Laufende Projekte

Vollautomatische Rangierlok für die Deutsche Bahn (DB Cargo)

 

In diesem Projekt wird ein Retrofit-Modul für eine Rangierlok entwickelt und zur Anwendungsreife gebracht. Das Modul ermöglicht das vollautomatisierte Rangieren ohne Präsenz eines Lokrangierführers (Lrf). Dabei werden einzelne Komponenten aus anderen Industriezweigen (z. B. Automotive, Verteidigung, Robotik, …) modifiziert und zu einem innovativen, neuartigen System zusammengeführt. Der Ansatz des Forschungsvorhabens VAL umfasst die Ausrüstung bestehender Rangierlokomotiven mit einer entsprechenden Umfeldsensorik, welche in der Lage ist, alle Überwachungsaufgaben des heutigen Lrf zu übernehmen. Darüber hinaus wird eine neue digitale Schnittstelle zwischen Infrastruktur und Lok geschaffen, die einen adäquaten Ersatz zu der derzeit mündlich ablaufenden Kommunikation schaffen wird. Hierfür wird im Rangierbetrieb eine neue Rolle, die des VAL-Operators, geschaffen, welche dediziert für die Überwachung und Steuerung des vollautomatischen Rangierbetriebs zuständig ist. Zusätzlich wird eine neue Rechnerkomponente innerhalb des Stellwerks integriert, die für die Übertragung der Fahrbefehle an die Lok genutzt wird Es wird ein anwendungsreifes Produkt aufgebaut werden, das die notwendigen sicherheitskritischen Anforderungen erfüllt und mit denen eine Serienzulassung mit Markteinführung ermöglicht wird.

 

OHMetaRunner

Autonom fahrende Modellfahrzeuge basierend auf erklärbaren Meta Learning Klassifikatoren

Die Automotive Industrie ist durch politische und gesellschaftliche Vorgaben aufgefordert, Transparenz für ihre ML (maschinelles Lernen) Algorithmen zu entwickeln. Eine wichtige Rolle dabei spielen konkrete Erfahrungen beim sogenannten Meta Learning.

"OHMeta Runner" soll zum ersten Mal derartige Erfahrungen liefern, indem ein innovativer Robotikaufbau eines autonomen Modellfahrzeugs im Modellbau-Maßstab (ca. 1:8) und ein Parcours verwendet werden. Der Forschungsfokus liegt dabei auf der Exploration der Umsetzung der Meta-Learning-Technik für das autonome Fahren und der Analyse der Anwendbarkeit von eXplainable AI-Ansätzen auf diese Technik. Damit soll die Transparenz und die Nachfollziehbarkeit der Entscheidungen des maschinellen Lernens erzielt werden und auf die Ebene der Architektur eine abstrakte Security-Gefährdungsanalyse durchgeführt werden.

Unser Team entwickelt dafür einen vielseitig einsetzbaren Robotik-Aufbau (Modellfahrzeug), der robust ist, alle nötigen Sensoren und Aktuatoren besitzt sowie perfomant und effizient die hohen Ansprüche der ML-Algorithmen erfüllt. Eine anschließende Migration nach Adaptive AUTOSAR wird allerdings in Folgeprojekten anvisiert und durch die Konformität auf Architekturebene mit der EAST-ADL konzeptionell vorbereitet.

Mit dem Robotikaufbau entsteht an der TH Nürnberg eine fakultätsübergreifende, interdisziplinäre Plattform, die für die Bereiche des Software Engineering und des Maschinelles Lernens Entwicklungsimpulse liefern soll.

PetS³

Aufgrund der fortschreitenden Vernetzung sind Cyber-Attacken eine wachsende Bedrohung einer Vielzahl von Anwendungsgebieten wie z.B. Vernetztes Fahrzeug oder Smart Metering. Gemeinsame Konzepte der funktionalen Sicherheit (Safety) und der IT-Sicherheit (Security) sind für diese Gateway-basierten Systeme erforderlich.

