Detailansicht
Cloud-edge cooperation for monitoring of critical infrastructures
Abdullah Day
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.79996
URN
urn:nbn:at:at-ubw:1-23309.21319.498123-7
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Kritische Infrastrukturen (CI), wie Wasser- und Energiesysteme, sind für das reibungslose Funktionieren der Gesellschaft von entscheidender Bedeutung, und jede Störung dieser Systeme kann schwerwiegende Folgen haben. Die Integration von Internet der Dinge (IoT) und der künstlichen Intelligenz (KI) ermöglicht die Entwicklung von Instrumentierungs- und Steuerungssystemen (I&C) zur Überwachung und Verwaltung dieser Infrastrukturen. Diese Systeme ermöglichen Echtzeit-Entscheidungen und streben einen reibungslosen Betrieb durch Fern- oder autonome Steuerung an. Cloud Computing gilt als leistungsstarke Sammlung von Tools und Ressourcen. Seine Hauptmerkmale sind zentralisierte Datenverarbeitungsfunktionen und langfristige Speicherlösungen. Dennoch sind Herausforderungen wie Latenz, Ausfallsicherheit, Energieeffizienz und Datenschutz damit verbunden und müssen berücksichtigt werden, um eine optimale Systemleistung zu gewährleisten. Edge Computing hat sich hingegen als ergänzendes Konzept zur Bewältigung einiger dieser Herausforderungen herauskristallisiert. Diese Forschung konzentrierte sich auf die Cloud-Edge-Kollaborationstechnologie, insbesondere Federated Learning (FL), angewendet auf Anomalieerkennung (AD) Al-gorithmen zur Überwachung von CI. Federated Learning ist ein dezentraler Ansatz für das Training von ML-Modellen. Dabei werden Daten lokal auf Edge-Geräten verarbeitet und nur Modellaktualisierungen mit der Cloud geteilt. Dadurch wird möglicherweise der Datentransfer reduziert und die Privatsphäre verbessert. Ein detaillierter Vergleich zwischen FL-basierten Ansätzen und dem traditionellen Cloud-zentrierten Ansatz ist durchgeführt. Die Experimente umfassten die Ausführung eines Python ML-Modells, das mit einem realen Datensatz auf Raspberry Pi-Geräten trainiert wurde. Die vergleichende Analyse und die Vergleiche bewerteten die wichtigsten Leistungskennzahlen wie Genauigkeit, Trainings- und Inferenzzeiten, Kommunikationsaufwand (übertragenes Datenvolumen) und Speicherbedarf. Das Ziel besteht darin, die Systemstabilität von CI durch lokales Training zu verbessern, um die Übertragung von Rohdaten zu reduzieren und den Datenschutz zu verbessern, wobei die Restrisiken von der Aggregation und den Abwehrmaßnahmen abhängen. Die Evaluierungsergebnisse lieferten überraschende Erkenntnisse: Selbst weniger aktive Clients pro Runde können zu Verzögerungen bei frühen Verbesserungen führen, Training bleibt jedoch robust und weist eine hohe, unbeeinträchtigte Genauigkeit auf. Abschließend werden in dieser Arbeit die verschiedenen Techniken und Typen von Anomalieerkennung und die verschiedenen Ansätze von Federated Learning erörtert, wobei die damit verbundenen potenziellen Bedrohungen und deren Minderungsstrategien sowie Herausforderungen in Bezug auf kritische Infrastrukturen berücksichtigt werden.
Abstract
(Englisch)
Critical Infrastructures (CI), such as water and energy systems, are essential for the proper functioning of society, and any disruption to these systems can result in severe consequences. The integration of Internet of Things (IoT) and Artificial Intelligence (AI) allows the development of Instrumentation and Control (I&C) systems that monitor and manage these infrastructures, where those systems facilitate real-time decision-making seeking seamless operations through remote or autonomous control. Cloud computing is recognized as a powerful collection of tools and resources, characterized primarily by its centralized data processing capabilities and long-term storage solutions. Nonetheless, challenges such as latency, resilience, energy efficiency, and data privacy are bound with it and must be taken into consideration to ensure optimal system performance. On the other hand, edge computing has emerged as a complementary concept to mitigate some of these challenges. This research focused on cloud-edge collaboration technology, namely Federated Learning (FL), applied to Anomaly Detection (AD) algorithms for monitoring of CI. Federated Learning is a decentralized approach for training of ML models by processing data locally on edge devices while sharing only model updates with the cloud, thereby potentially reducing data transfer and enhancing privacy. A detailed comparison is performed between FL-based approaches and the traditional cloud-centric approach, where the experiments included running a Python ML model trained with a real-world dataset running on Raspberry Pi devices. The comparative analysis and comparisons evaluated the key performance metrics such as accuracy, training and inference times, communication overhead (volume of data transmitted), and memory footprint. The goal is to enhance the system resilience of CI by applying local training to reduce raw data transfer and improve privacy, with residual risks depending on aggregation and defenses. Evaluation results discovered surprising findings, where even fewer active clients per round could cause some delay in early improvements, but training remains robust with a high non-affected accuracy. Finally, this thesis discussed the different techniques and types of Anomaly Detection and the various approaches of Federated Learning, considering the related potential threats and their mitigation strategies and challenges with respect to Critical Infrastructures.
Schlagwörter
Schlagwörter
(Deutsch)
Cloud-Edge Kooperation Kritische Infrastrukturen Föderiertes Lernen Anomalieerkennung
Schlagwörter
(Englisch)
Cloud-Edge Cooperation Critical Infrastructures Federated Learning Anomaly Detection
Autor*innen
Abdullah Day
Haupttitel (Englisch)
Cloud-edge cooperation for monitoring of critical infrastructures
Paralleltitel (Deutsch)
Cloud-Edge Kooperation zur Überwachung kritischer Infrastrukturen
Publikationsjahr
2025
Umfangsangabe
xvii, 84 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Atakan Aral
Klassifikation
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC17747028
Utheses ID
78628
Studienkennzahl
UA | 066 | 921 | |