchen, müssen wir die damit verbundenen Risiken besser verstehen.

Risiko ist die Wahrscheinlichkeit multipliziert mit den Folgen. Je höher die Wahrscheinlichkeit und je schwerwiegender die Folgen, desto höher ist das Risiko. Im Risikomanagement besteht die grundlegende Idee darin, die Wahrscheinlichkeit zu senken oder die Schwere der Folgen zu verringern. Oder natürlich beides zu senken. Risiken treten in vielen verschiedenen Formen und Kategorien auf. Die folgende Liste enthält einige der allgemein anerkannten Risiken in der maritimen Industrie.

Abbildung 21: Liste der allgemein anerkannten Risiken in maritimen Umgebungen

(Lahtinen, 2025)

Um diese Risiken zu mindern, sind umfassende Risikomanagementstrategien, Investitionen in Technologie und regelmäßige Schulungen für das Personal erforderlich. In der obigen Liste der Risiken wird die Cybersicherheit an letzter Stelle genannt. Die Abhängigkeit von IT-Systemen bei der Verwaltung maritimer Prozesse hat fast alles anfällig für Cybersicherheitsrisiken gemacht. Schiffsmotoren sind online, um den Zustand in Echtzeit zu überwachen. Wetterdaten basieren auf künstlicher Intelligenz, verbesserten Wetteranalysen und gesammelten Erfahrungen aus der Vergangenheit. Die Navigationssysteme von Schiffen werden online aktualisiert und basieren ausschließlich auf digital erstellten und dargestellten Benutzeroberflächen. Lieferketten werden mithilfe von Optimierungssoftware und künstlicher Intelligenz in Echtzeit überwacht und angepasst. Wenn wir die Lieferkette in der Schifffahrt beeinträchtigen wollten, wäre Cybersicherheit eine hervorragende Option, da die IT-Systeme in der modernen Schifffahrt von heute für alles zuständig sind. Der Wille zur Beeinträchtigung ist aus offensichtlichen Gründen ein wichtiger Faktor im Cybersicherheits-Risikomanagement.

Im Risikomanagement gibt es zwei Begriffe: Sicherheit und Gefahrenabwehr. Sicherheit und Gefahrenabwehr werden oft synonym verwendet, beziehen sich jedoch auf unterschiedliche Konzepte, insbesondere in Kontexten wie der maritimen Industrie. Es gibt einen klaren Unterschied zwischen den beiden Konzepten.

Erstens bezieht sich Sicherheit auf den Schutz von Menschen, Eigentum und Umwelt vor unbeabsichtigten Schäden oder Verletzungen. Der Schwerpunkt liegt auf der Vermeidung von Unfällen und der Minimierung von Risiken im Zusammenhang mit dem Betrieb. Dazu gehören Maßnahmen zur Vermeidung von Unfällen, wie Schulungen, Wartung der Ausrüstung, Sicherheitsprotokolle und die Einhaltung von Gesundheits- und Sicherheitsvorschriften. Dazu gehört auch, dass Rettungswesten verfügbar und in gutem Zustand sind, regelmäßige Sicherheitsübungen durchgeführt werden und Protokolle zur Verhinderung von Ausrutschen und Stürzen auf einem Schiff umgesetzt werden.

Zweitens umfasst Sicherheit den Schutz von Menschen, Eigentum und Informationen vor vorsätzlichen Bedrohungen oder böswilligen Handlungen. Der Schwerpunkt liegt auf der Verhinderung vorsätzlicher Schäden wie Diebstahl, Sabotage oder Terrorismus. Dazu gehören Maßnahmen zum Schutz vor kriminellen Aktivitäten, unbefugtem Zugriff und anderen Bedrohungen, die die Sicherheit oder Vermögenswerte gefährden könnten. Dazu gehören die Implementierung von Zugangskontrollsystemen, die Durchführung von Hintergrundüberprüfungen des Personals und der Einsatz von Überwachungskameras zur Überwachung verdächtiger Aktivitäten.

Schließlich geht es bei der Sicherheit um die Verhinderung unbeabsichtigter Schäden, während es bei der Sicherheit um die Verhinderung vorsätzlicher Schäden geht. Beide sind für den umfassenden Schutz von Personen und Vermögenswerten von entscheidender Bedeutung, insbesondere in risikoreichen Umgebungen wie der maritimen Industrie. Wir können also sagen, dass sich Sicherheit auf interne Bedrohungen bezieht, während Sicherheit sich auf externe Bedrohungen bezieht. Interne Bedrohungen können durch unser eigenes Verhalten und beispielsweise durch Schulungen bewältigt werden. Auf externe Bedrohungen können wir uns nur vorbereiten.

Da die Schifffahrtsindustrie zunehmend autonome Systeme einsetzt, sind robuste Cybersicherheitsmaßnahmen unerlässlich, um sich vor neuen Bedrohungen zu schützen, einen sicheren Betrieb zu gewährleisten und die Integrität der maritimen Aktivitäten aufrechtzuerhalten. Dies erfordert einen proaktiven Ansatz, kontinuierliche Überwachung und branchenweite Zusammenarbeit. Der Übergang zu zunehmend autonomen Systemen kann sogar die Cybersicherheitsrisiken verringern, da die menschlichen Interaktionen, die bekanntermaßen Risiken begünstigen, abnehmen.

3. Sicherung von Technologien der nächsten Generation

Autonome maritime Systeme stellen ihre Betreiber vor verschiedene Sicherheitsherausforderungen. Wenn die Sicherheit des Schiffes oder seiner lebenswichtigen Systeme gefährdet ist, sinkt früher oder später das Sicherheitsniveau. Von jedem Handelsschiff wird erwartet, dass es unter allen vorhersehbaren Bedingungen betriebsfähig bleibt, und autonome Schiffe bilden keine Ausnahme von dieser Philosophie. Es ist allgemein anerkannt, dass die Einführung autonomer Systeme vorteilhaft ist, da sie, wie angenommen, die Sicherheit erhöhen. Wenn die Sicherheit tatsächlich erhöht wird, ist die Betriebssicherheit eine Voraussetzung für den kommerziellen Erfolg.

Autonome Systeme an Bord oder sogar autonome Schiffe sollten sich in Bezug auf Cybersicherheit und Cybersicherheit nicht von herkömmlichen Schiffssystemen unterscheiden. Die vorherrschenden Risiken sind weitgehend dieselben, aber da keine menschlichen Akteure an der Betriebsarbeit beteiligt sind, verlagert sich ein Großteil der Verantwortung für das Risikomanagement auf die Schultern der Systementwickler. Bei autonomen Systemen werden viele Entscheidungen, die die Betriebssicherheit und -sicherheit bestimmen, bereits in der Systementwicklungsphase getroffen.

Die Risiken beim Einsatz neuester Technologien in sicherheitskritischen maritimen Operationen liegen in der geringen praktischen Erfahrung. Die Modellierung und Tischversuche von Systemen sind zweifellos notwendig, aber die Komplexität der Systeme erfordert einen systemtheoretischen Ansatz, bei dem man sich darüber im Klaren ist, dass ein System ausfallen kann, obwohl alle seine einzelnen Komponenten genau das tun, wofür sie ausgelegt sind. Es geht um Kontextualität. Je komplexer das System ist, desto mehr mögliche Kontexte gibt es, wenn sich beispielsweise die Umgebungsbedingungen ändern. Jede Komponente in den Systemen handelt auf der Grundlage der vorherrschenden Situation, was zu einem Szenario führt, das die Aktion einer benachbarten Komponente vorgibt, die wiederum einen Befehl sendet, um auf eine aktive Komponente im System zu reagieren. Letztendlich ist die Anzahl der möglichen Ergebnisse nahezu unbegrenzt. Unabhängig davon, wie gut das System konzipiert ist, kann in einer komplexen Umgebung eine korrekte Aktion einer Komponente zu katastrophalen Ergebnissen führen.

A diagram of a control system

AI-generated content may be incorrect.

Abbildung 22: Autonomes Brückensteuerungssystem

(Lahtinnen, 2024)

In der obigen Abbildung steht jedes weiße Kästchen für eine Datenmeldung, die innerhalb eines Systems übertragen wird. Gleichzeitig stellt jedes weiße Kästchen eine Cybersicherheitsbedrohung dar, wenn Daten zwischen Komponenten übertragen werden. Die absichtliche Störung des GPS wird derzeit viel diskutiert. Diese Herausforderung ist ein Beispiel für eine Situation, in der wir die Ursache der Gefahr nicht beseitigen können. Wir können nur die Redundanz erhöhen und sicherstellen, dass wir uns des Problems bewusst werden, sobald es auftritt. Dies ist ein Thema, das für autonome und konventionelle Schiffe gleichermaßen von Bedeutung ist.

4. IoT in der Schifffahrt: Risiken und Sicherheitsmaßnahmen

Die Seeschifffahrtsindustrie nutzt zunehmend das Internet der Dinge, um die betriebliche Effizienz zu verbessern, Kosten zu senken und die Sicherheit zu erhöhen. IoT-Geräte an Bord von Schiffen und im Hafenbetrieb ermöglichen die Echtzeit-Datenerfassung für die Navigation, die Motorsteuerung, die Frachtverfolgung und das Wohlergehen der Besatzung (Stellios et al., 2018). Neben diesen Vorteilen gibt es jedoch auch erhebliche Cybersicherheitsrisiken und Schwachstellen, die richtig verstanden und gehandhabt werden müssen. Im Zusammenhang mit der Schifffahrt bezieht sich ein „Risiko“ auf jedes Ereignis oder jede Handlung, die den Betrieb beeinträchtigen, die Systemintegrität stören, das Personal gefährden, die Fracht gefährden oder negative Auswirkungen auf die Umwelt haben könnte. Solche Risiken betreffen verschiedene Interessengruppen, darunter Reedereien, Besatzungsmitglieder, Hafenbehörden und sogar Endkunden. Je nach Schwere und Art der Bedrohung können die Folgen von geringfügigen betrieblichen Unannehmlichkeiten bis hin zu großflächigen Umweltschäden und erheblichen finanziellen Verlusten reichen.

Da viele IoT-Geräte nur über begrenzte Rechenressourcen verfügen (Pereira et al., 2020), kann es schwierig sein, robuste Sicherheitsmaßnahmen zu implementieren. Angreifer nutzen diese Einschränkungen häufig aus, um sich unbefugten Zugriff zu verschaffen oder Störungen zu verursachen, die zu Datenverstößen, dem Diebstahl geschützter Informationen oder sogar zu Industriespionage führen. Schwachstellen in einem einzelnen Gerät können auch eine Kettenreaktion auslösen, die größere Systeme gefährdet und das Vertrauen in den Seeverkehr untergräbt. Um sich vor diesen Bedrohungen zu schützen, ist es unerlässlich, Schwachstellen in jedem Funktionsbereich von IoT-Systemen zu beheben und gleichzeitig die umfassenderen Cybersicherheitsaspekte zu berücksichtigen, die in der globalen maritimen Lieferkette auftreten.

