Promotionen der Fakultät für Informatik im Jahr 2024

04.12.2024

Zhang, Mingqing
"Safety/Security Co-design for Automotive CAN Buses"
Promotion zum Dr.-Ing.

Abstract:

The automotive industry heavily relies on the controller area network (CAN) due to its low cost and robustness. However, as vehicle connectivity grows, CAN buses become more vulnerable to cyberattacks such as spoofing, sniffing, replay, and denial of service (DoS), compromising both safety and (cyber-)security.

Most existing attempts to secure CAN buses necessitate modifications to the hardware or protocol, which increase costs and complicate implementation, or they employ security schemes that negatively impact timing behavior and safety for both passengers and other road participants. To address this problem, we first propose a safety/security co-design approach based on combining a technique we call periodic authenticated encryption. On the other hand, DoS attacks on CAN buses can typically only be mitigated rather than completely rejected, due to CAN's inherent characteristics. We hence propose a priority-raise approach to this aim. Further, securing CAN buses requires sending additional frames, which frames undergo individual arbitration processes, further increasing delay. To alleviate this situation, we propose an ID mirroring technique. Finally, to accommodate to varying timing requirements in safety-critical applications, we propose a dynamic encryption switching approach.

To evaluate the efficacy of these techniques, we conducted experiments on real hardware and carried out extensive simulations using MATLAB/Simulink and OMNeT++. Additionally, we presented various case studies involving electronic stability control (ESC), emergency braking, adaptive cruise control (ACC), and cooperative driving. Our findings demonstrate that the proposed techniques effectively reduce transmission delays while mitigating or preventing all major cyberattacks on the CAN bus. Furthermore, these techniques enable us to meet typical automotive deadlines on CAN buses, fulfilling both safety and security requirements within automotive systems.

02.10.2024

Dinkelbach, Helge Ülo
"Efficient Simulation of Biologically Realistic Neural Networks on Different Parallel Hardware Using Code Generation"
Promotion zum Dr.-Ing.

Abstract:

Computational neuroscience is a rapidly developing field exploring the principles of information encoding and decoding in neural systems and trying to understand the brain on a functional level. The ongoing research in this field leads to models increasing in size and complexity. Modern multi-core CPUs and GPUs offer increasing computational power on shared memory systems. Neural simulators should help to make use of this parallel computational power for the simulation of biologically inspired networks.

Developing such neural simulators demands a good understanding of both models of biologically inspired networks and current hardware architectures. The simulation of rate-coded and spiking models places different requirements on their efficient implementation. Further, models used in computational neuroscience are diverse in terms of the used equations. At this point, one quickly notices the problem of specialization and generalization in neural simulation frameworks. Code generation approaches, already used in neural simulators such as Brian, GeNN, or ANNarchy, seem to be a suitable solution for this dilemma.

Code generation allows the adjustment of generated simulation code based on the used hardware platform and the structure of the network to be simulated. In the thesis, we analyzed several implementations of key operations within rate-coded and spiking neural networks and the impact of different data representations on those. Based on this acquired knowledge, we automatically select the code templates used for the code generation of our neural simulator ANNarchy. Using this approach, on shared memory systems, we could achieve a noticeable improvement on rate-coded neural models while we achieve comparable performance on spiking model benchmarks.

16.05.2024

Wittrin, Ruben Till
"The Power of Play - Multiparametrische Optimierung von Lemprozessen durch Modifikation der Lemumgebung mit spielinnervierenden Charakteristikens"
Promotion zum Dr.-Ing.

Abstract:

Virtuelle Lernumgebungen eröffnen weitreichende Möglichkeiten der Vermittlung von Wissen.
Vorteile wie Skalierbarkeit sind gerade in Zeiten reduzierter Bildungskapazitäten bei gleichzeitig steigender Nachfrage nach gut ausgebildeten Fachkräften ausschlaggebend. Trotzdem können sie alleinstehend auch einen negativen Einfluss auf das Lernverhalten ausüben. Als mögliche positive Determinanten, gerade im digitalen Kontext, können spielerische Charakteristiken aufgeführt werden.
So indizieren bisherige Studien eine grundsätzlich positive Wirkung des Faktors ”Spiel“ auf Lernerfolg und Motivation. Die bisherige Forschungslage ist jedoch nicht eindeutig und lässt nur wenig Rückschlüsse in der weiteren Differenzierung und Begründung dieser Einflussnahme zu. Deshalb fokussiert sich die vorliegende Arbeit auf die Konzeption und Entwicklung eines entsprechenden Evaluationsframeworks sowie auf die nachfolgende empirische Untersuchung multipler Effektparameter von Spielelementen.
Damit erfolgt eine Prüfung der modifizierenden spielinnervierenden Charakteristiken als mögliche Werkzeuge der Optimierung von Lernprozessen hinsichtlich quantifizierbarer objektiver Parameter als auch der wahrgenommenen subjektiven Lernqualität im digitalen Raum.

