Hauptseite

Das Institutsseminar des Instituts für Programmstrukturen und Datenorganisation (IPD) ist eine ständige Lehrveranstaltung, die den Zweck hat, über aktuelle Forschungsarbeiten am Institut zu informieren. Insbesondere soll Studierenden am Institut die Gelegenheit gegeben werden, über ihre Bachelor- und Masterarbeiten vor einem größeren Auditorium zu berichten. Schwerpunkte liegen dabei auf der Problemstellung, den Lösungsansätzen und den erzielten Ergebnissen. Das Seminar steht aber allen Studierenden und Mitarbeiter/-innen des KIT sowie sonstigen Interessierten offen.

Ort	Gebäude 50.34, Seminarraum 348 oder online, siehe Beschreibung
Zeit	jeweils freitags, 11:30–13:00 Uhr / 14:00–15:30 Uhr

Die Vorträge müssen den folgenden zeitlichen Rahmen einhalten:

• Masterarbeit: 30 Minuten Redezeit + 15 Minuten Diskussion
• Bachelorarbeit: 20 Minuten Redezeit + 10 Minuten Diskussion
• Proposal: 12 Minuten Redezeit + 8 Minuten Diskussion

Weitere Informationen: https://sdqweb.ipd.kit.edu/wiki/Institutsseminar. Bei Fragen und Anmerkungen können Sie eine E-Mail an das Institutsseminar-Team schreiben.

Nächste Vorträge

Freitag, 31. März 2023, 11:30 Uhr

Ort: Raum 348 (Gebäude 50.34)
Webkonferenz: {{{Webkonferenzraum}}}

Vortragende(r)	Tim Schilpp	Vortrag bearbeiten
Titel	Analyzing Different Approaches to Integrating Handwritten and Generated Object-oriented Code
Vortragstyp	Bachelorarbeit
Betreuer(in)	Erik Burger
Vortragsmodus	in Präsenz
Kurzfassung	Generating source code from models is one of the major advantages of a model-driven development process but most of the time this generated code does not suffice and developers are still required to write code by hand. This leads to the question of how to best integrate handwritten and generated code. Previous authors suggested a number of possible solutions to this problem of integrating handwritten and generated code but the possibilities to objectively compare these alternatives are still limited. Therefore we collected the different analysis criteria suggested by other authors as well as complemented them with additional criteria proposed by senior developers. We then applied these criteria to the possible integration approaches presented by previous authors to create an overview for developers to use when having to choose an integration approach for their model-driven project. Applying the results of this analysis we chose the best-fitting integration approach for the development of a large industrial development project and found out that migrating to this suggested integration approach would improve the overall software quality regarding complexity, coupling, and cohesion.

Vortragende(r)	Kaan Berk Yaman	Vortrag bearbeiten
Titel	The Kconfig Variability Framework as a Feature Model
Vortragstyp	Bachelorarbeit
Betreuer(in)	Christopher Gerking
Vortragsmodus	in Präsenz
Kurzfassung	The Kconfig variability framework is used to develop highly variable software such as the Linux kernel, ZephyrOS and NuttX. Kconfig allows developers to break down their software in modules and define the dependencies between these modules, so that when a concrete configuration is created, the semantic dependencies between the selected modules are fulfilled, ensuring that the resulting software product can function. Kconfig has often been described as a tool of define software product lines (SPLs), which often occur within the context of feature-oriented programming (FOP). In this paper, we introduce methods to transform Kconfig files into feature models so that the semantics of the model defined in a Kconfig file are preserved. The resulting feature models can be viewed with FeatureIDE, which allows the further analysis of the Kconfig file, such as the detection of redundant dependencies and cyclic dependencies.

