Anomaly Detection in Ad Hoc Netzwerken

Art der Arbeit: Masterarbeit

Fachlicher Hintergrund:

Der Verein Opennet Initiative Rostock e.V. betreibt ein ausgedehntes Ad Hoc Netzwerk in der Stadt Rostock und √ľber die Stadtgrenzen hinweg. Das Netzwerk zu √ľberwachen ist manuell kaum mehr m√∂glich. St√∂rungen, die den Ausfall eines Knotens oder Netzbereiches zur Folge haben, werden in der Regel schnell bemerkt. Auf Grund der hohen Redundanz im Netzwerk ist das aber auch nicht in jedem Fall sichergestellt. Schleichende Fehler, also Fehler die mit einer Abnahme der Verbindungsqualit√§t einhergehen, werden hingegen nur selten bemerkt. Das verwendete Routing-Protokoll ist OLSR. Dieses misst und propagiert permanent die Verbindungsqualit√§t. Dar√ľber hinaus k√∂nnen weitere Parameter auch auf darunter liegenden Schichten erfasst werden, beispielsweise das Signal-Rausch-Verh√§ltnis.

Aufgabenbeschreibung:

Es soll ein System entwickelt werden, das Anomalien im Netzwerk erkennt. Dazu soll die Netzwerkqualität aufgezeichnet werden. Über maschinelles Lernen soll das normale Verhalten des Netzwerks aufgezeichnet werden. Anomalien sollen anschließend automatisch erkannt werden.

M√∂gliche Arbeitsschritte:

  • Einarbeitung in Ad Hoc Netzwerke und die verwendeten Protokolle
  • Einarbeitung in Maschinenlernen und Anomaly Detection
  • Datenaufzeichnung
  • Konzipierung eines Anomaly Detection Verfahrens
  • Experiment
  • Auswertung

Die genaue Festlegung des Themas erfolgt in Abstimmung mit den Betreuern unter Ber√ľcksichtigung eventuell schon an andere Studenten vergebener Themengebiete. Eine gemeinsame Bearbeitung verschiedener Teilthemen durch mehrere Studenten ist unter Umst√§nden m√∂glich. 

Literatur und Ressourcen:

  • Clausen, Thomas, and Phillippe Jacquet. "RFC 3626: Optimized link state routing protocol (OLSR)." IETF, October 4 (2003).
  • Wollenberg, Till. "Performance measurement study in a wireless OLSR-ETX mesh network." Wireless Days (WD), 2012 IFIP. IEEE, 2012.
  • Wollenberg, Till. "Datenerfassung und Darstellung der geografischen Verteilung des Rauschniveaus in einem Ad-hoc-Netzwerk."
  • Akoglu, Leman, Hanghang Tong, and Danai Koutra. "Graph based anomaly detection and description: a survey." Data Mining and Knowledge Discovery29.3 (2015): 626-688.
  • Marsland, Stephen. Machine learning: an algorithmic perspective. CRC press, 2015.

Betreuer: Dr. Thomas Mundt (thm@informatik.uni-rostock.de)

Voraussetzungen: Grundlagen Netzwerktechnik