Ziel des Forschungsvorhabens ist es, Angriffe auf die IT-Sicherheit von Systemarchitekturen vernetzter cyberkritischer Systeme zu erforschen, da die Wechselwirkung zwischen funktionaler Sicherheit und IT-Sicherheit in diesem Kontext weitestgehend unbekannt ist.

Zentraler Forschungsgegenstand ist die ganzheitliche Analyse der Sicherheitstechnologien, der Gateway-Strukturen und der korrespondierenden Systementwicklungsprozesse. Ausgehend von Schwachstellen und Bedrohungsanalysen sowie Penetrationstests und Architekturanalysen werden Anforderungen für Systemarchitekturen, Sicherheitstechnologien und Prüfverfahren, sowie für ein Reifegradmodell abgeleitet. Es wird ein Schwachstellen- und Bedrohungskatalog entwickelt, der die Grundlage für eine automatisierte Analyse der funktionalen Sicherheit sowie der IT-Sicherheit bildet und damit einen zentralen Beitrag zur Risikobewertung von cyber-kritischen Systemen darstellt.

Kooperationspartner: Ostbayerische Technische Hochschule Regensburg, sepp.med GmbH, eMundo GmbH, iNTENCE automotive electronic GmbH, BFFT Gesellschaft für Fahrzeugtechnik mbH

SmartOSE

Um Gefahrenzonen vor den Folgen von Erdeinbrüchen oder anderen Georisiken zu schützen, werden Sicherungen verwendet, in denen Geokunststoffe eingebaut sind. Diese überwiegend textiltechnisch hergestellten Bauprodukte sind sehr gut dehnbar und können dauerhaft und kostengünstig zur Bewehrung der Böden genutzt werden. Sie werden auch als Schutzmaßnahme gegen Auswirkungen umweltgefährdender Altlasten oder Erosionen verwendet sowie zur Abdichtung und Entwässerung von Deponiekörpern, Wasserwegen oder Dämmen und Deichen. 

Im Forschungsprojekt „Optische Sensoren zur Überwachung von Erdstrukturen“ unter der Gesamtleitung von Prof. Dr. Rainer Engelbrecht sollen innovative und kostenökonomische Sensoren auf Basis von optischen Polymer-Fasern (POF) zur Strukturüberwachung von Geokunststoffen entwickelt und untersucht werden.

Weitere Informationen finden Sie auf der Projekthomepage

Optimierung automobiler Systemarchitekturen

Kooperative Promotion im Kontext Automotive Software Engineering

Forschungskooperation mit der Arbeitsgruppe Software Systems Engineering (SSE) der Universität Hildesheim.

Produktlinien software-intensiver Systeme werden für immer mehr Bereiche im Fahrzeug relevant, insbesondere auch für sicherheitsrelevante Anwendungen und Steuerungen. Die gegenwärtige Herausforderung ist nicht in erster Linie die Exploration weiterer Anwendungsfelder für diese Systeme, sondern deren Optimierung im Hinblick auf eine Vielzahl ggf. konkurrierender Qualitätskriterien. Das Optimum zwischen den Anforderungen mehrerer Kriterien zu finden ist ein hartes kombinatorisches Problem; man spricht von multikriterieller Optimierung, da mehrere Qualitätskriterien des Systems unter Zuhilfenahme einer trade-off-Analyse gleichzeitig optimiert werden.

Die Notwendigkeit einer systematischen Lösung dieses Problems liegt auf der Hand: multikriterielle Optimierungsprobleme können aufgrund ihrer Komplexität nicht händisch gelöst werden, computergestützte Verfahren sind unumgänglich. Dennoch sind gegenwärtig ad-hoc-Lösungsversuche an der Tagesordnung und bedeuten in der Konsequenz, dass Fahrzeugsteuergeräten oft suboptimale Architekturen zugrunde liegen. Da in der Automobildomäne seit einigen Jahren verstärkt modellbasierte Ansätze zur Beschreibung von Produktlinien-Systemarchitekturen zum Einsatz kommen, existiert mittlerweile ein solides Fundament, welches alle nötigen Informationen für computergestützte Optimierungsanalysen zur Verfügung stellt. Im Rahmen des Forschungsvorhabens soll dieses Potential für die Automobildomäne untersucht und nutzbar aufbereitet werden.


