Visitenkarten mit QR-Code sind immer noch populär, können aber eine Sicherheitslücke für Unternehmen darstellen. Beim Einscannen mancher Visitenkarten stellte ich fest, dass der QR-Code oft als Link auf die Visitenkartendaten als VCF-Datei verweist. Einerseits sehr geschickt, da die Kontaktdaten dann sofort im Smartphone abgespeichert werden können, andererseits bei schlechter Implementierung eine Fundgrube für Kontaktinformationen.
Exemplarischer QR-Code auf einer Visitenkarte.
Die Anfänge
Wa-Tor ist eine von Alexander Keewatin Dewdney entwickelte Populationsdynamik-Simulation, die in der Dezember-Ausgabe 1984 von Scientific American in einem 5-seitigen Artikel mit dem Titel „Computer Recreations“ vorgestellt wurde: Haie und Fische führen auf dem Ringplaneten Wa-Tor“ den Kampf ums überleben.
Wa-Tor Simulation – by Jochen Müller (2018)
Schon während meines Studiums stöberte ich mit Begeisterung in den Artikelreihen im „Computer Kurzweil, Spektrum der Wissenschaft: Verständliche Forschung“[1] von 1988. Dort lass ich das erste Mal von „Wa-Tor“ und programmierte damals die Simulation in der Programmiersprache Turbo Pascal 5.
Heute nach vielen Jahren fasziniert mich die Simulation Wa-Tor noch immer. Grund genug diese in C# noch einmal zu programmieren.
Der Planet Wa-Tor
„The planet Wa-Tor … is shaped like a torus, or doughnut, and is entirely covered with water. The two dominant denizens of Wa-Tor are sharks and fish …“ heißt es im Original Artikel. Der Planet Wa-Tor …. ist wie ein Torus oder Donut geformt und vollständig mit Wasser bedeckt. Die beiden dominierenden Bewohner von Wa-Tor sind Haie und Fische….“
Die bisher über 200.000 gesammelten Nachrichten umfassen ein großes Spektrum an Themen (Siehe Data Mining, Teil 1). Aber was waren von Februar 2017 bis Februar 2018 die Hauptthemen? In dieser Analyse beschäftigen wir uns für den Anfang mit den Nachrichten von CNN (Sprache Englisch) und analysieren welche 25 Begriffe am häufigsten in den Nachrichten genannt wurden. Hierzu generieren wir uns eine Matrix, die wir anschließend sortieren:
# die 25 häufigsten Wörter inklusive Anzahl ausgeben dtm <- TermDocumentMatrix(docs) m <- as.matrix(dtm) v <- sort(rowSums(m),decreasing=TRUE) d <- data.frame(word = names(v),freq=v) head(d, 25)
Wir bekommen folgende Liste:
word freq the the 10311 trump trump 5879 for for 5058 and and 3426 with with 2446 trumps trumps 1814 new new 1769 fast fast 1717 facts facts 1698 after after 1669 from from 1573 how how 1542 says says 1428 what what 1379 are are 1250 house house 1219 why why 1166 about about 1137 over over 1114 will will 1091 north north 1072 you you 1067 this this 1039 not not 964 russia russia 898
Jetzt ist es an der Zeit die gesammelten Daten zu analysieren. Hierzu werden wir Sprache R benutzen.
Zuerst soll die Anzahl der publizierten Nachrichten pro Tag ausgewertet werden. Hierzu ist es wichtig einen Blick in die Tabellen zu werfen. Folgende Daten der Nachrichtenseite wurden gesammelt, sofern die die Daten im RSS-Feed oder im Artikel selber gefunden wurden:
Ein Auszug einer Tabelle könnt ihr hier sehen.
Bild 1: Auszug der gespeichert Daten als Tabelle (zum vergrößern, klicken)
Für Präsentationen benötige ich sehr oft Angaben in %. Hier fehlen jedoch z.B. in PowerPoint schöne aussagekräftige Grafiken. Des Weiteren wäre es doch perfekt, wenn die Präsentation automatisch anhand einem aktuellen Datenpool generiert wird. Also warum kein C# Programm schreiben und die Kugeln selbst generieren lassen?
