Trinkwasser-Sicherheit mit Predictive Analytics und Oracle

CIplus Band 4/2017 T inkwasse -Siche hei mi P edic i e Analy ics und O acle Thomas Ba z-Beiels ein, S e en Mo i z, Jan S ohschein, Dimi i G oss, Ral Sege 18 | h p://bs.doag.o g T inkwasse -Siche hei mi P edic i e Analy ics und O acle P o . Thomas Ba z-Beiels ein, S e en Mo i z und Jan S ohschein, Technische Hochschule Köln, sowie Dimi i G oss und Ral Sege , OPITZ CONSULTING GmbH Ve un einigungen im Wasse ne z können wei e Teile de Be ölke ung unmi elba ge äh den. Ge ah enpo enziale bes ehen dabei nich nu du ch mögliche k iminelle Handlungen und e o is ische Anschläge. Auch Be iebss ö ungen, Sys em ehle und Na u ka as ophen können zu Ve un einigungen üh en. Um die Auswi kungen on unbeabsich ig- en und o sä zlichen Kon amina ionen des T inkwasse s so ge ing wie möglich zu hal- en, a bei en Wasse e so ge , Fo schungs- ins i u e und p i a e Un e nehmen gemein- sam an Schu zkonzep en. Dabei se zen die Ve so ge zum Beispiel sogenann e „E en De ec ion Sys ems“ ein und ins allie en On- line-Senso ik zu Übe wachung de Wasse - quali ä an e schiedenen Posi ionen im ge- sam en T inkwasse ne z. Fü die E mi lung on Anomalien we den meis Ve ah en des maschinellen Le nens eingese z . De e s e Teil des A ikels gib einen Einblick in den Au bau des E en -De ec ion-Sys ems ü die T inkwasse e so gung, wäh end im zwei- en Teil au gezeig is , wie sich die An o de- ungen an Big Da a und P edic i e Analy ics mi O acle-So wa e umse zen lassen. T inkwasse ne ze s ehen un e besonde- e Au me ksamkei . Sie gehö en zu den Ein- Business News 1-2017 | 19 Big Da a ich ungen mi zen ale Bedeu ung ü das s aa liche Gemeinwesen, bei de en Aus all ode Beein äch igung nachhal ig wi kende Ve so gungsengpässe, e hebliche S ö un- gen de ö en lichen Siche hei ode ande e d ama ische Folgen ein e en. Die ö en li- che Wasse e so gung gehö dahe neben Sek o en wie Ene gie und Gesundhei sowie In o ma ions echnik ode Telekommunika- ion zu den sogenann en „k i ischen In a- s uk u en“ [1]. In ak uellen Fo schungs o haben a bei- en Wasse e so ge , Fo schungsins i u e und p i a e Un e nehmen gemeinsam da- an, die Auswi kungen on unbeabsich- ig en und o sä zlichen Kon amina ionen des T inkwasse s so ge ing wie möglich zu hal en. Insbesonde e die ame ikanische Umwel schu zbehö de EPA nimm hie eine Vo ei e olle ein und eib das Thema in meh e en Fo schungsp ojek en o an. Auch in Deu schland gib und gab es be ei s meh e e Fo schungsp ojek e dazu; un e ande em beschä ig sich die A bei sg uppe SPOTSe en de TH Köln im Ve bundp ojek „IMP o T“ in Zusammena bei mi meh e en Wasse e so ge n und dem Senso he s el- le E+H Conduc a mi de ech zei igen E - kennung on Quali ä sbeein äch igungen im T inkwasse . Ein iel e sp echende Ansa z is de Ein- sa z on E en -De ec ion-Sys emen (EDS). Diese analysie en die an allenden g oßen Da en olumina de Wasse quali ä s-Sen- so en und sollen Anomalien zei nah e ken- nen. Weil die Pa ame e de Wasse quali ä be ei s im No malbe ieb s a k schwanken, is dies keine ein ache Au gabe. Machine- Lea ning-Konzep e mi Modellen wie neu o- nalen Ne zen ode Suppo Vec o Machines spielen dabei eine wich ige Rolle. Das Con amina ion-Wa ning-Sys em Um die Auswi kungen on Ve un einigun- gen so ge ing wie möglich zu hal en, is eine zügige Einlei ung on Gegenmaßnahmen essenziell. Dies se z o aus, dass die Kon- aminie ung be ei s wenige Minu en nach de en Au e en en deck wi d. Da ü wu de das Konzep des Con amina ion-Wa