⚡ electrical engineering

RobResilience: Implementing and Evaluating a Resilience Framework for Cyber-Physical Embodied Systems

Dieses Paper präsentiert RobResilience, ein Laufzeit-Framework, das in einer Webots-Simulation mit einem PR2-Roboter und ROS2 implementiert wurde und die Tolerierbarkeit von Störungen, Degradierung sowie die Machbarkeit von Minderungsmaßnahmen evaluiert, um eine paralyseartige Fehlfunktion bei Graceful Failure in eingebetteten cyber-physischen Systemen unter aktiven Cyberangriffen zu verhindern, wobei experimentelle Ergebnisse dessen Konsistenz mit theoretischen Definitionen bestätigen.

Ursprüngliche Autoren: Gysella Imrell, Emanuele Miotto, Mahya Mohammadi Kashani, Mauro Conti, Alberto Giaretta

Veröffentlicht 2026-09-16

📖 6 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Gysella Imrell, Emanuele Miotto, Mahya Mohammadi Kashani, Mauro Conti, Alberto Giaretta

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine Welt vor, in der Roboter nicht mehr nur Werkzeuge in einer Fabrik sind, sondern aktive Teilnehmer in unserem täglichen Leben, die sich durch unsere Häuser, Krankenhäuser und Straßen bewegen. Diese Maschinen, bekannt als cyber-physische Systeme, verschmelzen digitale Gehirne mit physischen Körpern. Sie nehmen ihre Umgebung wahr, treffen Entscheidungen und handeln nach ihnen. Doch diese enge Verbindung schafft eine gefährliche Schwachstelle. Wenn ein Hacker einen Standardcomputer angreift, ist das Schlimmste, was normalerweise passiert, ein Datenverlust oder ein eingefrorener Bildschirm. Wenn ein Hacker einen Roboter angreift, der ein schweres Objekt hält oder in der Nähe eines Menschen fährt, können die Folgen körperliche Verletzungen oder sogar der Tod sein. Die Herausforderung für Wissenschaftler besteht nicht nur darin, einen Angriff zu erkennen, wenn er stattfindet, sondern dem Roboter zu helfen, ihn zu überstehen. Ein Roboter muss den Unterschied zwischen einem geringfügigen Fehler, den er ignorieren kann, und einem katastrophalen Ausfall erkennen, der es erfordert, dass er sofort stoppt, um sicher zu bleiben.

Jahrelang haben sich Sicherheitsexperten auf die Erkennung von Eindringlingen konzentriert, ähnlich wie ein Einbruchalarm, der läutet, wenn ein Fenster zerbrochen wird. Ein Alarm allein sagt einem Roboter jedoch nicht, ob er seine Aufgabe noch abschließen kann oder ob er sich in unmittelbarer Gefahr befindet. Diese Lücke lässt autonome Systeme einer Art Lähmung ausgesetzt, bei der sie nicht zwischen einem sicheren, beeinträchtigten Zustand und einer katastrophalen Gefahr unterscheiden können. Um dies zu lösen, haben Forscher der Universität Örebro in Schweden ein neues Framework namens RobResilience entwickelt und getestet. Sie erstellten einen digitalen Zwilling eines echten Roboters, einer großen Servomaschine namens PR2, innerhalb einer hochentwickelten Simulationsumgebung. Dieser virtuelle Roboter hatte die Aufgabe, sich durch einen Raum zu bewegen und eine Wasserflasche aufzuheben – eine einfache Aufgabe, die eine präzise Koordination zwischen seinen Rädern, Armen und Sensoren erfordert. Die Forscher setzten diesen virtuellen Roboter dann einer Reihe von simulierten Cyberangriffen aus, die von der Verlangsamung seiner Räder bis hin zum Einfrieren seiner Greifer reichten, um zu sehen, ob ihr neues Framework den Roboter durch das Chaos führen konnte.

Der Kern ihrer Arbeit ist eine Reihe von drei logischen Fragen, die sich der Roboter in Echtzeit stellt, wann immer er spürt, dass etwas nicht stimmt. Die erste Frage betrifft die Störung: Ist das defekte Teil wesentlich für die aktuelle Aufgabe? Wenn der Roboter versucht, sich zu bewegen, und seine Räder gehackt werden, lautet die Antwort ja, und die Aufgabe wird gestört. Wenn der Robbot versucht, eine Flasche aufzuheben, und nur seine nicht essenzielle Kamera gehackt wird, lautet die Antwort nein, und die Aufgabe kann fortgesetzt werden. Die zweite Frage betrifft die Degradierung: Selbst wenn der Roboter noch bewegen kann, führt er seine Aufgabe so schlecht aus, dass er nicht mehr sicher oder nützlich ist? Vielleicht bewegt sich der Roboter so langsam, dass er eine Frist versäumt, oder sein Arm zittert so stark, dass er die Flasche fallen lassen könnte. Die dritte Frage betrifft die Minderung: Wenn der Roboter in Schwierigkeiten gerät, gibt es eine Möglichkeit, es zu beheben? Kann er auf ein Ersatzrad umschalten oder seine Software so umkonfigurieren, dass er das defekte Teil umgeht?

