Home Künstliche Intelligenz zum Schutz sicherheitskritischer Energie-Infrastrukturen
Article
Licensed
Unlicensed Requires Authentication

Künstliche Intelligenz zum Schutz sicherheitskritischer Energie-Infrastrukturen

  • Max Klein , Gregor Thiele and Jörg Krüger
Published/Copyright: July 1, 2019

Kurzfassung

Die dezentrale Energieerzeugung im Kontext der Dekarbonisierung bringt eine Änderung der kritischen Infrastruktur mit sich. Die Prozesssteuerung von lokalen Einheiten erfolgt nicht mehr nur über separate Leitungen, sondern vermehrt über das Internet. Dies birgt neue Anforderungen an die Sicherheit. Am Fraunhofer IPK entsteht ein neuartiges Verfahren, das klassische Methoden der Netzwerksicherheit mit automatischer Auswertung der Prozessdaten kombiniert. Hierbei wird domänenspezifisches Wissen genutzt, um vom Normalzustand abweichendes Verhalten frühzeitig zu erkennen. Mittels des maschinellen Lernens (ML) können dabei komplexe Zusammenhänge effizient analysiert werden.

Abstract

Decentralized power generation in context of decarbonization evokes changes of the critical infrastructure. Process control of local units are not only transmitted via separate connections, but increasingly via the internet. This requires new solutions in terms of security. Fraunhofer IPK develops a new method that combines classic methods of network security with automatic evaluation of process data. Domain-specific knowledge is utilized here to detect behavior deviating from the normal state instantaneously. Machine learning can be used in order to analyze complex interrelationships efficiently.


Gregor Thiele, M. Sc., studierte Elektrotechnik an der Technischen Universität Berlin. Er ist seit 2016 Mitarbeiter am Fraunhofer Institut für Produktionsanlagen und Konstruktionstechnik (lPK) in Berlin, im Kompetenzfeld Prozessautomatisierung und Robotik. Er beschäftigt sich mit Themen der Regelungstechnik und Systemtheorie.

Max Klein, M. Sc., ist seit 2018 Wissenschaftlicher Mitarbeiter am Fraunhofer Institut für Produktionsanlagen und Konstruktionstechnik (lPK). Er studierte bis 2017 Elektrotechnik an der Technischen Universität Berlin und arbeitete bereits als Student im Bereich Automatisierungstechnik des Fraunhofer IPK. Er beschäftigt sich mit den Themen Sicherheit automatisierter Anlagen und Anomaliedetektion.

Prof. Dr.-Ing. Jörg Krüger ist Professor für Industrielle Automatisierungstechnik an der TU Berlin. Er leitet das Geschäftsfeld Automatisierungstechnik am Fraunhofer lPK. Sein Lehrstuhl legt seit Jahren einen Schwerpunkt auf den Einsatz von Verfahren des maschinellen Lernens in der Automatisierungstechnik.


Literatur

1. Bundesministerium für Bildung und Forschung (BMBF) (Hrsg.): Forschung und Innovation für die Menschen: Die Hightech-Strategie 2025. Publikationsversand der Bundesregierung, Rostock 2018Search in Google Scholar

2. Bundesamt für Sicherheit in der Informationstechnik – BSI (Hrsg.): Schutz Kritischer Infrastrukturen durch IT-Sicherheitsgesetz und UP KRITIS. BSI, Bonn2017Search in Google Scholar

3. Liang, G.; Weller, S. R.; Zhao, J.; Luo, F.; Dong, Z. Y.: The 2015 Ukraine Blackout: Implications for False Data Injection Attacks. IEEE Transactions on Power Systems (2017) 4, S. 331718/10.1109/TPWRS.2016.2631891Search in Google Scholar

4. Dragos Inc. (Hrsg.): CrashOverride: Threat to the Electric Grid Operations. White Paper, Hanover, MD 2017Search in Google Scholar

5. Khan, R.; McLaughlin, K.; Laverty, D.; Sezer, S.: Threat Analysis of BlackEnergy Malware for Synchrophasor based Real-time Control and Monitoring in Smart Grid. In: Proceedings of the 4th International Symposium for ICS & SCADA Cyber Security Research 2016, S. 536310.14236/ewic/ICS2016.7Search in Google Scholar

6. Bundesanzeiger: Gesetz zur Digitalisierung der Energiewende. In: Bundesgesetzblatt, Teil I, Nr. 43, 2016Search in Google Scholar

7. World Energy Council (Hrsg.): World Energy Perspectives: The Road to Resilience – Managing Cyber Risks. USA, 2016Search in Google Scholar

8. He, Z.; Raghavan, A.; Chai, S.; Lee, R.: Detecting Zero-day Controller Hijacking Attacks on the Power-Grid with Enhanced Deep Learning. arXiv preprint arXiv:1806.06496, 2018Search in Google Scholar

9. Ayad, A.; Farag, H. E. Z.; Youssef, A.; El-Saadany, E. F.: Detection of False Data Injection Attacks in Smart Grids Using Recurrent Neural Networks. In: Proceedings of the IEEE Power & Energy Society Innovative Smart Grid Technologies Conference (ISGT) 19 – 22 Feb. 2018, Washington, DC, USA 201810.1109/ISGT.2018.8403355Search in Google Scholar

Online erschienen: 2019-07-01
Erschienen im Druck: 2019-06-27

© 2019, Carl Hanser Verlag, München

Downloaded on 6.9.2025 from https://www.degruyterbrill.com/document/doi/10.3139/104.112098/html
Scroll to top button