Ein Knowledge Discovery Cycle zur Überwachung mobiler cyber-physikalischer Systeme

Mobile cyber-physical systems (MCPSs) such as motor vehicles, railed vehicles, aircraft, or spacecraft are commonly used in our life today. These systems are location-independent and embedded in a physical environment which is usually harsh and uncertain. MCPSs are equipped with a wide range of sensors that continuously produce sensor data streams. It is mandatory to process these data streams in an appropriate manner in order to satisfy different monitoring objectives, and it is anticipated that the complexity of MCPSs will continue to increase in the future. For instance, this includes the system description and the amount of data that must be processed. Accordingly, it is necessary to monitor these systems in order to provide reliability and to avoid critical damage. Monitoring is usually a semi-automatic process while human experts are responsible for consequent decisions. Thus, appropriate monitoring approaches are required to both provide a reasonably precise monitoring process and to reduce the complexity of the monitoring process itself. The contribution of the present thesis is threefold. First, a knowledge discovery cycle (KDC) has been developed, which aims to combine the research areas of knowledge discovery in databases and knowledge discovery from data streams to monitor MCPSs. The KDC is a cyclic process chain comprising an online subcycle and an offline subcycle. Second, a new data stream anomaly detection algorithm has been developed. Since it is necessary to identify a large number of system states automatically during operation, data stream anomaly detection becomes a key task for monitoring MCPSs. Third, the KDC and the anomaly detection algorithm have been prototypically implemented and a case study has been performed in a real world scenario relating to the ISS Colombus module.Mobile cyber-physikalische Systeme (MCPS) wie z.B. Kraft-, Schienen-, Luft- oder Raumfahrzeuge sind in der heutigen Zeit sehr weit verbreitet. Diese Systeme sind ortsunabhängig und in eine raue bzw. unsichere physikalische Umwelt eingebettet. MCPS sind mit einer Vielzahl von Sensoren ausgestattet, die kontinuierlich Sensordatenströme erzeugen. Um den unterschiedlichen Zielsetzungen der Überwachung gerecht zu werden, ist eine angemessene Verarbeitung dieser Sensordaten wichtig. Es zeichnet sich ab, dass die Komplexität von MCPS in der Zukunft weiter steigt. Damit sind die Systembeschreibung sowie die Menge der zu verarbeitenden Daten gemeint. Aus diesem Grund und um die Zuverlässigkeit der Systeme zu gewährleisten sowie kritische Systemausfälle zu vermeiden, ist eine Überwachung zwingend notwendig. Der Überwachungsprozess ist üblicherweise semi-automatisch und menschliche Experten sind verantwortlich für die getroffenen Entscheidungen. Daher werden Überwachungsansätze benötigt, die eine angemessen präzise Überwachung ermöglichen und gleichzeitig die Komplexität des Überwachungsprozesses verringern. Der Beitrag der vorliegenden Arbeit ist dreigeteilt. Zunächst wird ein Knowledge Discovery Cycle (KDC) entwickelt, der die Forschungsgebiete Wissensentdeckung in Datenbanken und Wissensentdeckung aus Datenströmen miteinander kombiniert. Weiterhin wird ein neuer Algorithmus für die Anomalieerkennung in Datenströmen vorgestellt. Für die Überwachung von MCPS ist eine Unterscheidung in verschiedene Systemzustände notwendig. Daher wird die Anomalieerkennung in Datenströmen zu einer Schlüsselaufgabe. Zuletzt werden der KDC und der vorgestellte Algorithmus zur Anomalieerkennung prototypisch implementiert und eine Fallstudie durchgeführt. Diese Fallstudie basiert auf einem realen Szenario, welches sich auf das Columbus-Modul der internationalen Raumstation ISS bezieht