details_view: 90 von 1540

 

Verbundvorhaben: Resili8 - Resilience for Cyber-Physical Energy Systems; Teilvorhaben: Maschinenlesbare Schwachstellenmodellierung für ARL-basierte Resilienz- & Systemanalyse

Zeitraum
2022-05-01  –  2025-04-30
Bewilligte Summe
225.401,63 EUR
Ausführende Stelle
OFFIS e.V., Oldenburg, Niedersachsen
Förderkennzeichen
03EI4051A
Leistungsplansystematik
Digitalisierung der Energiewende [EB1830]
Verbundvorhaben
01246747/1  –  RESili8
Zuwendungsgeber
Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)
Projektträger
Forschungszentrum Jülich GmbH (PT-J.ESI4)
Förderprogramm
Energie
 
Das Energiesystem, obwohl Teil der Kritische Infrastrukturen (KRITIS), ist in der Vergangenheit einem enormen Wandel unterworfen worden. Ziel des OFFIS ist es, in dem nationalen Teilprojekt mittels eines kombinierten Lösungsansatzes drei Fragen zu adressieren: Welche zukünftige Architektur ist wie sicher im Sinne der KRITIS? Wie sollte diese implementiert werden und wie kann sie validiert werden? Wie erfolgt dann ein möglichst resilienter Betrieb der IT/OT in KRITIS? In RESili8 werden zur Beantwortung der Frage bekannte Ansätze zur SmartGrid-Architekturmodellierung mittels SGAM /IEC 62559 und der Modellierung von Fehlerfällen - der sogenannten Misuse-Case-Methodik - in ein maschinenlesbares elektronisches Format (sog. Serialisierung) überführt, mit dem ein autonomes, lernendes Agentensystem trainiert wird. Beim von OFFIS entwickelten Adversarial Resilience Learning (ARL)-Ansatz stehen sich zwei Klassen von lernenden Agenten gegenüber: 'Angreifer' der KRITIS Infrastruktur und deren 'Verteidiger'. Das Ziel des Angreifers ist das Identifizieren von möglichen Schwachstellen und die anschließende Destabilisierung des Systems, während der Verteidiger Strategien zur resilienten Betriebsführung und mögliche Mitigationen entwickelt. Der wissenschaftlich-technische Beitrag von RESili8 besteht im Offline-Lernen des ARL-Angreifers durch standardisierte neue Eingabeformate und -semantik, der aus dem bisherigen dokumentierten Domänenwissen (State of the Art, ähnlich MITRE Database) zu möglichen Schwachstellen ohne die sonst aufwändige, notwendige Simulation trainiert werden kann. Hierbei werden Best Practices ermittelt, dokumentiert und in einer Datenbank zur Verfügung gestellt.