Hier finden Sie eine Übersicht über Themen möglicher Abschlussarbeiten für Bachelor und Master sowie eine Liste bereits durchgeführter Arbeiten. Über die hier vorgestellten Themen hinaus sind weitere Themen und eine begleitende Betreuung mit Firmen auf Anfrage möglich, sofern diese in das Forschungsprofil der Arbeitsgruppe passen. Weiterhin haben wir selber guten Kontakt zu renommierten Firmen und könen Arbeiten dort hin vermitteln.

Für das Sommersemester 2021 sind leider alle Betreuungskapazitäten erschöpft!


Themenübersicht:

Kontext: Moderne Softwaresysteme setzen oft verschiedene Technologien ein, wie z.B. Cloud Computing, Containerisierung, CI/CD Pipelines oder Build Tools. Jedes Tool oder Technologie kommt dabei mit ihren eigenen Abhängigkeiten und Konfigurationsmöglichkeiten und muss für entsprechende Plattformen und Anwendungsfälle konfiguriert werden. Diese Konfigurationen (z.B. in Dockerfiles, docker-compose.yaml, pom.xml, .travis.yml, etc.) sind also miteinander verknüpft ohne, dass deren Verknüpfung explizit ist. Änderungen bergen daher das Risiko, dass weitere nicht-triviale Änderungen verschiedener Konfigurationsdateien oder Code-Artefakt erforderlich sind .Dies führt zu einer Situation, in der all diese Tools und Technologien, die ursprünglich den Entwicklungs- und Auslieferungsprozess vereinfachen sollten, ein komplexes Problem bilden.

Ziel der Arbeit: Das Ziel dieser Arbeit ist es bestehende Open-Source Softwaresysteme zu untersuchen und speziell in Commits nach gleichzeitigen Änderungen von Konfigurationsdateien zu suchen, um daraus Regeln oder Wahrscheinlichkeiten für zusammenhängende Konfigurationen zu ermitteln. Dazu können regel-baserite oder maschinelle Lernverfahren, wie z.B Association Rule Learning, eingesetzt werden.

Vorwissen: Vorwissen in Machine Learning oder regel-basierten Verfahren ist hilfreich. Ansonsten sollte man sich etwas Einarbeitungszeit einplanen.

Quellen:

  • Tianyin Xu and Yuanyuan Zhou. 2015. Systems Approaches to Tackling Configuration Errors: A Survey.
  • Tianyin Xu, Long Jin, Xuepeng Fan, Yuanyuan Zhou, Shankar Pasupathy, and Rukma Talwadker. 2015. Hey, You Have Given Me Too Many Knobs!: Understanding and Dealing with Over-designed Configuration in System Software.
  • Zuoning Yin, Xiao Ma, Jing Zheng, Yuanyuan Zhou, Lakshmi N. Bairavasundaram, and Shankar Pasupathy. 2011. An Empirical Study on Configuration Errors in Commercial and Open Source Systems.
  • Mark Santolucito, Ennan Zhai, and Ruzica Piskac. 2016. Probabilistic Automated Language Learning for Configuration Files.
  • Mark Santolucito, Ennan Zhai, Rahul Dhodapkar, Aaron Shim, and Ruzica Piskac. 2017. Synthesizing Configuration File Specifications with Association Rule Learning.

Kontext: Aktuellen Trends in der Digitalisierung und Virtualisierung führen dazu, dass der Energiebedarf von IT-Systemen stetig steigt. Verschiedene Prognosen schätzen, dass sich der Energieverbrauch bis 2030 verdoppeln wird. Im Hinblick auf die Erderwärmung und die Klimaziele der Bundesrepublik ist es notwendig, diesem Energiebedarf entgegen zu wirken.

Konfigurierbare Softwaresystemen bieten eine Vielzahl von Konfigurationsoptionen, die die Funktionalität der Systeme an das Nutzungsszenario anzupassen. Durch das konfigurieren werden aber auch Nicht-Funktionale Eigenschaften wie Ausführungszeit und Energieverbrauch beeinflusst. Fast immer existiert im Konfigurationsraum eine Konfiguration, die besser (effizienter, schneller) ist als die aktuelle Konfiguration. Wenn solche Konfigurationen gefunden werden, kann der Energieverbrauch des Softwaresystems verringert werden ohne den Source Code der Software anzupassen.

