Echtzeit-Kommunikationsnetze gewinnen speziell in cyber-physischen Systemen in kritischen Bereichen, wie z.B. in hochmodernen Produktionsanlagen oder in intelligenten Energienetzen, immer mehr an Bedeutung. Analog dazu wird der Einsatz von Machine Learning eine zunehmende Rolle spielen, um Anomalien rechtzeitig erkennen zu können.
„Die Erkennung von Anomalien ist ein Beispiel für die erfolgreiche Anwendung von Machine-learning-Methoden. Algorithmen erkennen eigenständig Muster und Gesetzmäßigkeiten in Datensätzen und können daraus Lösungen entwickeln“, sagt Peter Dorfinger, Leiter der Forschungsgruppe Intelligent Connectivity der Salzburg Research Forschungsgesellschaft.
Machine Learning trifft Echtzeit-Netzwerke
Salzburg Research hat eine End-to-End-Echtzeit-Architektur zur Erkennung von Anomalien entwickelt. In dieser Architektur werden die Sammlung und Übertragung der erforderlichen Daten, die Analyse dieser Daten in einem maschinellen Lernmodell und die anschließende Reaktion in einer festgelegten Zeit durchgeführt. Während bisherige Ansätze bereits Machine Learning zur Anomalie-Erkennung einsetzen, bringen die Forscher der Salzburg Research Forschungsgesellschaft in ihrem Ansatz auch ihr Know-how im Bereich Echtzeit-Kommunikationsnetze mit hinein.
Zum Einsatz kommen sogenannte „Autoencoder Neuronal Networks“ (ANNs), eine besondere Art eines künstlichen neuronalen Netzes. Sie können unstrukturierte Daten verarbeiten. „Der Lernprozess des neuronalen Netzes ist unüberwacht. Das bedeutet, dass keine Kennzeichnung der Eingabedaten erforderlich ist. Dies ist ein großer Vorteil, da diese Vorbearbeitung von Daten in der Regel sehr aufwändig ist“, so Dorfinger weiter.
Proof-of-Concept: Neuronales Netz bewirkt Rekonfiguration
Die vorgeschlagene Lösung von Salzburg Research wurde für zwei Use Cases entworfen: Zum einen zur Erkennung von Anomalien in den Netzdaten mit Echtzeit-Rekonfiguration des Echtzeit-Ethernet-Netzes. Und zum anderen zur Erkennung von Anomalien bei Maschinendaten mit Rekonfiguration von Industriemaschinen in Echtzeit. Ein Proof-of-Concept wurde im Labor umgesetzt. „Nachdem unser ANN eine Anomalie entdeckt hat, wird eine Rekonfiguration der Netzwerkflüsse, wie z.B. Abschalten eines Netzwerkpfads, Umschalten auf einen anderen Netzwerkpfad, oder eine Rekonfiguration der Maschinen, beispielsweise mittels neuer Parametereinstellungen, ausgelöst“, sagt Dorfinger.
In Zukunft sollen Messungen durchgeführt werden, um die vorgeschlagene Architektur im Hinblick auf die tatsächliche Reaktionszeit von der Erkennung von Anomalien bis zur Neukonfiguration des Netzes oder der Maschine zu bewerten. Die Ergebnisse werden dann mit Messungen in bestehenden Anomalieerkennungssystemen verglichen.