Mehrzad Lavassanis försvarar sin doktorsavhandling i datavetenskap
Mehrzad Lavassanis försvarar sin doktorsavhandling i datavetenskap den 13 juni klockan 13.15 på MDU Västerås, sal Lambda.
Titel: “Evolving Industrial Networks – Data-Driven Network Traffic Modelling and Monitoring”.
Utsedd opponent: Dr. Per Hurtig, KAU
Betygsnämnden består av:
Professor Juergen Jasperneite, Technische Hochshule Ostwestfalen-Lippe
Professor Olov Schelén, LTU
Professor Mark Dougherty, Högskolan i Halmstad
Reserv: Professor Tiberiu Seceleanu, MDU
Avhandlingens nummer är: 375.
Summering
Industriell IoT omfattar tillämpbarheten för operativ- och informationsteknologier som utökar förväntningarna på automation av både grönare och flexiblare processer till innovativa tjänster och produkter. Framtidens industriella nätverk bör innefatta, hantera och garantera prestanda hos den samlade trafiken från flertalet teknologislag. Infrastrukturen för industriella nätverk genomgår en transformering för datatillgänglighet i avancerade applikationer och förbättrad flexibilitet. IT-OT-nätverk har utvecklats i långsam takt, detta trots ansedda fördelar rörande prestandaoptimering och förbättrade av informationsflöden. Begränande faktorer omfattar allt från utmaningar i prestanda till hantering av diversitet i datatrafik från nya installationer [greenfield] och brister i hur man uppdaterar medärvda installationer [brownfield] utan att störa processen under tiden. Ett påtagligt tillkortakommande är bristande insyn i nuvarande installationer under användning. Denna avhandling utforskar möjligheterna att utveckla stegen frånexisterande industriella installationer till framtidens industriella nätverk. Målet är att säkerställa oavbruten prestanda hos nuvarande installationer under övergångsfasen till framtidens smarta fabriker. Avhandlingen tar upp klyftan mellan toppmoderna metoder och de tekniska kraven för de integrala klasserna av trafik för utvecklingen av en mekanism för övervakning av IIoT. En fallstudie av trafik på en brownfield installation utgör grunden för att jämföra antagandena och rådande praxis [state of practice] med hjälp av en nyskapande maskininlärningsalgoritm på sensornivå för att övervaka funktionaliteten i ett IIoT-system. De identifierade klyftorna och utmaningarna leder till ett forskningsuppslag med en två-stegs samlad trafikmodell med nya mätmetoder och egenskaper för att fånga trafikens dynamiska beteende. Inlärningsalgoritmer direkt på sensornivå förädlas med insikter från praktiska experiment samt bidrag från forskningsresultat resulterar i utvecklingen av en mekanism för att övervaka samlad in-band telemetri i nätverkstrafik.
Kontaktinformation