Realitätsnahe Erprobung von Sicherheit für ICS
Ziel von RealistICS ist es Studierenden begleitend zur theoretischen Ausbildung im Bereich industrielle Netzwerksicherheit die Möglichkeit zur praktischen und realitätsnahen Erprobung der erlernten Kenntnisse zu geben. Dadurch soll nicht nur die Motivation gesteigert werden, sondern auch wichtige Fähigkeiten für den Praxiseinsatz vermittelt werden.Dazu soll Studierenden ein Verständnis dafür vermittelt werden, dass industrielle Netzwerke ein komplexes Gesamtsystem sind, dessen Absicherung neben dem theoretischen Wissen aus einer Vorlesung auch signifikante praktische Fähigkeiten benötigt. Zur Erreichung dieses Ziels soll eine Lernumgebung entwickelt werden, in der die Studierenden semesterbegleitend die jeweils theoretisch erlernten Konzepte direkt praktisch anwenden können. Dabei werden die Studierenden zu Beginn des Semesters zunächst das industrielle Netzwerk konfigurieren und programmieren, bevor sie im Laufe des Semesters verschiedene Möglichkeiten zur Absicherung des Netzwerkes in dieser Umgebung praktisch umsetzen.Um einen hohen Realitätsgrad und somit hohe Studierendenmotivation zu erreichen, wird auf umfangreiche Vorarbeiten zur Schaffung von Simulationsumgebungen für industrielle Netzwerke zurückgegriffen. Diese sollen im Rahmen von RealistICS für den Einsatz in der Lehre angepasst sowie entsprechende praktische Aufgaben zum kontinuierlichen Aufbau und Absicherung des industriellen Netzwerkes entworfen werden.
Auf einen Blick
Kontakt
CoFacS – Simulating a Complete Factory to Study the Security of Interconnected Production
While the digitization of industrial factories provides tremendous improvements for the production of goods, it also renders such systems vulnerable to serious cyber-attacks. To research, test, and validate security measures protecting industrial networks against such cyber-attacks, the security community relies on testbeds to simulate industrial systems, as utilizing live systems endangers costly components or even human life. However, existing testbeds focus on individual parts of typically complex production lines in industrial factories. Consequently, the impact of cyber-attacks on industrial networks as well as the effectiveness of countermeasures cannot be evaluated in an end-to-end manner. To address this issue and facilitate research on novel security mechanisms, we present CoFacS, the first COmplete FACtory Simulation that replicates an entire production line and affords the integration of real-life industrial applications. To showcase that CoFacS accurately captures real-world behavior, we validate it against a physical model factory widely used in security research. We show that CoFacS has a maximum deviation of 0.11% to the physical reference, which enables us to study the impact of physical attacks or network-based cyber-attacks. Moreover, we highlight how CoFacS enables security research through two cases studies surrounding attack detection and the resilience of 5G-based industrial communication against jamming.
Publikation anzeigen
CoFacS – Simulating a Complete Factory to Study the Security of Interconnected Production
While the digitization of industrial factories provides tremendous improvements for the production of goods, it also renders such systems vulnerable to serious cyber-attacks. To research, test, and validate security measures protecting industrial networks against such cyber-attacks, the security community relies on testbeds to simulate industrial systems, as utilizing live systems endangers costly components or even human life. However, existing testbeds focus on individual parts of typically complex production lines in industrial factories. Consequently, the impact of cyber-attacks on industrial networks as well as the effectiveness of countermeasures cannot be evaluated in an end-to-end manner. To address this issue and facilitate research on novel security mechanisms, we present CoFacS, the first COmplete FACtory Simulation that replicates an entire production line and affords the integration of real-life industrial applications. To showcase that CoFacS accurately captures real-world behavior, we validate it against a physical model factory widely used in security research. We show that CoFacS has a maximum deviation of 0.11% to the physical reference, which enables us to study the impact of physical attacks or network-based cyber-attacks. Moreover, we highlight how CoFacS enables security research through two cases studies surrounding attack detection and the resilience of 5G-based industrial communication against jamming.
Publikation anzeigenDas könnte Sie auch interessieren
Empowernde Lehre in MINT bei psychischer Belastung
In MentalMINT werden an der TU Bergakademie Freiberg praxistaugliche Formate und Lehransätze zur inklusiven Gestaltung von MINT-Lehrveranstaltungen für psychisch belastete und neurodivergente Studierende geschaffen. In partizipativen Zukunftswerkstätten werden die Bedarfe betroffener Studierender erhoben und ihre Ideen für fördernde Lehrkonzepte gebündelt, darauf aufbauend didaktische Mikroformate sowie ein Konzept für empowernde Beratung und Lerncoaching durch Lehrende entwickelt.;Alle Formate werden im Lehralltag gemeinsam von Lehrenden und Studierenden in MINT-Fächern erprobt, in einem Werkzeugkasten gebündelt und durch Sensibilisierungsworkshops sowie eine Handreichung zur mentalen Gesundheit im Studium für die Lehre ergänzt.;MentalMINT fördert ein diversitätssensibles Lehrhandeln und stärkt die Selbstwirksamkeit und Selbstregulationskompetenz Studierender. Die Wirksamkeit wird durch qualitative und quantitative Erhebungen evaluiert, die Ergebnisse werden open access veröffentlicht und in die Hochschuldidaktik Sachsen, eine gemeinsame wissenschaftliche Einrichtung der sächsischen Hochschulen, für hochschuldidaktische Weiterbildungsangebote transferiert.
Projekt anzeigen
Tool zur Erstellung themenbezogener Lernräume
Lehrinhalte werden häufig im Kontext eines bestimmten Seminars oder Moduls erstellt. Das Workspacetool soll die Zusammenstellung von Inhalten ermöglichen, die für Studierende unabhängig eines bestimmten Lehrangebots interessant sind. Dadurch kann Wissen gebündelt und für viele Personen ohne eine zeitliche Begrenzung zugänglich gemacht werden.
Maßnahme anzeigenExplanatory machine learning for sequential human teaching
[Kurzbeschreibung folgt (Anm. StIL)]
Publikation anzeigen