Algorithmen des Internets Sommersemester

Präsentation zum Thema: "Algorithmen des Internets Sommersemester"—  Präsentation transkript:

1 Algorithmen des Internets Sommersemester 2005 04. 07. 2005 12
Algorithmen des Internets Sommersemester und letzte Vorlesung Christian Schindelhauer

2 Überblick Das Internet: Einführung und Überblick
Mathematische Grundlagen IP: Routing im Internet TCP: Das Transport-Protokoll des Internets Die Struktur des World Wide Web und des Internets Suche im Web Web-Caching im Internet Peer-to-peer-Netzwerke Angriffe auf das Internet Spam-Mails und Spam-Filter Denial of Service Angriffe und ihre Abwehr Viren, Würmer, Trojaner, Hoaxes Heute

3 Was ist SPAM? Spam: ist der Gebrauch eines elektronischen Mediums in unverhältnismäßig großen Ausmaße Ausprägung: Spam- Instant Messages Usenet Newsgroups Spam-Webseiten für Web-Suchmaschinen Spamdexing Weblogs Handy-SMS Internet-Telefon-SPAM Unterschied zu herkömmlicher Werbung: Die Kosten werden dem “Konsumenten” des Spams aufgebürdet

4 Spam-E-Mail E-Mail-Spam
Tausend bis Millionen versandte Kopien einer fast identischen Offizielle Begriffe UCE (Unsolicited Commercial ) unerbetene kommerzielle UBE (Unsolicited Bulk ) unerbetene Massen- Fakten: (sophos.com, Apr. 2004) Wo kommt sie her? 50% von “Zombie”-PCs deren Besitzer nichts davon ahnen Prozentualer Anteil an allen s geschätzt: 68%-83% 1. United States (35.7 %) 2. South Korea (24.9 %) 3. China and Hong Kong (9.7 %) 4. France (3.1 %) 5. Spain (2.7 %) 6. Canada (2.6 %) 7. Japan (2.1 %) 8. Brazil (1.9 %) 9. United Kingdom (1.5 %) 10. Germany (1.2 %) 11. Australia (1.2 %) 12. Poland (1.2 %)

5 Wie funktionieren ein SPAM-Filter? Beispiel SPAM-Assassin Version 3.0
Problem: Fehler erster Ordung (false positive) versus Fehler zweiter Ordnung (false negative) 628 Basis-Regeln mit 227 Unter-Regeln.z.B. DRUGS_* (bezeichnet of Arzneimittel adressiert werden) LONGWORDS (viele Wörter mit mehr als 5 Buchstaben) Anwedung Bayessche Regeln auf Schlüsselwörter (Token) Genetische Algorithmen seit Version 3.0 nicht mehr Bestandteil Ergebnisse werden mittels eines Perzeptrons kombiniert, d.h. lineare Kombination der gewichteten Regeln mit Anwendung einer Schwellwert Funktion mit Werte Gewichte werden in Testreihen mit Test-Mails bestimmt [Van Dinter 2004, ApacheCon 2004]

6 Beispiele für besonders erfolgreiche Regeln
Message-ID in Großbuchstaben 11,3 % SPAM False Positives: 0% X-Message-Info existiert 18.0 % der SPAM, keine FP Sender-IP weicht von angegebener IP ab 25,7 % der SPAM, FP: 0,03 %, z.B. Received: from (unknown [ ]) by bblisa.bblisa.org (Postfix) with SMTP id DD6DE1768DB for Sat, 11 Sep :38: (EDT) MIME-Boundary beginnt mit “--” und endet mit Ziffernfolge 36,5% der SPAM, FP: 0%

7 Bayessche Filter Idee: Es gibt typische Worte in SPAM-Mails, z.B.
Viagra, “NIGERIAN MINISTER”, Das Auffinden dieser Wörter erhöht die “Wahrscheinlichkeit”, dass ein Wort SPAM ist Es gibt typische Worte, die nicht in SPAM-Mails auftuachen, z.B. Frühschicht, Butterbrot, Solche Worte erhöhen die “Wahrscheinlichkeit”, dass ein Wort keine SPAM ist Problem: Es gibt im eigentlichen Sinne keine “Wahrscheinlichkeit”, da die entweder SPAM ist oder nicht Wie kann man diesen Begriff formalisieren?

