Erkennung von Manipulationen von Füllständen

Projektstatus

Planung

100%

Durchführung

100%

Dokumentation

50%

Hintergrund

Die Inno-Tec GmbH ist ein führendes Unternehmen im Bereich der Füllstandssensorik. Sie bauen, verkaufen und betreiben verschiedene Füllstandsensoren unter der Marke Proteus. Dazu gehören auch die Pflege und das Aufrechterhalten eines Drahtloses Sensor Networks.

Ein Wireless Sensor Network (WSN) besteht das aus mehreren Sensoren, die das System oder die Umgebungsbedingungen überwachen. In verschiedenen Anwendungen wie dem Internet der Dinge (IoT), hat WSN in den letzten Jahren an Bedeutung gewonnen, da es kosteneffizient und effektiv ist. Allerdings ist diese Aufmerksamkeit mit Sicherheitslücken verbunden, die vor Sicherheitsangriffen, Informationslecks und Manipulationen geschützt werden müssen. Hersteller stoßen dabei jedoch auf Einschränkungen in Bezug auf Rechenleistung, Batterielebensdauer, Herstellungskosten und Einhaltung von Regularitätsstandards, was das Hinzufügen fortschrittlicher Sicherheitsmechanismen zu den eingebetteten Systemen unpraktisch macht.

Im Gegenteil ist es möglich, eine Last solcher Sicherheitsvalidierungs- und Datenanalyseaufgaben in die Cloud zu verlagern. Dadurch wird eine skalierbare Lösung in Bezug auf Rechenleistung und Speicherung bereitgestellt, die mehr Flexibilität bei der Verwaltung von Software und Hardware bietet und die Gesamtherstellungskosten reduziert. Darüber hinaus müssen durch diese Vorgehensweise weniger komplexe und kostengünstige Mikrocontroller auf diesen WSN-Knoten eingesetzt werden, um sie zu betreiben. Gleichzeitig können die gemessenen Daten in Batches zur Cloud übertragen werden, um die Energieeffizienz des Geräts zu verbessern.

Herausforderung

Die Menge und Komplexität der Daten erlaubten keine einfache Lösung des Problems. So sind nicht nur unterschiedliche Typen von Sensoren verbaut, sondern die Erkennung von Unregelmäßigkeiten selbst ist eine Herausforderung. Je nach Flüssigkeit ergibt sich ein unterschiedliches Normalverhalten für einen Behälter. So werden etwa Heizöl und AdBlue langsam aufgebraucht, wohingegen sich ein Behälter mit Altöl füllt. Behälter, die Regenwasser auffangen, sind beispielsweise noch schwerer zu beurteilen, da es hier zu einem unregelmäßigen Befüllen etwa durch Regen und Entleeren, etwa zum gießen des Gartens kommen kann. All diese Parameter machen nicht nur etwa die Erkennung von ungewöhnlichen Ereignissen schwerer, sondern selbst die Kalkulation für den nächsten optimalen Wartungstermin oder möglichen Sicherheitsbruch.

Umsetzung

Als Lösung für das bestehendes Problem wurde die Nutzung von Cloud Computing und der geeigneten Cloud Services vorgeschlagen.

Cloud Computing hat sich in den letzten Jahren als eine überzeugende Lösung gezeigt, um die Einschränkungen von eingebetteten Systemen wie WSN zu überwinden und voranzukommen. Data Warehouse as a Service (DWaaS) ist einer der neueren Cloud-Computing-Services, der solche Datenverarbeitungen in der Cloud durchführen kann. Google's BigQuery ML ist eine Erweiterung von Googles DWaaS-Plattform, die Machine-Learning-Techniken unterstützt. Die Anomalie Erkennung ist ein Prozess, der abnormale Systemverhaltensweisen erkennt, die von normalen Verhaltensweisen abweichen. Mit Hilfe von AE-Techniken können die von den Sensorknoten gesendeten Daten beobachtet werden, und eventuelle bösartige Beobachtungen können zur weiteren Untersuchung gemeldet werden.

Die Motivation hinter diesem Projekt besteht darin, die Sicherheitsanalyse mithilfe von Anomalie Erkennungstechniken durchzuführen, die auf den aus den WSN-Knotentransaktionsaufzeichnungen gewonnenen Daten basieren, die mit Hilfe von BigQuery ML analysiert werden.

Zur Startseite