IoT-Geräte erfüllen im Allgemeinen vier wichtige Funktionen: Datenübertragung, Ausführung von Steuerungsmaßnahmen, Erfassung oder Überwachung der Umgebung sowie Verarbeitung oder Speicherung von Informationen. Jede dieser Funktionen birgt spezifische Schwachstellen. Im maritimen Bereich zeigen sich diese Schwachstellen in drei Hauptbereichen: Risiken bei der Datenverarbeitung/Speicherung/Übertragung, Risiken bei der Steuerung/Aktuierung und Risiken bei der Erfassung/Überwachung.

Risiken bei der Datenübertragung

In der maritimen Industrie sind Schiffe häufig auf Satelliten-, Funk- oder andere drahtlose Verbindungen angewiesen, um wichtige Informationen wie Navigationskoordinaten, Daten des Automatischen Identifikationssystems (AIS), Wettervorhersagen und die operative Kommunikation zwischen Schiff und Land auszutauschen. Diese Kanäle können, wenn sie nicht gesichert sind, abgefangen oder verändert werden, wie in Balduzzi et al. (2014) gezeigt wird, wo die Angreifer „Mann-im-Wasser-Signale” gefälscht haben. Angriffe wie Abhören und Man-in-the-Middle-Manipulationen ermöglichen es Unbefugten, Navigationsdaten zu überwachen oder zu manipulieren, was zu falschen Routen, gefälschten Schiffsidentitäten und beeinträchtigten Sicherheitsprotokollen führen kann.

Wenn Unbefugte Zugriff auf diese Repositorien erhalten, können sie sensible Informationen über Handelsrouten, Schifffahrtsverträge und Details zur Einhaltung von Vorschriften abrufen oder wichtige Betriebsaufzeichnungen manipulieren (Nicaise, 2025). Schlecht gesicherte Verschlüsselungsschlüssel und veraltete Backup-Protokolle machen Datenspeicher anfällig für Beschädigungen, Löschungen oder Ransomware-Angriffe, die den Hafenbetrieb lahmlegen und schwere finanzielle Schäden sowie Reputationsschäden verursachen können.

Darüber hinaus können Denial-of-Service-Angriffe die Kommunikationskanäle überlasten und sie in entscheidenden Momenten unbrauchbar machen.

Risiken bei der Steuerung/Aktuierung

Moderne Schiffe nutzen zunehmend Automatisierung zur Steuerung von Antrieb, Ruder, Ballastsystemen, Ladungsumschlaggeräten und anderen kritischen Prozessen. Diese automatisierten Systeme akzeptieren oft Fernbefehle, was einen effizienten Betrieb ermöglicht, aber auch einen Weg für böswillige Eingriffe eröffnet, wenn die Sicherheitsmaßnahmen schwach sind (Longo et al., 2024). Andere Beispiele: Ein kompromittiertes Autopilotsystem könnte den Kurs eines Schiffes verändern und zu Grundberührungen oder Kollisionen führen, während ein Angreifer wichtige Sicherheitsmechanismen deaktivieren oder den Kranbetrieb in Häfen sabotieren könnte, um Störungen zu verursachen. Physische Manipulationen an der Bordhardware vervielfachen die Gefahren zusätzlich, da eine Person mit direktem Zugang kritische Komponenten außer Kraft setzen oder beschädigen kann, was sowohl die Besatzung als auch die strukturelle Integrität des Schiffes gefährden könnte.

Risiken bei der Erfassung/Überwachung

Eine Vielzahl von Sensoren liefert Echtzeitinformationen über den Zustand und die Umgebung eines Schiffes, darunter die Integrität des Rumpfes, die Motorleistung, die Ladungstemperatur und atmosphärische Daten. Wenn diese Sensoren manipuliert oder gefälscht werden, erhalten die Schiffsbetreiber möglicherweise falsche Messwerte, was zu falschen Navigationsentscheidungen, Fehlmanagement der Ladung oder unerwarteten mechanischen Ausfällen führen kann. Angriffe auf Sensoren wie Radar, Sonar oder AIS-Feeds können die Position und Bewegungen von Schiffen verfälschen oder verbergen und so das Risiko einer Kollision erhöhen (Jones, 2017). Beschädigte oder verzögerte Sensordaten können auch wichtige Funktionen wie Brandmeldung, Umweltkontrolle und Planung der Maschinenwartung beeinträchtigen und damit sowohl die Sicherheit als auch die Einhaltung der Seeverkehrsvorschriften gefährden.

Sicherheitsmaßnahmen

Die Cybersicherheit im Seeverkehr unterliegt verschiedenen nationalen und internationalen Standards, darunter Richtlinien der Internationalen Seeschifffahrtsorganisation (IMO). Organisationen können auch Rahmenwerke wie das NIST Cybersecurity Framework oder ISO 27001 übernehmen. Die Einhaltung dieser Vorschriften ist nicht nur wichtig, um rechtliche Sanktionen zu vermeiden, sondern auch, um eine Sicherheitskultur zu etablieren, die allgemein anerkannten Best Practices entspricht.

1. Netzwerkisolierung und Zero-Trust-Architektur

Die Trennung kritischer Systeme, wie Navigations- und Steuerungsnetzwerke, von nicht kritischen Systemen, wie Internetdiensten für Passagiere, ist unerlässlich, um im Falle einer Sicherheitsverletzung eine seitliche Ausbreitung zu verhindern. Durch Network Slicing können isolierte virtuelle Netzwerke für verschiedene Systeme erstellt werden, wodurch eine sichere Kommunikation zwischen ihnen ohne Störungen gewährleistet ist. Die Einführung von Zero-Trust-Prinzipien verbessert dies noch weiter, indem eine kontinuierliche Authentifizierung und Überwachung jedes Benutzers, jedes Geräts und jeder Anwendung erforderlich ist. Dies minimiert das Risiko eines unbefugten Zugriffs und stellt sicher, dass selbst für interne Geräte standardmäßig kein Vertrauen gewährt wird. Wenn beispielsweise das Gerät eines Besatzungsmitglieds kompromittiert wird, verhindern Zero-Trust-Systeme den Zugriff auf sensible Navigationsdaten oder kritische Steuerungssysteme.

2. Erweiterte Erkennung und Abwehr von Bedrohungen

Die Echtzeit-Erkennung von Cyberbedrohungen ist für den Schiffsbetrieb von entscheidender Bedeutung. Intrusion Detection and Prevention Systems (IDS/IPS) überwachen den Netzwerkverkehr, um unbefugte Aktivitäten zu identifizieren und zu blockieren. Wenn beispielsweise ein Angreifer versucht, in das Steuerungssystem eines Schiffes einzudringen, kann IDS/IPS das ungewöhnliche Verkehrsmuster erkennen und automatisch Maßnahmen ergreifen, um es zu blockieren. Deep Packet Inspection (DPI) analysiert den Inhalt von Datenpaketen während der Übertragung und identifiziert versteckte Malware, verdächtige Befehle oder unbefugte Datenflüsse. DPI ist besonders nützlich, um Bedrohungen zu identifizieren, die sich als legitimer Datenverkehr tarnen und so herkömmliche Firewalls umgehen.

Firewalls bleiben eine grundlegende Maßnahme zur Kontrolle des ein- und ausgehenden Datenverkehrs, aber moderne Firewalls integrieren mittlerweile maschinelles Lernen, um sich dynamisch an neue Bedrohungen anzupassen, wodurch sie in maritimen Umgebungen mit sich ständig ändernden Netzwerken effektiver sind.

3. Virtualisierung und Containerisierung

Um die Isolierung und Ausfallsicherheit des Systems zu gewährleisten, sind Virtualisierung und Containerisierung von entscheidender Bedeutung. Durch Virtualisierung können mehrere virtuelle Maschinen auf einem einzigen physischen Server ausgeführt werden, sodass bei einer Kompromittierung eines Systems die anderen davon unberührt bleiben. In ähnlicher Weise isoliert die Containerisierung einzelne Anwendungen und verhindert, dass sie sich gegenseitig beeinträchtigen. So können beispielsweise ein Navigationssystem und ein Frachtverfolgungssystem in separaten Containern ausgeführt werden, wodurch das Risiko verringert wird, dass eine Kompromittierung das andere System beeinträchtigt.

4. Fortschrittliche Verschlüsselungstechniken

Der Schutz sensibler Daten ist für den Seeverkehr von entscheidender Bedeutung, insbesondere da IoT-Systeme riesige Mengen an Informationen generieren. Homomorphe Verschlüsselung ermöglicht die Verarbeitung und Analyse von Daten ohne Entschlüsselung und gewährleistet so, dass sensible Informationen auch während der Berechnung sicher bleiben. Dies ist besonders nützlich für Schiffe, die Daten an Häfen oder Kontrollzentren übertragen, da dadurch das Risiko einer Offenlegung der Daten während der Verarbeitung ausgeschlossen wird.

Neue Technologien wie die Quantenverschlüsselung, insbesondere durch Quantum Key Distribution (QKD) (Scarani et al., 2009), nutzen die Prinzipien der Quantenmechanik wie Superposition und Verschränkung, um Verschlüsselungsschlüssel zu erstellen, die praktisch unknackbar sind.

5. Identitätsmanagement

Es ist von entscheidender Bedeutung, dass nur autorisierte Benutzer und Geräte auf maritime IoT-Systeme zugreifen können. Fortschrittliche Identitätsmanagementsysteme verwenden Multi-Faktor-Authentifizierung, biometrische Verifizierung und rollenbasierte Zugriffskontrollen, um strenge Sicherheitsvorkehrungen durchzusetzen. Beispielsweise muss ein Besatzungsmitglied möglicherweise sowohl ein Passwort als auch einen Fingerabdruckscan vorlegen, um auf kritische Systeme zugreifen zu können, während seine Zugriffsrechte auf bestimmte Funktionen beschränkt sind, die für seine Rolle relevant sind. Die Blockchain-Technologie kann das Identitätsmanagement weiter verbessern, indem sie eine dezentrale und manipulationssichere Aufzeichnung von Identitäten erstellt, wodurch es für Angreifer schwieriger wird, Anmeldedaten zu fälschen oder sich unbefugten Zugriff zu verschaffen.

6. Reaktion auf Vorfälle und Redundanz

Selbst mit robusten Sicherheitsmaßnahmen können immer noch Sicherheitsverletzungen auftreten, weshalb die Planung der Reaktion auf Vorfälle unerlässlich ist. Vordefinierte Rollen, Eskalationsverfahren und regelmäßige Übungen stellen sicher, dass die Besatzungen Bedrohungen schnell eindämmen und Schäden minimieren können. Wenn beispielsweise ein IoT-System zur Kraftstoffüberwachung kompromittiert wird, würde ein vordefinierter Reaktionsplan die Isolierung des betroffenen Systems, die Benachrichtigung der relevanten Beteiligten und die Aktivierung redundanter Systeme zur Aufrechterhaltung des Betriebs umfassen.

