Detailseite
Projekt
ReNO: Resiliente Integration von maschinellem Lernen für den verbesserten Netzbetrieb
Antragsteller
Professor Dr. Oliver Hohlfeld; Professor Dr. Stefan Schmid
Fachliche Zuordnung
Sicherheit und Verlässlichkeit, Betriebs-, Kommunikations- und verteilte Systeme
Förderung
Förderung seit 2022
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 511099228
WhatsApp unzugänglich für Millionen von Nutzern, keine Reise für tausende von Flugpassagieren, halb Japan stundenlang ohne Internetzugang. Diese Liste enthält nur einige wenige (aktuelle) Beispiele für die Auswirkungen der durch Menschen verursachten Fehler im Netzmanagement. Aufgrund der wichtigen Rolle, die Kommunikationsnetze und insbesondere das Internet in unserer Gesellschaft spielen, werden solche Ausfälle als erhebliche Bedrohung für unser tägliches Leben angesehen. Der Hauptgrund für diese Ausfälle liegt insbesondere in der stetig steigenden Komplexität heutiger Netze. Während Netzbetreiber bereits damit beschäftigt sind, etablierte Protokolle zu kontrollieren und zu konfigurieren, um Ausfälle zu beheben oder das Internet auf die Zukunft vorzubereiten, erhöhen neue Technologien wie rekonfigurierbare, softwarisierte und programmierbare Netze die Anzahl der Konfigurationsmöglichkeiten. Jedoch bleiben Netzbetreiber mit ihren traditionellen Werkzeugen für den Netzbetrieb auf der Strecke. Auf maschinellem Lernen (ML) basierende Netzwerkmanagementlösungen bieten eine Möglichkeit, die Komplexität des Netzwerkmanagements zu bewältigen. ML kann jedoch selbst die Widerstandsfähigkeit des Netzes beeinträchtigen, indem es falsche Entscheidungen trifft. Diese Entscheidungen sind zudem schwer nachzuvollziehen, da ML teilweise immer noch als sogenannte Black Box agiert. Das Ziel dieses Projekts ist es, die Widerstandsfähigkeit von Netzen zu verbessern, indem Situationen identifiziert werden, in denen maschinelles Lernen dazu beiträgt, Netze widerstandsfähiger zu machen. Um dieses Ziel zu erreichen, soll in diesem Projekt eine Methodik zur Risikobewertung von (ML- gesteuerten) Netzmanagementansätzen entwickelt werden. Der Einfluss eines bestimmten Netzmanagement-Ansatzes (z.B. ML-basiert) auf die Resilienz von Netzen wird mittels einer Resilienz- Funktion erfasst, die durch unsere Methodik abgeleitet wird. In einem zweiten Schritt erfassen wir die nicht-trivialen Interaktionseffekte, die auftreten können, wenn ML-basierte Netzmanagementfunktionen unabhängig voneinander in verschiedenen Bereichen von Netz (z.B. Routing und Abwehr von Anomalien) eingesetzt werden. Zur Veranschaulichung unserer Methoden nehmen wir einen Anwendungsfall aus dem Bereich der Weitverkehrsnetze ins Visier und konzentrieren uns dabei auf zwei Probleme: i) Internet-Routing und ii) Angriffserkennung und -abwehr. Wir argumentieren, dass ML für die Verwaltung komplexer Netze geeignet sein kann, wenn es ausreichend kontrolliert werden kann. Die Anwendung von ML sollte die Widerstandsfähigkeit der Netze erhöhen, und nicht beeinträchtigen. Unser Rahmenwerk hilft bei der Verwirklichung der Vision von Resilienz durch Design, wenn neue ML-basierte Lösungen vorgeschlagen werden: Es sollte ein integraler Bestandteil der Analyse von ML-Lösungen werden, bevor sie in die Praxis umgesetzt werden.
DFG-Verfahren
Schwerpunktprogramme