Promotionsverfahren Beteiligte:

  • Tobias Wägemann (Promovend, Continental)
  • Prof. Dr. Ramin Tavakoli Kolagari (Promotionsbetreuer Hochschule, TH Nürnberg)
  • Prof. Dr. Klaus Schmid (Promotionsbetreuer Universität, SSE, Universität Hildesheim)

 

läuft bis Ende 2022

IT-Security für das autonome und vernetzte Fahren

Kooperative Promotion im Kontext Automotive IT-Security

Forschungskooperation mit dem Lehrstuhl für Angewandte Kryptographie der Friedrich-Alexander-Universität

Forschungsinhalt:

  • Konzeption sicherer (safe & secure) Fahrzeug-Softwarearchitekturen durch Erweiterung der EAST-ADL
  • Untersuchung von sicherheitskritischen Schwachstellen durch Penetrationstests
  • Entwurf einer sicheren Plattform als Framework

Promotionsverfahren Beteiligte:

  • Markus Zoppelt (Promovend, TH Nürnberg)
  • Prof. Dr. Ramin Tavakoli Kolagari (Promotionsbetreuer Hochschule, TH Nürnberg)
  • Prof. Dr. Dominique Schröder (Promotionsbetreuer Universität, CHAAC, Friedrich-Alexander-Universität)

 

läuft bis einschließlich März 2021

gefördert vom Zentrum Digitalisierung.Bayern

Abgeschlossene Projekte

FORMUS³IC

“Multi-Core safe and software-intensive Systems Improvement Community”
  • Forschungsinhalt: Bewältigung der durch heterogene Mehrkernarchitekturen entstehenden Herausforderungen für Automotive und Avionik
  • Forschungsverbund der Arbeitsgemeinschaft Laboratory for Safe and Secure Systems (LaS³)
  • Akademische Projektpartner: OTH Regensburg, TH Ingolstadt, OTH Amberg-Weiden, HS München, FAU Erlangen-Nürnberg
  • Industrielle Projektpartner: Audi AG, Continental Automotive GmbH (Powertrain), AIRBUS Defence and Space GmbH, Elektrobit Automotive GmbH, Infineon Technologies AG, iNTENCE automotive electronics GmbH, Timing-Architects Embedded Systems GmbH, XKrug GmbH
  • Homepage: https://formus3ic.de

 

beendet im Dezember 2018

gefördert von der Bayerischen Forschungsstiftung

OhmRunner

Die sogenannte Car2X-Kommunikation soll es ermöglichen Daten wie beispielsweise Gefahrenquellen, Hindernisse, Verkehrsfluss oder den allgemeine Fahrzeugstatus, mit anderen Verkehrsteilnehmern und der Infrastruktur auszutauschen. Die Herstellung dieser Kommunikation, die verschiedenen Anwendungsfälle in diesem Bereich sowie mögliche Maßnahmen der Sicherstellung der Integrität der hierbei übertragenen Daten sollen im von der Staedtler-Stiftung getragenen Projekt „Ohm Runner“ untersucht und bewertet werden.

In diesem Projekt soll ein Modellfahrzeug unter Anwendung automobiler Standards und Technologien, wie z.B. AUTOSAR, lernen, Informationen mit seiner Umgebung auszutauschen und zu interpretieren. Hierbei gilt es, mögliche Anwendungsszenarien zu definieren, zu implementieren und bezüglich ihrer Praktikabilität und ihres Mehrwertes zu beurteilen.

Die hierbei generierten Informationen können zu einem wichtigen Bestandteil der Konzepte der Smart Cities und Smart Grids werden und dabei helfen, nicht nur die Verkehrsführung in Echtzeit zu beeinflussen, sondern bestimmte Aufkommen mithilfe geschickter Auswertungen dieser großen Datenmengen vorherzusagen und sogar zu beeinflussen.