Probleme&Motivation: Die große Anzahl an verschiedenen Kombinationsmöglichkeiten (unterschiedliche Hardware und Software) macht es unmöglich den alle Varianten zu testen. Vor allem das bestimmen des Energieverbrauchs einer Variante ist aufwändig, fehleranfällig und benötigt spezielle Energiemesssysteme.

Wir wollen uns zu nutze machen, dass es nur ein Teil der Konfigurationsoptionen einen Einfluss auf den Energieverbrauch oder die Laufzeit haben. Wir nur Konfiguration messen, die uns möglichst viel Informationen liefern. Es gibt Ansätze einflussreiche Kandidaten zu identifizieren: Wir können Konfigurationen Gruppieren (Clustering) und dann wenige Konfigurationen messen oder wir können Wissen über die Ausführzeit nutzen (Transfer Learning) und vielversprechende Konfigurationen identifizieren.

Ziel der Arbeit: Ziel dieser Arbeit ist es, verschiedene Ansätze für Transfer Learning und Clustering miteinander zu kombinieren um effizient die nächsten zu messenden Konfigurationen zu identifizieren.

Quellen:

  • Pooyan Jamshidi, Miguel Velez, Christian Kästner, and Norbert Siegmund. Learning to Sample: Exploiting Similarities Across Environments to Learn Performance Models for Configurable Systems. In Proceedings of the European Software Engineering Conference and the ACM SIGSOFT International Symposium on the Foundations of Software Engineering (ESEC/FSE), pages 71-82, ACM Press, 2018.
  • Pooyan Jamshidi, Norbert Siegmund, Miguel Velez, Christian Kästner, Akshay Patel, and Yuvraj Agarwal. Transfer Learning for Performance Modeling of Configurable Systems: An Exploratory Analysis. In Proceedings of the International Conference on Automated Software Engineering (ASE), pages 497-508, ACM Press, November 2017.
  • Pooyan Jamshidi, Miguel Velez, Christian Kästner, Norbert Siegmund, and Prassad Kawthekar.Transfer Learning for Improving Model Predictions in Highly Configurable Software. In Proceedings of the 12th International Symposium on Software Engineering for Adaptive and Self-Managing Systems (SEAMS), pages 31-41, IEEE, May 2017.

Kontext: Active Learning beschreibt ein Machine Learning Szenario, bei dem das Modell Stück für Stück selbst entscheidet, welche Daten es für das Training benötigt. Da die Zahl der möglichen Konfigurationen exponentiell mit der Anzahl der Optionen eines konfigurierbaren Softwaresystems wächst, ist Active Learning in diesem Feld besonders vielversprechend um bspw. den Energieverbrauch bei relativ wenig Messungen gut vorhersagen zu können.

Probleme&Motivation: Aktuelle Ansätze wählen oft Pool-Based-Active-Learning, welches dem Modell einen alle Konfigurationen umfassenden Pool zur Auswahl für die nächst Messung gibt. Für größere Systeme ist das nicht machbar, da es zu viele Konfigurationen gibt.

Ziel der Arbeit: Als Alternative zum Pool-Based-Sampling soll ein Active-Learning-Ansatz entwickelt werden, der anhand der Modell-Parameter und die damit verbundenen Unsicherheiten entscheidet, welche Konfigurationen als nächstes gemessen werden sollen. Hierfür können bestehende Probabilistic-Programming-Ansätze als Grundlage für Modelle, die eine Unsicherheitseinschätzung bieten, genutzt werden, Ziel ist es somit auch, sich Kenntnisse zu Probabilistic Programming anzueignen.

Quellen:

  • Burr Settles. “Active Learning Literature Survey.” Computer Sciences Technical Report. University of Wisconsin-Madison, 2009.
  • TBA

Context:Many software systems exhibit a large variety of configuration options. Non-functional properties, such as performance or energy consumption, often depend on configuration choices. Several approaches in literature use machine learning techniques to (1) be able to estimate the performance of arbitrary configurations, and (2) isolate influential configuration options and determine configurations with optimal performance. The number of possible configrations over even a relatively small number of configurations is usually infeasible due to the prohibitively combinatiorial complexity (too many possible combinations). At the same time, software systems exhibit constraints among configuration options, such as mutual exclusion of option groups or implications among options (variability modeling). Thus, a key ingredient to learn machine learning models is to select a sample of configurations that is both valid in the set of constraints as well as representative enough of the whole population of configurations so that one can accurately learn machine learning models. Existing sampling techniques for software configurations either aim at covering the influence of individual options and interactions, increase representativeness by increasing coverage of the configuration space, or aim at identifying influential options in order to find optimal configurations.

