Anomalieerkennung in Kommunikationsdaten zur Datenselektion im Fahrzeug

Ein Fahrzeug generiert Daten, welche Zustand und Verhalten von Fahrer
und Fahrzeug beschreiben. Das Sammeln der Informationen gibt dem Automobilhersteller
die Möglichkeit, diese als Big Data zu verwenden und neuen
Wert zu schöpfen. Beispielsweise schafft die Beobachtung während des gesamten
Lebenszyklus die Grundlage für eine Produktoptimierung, oder aber
das Marketing kann zielgerichtet auf die individuellen Wünsche des Kunden
eingehen.
Herausforderungen hierbei liegen darin, einen Wert aus den Daten zu schöpfen
und die Übertragung von Fahrzeug zu Backend reduzieren. ... mehrEin Oberklassefahrzeug
generiert im Jahr 2017 2,1 MByte je Sekunde. Für die Übertragung
der Datenmenge, die eine Flotte mit Millionen von Fahrzeugen
erzeugt, ergeben sich daher Schwierigkeiten. Aufgrund der Übertragungskosten,
der Datenschutzgrundverordnung und der Limitierung in der Datenübertragung
ist bereits im Fahrzeug eine Selektion relevanter Informationen
notwendig.
Der Ansatz der one-class Klassifizierung lernt anhand normaler Flottendaten,
was normal ist und kann somit Abweichungen vom Normalzustand
erkennen. Durch die Übertragung des trainierten Modells in die Fahrzeuge
werden dort unmittelbar anormale Ereignisse erkannt, womit der Datentransfer
zum Backend auf das Wesentliche, die außergewöhnlichen Vorkommnisse,
reduziert wird. Durch eine stetige Aktualisierung des Modells
entsteht eine dynamische Datensammlung, welche sicherstellt, dass im Backend
noch fehlende Ereignisse übermittelt werden.
Der Vergleich unterschiedlicher Ansätze verdeutlicht, dass insbesondere das
Replikator Neuronale Netz die Anforderungen erfüllt. Außerdem ist es in
der Lage, einen Großteil real geschehener Anomalien zu erkennen, während
kein normales Event fälschlicherweise als anormal eingestuft wird. Das
Ziel der Datenreduktion um das Hundertfache führt zur tatsächlichen Einschränkung
auf 0,715%. Die bedeutsamsten Ereignisse, wie Unfälle oder
ABS-Eingriffe, sind klar erkennbar, doch eine durchschnittliche Area under
curve von 0,8 legt dar, dass das Vorgehen kein Alarmsystem liefert. Es dient
der Reduktion der Datenmenge, die ins Backend übertragen wird, wo weiteres
Postprocessing erfolgen muss. Dieses besteht aus der Interpretation und
der Einordnung von erkannten Ereignissen.

A vehicle generates data describing its condition and the driver’s behaviour.
Collecting these information enables the producer to use it as big data and
to add value. For example, the product can be optimized, because its health
condition can be monitored during complete life time. Or marketing is
responding to customers by knowing his or her individual wishes.
Challenge in this context is the generation of value out of the data and the
transfer from vehicle to backend. A vehicle from the high-class segment
alone produces 2.1 mbyte per second. A complete fleet with millions of cars
... mehr
therefore, produces an amount of data, which needs to be preselected in the
vehicle. Due to the costs, data protection and limitation in the transfer, not
all data can be transmitted.
The concept of one class-classification uses the fleet data to learn what is
normal. With the learnt model deviations can be detected as anomalies. The
model is sent into the vehicles where the transfer to the backend can directly
be limited to the most relevant and unusual events. A continuous update of
the model guarantees a dynamic collection of data. Only missing events are
sent.
When comparing different approaches, the replikator neural network is the
method, which meets the requirements. It is able to detect the majority of
the real anomalies, while none of the normal events is erroneously predicted
as abnormal. The aim of reducing the amount of data by a factor on hundred
leads to a real restriction of 0.715%. The most meaningful events, like accidents
or ABS interventions, are unambiguously detectable, but the average
area under curve of 0.8 shows, that the approach can not be used as alarm system in the vehicle. It is suitable to reduce the amount of data, transferred from vehicle to backend where further postprocessing is necessary. It must consist of the interpretation and the classification of the detected events.