7. Physische Sicherheit

Digitale Sicherheitsmaßnahmen sind nur so stark wie die physische Sicherheit, die die Hardware schützt. Die Sicherung von Server-Racks mit verschlossenen Gehäusen, die Verwendung manipulationssicherer Siegel an Bedienfeldern und der Einsatz von Überwachungssystemen verringern das Risiko von Manipulationen vor Ort. Angreifer, die physischen Zugriff auf kritische Systeme erhalten, könnten selbst die fortschrittlichsten digitalen Sicherheitsmaßnahmen umgehen, indem sie unberechtigte Geräte anschließen oder direkt auf sensible Komponenten zugreifen.

8. Menschlicher Faktor und Schulung

Eine starke Cybersicherheitsstrategie beginnt bei den Menschen. Besatzungsmitglieder, Hafenbeamte und Führungskräfte müssen regelmäßig zu neuen Bedrohungen und Angriffsvektoren wie Phishing-E-Mails, nicht autorisierten USB-Geräten oder Social Engineering geschult werden. Realistische Simulationen, wie z. B. simulierte Cyberangriffe, tragen dazu bei, das Bewusstsein zu schärfen und Teams darauf vorzubereiten, effektiv auf reale Vorfälle zu reagieren. Klare Sicherheitsrichtlinien in Verbindung mit kontinuierlicher Schulung reduzieren das Risiko menschlicher Fehler, die nach wie vor eine der Hauptursachen für erfolgreiche Cyberangriffe sind, erheblich.

Durch die Umsetzung dieser Maßnahmen verbessern wir die Sicherheit maritimer Systeme erheblich und schaffen einen robusten Schutz vor Cyberbedrohungen. Dies schützt nicht nur sensible Daten und kritische Vorgänge, sondern gewährleistet auch die Sicherheit der Besatzungsmitglieder, Schiffe und Fracht.

5. KI für Cybersicherheit im Seeverkehr und prädiktive Analyse

Cybersicherheit ist zu einem entscheidenden Faktor für den Schutz wichtiger Funktionen wie Navigation, Frachtmanagement und Kommunikationsnetzwerke geworden. Künstliche Intelligenz (KI) hat sich als leistungsstarkes Instrument zur Bewältigung dieser Sicherheitsherausforderungen herausgestellt. Durch die Analyse großer Datenmengen können KI-Systeme Bedrohungen genauer erkennen, Reaktionen beschleunigen und Betriebsstörungen mindern (Kaur et al., 2023). Dieses Dokument bietet einen Überblick über KI, maschinelles Lernen (ML) und Deep Learning (DL), skizziert die Entwicklung von Lebenszyklen maschineller Lernmodelle und erörtert, wie diese Technologien die Cybersicherheit und Betriebseffizienz im Seeverkehr stärken können.

Über die Erkennung von Angriffen hinaus verbessert KI auch die Leistung und Energieeffizienz von Schiffen, indem sie die Sensordaten des Schiffes analysiert, um mögliche mechanische Ausfälle vorherzusagen, bevor sie auftreten (Tu et al., 2018). Diese Technik hilft dabei, Reparaturen zu den kostengünstigsten Zeitpunkten zu planen und unerwartete Ausfälle zu vermeiden. Darüber hinaus kann KI die Geschwindigkeit und Route eines Schiffes auf der Grundlage v en über Wetterbedingungen, Ladung oder Kraftstoffverbrauch dynamisch anpassen, was letztlich zu einer Senkung der Betriebskosten und einer Verringerung der Umweltbelastung führt.

Eine weitere wichtige Anwendung ist die KI-gestützte visuelle Überwachung, die die Sicherheit im Seeverkehr stärkt, indem sie die Aktivitäten an Bord auf unbefugten Zugang oder ungewöhnliches Verhalten überwacht (Şengönül et al., 2023). Deep-Learning-Modelle, wie z. B. Faltungsneuronale Netze, können Anomalien beim Umschlag von Fracht erkennen oder feststellen, wenn Personal Sperrbereiche betritt. Beispielsweise können Robotersysteme Güter sicher und effizient aus Containern entnehmen, die in zufälliger Reihenfolge ankommen, wodurch manuelle Arbeitsrisiken reduziert und die Betriebsgenauigkeit verbessert werden (Mojtahedzadeh et al., 2015).

Grundlagen von KI, ML und DL

Künstliche Intelligenz ist ein breites Gebiet der Informatik, das sich auf die Schaffung von Systemen konzentriert, die Aufgaben ausführen können, die normalerweise menschliche Intelligenz erfordern, wie z. B. das Verstehen von Sprache, das Erkennen von Mustern oder das Treffen von Entscheidungen. Frühe KI-Forschungen stützten sich stark auf sogenannte „regelbasierte” Systeme, bei denen Experten detaillierte IF-THEN-Anweisungen niederschrieben, wie in Abbildung23 dargestellt. Eine Cybersicherheitsregel könnte beispielsweise lauten: „WENN ein Computer mehrere fehlgeschlagene Anmeldeversuche registriert, DANN den Benutzer vorübergehend sperren.” Solche Systeme funktionieren gut in Situationen, in denen Regeln klar definiert werden können, aber sie können Schwierigkeiten haben, wenn sie mit neuen oder unerwarteten Problemen konfrontiert werden.

Structure of a Rule-based Expert System

Abbildung 23 : Struktur regelbasierter KI-Systeme

(Mojtahedzadeh et al., 2015)

Moderne KI geht über die ausschließliche Verwendung manuell geschriebener Regeln hinaus. Stattdessen nutzt sie Techniken wie maschinelles Lernen, die es Computern ermöglichen, aus Daten zu lernen, ohne für jedes mögliche Szenario explizit programmiert zu werden. Anstatt Anweisungen für jede Situation festzulegen, versorgen wir das System mit riesigen Mengen an Informationen, sodass es Muster analysieren und eigene Entscheidungen treffen kann. Dieser Prozess spiegelt wider, wie Menschen durch Erfahrung lernen, indem sie zahlreiche Beispiele beobachten, Zusammenhänge erkennen und ihr Verständnis schrittweise verbessern. Im maritimen Bereich kann ML beispielsweise Daten aus GPS-Ortungssystemen analysieren, um ungewöhnliche Schiffsbewegungen zu erkennen, die auf unbefugten Zugang oder Pirateriegefahr hindeuten könnten. Durch kontinuierliches Lernen aus Echtzeit-Standortdaten und vergangenen Vorfällen kann KI Abweichungen von normalen Routen oder Verhaltensweisen erkennen und Warnmeldungen auslösen, bevor potenzielle Sicherheitsrisiken eskalieren. Im Laufe der Zeit verfeinern ML-Modelle ihre Vorhersagen und passen sich an neue Fälle an, sodass sie komplexe und sich entwickelnde Probleme effektiver bewältigen können, ohne dass für jede Entscheidung ein direktes Eingreifen des Menschen erforderlich ist.

Innerhalb des ML gibt es verschiedene Arten des Lernens. Bei einem Ansatz, der oft als überwachtes Lernen bezeichnet wird, werden dem System Beispiele gezeigt, die bereits Antworten oder Beschriftungen enthalten. Mit der Zeit findet es heraus, wie diese Antworten mit den einzelnen Beispielen zusammenhängen, sodass es Ergebnisse für neue, unbekannte Daten vorhersagen kann. Je nach Art des Problems kann überwachtes Lernen für die Klassifizierung verwendet werden, wobei das Ziel darin besteht, Datenpunkte bestimmten Kategorien zuzuordnen, z. B. um festzustellen, ob die Kommunikation eines Schiffes legitim ist oder eine potenzielle Cyberbedrohung darstellt. Es kann auch für Regressionen verwendet werden, bei denen das Modell kontinuierliche Werte vorhersagt, z. B. die Schätzung des Kraftstoffverbrauchs auf der Grundlage von Geschwindigkeit, Ladungsgewicht und Wetterbedingungen.

Bei einem anderen Ansatz, dem sogenannten unüberwachten Lernen, arbeitet das System mit Informationen, die keine Beschriftungen haben, sodass es selbst versteckte Muster entdecken muss, beispielsweise indem es ähnliche Elemente gruppiert. Dies ist in der maritimen Cybersicherheit nützlich, wenn der Netzwerkverkehr analysiert wird, um Anomalien zu erkennen, die auf Cyberangriffe hindeuten könnten, da das System normales und abnormales Verhalten ohne Vorkenntnisse darüber, wie ein Angriff aussieht, gruppieren kann.

Supervised vs Unsupervised Machine Learning Problems

Abbildung 24: Techniken des maschinellen Lernens

Ein dritter Ansatz, das sogenannte Reinforcement Learning (RL), beinhaltet das Lernen durch Versuch und Irrtum. Im Gegensatz zum überwachten Lernen, bei dem dem System beschriftete Beispiele für richtige Antworten gegeben werden, arbeitet das Reinforcement Learning in einer Umgebung, in der es durch Interaktion das optimale Verhalten entdecken muss. Das System, das oft als „Agent” bezeichnet wird, probiert verschiedene Optionen innerhalb dieser Umgebung aus und erhält Feedback in Form von Belohnungen oder Strafen.  Eine Belohnung signalisiert, dass eine Aktion wünschenswert war, während eine Strafe auf eine unerwünschte Aktion hinweist. Das Ziel des Agenten ist es, eine „Strategie” zu erlernen, d. h. eine Zuordnung von Zuständen (der aktuellen Situation, in der sich der Agent befindet) zu Aktionen, die seine kumulative Belohnung im Laufe der Zeit maximiert. In der Robotersteuerung kann RL beispielsweise verwendet werden, um einem Roboter das Laufen beizubringen. Der Roboter beginnt mit zufälligen Schritten und erhält Feedback basierend auf Stabilität, Energieeffizienz und Vorwärtsbewegung. Über mehrere Iterationen lernt er, seine Gelenkbewegungen anzupassen, um effizienter zu laufen, sein Gleichgewicht zu verbessern und den Energieverbrauch zu minimieren (Song et al., 2021).

Deep Learning geht noch einen Schritt weiter und versucht, die Art und Weise nachzuahmen, wie das menschliche Gehirn Informationen verarbeitet. Im Kern verwendet es künstliche neuronale Netze, die ähnlich wie biologische Neuronen strukturiert sind, um automatisch Muster in riesigen Datenmengen zu lernen und zu erkennen. Im Gegensatz zum traditionellen maschinellen Lernen, bei dem Menschen oft manuell die relevantesten Merkmale für ein Modell auswählen und definieren müssen, extrahieren Deep-Learning-Modelle diese Merkmale selbstständig und interpretieren Rohdaten ohne explizite Programmierung. Das System bestimmt, welche Aspekte der Daten am wichtigsten sind, sodass es Muster erkennen und Entscheidungen mit minimalem menschlichem Eingriff treffen kann.

Abbildung 25: Adaptive Lernsysteme, die sich ändernde Eingabedaten verarbeiten,

um konsistente Ergebnisse für die Analyse zu generieren .

