Framework für selbst-fahrende Netze basierend auf Methoden des gegnerischen Entwurfs (ADVISE)

• Antragsteller: Professor Dr.-Ing. Wolfgang Kellerer, seit 4/2022
• Fachliche Zuordnung: Sicherheit und Verlässlichkeit, Betriebs-, Kommunikations- und verteilte Systeme
• Förderung: Förderung von 2020 bis 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 438892507

Heutige Netze werden überwiegend manuell konfiguriert, was sich als zu langsam und ineffizient für die sich stetig ändernden Anforderungen darstellt. Daher gibt es im Bereich der Netzforschung aktuell den Trend, Netze zu entwerfen, die vollautomatisiert und quasi "selbst-fahrend" operieren. Diese Netze nutzen insbesondere die neue Flexibilität der Netzverwaltung, welche durch Software-Defined Networking und virtualisierte Netzkomponenten erreicht wird. Damit können die Anforderungen, welche insbesondere 5G Anwendungen, wie z.B. latenzkritische Teleoperationen oder datenhungrige Maschine-zu-Maschine Kommunikation benötigen, bedient werden. In diesem Projekt soll ein Framework und neue Methoden entwickelt werden, welche dabei helfen, die Vision der "selbst-fahrenden" Netze tatsächlich zu realisieren. Dabei sollen Methoden des maschinellen Lernens und der künstlichen Intelligenz mit Algorithmen, die Gütekriterien und Korrektheit garantieren, kombiniert werden. Insbesondere sehen wir das Fehlen von Gütekriterien von Algorithmen der Künstlichen Intelligenz als besonders problematisch für die Umsetzung von selbst-fahrenden Netzen; dies ist besonders wichtig da Kommunikationsnetze einen integralen Bestandteil unserer heutigen Gesellschaft bilden, und daher zuverlässig und mit garantierter Güte betrieben werden müssen. Unsere grundlegende Idee basiert auf dem Einsatz von sogenannten Methoden des "gegnerischen" (adversarial) maschinellen Lernens und der prüfbaren Spieltheorie, um Netze zu testen und zu optimieren. Gleichzeitig sollen hierdurch die durch maschinelles Lernen zu erwartenden Performanzgewinne ermöglicht aber auch Garantien zugesichert werden. Die beiden Antragssteller sind gut auf das Projekt vorbereitet, unter anderem durch die Kombination ihrer Expertisen in den Bereichen maschinelles Lernen und Netzalgorithmen (siehe gemeinsame Publikationen).

• DFG-Verfahren: Sachbeihilfen
• Internationaler Bezug: Österreich
• Partnerorganisation: Fonds zur Förderung der wissenschaftlichen Forschung (FWF)
• Kooperationspartner: Professor Dr. Stefan Schmid
• Ehemaliger Antragsteller: Dr.-Ing. Andreas Blenk, bis 4/2022