Untersuchung der Eignung von Chaos Engineering als ML-Trainingsstrategie

Die vorliegende Arbeit untersucht mittels einer systematischen Literaturrecherche das Potenzial von Chaos Engineering als Trainingsansatz für Machine Learning Modelle in industriellen Produktionssystemen. In einer Ära zunehmender Digitalisierung und Vernetzung industrieller Prozesse gewinnt die Resilienz gegenüber unvorhergesehenen Störungen und Ausfällen signifikant an Relevanz. Die vorliegende Arbeit analysiert und vergleicht verschiedene Ansätze des Chaos Engineerings in den Bereichen Internet of Things, Digital Twins und Cyber-Physical Systems mit weiteren etablierten Techniken des Machine Learnings zur Fehlerinjektion. Die Ergebnisse der Untersuchung legen nahe, dass Chaos Engineering als eine komplementäre Strategie zur Steigerung der Systemresilienz fungieren kann. Der fundamentale Unterschied zu herkömmlichen Trainingsmethoden besteht in der proaktiven und systematischen Störungseinführung, welche die Identifikation bisher unbekannter Schwachstellen ermöglicht. Die Resultate zeigen, dass die Implementierung von Chaos Engineering als Trainingsstrategie für Machine Learning Modelle eine vielversprechende Methode darstellt. Für die Industrie 4.0 ergibt sich daraus die Perspektive einer methodischen Integration von Chaos Engineering in den Entwicklungszyklus von Machine Learning Modellen, was zur Entwicklung hochgradig resilienter und adaptiver Produktionssysteme beitragen kann.

This paper uses a systematic literature review to investigate the potential of chaos engineering as a training approach for machine learning models in industrial production systems. In an era of increasing digitalization and networking of industrial processes, resilience to unforeseen disruptions and failures is becoming significantly more relevant. This thesis analyzes and compares various chaos engineering approaches in the areas of Internet of Things, Digital Twins and Cyber-Physical Systems with other established machine learning techniques for fault injection. The results of the study suggest that chaos engineering can act as a complementary strategy to increase system resilience. The fundamental difference to conventional training methods is the proactive and systematic fault injection, which enables the identification of previously unknown vulnerabilities. The results indicate that the implementation of chaos engineering as a training strategy for machine learning models is a promising method. For Industry 4.0, this opens up the prospect of methodically integrating chaos engineering into the development cycle of machine learning models, which can contribute to the development of highly resilient and adaptive production systems.