Genauso wie das menschliche Gehirn über spezialisierte Regionen für verschiedene Aufgaben verfügt, sind Deep-Learning-Modelle mit Architekturen ausgestattet, die sich auf bestimmte Datentypen konzentrieren. Bei der Verarbeitung visueller Informationen erkennt beispielsweise der visuelle Kortex des Gehirns Objekte, indem er Kanten, Formen und Texturen erkennt, bevor er ein vollständiges Bild erzeugt. Davon inspiriert wurden Convolutional Neural Networks (CNNs) (Jorgecardete, 2025) entwickelt, um visuell relevante Aufgaben zu bewältigen und relevante Merkmale aus Bildern automatisch zu lernen, ohne dass eine manuelle Eingabe erforderlich ist. CNNs können beispielsweise zur Erkennung von Gesichtsausdrücken eingesetzt werden, indem sie Gesichtsbilder analysieren und Emotionen wie Wut, Freude oder Überraschung identifizieren. Anstatt dass Menschen manuell definieren müssen, wie jede Emotion aussieht, lernt das Modell Muster, indem es Tausende von Gesichtsbildern untersucht. Durch Faltungs- und Pooling-Schichten extrahiert es aussagekräftige Merkmale wie Gesichtsmuskelbewegungen und -ausdrücke, die dann von vollständig verbundenen Schichten verarbeitet und mithilfe einer SoftMax-Funktion klassifiziert werden, um die wahrscheinlichste Emotion zu bestimmen.

The general structure of convolutional neural network. Convolutional neural network mainly includes convolution layer, pooling layer, and full connection layer. The convolution layer is responsible for feature extraction, the pooling layer is used for feature selection, and the full connection layer is used for classification.

Abbildung 26: Deep-Learning-basierte Pipeline zur Erkennung von Gesichtsemotionen.

Das Gedächtnis und die Sequenzverarbeitung im menschlichen Gehirn spielen ebenfalls eine entscheidende Rolle bei der Entscheidungsfindung und Mustererkennung. Hier kommen Deep-Learning-Modelle wie rekurrenten neuronalen Netzen (RNNs) und Long Short-Term Memory (LSTM)-Netzwerken zum Einsatz. Diese Modelle versuchen, die Art und Weise nachzubilden, wie Menschen sich an vergangene Erfahrungen erinnern und diese nutzen, um gegenwärtige Entscheidungen zu beeinflussen. Sie sind besonders effektiv bei der Verarbeitung sequenzieller Daten, wie Sprache, Zeitreihenvorhersagen oder Netzwerkverkehrsanalysen.

A diagram of a machine

AI-generated content may be incorrect.

Abbildung 27: Einfache Architektur eines rekurrenten neuronalen Netzwerks

(Khuong, 2025) 

Die Sprachverarbeitung ist ein weiterer Bereich, in dem Deep Learning hervorragende Leistungen erbringt, indem es die Art und Weise nachahmt, wie das menschliche Gehirn Sprache interpretiert und generiert. Transformer-basierte Modelle wie BERT und GPT analysieren riesige Textmengen und lernen so, Sprachmuster zu verstehen, ohne dass vordefinierte Grammatikregeln erforderlich sind. In der maritimen Cybersicherheit können solche Modelle E-Mails, Funkkommunikation und Systemprotokolle scannen, um Phishing-Versuche, betrügerische Nachrichten oder unbefugte Anweisungen zu erkennen, die als normale Kommunikation getarnt sind. Anstatt sich auf die einfache Erkennung von Schlüsselwörtern zu verlassen, verstehen diese Modelle den Kontext und die Absicht, wodurch sie sehr effektiv bei der Erkennung subtiler Bedrohungen sind, die herkömmliche regelbasierte Systeme übersehen würden.

Difference between classical NLP and deep learning NLP techniques - Python Natural  Language Processing [Book]

Abbildung 28: Deep-Learning-basierte NLP- .

Die Kernstärke des Deep Learning liegt in seiner Fähigkeit, relevante Merkmale automatisch aus riesigen Mengen unstrukturierter Daten zu lernen. Im Gegensatz zu herkömmlichen Ansätzen des maschinellen Lernens, bei denen menschliche Experten Merkmale entwickeln müssen (d. h. entscheiden müssen, welche Aspekte der Daten wichtig sind), zeichnen sich Deep-Learning-Modelle dadurch aus, dass sie diese Merkmale selbstständig erkennen können, wie in Abbildung29 dargestellt.  Unabhängig davon, ob die Daten aus Bildern, Netzwerkprotokollen, Sensorwerten oder Text bestehen, analysiert das System zahlreiche Beispiele, verfeinert nach und nach sein Verständnis und identifiziert autonom die aussagekräftigsten Muster. Dadurch entfällt die manuelle Merkmalsentwicklung, ein Prozess, der zeitaufwändig sein kann, spezielle Fachkenntnisse erfordert und möglicherweise nicht alle in den Daten verborgenen Nuancen erfasst.

Machine Learning vs Deep Learning: What is the Difference

Abbildung 29: Unterschiede zwischen Machine Learning und Deep Learning Pipeline .

In der Schifffahrtsindustrie kann KI in Cybersicherheitssysteme integriert werden, um die riesigen Datenmengen zu verarbeiten, die von Schiffen, Häfen und Satellitenverbindungen erzeugt werden. Da sich Bedrohungen weiterentwickeln, können sich ML- und DL-Modelle mithilfe neuer Informationen kontinuierlich aktualisieren und Risiken oder Angriffe erkennen, die möglicherweise nie explizit in von Menschen verfassten Regeln beschrieben wurden. Diese Fähigkeit, sich im Laufe der Zeit anzupassen und zu verfeinern, macht KI so wertvoll für die Bewältigung moderner Cybersicherheitsherausforderungen. Abbildung30 bietet einen allgemeinen Überblick über KI-Anwendungen in der Cybersicherheit.

A diagram of a network security system

AI-generated content may be incorrect.

Abbildung 30: Anwendungen von KI in der Cybersicherheit .


Entwicklung von Modellen für maschinelles Lernen/Deep Learning

Der Prozess der Entwicklung eines Modells für maschinelles Lernen oder Deep Learning folgt einer strukturierten Abfolge von Schritten, von der Datenerfassung bis zur Bereitstellung und Wartung des Modells. Jeder Schritt spielt eine entscheidende Rolle, um sicherzustellen, dass das System in realen Umgebungen genaue und zuverlässige Vorhersagen treffen kann. Nachfolgend finden Sie eine detaillierte Aufschlüsselung der gesamten Pipeline sowie Erläuterungen, um sie für diejenigen verständlicher zu machen, die mit diesem Bereich nicht vertraut sind.

Datenerfassung: Sammeln relevanter Informationen

Der erste Schritt in jedem ML- oder DL-Projekt ist die Datenerfassung. Ohne hochwertige Daten können selbst die besten Algorithmen nur schwer nützliche Ergebnisse liefern. Die Daten können je nach Problemstellung aus verschiedenen Quellen stammen. Im Falle der maritimen Cybersicherheit können relevante Daten beispielsweise Netzwerkverkehrsprotokolle, Sicherheitsereignisprotokolle und Systemleistungsmetriken umfassen. Netzwerkprotokolle erfassen die Kommunikation zwischen Geräten und helfen dabei, ungewöhnliche Muster zu identifizieren, die auf Cyberbedrohungen hinweisen können. Sicherheitsereignisprotokolle enthalten Warnmeldungen, die von Cybersicherheitssystemen generiert werden, wenn verdächtige Aktivitäten erkannt werden. Systemleistungsdaten wie CPU-Auslastung oder Speicheraktivität können Aufschluss über potenzielle Sicherheitsverletzungen oder Ausfälle geben. Die Art der erfassten Daten hängt vollständig von dem spezifischen Problem ab, das mit dem Modell gelöst werden soll. Für die Intrusion Detection sind möglicherweise Netzwerkdaten auf Paketebene erforderlich, während für die Schiffsüberwachung Echtzeit-Videomaterial relevanter wäre.

D-INF_770

Abbildung 31: Beispiel für die Datenerfassung in der maritimen Überwachung .

Datenaufbereitung: Bereinigung und Formatierung von Daten für die Analyse

Rohdaten sind oft unstrukturiert, inkonsistent oder enthalten Fehler, die sich negativ auf die Modellleistung auswirken können. Um sicherzustellen, dass die Daten verwendbar sind, müssen sie eine Vorbereitungsphase durchlaufen. Dieser Prozess umfasst mehrere wichtige Schritte, darunter die Behandlung fehlender Werte, die Entfernung von Rauschen und die Standardisierung der Eingaben. Fehlende Werte können aufgrund fehlerhafter Sensoren oder unvollständiger Protokolle auftreten und müssen entweder durch das Einfügen geschätzter Werte oder das Verwerfen unvollständiger Datensätze behoben werden. Rauschen, wie z. B. beschädigte Datenpunkte oder irrelevante Informationen, muss entfernt werden, um zu verhindern, dass das Modell falsche Muster lernt. Die Standardisierung ist ein weiterer wichtiger Schritt, da Daten oft in unterschiedlichen Formaten oder Einheiten vorliegen. Beispielsweise müssen Zeitstempel in Netzwerkprotokollen möglicherweise in eine einheitliche Zeitzone konvertiert werden, oder numerische Werte müssen normalisiert werden, um sicherzustellen, dass sie auf einer vergleichbaren Skala liegen. Bei strukturierten Datensätzen, wie Tabellen mit Netzwerkaktivitäten, kann diese Phase auch das Entfernen doppelter Einträge umfassen. Bei unstrukturierten Daten wie Bildern oder Texten kann die Vorverarbeitung das Ändern der Bildgröße, das Reduzieren von Hintergrundrauschen oder das Konvertieren von Wörtern in numerische Darstellungen umfassen, die das Modell verarbeiten kann.

Feature Engineering: Identifizieren oder Erstellen aussagekräftiger Muster

Beim traditionellen maschinellen Lernen verstehen Modelle nicht von Natur aus, welche Aspekte der Daten relevant sind. Stattdessen müssen Experten manuell die Merkmale definieren, die für die Lösung des Problems am nützlichsten sind. Dieser als Feature Engineering bezeichnete Prozess umfasst die Auswahl, Transformation oder Erstellung neuer Variablen aus Rohdaten, um die Modellleistung zu verbessern. Effektives Feature Engineering kann die Genauigkeit eines Modells erheblich verbessern, indem es ihm aussagekräftige Informationen liefert. In einem Intrusion-Detection-System können beispielsweise rohe Netzwerkverkehrsprotokolle Details wie IP-Adressen, Zeitstempel, Paketgrößen und Verbindungsstatus enthalten. Diese Rohwerte allein sind jedoch möglicherweise nicht aussagekräftig genug für das Modell. Um die Erkennung zu verbessern, könnte ein Experte neue Merkmale auf der Grundlage statistischer Muster oder Verhaltenstrends erstellen. Ein solches Merkmal könnte die Verbindungsversuchsrate sein, bei der die Anzahl der Verbindungsanfragen von einer bestimmten IP-Adresse innerhalb eines bestimmten Zeitfensters, z. B. 10 Sekunden, gemessen wird. Ein plötzlicher Anstieg der Verbindungsversuche könnte auf einen Brute-Force-Angriff hindeuten.

