Skip to main content
European Commission logo
Deutsch Deutsch
CORDIS - Forschungsergebnisse der EU
CORDIS
CORDIS Web 30th anniversary CORDIS Web 30th anniversary

A platform for privacy-preserving Federated Machine Learning using Blockchain to enable Operational Improvements in ATM

Article Category

Article available in the following languages:

Weniger Kosten (und Verspätungen) auf Flughäfen durch den Einsatz vorausschauender KI

Die Erfassung und Weitergabe sensibler Daten von Fluggesellschaften könnte Anbietern von Flugsicherungsdiensten helfen, Flüge besser vorherzusagen und zu planen. Forschende der EU entwickeln ein Maschinenlernsystem, das dies ermöglicht und gleichzeitig die Cybersicherheit und den Datenschutz gewährleistet.

Künstliche Intelligenz auf der Grundlage kollaborativen datengesteuerten maschinellen Lernens hat das Potenzial, das Flugverkehrsmanagement zu revolutionieren. Die Einbeziehung aller Beteiligten, einschließlich der Fluggesellschaften, wird entscheidend sein, um in Zukunft erfolgreiche Ergebnisse zu erzielen. „Die Fluggesellschaften zögern noch, ihre privaten Daten für die gemeinsame Entscheidungsfindung zur Verfügung zu stellen“, erklärt AICHAIN-Projektkoordinator (A platform for privacy-preserving Federated Machine Learning using Blockchain to enable Operational Improvements in ATM) Javier Busto von SITA eWAS Application Services in Spanien. „Sobald sie ihre Flugpläne ausgefüllt haben, findet die Planung und Verwaltung der Netzressourcen und Luftraumkapazitäten mehr oder weniger ohne die Abstimmung mit den Fluggesellschaften statt.“ Die Einbindung von Daten der Fluggesellschaften zu vertraulichen Daten wie Kosten, Flugprioritäten und Verbindungen zwischen Fluggästen und Besatzung in den Entscheidungsprozess könnte zu effizienteren Vorhersagemodellen beitragen und in Zukunft zu einer reibungsloseren Kapazitätenverwaltung und Flugvergabe führen. „Die Herausforderung besteht hier nicht nur in der Technik, sondern auch darin, die Beteiligten zu einer Teilnahme an der Entwicklung gemeinsamer globaler Modelle zum Nutzen des gesamten Flugverkehrsmanagements zu bewegen“, so Busto weiter. „Diese Daten sind in der Regel aus wirtschaftlicher Sicht sehr vertraulich und betreffen Treibstoffkosten und Personalfragen.“

Vorausschauende Flugzuweisung

AICHAIN wurde im Rahmen des gemeinsamen Unternehmens SESAR finanziert, einer öffentlich-privaten Partnerschaft zur Modernisierung des europäischen Flugverkehrsmanagementsystems. Das Projekt zielte darauf ab, die Flugzuteilung durch die Anwendung von maschinellem Lernen auf vertrauliche (und nicht vertrauliche) Daten in einer dezentralisierten, geschützten Weise zu verbessern. Die Grundidee bestand darin, den Fluggesellschaften die Sicherheit und das Vertrauen zu geben, das sie für die gemeinsame Nutzung ihrer Daten benötigen. „Wir haben ein System des föderalen maschinellen Lernens entwickelt, das mit diesen vertraulichen Daten von Fluggesellschaften trainiert werden könnte“, fügt der wissenschaftliche Koordinator von AICHAIN, Sergio Ruiz vom EUROCONTROL Innovationszentrum in Frankreich, hinzu. „Der Netzwerkmanager, in diesem Fall EUROCONTROL, könnte dann diese gesicherten Informationen nutzen, um die Vorhersage der von den Fluggesellschaften gewählten Flugstrecken und der voraussichtlichen Abflugzeiten zu verbessern und so einen reibungsloseren Betrieb zu gewährleisten.“ Föderales maschinelles Lernen wurde bereits in Branchen wie der Pharmaindustrie und dem Gesundheitswesen eingesetzt, und AICHAIN wollte demonstrieren, dass das Konzept auch für das Flugverkehrsmanagement umsetzbar ist. Das Team konzentrierte sich auf zwei spezifische Endanwendungsfälle – die Bestimmung der Startzeit und die Vorhersage der Flugroute. Eine bessere Vorhersagbarkeit dieser Aspekte ist wichtig, um ein effizienteres Flugverkehrsmanagement zu erreichen und latente Kapazitäten abzubauen, was wiederum die Kosten des Flugverkehrsmanagements für Fluggesellschaften und Fluggäste senken würde. „Die Daten können in den Knotenpunkten (zum Beispiel in den Systemen der Fluggesellschaften) verarbeitet werden, in denen sich die entsprechenden Informationen befinden“, sagt Ruiz. „Wir haben hierfür Blockchain genutzt und andere datenschutzfreundliche Technologien identifiziert, die das föderale maschinelle Lernen ergänzen.“

