Automatisierte Klassifikation von ETCS-Konformitätstests durch Anomalieerkennung in Testabläufen

Kurzfassung

Das European Train Control System stellt ein harmonisiertes, europäisches und interoperables Zugsicherungssystem dar. Zur Sicherstellung der Interoperabilität der Fahrzeugausrüstung, werden im Rahmen des Zulassungsprozesses Konformitäsnachweise für die Systemspezifikation gefordert, welche in der Prüfspezifikation Subset-076 definiert sind. Die während der Prüfung anfallenden Log-Dateien werden zwar überwiegend automatisiert ausgewertet, erfordern für nicht eindeutige Fälle jedoch eine Prüfung durch Fachpersonal, die ausgeprägtes Domänenwissen voraussetzt und damit die Skalierbarkeit des Prozesses begrenzt. Die vorliegende Arbeit untersucht, ob sich Testfehler mit Verfahren des maschinellen Lernens automatisiert erkennen lassen. Entwickelt wurde eine vollständige Verarbeitungs- und Lernpipeline: Die manuell ausgewerteten Testkampagnen werden in eine blockweise, kontextbehaftete Merkmalsdarstellung überführt, heterogene Spaltentypen typgerecht kodiert und darauf ein Random Forest sowie eine lineare Support Vector Machine und eine One-Class-SVM als Vergleichsverfahren trainiert. Die Bewertung erfolgt über eine gruppenbasierte Kreuzvalidierung mit kostensensitiver Klassengewichtung anhand der Fläche unter der Precision-RecallKurve. Die Übereinstimmung dreier konzeptionell verschiedener Verfahren zeigt, dass die beobachtete Grenze nicht in der Wahl des Lernverfahrens liegt. Ob sie durch eine andere Datenrepräsentation überwunden werden könnte, bleibt offen: Alle untersuchten Verfahren arbeiten auf derselben Merkmalsmenge, die selbst Gegenstand dieser Arbeit ist. Unabhängig davon ist das für die Bewertung maßgebliche Sollverhalten Teil der Prüfspezifikation und in den Trace-Dateien selbst nicht abgebildet. Die Arbeit liefert damit keinen einsatzfähigen Detektor, sondern eine präzise Eingrenzung dessen, was mit der untersuchten Repräsentation erreichbar ist.