• English
  • Deutsch
  • Log In
    Password Login
    Research Outputs
    Fundings & Projects
    Researchers
    Institutes
    Statistics
Repository logo
Fraunhofer-Gesellschaft
  1. Home
  2. Fraunhofer-Gesellschaft
  3. Buch
  4. PROTECT - Sicherer Netzbetrieb durch Einsatz selbstlernender KI-Firewalls in Energieversorgungsunternehmen. Gesamtabschlussbericht
 
  • Details
  • Full
Options
2025
Report
Title

PROTECT - Sicherer Netzbetrieb durch Einsatz selbstlernender KI-Firewalls in Energieversorgungsunternehmen. Gesamtabschlussbericht

Title Supplement
Laufzeit des Vorhabens: 01.07.2021 - 31.12.2024
Abstract
In PROTECT wurde ein Lern- und Testsystem zur Entwicklung einer selbstlernenden KI-Firewall für Energieversorgungsunternehmen (EVU) entwickelt und an der Infrastruktur eines Betreibers kritischer Infrastrukturen erprobt mit dem Fokus der KI-gestützten Anomalieerkennung zur Abwehr von IT-Angriffen in Geschäfts-IT (CIT) und Operative Technologie (OT). Als Trainingsgrundlage wurden Netzwerk- und Prozessdaten mittels einer Echtzeit-Co-Simulation generiert. Mit Hilfe von Explainable AI (XAI) wurden relevante Indikatoren abgeleitet, die die Nachvollziehbarkeit der Angriffserkennung erhöhen. Die selbstlernende KI-Firewall soll die IT-Sicherheit verbessern und als Schulungsplattform für Mitarbeiter und auf verschiedene IT-Infrastrukturen übertragbar sein. Die wesentlichen Ergebnisse des PROTECT Projektes sind die Entwicklung eines Gesamtkonzepts für selbstlernende KI-Firewalls in EVU, eine Plattform zur Modellierung und Simulation des Netzwerkverkehrs in der IT und OT sowie die Integration einer KI-basierten Anomalieerkennung. Durch container-basierte Netzwerksimulationen konnten realistische Bedrohungen abgebildet und Netzwerk- sowie Prozessdaten für das Training der KI-Modelle aufgezeichnet werden. Eine agentenbasierte Netzwerksimulation wurde implementiert, um typische Angriffsmethoden zu simulieren, basierend auf historischen APT-Angriffen und der MITRE ATT&CK-Matrix. Die entwickelten KI-Modelle erreichten eine hohe Genauigkeit, zum Teil mit Erkennungsraten von 99,99 % bei einer Falsch-Positiv-Rate von 0,00 %. Zudem wurde eine unüberwachte Angriffserkennung auf Paket- und Flow-Ebene realisiert, die ein F1-Maß von ca. 99 % erreichte. Ein Experten-Interface wurde auf einer modularen KI-Plattform entwickelt, um Übersichten zu Flows und Angriffswahrscheinlichkeiten bereitzustellen. Die Demonstration der KI-Lösung in einem isolierten Testsystem zeigte, dass der Explainability-Ansatz von Security-Experten als wertvolles Werkzeug für forensische Auswertungen angesehen wird.
Author(s)
Kummerow, Andre  
Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB  
Nicolai, Steffen  
Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB  
Bachmann, Paul
Schulz, Andreas
Schneider, Martin
Sobreira de Freitas Sihle, Michael Alecsander
Fitzenreiter, Stefan
Eymer, Kerstin
Project(s)
Sicherer Netzbetrieb durch Einsatz selbstlernender KI-Firewalls in Energieversorgungsunternehmen; Teilprojekt FhG: Entwurf und Implementierung einer Echtzeit Co-Simulation und Entwicklung des Lern- und Testsystems zur KI-basierten Erkennung von Anomalien  
Funder
Bundesministerium für Wirtschaft und Energie -BMWE-
Open Access
File(s)
Download (4.86 MB)
Rights
CC BY-NC 3.0 (Unported): Creative Commons Attribution-NonCommercial
DOI
10.34657/18132
10.24406/publica-4851
Language
German
Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung IOSB  
Keyword(s)
  • Angriffssimulation

  • Angriffserkennung

  • XAI

  • Cybersecurity

  • Energieversorger

  • Cookie settings
  • Imprint
  • Privacy policy
  • Api
  • Contact
© 2024