Erhöhung der Robustheit von Softwarekomponenten durch automatisierte Tests

In der 6. Ausgabe der Fachzeitschrift Signal + Draht (6/2021) wird ein Ansatz vorgestellt, der neue Technologien aus den Bereichen IT-Security und Machine Learning verknüpft, um den Softwaretest für Bahnanwendungen zukünftig effizienter zu gestalten.

Die Anforderungen an softwarebasierte Systeme nehmen stetig zu. Die Entwicklungs- und Testteams müssen die Nachweise für die Korrektheit von Software in immer kürzerer Zeit erbringen. Hierbei müssen die Lösungen ambitionierte Qualitätsziele, insbesondere hinsichtlich der Robustheit und Zuverlässigkeit, einhalten. Getrieben durch die Entwicklung des Rechtsrahmens sowohl auf europäischer als auch auf nationaler Ebene im Zusammenhang mit dem Schutz Kritischer Infrastrukturen, erlangte in den letzten Jahren das Thema Cybersecurity im sicherungstechnischen Bahnumfeld eine zunehmend höhere Bedeutung.

In ihrem Beitrag stellen Benjamin Mensing, Matthias Rathing, Florian Haux und PD Dr.-Ing. Lars Schnieder einen Ansatz vor, der neue Technologien aus den Bereichen IT-Security und Machine Learning verknüpft, um den Softwaretest für Bahnanwendungen zukünftig effizienter zu gestalten. Dabei wurden „intelligente Fuzzer“ eingesetzt und im Rahmen einer Verifikation im Umfeld einer SIL4 ETCS-Softwarekomponente (European Train Control System, ETCS) eines Radio Block Centers (RBC) exemplarisch erprobt. Der Fokus liegt hierbei darauf, den Mehrwert eines Fuzzers, eingebunden in einen bestehenden Verifikationsprozess, mit möglichst wenig zusätzlichem Aufwand herauszuarbeiten.

Gerne stellen wir Ihnen den vollständigen Artikel zur Verfügung.