 

Bearbeitet von Christian Stahl und Johannes Rösler

Abgeschlossen September 2017

gefördert von der Staedtler Stiftung

MAENAD

Model-based Analysis & Engineering  of Novel Architectures for Dependable Electric Vehicles

http://maenad.eu

 

Laufzeit: 09.2010 – 08.2013

 

Mitarbeiter: Prof. Dr. Ramin Tavakoli Kolagari, Tobias Wägemann

 

Veröffentlichungen: 

Sara Tucci-Piergiovanni, DeJiu Chen, Chokri Mraidha, Henrik Lönn, Nidhal Mahmud, Mark-Oliver Reiser, Ramin Tavakoli Kolagari, Nataliya Yakymets, Renato Librino, Sandra Torchiaro, Agnes Lanusse: Model-Based Analysis and Engineering of Automotive Architectures with EAST-ADL, Chapter 10 of the Handbook of Research on Embedded Systems Design, edited by Alessandra Bagnato, Leandro Soares Indrusiak, Imran Rafiq Quadri and Matteo Rossi, IGI Global, Hershey, August 2014. pp. 242–282.

 

Hans Blom, Henrik Lönn, Frank Hagl, Yiannis Papadopoulos, Mark-Oliver Reiser, Carl-Johan Sjöstedt, De-Jiu Chen, Fulvio Tagliabò, Sandra Torchiaro, Sara Tucci, Ramin Tavakoli Kolagari: EAST-ADL: An Architecture Description Language for Automotive Software-Intensive Systems, Chapter 23 of Embedded Computing Systems: Applications, Optimization, and Advanced Design, edited by Mohamed Khalgui, Olfa Mosbahi and Antonio Valentini, IGI Global, Hershey, April 2013. pp. 456–470.

 

Philippe Cuenot, Patrik Frey, Rolf Johansson, Henrik Lönn, Yiannis Papadopoulos, Mark-Oliver Reiser, Anders Sandberg, David Servat, Ramin Tavakoli Kolagari, Martin Törngren, Matthias Weber (invited paper, peer reviewed): The EAST-ADL Architecture Description Language for Automotive Embedded Software, Invited Chapter in the LNCS Volume on Model-Based Engineering of Embedded Real-Time Systems (MBEERTS), Lecture Notes in Computer Science, edited by Holger Giese, Bernard Rumpe, Bernard Schätz, International Dagstuhl Workshop, Dagstuhl Castle, Germany, November 4-9, 2007, Revised Selected Papers, 2010. pp. 297–307.

 

Eric Armengaud, Andreas Baumgart, Matthias Biehl, Dejiu Chen, Gerhard Griessnig, Christian Hein, Tom Ritter, Ramin Tavakoli Kolagari, Markus Zoier: Model-based Toolchain for the Efficient Development of Safety-relevant Automotive Embedded Systems, Proceedings of the SAE 2011 World Congress & Exhibition, Detroit, April 2011.

 

Anders Sandberg, DeJiu Chen, Henrik Lönn, Rolf Johansson, Lei Feng, Martin Törngren, Sandra Torchiaro, Ramin Tavakoli Kolagari, Andreas Abele: Model-based Safety Engineering of Interdependent Functions in Automotive Vehicles Using EAST-ADL2, Proceedings of the 29th International Conference on Computer Safety, Reliability and Security (SAFECOMP’10), Vienna, September 2010. pp. 332–346.

 

 Philippe Cuenot, Patrick Frey, Rolf Johansson, Henrik Lönn, Yiannis Papadopoulos, Mark-Oliver Reiser, Anders Sandberg, David Servat, Ramin Tavakoli Kolagari, Martin Törngren, Matthias Weber: The EAST-ADL Architecture Description Language for Automotive Embedded Software, Chapter 11 of Model-Based Engineering of Embedded Real-Time Systems, International Dagstuhl Workshop, Dagstuhl Castle, Germany, November 4-9, 2007, Revised Selected Papers, edited by Holger Giese, Gabor Karsai, Edward Lee, Bernhard Rumpe, Bernhard Schätz, Lecture Notes in Computer Science 6100, Springer, Berlin, 2010. pp. 297–308.