ning- Sys ems (CWS) en wickel . Es bezeichne das Zusammenspiel e schiedene p oak i e Übe wachungs- und Kon oll echnologien [2]. Da en aus e schiedenen Be eichen und Sys emen wie Online-Senso ik zu Messung de Wasse quali ä , Kundenbeschwe den, Labo messungen ode Gebäudeübe wa- chung we den gesammel und analysie (siehe Abbildung 1). Momen ane CWS-Ansä ze sind alle dings noch seh au wändig. Neben den g oßen Mengen on an allenden Da en, die e a - bei e we den müssen, is o allem die ein- gese z e Senso ik eue und wa ungsin en- si . So belau en sich die Anscha ungskos en ü eine einzelne Messs a ion im Wasse e - eilungsne z be ei s au meh e e Tausend Eu o. Au die Online-Senso ik zu e zich- en, is o zdem nich a sam, denn du ch die eilweise meh mals p o Minu e du ch- ge üh en Online-Messungen is es mög- lich, Beein äch igungen de Wasse quali ä schon au zuzeichnen, be o das Wasse den Kunden e eich . Das eine Au zeichnen de Da en is alle - dings nu eine Sei e de Medaille. Zusä zlich is noch ein E en -De ec ion-Sys em (EDS) nö ig, um die Da en auszuwe en, au o- ma isie Anomalien zu e kennen und ge- gebenen alls Ala m zu schlagen [4]. Da die Pa ame e be ei s im No malbe ieb s a k schwanken, is dies keineswegs i ial. Auch Ände ungen de Be iebspa ame e , wie die Menge des abgegebenen Wasse s, können zu ähnlichen Mus e n üh en wie a sächli- che Quali ä sbeein äch igungen. Das EDS muss also eine sei s g oße Da enmengen e a bei en, ande e sei s abe die E gebnis- se möglichs zei nah be ei s ellen. Dami s ell es den wich igs en und ansp uchs- olls en Bes and eil eines CWS da . Abbildung 1: Die Bes and eile eines Con amina ion- Wa ning-Sys ems (CWS) Abbildung 2: Senso panel mi Senso en ü Redox-Po enzial, Lei ähigkei , Chlo dioxid, Tempe a u , pH-We und T übung 20 | h p://bs.doag.o g Online-Senso ik ü die Wasse quali ä Nich alle Quali ä spa ame e , die ü eine Analyse sinn oll sind, können auch wi klich online gemessen we den. Bak e ienbelas- ungen e wa lassen sich nu im Labo ode mi Tes s o O zu e lässig e mi eln. Die- se Ums and e schwe die E kennung on E en s, weil die Pa ame e , die gemessen we den, o mals nu indi ek au die Pa ame- e hinweisen, die a sächlich ele an sind (siehe Abbildung 2). Zu den ypischen Pa ame e n, die ü die De ek ion on Quali ä sbeein äch igungen ele an sind und die auch online gemessen we den können, gehö en Tempe a u , Chlo - dioxid, pH-We , Lei ähigkei , T übung und Redox-Po enzial [3]. Abbildung 3 zeig einen Ausschni aus den Da en eine Messs a ion. G undsä zlich können Anomalien du ch die E höhung de Senso en im Ne z zu e - lässige und schnelle de ek ie we den. Da die Senso panels alle dings ela i eue sind und auch egelmäßig gewa e we den müssen, muss im Be ieb ein Komp omiss zwischen Wi scha lichkei und Anzahl de Senso en eingegangen we den. Die egelmäßige Wa ung und Nachka- lib ie ung de Senso ik is hie bei wich ig. Wi d sie e nachlässig , e höhen e älsch e Messungen die Anzahl de Fehlala me, die du ch das EDS ausgegeben we den. Die Ta - sache, dass ein S omanschluss e o de lich is und die Da enübe agung siche ges ell sein muss, eduzie die Anzahl mögliche Senso -S ando e zusä zlich. Im Senso - panel in Abbildung 2 is zu sehen, dass die Senso en keineswegs klein sind und dem- en sp echend Raum benö igen. Be o zug- e S ando e ü die Senso ik sind deshalb Hochbehäl e , die eine sei s an besonde s wich igen Punk en im Ne z s ehen und zum ande en auch die ü die In as uk u benö- ig en Vo ausse zungen mi b ingen. Das