Art der Arbeit: Bachelorarbeit

Fachlicher Hintergrund:

Feldbusse werden in industriellen und Gebäudeautomatisierungssystemen eingesetzt, um Sensoren, Aktoren mit den Controller-Bausteinen zu verbinden. Sie werden bei der IT-Sicherheit sträflich missachtet und stellen ein willkommenes Einfallstor in weitere Teile der sonstigen IT-Infrastruktur dar.

Wir erforschen neue Ansätze zur Absicherung der Feldbus-Ebene in Automatisierungssystemen. In dieser Arbeit möchten wir ein System zur automatisierten Datenerfassung in verschiedenen Netzwerksegmenten entwickeln und erproben. Dabei sollen leistungsschwache Geräte verwendet werden, die auf TensorFlow optimiert wurden (NVidia Jetson Nano oder Coral.io).

Aufgabenbeschreibung:

Im Rahmen der Arbeit soll ein Verfahren zur Anomalieerkennung entwickelt und überprüft werden. Dabei sollen vornehmlich TensorFlow und Convolutional Neural Networks auf Daten aus dem Physical Layer angewendet werden.

Es sollen folgende Fragestellungen beantwortet werden:

  • Welche Möglichkeiten der Umwandlung der Zeitreihen in Matrizen ("Bilder") als Eingabe für ein CNN / TensorFlow gibt es? Welche ist am besten geeignet?
  • Mit wie wenig Rechenleistung kommt man dabei aus?
  • Welche Möglichkeiten für die Vorverarbeitung der Messdaten gibt es? (Filterung)
  • Erkennt eine künstliche Intelligenz / ein neuronales Netzwerk auf performancearmer Hardware (z.B. Microcontroller, allgemein so klein wie möglich) Änderungen in einem Feldbus-System?
  • Wie gut erkennt man die Änderungen im Feldbus-System? (Vergleich zu den Ergebnissen aus vorherigen Bachelorarbeiten möglich)

Mögliche Arbeitsschritte:

  • Betrachtung des Physical Layers der zu untersuchenden Protokolle auf der Feldebene. Betrachtung vorhandener Aufzeichnungen.
  • Einarbeitung in die vorhandenen Libraries für TensorFlow Lite. Erprobung auf vorhandener Hardware.
  • Konzeption von Experimenten zur Beantwortung der Fragestellungen.
  • Durchführung von Experimenten. Messungen.
  • Bewertung.

Die genaue Festlegung des Themas erfolgt in Abstimmung mit den Betreuern unter Berücksichtigung eventuell schon an andere Studenten vergebener Themengebiete. Eine gemeinsame Bearbeitung verschiedener Teilthemen durch mehrere Studenten ist unter Umständen möglich. 

Literatur und Ressourcen:

  • Amrein, A., et al. "Security intelligence for industrial control systems." IBM Journal of Research and Development 60.4 (2016): 13-1.
  • Aschendorf, Bernd. "Funktionen der Gebäudeautomation." Energiemanagement durch Gebäudeautomation. Springer Fachmedien Wiesbaden, 2014.
  • Merz, Hermann, Thomas Hansemann, and Christof Hübner. "Gebäudeautomation." München: Carl-Hanser-Verlag (2010).
  • Sokollik, Frank; Helm, Peter; Seela Ralph. "KNX für die Gebäudesystemtechnik in Wohn- und Zweckbau" Berlin: VDE-Verlag (2017).
  • David, Robert, et al. "TensorFlow lite micro: Embedded machine learning for TinyML systems." Proceedings of Machine Learning and Systems 3 (2021): 800-811.
  • Warden, Pete, and Daniel Situnayake. TinyML: Machine learning with tensorflow lite on arduino and ultra-low-power microcontrollers. O'Reilly Media, 2019.
  • Libutti, Leandro Ariel, et al. "Benchmarking performance and power of USB accelerators for inference with MLPerf." 2nd Workshop on Accelerated Machine Learning (AccML), Valencia, Spain. Vol. 31. 2020.

Betreuer: Dr. Thomas Mundt (thomas.mundt@uni-rostock.de) 

Voraussetzungen: Keine besonderen, Programmierkenntnisse in einer höheren Programmiersprache sind von Vorteil. Ein grundlegendes Verständnis der elektrischen Eigenschaften von Netzwerken ist hilfreich.