 

Hans Blom, Henrik Lönn, Ramin Tavakoli Kolagari: On Tooling strategy for the EAST-ADL language, Proceedings of the 1st Workshop on Hands-on Platforms and tools for model-based engineering of Embedded Systems (HoPES’10), in conjunction with ECMFA 2010, Paris, June 2010. pp. 19–26.

 

Hans Blom, Henrik Lönn, Frank Hagl, Yiannis Papadopoulos, Mark-Oliver Reiser, Carl-Johan Sjöstedt, De-Jiu Chen, Ramin Tavakoli Kolagari: EAST-ADL—An Architecture Description Language for Automotive Software-Intensive Systems, White Paper, Version 2.1.12, 2012.

Security für Machine Learning im hoch-autonomen Fahren

Kooperative Promotion im Kontext Automotive Security und Machine Learning

Forschungskooperation mit dem Lehrstuhl für IT-Sicherheitsinfrastrukturen der Friedrich-Alexander-Universität Erlangen

 

Forschungsinhalt:

Machine Learning befindet sich derzeit in einer Phase der Hochkunjunktur. Die Technik hat bereits in vielen Bereichen Einzug gehalten und wird auch in Zukunft eine wichtige Rolle in der IT-Welt spielen.

Auch das hoch-autonome Fahren ist stark von Machine Learning abhängig. Beim Zusammenspiel unzähliger Sensoren, Aktoren und einer Großzahl kleiner Hardware- und Software-Komponenten wird Machine Learning genutzt, um die Signale auszuwerten und entsprechende Reaktionen einzuleiten. So werden beispielsweise Fußgänger, Verkehrsschilder und andere Autos auf Kameraaufnahmen erkannt und die Route entsprechend angepasst oder eine Bremsung durchgeführt. Anders als bei den meisten Anwendungen mit künstlicher Intelligenz kann ein Versagen der Machine Learning-Komponente im Fahrzeug das Leben von Menschen gefährden. Daher ist es besonders wichtig, diese Komponenten vor Angriffen zu schützen.

Im Rahmen der Promotion sollen möglichen Angriffe auf Machine Learning-Anwendungen analysiert und entsprechende Schutzmechanismen konzipiert werden.

 

Promotionsverfahren Beteiligte:

  • Katja Auernhammer (Promovendin, TH Nürnberg)
  • Prof. Dr. Ramin Tavakoli Kolagari (Promotionsbetreuer Hochschule, TH Nürnberg)
  • Prof. Dr. Felix Freiling (Promotionsbetreuer Universität, IT-Sicherheitsinfrastrukturen, Friedrich-Alexander-Universität Erlangen)

 

läuft bis einschließlich Dezember 2020

gefördert vom Zentrum Digitalisierung.Bayern

Unsere Publikationen

2021

Bergler, Matthias; Tolvanen, Juha-Pekka; Zoppelt, Markus; Tavakoli Kolagari, Ramin (2021). Social Engineering Exploits in Automotive Software Security: Modeling Human-targeted Attacks with SAM. Proceedings of the 31st European Safety and Reliability Conference | 19-23 September 2021, Angers, France

 

 

 

2020

Brost, J., Egger, C., Lai, R. W. F., Schmid, F., Schröder, D., & Zoppelt, M. (2020). Threshold Password-Hardened Encryption Services. Proceedings of the 2020 ACM SIGSAC Conference on Computer and Communications Security, 409–424. doi.org/10.1145/3372297.3417266

Aslansefat, K., Sorokos, I., Whiting, D., Tavakoli Kolagari, R., & Papadopoulos, Y. (2020). SafeML: Safety monitoring of machine learning classifiers through statistical difference measure. IMBSA 2020. Lecture Notes in Computer Science, vol 12297, 197–211. doi.org/10.1007/978-3-030-58920-2_13

Auernhammer, Katja; Freiling, Felix; Tavakoli Kolagari, R. (2020). Efficient Black Box Search for Advesarial Examples Using Relevance Masks. DYnamic and Novel Advances in Machine Learning and Intelligent Cyber Security (DYNAMICS) Workshop.

