Cyberangriffe auf E‑Commerce: Spitzen in der Weihnachtssaison

Eine neue Studie, die auf arXiv veröffentlicht wurde, zeigt, dass Cyberangriffe auf E‑Commerce-Plattformen immer raffinierter werden und das Vertrauen der Verbraucher sowie die betriebliche Kontinuität gefährden. Das Forschungsprojekt kombiniert statistische Modellierung mit maschinellem Lernen, um Angriffs­muster zu erkennen und vorherzusagen.

Die Analyse stützt sich auf den Verizon Community Data Breach (VCDB) Datensatz. Für die Zeitreihenprognose wurde Auto ARIMA eingesetzt, während ein Mann‑Whitney‑U‑Test (U = 2 579 981,5, p = 0,0121) belegte, dass in der Weihnachtszeit deutlich schwerere Angriffe auftreten als in Nicht‑Feiertagsperioden. Zusätzlich wurde ANOVA zur Untersuchung saisonaler Schwankungen der Bedrohungs­schwere verwendet. Für die Klassifikation von Angriffstypen kamen Ensemble‑Modelle wie XGBoost, LightGBM und CatBoost zum Einsatz.

Die Ergebnisse zeigen wiederkehrende Angriffsspitzen während Hochrisikoperioden wie Black Friday und der gesamten Weihnachtssaison. Angriffe, die personenbezogene Daten (PII) betreffen, weisen besonders hohe Bedrohungsindikatoren auf. Unter den Modellen erzielte CatBoost die beste Leistung mit einer Genauigkeit von 85,29 %, einem F1‑Score von 0,2254 und einem ROC‑AUC von 0,8247.

Das vorgestellte Framework verbindet saisonale Prognosen mit interpretierbaren Ensemble‑Lernmodellen und ermöglicht so eine zeitnahe Risikovorhersage sowie die Klassifikation von Sicherheitsverletzungen. Die Autoren betonen die Notwendigkeit verantwortungsvoller Datennutzung und Bias‑Bewertung. Trotz der Herausforderung von Klassenungleichgewicht und der Abhängigkeit von historischen Daten liefert die Studie wertvolle Erkenntnisse für eine proaktive Zuweisung von Cybersicherheitsressourcen.