E en -De ec ion-Sys em Das E en -De ec ion-Sys em (EDS) dien de E kennung on Au älligkei en in den Da en, die mi els Online-Senso ik au genommen wu den. Dazu we den S eaming-Da en e a bei e [5]. Es is wich ig, nahezu alle Kon amina ionse eignisse zu e kennen und gleichzei ig die Anzahl de Fehlala me mög- lichs ge ing zu hal en. Realisie wi d die De- ek ion on Au älligkei en im EDS meis in einem zweis u igen P ozess [4]. Im e s en Sch i wi d ein zukün ige Wasse quali ä swe o he gesag . Diese Vo he sage basie in de Regel au ku z zu-Abbildung 4: Neu al Ne wo k Model: pH-We Abbildung 3: Beispielha e Zei eihe übe 24 S unden mi Messwe en ü Tempe a u , Chlo dioxid, pH-We , Redox-Po enzial, Lei ähigkei , T übung und Wasse abgabe-Menge Business News 1-2017 | 21 Big Da a o au genommenen We en. Da ü kom- men un e schiedliche Me hoden zum Ein- sa z, e wa modellbasie e Vo he sagen mi neu onalen Ne zen ode Suppo Vec o Machines. Abbildung 4 zeig beispielha ein Modell mi einem neu onalen Ne z ü den Pa ame e „pH-We “. Inpu sind die pH-We - e aus de jünge en Ve gangenhei und die We e wei e e Senso en. In einem zwei en Sch i we den die be echne en Vo he sa- gen mi den a sächlich ein e enden We - en e glichen, sobald diese e ügba sind. Die En scheidung, ob eine Anomalie o - lieg , häng on de Di e enz zwischen dem o he gesag en We („P edic ion“) und dem a sächlich einge e enen We („Obse a i- on“) ab sowie da on, wie sich diese Di e enz übe die e gangenen Minu en en wickel ha . Einzelne Aus eiße in sons unau älli- gen Da en üh en hie bei nich unbeding di ek zu einem Ala m, denn sie sind o mals au Senso ehle zu ückzu üh en. E s wenn meh e e Messwe e hin e einande signi i- kan on de P ognose abweichen, e olg eine Meldung. P ak ische Umse zung Die Übe wachung de We e, die das Senso - panel im CWS e heb (siehe Abbildung 2), is eine ypische S eaming-P oblema ik. Mess- da en we den kon inuie lich im CWS e ass , e sende und wollen e a bei e sein. Ein- zelne Beobach ungen könn en au ein ea- les P oblem hindeu en, alle dings sind in de P axis einige Falls icke zu bewäl igen, die bei einem idealisie en Labo -S eam nich anzu e en sind: • Fehle und Aus all on Senso en • S ö ungen wie Zei e sa z im Sende- Ne zwe k Obwohl man schon beim ein e enden Da- ens om mi Fehle n echnen muss, wi d die gesam e Da enmenge ü die Analyse-Pipe- line genu z . Ein pe sis en e Da enpu e am An ang jede S eam-Ve a bei ung s ell siche , dass die Messda en nich e lo en gehen, soll e ein echnische Fehle bei de Übe wachung au e en. Eine skalie ba e Lösung bie e beispielsweise Apache Ka ka (siehe „h ps://ka ka.apache.o g“). Ein Ka ka- Consume kopie die ein e enden We e in ein Eme gency Topic und kann so au ein- zelne ex eme Senso da en eagie en. Im Beispiel in Abbildung 5 lie e das CWS die Senso da en ü Redox-Po enzial, Lei ä- higkei , Chlo dioxid, Tempe a u , pH-We und T übung. Eine Anbindung wei e e Da- enquellen is jede zei möglich. Die Da en we den en wede ak i om Senso an den MessageCollec o gepush ode die Message Collec o -Komponen e hol sich die Da en in bes imm en Zei in e allen. Au A chi ek u -Ebene en koppel das Sys- em diese echnische Abhängigkei und lie- e de nach olgenden Ve a bei ungspipe- line (Eins iegspunk „Da aPipeline“) eine neu ale Schni s elle. Zusä zlich s ell eine hochskalie ba e Message Queue wie Apa- che Ka ka die wiede holba e Ve a bei ung siche und e hinde das sogenann e „In o - ma ion Flooding“. Message Queues we den schon lange in En e p ise-Anwendungen