Die Forscher testeten diese Fragen in acht verschiedenen Angriffsszenarien, wobei sie systematisch änderten, welche Teile des Roboters angegriffen wurden, wie stark sie beschädigt waren und ob eine Lösung verfügbar war. In einem Szenario griffen sie die Arme des Roboters an, die für die einfache Aufgabe der Fortbewegung zu einem Ziel nicht kritisch waren. Das System des Roboters identifizierte korrekt, dass die Störung tolerierbar war, und erlaubte die Fortsetzung der Aufgabe, obwohl sich der Roboter etwas langsamer bewegte. In einem anderen Szenario griffen sie die Räder an, die kritisch waren. Da keine Lösung verfügbar war, entschied das System korrekt, dass der Roboter die Aufgabe nicht sicher fortsetzen konnte, und ordnete einen sofortigen Stopp an. Die komplexesten Tests beinhalteten Situationen, in denen der Roboter sowohl gestört als auch degradiert war, aber eine Lösung möglich war. In diesen Fällen identifizierte das Framework erfolgreich die verfügbare Lösung, neutralisierte den Angriff auf die spezifische Komponente und erlaubte dem Roboter, seine Aufgabe fortzusetzen, wenn auch mit einer leichten Verzögerung.

Die Ergebnisse dieser Simulationen waren konsistent mit den theoretischen Regeln, die die Forscher entworfen hatten. Das System war in der Lage, in jeder getesteten Situation die richtige Entscheidung zu treffen. Wenn der Roboter sicher fortfahren konnte, setzte er fort. Wenn er in Gefahr war, stoppte er. Wenn er gerettet werden konnte, wurde er gerettet. Die Studie zeigte auch ein subtiles, aber wichtiges Detail: Die Resilienz des Roboters hängt nicht nur davon ab, welches einzelne Teil defekt ist, sondern von der Kombination defekter Teile. Ein Roboter mag den Verlust eines nicht essenziellen Teils überleben, aber wenn dieser Verlust zu einem bestehenden Problem hinzukommt, könnte der kombinierte Effekt den Roboter über den Punkt der Sicherheit hinaus treiben. Dies bedeutet, dass die Fähigkeit eines Roboters, einem Angriff zu überstehen, keine feste Eigenschaft seiner Hardware ist, sondern ein dynamischer Zustand, der sich mit jeder neuen Information ändert, die er erhält.

Es ist wichtig anzumerken, dass diese Ergebnisse aus einer kontrollierten digitalen Umgebung stammen. Die Forscher nutzten eine Simulation, um die Angriffe und die Reaktionen des Roboters zu modellieren, anstatt einen physischen Roboter in der realen Welt zu testen. Dies ermöglichte es ihnen, hunderte von Variationen schnell und sicher durchzuführen, bedeutet aber auch, dass die Ergebnisse noch nicht an tatsächlicher Hardware bewiesen wurden, die mit realem Rauschen, Zeitverzögerungen oder unvorhersehbaren physikalischen Kräften konfrontiert sein könnte. Die Forscher räumen diese Einschränkung ein und betrachten ihre Arbeit als einen entscheidenden ersten Schritt. Sie haben demonstriert, dass die Logik der Resilienz in einer Simulation wie beabsichtigt funktioniert und somit einen Bauplan dafür liefert, wie zukünftige Roboter darauf programmiert werden könnten, über ihre eigene Sicherheit während eines Angriffs nachzudenken.

Das ultimative Ziel dieser Forschung ist es, über die einfache Erkennung hinauszugehen und hin zu einer Zukunft, in der Roboter in der Lage sind, sich an Bedrohungen im laufenden Betrieb anzupassen. Indem sie Maschinen die Fähigkeit geben, über ihre eigenen operativen Grenzen zu urteilen, hoffen die Forscher, die Art von Totalausfällen zu verhindern, die die menschliche Sicherheit gefährden könnten. Das Framework verhindert nicht, dass der Angriff geschieht, aber es stellt sicher, dass der Roboter, wenn ein Angriff erfolgt, nicht panisch wird oder erstarrt. Stattdessen bewertet er den Schaden, wägt seine Optionen ab und trifft eine kalkulierte Entscheidung, ob er fortfährt, sich erholt oder stoppt. Dieser Wandel von passiver Verteidigung zu aktiver Resilienz stellt einen bedeutenden Fortschritt dar, um autonome Systeme sicher genug zu machen, unsere Welt zu teilen.

