TY  - THES
AB  - Anomaliedetektion ist ein wertvolles Mittel zur Verbesserung der Laufzeitzuverlässigkeit in selbst-rekonfigurierbaren Echtzeitsystemen. Aufgrund der spezifischen Eigenschaften, die sich aus der Kombination von selbst-rekonfigurierbaren Systemen und Echtzeitsystemen ergeben, muss die eingesetzte Anomaliedetektion spezifische Anforderungen erfüllen: online-fähig sein, leichtgewichtig im Sinne des Verbrauchs von Ressourcen und selbst-lernend. Um mit sich dynamisch ändernden Verhalten umgehen zu können, muss die Anomaliedetektion eine kontextbezogene Evaluierung des Systemverhaltens umsetzen. Der zentrale Kern dieser Arbeit ist die Online Anomaly Detection, die auf Basis dieser spezifischen Anforderungen entworfen wurde. Das Konzept der Online Anomaly Detection beruht auf der Danger Theory, welche zu den Verfahren der Künstlichen Immunsysteme gehört. Das Konzept stellt ein Betriebssystem-Framework zur kontext-bezogenen Klassifizierung von Systemverhalten zur Verfügung. Dabei setzt sich das Systemverhalten aus den Systemaufrufen der Anwendungen zusammen und wird auf Basis von Eingangssignalen evaluiert, welche den Betriebssystemzustand als Kontext des Systemverhaltens widerspiegeln. Zur Speicherung der Historie des Systemverhaltens wurde in das Framework eine Wissensbasis (Behavior Knowledge Base) integriert, die mithilfe von Suffixbäumen eine kompakte Datenstruktur erzeugt. Die Verwendung von Suffixbäumen ermöglicht einen Abgleich des Systemverhaltens zur Laufzeit und dessen direkte Ablage in die Wissensbasis. Die Anwendbarkeit der Online Anomaly Detection auf das gegebene Einsatzgebiet wurde im Bezug auf die vorgegebenen Restriktionen anhand einer formalen Analyse bewiesen. Darüber hinaus wurde die Online Anomaly Detection im Echtzeitbetriebssystem ORCOS umgesetzt und zur Verifizierung der Anwendbarkeit eine quantitativen Evaluierung durchgeführt...
AU  - Stahl, Katharina
CY  - Paderborn
DA  - 2016
DP  - Universität Paderborn
LA  - eng
N1  - Tag der Verteidigung: 29.04.2016
N1  - Universität Paderborn, Fakultät für Elektrotechnik, Maschinenbau und Mathematik, Univ., Dissertation, 2016
PB  - Veröffentlichungen der Universität
PY  - 2016
SP  - 1 Online-Ressource (xi, 332 Seiten)
T2  - Institut für Informatik
TI  - Online anomaly detection for reconfigurable self-X real-time operating systems: a danger theory-inspired approach
UR  - https://nbn-resolving.org/urn:nbn:de:hbz:466:2-24659
Y2  - 2025-01-14T02:33:48
ER  -