Publikationen

Die Automobilindustrie steht aufgrund sich wandelnder Anforderungen, strengerer Vorschriften und technologischem Fortschritt vor großen Herausforderungen. Hieraus resultierende Trends wie die Elektrifizierung, die Automatisierung und der Entfall mechanischer Verbindungen zwischen Fahrer oder Fahrerin und den Brems- und Lenksystemen (By-Wire-Systeme) erlauben verbesserte Konzepte für die zur Fahrzeugbewegung benötigten Systeme. Der Entfall mechanischer Verbindungen in automatisierten Systemen reduziert allerdings die Möglichkeiten eines menschlichen Eingriffs in Gefahrensituationen. Dies impliziert sicherheitsrelevante Verfügbarkeitsanforderungen an die beteiligten Systeme. Durch diese ergeben sich neue Freiheitsgrade, die bei der Bewertung potenzieller Systemvarianten berücksichtigt werden müssen. Um unter Einhaltung aller Anforderungen die optimalen Varianten zu identifizieren, wird in dieser Arbeit ein Konzept zur modellbasierten Analyse und ganzheitlichen Optimierung sicherheitsrelevanter Systeme vorgeschlagen. Dieses ermöglicht eine recheneffiziente Bewertung einzelner Systemvarianten und erlaubt somit auch die Variation und den Vergleich möglicher Systemtopologien und jeweils zugehöriger Sicherheitsmaßnahmen. Hierzu wird ein zweistufiger Modellierungsansatz eingeführt, der verhaltensbasierte und logische Systemelemente kombiniert. So wird eine Reduktion der Anzahl der Bewertungsdurchläufe zur Bestimmung der Auswirkungen aller Komponentenausfälle ermöglicht. Des Weiteren wird ein algebraischer Berechnungsansatz zur Analyse des stochastischen Verhaltens vorgeschlagen, um die relevanten Sicherheitskennzahlen unter Berücksichtigung beliebiger Wahrscheinlichkeitsverteilungen und des dynamischen Systemverhaltens zu ermitteln. Dieser Ansatz liefert im Gegensatz zu simulationsbasierten Verfahren genaue und reproduzierbare Ergebnisse bei vergleichsweise geringer Rechenzeit. Für die Variation möglicher Systemtopologien und Sicherheitsmaßnahmen wird ein Ansatz zur ganzheitlichen Optimierung vorgeschlagen, um anhand relevanter Leistungs- und Sicherheitskennwerte die vielversprechendsten Systemvarianten zu ermitteln. Die Anwendung des Konzepts sowie dessen Effektivität wird anhand der Optimierung eines elektrischen Antriebssystems unter Berücksichtigung funktionaler Anforderungen sowie unterschiedlicher sicherheitsrelevanter Verfügbarkeitsanforderungen demonstriert.

Conventional asymmetric cryptography is threatened by the ongoing development of quantum computers. A mandatory countermeasure in the context of virtual private networks (VPNs) is to use post-quantum cryptography (PQC) as a drop-in replacement for the authenticated key exchange in the Internet Key Exchange (IKE) protocol. However, the results of the ongoing cryptanalysis of PQC cannot be predicted. Consequently, this article discusses orthogonal methods for quantum-resistant key exchanges, like quantum key distribution (QKD) and multipath key reinforcement (MKR). As each method has limitations when used on its own, we conclude that it is best to maximize security by combining all available sources of symmetric key material to protect traffic inside a VPN. As one possible realization, we propose a lightweight proxy concept that uses available symmetric keys, like QKD and MKR keys, to implement a transparent cryptographic tunnel for all IKE packets, and consequently for PQC key exchang es. In contrast to combining PQC and symmetric key material within the IKE protocol, our approach provides security in depth: If secure symmetric keys are available, attacks on IKE and hence on PQC algorithms are infeasible. But even otherwise, the security properties of IKE and thus PQC are not weakened, so the overall security of the VPN is guaranteed to increase.

Current network functions build heavily on fixed programmed rules and lack capacity to support more expressive learning models, e.g. brain-inspired Cognitive computational models using neuromorphic computations. The major reason for this shortcoming is the huge energy consumption and limitation in expressiveness by the underlying TCAM-based digital packet processors. In this research, we show that recent emerging technologies from the analog domain have a high potential in supporting network functions with energy efficiency and more expressiveness, so called cognitive functions. We propose an analog packet processing architecture building on a novel technology named Memristors. We develop a novel analog match-action memory called Probabilistic Content-Addressable Memory (pCAM) for supporting deterministic and probabilistic match functions. We develop the programming abstractions and show the support of pCAM for an active queue management-based analog network function. The analysis over an experimental dataset of a memristor chip showed only 0.01 fJ/bit/cell of energy consumption for corresponding analog computations which is 50 times less than digital computations.

Point cloud LiDAR data are increasingly used for detecting road situations for autonomous driving. As data acquisition is much cheaper than data annotation, the classification of the collected data and selecting a part of it for annotation is an important pre-processing step. In this study, we propose a self-supervised method and a corresponding package (PSCO) to classify driving scenes in large-scale point cloud data. We propose a contrastive learning approach which encodes each single frame of the collected raw data into a feature vector that can be effectively classified. Using this approach, the number of necessary frames for annotation to train scene-based models can be significantly reduced. In addition, our method can also select specific scenario data for different individual training stages.