8 Der Satz von Bayes und ein Beispiel
Die bedingte Wahrscheinlichkeit P(A | B) ist definiert durch Wahrscheinlichkeit dass Ereignis A unter der Bedingung B erscheint Umgekehrt gilt: Daraus folgt der Satz von Bayes: Beispiel: A = “Mail ist SPAM” B = “ beinhaltet Viagra”

9 Einsatz von Bayes-Anti-SPAM-Filter
Bei mehreren Schlüsselwörtern B1, B2, ..., Bn erhält man dann Sind nun Bi, Bj unabhängige Ereignisse, als auch Bi∩A, Bj∩A voneinander unabhängig, erhält man Um die Wahrscheinlichkeit einer SPAM-Mail zu bestimmen, genügt es dann die Häufigkeit des Schlüsselworts in SPAM-Mails mit der Gesamthäufigkeit des Schlüsselworts in Relation zu setzen

10 Anti-Anti-Spam-Filter-Tricks
Kodierung der Schlüsselwörter durch gezielte Falschschreibung: V|agra (mit senkrechten Strich), V I A G R A, V-I-A-G-R-A, etc. durch Bilder Verwirren des Filters Einstreuen von Zitaten aus Standardtexten/Weltliteratur oft nicht sehr erfolgreich Diese Tricks können oft mit neuen bedingten Wahrscheinlichkeiten gelöst Dagegen unlösbares Problem (?): “normale” s die auf eine neue hinweisen “Hallo Tom, ich wollte Dir nur mal meine neue Web-page zeigen, klick doch mal drauf: wwww.unscheinbarer-link.de. Grüße, Tina”

11 Denial of Service-Angriffe (Dienstverweigerungsangriffe)
Denial of Service (DoS)-Angriffe verbrauchen die Ressourcen eines Rechners oder Netzwerks, um deren Verfügbarkeit zu verringern oder auszuschalten Angriffsziele Netzwerk Internet Peer-to-Peer-Netzwerke Proxy-Caching-Netzwerke Rechner Web-Server Mail-Server Router

12 DoS auf Rechner Angriffsziel Rechner, z.B. SYN-Angriffe:
Angriffsziel Rechner im Internet Eine Reihe von „half-open“ TCP-Verbindungen wird aktiviert Ununterscheidbar von regulären Anfragen Der TCP-Server muss SYN/ACK-Pakete senden und auf Reaktion warten Rechnerangriffe können relativ gut lokal abgewehrt werden Durch Abschalten des Rechners Analyse der Attacke

13 DoS-Angriff auf ein Netzwerk
Z.B. SMurf-Angriff oder distributed DoS (DDoS) Angriff gegen Internet-Service Provider (ISP) Großer Datenstrom wird auf Netzwerk gerichtet Mit gleicher Häufigkeit werden gültige wie DoS-Pakete wegen Überlastung durch IP gelöscht Netzwerkangriffe sind schwierig zu bekämpfen

14 IP ist anfällig für DoS-Angriffe
DoS-Angriffe auf IP-Ebene können meist nicht zurückverfolgt werden Der Angreifer erzeugt Datagramme mit falscher Quell-IP-Adresse Dem Empfänger der Datagramme steht die Routeninformation nicht zur Verfügung Es sei denn alle Router kooperieren bei der Suche, während einer Attacke DoS-Datagramme können nicht von legitimen Datatgrammen unterschieden werden Nur implizit und aus dem Kontext. Beispiele: Universitätsrechner werden oft benutzt, um DoS-Attacken mit korrekter Quellinformation zu führen. 11. September 2001 – Sämtliche Nachrichtensites brachen unter der legitimer Last zusammen

15 Aufgabenstellung Wie kann man die Quelle(n) einer eingehenden Datagrammflut mit gefälschten Quell-IP-Adressen bestimmen? ohne Kooperation der Router im Netzwerk

16 Quellbestimmung einer DoS-Attacke
Motivation: Im einfachsten Fall: Quelle = Angreifer Abschalten (möglicherweise instrumentalisierter) Rechner beendet (vorerst) den Angriff Problem Reflektorangriff Angreifer schickt Datagramme mit Opfer-IP-Adresse als falscher Quellinformation an unbeteiligte Netzteilnehmer (Rechner oder Drucker Die unbeteiligten Netzteilnehmer beantwortet Request an mutmaßliche Quelle Das Opfer erhält die DoS-Attacke von diesen instrumentalisierten Netzteilnehmern Gegenmaßnahme Vom instrumentalisierten Netzteilnehmer aus, muss der Angreifer gefunden werden