Problem:Group sampling is an experimental design, where, in theory, one could identify influential options (independent variables in a machine learning setting) and estimate their effect even with less observations than independent variables. For such an underdetermined set of equations, repeated grouping of independent variables into virtual variables and superimposition of regression coefficients allow for training effective models with minimal sampling effort. In literature, however, the presence of constraints among independent variables is not considered. Configuration constraints, such as groups of mutually exclusive options limit the number of „virtual options“ that configuration options can be assigned to.

Scope:The scope of this topic comprises (1) the implementation a group sampling strategy in the presence of configuration constraints, (2) an exploration of solutions on how one can mitigate the limitations posed by variability constraints, and (3) an evaluation of whether group sampling is superior to established sampling strategies withr espect to measurement effort and prediction accuracy.

Quellen:

  • Saltelli, Andrea, et al. Global sensitivity analysis: the primer. John Wiley & Sons, 2008. (free e-book available, chapter 2.5)
  • Christian Kaltenecker, Alexander Grebhahn, Norbert Siegmund, and Sven Apel. The Interplay of Sampling and Machine Learning for Software Performance Prediction. IEEE Software, 37(4): pp. 58–66, 2020
  • Don Batory. 2005. Feature models, grammars, and propositional formulas. In Proceedings of the 9th international conference on Software Product Lines (SPLC’05). Springer-Verlag, Berlin, Heidelberg, 7–20
  • Jeho Oh, Don Batory, Margaret Myers, and Norbert Siegmund. Finding Near-Optimal Configurations in Product Lines by Random Sampling. In Proceedings of the European Software Engineering Conference and the ACM SIGSOFT International Symposium on the Foundations of Software Engineering (ESEC/FSE), pp. 61 –71, ACM Press, September 2017

Useful tools:

  • SPLConqueror (reference implementation for obtaining sampe sets of configurations with established sampling strategies), also useful for constructing variability models
  • a constraint-satisfaction-problem (CSP) or satisfiability (SAT) solver, such as z3 or picosat, for finding solutions to configuration constraints
  • Sie können Themenvorschläge machen oder basierend auf Vorlesungen von uns heran treten, falls eines der obigen Themen nicht passend ist. Weiterhin stehen wir offen für eine Betreuung von Themen in Firmen, sofern es thematisch passt. Eine NDA wird aber ausgeschlossen! Wir haben ebenfalls Kontakt zu renommierten Firmen und können dabei helfen Abschlussarbeiten zu vermitteln.


    Laufende Arbeiten:

    Kontext: Aktuellen Trends in der Digitalisierung und Virtualisierung führen dazu, dass der Energiebedarf von IT-Systemen stetig steigt. Verschiedene Prognosen schätzen, dass sich der Energieverbrauch bin 2030 verdoppeln wird. Im Hinblick auf die Erderwärmung und die Klimaziele der Bundesrepublik ist es notwendig, diesem Energiebedarf entgegen zu wirken.

    Probleme&Motivation: Ein Weg, um den Energieverbrauch von IT-Systemen zu reduzieren, ist Quelltext-Optimierung. Für Entwickler ist allerdings gerade bei großen Projekten nicht ersichtlich, wo Energie eingespart werden kann. Für Ausführzeit-Optimierungen gibt es bereits Profiler, die Zeit messen und damit langsame Funktionen ermitteln; für Energieverbrauch-Optimierung bietet sich ein ähnlicher Ansatz an, doch lösen aktuell verfügbare Messgeräte zeitlich viel zu grob auf um Rückschlüsse auf einzelne Methoden zuzulassen.
    Ziel der Arbeit: Um Energieverbrauch auf Methodenebene zu messen, wird ein Messsystem benötigt, welches im Nanosekunden-Bereich Energie messen kann. Es kann auf ein bestehendes System mit Energie-Messpunkten (INA226), einem Mikrocontroller-DevBoard (Teensy 4.0) und Raspberry Pi zurückgegriffen werden. Eine Besondere Herausforderung stellt die Verabrietung der Daten in Echtzeit dar.
    Das resultierende System soll von anderen Forschenden leicht reimplementiert werden können um weitere Forschung an Energieverbrauchs-Optimierung zu begünstigen. Dementsprechen sollten verfügbare und erschwingliche Materialien verwendet und entwickelter Quelltext dokumentiert und veröffentlicht werden.
    Quellen:

