TY  - THES
AB  - Technische Systeme werden immer komplexer, sodass Experten das Verhalten der Systeme nicht vollstaendig verstehen. Daher ist es schwer, Regeln aufzustellen, die Fehler im System erkennen. Durch den Preisverfall von Sensoren koennen viele Maschinen mit diesen ausgestattet werden, ihre Messungen werden ueberall hin gesendet und ihr Zustand wird praezise bestimmt. Um Fehler im System zu erkennen, beschreiben Experten nur das normale Verhalten eines Systems. Abweichungen von diesem Verhalten koennen entdeckt werden, wenn ausschliesslich Daten der normalen Bedienung vorliegen. Wir modellieren Systeme als Diskrete Ereignis Systeme (DES), die den realen Maschinenzustand abstrahieren, die wichtigsten Informationen jedoch enthalten. Dabei beobachten wir Sequenzen von Aktionen und die Zeit zwischen diesen. Wir nehmen an, dass alle beobachteten Sequenzen das Normalverhalten der Maschinen beschreiben, wodurch das beschriebene Problem einem Ein-Klassen Problem entspricht. Wir praesentieren einen dreiteiligen Ansatz basierend auf zeitlichen Automaten: Zuerst entwickeln wir den PDTTA, der das Normalverhalten von DES abbildet. Dann entwickeln wir ProDTTAL, der bei Eingabe einer Menge von normalen, zeitlichen Sequenzen einen PDTTA lernt. Dazu wird zuerst die Ereignisreihenfolge gelernt, gefolgt von dem Zeitverhalten von Sequenzen. Abschliessend loest der Algorithmus AmAnDA das Problem der Anomalieerkennung, indem eine gegebene Sequenz als normal oder anormal gekennzeichnet wird. Verglichen mit bestehenden Automatenmodellen repraesentiert der PDTTA das Zeitverhalten zwischen Ereignissen genauer. AmAnDA ist der erste Algorithmus zur Anomalieerkennung, der fuer verschiedene Automatenmodelle genutzt werden kann. In der experimentellen Evaluation entwickeln wir einen systematischen Ansatz, um sequenzbasierte Anomalieerkennungsalgorithmen zu evaluieren. ...
AU  - Klerx, Timo
CY  - Paderborn
DA  - 2017
DO  - 10.17619/UNIPB/1-97
DP  - Universität Paderborn
LA  - eng
N1  - Tag der Verteidigung: 15.05.2017
N1  - Universität Paderborn, Univ., Dissertation, 2017
PB  - Veröffentlichungen der Universität
PY  - 2017
SP  - 1 Online-Ressource (xiii, 156 Seiten)
T2  - Institut für Informatik
TI  - Anomaly detection as a one-class problem in discrete event systems
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-28446
Y2  - 2025-07-11T09:22:17
ER  -