28.03.2024

Battseren, Batbayar
"Software Architecture for Real-Time Image Analysis in Autonomous Mav Missions"
Promotion zum Dr.-Ing.

Abstract:

The thesis tackles the challenge of real-time image analysis on resource-constrained embedded platforms, particularly micro aerial vehicles (MAVs), by introducing a novel software architecture. This architecture is designed to integrate modularity, adaptability, efficiency, robustness, and real-time capabilities essential for MAV applications. Combining elements from blackboard and microservices architectures, the proposed solution aims to leverage the strengths of both paradigms while addressing their individual limitations. Through the utilization of shared memory inter-process communication, the architecture establishes a centralized knowledge base and API, facilitating the decomposition of computer vision tasks into smaller, loosely coupled software components.

The testing underlines the architecture's real-time performance, scalability, and reliability, positioning it as a promising foundation for real-time computer vision systems on resource-constrained embedded platforms. This proposed approach holds significant implications for various industries reliant on MAV technology, including aerial surveillance, precision agriculture, environmental monitoring, and infrastructure inspection. Ultimately, the thesis offers a modular and efficient solution to the intricate demands of real-time image analysis in embedded systems, advancing the capabilities of MAVs and related applications.

11.03.2024

Bergelt, René
"Methoden zur effizienten Datenaggregation in drahtlosen Big-Data-Sensornetzen"
Promotion zum Dr.-Ing.

Abstract:

Sowohl in der Forschung als auch in der industriellen Anwendung erfahren drahtlose Sensornetze (engl. wireless sensor networks, WSN) eine immer höhere Popularität. Dies liegt nicht zuletzt an den Forschungsgebieten Car2X-Kommunikation, Internet of Things sowie Umweltüberwachung als Teil des Katastrophenschutzes. Typischer Schwerpunkt ist das energieeffiziente und latenzarme Übertragen von Informationen in einem drahtlos verknüpften Netz aus stark ressourcenbeschränkten Hardwareplattformen.
Die Dissertation beschäftigt sich mit der Forschungsfrage, inwieweit Methoden und konkrete Algorithmen aus dem Big-Data-Computing vorteilhaft in drahtlosen Sensornetzen eingesetzt werden können. Während es im ersten Moment nicht intuitiv erscheinen mag, dass Ansätze aus dem Big-Data-Bereich, die bereits konventionelle Rechensysteme an ihre Grenzen bringen, für Sensornetze relevant sein sollen, zeigt die Arbeit Parallelen auf, die zwischen klassischem Big Data und einer Teilgruppe von Sensornetzen existieren. Im Rahmen der Arbeit wird dazu der Begriff drahtloses Big-Data-Sensornetz (Big Data WSN) definiert und darauf aufbauend werden Anforderungen an ein Datenaggregationssystem für ebensolche Sensornetze erörtert sowie konkrete Big-Data-Algorithmen konzeptionell übertragen und adaptiert.
Es wird gezeigt, dass sich sogenannte datenbank-orientierte Aggregationssysteme zur Umsetzung dieser Anforderungen eignen und das ein solches existierendes System für Big Data WSN erweitert werden kann.
Die Hauptbeiträge der Dissertation sind die Vorstellung eines Routingverfahrens für Big Data WSN, das anwendungsrelevante Knoten energieeffizient ermittelt, die Übertragung von Big Data Algorithmen auf WSN zur Reduzierung der zu übertragenden beziehungsweise zu speichernden Datenmenge sowie ein Ereignissystem zur Steigerung der Energieeffizienz und Verringerung der Latenz von Ereignisreaktionen.

29.02.2024

Saleh, Shadi
"Monocular Depth Estimation with Edge-Based Constraints using Active Learning Optimization"
Promotion zum Dr.-Ing.