2019

Zoppelt, M., & Tavakoli Kolagari, R. (2019). Reaching Grey Havens: Industrial Automotive Security Modeling with SAM. International Journal on Advances in Security, 12, 223–235. www.iariajournals.org/security/sec_v12_n34_2019_paged.pdf

Beuche, D., Birk, A., Dreier, H., Fleischmann, A., Galle, H., Heller, G., Janzen, D., John, I., Tavakoli Kolagari, R., von der Maßen, T., Wolfram, A., Omasreiter, H., Tavakoli Kolagari, R., Zoppelt, M., Tavakoli Kolagari, R., Mark-Oliver Reiser, Tavakoli Kolagari, R., Weber, M., van Wagensveld, R., … Mader, R. (2019). UnCle SAM : Modeling Cloud Attacks with the Automotive Security Abstraction Model. In Quan Chen Zhiyi Huang & P. Balaji (Eds.), CLOUD COMPUTING 2019, The Tenth International Conference on Cloud Computing, GRIDs, and Virtualization (Vol. 11681, Issue IEEE Computer Society, Los Alamitos, pp. 67–72). Springer, Berlin. doi.org/10.1007/978-3-540-75698-9_9

Zoppelt, M., & Tavakoli Kolagari, R. (2019). UnCle SAM : Modeling Cloud Attacks with the Automotive Security Abstraction Model. Proceedings of the Tenth International Conference on Cloud Computing, GRIDs, and Virtualization, 67–72.

Auernhammer, K., Tavakoli Kolagari, R., Zoppelt, M., & Tavakoli Kolagari, R. (2019). Attacks on machine learning: Lurking danger for accountability. CEUR Workshop Proceedings, 2301, 9. ceur-ws.org/Vol-2301/paper_2.pdf

Tavakoli Kolagari, R. (2019). Modeling Software Systems Security with SAM and EAST-ADL. doi.org/10.1007/978-3-030-32872-6

Zoppelt, M., & Tavakoli Kolagari, R. (2019). What Today’s Serious Cyber Attacks on Cars Tell Us: Consequences for Automotive Security and Dependability. International Symposium on Model-Based Safety and Assessment, 270–285. doi.org/10.1007/978-3-030-32872-6_18

Auernhammer, K., Tavakoli Kolagari, R., & Zoppelt, M. (2019). Attacks on Machine Learning: Lurking Danger for Accountability. Proceedings of the AAAI Workshop on Artificial Intelligence Safety, Co-Located with the Thirty-Third AAAI Conference on Artificial Intelligence (AAAI 2019), 9–18.

Wägemann, T., Tavakoli Kolagari, R., & Schmid, K. (2019). ADOOPLA - Combining Product-Line- and Product-Level Criteria in Multi-objective Optimization of Product Line Architectures. In I. P. Bures T. Duchien L. (Ed.), Lecture Notes in Computer Science (Vol. 11681). Springer, Cham. doi.org/10.1007/978-3-030-29983-5_9

van Wagensveld, R., Wägemann, T., Mader, R., Tavakoli Kolagari, R., & Margull, U. (2019). Evaluation and modeling of the supercore parallelization pattern in automotive real-time systems. Parallel Computing, 81, 122–130. doi.org/10.1016/j.parco.2018.12.004

Wägemann, T., Tavakoli Kolagari, R., & Schmid, K. (2019, March). Exploring Automotive Stakeholder Requirements for Architecture Optimization Support. Proceedings of the International Conference on Software Architecture Companion(ICSA-C). doi.org/10.1109/ICSA-C.2019.00015

Auernhammer, K., Tavakoli Kolagari, R., & Zoppelt, M. (2019). Attacks on machine learning: Lurking danger for accountability. CEUR Workshop Proceedings, 2301, 9. ceur-ws.org/Vol-2301/paper_2.pdf

Zoppelt, M., & Tavakoli Kolagari, R. (2019). What today’s serious cyber attacks on cars tell us: Consequences for automotive security and dependability. In M. Papadopoulos, Yiannis and Aslansefat, Koorosh and Katsaros, Panagiotis and Bozzano (Ed.), Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics): Vol. 11842 LNCS (pp. 270–285). Springer International Publishing. doi.org/10.1007/978-3-030-32872-6_18

Zoppelt, M., & Tavakoli Kolagari, R. (2019). UnCle SAM : Modeling Cloud Attacks with the Automotive Security Abstraction Model. CLOUD COMPUTING 2019, The Tenth International Conference on Cloud Computing, GRIDs, and Virtualization, 67–72.

