Bearbeite Vortrag: Evaluating the suitability of ML-based surrogate models for performance prediction with design-time software architecture models

Du bist aus dem folgenden Grund nicht berechtigt, diese Seite zu bearbeiten:

Fehlende Berechtigung Bitte melde Dich mit Deinen KIT-Zugangsdaten an. Falls Du trotz Anmeldung diese Seite siehst, bitte eine/-n Wissensmanager/-in darum, Dich zur richtigen Gruppe hinzuzufügen.

Titel:	Evaluating the suitability of ML-based surrogate models for performance prediction with design-time software architecture models	Zum ändern des Titels bitte anklicken und die Seite verschieben.
Vortragende(r):
E-Mail Vortragende(r):		Bitte beachten Sie: Durch den Eintrag hier wird die E-Mail-Adresse des/der Vortragenden öffentlich sichtbar. Daher bitte die KIT-Adresse verwenden.
Vortragssprache:
Vortragstyp:
Betreuer(in):		Falls ein Betreuer noch nicht in dieser Liste vorhanden ist, bitte auf der Seite Betreuer hinzufügen und dieses Formular neu laden.
Termin:
Vortragsmodus:
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.	Bitte maximal 150 Wörter verwenden.

Diese Seite beobachten

Abbrechen