Hier das Resultat der fertigen Software, die Farbe ist frei wählbar:
Ein besonderen Dank gilt Dr. Urs Schaudt der mich bei diesem Projekt unterstützte. Weiterlesen
After more and more people asked me how a blockchain works, I decided to write about it. For the visualization a small test tool was written in C#.
A block chain is a continuously expandable list of data sets, called „blocks“, which are linked together by cryptographic methods. Each block typically contains a cryptographically secure hash (scatter value) of the previous block, a time stamp and transaction data.
The idea of Blockchain is not new. Stuart Haber and W. Scott Stornetta described the first principles of cryptographically secured linking of individual blocks in 1991.
Das Edington Affen oder Infinite-Monkey-Theorem besagt, dass ein Affe, der unendlich lange und zufällig auf einer Schreibmaschine herumtippt, fast sicher irgendwann alle Bücher in der „Bibliothèque nationale de France, der Nationalbibliothek“ Frankreichs, schreiben wird.
Hier stellt sich die Frage wie lange wohl ein Computer, der schneller Zufallstexte generieren kann als ein Affe, exzellente poetische Werke, perfekten Sourcecode, harmonische Musikstücke oder ausführbare Programme generieren kann.
Und noch wichtiger: wie kann man die Generierung beschleunigen? Hier gibt es unzählige Möglichkeiten. Je nach Text finden sich die Buchstaben in unterschiedlicher Häufigkeit in dem Text. Ein „Y“ lässt sich meist weniger oft finden als ein „E“. Auch die Beziehungen der Buchstaben und Wörter sind interessant. Wie häufig folgt ein „U“ nach einem „A“ oder das Wort „AUTO“ nach dem bestimmten Artikel „DAS“. Weiterlesen
Genetische Algorithmen wurden in den sechziger Jahren von John H. Holland an der Universität von Michigan beschrieben. Diese Technik löst Probleme mit einer Folge von immer besseren Näherungslösungen. Neue Lösungen züchtet man dabei durch Verpaarung der besten alten Lösungen. Nach einer Zeit taucht auf diese Weise eine Lösung auf, die besser ist als ihre Vorgänger.
Fasziniert von einem Bericht von A.K. Dewdney im Spektrum der Wissenschaft „Computer Kurzweil“ über generische Algorithmen fragte ich mich, ob diese Idee noch erweitert werden kann.
A. K. Dewndey beschreibt in dem Artikel das Züchten von Lösungen mit sogenannten „Eleks“. Jedes Elek besitzt ein Chromosom welche Übergangsinformationen speichert.
WeiterlesenKann man durch das Sammeln von Nachrichten interessante Theorien ableiten? „Veröffentlichungen nach Wochentag und Zeit?“ oder „Veröffentlichungshäufung nach Wochentag“ sind hier noch der Anfang.
Welche Wörter und Satzbauten werden in den Texten genutzt? Welche Personen oder Dinge in der Nachricht stehen mit anderen am öftesten im Kontext? Wie oft werden Nachrichten von dritten Kommentiert mit ähnlichen Textfragmenten kopiert? Das sind nur einige der möglichen Kausalitäten die es zu erforschen gilt.
Seit Anfang diesen Monates (Februar 2017) sammle ich hierzu Nachrichten Artikel von verschieden Nachrichten Server. Unter anderem faz.net, spiegel.de, welt.de, tagesschau.de, tomshardware.de, zak.de auto-motor-sport.de und ariva.de.
Hierzu wurde ein kleiner Server programmiert, der zyklisch das RSS-Feed der Seiten auswertet und bei neuen Inhalten diese Speichert und zusätzlich in flachen Tabellen pro Internetseite ablegt.
Inspiriert wurde ich hier durch D. Kriesel und seinem Artikel auf der 33C3 „SpiegelMining“. Weiterlesen