10.12.2025, 10:00 Uhr
Universität Wien
Besprechungsraum 4.34
Währinger Str. 29
1090 Wien
Titel: Cloud-Edge Cooperation for Monitoring of Critical
Infrastructures
Kurzfassung:
Kritische Infrastrukturen (CI), wie Wasser- und Energiesysteme, sind für das reibungslose
Funktionieren der Gesellschaft von entscheidender Bedeutung, und jede Störung dieser
Systeme kann schwerwiegende Folgen haben.
Die Integration von Internet der Dinge (IoT) und der künstlichen Intelligenz (KI)
ermöglicht die Entwicklung von Instrumentierungs- und Steuerungssystemen (I&C) zur
Überwachung und Verwaltung dieser Infrastrukturen. Diese Systeme ermöglichen Echtzeit-
Entscheidungen und streben einen reibungslosen Betrieb durch Fern- oder autonome
Steuerung an.
Cloud Computing gilt als leistungsstarke Sammlung von Tools und Ressourcen. Seine
Hauptmerkmale sind zentralisierte Datenverarbeitungsfunktionen und langfristige Speicherlösungen.
Dennoch sind Herausforderungen wie Latenz, Ausfallsicherheit, Energieeffizienz
und Datenschutz damit verbunden und müssen berücksichtigt werden, um eine optimale
Systemleistung zu gewährleisten. Edge Computing hat sich hingegen als ergänzendes
Konzept zur Bewältigung einiger dieser Herausforderungen herauskristallisiert.
Diese Forschung konzentrierte sich auf die Cloud-Edge-Kollaborationstechnologie,
insbesondere Federated Learning (FL), angewendet auf Anomalieerkennung (AD) Algorithmen
zur Überwachung von CI. Federated Learning ist ein dezentraler Ansatz für
das Training von ML-Modellen. Dabei werden Daten lokal auf Edge-Geräten verarbeitet
und nur Modellaktualisierungen mit der Cloud geteilt. Dadurch wird möglicherweise der
Datentransfer reduziert und die Privatsphäre verbessert.
Ein detaillierter Vergleich zwischen FL-basierten Ansätzen und dem traditionellen
Cloud-zentrierten Ansatz ist durchgeführt. Die Experimente umfassten die Ausführung
eines Python ML-Modells, das mit einem realen Datensatz auf Raspberry Pi-Geräten
trainiert wurde. Die vergleichende Analyse und die Vergleiche bewerteten die wichtigsten
Leistungskennzahlen wie Genauigkeit, Trainings- und Inferenzzeiten, Kommunikationsaufwand
(übertragenes Datenvolumen) und Speicherbedarf. Das Ziel besteht darin, die
Systemstabilität von CI durch lokales Training zu verbessern, um die Übertragung von
Rohdaten zu reduzieren und den Datenschutz zu verbessern, wobei die Restrisiken von
der Aggregation und den Abwehrmaßnahmen abhängen.
Die Evaluierungsergebnisse lieferten überraschende Erkenntnisse: Selbst weniger aktive
Clients pro Runde können zu Verzögerungen bei frühen Verbesserungen führen,
Training bleibt jedoch robust und weist eine hohe, unbeeinträchtigte Genauigkeit auf.
Abschließend werden in dieser Arbeit die verschiedenen Techniken und Typen von Anomalieerkennung
und die verschiedenen Ansätze von Federated Learning erörtert, wobei
die damit verbundenen potenziellen Bedrohungen und deren Minderungsstrategien sowie
Herausforderungen in Bezug auf kritische Infrastrukturen berücksichtigt werden.