eingese z , um do un e ande em als Pu e Da en siche on de Quelle an ih Ziel zu b ingen. Apache Ka ka ha auße de he aus agenden Pe o - mance noch wei e e posi i e Eigenscha en: Die Da en lassen sich ü eine o kon igu- ie ba e Zei zwischenspeiche n. Auße dem we den be ei s abgehol e Da en nich au o- ma isch gelösch . Ein Clien kann also jede - zei wiede au O iginalda en zug ei en. De Consume en scheide , welche Da en e e - wenden möch e. Dem Consume bie en sich meh e e Op- ionen an. Eine ech e S eam-Ve a bei ung kann zum Beispiel mi Apache S o m (siehe „h p://s o m.apache.o g“) ode Apache Ig- ni e (siehe „h ps://igni e.apache.o g“) e ol- gen. Um Modelle zu ainie en, kann e im sogenann en „Mic o-Ba ch-Be ieb“ a bei- en. Im Kon as zu einem bes ändigen Da- ens om, de einzelne Tupel an die Topo- logie sende , we den beim Mic o-Ba ching meh e e Tupel au einmal e sende . Die Menge is meis ens übe ein Zei in e all es geleg . Möglich is bei manchen F ame- wo ks auch eine ixe Anzahl. Abbildung 5: S eam-P ocessing-A chi ek u mi Einbindung meh e e CWS-Senso panels 22 | h p://bs.doag.o g Di ek on Ka ka mi Da en be anken lassen sich Al e na i en wie das au S o m au se zende T iden (siehe „h p://s o m.apa- che.o g/ eleases/1.0.1/T iden - u o ial.h ml“), Apache Flink (siehe „h ps:// link.apache.o g“) ode Apache Spa k (siehe „h p://spa k.apa- che.o g“). Jedes diese F amewo ks bie e auch eine In eg a ion ü Machine Lea ning Lib a ies. Im P ojek zu T inkwasse -Analyse bei de TH Köln komm das Spa k-S eaming zum Einsa z, o allem au g und de g öße- en Ve b ei ung und weil die Zei ens e - S a egien ü diesen Use Case aus eichen. In ande en Anwendungen kann Flink mi seinen a iable en Zei ens e n die besse e Wahl da s ellen. Die in Abbildung 5 da ges ell e Ve a bei- ungspipeline beginn mi eine Fil e ope a i- on. Diese Fil e dien dazu, kla e Mess ehle aus de Ve a bei ungspipeline e nzuhal en. Na ü lich soll e da ü be ei s Wissen übe die Senso be eiche o handen sein. Die unge- il e en Rohda en ließen deshalb in einen Da a S o e. Spa k un e s ü z den schnellen Da en ans e zu einigen NoSQL-Da enban- ken wie HBase, Cassand a ode Accumulo. De Da a S o e in Abbildung 5 lie e die T ainingsda en ü die in e ak i e Modellie- ung. Das sogenann e „Supe ised Lea ning“ nimm einen be äch lichen zei lichen Au - wand in Ansp uch. Alle dings wi d du ch explo a i es Vo gehen auße Re e enzmo- dellen auch Ve s ändnis ü Da en gene ie . Um meh Modelle als Ku z- ode Langzei - gedäch nis zu ainie en, sind die Messwe e noch pa i ionie . Mi diesen we den „Machi- ne Lea ne “ ainie . Die Pa i ionie ung dien nich nu de schnelle en Pe o mance, son- de n häl auch einen Teil de Da en zu ück, um die Modellgenauigkei zu alidie en. Alle so gewonnenen Modelle können zu Ala mie ung eingese z we den. Abe wo an e kenn das Sys em besonde e E en s, die ei- nen Ala m auslösen können? Welche diese E en s sind ele an ? Senso ehle und eh- lende Da en eduzie en die Aussagek a de gemessenen Da en. Fehlende Messda en lie- e n keine alide Aussage übe den Zus and des zu beobach enden Sys ems. Da imme Zei ens e be ach e we den, die eine Zei - eihe on Senso da en lie e n, können ein- zelne Missing Values igno ie we den. Ein lee es Zei ens e is mi dem To alaus all eines Senso s gleichzuse zen und zieh als Eskala ion eine Repa a u beziehungsweise den Aus ausch des Senso s nach sich. E en s, die au g und ungewöhnliche Messda en ausgegeben we den, lassen sich mi den oben e wähn en s a is ischen Mo- dellen