Kontakt
+49 711 685 67324
+49 711 685 67302
E-Mail
Pfaffenwaldring 47
70550 Stuttgart
Raum: 1.111
2024
- V. Naik, T. Fabarisov, und A. Morozov, „Machine Learning Based Search for Access Points in Anomaly Detection Model“, 2024.
2023
- A. Aghaei Attar, T. Fabarisov, A. Morozov, M. Artelt, und I. Mamaev, „Hybrid Lightweight Deep Learning-Based Error Detection Model on Edge Computing Devices“, 2023, S. 1–4.
- T. Fabarisov, V. Naik, A. Aghaei Attar, und A. Morozov, „Remedy: Automated Design and Deployment of Hybrid Deep Learning-based Error Detectors“, 2023, S. 1–8.
2022
- P. Grimmeisen, A. Morozov, T. Fabarisov, A. Wortmann, und C. H. Koo, „Automated Model-Based Reliability Assessment of Software-Defined Manufacturing“, in 2022 IEEE 27th International Conference on Emerging Technologies and Factory Automation (ETFA), September 2022, 2022.
- T. Fabarisov, A. Morozov, I. Mamaev, und P. Grimmeisen, „FIDGET: Deep Learning-Based Fault Injection Framework for Safety Analysis and Intelligent Generation of Labeled Training Data“, 2022 IEEE 27th International Conference on Emerging Technologies and Factory Automation (ETFA), September 2022, 2022.
2021
- T. Fabarisov, I. Mamaev, A. Morozov, und K. Janschek, „Deep Learning-based Error Mitigation for Assistive Exoskeleton with Computational-Resource-Limited Platform and Edge Tensor Processing Unit“, in The International Mechanical Engineering Congress and Exposition, IMECE, 2021.
- S. Ding, A. Morozov, T. Fabarisov, und S. Vock, „KrakenBox: Deep Learning based Error Detector for Industrial Cyber-Physical Systems“, in The International Mechanical Engineering Congress and Exposition, IMECE, 2021.
2020
- A. M. T. Fabarisov, I. Mamaev und K. Janschek, „Model-based Fault Injection Experiments for the Safety Analysis of Exoskeleton System“, in 30th European Safety and Reliability Conference (ESREL - Virtual Conference), 1-5 Nov. 2020, Venice, Italy, 2020.
- T. Fabarisov, N. Yusupova, K. Ding, A. Morozov, und K. Janschek, „Model-based Stochastic Error Propagation Analysis for Cyber-Physical Systems“, Acta Polytechnica Hungarica, 17(8), pp.15-28, 2020.
2019
- T. Fabarisov, N. Yusupova, K. Ding, A. Morozov, und K. Janschek, „Analytical toolset for model-based stochastic error propagation analysis: extension and optimization towards industrial requirements“, Системная инженерия и информационные технологии, 1(1), pp.41-46, 2019.
- K. Ding, S. Ding, A. Morozov, T. Fabarisov, und K. Janschek, „On-line error detection and mitigation for time-series data of cyber-physical systems using deep learning based methods“, in 2019 15th European Dependable Computing Conference (EDCC) (pp. 7-14). IEEE, 2019.
2018
- T. Fabarisov, N. Yusupova, K. Ding, A. Morozov, und K. Janschek, „The efficiency comparison of the prism and storm probabilistic model checkers for error propagation analysis tasks“, Industry 4.0, 3(5), pp.229-231., 2018.
Zur Person:
Tagir Fabarisov ist Doktorand und akademischer Mitarbeiter an der Universität Stuttgart, Institut für Automatisierungstechnik und Softwaresysteme. Sein Forschungsschwerpunkt sind die Verlässlichkeit, Zuverlässigkeit und Sicherheitseigenschaften von Cyber-Physischen Systemen. Sowie moderne Ansätze zur Erhöhung der Resilienz besagter Systeme, einschließlich Deep Learning-basierter Methoden. Ein weiterer Schwerpunkt seiner Forschung sind modellbasierte Ansätze zur Zuverlässigkeits- und Sicherheitsanalyse. Insbesondere modellbasierte Fault-Injection-Experimente zur Bewertung der Systemzuverlässigkeit.
Forschung:
Cyber-Physische Systeme (CPS) bestehen aus verschiedenen Arten von Komponenten, wie z.B. Sensoren, Software, CPU’s, Netzwerk-Hardware, Aktoren und physikalischen Teilen, die anfällig für verschiedene Fehlertypen sind. Diese Heterogenität führt dazu, dass herkömmliche Anomalie-Erkennungstechniken nicht eingesetzt werden können, ohne dass das Zielsystem zu kompliziert wird. Daher erhalten die Deep Learning-basierten Anomalietechniken mehr Aufmerksamkeit. Sie erreichen eine gute Leistung und Flexibilität, indem sie lernen, die Daten als eine verschachtelte Hierarchie von Konzepten innerhalb von Schichten des neuronalen Netzwerks darzustellen. Deep Learning übertrifft das traditionelle maschinelle Lernen, wenn der Umfang der Daten zunimmt. Dies trifft zu, wenn es um die großen Mengen eines Zeitreihen Signals geht, das von den verschiedenen CPS-Komponenten erzeugt wird. Die Hauptschwierigkeiten bestehen jedoch darin, dass die supervised multi-class Techniken gelabelte Trainingssätze benötigen, die aus unterschiedlichen und zahlreichen fehlerhaften Daten bestehen müssen. Da richtige Datensätze häufiger vorkommen, ist es eine herausfordernde Aufgabe, die benötigte Anzahl an exakt gelabelten Trainingssätzen für alle Fehlertypen zu erhalten. Daher werden die modellbasierten Fault-Injection-Techniken untersucht und sind Gegenstand der aktuellen Forschung und Entwicklung. Mit effektiven Fault-Injection-Experimenten können die fehlerhaften Daten für Neuronale Netze generiert und in weiteren Tests ihre Fähigkeit zur Fehlererkennung und Fehlerminderung verwendet werden.
Forschungsportal:
Personal web-page: https://flatag.tech/
Google Scholar: https://scholar.google.com/citations?user=Ldmk7kIAAAAJ
ResearchGate: https://www.researchgate.net/profile/Tagir-Fabarisov
LinkedIn: https://www.linkedin.com/in/flatag/