Fehlererkennung in verteilten Systemen mit Hilfe künstlicher neuronaler Netze

Traditionelle Fehlererkennung in verteilten Systemen folgt meist einem strengen Regelsystem. Diese Regeln müssen vor der Implementierung von Experten aufgestellt und validiert werden und sind in den meisten Fällen nur für einen bestimmten Anwendungsfall zu gebrauchen. Ebenfalls schwierig gestaltet sich die Erweiterbarkeit eines solchen regelbasierten Diagnose- Systems. Erweiterungen in einem komplexen Netzwerk müssen auf Kompatibilität mit den bisherigen Regeln untersucht werden und selbst kleine Änderungen an bestehenden Systemen können für Probleme sorgen. Eine Idee diesen statischen Ansatz zu ersetzen, beziehungsweise zu ergänzen, ist die Verwendung von künstlichen neuronalen Netzwerken in der Fehlererkennung. Die Fähigkeit vorhandene Abfolgen und Abhängigkeiten von selbst zu erlernen und sich damit auf ein existierendes System einzustellen, macht diese Herangehensweise interessant. Durch eine gezielte Verwendung verschiedener Netz-Arten können gleichzeitig zusätzliche Signale erfasst, sowie Änderungen bestehender Signalverläufe erkannt werden. Dadurch wird es möglich, dynamische Systeme zu kontrollieren und auf eventuelle Abweichungen zu reagieren.