    Kontext: Die Komplexität aktueller Softwaresysteme ist groß. Durch eine Vielzahl von Konfigurationsoptionen sollen die Systeme an die verschiedene Bedürfnisse der Nutzer angepasst werden. Verschiedene Eigenschaften von Sorftwaresystemen wie Performance und Energieverbrauch müssen otimiert werden.

    Probleme&Motivation: Die Konfigurationsbedingte Komplexität der Systeme erschwert Analysen mit herkömmlichen Hilfsmittel. Um Softwaresysteme besser verstehen zu können wurden eine Vielzahl von Tools entwickelt [1, 2, 3]. Diese Tools betrachten jeweils einzelne wichtige Aspekte der Systeme, wie Performance, Energieverbrauch, Konfigurierbarkeit, Feature Influence Tracing, u.s.w., sind aber immer auf den 2D-Raum von PC monitoren beschränkt. Dadurch wird es schwer Zusammenhänge innerhalb der Systeme zu erkennen. Wir wollen die ein Tool entwickeln, welches die Möglichkeiten der existierendne Tool vereinigt und in der Virtuellen Umgebung mehr Raum und natülichere Interaktionsmöglichkeiten bietet.

    Ziel der Arbeit: Ziel der Arbeit soll es sein, das bestehende Framework zu erweitern um das Verstehen von Zusammenhängen zischen Features, Softwareeigenschaften und Source Code zu ermöglichen.

    Quellen:

    [1] FeatureIDE: https://featureide.github.io/
    [2] Flame Graphs: http://www.brendangregg.com/flamegraphs.html
    [3] Code City: https://wettel.github.io/codecity.html

    Kontext: KI-basierte Softwaresysteme durchdringen immer mehr unser tägliches Leben. Es werden weitreichende Entscheidungen getätigt, die teilweise hochgradig ethisch sind. So werden z.B. automatisiert Bewerbungen gefiltert, Kreditwürdigkeiten bewertet, Chat Systeme ausgeliefert oder sogar Rückfallwahrscheinlichkeiten von Kriminellen berechnet. All diese Entscheidungen sind hochgradig anfällig für Bias (systematische Fehler, Befangenheit, etc.).

    Probleme&Motivation: Die Forschung und Industrie hat zahlreiche Ansätze und Vorschläge unterbreitet, um dem Problem des Bias oder der Fairness zu begegnen. Jedoch ist es unklar, wie diese Ansätze systematisch eingeordnet und in einen Zusammenhang gebracht werden können. Was ist kombinierbar oder welcher Ansatz ersetzt welche Handlungsanweisung? Was ist überhaupt vergleichbar oder sogar besser? Welche Fallstudien gibt es, um Ansätze zu testen? Gibt es Unterschiede von Ansätzen in der Industrie und Forschung?

    Ziel der Arbeit: Das Ziel der Arbeit ist ein ganzheitliches Bild zum derzeitigen Stand von Fairness Testing in der Forschung und Praxis zu erstellen, um dadurch Lücken und Schwachpunkte zu identifizieren, Alternativen für bestimmte Anwendungsfelder aufzuzeigen und eine generelle Bewertung zu schaffen. So kann ein Resultat der Arbeit ein klarer Anweisungsleitfaden sein inkl. von Werkzeugen und Techniken, um faire, unbefangende Softwaresysteme realisieren zu können.

    Quellen: TBA

    Kontext: KI-basierte Softwaresysteme durchdringen immer mehr unser tägliches Leben. Es werden weitreichende Entscheidungen getätigt, die teilweise hochgradig ethisch sind. So werden z.B. automatisiert Bewerbungen gefiltert, Kreditwürdigkeiten bewertet, Chat Systeme ausgeliefert oder sogar Rückfallwahrscheinlichkeiten von Kriminellen berechnet. All diese Entscheidungen sind hochgradig anfällig für Bias (systematische Fehler, Befangenheit, etc.).