Deep Learning macht jedoch Feature Engineering weitgehend überflüssig. Anstatt sich auf die menschliche Intuition zu verlassen, um wichtige Merkmale zu definieren, lernen tiefe neuronale Netze Muster automatisch direkt aus Rohdaten. Dies ist einer der größten Vorteile von DL gegenüber traditionellem ML. Es kann unstrukturierte Daten wie Bilder, Audio und Text verarbeiten, ohne dass explizite Regeln für die Merkmalsextraktion erforderlich sind. Bei der Bilderkennung kann ein Convolutional Neural Network beispielsweise lernen, Kanten, Texturen und komplexe Objekte ohne menschliches Zutun zu erkennen, was es für Anwendungen wie die Analyse von Echtzeit-Überwachungsaufnahmen auf Schiffen äußerst effektiv macht.

Modellauswahl: Auswahl des richtigen Algorithmus

Nachdem die Daten vorbereitet wurden, besteht der nächste Schritt darin, das beste Modell für das Problem auszuwählen. Die Wahl des Algorithmus hängt von Faktoren wie der Art der Daten, der Komplexität der Aufgabe und den verfügbaren Rechenressourcen ab. Im traditionellen ML werden häufig Modelle wie Entscheidungsbäume, Support-Vektor-Maschinen (SVMs) oder Random Forests verwendet, insbesondere bei der Arbeit mit strukturierten Datensätzen. Diese Modelle erfordern manuell definierte Merkmale, können aber mit relativ kleinen Datensätzen gute Ergebnisse erzielen.

Deep-Learning-Modelle sind hingegen leistungsfähiger, erfordern jedoch große Datenmengen und Rechenressourcen. CNNs sind besonders effektiv für bildbezogene Aufgaben, wie z. B. die Erkennung von Objekten in Aufnahmen der Seeverwachung. Rekursive neuronale Netze oder Transformer eignen sich besser für sequenzielle Daten, wie z. B. die Analyse von Kommunikationsprotokollen im Zeitverlauf, um Muster von Cyber-Bedrohungen zu erkennen. Die Auswahl des richtigen Modells ist ein entscheidender Schritt, da eine falsche Wahl zu schlechter Leistung oder ineffizienter Berechnung führen kann.

Modelltraining: Lernen aus Daten

Nach der Auswahl eines Modells besteht der nächste Schritt darin, es für Vorhersagen zu trainieren. Beim Training werden Daten in das Modell eingespeist, damit es Muster lernen kann, und seine internen Parameter werden angepasst, um die Genauigkeit zu verbessern. Das Modell erstellt erste Vorhersagen, und eine Verlustfunktion misst, wie weit diese Vorhersagen von den richtigen Antworten entfernt sind. Ist der Verlust hoch, bedeutet dies, dass das Modell schlechte Vorhersagen trifft. Um dies zu verbessern, werden in einem Optimierungsprozess, beispielsweise durch Gradientenabstieg, die Parameter des Modells (bekannt als Gewichte) aktualisiert, um den Verlust schrittweise zu reduzieren. Dieser iterative Prozess wird fortgesetzt, bis das Modell ein akzeptables Maß an Genauigkeit erreicht hat.

Beim überwachten Lernen wird das Modell anhand von gekennzeichneten Daten trainiert, d. h., jede Eingabe hat eine bekannte korrekte Ausgabe (z. B. Klassenbezeichnungen bei der Klassifizierung oder Zielwerte bei der Regression). Das Ziel besteht darin, die Differenz zwischen Vorhersagen und tatsächlichen Bezeichnungen zu minimieren, in der Regel unter Verwendung von Verlustfunktionen wie Kreuzentropie (für die Klassifizierung) oder mittlerer quadratischer Fehler (für die Regression).

Beim Deep Learning ist dieser Prozess rechenintensiv und erfordert große Datensätze. Im Gegensatz zum traditionellen ML, bei dem das Training in wenigen Minuten oder Stunden abgeschlossen sein kann, kann das Training tiefer neuronaler Netze je nach Komplexität der Architektur und Größe der Daten Tage oder sogar Wochen dauern. Um diese Komplexität zu bewältigen, bieten Deep-Learning-Frameworks wie TensorFlow und PyTorch effiziente Tools für die Modellerstellung, automatische Differentiation und Hardwarebeschleunigung. Diese Bibliotheken unterstützen dynamische Berechnungsgraphen und bieten eine Vielzahl vorgefertigter Funktionen zur Modelloptimierung. Die Hyperparameter-Optimierung, also die Anpassung von Parametern wie Lernrate, Batchgröße und Anzahl der Trainings-Epochen, ist unerlässlich, um eine effektive Konvergenz des Modells sicherzustellen.

Beim unüberwachten Lernen wird das Modell anhand unbeschrifteter Daten trainiert, d. h. es gibt keine vordefinierten Kategorien oder richtigen Antworten. Anstatt bestimmte Ergebnisse vorherzusagen, identifiziert das Modell Muster, Strukturen oder Cluster in den Daten.

Clustering-Algorithmen gruppieren ähnliche Datenpunkte anhand von Distanzmaßen.

Techniken zur Dimensionsreduktion können hochdimensionale Daten in eine niedrigdimensionale Form komprimieren und dabei wichtige Informationen erhalten.

Generative Modelle lernen, neue Datenproben zu generieren, die der Trainingsverteilung ähneln.

Da keine explizite Verlustfunktion Vorhersagen mit der Grundwahrheit vergleicht, umfasst das Training oft unüberwachte Ziele, wie z. B. die Minimierung von Rekonstruktionsfehlern oder die Maximierung der Varianz zwischen Clustern.

Modellvalidierung und -test: Bewertung der Leistung

Nach Abschluss des Trainings muss unbedingt getestet werden, wie gut das Modell auf neue, unbekannte Daten generalisiert. Dies geschieht durch Validierung und Testen unter Verwendung separater Datensätze, die nicht Teil des Trainingsprozesses waren. Wenn ein Modell während des Trainings gute Leistungen erbringt, aber keine genauen Vorhersagen für neue Daten liefert, ist es wahrscheinlich überangepasst, d. h., es hat zu spezifische Muster für den Trainingssatz gelernt und lässt sich nicht gut auf unbekannte Daten generalisieren. Leistungskennzahlen wie Genauigkeit, Präzision, Recall und der F1-Score werden verwendet, um die Effektivität des Modells zu bewerten. Die Genauigkeit misst den Anteil korrekter Vorhersagen, während Präzision und Recall Aufschluss über die Zuverlässigkeit des Modells bei der Erkennung bestimmter Kategorien, wie z. B. Cyber-Bedrohungen, geben. Der F1-Score gleicht Präzision und Recall aus und bietet eine umfassendere Bewertung. Wenn die Leistung des Modells nicht zufriedenstellend ist, können Anpassungen vorgenommen werden, indem mehr Daten gesammelt, die Merkmalsauswahl (im ML) verfeinert oder Hyperparameter feinabgestimmt werden.

Bereitstellung und kontinuierliche Überwachung: Einsatz des Modells in der Praxis

Sobald das Modell eine zufriedenstellende Genauigkeit und Robustheit erreicht hat, wird es in einer realen Umgebung eingesetzt, wo es beginnt, Vorhersagen zu Live-Daten zu treffen. Die Bereitstellung ist jedoch nicht der letzte Schritt, denn eine kontinuierliche Überwachung und Wartung sind notwendig, um eine anhaltende Leistung sicherzustellen. Im Bereich der maritimen Cybersicherheit beispielsweise tauchen ständig neue Cyberbedrohungen auf, und ein Modell, das auf der Grundlage früherer Angriffsmuster trainiert wurde, kann mit der Zeit veralten. Um eine Leistungsminderung zu verhindern, müssen Modelle regelmäßig mit aktualisierten Daten neu trainiert, kontinuierlich auf Fehler überwacht und an sich ändernde Bedingungen angepasst werden. Andernfalls kann es zu veralteten Vorhersagen, Sicherheitslücken oder einer sinkenden Genauigkeit kommen.

Eine allgemeine Übersicht über die Trainingspipeline für ein überwachtes maschinelles Lernmodell ist in Abbildung32 dargestellt.

Comparison between ML and DL pipelines.

Abbildung 32: Überblick über die Trainingspipelines für ML/DL-Modelle .

Anwendungen von KI in der maritimen Cybersicherheit

Intrusion Detection Systems (IDS)

Ein Intrusion Detection System (IDS) ist eine Sicherheitslösung, die dazu dient, unbefugte Zugriffe, böswillige Aktivitäten und potenzielle Bedrohungen zu erkennen, indem sie den Netzwerkverkehr, das Benutzerverhalten und die Systemprotokolle kontinuierlich überwacht. Die Platzierung eines IDS hängt von seinem Typ ab. Ein netzwerkbasiertes IDS (NIDS) wird in der Regel zwischen der Firewall und dem internen Netzwerk platziert, wie in Abbildung33 dargestellt, wo es den gesamten ein- und ausgehenden Datenverkehr auf verdächtige Muster überprüft, bevor diese kritische Systeme erreichen. Wenn ein Angreifer die Firewall umgeht, erkennt das IDS Anomalien und generiert eine Warnmeldung für weitere Untersuchungen. Ein hostbasiertes IDS (HIDS) hingegen wird direkt auf einzelnen Geräten wie dem Navigationssystem eines Schiffes, Servern oder Workstations installiert, wo es Systemprotokolle, Dateiintegrität und Benutzeraktivitäten überwacht, um böswillige Änderungen zu erkennen. Im maritimen Kontext spielen IDS eine entscheidende Rolle beim Schutz kritischer Vorgänge wie Frachtmanagement, Navigation und Kommunikationsnetzwerke (MarPoint, 2025).

Intrusion Detection & Prevention Systems : The Ultimate Guide | DataSilk

Abbildung 33: Intrusion Detection System

DS nutzt zwei primäre Ansätze zur Erkennung böswilliger Aktivitäten:

  • Signaturbasierte Erkennung: Vergleicht beobachtete Aktivitäten mit einer Datenbank bekannter Angriffssignaturen unter Verwendung von String-Matching-Techniken. Diese Methode ist sehr effektiv für die Identifizierung bereits bekannter Bedrohungen, kann jedoch neue oder sich weiterentwickelnde Angriffe nicht erkennen.
  • Verhaltensbasierte Erkennung: Überwacht Abweichungen von normalen Aktivitätsmustern und ermöglicht so die Identifizierung neuer oder unbekannter Bedrohungen. Diese Methode ist zwar anpassungsfähiger, kann jedoch zu mehr Fehlalarmen führen.

A diagram of a process

AI-generated content may be incorrect.