p ü en. Bei klassischen Whi ebox- Modellen (wie „lm“ ode „glm“) lassen sich Kon idenz-In e alle angeben. Liegen meh- e e Messwe e auße halb dieses Kon idenz- be eichs, lieg ein wei e e Ala mie ungs all o . Bei Black-Box-Modellen (neu onalen Ne zen) g enz man übliche weise den zu- lässigen We ebe eich ein. Beobach ungen auße halb diese G enzen we den au den nächs en G enzwe no mie [7]. Was noch zu beach en is Sowei die Technik. Doch wie sieh es in de P oduk ion aus? Welche Fak o en können ein Big-Da a-Vo haben zum Schei e n b in- gen? Das sind F agen, die iele Un e neh- men, die Big Da a e p oben und in die P o- duk ion übe üh en möch en, e gessen. Typische G ünde ü das Schei e n on Big- Da a-Vo haben sind e ah ungsgemäß: • Falsche E wa ungen • Zei liche Ve zöge ungen bei de En schei- dungs indung • Zu s a ke Di e genz bei Technologien und o handenen Skills Diese d ei Schlüsselaspek e soll en o dem S a eines Big-Da a-Vo habens geklä we - den. So emp iehl sich beispielsweise Lean S a up [6] als me hodische Vo gehensweise. Abbildung 6: „Demand & Supply“ s. explo a i e Vo gehensweise Business News 1-2017 | 23 Big Da a Es kann beim Managemen das Bewuss sein da ü schä en, dass eine Hypo hese auch ein nega i es Resul a lie e n kann. Zudem is es wich ig, sich mi o ganisa o- ischen F agen auseinande zuse zen. Es gib häu ig Un e nehmen, die e s angesich s des d ohenden Schei e ns eines Pilo p ojek s eine o ganisa o ische Anpassung übe p ü- en und angehen. Wenn das Managemen e s zu diesem Zei punk es s ell , dass eine e ablie e, jedoch igide O ganisa ions o m (Plan-Build-Run) nich zu einem hoch agi- len Thema wie Big Da a pass , kann ein Um- schwenken seh eue we den. Rigide Abläu e, lange Zyklen im An o de- ungsmanagemen und ehlende Möglich- kei en, ein dedizie es Team ü Big-Da a- Vo haben zusammenzus ellen, lassen ein P ojek schei e n. Le z endlich wä en dami also bü ok a ische Hü den mi zu ielen Schni s ellen de wesen liche G und. Nu ein Sch i in Rich ung eine i uellen O ga- nisa ion kann hie be ei s Abhil e scha en. Die Au bau-O ganisa ion is dabei ein indi i- duelles Thema und ich e sich imme an die Gesam s uk u des Un e nehmens. Auch das Gewich des Big-Da a-Vo habens ü die Gesam un e nehmung spiel hie eine Rolle. Ein wei e e wich ige Punk sind die o han- denen Skills und das Know-how zu neuen Technologien im Un e nehmen. De P ozess ü den Skill-Au bau kann pa allel mi den o ganisa o ischen Maßnahmen s a inden. Ein wei e e Fak o , de den explo a i en P ozess de Hypo hesen-E p obung be- schleunigen kann, is de Einsa z eine Big- Da a-Dis ibu ion, die au eine passenden Ha dwa e läu . Man s elle sich die Da enbe- wi scha ung als zwei in sich g ei ende P o- zesse o . De e s e P ozess, de sich mi de explo a i en Übe p ü ung on Hypo hesen beschä ig (siehe Abbildung 6), wi d in de P axis o als „Da a Lab“ bezeichne . Dem- en sp echend de inie de zwei e P ozess einen s abilen P oduk i be ieb und wi d übliche weise als „Da a Fac o y“ bezeichne (siehe Abbildung 7). Ein Enginee ed Sys em, in dem Ha dwa e und So wa e kombinie sind, bie e O acle mi seine Big Da a Appliance an. Au diese mäch igen Ha dwa e läu Cloude a EDH mi den dazugehö igen F amewo ks. Das Sys- em e möglich zum einen die p o o ypische Umse zung und s ell zum ande en den P o- duk i be ieb im Rahmen eine Da a Fac o y siche . Apache Zeppelin, das in de Cloude a EDH mi gelie e wi d, e möglich eine ex- plo a i e E p obung on Hypo hesen, was wiede um gu zum Da a-Lab-Konzep pass . In diesem Szena io a bei en die Da a Sci- en is s an de E p obung ma hema ische Ve ah en, wäh end ein Team aus So wa e- En wickle n und In eg a o en die be ei s a- lidie en Hypo hesen in die p oduk i e Da- enbewi scha ung übe üh . Fazi Neue En wicklungen im Be eich de Senso - echnik, des High Pe o mance Compu ing und de Da en-Analyse (Big Da a, Deep Lea - ning) e möglichen Lösungen in Be eichen, die noch o wenigen Jah en au g und on ehlenden Da en ode wegen de g oßen Be echnungskomplexi ä undenkba gewe- sen wä en. Die in diesem A ikel besch iebe- ne Online-T inkwasse übe wachung, die im Ve bundp ojek „IMP o T“ de TH Köln on de A bei sg uppe SPOTSe en (siehe „www. spo se en.de“) en wickel wi d, s ell ein p o- minen es Beispiel da . Die e schiedenen P oduk e de Apa- che So wa e Founda ion e lauben eine skalie ba e und aus allsiche e Ve a bei ung on Big Da a und insbesonde e on S e- aming-Da en. In Kombina ion mi neuen, e schwinglichen Cloud-Angebo en ü die hochpe o man e Da en e a bei ung und -speiche ung we den solche P ojek e auch ü g oße Da enmengen wi scha lich sinn- oll − ü sensible Da en du ch eine O acle Cloud Machine soga On-P emise im eige- nen Da encen e . Die ge ingen Kos en e - lauben es agilen Teams, neue Ansä ze aus- zup obie en, explo a i die wi scha lichen Möglichkei en eines Vo habens auszulo en und bei den Mi a bei e n we olle Fähig- kei en au zubauen. Li e a u [1] Bundesminis e ium des Inne n, Na ionale S a- egie zum Schu z k i ische In as uk u en, 2009 [2] Robe son, J. Alan, Mo ley, Ke in M., Con amina- ion Wa ning Sys ems o Wa e : An App oach o P o iding Ac ionable In o ma ion o Decisi- on-Make s, Ame ican Wa e Wo ks Associa ion, 2005 [3] S o ey, Michael V., an de Gaag, B am, Bu ns, B endan P., Ad ances in On-line D inking Wa e Quali y moni o ing and ea ly wa ning sys ems, Wa e Resea ch 45.2, 2011 (Sei e 741 − 747) [4] Mu ay, R., e al., Wa e Quali y E en De ec- ion Sys ems o D inking Wa e Con amina ion Wa ning Sys ems – De elopmen , Tes ing and Applica ion o CANARY, 2010 [5] Ba z-Beiels ein, T., Expe imen al Algo i hmics Applied o On-line Machine Lea ning, in Papa, G. and Me nik, M., Bioinspi ed Op imiza ion Me hods and hei Applica ions, 2016 (Sei e 94 − 104) [6] Ries, E., The Lean S a up: How Today’s En ep e- neu s Use Con inuous Inno a ion o C ea e Ra- dically Success ul Businesses. C own Publishing, 2014 [7] Klein, B. D., Rossin, D. F., A P elimina y Analysis o Da a Quali y in Neu al Ne wo ks, 1997 Dimi i G oss dimi i.g oss@opi z-consul ing.com Abbildung 7: Ke np ozesse in Da a Lab & Da a Fac o y Kon ak /Imp essum Diese Ve ö en lichungen e scheinen im Rahmen de Sch i en eihe "CIplus". Alle Ve ö - en lichungen diese Reihe können un e h ps://cos.bibl. h-koeln.de/home abge u en we den. Die Ve an wo ung ü den Inhal diese Ve ö en lichung lieg beim Au o . Da um de Ve ö en lichung: 06.06.2017 He ausgebe / Edi o ship P o . D . Thomas Ba z-Beiels ein, P o . D . Wol gang Konen, P o . D . Bo is Naujoks, P o . D . Ho s S enzel Ins i u e o Compu e Science, Facul y o Compu e Science and Enginee ing Science, TH Köln, S einmülle allee 1, 51643 Gumme sbach u l: www.ciplus- esea ch.de Sch i lei ung und Ansp echpa ne / Con ac edi o ’s office P o . D . Thomas Ba z-Beiels ein, Ins i u e o Compu e Science, Facul y o Compu e Science and Enginee ing Science, TH Köln, S einmülle allee 1, 51643 Gumme sbach phone: +49 2261 8196 6391 u l: h p://www.spo se en.de eMail: homas.ba z-beiels ein@ h-koeln.de ISSN (online) 2194-2870