Maximilian Krause

Ziel des Projekts war die vollständige Ablösung eines gewachsenen SAP-HCM-Systems durch SAP SuccessFactors, um die HR-Prozesse eines weltweit tätigen Energieversorgers auf eine moderne, cloudbasierte Plattform zu überführen. Die Systemarchitektur sah dabei ein zentrales Hauptmodul vor, von dem regional angepasste Ländervarianten abgeleitet wurden, um der internationalen Aufstellung des Unternehmens gerecht zu werden.

Ich begleitete das Testing-Team und wirkte aktiv in der User-Acceptance-Testing-Phase (UAT) mit. Ich aktivierte End-to-End-Tests und übernahm die Zuweisung von Testfällen an Gruppen von Endanwendern auf Kundenseite. Das UAT-Konzept sah vor, dass die tatsächlichen späteren Systemnutzer die Testfälle eigenständig durchführten, da sie Abweichungen vom Sollprozess am schnellsten identifizieren. Ich betreute das Projekt bei den täglichen UAT-Meetings, in denen die Tester Fragen stellen und Bugs melden konnten.

Vor dem Hintergrund einer rapide wachsenden IoT-Bedrohungslandschaft war es Ziel des Forschungsprojekts, eine
wissenschaftlich fundierte Infrastruktur zur kontrollierten Analyse von Malwareinfektionen an IoT-Geräten aufzubauen
und parallel eine skalierbare Plattform zu entwickeln, die Netzwerkverkehrsdaten aus über 300 realen Smart Homes
systematisch erfassen und auswerten kann.
Ich übernahm den technischen Aufbau eines Honeypot-ähnlichen Netzwerks, das die kontrollierte Infektion von
IoT-Geräten unter Laborbedingungen ermöglichte. Durch gezielten Einsatz von Privilege-Escalation-Techniken und
anschließende Malwareinfektion konnte das reale Angreiferverhalten reproduzierbar nachgebildet werden. Zur
Auswertung der anfallenden Datenmassen entwickelte ich Python- und Rust-basierte Analysewerkzeuge, die in der Lage
waren, mehr als 40 Milliarden Netzwerkpakete automatisiert zu verarbeiten – ein Volumen, das manuelle Analyse
ausschloss und hochoptimierte Pipelines erforderte.
Parallel konzipierte und implementierte ich ein Python-Backend zur vollständigen Verwaltung einer groß angelegten
Feldstudie, in der Netzwerkverkehr aus über 300 Smart Homes aufgezeichnet wurde. Das Backend deckte die gesamte
Studienlogistik ab – von der technischen Geräteintegration über die Datenverwaltung bis hin zur Kommunikation und
Betreuung der Studienteilnehmenden.
Ergänzend führte ich statistische Analysen von IoT-Firmwareupdates durch und entwickelte Konzepte zur
automatisierten Unterscheidung regulärer Updates von bösartigen Anomalien. Abschließend baute ich eine
Trainingspipeline für Deep-Learning-Modelle auf Basis von Federated Learning auf – einem dezentralen Ansatz, der es
erlaubt, Anomalieerkennungsmodelle direkt auf den verteilten Haushaltsdaten zu trainieren, ohne diese zentral
zusammenführen zu müssen, und damit sowohl Datenschutz als auch Modellqualität sicherstellt.