Abbildung 34: Klassifizierung von Ansätzen zur Intrusion Detection .

KI-gesteuerte IDS verbessern die Sicherheit, indem sie Daten in Echtzeit analysieren, Anomalien identifizieren und typische Netzwerkmuster von schädlichen Eindringversuchen unterscheiden. Durch die Integration sowohl überwachter Methoden, die auf bekannten Angriffssignaturen basieren, als auch unüberwachter Methoden, die ungewöhnliche Abweichungen von normalen Aktivitäten erkennen, reduzieren KI-basierte IDS Fehlalarme und verbessern die Erkennungsgenauigkeit.

KI-gestützte IDS verwenden Algorithmen des maschinellen Lernens, um Bedrohungen genauer zu erkennen. Diese Algorithmen helfen IDS dabei, sowohl bekannte als auch unbekannte Cyberangriffe zu erkennen.

  • Überwachtes Lernen: Bei diesem Ansatz wird ein KI-Modell anhand von Angriffsdaten aus der Vergangenheit trainiert, die als „sicher” oder „gefährlich” gekennzeichnet sind. Die KI lernt aus diesen Daten und wendet ihr Wissen dann an, um neue Bedrohungen zu erkennen.
  • Unüberwachtes Lernen: Im Gegensatz zum überwachten Lernen erfordert diese Methode keine gekennzeichneten Daten. Stattdessen identifiziert die KI ungewöhnliche Aktivitäten, indem sie Muster erkennt, die nicht dem normalen Verhalten entsprechen.

Ein häufiges Problem bei herkömmlichen IDS sind Fehlalarme, bei denen harmlose Netzwerkaktivitäten fälschlicherweise als Bedrohung gekennzeichnet werden. KI reduziert Fehlalarme, indem sie aus früheren Fehlern lernt und ihre Genauigkeit im Laufe der Zeit verbessert. KI kann auch mehrere Erkennungsmethoden kombinieren, um die Ergebnisse zu verbessern. Durch die Kombination von signaturbasierter und verhaltensbasierter Erkennung minimieren KI-gestützte IDS Fehler und gewährleisten gleichzeitig eine hohe Sicherheit. Einige KI-Modelle verwenden sogar verstärktes Lernen, eine Technik, bei der die KI ihre Erkennungsregeln auf der Grundlage von Rückmeldungen kontinuierlich anpasst.

Da ein IDS ein passives System ist, ergreift es keine direkten Maßnahmen gegen erkannte Bedrohungen. Stattdessen generiert es Warnmeldungen für menschliche Bediener oder integriert sich in SIEM-Systeme (Security Information and Event Management) zur weiteren Analyse und Reaktion. Eindringversuche können sowohl von externen als auch von internen Quellen ausgehen, was IDS zu einer wesentlichen Komponente von Cybersicherheitsstrategien in allen Branchen macht.

Intrusion Prevention Systems (IPS)

Ein Intrusion Prevention System (IPS) ist eine Sicherheitstechnologie, die entwickelt wurde, um böswillige Aktivitäten innerhalb eines Netzwerks oder Systems zu erkennen und proaktiv zu verhindern. Im Gegensatz zu einem IDS, das verdächtige Aktivitäten passiv überwacht und meldet, ergreift ein IPS direkte Maßnahmen, um Angriffe in Echtzeit zu blockieren, abzuschwächen oder zu stoppen. Während ein IDS im Wesentlichen ein Überwachungsinstrument ist, fungiert ein IPS als Kontrollsystem, das Bedrohungen aktiv verhindert, bevor sie Schäden in Bereichen wie Navigation, Frachtumschlag oder Kommunikationsverbindungen verursachen (Sowmya und Anita, 2023).

IPS wird in der Regel hinter einer Firewall, aber vor internen Systemen eingesetzt, sodass es sowohl den eingehenden als auch den ausgehenden Datenverkehr überprüfen kann, wie in Abbildung35 dargestellt. Im Gegensatz zu einer Firewall, die in erster Linie auf der Grundlage vordefinierter Regeln filtert, nutzt ein IPS fortschrittliche Analysen, um dynamische Bedrohungen in Echtzeit zu erkennen und zu blockieren. In einigen Netzwerkarchitekturen arbeitet IPS zusammen mit IDS, wobei IDS Bedrohungen erkennt und Administratoren alarmiert, während IPS aktive Maßnahmen ergreift, um Bedrohungen zu neutralisieren.

Intrusion Detection & Prevention Systems : The Ultimate Guide | DataSilk

Abbildung 35: Intrusion Prevention System

Wichtige Aktionen, die von einem IPS ausgeführt werden:

  • Senden von Warnmeldungen an Administratoren.
  • Verwerfen potenziell schädlicher Pakete.
  • Blockieren von Verbindungen aus böswilligen Quellen.
  • Neustart kompromittierter Verbindungen, um weitere Ausnutzung zu verhindern.
  • KI-gesteuertes IPS für mehr Sicherheit

Moderne IPS-Lösungen nutzen KI-gesteuerte Analysen und Echtzeit-Datenfeeds, um Bedrohungen effektiver zu erkennen und zu blockieren. Durch kontinuierliches Lernen aus historischen und neuen Angriffsmustern verbessern diese Systeme ihre Genauigkeit und reduzieren Fehlalarme. Durch die Integration von KI-gesteuerten Analysen mit Echtzeit-Datenfeeds verbessern moderne IPS die Sicherheit, indem sie infizierte Endpunkte isolieren, bösartige IP-Adressen blockieren und Firewall-Regeln dynamisch ändern, um die seitliche Ausbreitung von Bedrohungen über Schiffs- und Hafennetzwerke zu verhindern (Maritime Intelligence, 2025). Ein bemerkenswertes Beispiel hierfür ist die Implementierung eines netzwerkbasierten IPS durch Cisco, das interne Netzwerkbedrohungen effektiv erkannte und abwehrte, bevor sie zu Datenverlusten oder Dienstunterbrechungen führen konnten. Durch die Analyse des ein- und ausgehenden Datenverkehrs innerhalb des Unternehmens bot das IPS von Cisco eine wichtige Verteidigungsebene und demonstrierte die Wirksamkeit von KI-gestützten IPS bei der proaktiven Neutralisierung von Cyberbedrohungen, bevor diese eskalieren (Contentree, 2025).

Open-Source-Systeme zur Erkennung und Abwehr von Eindringlingen

Da sich Cyber-Bedrohungen ständig weiterentwickeln, sind Open-Source-IDS und -IPS zu unverzichtbaren Tools für die Überwachung und Sicherung von Netzwerken geworden. Zwei der am weitesten verbreiteten Open-Source-IDS/IPS-Lösungen sind Snort und Suricata, die beide eine Echtzeit-Erkennung und -Prävention von Bedrohungen bieten und gleichzeitig Flexibilität und Anpassungsmöglichkeiten bieten.

Snort: Ein regelbasiertes IDS/IPS

Snort wurde ursprünglich 1998 von Martin Roesch entwickelt und ist ein signaturbasiertes IDS/IPS, das in der Lage ist, Echtzeit-Verkehrsanalysen und Paketprotokollierungen in IP-Netzwerken durchzuführen. Es verwendet eine regelbasierte Sprache, die es ermöglicht, Signaturen, Protokolle und anomaliebasierte Erkennungs -Techniken zu integrieren, um eine Vielzahl von Cyber-Bedrohungen zu identifizieren, darunter Denial-of-Service-Angriffe (DoS), Pufferüberläufe, Stealth-Port-Scans und CGI-Angriffe.

Snort funktioniert durch das Sniffen von Netzwerkpaketen mithilfe von Bibliotheken wie libpcap und WinPcap und kann in drei Hauptmodi betrieben werden:

  • Paket-Sniffing-Modus – Erfasst und überwacht den rohen Netzwerkverkehr.
  • Paketprotokollierungsmodus – Zeichnet Netzwerkpakete zur Analyse und Fehlerbehebung auf.
  • Intrusion Detection Mode – Vergleicht die Netzwerkaktivität mit vordefinierten Regeln und sendet Warnmeldungen, wenn Bedrohungen erkannt werden.

Ein wesentlicher Vorteil von Snort ist seine anpassungsfähige Regelsprache, mit der Benutzer benutzerdefinierte Sicherheitsrichtlinien festlegen können. Es lässt sich gut in Firewalls integrieren und bietet so eine zusätzliche Verteidigungsebene, was es zu einem wertvollen Werkzeug für die interne Netzwerküberwachung macht.

Blinding Snort to Network Attacks

Abbildung 36: Einfache Snort-Netzwerktopologie .

Suricata: Hochleistungsfähiges IDS/IPS und Netzwerk-Sicherheitsüberwachung (NSM)

Suricata, entwickelt von der Open Information Security Foundation (OISF), ist ein IDS/IPS der nächsten Generation, das die traditionelle Netzwerksicherheitsüberwachung um Deep Packet Inspection (DPI) und natives Multithreading erweitert. Im Gegensatz zu Snort, das sich in erster Linie auf die signaturbasierte Erkennung konzentriert, kann Suricata mehrere Protokollschichten (einschließlich HTTP, TLS, DNS und SMB) analysieren, um komplexere und schwerer zu erkennende Bedrohungen zu erkennen.

Einer der wichtigsten Vorteile ist die Fähigkeit, Netzwerkverkehr dank seiner Multithreading-Architektur mit hoher Geschwindigkeit zu verarbeiten, wodurch es sich gut für den Einsatz in Unternehmen und cloudbasierten Sicherheitsumgebungen eignet. Darüber hinaus lässt es sich nahtlos in verschiedene Tools für Sicherheitsinformationen und Ereignismanagement sowie Datenanalyseplattformen integrieren und ermöglicht so die Visualisierung und Analyse potenzieller Bedrohungen in Echtzeit.

Eine weitere einzigartige Funktion von Suricata ist die Netzwerk-Sicherheitsüberwachung (NSM), mit der neben der Erkennung von Eindringlingen auch Metadaten aus dem Netzwerkverkehr extrahiert werden können. Diese Funktion hilft Cybersicherheitsteams dabei, Sicherheitsvorfälle effektiver zu untersuchen, und liefert tiefere Einblicke in das Netzwerkverhalten.

Deep Packet Inspection für die Erkennung komplexer Bedrohungen

Deep Packet Inspection (DPI) geht über die Untersuchung von Paket-Headern hinaus, indem es die Nutzdaten und Metadaten der übertragenen Daten analysiert und so einen detaillierten Einblick in Protokolle, Inhalte auf Anwendungsebene und benutzerdefiniertes Verhalten bietet. Im Gegensatz zur herkömmlichen Paketfilterung, bei der nur die IP- und TCP/UDP-Header überprüft werden, untersucht DPI das gesamte Paket und kann so bösartige Nutzdaten, Richtlinienverstöße oder verschlüsselte Bedrohungen identifizieren, die von einfacheren, nur auf Headern basierenden Filtersystemen oft übersehen werden (Leslie, 2020).