17 Lösung: Ingress Filtering [Ferguson, Senie ’98]
Verfahren: Router blockieren Pakete mit fehlerhafter Quellinformation Sinnvoll an Schnittstellen von ISP Diskussion Effektiv nur bei universellen Einsatz Wird aber nicht bei der Mehrheit der ISP eingesetzt

18 Lösung: Link testing by input debugging
Verfahren Routenrückverfolgung stromaufwärts Opfer beschreibt allgemeines Merkmal der DoS-Datagramme (attack signature) Opfer kommuniziert diese Merkmal an Netzwerkbetreiber der eingehenden Datagramme Dieser wiederholt dies bis zur Quelle Einige ISPs haben dieses Verfahren automatisiert [Stone ’00]

19 Lösung: Link Testing durch Controlled Flooding [Burch, Cheswick ’99]
Verfahren Opfer verfügt über eine aktuelle Routingkarte Während eines DoS-Angriffs konstruiert das Opfer die Angriffsrouten stromaufwärts indem es alle Möglichkeiten der letzten unbekannten Station selber durch einen DoS-Angriff belegt Läßt die Datenmenge kurzfristig nach, ist eine Station gefunden und der Vorgang wird per Tiefensuche fortgesetzt Nachteile Opfer wird selber zum Angreifer Kaum geeignet für verteilte DoS-Angriffe (DDoS) Kann leicht von einem Angreifer überlistet werden durch eingebaute Fluktuationen

20 Lösung: Logging Verfahren Jeder Router zeichnet alle IP-Header auf
Durch Data-Mining-Techniken kann der Angreifer bestimmt werden Nachteil Enormer Aufwand

21 Lösung: ICMP Traceback
Mit geringer Wahrscheinlichkeitkeit (z.B. 1/20.000) wird in einem Router ein ICMP-traceback-datagram an den Zielknoten geschickt Der Zielknoten kann dann den Weg rekonstruieren Nachteile: ICMP-Pakete könnten bei Pufferüberlauf vor IP-datagrammen gelöscht werden

22 ICMP Traceback Theorem
Wird mit Wahrscheinlichkeit p ein ICMP-Paket erzeugt, dann sind erwartet ((ln d) + O(1))/p DoS-Pakete ausreichend zur Bestimmung eines DoS Pfades aus d Routern. Um mit Wahrscheinlichkeit 1 ‒ ε den Pfad zu bestimmen genügen ln(d)/p ‒ ln(ε)/p DoS Pakete. Beweis wird hier nicht besprochen... Interessierte finden es im Skript von vor zwei Jahren

23 Lösung: Marking [Savage et al. ’00]
Verfahren In ungenutzte Felder des IP-Headers schreibt jeder Router seine Adresse mit gewisser W’keit Nachteil: Router müssen auf gewisse Weise mitarbeiten Distributed DoS-Pfade nur schwer rekonstruierbar

24 Quellbestimmung einer DoS-Attacke
Verwaltungs-aufwand Netzwerklast Router-aufwand Post mortem fähig Präventiv/ reaktiv Ingress filtering moderat niedrig Nein präventiv Link testing by input debugging hoch schlecht reaktiv Link testing by flooding Logging ausgezeichnet ICMP Traceback Markieren

25 Markierung Voraussetzungen und Annahmen
Ein Angreifer kann alle Pakettypen erzeugen Verschiedene Angreifer können konspirieren Angreifer wissen, dass die Pakete zurückverfolgt werden Pakete können verloren gehen oder ihre Reihenfolge kann vertauscht werden Angreifer senden zahlreiche Pakete Die Route zwischen Angreifer und Opfer ist relativ stabil Die Router habe beschränkte Rechen- und Speicherressourcen Die Router arbeiten im wesentlichen ordnungsgemäß

26 P Das Traceback-Modell V R1 A3 A1 A2 R3 R3 R1 R2 R4 R5 V: Opfer
Ri: Router Aj: mögliche Angreifer Ax =A2: tatsächlicher Angreifer P = (R2,R4,R5): Angriffspfad (R1,R3,R2,R4,R5): von Ax vorgetäuschter Pfad R4 P R5 V

27 Problemstellungen Exact traceback: Berechne exakten Angriffspfad P
Approximate traceback: Finde Pfad P‘ mit Angriffspfad P als Suffix Angreifer kann längeren Pfad vortäuschen Zwei Algorithmen: Markierungsalgorithmus im Router Algorithmus schreibt Pfadinformation in den IP-Header durchlaufender Datagramme Pfadrekonstruktion durch Opfer Löst approximate traceback Qualtitätsmerkmale: Konvergenzzeit: Anzahl notwendiger Pakete zur Lösung Speicherbedarf in IP-Header Berechnungsaufwand

