ASGARD verfolgte ein übergeordnetes Ziel: einen Beitrag zur technologischen Autonomie von Strafverfolgungsbehörden sowie zur effektiven Nutzung von Technologie zu leisten. Die entwickelten Technologien werden den Endnutzern im Rahmen eines Open-Source-Modells zur Verfügung gestellt, mit einem Schwerpunkt auf Forensik, Intelligence und Foresight, also intelligence-gestützter Prävention und Antizipation. ASGARD wird Fortschritte bei der Verarbeitung sichergestellter Daten, der Verfügbarkeit großer Datenmengen sowie bei Big-Data-Lösungen in einer zunehmend vernetzten Welt vorantreiben. Darüber hinaus werden neue Forschungsbereiche adressiert. Das Konsortium ist so konfiguriert, dass Endnutzer und Praktiker aus Strafverfolgungsbehörden Anforderungen aus der Forschungs- und Entwicklungsgemeinschaft „ziehen“, während diese den Transfer von Wissen und Innovation „vorantreibt“. Den Endpunkt von ASGARD bildet eine Gemeinschaft von Nutzern aus Strafverfolgungsbehörden, wobei Technologie als zentraler Bezugspunkt für die Zusammenarbeit dient, im Sinne einer eingeschränkten Open-Source-Gemeinschaft. Zusätzlich zu traditionellen Use Cases und Erprobungen wird ASGARD, im Einklang mit Open-Source-Konzepten und Ansätzen der kontinuierlichen Integration, Hackathons nutzen, um Projektergebnisse zu demonstrieren. Vendor Lock-in wird adressiert, wobei zugleich die Rolle von Anbietern sowie bestehende Investitionen von Strafverfolgungsbehörden anerkannt werden. Das Projekt verfolgt einen zyklischen Ansatz, um frühzeitig Ergebnisse zu erzielen. Datensätze, Datenanalyse, insbesondere multimodale und multimediale Analyse, Data Mining sowie Visual Analytics sind im Arbeitsplan enthalten. Die Technologien werden nach der Maxime „Es funktioniert“ statt „Es ist die beste Lösung“ entwickelt. Strategien für eine schnelle Übernahme und flexible Bereitstellung sind ebenfalls vorgesehen. Das Projekt umfasst einen Lizenzierungs- und IPR-Ansatz, der mit den praktischen Realitäten von Strafverfolgungsbehörden sowie ethischen Anforderungen vereinbar ist. ASGARD verfolgt einen umfassenden Ansatz in Bezug auf Datenschutz, Ethik und gesellschaftliche Auswirkungen unter Wahrung der Grundrechte. Das Projekt nutzt bestehende Vertrauensbeziehungen zwischen Strafverfolgungsbehörden und der Forschungs- und Entwicklungsindustrie sowie Erfahrungswissen aus der FCT-Forschung. ASGARD wird es seiner Nutzergemeinschaft ermöglichen, von agilen Methoden, technologischen Trends und Open-Source-Ansätzen zu profitieren, die derzeit sowohl im allgemeinen IKT-Sektor als auch von organisierter Kriminalität und terroristischen Organisationen genutzt werden.

Im Rahmen des ASGARD-Projekts entwickelte die Universität Konstanz neuartige Visual-Analytics-Methoden zur Analyse komplexer Kommunikations- und Netzwerkdaten. Diese Methoden konzentrieren sich auf die Untersuchung temporaler Kommunikationsmuster, die Analyse dynamischer Netzwerke und Hypergraphen sowie die Entwicklung interaktiver Systeme zur Exploration großer Graphstrukturen.