Eine DPI-Engine überprüft den Inhalt von Paketen in Echtzeit und filtert den Datenverkehr mithilfe von signaturbasiertem Abgleich, Heuristik und Anomalieerkennung. Sie kann Pakete anhand von Protokoll, Anwendungstyp und Inhalt klassifizieren, was für die Identifizierung von Bedrohungen, die in legitim aussehendem Netzwerkverkehr versteckt sind, unerlässlich ist. Beispielsweise kann DPI zwischen normalem HTTP-Verkehr und einem HTTP-basierten Angriff wie SQL-Injection oder Command-and-Control-Malware-Kommunikation unterscheiden. DPI ist auch in der Lage, SSL/TLS-Datenverkehr für Sicherheitsanalysen zu entschlüsseln, um sicherzustellen, dass verschlüsselte Pakete die Sicherheitskontrollen nicht umgehen. Viele moderne Cyberangriffe nutzen verschlüsselte Nutzdaten, um böswillige Aktivitäten zu verbergen, aber KI-gestützte DPI kann selbst in verschlüsselten Sitzungen Verhaltensanomalien identifizieren, wie z. B. ungewöhnliche Datenübertragungsmuster oder Datenverkehr zu bekannten bösartigen Domänen.

In Kombination mit KI- oder Machine-Learning-Algorithmen verbessert DPI die Erkennung von Bedrohungen, indem es aus vergangenen Netzwerkmustern lernt und Zero-Day-Angriffe oder fortgeschrittene persistente Bedrohungen erkennt, die herkömmliche Sicherheitsmaßnahmen umgehen.

Wenn eine Anomalie erkannt wird, können DPI-Systeme automatisierte Maßnahmen ergreifen, z. B. die Isolierung eines kompromittierten Endpunkts, die Beendigung verdächtiger Verbindungen oder die dynamische Neukonfiguration von Firewall-Regeln, um die Verbreitung von Malware in maritimen IT- und OT-Netzwerken zu verhindern (Ipoque, 2025).

A screenshot of a computer

AI-generated content may be incorrect.

Abbildung 37: Vergleich zwischen herkömmlicher Paketfilterung und Deep Packet Inspection

(Nethmal, 2025).

Generative gegnerische Netzwerke für Datenvergrößerung und Verteidigung

Generative Adversarial Networks (GANs) bestehen aus zwei konkurrierenden neuronalen Netzwerken: einem Generator, der synthetische Daten erstellt, und einem Diskriminator, der deren Authentizität bewertet, wie in Abbildung38 dargestellt. Ursprünglich für die Bildsynthese und die Erzeugung von Deepfakes entwickelt, haben sich GANs als äußerst effektiv in Cybersicherheitsanwendungen erwiesen, insbesondere bei der Intrusion Detection, dem Adversarial Training und der Malware-Analyse. Durch die Generierung hochrealistischer Angriffsbeispiele verbessern GANs maschinell lernbasierte Sicherheitsmodelle und ermöglichen ihnen, sowohl bekannte als auch bisher unbekannte Bedrohungen zu erkennen (Zhao, 2024).

 

Abbildung 38: Architektur eines GAN-Netzwerks

(TVS, 2025).

Eine der Anwendungen von Generative Adversarial Networks (GANs) in der Cybersicherheit ist ihre Fähigkeit, synthetische Malware-Muster oder Exploit-Versuche zu erzeugen und so die Trainingsdatensätze für IDS und IPS effektiv zu erweitern. Herkömmliche IDS/IPS-Lösungen basieren auf signaturbasierter Erkennung, die mit Zero-Day-Bedrohungen und sich ständig weiterentwickelnder polymorpher Malware zu kämpfen hat. Durch das Training von IDS/IPS-Modellen mit von GANs generierten gegnerischen Mustern können Cybersicherheitssysteme ihre Widerstandsfähigkeit gegenüber bisher unbekannten Angriffsstrategien verbessern. GANs werden auch bei automatisierten Penetrationstests eingesetzt, wo sie Variationen von Phishing-E-Mails, Brute-Force-Angriffs-Payloads oder Exploit-Skripte generieren, um die Sicherheitslage eines Unternehmens zu testen. Durch die Simulation realer Cyberbedrohungen ermöglichen GAN-gesteuerte Penetrationstests eine kontinuierliche Sicherheitsbewertung, ohne die Systeme tatsächlichen Angriffen auszusetzen.

Über die Intrusion Detection hinaus werden GANs häufig zur Anomalieerkennung eingesetzt. Ein GAN-basierter Anomalie-Detektor lernt zunächst die statistische Verteilung des normalen Netzwerkverhaltens und erkennt dann subtile Abweichungen, die auf versteckte Cyber-Bedrohungen, verschleierte Malware oder Versuche der Datenexfiltration hinweisen könnten. Im Gegensatz zur traditionellen regelbasierten Anomalieerkennung passen sich GANs kontinuierlich an neue Netzwerkbedingungen an, wodurch Fehlalarme reduziert und die Erkennungsgenauigkeit verbessert werden. Diese Fähigkeit, anomales Verhalten zu erkennen, ist besonders nützlich bei der Erkennung von fortgeschrittenen, hartnäckigen Bedrohungen, die sich in den legitimen Datenverkehr einfügen.

Eine weitere innovative Anwendung von GANs ist das Adversarial Training, bei dem Cybersicherheitsmodelle gegen ausweichende Angriffstechniken gehärtet werden. Angreifer verwenden häufig gegnerische Machine-Learning-Techniken, um IDS/IPS-Modelle zu manipulieren und Angriffs-Payloads zu erstellen, die herkömmliche Erkennungsmechanismen umgehen. Durch das Training von GANs zur Simulation gegnerischer Angriffe können Cybersicherheitsmaßnahmen einem Stresstest unterzogen und verstärkt werden, um die Robustheit gegen gegnerische Angriffe sicherzustellen.

Anomalieerkennung

Während IDS sich oft auf bestimmte Arten von Eindringversuchen konzentrieren, ist die Anomalieerkennung eine umfassendere Technik, die jedes atypische oder ungewöhnliche Verhalten identifiziert, das möglicherweise auf einen Systemfehler oder eine Cyberbedrohung hinweist. Durch die Überwachung von Indikatoren wie der Nutzung von Systemressourcen, der Netzwerklatenz und den Anmeldeversuchen erstellen Anomalieerkennungsalgorithmen eine Basislinie dafür, wie „normale“ Aktivitäten aussehen. Jede größere Abweichung von diesem Muster kann ein Sicherheitsproblem oder ein Betriebsproblem darstellen. In vielen maritimen Anwendungen können KI-Systeme automatisierte Gegenmaßnahmen einleiten, wie z. B. die Isolierung kompromittierter Netzwerke oder die Anpassung von Firewall-Regeln, um potenzielle Bedrohungen schnell einzudämmen (Ribeiro et al., 2023). Diese schnelle, autonome Reaktion ist in der Schifffahrt von entscheidender Bedeutung, wo kleine Zwischenfälle schnell zu großen logistischen oder sicherheitstechnischen Herausforderungen eskalieren können, wenn sie nicht sofort behoben werden.

The Use Cases of AI in Cybersecurity

Abbildung 39: Anwendungen der Anomalieerkennung in Cybersicherheits .

Prädiktive Analyse für Cyberbedrohungen

Die prädiktive Analyse nutzt historische Daten und Verhaltensmuster, um potenzielle Schwachstellen und zukünftige Angriffsstrategien zu antizipieren und so eine proaktive Cyberabwehr zu ermöglichen. Durch die Untersuchung großer Mengen vergangener Vorfälle können KI-Modelle Faktoren isolieren, die häufig Angriffen vorausgehen (Merrick, 2022). In der Praxis simulieren diese Algorithmen verschiedene Angriffsszenarien, um Schwachstellen zu identifizieren, und vermitteln den Sicherheitsteams ein klares Bild davon, wo sie ihre Ressourcen zuerst einsetzen sollten. Durch die Zuweisung von Risikobewertungen zu verschiedenen Bedrohungen können maritime Betreiber ihre Abwehrmaßnahmen priorisieren und verstärken, um kritische Systeme zu schützen. Dieser Ansatz reduziert nicht nur unmittelbare Risiken, sondern verbessert auch die langfristige Widerstandsfähigkeit gegen sich entwickelnde Cyberbedrohungen (Meijer und Wessels, 2019). Prädiktive Analysen werden häufig in Sicherheitsinformations- und Ereignismanagementsysteme integriert, um Echtzeitdaten aus mehreren Quellen zu korrelieren und so die Genauigkeit bei der Vorhersage von Bedrohungen zu verbessern. In Kombination mit Intrusion Detection and Prevention Systems können diese Modelle automatisierte Abwehrmaßnahmen auslösen, um Bedrohungen zu blockieren, bevor sie sich materialisieren.

Potenzielle Schwachstellen und gegnerische Angriffe

Obwohl KI die Cybersicherheit im Seeverkehr erheblich stärkt, birgt sie auch potenzielle Schwachstellen, die Angreifer auszunutzen versuchen könnten. Bei Angriffen werden sorgfältig manipulierte Daten in KI-Modelle eingespeist, um diese zu falschen Entscheidungen zu verleiten oder echte Bedrohungen zu ignorieren (Qiu et al., 2019). Beispielsweise könnten böswillige Akteure Malware so tarnen, dass ein KI-basiertes Erkennungssystem sie fälschlicherweise als harmlos einstuft. Eine weitere Gefahr ist das Modellvergiftung, bei der Angreifer falsche oder irreführende Informationen in die Trainingsdaten einschleusen und so die Genauigkeit des Modells nach und nach beeinträchtigen.

Um sich gegen diese Taktiken zu schützen, ergreifen maritime Organisationen häufig eine Reihe von Schutzmaßnahmen. Eine davon ist die regelmäßige Nachschulung mit auf Integrität geprüften Daten, um sicherzustellen, dass das Modell genau und auf dem neuesten Stand bleibt. Adversarial Training, bei dem das Modell während der Entwicklung absichtlich mit irreführenden Eingaben konfrontiert wird, hilft ihm ebenfalls, manipulative Angriffe zu erkennen und abzuwehren. Schließlich sind robuste Datenpipelines und Zugriffskontrollen unerlässlich, um sowohl den Trainingsprozess als auch den operativen Einsatz von KI zu schützen und die vielen Vorteile zu bewahren, die sie für die maritime Sicherheit und Effizienz mit sich bringt.

A typical adversarial machine learning attack.

Abbildung 40: Beispiel für einen adversarialen Angriff

(Catak & Sule, (2020).

Herausforderungen und Grenzen der KI

KI-gesteuerte Systeme bieten verbesserte Fähigkeiten zur Identifizierung und Abwehr von Cyberbedrohungen, bringen jedoch eine Reihe von Herausforderungen und Einschränkungen mit sich, denen sich Unternehmen stellen müssen, um ihre Wirksamkeit zu maximieren.