    Probleme&Motivation: Wie kann ein Ansatz aussehen, der nicht nur den KI-Algorithmus und statistische Wahrscheinlichkeiten berechnet, um Fairness Probleme zu identifizieren oder zu verhindern, sondern der maßgeschneidert auf unterschiedliche Moralvorgaben reagiert werden kann.

    Ziel der Arbeit: Das Ziel ist es ein Tool zu entwickeln, welches in der Lage ist, alle Eingaben und Verarbeitungen, die zu ethisch relevanten Entscheidungen oder Ausgaben in einem Softwaresystem führen zu identifizieren und (optional) konfigurierbar zu machen. Dabei sollen Techniken der statischen Programmanalyse (z.B. Taint-Analyse, Program Slicing) angewendet werden.

    Quellen: TBA

    Kontext: Heutige IDEs haben eine sehr gute Unterstützung von Code Suggestions — vorgeschlagene Code snippets oder API Aufrufe. Gleichzeitig wird intensiv daran geforscht, diese Vorschläge intelligenter und weitreichender zu machen, um eventuell nicht nur einzelne Statements, sondern ganze Code Blöcke vorzuschlagen.

    Probleme&Motivation: Wir wollen die Produktivität heutiger IDEs steigern, indem wir die Intention des Programmierers erkennen und entsprechend Vorschläge zur Vervollständigung des Codes anbieten.

    Ziel der Arbeit: Ziel der Arbeit ist es, Code Suggestions basierten auf einem gelernten Modell (Deep Learning Language Model) mit Hilfe zusätzlicher Kontextinformationen zu verbessern. Dabei soll auf die Informationen in IntellJ Idea zurück gegriffen und hierfür ein Plug-In entwickelt werden, um eine vollständige Lösung zu präsentieren. Fragen in der Arbeit sind dabei: Was sind hilfreiche Kontextinformationen zur Code Generierung? Welches Language Model bietet die beste Akkuratheit? Ist das Tool praxistauglich? Welche Vorverarbeitungsschritte sind notwendig? Ist eventuell ein Retrieval-Ansatz (statt Generierung von Code, Suche nach ähnlichem Code in Repositories oder StackOverflow) besser geeignet?

    Quellen: TBA

    Kontext: Software Engineering ist ein breites Feld mit vielen Themenschwerpunkten. Obwohl das Feld sehr Praxis-orientiert ausgerichtet ist, werden in der Forschung und Industrie unterschiedliche Themenschwerpunkte gesetzt. Dies ist verständlich, da die Forschung möglichst frühzeitig Lösungen zu Problemen anbieten muss, die eventuell noch nicht relevant sind, oder Grundlagenforschung betreiben soll, um Fern ab vom Alltagsgeschäft neuartige Ansätze zur Softwareentwicklung zu bieten. Im Gegensatz dazu muss die Industrie darauf bedacht sein Lösungen zu erarbeiten, die einen ökonomischen Vorteil bieten und derzeitige aktuelle Probleme lösen. Dabei ist es erstaunlich, dass sowohl die Akademie als auch Industrie große Konferenzen und Tagungen hat, um Wissen zu verbreiten, es jedoch kaum Schnittstellen hierfür gibt.

    Probleme&Motivation: Warum gibt es keine oder nur kaum gemeinsame Konferenzen und Meetings zwischen Wissenschaft und Praxis? Gibt es unterschiedliche Interessen beider Gruppen? Sind die Ausgangslagen so unterschiedlich, dass es schwierig ist für Forscher an relevanten Themen zu arbeiten oder bleibt einfach keine Zeit in der Praxis, um relevante Forschungsansätze umzusetzen? Was sind die Themen in beiden Bereichen? Gibt es Überlappungen oder Zeitverzögerungen? Gibt es Hypes, die einander beeinflussen?

    Ziel der Arbeit: Die Arbeit soll sich genau im Spannungsfeld zwischen Wissenschaft und Praxis im Software Engineering bewegen und obige Fragen durch Interviews, Analysen von Vortragsthemen auf Konferenzen, in Meetups, und Veranstaltungen, und Surveys beantworten. Dabei sollen thematische Schwerpunkte und deren zeitlicher Verlauf in beiden Bereichen erkannt und modelliert sowie mögliche Brücken identifiziert werden. So können vielleicht einzelne Personen, die die Bereiche überqueren, Firmen, die sowohl Forschen als auch Entwicklen, oder relevante Themengebiete für einen Austausch und eine Zusammenarbeit der Disziplinen erkannt werden. Ein Ziel der Arbeit wäre dann möglichst solche Potentiale aufzuzeigen und Vorschläge für eine bessere Zusammenarbeit treffen zu können. Was kann die Wissenschaft von der Praxis lernen und wie können die Firmen das Wissen in der Forschung nutzbar machen?

