Detailansicht
Edge intelligence for monitoring critical infrastructures
Maitham Hasan Naji Al-Rubaye
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Informatik
Betreuer*in
Atakan Aral
DOI
10.25365/thesis.78931
URN
urn:nbn:at:at-ubw:1-18245.63976.284182-6
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die zunehmende Komplexität und Interdependenz kritischer Infrastrukturen – wie Strom- netze, Wasserversorgungssysteme und Verkehrsinfrastrukturen – erfordert robuste und effiziente Überwachungslösungen. Herkömmliche zentrale Cloud-Computing-Ansätze stoßen dabei an Grenzen, insbesondere hinsichtlich Latenz, Bandbreitennutzung und Sicherheitsanfälligkeit. Edge Computing stellt ein transformatives Paradigma dar, das eine lokale, echtzeitnahe Datenverarbeitung am Entstehungsort ermöglicht, Übertragungs- verzögerungen minimiert und die Systemsicherheit erhöht. Diese Arbeit präsentiert ein Edge-Intelligence-Framework, das auf die spezifischen Anforderungen der Überwachung kritischer Infrastrukturen zugeschnitten ist. Durch den Einsatz optimierter, ressourcenschonender KI-Modelle für Edge-Geräte und die Integration fortschrittlicher Sicherheitsmechanismen ermöglicht das Framework eine Echtzeiterken- nung von Anomalien, reduziert den Bandbreitenbedarf, verringert Latenzen und erhöht die Resilienz gegenüber Netzwerkausfällen. Ein zentrales Ergebnis dieser Arbeit ist die Entwicklung von TROCI-MAD, einem neuartigen mehrstufigen Anomalieerkennungsalgorithmus. Dieser kombiniert bayessche Statistik, spatio-temporale Abhängigkeitsgraphen (STDG) und neuronale Netze mit einer logischen Entscheidungsfusion. Dieser Ansatz bietet robuste, echtzeitfähige Erken- nungsmechanismen, die speziell für Edge-Computing-Umgebungen in sicherheitskritischen Infrastrukturen konzipiert sind. Experimentelle Evaluierungen zeigen, dass das Framework die operative Effizienz, Skalierbarkeit und Sicherheit verbessert und eine zuverlässige sowie adaptive Lösung für die dynamischen Anforderungen kritischer Infrastrukturen darstellt.
Abstract
(Englisch)
The increasing complexity and interdependence of critical infrastructures, such as power grids, water supply systems, and transportation networks, require robust and efficient monitoring solutions. Traditional centralized cloud computing approaches face challenges such as high latency, bandwidth limitations, and security vulnerabilities. Edge computing emerges as a transformative paradigm that enables real-time data processing closer to the source, minimizes transmission delays, and enhances security. This thesis proposes an edge intelligence framework that is tailored to the unique demands of critical infrastructure monitoring. Using optimized lightweight AI models for resource-constrained edge devices and integrating advanced security mechanisms, the framework achieves real-time anomaly detection, reduced bandwidth usage, improved latency, and resilience to network failures. Experimental evaluations demonstrate the framework’s ability to enhance operational efficiency, scalability, and system security to offer a reliable and adaptive solution for the dynamic environments of critical infrastructures. A key contribution of this work is the design of TROCI-MAD, a novel multi-level anomaly detection algorithm that integrates Bayesian statistical analysis, spatio-temporal dependency graph (STDG) processing, and neural network anomaly detection with a logical decision fusion layer. This approach provides robust, real-time detection capabilities that designed for edge computing in critical infrastructure environments.
Schlagwörter
Schlagwörter
(Deutsch)
Edge Computing Anomalieerkennung Dezentrale Datenverarbeitung Sicherheitsmechanismen Echtzeitüberwachung Ressourcenschonende Geräte Netzwerkresilienz Mikroservice-Architektur
Schlagwörter
(Englisch)
Edge Computing Anomaly Detection Decentralized Data Processing Security Mechanisms Real-Time Monitoring Resource-Constrained Devices Network Resilience Microservice Architecture
Autor*innen
Maitham Hasan Naji Al-Rubaye 
Haupttitel (Englisch)
Edge intelligence for monitoring critical infrastructures
Publikationsjahr
2025
Umfangsangabe
xvii, 102 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Atakan Aral
Klassifikation
54 Informatik > 54.00 Informatik. Allgemeines
AC Nummer
AC17603080
Utheses ID
76958
Studienkennzahl
UA | 066 | 921 | |