Fluggesellschaften mit an Bord holen

Anschließend bewertete das Projektteam die Wirksamkeit des Systems im Hinblick auf die technische Machbarkeit, den betrieblichen Nutzen und die Akzeptanz durch die Beteiligten. „Föderales maschinelles Lernen ist eine ziemlich ausgereifte Technologie, wenn auch in diesem Sektor nicht allzu bekannt“, merkt Busto an. „Wir haben gezeigt, dass wir ein maßgeschneidertes System entwickeln können, das die Datensicherheit in vollem Umfang schützt und das nötige Vertrauen und die nötigen Anreize für die Teilnahme der Fluggesellschaften schafft.“ AICHAIN arbeitete auch eng mit den zuständigen Behörden zusammen, um sicherzustellen, dass die maschinellen Lerninstrumente für den Einsatz im Flugverkehr zertifiziert werden können. Dabei handelt es sich um einen entscheidenden Schritt hin zur Einführung neuer Technologien in einem derart sicherheitskritischen Bereich. „Dies ist ein sehr komplexer Sektor, der sich noch in der Entwicklung befindet“, fügt Ruiz hinzu. „Auf diese Weise konnte das Projekt einen positiven Einfluss auf den Zertifizierungsprozess ausüben, insbesondere wenn es um den Datenschutz und die Transparenz der Prozesse geht.“ Das Projekt hat auch die Leistungsfähigkeit der Blockchain-Technologie im Hinblick auf die Rückverfolgbarkeit und den Aufbau von Vertrauen gezeigt. „Für uns ist dies eine dezentralisierte Datentechnologie“, so Ruiz. „Die Daten befinden sich nicht auf einer Plattform, sondern verbleiben bei den Eigentümern der Daten, welche die volle Kontrolle darüber behalten. Von dort aus können sie vom Netzwerkmanagement über die föderale Lernplattform genutzt werden, wobei die Privatsphäre geschützt ist.“ Sowohl Busto als auch Ruiz sind der Ansicht, dass AICHAIN einen wertvollen Beitrag nicht nur zur Verbesserung der Automatisierung im Flugverkehrsmanagement, sondern auch zum Bereich des föderalen maschinellen Lernens insgesamt geleistet hat. „Wir würden gerne neue Anwendungsfälle untersuchen“, sagt Ruiz. „Einige dieser Technologien könnten recht schnell entwickelt werden. Was wir wirklich gerne sehen würden, ist, dass mehr Fluggesellschaften Daten in einer föderalen und datenschutzfreundlichen Weise bereitstellen. Die gute Nachricht ist, dass mehr Fluggesellschaften ihr Interesse an diesem Projekt bekundet haben.“

Schlüsselbegriffe

AICHAIN, Flug, Cybersicherheit, Automatisierung, Fluggesellschaften, Daten, Datenschutz, SESAR

Entdecken Sie Artikel in demselben Anwendungsbereich