Entwicklung einer Methode zur Erkennung von OPC-UA-Kommunikationsbeziehungen

Abstract

Die digitale Transformation der Industrie zielt auf eine Verschmelzung der Produktion mit neuester Informations- und Kommunikationstechnik ab, um effizientere und flexiblere Produktionsabläufe zu ermöglichen. Im Rahmen des Projekts Industrie 4.0 durch die Vernetzung eingebetteter Systeme und Maschinen sowie die Anbindung der Produktionsprozesse an die Cloud die Fertigung individualisiert und neue Geschäfstmodelle erschlossen werden. Als standardisierte Kommunikationsplattform für die Industrie garantiert OPC Unified Architecture (OPC UA) den sicheren, zuverlässigen und herstellerunabhängigen Datentransport über alle Ebenen der Automatisierungspyramide. Gleichzeitig bietet die Etablierung von SD-WAN-Strukturen in diesem Zusammenhang einen dynamischen und skalierbaren Lösungsansatz, um den Anforderungen an Hochverfügbarkeit und geringen Latenzen im Bereich der Datenübertragung zu begegnen. Die Integration einer Anwendungserkennung als SDN-Applikation ist ein Ansatz, das existierende Netzwerkmanagement in seinen Aufgaben hinsichtlich Monitoring und Konfiguration zu unterstützen und zu ergänzen. Im Rahmen dieser Arbeit wurde diese Möglichkeit in Hinblick auf OPC-UA-Kommunikationsbeziehungen untersucht und evaluiert. Die Erkennung erfolgt dabei ohne den Rückgriff auf Portnummern oder die Analyse der Nutzdaten, sondern basiert ausschließlich auf statistischen Paket- und Verbindungseigenschaften. Paketmitschnitte im Rahmen verschiedener Kommunikationsszenarien wurden dazu genutzt, um Kenngrößen zu ermitteln, welche eine Klassifizierung der Verbindung ermöglichen. Für die (binäre) Klassifikation des Netzwerkverkehrs wurden verschiedene überwachte maschinelle Lernverfahren (ML) trainiert, verglichen und bewertet. Auf Basis dieser Ergebnisse wird untersucht, welche Merkmale im Rahmen der Klassifierzing geeignet sind und wie die Klassifikationsgüte mit der Paketanzahl korrekliert. Innerhalb des berücksichtigten Anwendungsfelds zeigten die besten Klassifitkatoren Erkennungsgenauiigkeiten von über 95%, sowohl in Hinbblick auf UA (Client/Server, als auch in der vorläufigen Betrachtung von UA PubSub. Die Ergebnisse bestätigen, dass die nutzerbasierte und ML-gestützte Klassifizierung ein valider Ansatz ist, um die Erkennung einer Anwendung zu realisieren.