    Quellen: TBA

    Kontext: Die Optionen von konfigurierbaren Softwaresystemen und deren Nebenbedingungen werden mit Variabilitätsmodellen (VM) erfasst. Sie definieren, welche Kombination von Optionen eine valide Konfiguration darstellen, und welche nicht. Attributierte Variabiliätsmodelle (AVM) fügen jeder Option einen Wert hinzu, der ihre Einfluss auf eine nicht-funktionale Eigenschaft des Systems, z.B. den Energieverbrauch, hat. Basierend auf AVMs wurden Ansätze entwickelt, die eine opimale Konfiguration bezüglich eines NFP finden.

    Probleme&Motivation: Optimierungsansätze für AVMs müssen untereinander vergleichbar sein. Hierfür benötigt man VM in verschiedenen Größen, möglichst mit einer bliebigen Anzahl an Optionen. Gleichzeitig müssen VMs für den Vergleich realistisch sein, doch gibt es nicht genügend reale Systeme.

    Ziel der Arbeit: Ziel ist es, ein gegebenes reales VM auf eine beliebige Optionenzahl zu vergrößern oder zu verkleinern. Dabei sollen VMs generiert werden, die hinsichtlich ihrer Struktur und ihrer Nebenbedingungen realistisch sind. Um diese Kriterien zu erfüllen, ist es weiterhin Ziel, sich mit Genetischen Algorithmen vertraut zu machen.

    Quellen:

    • Siegmund, Norbert, Stefan Sobernig, and Sven Apel. “Attributed Variability Models: Outside the Comfort Zone.” In Proceedings of the 2017 11th Joint Meeting on Foundations of Software Engineering, 268–78. ESEC/FSE 2017. New York, NY, USA: ACM, 2017. https://doi.org/10.1145/3106237.3106251.
    • Dorn, Johannes, Sven Apel, and Norbert Siegmund. “Generating Attributed Variability Models for Transfer Learning.” In Proceedings of the 14th International Working Conference on Variability Modelling of Software-Intensive Systems, 1–8. Magdeburg Germany: ACM, 2020. https://doi.org/10.1145/3377024.3377040.
    Thema derzeit vergeben

    Kontext: Aktuellen Trends in der Digitalisierung und Virtualisierung führen dazu, dass der Energiebedarf von IT-Systemen stetig steigt. Verschiedene Prognosen schätzen, dass sich der Energieverbrauch bin 2030 verdoppeln wird. Im Hinblick auf die Erderwärmung und die Klimaziele der Bundesrepublik ist es notwendig, diesem Energiebedarf entgegen zu wirken.

    Die Analyse des Energieverbrauchs von IT-Systemen ist ein nicht triviales Feld in der Forschung. Sowohl Hardawre als auch Software hat einen Einfluss auf den Energirverbrauch. Die große Anzahl an verschiedenen Kombinationsmöglichkeiten (unterschiedliche Hardware und Software) macht es schwer eine optimale Konfiguration zu finden.

    Probleme&Motivation: Um dieses Problem anzugehen haben wir ein Energiemesssystem für Office PCs entwickelt, mit dem wir sowohl den Energieverbrauch wie auch die Performance aller aktiven Anwendungen messen können. Wir haben im Rahmen von einer 2-monatigen Studie Daten alle Daten erhoben [1]. Dieser Datensatz soll die Grundlage für die Arbeit sein.

    Ziel der Arbeit: Ziel der Arbeit ist es, die gesammelten Daten auszuwerten und den Einfluss von Hardware und Softwarekonfigurationen auf Performance und Energieverbrauch zu modellieren und zu vergleichen. Anschließend können konkrete Handlungsweisen abgeleitet und geteste werden.