Zoppelt, M., & Tavakoli Kolagari, R. (2019). SAM: A Security Abstraction Model for Automotive Software Systems. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics): Vol. 11552 LNCS (pp. 59–74). Springer. doi.org/10.1007/978-3-030-16874-2_5

2018

van Wagensveld, R., Wägemann, T., Hehenkamp, N., Tavakoli Kolagari, R., Margull, U., & Mader, R. (2018). Intra-Task Parallelism in Automotive Real-Time Systems. In Quan Chen Zhiyi Huang & P. Balaji (Eds.), Proceedings of the 9th International Workshop on Programming Models and Applications for Multicores and Manycores 2018 (PMAM’18) (pp. 61–70). ACM, New York. doi.org/10.1145/3178442.3178449

Zoppelt, M., & Tavakoli Kolagari, R. (2018). SAM: A Security Abstraction Model for Automotive Software Systems. In S. A. E. Y. G.-A. J. Hamid B. Gallina B. (Ed.), Security and Safety Interplay of Intelligent Software Systems (Vol. 11552, pp. 59–74). Springer, Cham. doi.org/10.1007/978-3-030-16874-2_5

Wägemann, T., Tavakoli Kolagari, R., & Schmid, K. (2018). Optimal Product Line Architectures for the Automotive Industry. In Schaefer I., D. Karagiannis, A. Vogelsang, D. Méndez, & C. Seidl (Eds.), Modellierung 2018 (pp. 119–134). Gesellschaft für Informatik. dl.gi.de/handle/20.500.12116/14962

2017

Stahl, C., & Tavakoli Kolagari, R. (2017). Strategies to balance grid load using communication interfaces in electrical vehicles. In J. Mottok, M. Reichenberger, & C. Klippel (Eds.), Applied Research Conference 2017. (ARC 2017).

Rösler, J., & Tavakoli Kolagari, R. (2017). Ohm Runner---Establishment of a communication from infrastructure to vehicle level for dynamic transmission of information. In J. Mottok, M. Reichenberger, & C. Klippel (Eds.), Applied Research Conference 2017. (ARC 2017).

2016

Tavakoli Kolagari, R., Chen, D., Lanusse, A., Librino, R., Lönn, H., Mahmud, N., Mraidha, C., Reiser, M.-O., Torchiaro, S., Tucci-Piergiovanni, S., Wägemann, T., & Yakymets, N. (2016). Model-based Analysis & Engineering of Automotive Architectures with EAST-ADL: Revisited. International Journal of Conceptual Structures and Smart Applications (IJCSSA) 3 (2). doi.org/10.4018/IJCSSA.2015070103

Wägemann, T., Langer, T., Mottok, J., Osinski, L., Stappert, F., & Tavakoli Kolagari, R. (2016). Models for Dependable Heterogenous Multi- and Many-Core System Software Design Revisited. Proceedings of the FORMUS3IC-Workshop of Multi-Core Safe and Software-Intensive Systems Improvement Community (ARCS 2016), 1–8. ieeexplore.ieee.org/document/7499190

Tavakoli Kolagari, R., & Auernhammer, K. (2016, July). Utilization and Effect of Narrative Art in Advanced Software Engineering Education. Proceedings of the European Conference Software Engineering Education 2016.

Blom, H., Chen, D.-J., Kaijser, H., Lönn, H., Papadopoulos, Y., Reiser, M.-O., Tavakoli Kolagari, R., & Tucci, S. (2016). EAST-ADL---An Architecture Description Language for Automotive Software-intensive Systems in the Light of Recent use and Research. International Journal of System Dynamics Applications (IJSDA). doi.org/10.4018/IJSDA.2016070101