Anomaliedetektion in eingebetteten Systeme

Eingebettete Systeme werden in unterschiedlichsten, so auch sicherheitsrelevanten Bereichen (sowohl Saftey als auch Security) eingesetzt. In diesen Fällen ist nicht nur der Entwurf eines korrekten Systems entscheidend. Zusätzlich muss auch zur Laufzeit garantiert werden, dass kein Fehlverhalten auftritt, welches durch Einwirkungen von Außen durch “bösartige Angriffe” oder interne Fehlfunktionen verursacht werden kann. Eine Lösung hierfür ist die automatische Detektion von Anomalien, die während des Einsatzes auftreten. Eine klassische Methode dafür ist ein “Monitoring” des Systems, d.h. eine Beobachtung des Systems durch eine unabhängige Einheit. Diese unabhängige Einheit entscheidet, ob das beobachtete Verhalten nominal oder unerwartet ist. Im letzteren Fall wird eine aktive Problembehandlung ausgelöst werden.

Je nach Einsatzbereich ist der Entwurf eines Monitors jedoch zeitaufwändig, da zunächst das nominale Verhalten gut verstanden, dann formalisiert und danach der Monitor selbst entworfen werden muss.

Im Projekt wird daher untersucht, wie gut sich Methdoden des Maschinellen Lernens eigenen, zunächst nominales Verhalten automatisiert zu lernen und dann zur Fehlerdetektion einzusetzen. In ersten Experimenten wurde der Ansatz zum Beispiel auf einen simulierten Staubsaugerroboter angewandt. Es konnten erfolgreich verschiedene Arten von internen Fehlern detektiert werden.

Simulierter Staubsaugerroboter
Lernen und Fehlerdetektion
Avatar
Görschwin Fey
Professor

Entwurfsautomatisierung, digitale Schaltungen und Systeme, Fehlertoleranz, Robustheit

Avatar
Fin Hendrik Bahnsen
Doktorand

Artificial Intelligence, Machine Learning, Electronic Design Automation, Robust and Reliable AI, Formal Verficiation, Computational Physics

Related