Styr- och reglerteknik, robotik och säkerhet

Vår forskning omfattar allt från intelligenta system, multiagentsystem och nätverksanslutna styrsystem, till maskininlärning för cybersäkerhet.

Inom forskningsområdet styr- och reglerteknik, robotik och säkerhet forskar vi bland annat om:

  • Intelligenta system
  • Robotik
  • Multiagentsystem
  • Nätverksanslutna kontrollsystem
  • Trådlös styrning
  • Cybersäkerhet (vattenmärkning) inom maskininlärning

Pågående forskningsprojekt

Cybersäker maskininlärning på öppen infrastruktur

Dagens maskininlärningsmetoder ger stora möjligheter till avancerad dataanlys för exempelvis krishantering, processoptimering och produktförbättring, eller minskning av miljöpåverkan. Genom att implementera metoderna på öppen infrastruktur behöver man inte underhålla en egen kostsam och komplex serverinfrastruktur.

Dagens maskininlärningsmetoder ger stora möjligheter till avancerad dataanlys för exempelvis krishantering, processoptimering och produktförbättring, eller minskning av miljöpåverkan. Genom att implementera metoderna på öppen infrastruktur behöver man inte underhålla en egen kostsam och komplex serverinfrastruktur. Dessvärre medför dessa möjligheter även en rad cybersäkerhetsproblem.

Målet i det här projektet är lösa denna utmaning genom att utveckla säkra, integritetsbevarande maskininlärningsmetoder som säkerställer att datan förblir säker, även om den skulle hamna i fel händer.

Projektledare: Roland Hostettler

Projektdeltagare: Anders Ahlén, Subhrakanti Dey

Bidragsperiod: 2021-2024

Projekt-ID: 2021-06334_VR

Mer information om projektet i Swecris databas

Skalbara och säkra distribuerade beräkningsnätverk

Målet i det här projektet är att utveckla säkra och skalbara distribuerade beräkningsnätverk baserad på AI-in-a-box beräkningsnoder för säker, integritetsbevarande och skalbar maskininlärning på öppen infrastruktur. Detta åstadkoms genom att utnyttja en kombination av homomorf kryptering, differential privacy samt federated learning.

Projektledare: Roland Hostettler

Bidragsperiod:1 Juni 2023–31 Maj 2026

Projekt-ID: 2023-00236_Vinnova

Mer information om projektet i Swecris databas

Bayesiansk federerad inlärning för spatio-temporala system

Många processer i naturen eller tekniken, till exempel klimatsystem eller biosfärer, kan beskrivas som spatio-temporala processer, processer som interagerar både i rum och tid. Tack vare förbättrad tillgång till prisvärda sensorer ökar tillgängligheten till mätdata från sådana komplexa system kontinuerligt.

Tyvärr finns det dock en rad utmaningar vid bearbetning av dessa data. Exempelvis ska datasäkerheten garanters och det ska säkerställas att databehandling sker på ett sätt som tar hänsyn till sensorernas begränsade resurser såsom energitillgång, beräkningskraft eller uppkoppling.

Målet i det här projektet är att lösa denna utmaning genom att utveckla maskininlärningsmetoder för spatio-temporala system som är medvetna om och tar hänsyn till dessa begränsningar.

Projektledare: Roland Hostettler

Bidragsperiod: 2023-2026

Projekt-ID: 2022-04505_VR

Mer information om projektet i Swecris databas

Säker maskininlärning i molnet

Målet i det här projektet är att utveckla säkra och integritetsbevarande maskininlärningsmetoder som garanterar datasäkerhet i molnet även om datan skulle hamna i fel händer. Vi utvecklar även en molnbaserad plattform för delning av data och samverkan, och implementerar algoritmerna i ett open-source ramverk.

Projektledare: Roland Hostettler

Bidragsperiod: 1 juli 2021–31 december 2023

Projekt-ID: 2021-02433_Vinnova

Mer information om projektet i Swecris databas

FÖLJ UPPSALA UNIVERSITET PÅ

facebook
instagram
twitter
youtube
linkedin