Datenqualität und -verfügbarkeit

Ein wesentliches Problem betrifft die Datenqualität und -verfügbarkeit. Da diese Systeme in hohem Maße auf große Mengen hochwertiger Daten angewiesen sind, um ihre Erkennungsalgorithmen zu trainieren und zu verbessern, können Ungenauigkeiten oder Lücken in diesen Daten zu fehlerhaften Vorhersagen oder übersehenen Bedrohungen führen. Unternehmen stehen oft vor Schwierigkeiten, wenn sie versuchen, Daten aus mehreren Netzwerksegmenten und unterschiedlichen Quellen zu integrieren (Palo Alto Networks, 2025). Dies kann zu einem unvollständigen Bild der Benutzeraktivitäten und des Systemverhaltens führen und Lücken in der Erkennung von Bedrohungen verursachen.

Falsch-positive Ergebnisse und Alarmmüdigkeit

Eine weitere Herausforderung ergibt sich aus der hohen Anzahl von Fehlalarmen. Obwohl KI darauf abzielt, diese fehlerhaften Warnmeldungen zu reduzieren, kann sie dennoch eine Flut von Warnungen generieren, die die Sicherheitsteams überfordern. Diese Situation kann zu Alarmmüdigkeit führen, bei der das Sicherheitspersonal aufgrund des ständigen Zustroms von Meldungen mit geringem Risiko beginnt, potenziell wichtige Warnmeldungen zu übersehen (Olateju et al., 2024). Die Verwaltung und Untersuchung dieser zahlreichen Warnmeldungen erfordert einen erheblichen Zeit- und Ressourcenaufwand, wodurch die Aufmerksamkeit möglicherweise von echten Bedrohungen abgelenkt wird.

Komplexität und mangelnde Interpretierbarkeit

Komplexität und Interpretierbarkeit stellen zusätzliche Hürden dar. Moderne KI-Techniken, insbesondere Deep Learning, können durch undurchsichtige Entscheidungsprozesse zu Ergebnissen führen. Sicherheitsanalysten fällt es möglicherweise schwer, Warnmeldungen zu vertrauen oder darauf zu reagieren, wenn sie nicht verstehen, wie oder warum das KI-Modell zu einer bestimmten Schlussfolgerung gelangt ist (Digital Leaders, 2025). Daher ist es für den Aufbau von Vertrauen in KI-gesteuerte Sicherheitstools von entscheidender Bedeutung, dass das System klare Erklärungen und Begründungen liefert.

Integration in bestehende Systeme

In vielen Unternehmen verläuft die Integration in bestehende Systeme alles andere als reibungslos. KI-gesteuerte Systeme müssen nahtlos mit der bestehenden Sicherheitsinfrastruktur eines Unternehmens zusammenarbeiten, was Kompatibilitätsprobleme mit sich bringen und umfangreiches technisches Fachwissen erfordern kann. Ältere Systeme müssen oft aktualisiert werden, bevor sie die Datenverarbeitungsanforderungen und fortschrittlichen Analysen der KI bewältigen können. Diese Anforderungen erhöhen nicht nur die Komplexität der Bereitstellung, sondern verursachen auch zusätzliche Kosten und verlängern die Implementierungszeit.

Anfälligkeit für gegnerische Angriffe

KI-Modelle selbst können anfällig für Angriffe sein, bei denen böswillige Akteure absichtlich Eingaben manipulieren, um das System zu täuschen. Dazu gehört das Einfügen irreführender Muster oder Signale, die dazu führen, dass die KI Bedrohungen falsch klassifiziert oder unbefugten Zugriff gewährt. Um diese Angriffe abzuwehren, sind eine ständige Überwachung und Aktualisierungen erforderlich, damit die Modelle angesichts sich weiterentwickelnder Angriffstechniken robust bleiben (MetaCompliance, 2025).

Voreingenommenheit in KI-Modellen

Eine weitere Sorge sind Verzerrungen innerhalb von KI-Modellen. Wenn die Trainingsdaten verzerrt sind oder bestimmte Vorurteile widerspiegeln, könnte das IDS bestimmte Gruppen, Arten von Aktivitäten oder Benutzerverhalten unfairerweise als verdächtig markieren. Dies kann nicht nur zu ethischen Problemen führen, sondern auch zu suboptimalen Sicherheitsergebnissen, da eine verzerrte Fokussierung dazu führen kann, dass das System umfassendere Bedrohungen übersieht (ISC², 2024). Die Identifizierung und Minderung von Verzerrungen ist daher entscheidend, um Fairness zu gewährleisten und die Integrität des Erkennungsprozesses aufrechtzuerhalten.

Herausforderungen in Bezug auf Regulierung und Compliance

Regulatorische und Compliance-Anforderungen führen zu einer weiteren Komplexitätsebene. Viele Branchen, darunter auch der maritime Sektor, müssen strenge Datenschutz- und Cybersicherheitsgesetze einhalten, um einen sicheren Umgang mit Nutzer-, Kunden- und Betriebsdaten zu gewährleisten. KI-gesteuerte Lösungen müssen klare Prüfpfade generieren und ausreichende Transparenz bieten, um die Compliance bei Audits nachzuweisen, was den Implementierungsprozess mit administrativen und technischen Aufwänden verbindet (Ethico, 2024). Die Einhaltung von Rahmenwerken wie dem NIST Cybersecurity Framework, ISO 27001 und den ENISA-Richtlinien ist entscheidend für die sichere und rechtmäßige Bereitstellung von KI-gestützten Cybersicherheitssystemen.

Hohe Implementierungs- und Wartungskosten

Auch die Kosten sind ein wichtiger Faktor. Die Anschaffungskosten für spezielle Hardware, Softwarelizenzen und professionelle Dienstleistungen können hoch sein, und die laufende Wartung, Aktualisierungen und das erneute Training der Modelle sind mit kontinuierlichen Ausgaben verbunden. Daher kann es für kleinere Organisationen schwierig sein, die langfristigen Investitionen zu rechtfertigen oder zu finanzieren, die für die Bereitstellung und Wartung von KI-gesteuerten Funktionen in großem Maßstab erforderlich sind (Modern Diplomacy, 2024).

Mangel an qualifizierten Fachkräften

Darüber hinaus besteht häufig eine spürbare Lücke beim erforderlichen Fachwissen für die Verwaltung KI-basierter Sicherheitssysteme. Für Unternehmen kann es schwierig sein, genügend Fachkräfte mit KI-Kenntnissen und Sicherheitserfahrung zu rekrutieren oder auszubilden. Um die Mitarbeiter über die sich schnell entwickelnden KI-Techniken und Cybersicherheitsbedrohungen auf dem Laufenden zu halten, sind kontinuierliche Weiterbildungs- und Schulungsprogramme erforderlich (Technology Magazine, 2024).

Datenschutzbedenken

Schließlich treten Datenschutzbedenken in den Vordergrund, wenn KI-gesteuerte IDS zur Überwachung des Benutzerverhaltens eingesetzt werden. Das Sammeln und Analysieren solcher detaillierten Informationen kann mit Datenschutzgesetzen in Konflikt geraten, wenn nicht sorgfältig damit umgegangen wird. Unternehmen müssen sicherstellen, dass Benutzerdaten so erfasst, gespeichert und verarbeitet werden, dass die Datenschutzrechte des Einzelnen gewahrt bleiben und Vorschriften wie die DSGVO eingehalten werden (Stewart, 2024). Um dieses Gleichgewicht zu erreichen, ist es erforderlich, die Zustimmung der Benutzer einzuholen, die Überwachungsrichtlinien klar zu formulieren und strenge Datenverwaltungspraktiken einzuhalten.

Durch die Bewältigung dieser Herausforderungen, von Datenqualität und Fehlalarmen bis hin zu Interpretierbarkeit, Kosten, Voreingenommenheit, Qualifikationslücken und Datenschutzbedenken, können Unternehmen das volle Potenzial KI-gesteuerter Lösungen ausschöpfen und gleichzeitig eine robuste Sicherheit und die Einhaltung gesetzlicher Vorschriften gewährleisten.

Zusammenfassend lässt sich sagen, dass KI die Cybersicherheit im Seeverkehr verändert, indem sie die Erkennung von Bedrohungen verbessert, Cyberangriffe verhindert und den Schiffsbetrieb optimiert. Durch maschinelles Lernen und Deep Learning helfen KI-gesteuerte Systeme wie IDS, IPS und DPI dabei, Sicherheitsrisiken in Echtzeit zu überwachen, zu analysieren und darauf zu reagieren. Predictive Analytics stärkt die Cyberabwehr zusätzlich, indem Schwachstellen identifiziert werden, bevor Angriffe stattfinden. Die Einführung von KI bringt jedoch auch Herausforderungen mit sich, darunter gegnerische Angriffe, Verzerrungen und Komplexitäten bei der Integration. Um die Widerstandsfähigkeit zu gewährleisten, sind kontinuierliche Fortschritte bei KI-Sicherheitsstrategien wie gegnerischem Training, verbesserter Einhaltung gesetzlicher Vorschriften und adaptiven Lernmodellen unerlässlich. Mit der Weiterentwicklung der Cyberbedrohungen wird KI eine immer wichtigere Rolle beim Schutz des Seeverkehrs spielen und gleichzeitig die betriebliche Effizienz und Sicherheit verbessern.

6. Fazit

Zusammenfassend lässt sich sagen, dass der Aufstieg neuer Technologien sowohl spannende Chancen als auch erhebliche Herausforderungen für die Cybersicherheit im Seeverkehr mit sich bringt. Autonome Systeme und Technologien der nächsten Generation versprechen zwar eine Revolution der Branche, bringen aber auch eine Reihe neuer Schwachstellen und Sicherheitsrisiken mit sich, die angegangen werden müssen. Die zunehmende Integration von IoT-Geräten in den Schiffsbetrieb erfordert einen ganzheitlichen Sicherheitsansatz, dessen Schwerpunkt auf dem Schutz sowohl der Geräte als auch der Netzwerke liegt, mit denen sie verbunden sind.

Da die Branche zunehmend auf KI-gesteuerte Cybersicherheitslösungen setzt, gewinnt das Potenzial für prädiktive Analysen und proaktive Bedrohungserkennung an Bedeutung und bietet neue Möglichkeiten, Angriffe zu verhindern, bevor sie stattfinden. Diese Technologien müssen jedoch sorgfältig in bestehende Sicherheitsinfrastrukturen integriert werden, um zusätzliche Komplexität oder Schwachstellen zu vermeiden.

Mit Blick auf die Zukunft muss der maritime Sektor einen vorausschauenden Ansatz für Cybersicherheit verfolgen und seine Abwehrmaßnahmen kontinuierlich weiterentwickeln, um mit den technologischen Fortschritten Schritt zu halten. Durch die Bewältigung der mit Automatisierung, IoT und KI verbundenen Risiken kann die Branche eine widerstandsfähige Cybersicherheitsstrategie aufbauen, die nicht nur den aktuellen Betrieb schützt, sondern auch die sichere Einführung zukünftiger Technologien gewährleistet.