IT-Security Mai/Juni 2023

IT SECURITY | 37
Anomalien
erkennen
END-TO-END-ECHTZEIT-ARCHITEKTUR NUTZEN
Echtzeit-Kommunikationsnetze gewinnen
speziell in cyber-physischen Systemen
in kritischen Bereichen, wie etwa in
modernen 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.
eine besondere Art eines künstlichen
neuronalen Netzes. Sie kön nen 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.
PoC: 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 das ANN eine Anomalie entdeckt
hat, wird eine Rekonfiguration der
Netzwerkflüsse, wie etwa Abschalten
eines Netzwerkpfads, Umschalten auf
einen anderen Netzwerkpfad, oder eine
Rekonfiguration der Maschinen, beispielsweise
mittels neuer Parametereinstellungen,
ausgelöst.
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.
Bei der Lösung handelt es sich um einen
Architekturvorschlag und nicht um ein
fertig verwendbares Produkt. Das Alleinstellungsmerkmal
ist die vollständig
geschlossene Echtzeit-Schleife (mit Garantien
der maximalen Zeitdauer der
Reaktion). Dies wird erreicht durch die
Kombination von Echtzeitkommunikationsnetz
und Feed-Forward NN. Auch
passt sich die Architektur dynamisch an
das jeweilige Kommunikationsnetz an.
Am Markt verfügbare Produkte wie Genua
Congitix fokussieren meist auf klassische
LAN-Netze und können somit
auch keine Echtzeit-Garantien für die
Umsetzung der Reaktion geben.
www.salzburgresearch.at
Zum Einsatz kommen sogenannte „Autoencoder
Neuronal Networks“ (ANNs),
www.it-daily.net | Mai/Juni 2023