Technisches Resümee: RobResilience

Problemstellung

In eingebetteten Cyber-Physischen Systemen (CPS), wie etwa autonomen Robotern, stellen aktive Cyberangriffe eine unmittelbare Bedrohung dar, die sich nicht nur auf die Datintegrität, sondern auch auf die physische Sicherheit und die Betriebskontinuität auswirkt. Während die bestehende Sicherheitsforschung bei der Intrusion Detection (Angriffserkennung) exzellente Ergebnisse erzielt, mangelt es ihr oft an Laufzeitmechanismen, um zu bestimmen, ob eine detektierte Störung tolerierbar ist oder ob die Leistungsdegradation innerhalb sicherer Betriebsgrenzen bleibt. Diese Lücke macht autonome Systeme anfällig für ein „Graceful Failure Paralysis“ (ein Lähmung durch kontrolliertes Versagen), bei dem sie nicht zwischen einem sicheren, degradierten Zustand und einer katastrophalen Gefahr während eines laufenden Angriffs unterscheiden können. Aktuelle Intrusion-Response-Systeme adressieren zwar die Reaktion zur Laufzeit, versäumen es jedoch, formal über die Tolerierbarkeit von Störungen oder Degradationen unter aktiven Angriffen zu urteilen.

Methodik

Die Arbeit präsentiert RobResilience, eine Implementierung und Evaluierung eines formalen Resilienz-Frameworks für eingebettete CPS. Die Arbeit folgt einem Design Science Research-Ansatz und bettet das Framework in eine Simulationsumgebung ein, um zu modellieren, wie Cyberangriffsszenarien das Systemverhalten beeinflussen.

Theoretisches Framework

Das System modelliert einen Roboter $R$ als eine Menge von Geräten $D$ , die Aufgaben $T$ ausführen und Ziele $G$ bewahren. Das Framework stützt sich auf drei zentrale Laufzeit-Prädikate, die über eine Menge kompromittierter Geräte $S$ (abgeleitet aus den Konfidenzintervallen eines Intrusion Detection Systems) evaluiert werden:

Tolerierbare Störung ( $\delta$ ): Evaluiert, ob die Menge der kompromittierten Geräte ein Gerät enthält, das strikt erforderlich (Kritikalitätsstufe 2) für aktive Aufgaben oder Ziele ist.
Tolerierbare Degradation ( $\gamma$ ): Evaluiert, ob die Systemleistung $\psi(S)$ innerhalb akzeptabler Grenzen ( $\theta$ ) bleibt. Diese Grenze ist strenger ( $\theta_{crit}$ ), wenn kritische Geräte kompromittiert sind, und lockerer ( $\theta_{base}$ ), wenn dies nicht der Fall ist.
Mitigationsfähigkeit ( $\mu$ ): Evaluiert, ob eine Teilmenge kompromittierter Geräte neutralisiert werden kann, um sowohl $\delta$ als auch $\gamma$ in akzeptable Zustände zurückzuführen.

Ein System gilt als resilient, wenn $(\delta(S)=1 \land \gamma(S)=1) \lor \mu(S)=1$ .

Implementierungsarchitektur

Das Framework wurde in einer Webots-Simulationsumgebung unter Verwendung eines PR2-Roboters und ROS2 implementiert. Die Architektur besteht aus vier Modulen:

Simulationsumgebung: Hostet den PR2-Roboter und die physikalische Dynamik.
Koordination-Controller: Orchestriert die Aufgabenausführung, verwaltet die Inter-Modul-Kommunikation und integriert Mitigationsbefehle.
Attack Injection Module: Simuliert externe Angreifer, indem symbolische, nachrichtenbasierte Angriffe (z. B. STOP, UNDERSPEED, OVERSPEED) an spezifische Geräte über ROS2-Topics gesendet werden.
Resilience Evaluation Module: Enthält das IDS (welches die Angriffskonfidenz auf eine kompromittierte Menge $S$ abbildet) und den Resilience Manager (welcher $\delta$ , $\gamma$ und $\mu$ evaluiert und die Mitigation auslöst).

Die Degradationsfunktion $\psi$ wurde als gewichtete Exponentialfunktion instanziiert, die den Verlust kritischer Geräte stärker bestraft als den von Nicht-kritischen.