    Quellen:

    Thema derzeit vergeben

    Kontext: Aktuellen Trends in der Digitalisierung und Virtualisierung führen dazu, dass der Energiebedarf von IT-Systemen stetig steigt. Verschiedene Prognosen schätzen, dass sich der Energieverbrauch bin 2030 verdoppeln wird. Im Hinblick auf die Erderwärmung und die Klimaziele der Bundesrepublik ist es notwendig, diesem Energiebedarf entgegen zu wirken.

    In letzter Zeit gewinnt das Thema Energieeffizienz von Software immer mehr an Bedeutung. Hardware ist das physische Medium, welches Energie verbraucht, Software jedoch steuert die Hardware. Software ist also einer der wichtigsten Bestandteile wenn es um die Reduzierung von Energieverbrauch geht. Uns interessiert im Rahmen dieser Arbeit nicht nur, wie wir Software konfigurieren können um Energie zu sparen, sonder auch, warum bestimmte Konfigurationen einen höheren Verbrauch haben.

    Probleme&Motivation: Um sparsame und schnelle Konfigurationen von Softwaresystemen zu finden, werden Performance/Energie-Einfluss Modelle gelernt. Mithilfe dieser Modelle kann der Konfigurationsraum nach besseren Konfigurationen durchsucht werden. Solche so genannten Black-Box Modelle können Konfigurationsoptionen und Interaktionen identifizieren, die einen großen Einfluss auf das Verhalten haben. Sie können jedoch keinen Aufschluss darüber geben, warum Konfigurationen schneller oder sparsamer sind als Andere.

    Deshalb wollen wir Energie-Einfluss Modelle auf Methodenebene lernen. Energiemessung sind, im Vergleich zu Performancemessungen, jedoch gröber aufgelöst, weniger genau und benötigen spezielle Messgeräte. Wir wollen also Wissen aus Methoden-Level Performance-Influence Modellen transferieren um das Lernen der Energie-Modelle zu unterstützen.

    Ziel der Arbeit: Entwickeln und Evaluieren eines Ansatzes zur Erstellung von Energie-Influence Modellen auf Methodenebene.

    Kontext: Aktuellen Trends in der Digitalisierung und Virtualisierung führen dazu, dass der Energiebedarf von IT-Systemen stetig steigt. Verschiedene Prognosen schätzen, dass sich der Energieverbrauch bin 2030 verdoppeln wird. Im Hinblick auf die Erderwärmung und die Klimaziele der Bundesrepublik ist es notwendig, diesem Energiebedarf entgegen zu wirken.

    Probleme&Motivation: In der Literatur befassen sich einige Arbeiten mit der Sicht der Developer, andere beleuchten die Einstellung von Unternehmen im Generellen zum Energieverbrauch von Soft- und Hardware. Es ist jedoch vor allem auf Seiten der Entscheidungsträger (Hardare- und Softwarebeschaffung, Verwaltung und Administration, …) nicht klar, welche akuten Probleme existieren.

    Ziel der Arbeit: Durch eine Literaturanalyse soll der ‚Ist-Zustand‘ in der Forschung erfasst werden. Daraus resultierend sollen dann, mithilfe von Fragebögen, Interviews, Surveys, u.s.w., Perspektiven verschiedener Akteure (Entscheidungsträger, Developer, Forscher, Anwender, …) erfasst und gegenüber gestellt werden um aktuelle Probleme und Aufgaben zu identifizieren.

    Quellen:

    • Pang, Candy, et al. „What do programmers know about software energy consumption?.“ IEEE Software 33.3 (2015): 83-89.
    • Jagroep, Erik, et al. „Energy efficiency on the product roadmap: An empirical study across releases of a software product.“ Journal of Software: Evolution and process 29.2 (2017): e1852.

    Kontext: Active Learning beschreibt ein Machine Learning Szenario, bei dem das Modell Stück für Stück selbst entscheidet, welche Daten es für das Training benötigt. Da die Zahl der möglichen Konfigurationen exponentiell mit der Anzahl der Optionen eines konfigurierbaren Softwaresystems wächst, ist Active Learning in diesem Feld besonders vielversprechnd um bspw. den Energieverbrauch bei relativ wenig Messungen gut vorhersagen zu können.

    Probleme&Motivation: Aktuelle Ansätze wählen oft Pool-Based-Active-Learning, welches dem Modell einen alle Konfigurationen umfassenden Pool zur Auswahl für die nächst Messung gibt. Für größere Systeme ist das nicht machbar, da es zu viele Konfigurationen gibt.