28 Node Append Markierung bei Router R begin end
for all packets w do Füge R zu w hinzu od end Pfadrekonstruktion durch Opfer V for a packet w do Extrahiere Pfad P aus w return P

29 Node Append Pfadprotokoll (node append)
In IP-Header wird gesamte Pfadinformation gespeichert Jeder Router hängt seine IP an. Konvergenzzeit: 1 Probleme Pfadlänge im vorhinein nicht bekannt Datagrammlänge (praktisch) konstant Angreifer kann falsche Pfade fingieren Erheblicher Overhead

30 Node Sampling Mit Wahrscheinlichkeit p>1/2 schreibt der Router seine IP-Adresse in den IP-Header Nur eine Adresse Markierung bei Router R begin for all packets w do x ← Zufallszahl aus [0..1] if x<p then w.router ← R (Ersetze alte Information) fi od end

31 Pfadrekonstruktion by Node Sampling
Pfadrekonstruktion durch Opfer V begin for all packets w do N(R) ← Anzahl Pakete mit Router R aus Paket w od P ← sortierte Liste aller vorgekommenden Router R gemäß N(R) return P end

32 Konvergenz Node Sampling
Lemma Die Wahrscheinlichkeit bei der Pfadrekonstruktion von Node-sampling ein Paket mit Router-IP R, der Hopdistanz d zum Opfer hat zu finden ist mindestens p(1‒p)d-1 und höchstens p(1-p)d-1+(1-p)D, wobei D die Hopdistanz des Angreifers ist. Beweis: 1. Fall: Der Angreifer sendet keine Pakete mit Routerinfo R W’keit, dass d-1 Router Routerinfo nicht überschreiben: (1-p)d-1 W’keit, dass Router R Routerinfo überschreibt: p 2. Fall: Der Angreifer sendet nur Pakete mit Routerinfo R W’keit, dass D Router Routerinfo nicht überschreiben: (1-p)D W’keit, dass Router R Routerinfo überschreibt: p(1-p)d-1

33 Edge Sampling Kantenproben (edge sampling) ähnlich wie node sampling
zusätzlich wird die Entfernung der Kante eingetragen p kann nun kleiner als1/2 gewählt werden Kleine Wahl p verringert die Anzahl der Nachrichten, um die Route zu bestimmen.

34 Edge Sampling Markierung bei Router R begin end for all packets w do
x ← Zufallszahl aus [0..1] if x<p then w.start ← R w.distance ← 0 else if w.distance=0 then w.end ← 0 fi w.distance += 1 fi od end

35 Edge Sampling Pfadrekonstruktion

36 Konvergenz Edge Sampling
Theorem Die erwartete Konvergenzzeit E[T] von Edge Sampling bei Wahrscheinlichkeit p ist wenn D die Distanz des Angreifers ist. Beweis: Xi,n: Anzahl der DoS-Pakete mit Kanteninformation der Kante in Entfernung i zum Opfer und n DoS-Paketen Für i<D kann so ein Paket nicht gefälscht werden Setzt man für n den obigen Wert ein erhält man die Wahrscheinlichkeit 1/D. Der Rest des Beweises ist dann leicht einzusehen.

37 Anzahl Virusinfektionen pro 1000 Rechner im Monat
Quelle: ICSA Labs Annual Computer Virus Prevalence Survey 2004

38 Jeffrey Kephart, IBM Research Center, 1994
Computerviren (I) “Unique among all forms of artificial life, computer viruses have escaped their playpens and established themselves pervasively throughout the world’s computing environment” Jeffrey Kephart, IBM Research Center, 1994 Computervirus ist ein Program, das sich auf andere Computer und in Netzwerken verbreiten kann, indem es sich selbst ohne Wissen des Benutzers kopiert. Virustypen werden nach Übertragungsart charakterisiert Nicht Viren Hoax (falsche Viruswarnung), Kettenbrief, Gerüchte, Urban Legend, Meme keine Programme Joke-Virus keine Ausbreitung

39 Virustypen Wurm benötigt Wirtsprogramm (wie Textdokument, Betriebssystem, Mailprogramm) zur Fortpflanzung File-Infector Viren hängen sich an Programmdateien, die auf einen anderen Rechner dann den Virus weiterverbreiten Boot-Virus verändert Bootsektor von anderen Disketten oder Festplatten durch unabsichtliches Booten von infizierter Diskette Macro-Virus Benutzen Macro-Befehle in Text/Tabellen-Dokumente zur Weiterverbreitung Trojanisches Pferd ist ein legitimes Programm mit nicht spezifizierter (Viren-) Funktionalität

