6G-CAMPUS: Effiziente und sichere 6G-Industrie-Campusnetze mittels KI-gestützter Joint-Communication-&-Sensing-Verfahren; Teilvorhaben "Manipulationserkennung auf Hardware"

Abstract

Im Teilvorhaben "Manipulationserkennung auf Hardware“" hat die PHYSEC GmbH erfolgreich Mess- und Auswertungsverfahren entwickelt. Mit diesen Verfahren wurde ein Tamper-Detection-Mechanismus realisiert, der auf radiometrischen Eigenschaften beruht. Die wesentlichen Ergebnisse werden im Folgenden zusammengefasst. Physikalische Integritätsprüfung: Mittels des MND-Modells konnte gezeigt werden, dass sich aus Kanalimpulsantworten Rückschlüsse auf statische und dynamische Umgebungszustände ziehen lassen. Zugleich können Integritätsverletzungen binär klassifiziert werden. Damit wurde auch das Sicherheitsziel der Personendetektion in einem vorgesehenen Bereich erfolgreich unterstützt. Zustands- und Positionsklassifizierung mit Machine Learning: Mit einem Convolutional Neural Network wurden die Betriebszustände der TRUMPF-Lasercutting-Maschine klassifiziert. Der Übergang auf einen kontrollierten Schachbrett-Aufbau ermöglichte eine reproduzierbare Weiterentwicklung der Positionsdetektion. Die auffällig hohen Klassifizierungsraten wurden dabei kritisch bewertet, weil sie auf Overfitting oder einen Domain Shift hindeuten konnten. Live-Demonstration im Gesamtsystem: Durch den Wechsel auf ein KNN-Verfahren mit Reinitialisierungsmechanismus konnte die Positionsdetektion robust umgesetzt werden, sodass sie auch gegenüber einem wechselnden Rauschteppich stabil blieb. In der Live- Demonstration wurden die Positionen über einen längeren Zeitraum zu 99 % korrekt erkannt. Damit wurde die Funktionsfähigkeit des integrierten Gesamtsystems nachgewiesen. Insgesamt konnte PHYSEC sein Know-how zur Verifikation der Geräteintegrität mittels Funkwellen erfolgreich in das Projekt einbringen. Zudem wurde die Anwendbarkeit radiometrischer Verfahren zur Manipulationserkennung in einer realitätsnahen industriellen Umgebung demonstriert.