EMiL untersucht und realisiert echtzeitfähige und KI-basierte Methoden zur Erkennung und Beseitigung von Störungen und Angriffen in 5G/6G-Netzen.
Der Kunde
Herausforderung
Projektlaufzeit: 01.01.2023 – 31.12.2024
Die drahtlose Übertragung von Informationen und Daten ist anfälliger für physikalische Störungen wie Interferenzen und Reflexionen als kabelgebundene Kommunikation. Dies kann zu erheblichen Paketverlusten führen und es Angreifern ermöglichen, die Datenübertragung unbemerkt zu unterbrechen oder abzufangen.
Ein Beispiel für solch eine Manipulation ist das Jamming, bei dem ein Störsender die erfolgreiche Übertragung erschwert oder gar unmöglich macht. Das Spektrum von Jamming-Attacken erstreckt sich hierbei von relativ simplen, konstanten Störsignalen hin zu komplexen Strategien, die nicht ohne Weiteres von natürlichen Störungen zu unterscheiden sind.
Das Forschungsprojekt soll die Erkennung von Angriffen und Ausfällen innerhalb von 5G/6G-Netzwerken sowie die Einleitung geeigneter Gegenmaßnahmen in Echtzeit ermöglichen. Insbesondere in industrierelevanten Szenarien wie der Fabrik-Automatisierung soll die Ausfallsicherheit der drahtlosen Kommunikation durch die Automatisierung deutlich verbessert werden.
Lösung
Ergebnisse & Auswirkungen
Da drahtlose Kommunikationsnetze sich dynamisch verändern, ist die Überwachung und Vorhersage des Netzwerkverhaltens eine schwierige Aufgabe. Während solche Szenarien oft nicht explizit modellierbar sind, können Methoden des maschinellen Lernens dabei helfen, relevante Muster in den Übertragungsdaten zu erkennen und so zuverlässige Echtzeit-Erkennungsalgorithmen zu implementieren.
Merantix Momentum trägt hier mit Erfahrungen in der Anomalieerkennung zu dem Erfolg von EMiL bei. Die Analyse und Vorhersage von temporalen Daten sowie Techniken aus der Anomalieerkennung spielen in diesem Zusammenhang eine wichtige Rolle. Unser Ziel ist die Entwicklung einer universell einsetzbaren Erkennungsmethode, die sich mit wenigen Trainingsdaten auf neue Anwendungsfälle übertragen lässt. Hierbei werden Deep-Learning-Methoden sowie selbst überwachtes Lernen eingesetzt.
.png)