40 Computerviren (II) Quelle: ICSA Labs Annual Computer Virus Prevalence Survey 2004

41 Computerviren (II) Quelle: ICSA Labs Annual Computer Virus Prevalence Survey 2000/2001

42 Erfolgreiche Viren 2004

43 Virusauswirkungen Quelle: ICSA Labs 7th Annual Computer Virus Prevalence Survey 2000/2001

44 Virusauswirkungen Quelle: ICSA Labs 7th Annual Computer Virus Prevalence Survey 2000/2001

45 Virusauswirkungen Nachrichten
z.B.WM97/Jerk: “I think *** is a big stupid jerk” Pranks z.B. Yankee spielt “Yankee Doodle Dandy” um 17 Uhr Zugriffsverweigerung z.B.WM97/NightShade errichtet Passwortschutz für Dokument am Freitag, den 13. Datendiebstahl z.B. Troy/LoevLet t Maschinen und Benutzerinformation auf die Philipinen Datenbeschädigung z.B. XM/Compatable ändert Daten in Excel-Tabellen Datenlöschung z.B. Michelangelo überschreibt Teile der Festplatte am 6. März Hardwaresteuerung z.B. Chernobyl versucht BIOS am 26. April zu überschreiben

46 Ausbreitungsverhalten
Beobachtungen: Die meisten Viren kommen in der freien Wildbahn nicht vor Andere erreichen einen hohen Ausbreitungsgrad Wie schnell breitet sich ein Virus in einem idealisierten Umfeld aus? Welchen Anteil der Population infiziert der Virus? Probleme: Kommunikationsverhalten bestimmt Ausbreitung des Virus ist i.A. unbekannt, wird bösartig beeinflußt verändert sich bei Ausbreitung eines Virus Übertragungswahrscheinlichkeit unterschiedlich, verändert sich, z.B. durch verändertes Verhalten, AntiVirus-Software Virustod durch Virusverhalten, z.B. Crash durch Benutzerverhalten

47 Mathematische Modelle
SI-Modell (rumor spreading) susceptible → infected SIS-Modell (birthrate/deathrate) susceptible → infected → susceptible SIR-Modell susceptible → infected → recovered Kontinuierliche Modelle Deterministisch Stochastisch führt zu Differentialgleichungen Diskrete Modelle Graphbasierte Modelle Random Call-basiert Analyse von Markov-Prozesse

48 Infektionsmodelle SI-Modell (rumor spreading) susceptible → infected
Am Anfang ist ein Individuum infiziert Bei jedem Kontakt wird ein Individuum unheilbar angesteckt In jeder Zeiteinheit finden (erwartet) ß Kontakte statt SIS-Modell (birthrate/deathrate) susceptible → infected → susceptible Wie SI-Modell, aber ein Anteil δ aller Infizierten wird geheilt, aber wieder empfänglich für Virus Alternativ: Mit Wahrscheinlichkeit δ wird Individuum wieder empfänglich SIR-Modell susceptible → infected → recovered Wie SIS-Modell, aber einmal geheilte Individuen, sind immun gegen Virus

49 Deterministische Modellierung
Susceptible, Infected, Recovered S(t), s(t) := S(t)/n; absolute Anzahl/relativer Anteil Gesunder zum Zeitpunkt t I(t), i(t) := I(t)/n; absolute Anzahl/relativer Anteil Infizierter R(t), r(t) := R(t)/n; absolute Anzahl/relativer Anteil Geheilter In jeder Zeiteinheit kontaktiert jedes Individuum ß Partner Jeder der ß i(t) S(t) Kontakte mit einem Infizierten ist ansteckend SI-Modell: Kranke bleiben infektiös I(t+1) = I(t) + ß i(t) S(t) S(t+1) = S(t) – ß i(t) S(t) SIS-Modell: In jeder Runde wird ein Anteil δ geheilt I(t+1) = I(t) - δ I(t) + ß i(t) S(t) S(t+1) = S(t) + δ I(t) – ß i(t) S(t) SIR-Modell: Ein δ Anteil aller Infizierten wird immun S(t+1) = S(t) – ß i(t) S(t) I(t+1) = I(t) – δ I(t) + ß i(t) S(t) R(t+1) = R(t) + δ I(t)