Forschungsfragen

• Wie gelingt der Aufbau einer Gemeinschaft aus Strafverfolgungsbehörden, Industrie/KMU sowie Forschungs- und Technologieorganisationen bzw. Wissenschaft, die erfolgreich zusammenarbeitet, um Open-Source-Big-Data-Technologielösungen zu definieren, zu entwickeln, zu teilen und weiterzuentwickeln, die Strafverfolgungsbehörden bei der Prävention und Bekämpfung von Kriminalität und Terrorismus unterstützen.
• Entwicklung eines Visual-Analytics-Frameworks, das Datenanalyse, Visualisierungen und Interaktionen integriert und orchestriert, um Aufgaben von Strafverfolgungsbehörden zu unterstützen.
• Entwicklung analytischer Werkzeuge, die von Strafverfolgungsbehörden genutzt werden können, um aus großen Mengen heterogener Daten, insbesondere aus Kommunikationsnetzwerken, nützliches Wissen und Erkenntnisse abzuleiten.
• Wie können temporale Entwicklungen in dynamischen Netzwerken modelliert werden?
• Wie können Hypergraphen und Gruppeninteraktionen untersucht werden?
• Wie können prädiktive Modelle und Visual Analytics kombiniert werden?

Ausgewählte Ergebnisse

Der Großteil der Forschung in diesem Projekt konzentriert sich auf die Entwicklung neuer Techniken, Modelle und Frameworks für die visuelle Analyse großer Mengen von Social-Media-Interaktionen und textbasierter Kommunikation. In diesem Zusammenhang wurden unter anderem folgende Beiträge geleistet:

Eine neuartige Technik zur Unterstützung von Experten beim Verständnis beliebiger zeitgestempelter Interaktionen. Sie ermöglicht eine merkmalsgetriebene Untersuchung relevanter Kommunikationsepisoden, indem bidirektionale Kommunikationsereignisse als kontinuierliche Kommunikationsdichtefunktion modelliert werden. Zusätzlich werden Merkmale auf Grundlage der Kommunikationsdichte und weiterer Kommunikationsparameter eingeführt, welche das bidirektionale Kommunikationsverhalten in einzelnen Episoden charakterisieren.

Ein Visual-Analytics-Framework zur Bewertung temporaler Hypergraph-Vorhersagemodelle. Wir stellen dessen zentrale Komponenten vor: einen Sliding-Window-Ansatz für Vorhersagen sowie eine interaktive Visualisierung für partiell unscharfe temporale Hypergraphen. Die visuelle Schnittstelle fokussiert auf einen einzelnen Nutzer in seinem Kontext und kombiniert detaillierte Informationen zu Vorhersagen, Trainingsdaten und Holdout-Daten.

Ein neuartiges interaktives Framework zur Exploration temporaler Hypergraphen durch Semantic Zooming, basierend auf einem mehrstufigen matrixbasierten Ansatz und verschiedenen Explorationskonzepten. Die Technik integriert ein geometrisches Deep-Learning-Modell als Blaupause für problemspezifische Modelle und kombiniert Visualisierungen für graphbasierte und kategorienbasierte Daten mit einer neuartigen Kombination von Interaktionen für eine effektive nutzergesteuerte Exploration. Wir ermöglichen eine fokussierte Analyse relevanter Verbindungen und Gruppen durch interaktive Nutzersteuerung für Filter- und Suchaufgaben, eine dynamisch veränderbare Partitionshierarchie, verschiedene Matrix-Reordering-Techniken sowie interaktives Modellfeedback.

Darüber hinaus führte die Arbeit auch zu Fortschritten in der theoretischen Forschung, etwa indem Gemeinsamkeiten und Unterschiede einer Vielzahl von Projektionstechniken sowie der Einfluss von Merkmalen und Parametern auf Datenrepräsentationen herausgearbeitet wurden. Zudem wurde eine datengetriebene Intuition für die Beziehungen zwischen verschiedenen Projektionen bereitgestellt. Dabei wird postuliert, dass je nach Aufgabe und Datengrundlage eine andere Wahl der Projektionstechnik oder eine Kombination mehrerer Techniken zu einer effektiveren Darstellung führen kann.