Evaluating the suitability of ML-based surrogate models for performance prediction with design-time software architecture models: Unterschied zwischen den Versionen
(Die Seite wurde neu angelegt: „{{Vortrag |vortragender=Vincenzo Pace |email=vincenzo.pace@student.kit.edu |vortragssprache=Deutsch |vortragstyp=Masterarbeit |betreuer=Sebastian Weber |termin=Institutsseminar/2025-07-25 |vortragsmodus=in Präsenz |kurzfassung=Kurzfassung }}“) |
Keine Bearbeitungszusammenfassung |
||
| Zeile 7: | Zeile 7: | ||
|termin=Institutsseminar/2025-07-25 | |termin=Institutsseminar/2025-07-25 | ||
|vortragsmodus=in Präsenz | |vortragsmodus=in Präsenz | ||
|kurzfassung= | |kurzfassung=Die vorliegende Masterarbeit beschäftigt sich mit der Leistungsprognose von komponentenbasierten Softwaresystemen auf Basis maschinellen Lernens. Ziel ist es zu untersuchen, inwiefern sich Leistungskennzahlen wie Antwortzeit oder Ressourcenauslastung allein anhand von Architekturmodellen in textueller Repräsentation vorhersagen lassen. Der Ansatz steht im Kontrast zu etablierten Verfahren wie der simulationsbasierten Analyse mit Palladio, die präzise, aber aufwändig in der Anwendung sind. Durch den Einsatz von ML-Modellen soll eine niederschwelligere Alternative zur frühzeitigen Einschätzung von Performanzeigenschaften in der Architekturphase ermöglicht werden. Die Arbeit versteht sich als explorativer Beitrag an der Schnittstelle zwischen Softwarearchitektur und maschinellem Lernen und untersucht insbesondere die grundsätzliche Machbarkeit sowie die Herausforderungen eines solchen Verfahrens im Hinblick auf Datenqualität, Modellkomplexität und Aussagekraft der Prognosen. | ||
}} | }} | ||
Aktuelle Version vom 15. Juli 2025, 11:39 Uhr
| Vortragende(r) | Vincenzo Pace | |
|---|---|---|
| Vortragstyp | Masterarbeit | |
| Betreuer(in) | Sebastian Weber | |
| Termin | Fr 25. Juli 2025, 14:00 (Raum 010 (Gebäude 50.34)) | |
| Vortragssprache | Deutsch | |
| Vortragsmodus | in Präsenz | |
| Kurzfassung | Die vorliegende Masterarbeit beschäftigt sich mit der Leistungsprognose von komponentenbasierten Softwaresystemen auf Basis maschinellen Lernens. Ziel ist es zu untersuchen, inwiefern sich Leistungskennzahlen wie Antwortzeit oder Ressourcenauslastung allein anhand von Architekturmodellen in textueller Repräsentation vorhersagen lassen. Der Ansatz steht im Kontrast zu etablierten Verfahren wie der simulationsbasierten Analyse mit Palladio, die präzise, aber aufwändig in der Anwendung sind. Durch den Einsatz von ML-Modellen soll eine niederschwelligere Alternative zur frühzeitigen Einschätzung von Performanzeigenschaften in der Architekturphase ermöglicht werden. Die Arbeit versteht sich als explorativer Beitrag an der Schnittstelle zwischen Softwarearchitektur und maschinellem Lernen und untersucht insbesondere die grundsätzliche Machbarkeit sowie die Herausforderungen eines solchen Verfahrens im Hinblick auf Datenqualität, Modellkomplexität und Aussagekraft der Prognosen. | |