ASGARD verfolgt ein klares Ziel: die technologische Autonomie von Strafverfolgungsbehörden zu stärken und deren effektive Nutzung moderner Technologien zu ermöglichen. Im Mittelpunkt stehen Forensik, Intelligence und Prävention. Die entwickelten Technologien werden unter einem Open-Source-Ansatz an Endnutzer überführt, wodurch Abhängigkeiten von einzelnen Anbietern vermieden werden. Das Projekt konzentriert sich auf die Verarbeitung beschlagnahmter Daten, Big-Data-Lösungen sowie neue Forschungsfelder. Ein Konsortium aus Strafverfolgungsbehörden und Forschungseinrichtungen sorgt für den Wissenstransfer und bildet eine geschlossene Open-Source-Community von Anwendern. Neben klassischen Use Cases und Tests werden auch Hackathons eingesetzt, um Ergebnisse praxisnah zu demonstrieren.

ASGARD verfolgt einen iterativen Ansatz mit schneller Ergebniserzielung und setzt auf pragmatische Lösungen („funktional statt perfekt“), flexible Einsatzstrategien und ein Lizenz- sowie IPR-Konzept, das den Anforderungen von Strafverfolgungsbehörden und ethischen Standards entspricht. Datenschutz, Ethik und gesellschaftliche Auswirkungen werden dabei stets berücksichtigt. So schafft ASGARD eine Plattform, die es Ermittlern ermöglicht, von modernen Technologien, agilen Methoden und Open-Source-Praktiken zu profitieren – dieselben Ansätze, die auch von der IT-Industrie sowie von organisierter Kriminalität und Terrororganisationen genutzt werden.

Ausgewählte Ergebnisse

Der Großteil der Forschung in diesem Projekt konzentriert sich auf die Entwicklung neuer Techniken, Modelle und Frameworks zur visuellen Analyse großer Mengen an Social-Media-Interaktionen und textbasierter Kommunikation. Unser Beitrag umfasst dabei:

Eine neuartige Technik, die Experten bei der Analyse beliebiger, zeitgestempelter Interaktionen unterstützt. Sie ermöglicht eine merkmalgetriebene Untersuchung relevanter Kommunikationsereignisse, indem bidirektionale Kommunikationsereignisse als kontinuierliche Kommunikationsdichtefunktion modelliert werden. Zusätzlich führen wir Merkmale ein, die auf Kommunikationsdichte und anderen Parametern basieren und das bidirektionale Kommunikationsverhalten in einzelnen Episoden charakterisieren.

Ein Visual-Analytics-Framework zur Bewertung zeitlicher Hypergraph-Vorhersagemodelle. Wir stellen die Kernkomponenten vor: einen Sliding-Window-Ansatz für Vorhersagen sowie eine interaktive Visualisierung für teilweise unscharfe zeitliche Hypergraphen. Unser visuelles Interface richtet den Fokus auf einen einzelnen Nutzer in seinem Kontext und kombiniert detaillierte Informationen zu Vorhersagen, Trainings- und Testdaten.

Ein neuartiges, interaktives Framework zur Exploration zeitlicher Hypergraphen mithilfe von semantischem Zooming, basierend auf einem mehrstufigen, matrixbasierten Ansatz und verschiedenen Explorationskonzepten. Die Technik integriert ein geometrisches Deep-Learning-Modell als Vorlage für problemspezifische Modelle und verbindet Visualisierungen für graphbasierte und kategoriebasierte Daten mit einer neuen Kombination von Interaktionen für eine effektive, nutzergetriebene Exploration. Dadurch wird eine fokussierte Analyse relevanter Verbindungen und Gruppen ermöglicht – durch interaktive Nutzersteuerung bei Filter- und Suchaufgaben, eine dynamisch anpassbare Partitionierungshierarchie, verschiedene Matrix-Neuordnungs¬techniken und interaktives Modell-Feedback.

Darüber hinaus führte die Arbeit auch zu Fortschritten in der theoretischen Forschung, etwa durch neue Erkenntnisse zu den Gemeinsamkeiten und Unterschieden zahlreicher Projektionstechniken und dem Einfluss von Merkmalen und Parametern auf Datenrepräsentationen. Sie liefert zudem eine datengestützte Intuition über die Beziehungen zwischen Projektionen und postuliert, dass – abhängig von Aufgabe und Daten – die Wahl einer spezifischen Projektionstechnik oder einer Kombination verschiedener Ansätze zu einer effektiveren Analyse führen kann.