Institutsseminar/2019-11-29: Unterschied zwischen den Versionen

Aktuelle Version vom 25. November 2019, 16:41 Uhr

Termin in Kalender importieren: iCal (Download)

Vortragende(r)	Aurélien Pepin
Titel	Decomposition of Relations for Multi-model Consistency Preservation
Vortragstyp	Masterarbeit
Betreuer(in)	Heiko Klare
Vortragssprache
Vortragsmodus
Kurzfassung	Consistency preservation between two metamodels can be achieved by defining a model transformation that repairs inconsistencies. In that case, there exists a consistency relation between metamodels. When there are multiple interrelated metamodels, consistency relations form a network. In multi-model consistency preservation, we are interested in methods to preserve consistency in a network of consistency relations. However, combinations of binary transformations can lead to specific interoperability issues. The purpose of this thesis is the decomposition of relations, an optimization technique for consistency relation networks. In this thesis, we design a decomposition procedure to detect independent and redundant subsets of consistency relations. The procedure aims to help developers find incompatibilities in consistency relation networks.

Vortragende(r)	Martin Wittlinger
Titel	Erkennung von semantisch zusammenhängenden Quelltextabschnitten anhand von Komponententests
Vortragstyp	Bachelorarbeit
Betreuer(in)	Tobias Hey
Vortragssprache
Vortragsmodus
Kurzfassung	Die Rückverfolgbarkeit von Quelltext zu Anforderungen ist ein wichtiger werdendes Problem. Eine Garantie der Implementierung aller Anforderungen kann zur Steigerung von Softwarequalität führen. Für das Erstellen der Rückverfolgbarkeitsinformationen ist ein Verständnis des Quelltextes nötig. In dieser Arbeit wurden anhand von Komponententests semantisch zusammenhängende Methoden erkannt. Semantisch zusammenhängende Methoden erfüllen eine Funktionalität miteinander und verbessern das Verständnis von Quelltext. Für die Erkennung wurde ein heuristisches Verfahren entwickelt, welches aus mehreren Teilverfahren besteht, die sowohl auf den textuellen als auch den strukturellen Bestandteilen des Komponententest- und Quelltextes arbeiten. Für die Teilverfahren wurde eine Zerteilung und Transformation von Quelltextes entwickelt. Es wurden verschiedene Textähnlichkeitsalgorithmen mit einem maschinellem Lernverfahren (fastText) verglichen. Zur Bewertung wurden drei Softwareprojekte verwendet, mit einer höchsten Präzision von 74%, bei einer Ausbeute von 19%. Mit einer anderen Parameterkonfiguration wurde ein F1-Wert von 46% erreicht.

@@ Zeile 1: / Zeile 1: @@
 {{Termin
 |datum=2019/11/29 11:30:00
-|raum=Raum 010 (Gebäude 50.34)
+|raum=Raum 348 (Gebäude 50.34)
 }}