    Ziel der Arbeit: Als Alternative zum Pool-Based-Sampling soll ein Active-Learning-Ansatz entwickelt werden, der anhand der Modell-Parameter und die damit verbundenen Unsicherheiten entscheidet, welche Konfigurationen als nächstes gemessen werden sollen. Hierfür können bestehende Probabilistic-Programming-Ansätze als Grundlage für Modelle, die eine Unsicherheitsinschätzung bieten, genutzt werden, Ziel ist es somit auch, sich Kenntnisse zu Probabilistic Programming anzueignen.

    Quellen:

    • Burr Settles. “Active Learning Literature Survey.” Computer Sciences Technical Report. University of Wisconsin-Madison, 2009.
    • TBA

    Kontext: Die Komplexität aktueller Softwaresysteme ist groß. Durch eine Vielzahl von Konfigurationsoptionen sollen die Systeme an die verschiedene Bedürfnisse der Nutzer angepasst werden. Verschiedene Eigenschaften von Sorftwaresystemen wie Performance und Energieverbrauch müssen otimiert werden.

    Probleme&Motivation: Die Konfigurationsbedingte Komplexität der Systeme erschwert Analysen mit herkömmlichen Hilfsmittel. Um Softwaresysteme besser verstehen zu können wurden eine Vielzahl von Tools entwickelt [1, 2, 3]. Diese Tools betrachten jeweils einzelne wichtige Aspekte der Systeme, wie Performance, Energieverbrauch, Konfigurierbarkeit, Feature Influence Tracing, u.s.w., sind aber immer auf den 2D-Raum von PC monitoren beschränkt. Dadurch wird es schwer Zusammenhänge innerhalb der Systeme zu erkennen. Wir wollen die ein Tool entwickeln, welches die Möglichkeiten der existierendne Tool vereinigt und in der Virtuellen Umgebung mehr Raum und natülichere Interaktionsmöglichkeiten bietet.

    Ziel der Arbeit: Ziel der Arbeit soll es sein, das bestehende Framework zu erweitern um das Verstehen von Zusammenhängen zischen Features, Softwareeigenschaften und Source Code zu ermöglichen.

    Quellen:

    [1] FeatureIDE: https://featureide.github.io/
    [2] Flame Graphs: http://www.brendangregg.com/flamegraphs.html
    [3] Code City: https://wettel.github.io/codecity.html

    Kontext: Software Testing ist eines der wichtigsten Disziplinen im Software Engineering und in der Softwareentwicklung generell. Aufgrund der hohen Kosten zum Finden und Beheben von Fehlern im Code werden ständig neue Ansätze entwickelt, um schneller, genauer und automatisiert Softwarefehlern zu finden und zu fixen.

    Probleme&Motivation: Die große und ständig wachsende Anzahl von Tools und Papern im Bereich des Software Testing macht es schwer zu ermitteln, welcher Ansatz überlegen oder überhaupt einsetzbar ist in der Praxis. Weiterhin ist unklar, welche Systeme getestet werden und ob die Resultate vergleichbar oder reproduzierbar sind.

    Ziel der Arbeit: Das Ziel der Arbeit ist durch eine tiefgreifende Analyse der Literatur zum Thema Software Testing festzustellen, ob die Forschung an der Praxis vorbei geht und die Resultate überhaupt reproduzierbar sind. Dabei sollen wissenschaftliche Artikel bzgl. der vorgebrachten Ansätze auf ihrer Vergleichbarkeit und Reproduzierbarkeit hin untersucht werden. Ein Augenmerk liegt dabei, ob Vergleich selbst gemacht werden mit anderen Ansätzen, ob es gemeinsame Standards gibt, um Software Testing Ansätze zu evaluieren und zu bewerten und wie dabei die wissenschaftlichen Artikel sich referenzieren und verlinken.

    Quellen: TBA


    Abgeschlossene Arbeiten

    Software Engineering 4 AI in der Praxis (Bachelor)

    Abdeckungsanalyse von konfigurierbaren Performance-Benchmarks und Softwaresystemen (Bachelor/Master)

    Energy Consumption in Practice (Bachelor)

    Studie über Konfigurationsfehler (Bachelor)

    Automatisiertes Beheben von Konfigurationsfehlern (Bachelor/Master)