Bewertung des Kommunikationsverhaltens eingebetteter Systeme mit Hilfe selbstlernender Verfahren

Moderne Automobile bestehen heute aus einer Vielzahl interagierender mechanischer und elektronischer Komponenten. Mit zunehmender Vernetzung der einzelnen Komponenten und der immer größer werdenden Zahl von softwarebasierten Funktionen im Fahrzeug sind Automobile heute schon ein Paradebeispiel für vernetzte eingebettete Systeme. Die großen Vorteile softwarebasierter Lösungen sind deren Flexibilität zum Entwicklungszeitpunkt und die Möglichkeit, sehr viele Informationen aus der Umwelt zu nutzen, um eine optimale Funktion des Fahrzeuges zu erzielen. Erst dadurch konnten in den vergangenen Jahren viele neue Techniken zur Erhöhung der Energieeffizienz und zur Verbesserung der Sicherheit im Fahrzeug entwickelt werden. Doch dieser Grad der Vernetzung und Adaptivität im Fahrzeug stellt auch neue Anforderungen an die Entwicklung und den Test dieser Systeme. Ein großes Problem bei der Absicherung der komplexen Interaktion dieser hochgradig vernetzten Systeme sind unvollständige oder fehlerhafte Spezifikationen des erforderlichen Systemverhaltens. Um dies zu verbessern, konzentriert sich ein Großteil der Forschungsaktivitäten darauf, Methoden und Verfahren zu entwerfen, die es ermöglichen, das gewünschte Verhalten dieser eingebetteten verteilten Systeme besser und einfacher beschreibbar und somit auch besser testbar zu machen. Die vorliegende Arbeit geht an dieser Stelle einen anderen, in der Fachwelt bislang neuen Weg, indem sie die Möglichkeit untersucht, für den Testprozess das Kommunikationsverhalten eines verteilten Systems anhand spezieller Netzwerktraces besser bewertbar zu machen. Dies soll helfen Entwicklungs- oder auch Softwarefehler im Rahmen von Fahrzeugtests schneller zu identifizieren. Zu diesem Zweck wird in dieser Arbeit ein Verfahren entwickelt, welches Abweichungen des Kommunikationsverhaltens des zu testenden Systems von vorher aufgenommenen Netzwerk- bzw. Referenztraces feststellen kann. Dieses neue Verfahren erlaubt es, die Bewertung des Kommunikationsverhaltens und die Analyse des Netzwerktraces ohne das Vorliegen einer Spezifikation des Verhaltens des Systems durchzuführen. Das Verfahren gliedert sich in eine Lernphase und eine Anwendungsphase. In der Lernphase werden mittels speziell angepasster Clustering- und Lernalgorithmen Überwachungsmodelle aus dem Netzwerktrace extrahiert. Diese Überwachungsmodelle werden für die Bewertung und Analyse weiterer Netzwerkkommunikation des zu testenden Systems in der Anwendungsphase eingesetzt. Um die Komplexität des zu erlernenden Verhaltens für die Lernalgorithmen zu reduzieren, werden in der Lernphase einzelne lösbare Teilprobleme extrahiert. Dies wird durch eine neue Methodik zur Identifizierung von parallelen Handlungssträngen in Netzwerktraces erreicht. Diese Methodik ermöglicht es, Lernverfahren ohne Vorwissen über das System zur Extrahierung von Verhaltensmodellen aus dem Netzwerktrace anzuwenden. Auf Basis einer eigens eingeführten Bewertungsmethodik werden verschiedene Algorithmen und Verfahrensschritte systematisch verglichen und verbessert. Anhand einer abschließenden Evaluierung mit realen Netzwerkdaten eines Fahrzeuges werden die Machbarkeit und Anwendbarkeit des neu eingeführten Verfahrens unter Beweis gestellt. Die Ergebnisse zeigen, dass es möglich ist, Überwachungsmodelle zur Bewertung der Netzwerkkommunikation aus vorher bekannten Netzwerk- bzw. Referenztraces zu erstellen. Somit können Änderungen im Kommunikationsverhalten erkannt und potenzielle Fehler frühzeitig entdeckt werden. Im Vergleich zu anderen Testverfahren sind vor allem die mit 45 % ermittelte hohe Abdeckung des bewerteten Netzwerkverkehrs und eine mit heuristischen Analyseverfahren vergleichbare Fehlalarmrate von ca. 35 % hervorzuheben