Abstract:

Depth sensing is pivotal in robotics; however, monocular depth estimation encounters formidable challenges. Existing algorithms, relying on extensive labeled data and large Deep Convolutional Neural Networks (DCNNs), impede real-world applications. We propose two lightweight architectures, attaining commendable accuracy of 91.2% and 90.1%, concurrently reducing the depth error Root Mean Square Error (RMSE) to 4.815 and 5.036. Our lightweight depth model runs at 29-44 FPS on the Jetson Nano GPU, demonstrating efficient performance with minimal power consumption.

Furthermore, we introduce a mask network designed to visualize and analyze the inference of the compact depth network. This aids in the discernment of informative samples for the active learning approach, thereby contributing to heightened model accuracy and enhanced generalization capabilities.

Additionally, our methodology encompasses the introduction of an active learning framework, strategically designed to enhance model performance and accuracy through efficiently utilization of limited labeled training data. This novel framework surpasses antecedent studies by achieving commendable results with a mere 18.3% utilization of the KITTI Odometry dataset. This achievement reflects an adept equilibrium between computational efficiency and accuracy, particularly tailored for cost-effective devices, thereby concurrently diminishing data training requirements.

16.01.2024

Schlosser, Tobias
"Biologically Inspired Hexagonal Deep Learning for Hexagonal Image Processing"
Promotion zum Dr.rer.nat.

Abstract (EN):

While current approaches to digital image processing in the context of deep learning are motivated by biological processes in the human brain, they are, however, also limited due to the current state of the art of input and output devices. To generate images from real-world scenes, the underlying lattice formats are predominantly based on rectangular or square structures. Yet, the human visual perception system suggests an alternative approach that manifests itself in the sensory cells of the human eye in the form of hexagonal arrangements.

This contribution is therefore concerned with the design, implementation, and evaluation of hexagonal solutions in the form of hexagonal deep neural networks (H-DNN). The realized hexagonal functionality had to be built from the ground up as hexagonal counterparts to otherwise conventional square image processing systems, for which hexagonal equivalents for artificial neural network operations, layers, and models had to be implemented.

To enable their evaluation, a set of different application areas within astronomical, medical, and industrial image processing are provided that allow an assessment of H-DNNs in terms of their general performance. The presented results demonstrate the possible benefits of H-DNNs for image processing systems. It is shown that H-DNNs can result in increased classification capabilities given different basic geometric shapes and contours, which in turn partially translate into their real-world applications.

Abstract (DE):

Aktuelle Ansätze der digitalen Bildverarbeitung im Kontext des Deep Learning sind durch biologische Prozesse im menschlichen Gehirn motiviert, jedoch aufgrund des aktuellen Standes der Technik von Ein- und Ausgabegeräten limitiert. Zur Generierung von Bildern realer Szenen basieren die zugrunde liegenden Rasterformate überwiegend auf rechteckigen oder quadratischen Strukturen. Das menschliche visuelle Wahrnehmungssystem schlägt jedoch einen alternativen Ansatz vor, der sich in den Sinneszellen des Auges in Form hexagonaler Anordnungen manifestiert.

Dieser Beitrag befasst sich daher mit dem Entwurf, der Implementierung und der Evaluation hexagonaler Lösungen in Form hexagonaler Deep Neural Networks (H-DNN). Die hierfür entwickelte hexagonale Funktionalität musste von Grund auf als Pendant zu herkömmlichen quadratischen Bildverarbeitungssystemen konzipiert werden, wobei hexagonale Äquivalente für Operationen, Schichten und Modelle künstlicher neuronaler Netze implementiert wurden.

Zur Bewertung werden verschiedene Anwendungsbereiche in der astronomischen, medizinischen und industriellen Bildverarbeitung vorgestellt, die eine Beurteilung von H-DNNs hinsichtlich ihrer allgemeinen Performanz ermöglichen. Die präsentierten Ergebnisse demonstrieren die potentiellen Vorteile von H-DNNs für Bildverarbeitungssysteme. Es wird gezeigt, dass H-DNNs zu einer erhöhten Klassifikationsfähigkeit führen können, wenn verschiedene grundlegende geometrische Formen und Konturen gegeben sind, was sich wiederum teilweise auf ihre realen Anwendungen ¨bertragen lässt.