Sicherheit von IoT-Pumpen-Aggregaten in sensiblen Infrastrukturen (SIPSENSIN); Teilvorhaben: Auswahl und Implementierung von KI-Algorithmen

Abstract

Ziel des Projekts SIPSENSIN war es, innovative Lösungen zur Erhöhung der Sicherheit von IoT-Pumpen-Aggregaten in sensiblen Infrastrukturen zu erarbeiteten. Der Fokus lag dabei auf der Verlagerung von Intelligenz aus der Cloud direkt auf das Endgerät (Edge Device). Dieser Ansatz minimiert Angriffsvektoren signifikant, da sensible Rohdaten (z. B. Vibrationsdaten) nicht übertragen werden müssen. Dies ist für den Schutz von Betriebsgeheimnissen essenziell, da solche Daten Rückschlüsse auf Produktionsvolumina und verwendete Materialien zulassen könnten. Gleichzeitig war ein Hauptziel des Projekts die Reaktionsfähigkeit auf Anomalien zu verbessern. Die Arbeiten der wissenschaftlichen Partner, der Rheinland-Pfälzischen Technischen Universität Kaiserslautern-Landau (RPTU) und der Technischen Universität München (TUM), konzentrierten sich auf die Konzeption und die sichere sowie effiziente Hardwareimplementierung der hierfür notwendigen KI-Algorithmen. Dazu sollten neue Architekturen für KI-Beschleuniger entwickelt werden, die eine deutliche Verbesserung hinsichtlich Sicherheit, Energieeffizienz und Ressourcennutzung gegenüber dem Stand der Technik aufweisen. Ein zentrales Sicherheitsziel ist dabei die Erhöhung der Genauigkeit der Anomalieerkennung. Eine präzise Früherkennung von Fehlern reduziert finanzielle Risiken und erhöht die Betriebssicherheit. Die notwendigen Anforderungen an Latenz, Genauigkeit und Energieverbrauch werden aus dem konkreten Anwendungsfall der Pumpensysteme des Partners KSB abgeleitet, um eine holistische Cross-Layer-Optimierung zu ermöglichen. Im Anschluss erfolgt die Hardwareimplementierung auf FPGAs, um die entwickelten Konzepte zu realisieren, zu demonstrieren und detailliert zu charakterisieren. Die RPTU untersuchte hierbei insbesondere die Auswahl und Optimierung geeigneter ML-Modelle sowie deren effiziente Implementierung. Die TUM fokussierte sich auf die Sicherheitsanalyse der Hardware-Implementierungen, insbesondere im Hinblick auf Seitenkanal- und Fehlerangriffe, sowie die Entwicklung und Integration entsprechender Gegenmaßnahmen. Diese Analysen dienen primär dem Schutz des geistigen Eigentums (IP) der entwickelten Algorithmen vor Extraktion. Die gewonnenen Erkenntnisse sind jedoch nicht auf diesen Anwendungsfall beschränkt, sondern lassen sich auf weitere sicherheitskritische Bereiche übertragen, in denen neuronale Netze auf FPGAs zum Einsatz kommen (z. B. Medizintechnik). Zur Validierung des entwickelten Systems, wurde die FPGA-Implementierung in ein Gesamtsystem integriert und getestet. Dies erfolgte in enger Zusammenarbeit mit den Industriepartnern KSB und Creonic.