Das Stromnetz ist eine der kritischsten Infrastrukturen der modernen Gesellschaft. Als hochentwickeltes Cyber-physisches System (CPS) beruht sein Betrieb in hohem Maße auf der engen Kopplung zwischen der physikalischen Schicht (elektrischer Energieträger) und der Cyberschicht (Daten- und Informationsträger). Die Aufrechterhaltung einer hohen Verfügbarkeit und Sicherheit sowohl der Cyber- als auch der physischen Schicht ist entscheidend, um sicherzustellen, dass der Stromerzeugungs- und -verbrauchsprozess nicht gestört wird. Verschiedene Faktoren, wie natürliche Gerätedefekte, menschliche Fehler und Cyber-Angriffe können jedoch zu einer schwerwiegenden Unterbrechung des Betriebs eines CPS führen.

Die rechtzeitige Erkennung solcher Faktoren in Form von Anomalien ist daher eine wichtige Aufgabe in CPS. Dabei werden häufig auf Machine Learning (ML) basierende Verfahren verwendet, da sich diese als praktikabel erwiesen haben. Autoencoder (AE) sind auf künstlichen neuronalen Netzen basierende Modelle, die für die Verwendung zur Anomalieerkennung in letzter Zeit an großer Bedeutung gewonnen haben. Für die Erkennung von Anomalien in Zeitreihen, wie sie beispielsweise in CPS auftreten, haben sich dabei rekurrente Netztopologien, wie Long Short-Term Memory Networks (LSTM) AE, als praktikabel erwiesen.

Das Ziel der Arbeit ist die Entwicklung, das Training und die Evaluation eines rekurrenten AE auf einem Datensatz, welcher in einem CPS aufgezeichnet wurde. Im Rahmen der Evaluation soll das Modell dabei gegen weitere Modelle zur Anomalieerkennung getestet werden.

Die Arbeit teilt sich in folgende Arbeitspakete:

1. Einarbeitung in die Anomalieerkennung mittels rekurrenter AE
2. Recherche und Auswahl eines geeigneten Datensatzes
3. Entwicklung von Modellen zur Anomalieerkennung
4. Evaluation der trainierten Modelle

• Idealerweise Grundkenntnisse in einer Skriptsprache (z.B. Python)
• Grundkenntnisse über Machine Learning (z.B. aus der VL inf598 Deep Learning)