50 Ergebnis SI-Modell 1 i(t) s(t) Zeit
SI-Modell: Kranke bleiben infektiös i(t+1) = i(t) + ß i(t) s(t) s(t+1) = s(t) – ß i(t) s(t) Kann geschlossen dargestellt werden. Anfangs steigt s(t) exponentiell Dann nimmt i(t) exponentiell ab 1 i(t) s(t) Zeit

51 Ergebnis SIS-Modell 1 i(t) s(t) Zeit
SIS-Modell: In jeder Runde wird ein Anteil δ geheilt i(t+1) = i(t) - δ i(t) + ß i(t) s(t) s(t+1) = s(t) + δ i(t) – ß i(t) s(t) Kann zu Gleichgewichtszustand für bestimmte Parameter ß,δ führen Dann bleibt das Verhältnis Infizierten zu Ansteckenden stabil Muss aber nicht Dann kommte es zu Wiederausbruch der Epidemie 1 i(t) s(t) Zeit

52 Ergebnis SIR-Modell SIR-Modell: Ein δ Anteil aller Infizierten wird immun s(t+1)= s(t) – ß i(t) s(t) i(t+1)= i(t) – δ i(t) + ß i(t) s(t) r(t+1)= r(t) + δ i(t) Je nach Parameter wird ein gewisser Anteil aller Infiziert jedoch nicht notwendigerweise alle Führt in jedem Fall zu einem Gleichgewichtszustand

53 Randomisierte Modelle für SI-Infektionen
In jeder Runde ruft jeder Teilnehmer einen zufälligen Teilnehmer an Push: Der Anrufer A erzählt dem Angerufenen B das neue Gerücht Pull: Der Angerufene B erzählt dem Anrufer A das neue Gerücht Push&Pull: Beide erzählen das Gerücht Push Push&Pull Pull

54 Startphase: i(t)<1/2
Ausbreitung: Push 1 i(t) s(t) Zeit Sättigung: s(t) < 1/2 Startphase: i(t)<1/2 Sicherung O(ln n) log2 n ln n

55 Gerüchteausbreitung: Pull
1 s(t) i(t) Zeit Startphase i(t) < 1/2 Sättigung s(t) < 1/2 Sicherung O(log log n) O(ln n) + log2n log log n

56 Gerüchteausbreitung: Push & Pull
1 s(t) i(t) Zeit Startphase i(t)<1/2 Sättigung s(t) < 1/2 Sicherung O(log log n) log3n log log n

57 Warum Pull schlecht startet und Push schlecht abschließt
Die Wahrscheinlichkeit, dass jemand in einer Runde keinen Anruf bekommt, ist Pull: Mit Wahrscheinlichkeit 1/e verbreitet sich das Gerücht in der ersten Runde nicht weiter Push: Mit Wahrscheinlichkeit 1/e kann ein Knoten in der Sättigung nicht erreicht werden

58 Warum Pull so schnell endet
Die Wahrscheinlichkeit, dass ein Nicht-Infizierter einen Nicht-Infizierten anruft, ist s(t) Pull: Damit ist der erwartete Anteil Nicht-Infizierter in der nächsten Runde: E[s(t+1)] = s(t)2 Damit ist der Pull-Mechanismus der stärkste bekannte (anynome) Ansteckungsmechanismus

59 Rückblick Das Internet: Einführung und Überblick
Mathematische Grundlagen IP: Routing im Internet TCP: Das Transport-Protokoll des Internets Die Struktur des World Wide Web und des Internets Suche im Web Web-Caching im Internet Peer-to-peer-Netzwerke Angriffe auf das Internet

60 Vorausblick Wintersemester 2005/2006 Vorlesung: PG Sommersemester 2006
Algorithms for Radio Networks (in englisch) PG Integrating PAMANET into the Internet Sommersemester 2006 Peer-to-Peer-Netzwerke Seminar Thema noch offen Nicht vergessen Abschlussveranstaltung am Donnerstag , 19 Uhr am Beach-Volleyballfled Grillsachen bitte selbst organisieren.... Getränke werden gestellt

61 Vielen Dank: Ende der 12. und letzten Vorlesung Nächste Woche: Projektgruppenvorstellung!!! Letzte Übung und Vorbesprechung der mündlichen Prüfung: Mo Viel Erfolg bei der mündlichen Prüfung! Heinz Nixdorf Institut & Institut für Informatik Universität Paderborn Fürstenallee 11 33102 Paderborn Tel.: / Fax: /