Zentrale Beiträge

Ausführbare Implementierung: Die Arbeit liefert die erste ausführbare Implementierung des formalen Resilienz-Frameworks, das zuvor theoretisch definiert wurde [7]. Sie realisiert Kritikalitäts-Mappings, IDS-Integration und die Evaluierung von Laufzeit-Prädikaten als einsetzbare Softwaremodule innerhalb einer ROS2/Webots-Umgebung.
Verifizierung der Prädikat-Konsistenz: Die Implementierung demonstriert die Übereinstimmung mit den erwarteten Verhaltensweisen über alle realisierbaren Kombinationen der $\delta$ -, $\gamma$ - und $\mu$ -Prädikate hinweg. Sie bestätigt, dass das System korrekt zwischen kritischen und nicht-kritischen Angriffszielen unterscheidet und das Zusammenspiel zwischen Disruption und Degradation handhabt.
Empirische Analyse der Resilienzdynamik: Die Studie liefert eine empirische Analyse darüber, wie die Schwere der Degradation, die Task-Kritikalitäts-Mappings und adaptive Mitigation gemeinsam die Betriebskontinuität bestimmen. Sie hebt hervor, dass Resilienz sensibel auf die kumulative Zusammensetzung der kompromittierten Menge reagiert und nicht nur auf die Kritikalität einzelner Geräte.

Evaluierung und Ergebnisse

Die Evaluierung nutzte acht Angriffsszenarien, die darauf ausgelegt waren, den gesamten Zustandsraum der Prädikat-Kombinationen systematisch abzudecken. Die Szenarien variierten hinsichtlich der Angriffstargets (kritisch vs. nicht-kritisch), der Degradationsraten und der Verfügbarkeit von Mitigation.

Nicht-gestörte Szenarien ( $\delta=1$ ): Wenn die Angriffe auf nicht-kritische Geräte beschränkt waren, hielt das System $\delta=1$ aufrecht. Dennoch konnten hohe Degradationsraten $\gamma$ auf 0 drücken, was zum Stoppen der Aufgaben führte, sofern keine Mitigation verfügbar war (Szenarien 1, 2a, 2b).
Gestörte Szenarien ( $\delta=0$ ): Angriffe auf kritische Geräte setzten $\delta$ $δ$ unmittelbar auf 0.
- In Szenarien, in denen die Degradation innerhalb der Grenzen blieb ( $\gamma=1$ ), aber keine Mitigation verfügbar war, stoppte das System (Szenario 3a).
- In Szenarien, in denen Mitigation verfügbar war, konnte das System $\delta$ erfolgreich auf 1 wiederherstellen, was die Aufgabenerfüllung ermöglichte (Szenario 3b).
- Im schwersten Fall ( $\delta=0, \gamma=0$ ) stoppte das System ohne Mitigation (Szenario 4a), stellte aber den resilienten Zustand erfolgreich wieder her, wenn die Mitigation das kritische Gerät neutralisierte (Szenario 4b).

Die Ergebnisse bestätigen, dass das Laufzeitverhalten der Implementierung konsistent mit den theoretischen Definitionen ist. Insbesondere identifiziert das Framework korrekt, dass ein System gestört sein kann ( $\delta=0$ ), aber dennoch innerhalb akzeptabler Leistungsgrenzen operieren kann ( $\gamma=1$ ), und dass Mitigation die Resilienz wiederherstellen kann, selbst wenn beide Prädikate initial verletzt wurden.

Bedeutung und Limitationen

Die Arbeit beansprucht ihre Bedeutung daraus, die Lücke zwischen Detektion und adaptiver Laufzeitreaktion zu schließen. Durch die Formalisierung von Resilienz als Satz von Laufzeit-Prädikaten ermöglicht RobResilience autonomen Systemen, fundierte Entscheidungen darüber zu treffen, ob sie fortfahren, kontrolliert degradieren oder stoppen sollen, anstatt sich allein auf Detektions-Alarme zu verlassen.

Die Autoren führen explizit folgende Limitationen und Rahmenbedingungen an:

Nur Simulation: Die Evaluierung beschränkt sich auf die Webots-Simulationsumgebung und erstreckt sich nicht auf den Einsatz auf physischer Hardware.
Idealisierte Detektion: Um die Resilienzlogik zu isolieren, wurden die IDS-Schwellenwerte ( $\kappa$ ) auf 0 gesetzt, was eine 100%ige Detektionsgenauigkeit voraussetzt. Dies umgeht die probabilistische Natur realer IDS.
Symbolische Angriffe: Angriffe wurden als symbolische Nachrichten injiziert und nicht als reale Exploits oder Angriffe auf Netzwerkebene.
Deterministische Mitigation: Mitigationsmaßnahmen wurden als deterministisch und vollständig wirksam modelliert, während reale Mitigationsmaßnahmen partiell oder stochastisch sein können.

Die Arbeit schließt mit dem Hinweis, dass das Framework zwar die theoretischen Prädikat-Semantiken erfolgreich validiert, zukünftige Arbeiten jedoch notwendig sind, um realistische probabilistische IDS-Modelle, reale Angriffvektoren und den physischen Einsatz zu integrieren, um die in eingebetteten Systemen inhärenten Zeitsteuerungs- und Rauschbeschränkungen zu adressieren.