Freitag, 31. März 2023, 11:30 Uhr

Ort: Raum 333 (Gebäude 50.34)
Webkonferenz: {{{Webkonferenzraum}}}

Vortragende(r)	Tobias Telge	Vortrag bearbeiten
Titel	Automatisierte Gewinnung von Nachverfolgbarkeitsverbindungen zwischen Softwarearchitektur und Quelltext
Vortragstyp	Masterarbeit
Betreuer(in)	Jan Keim
Vortragsmodus	in Präsenz
Kurzfassung	Nachverfolgbarkeitsverbindungen zwischen Architektur und Quelltext können das Wissen über ein System erweitern. Aufgrund des Erstellungsaufwands existieren in Softwareprojekten oft keine oder nur unvollständige Nachverfolgbarkeitsinformationen. Diese Arbeit untersucht einen Ansatz mit zwei Schritten, um automatisiert Nachverfolgbarkeitsverbindungen zwischen Architekturmodellelementen und Quelltext zu generieren. Damit die Erstellung von Nachverfolgbarkeitsverbindungen für verschiedene Programmiersprachen und Architektur-Metamodelle vereinheitlicht wird, werden im ersten Schritt aus den vorliegenden Artefakten Modelle erstellt. Der Quelltext wird dabei in ein von der konkreten Programmiersprache unabhängiges Modell überführt. Dafür wird ein Metamodell verwendet, das auf dem von der OMG spezifizierten KDM basiert. Für den zweiten Schritt werden auf den erstellten Modellen arbeitende Heuristiken und Aggregationen definiert. Diese werden genutzt, um die Nachverfolgbarkeitsverbindungen zu generieren. Die Heuristiken nutzen zum Beispiel Paket-, Pfad-, Namen- und Methoden-Informationen. Die Evaluation des Ansatzes nutzt einen dafür erstellten Goldstandard mit fünf Fallstudien. Es werden Nachverfolgbarkeitsverbindungen für PCM, UML, Java und Shell generiert. Für den Mikro-Durchschnitt des F1-Maßes wird ein Wert von 99,11 % erreicht. Fließt jede Komponente und Schnittstelle in gleichem Maße in den Wert ein, beträgt das F1-Maß 93,71 %. Insgesamt können mit dem Ansatz dieser Arbeit also sehr gute Ergebnisse erzielt werden. Für die TEAMMATES-Fallstudie wird mithilfe mehrerer Quelltextversionen der Einfluss der Konsistenz auf die Ergebnisse untersucht. Der Mikro-Durchschnitt des F1-Maßes ist für die konsistentere Version um 6,05 Prozentpunkte höher. Die Konsistenz kann also die Qualität der Ergebnisse beeinflussen.

Vortragende(r)	Ulas Uyanik	Vortrag bearbeiten
Titel	GUI-basiertes Testen einer Lernplattform-Anwendung durch Nutzung von Neuroevolution
Vortragstyp	Bachelorarbeit
Betreuer(in)	Daniel Zimmermann
Vortragsmodus	in Präsenz
Kurzfassung	Software-Testing ist notwendig, um die Qualität und Funktionsfähigkeit von Softwareartefakten sicherzustellen. Es gibt sowohl automatisierte als auch manuelle Testverfahren. Allerdings sind automatisierte Verfahren, sowie menschliches Testen und skriptbasiertes Testen in Bezug auf Zeitaufwand und Kosten weniger gut skalierbar. Monkey-Testing, das durch zufällige Klicks auf der Benutzeroberfläche gekennzeichnet ist, berücksichtigt die Applikationslogik oft nicht ausreichend. Der Fokus dieser Bachelorarbeit liegt auf dem automatisierten neuroevolutionären Testverfahren, das neuronale Netze als Testagenten verwendet und sie mithilfe evolutionärer Algorithmen über mehrere Generationen hinweg verbessert. Um das Training der Agenten zu ermöglichen und den Vergleich zum Monkey-Testing zu ermöglichen, wurde eine simulierte Version der Lernplattform Anki implementiert. Zur Beurteilung der Testagenten wurde eine Belohnungsstruktur in der simulierten Anwendung entwickelt. Die Ergebnisse zeigen, dass das neuroevolutionäre Testverfahren im Vergleich zum Monkey-Testing in Bezug auf erreichte Belohnungen signifikant besser abschneidet. Dadurch wird die Applikationslogik im Testprozess besser berücksichtigt.

Freitag, 31. März 2023, 14:00 Uhr

Ort: Raum 348 (Gebäude 50.34)
Webkonferenz: {{{Webkonferenzraum}}}

Vortragende(r)	Aaron Gätje	Vortrag bearbeiten
Titel	Efficient Training of Graph Neural Networks for Dynamic Phenomena
Vortragstyp	Proposal
Betreuer(in)	Daniel Ebi
Vortragsmodus	in Präsenz
Kurzfassung	Graph Neural Networks (GNNs) have shown great potential for use cases that can be described as graphs. However, training GNNs presents unique challenges due to the characteristics of graph data. The focus of this thesis is to examine their learning abilities by developing a GNN-based surrogate model for the injection molding process from materials science. While numerical simulations can model the mold filling accurately, they are computationally expensive and require significant trial-and-error for parameter optimization. We propose representing the mold geometry as a static graph and constructing additional node and edge features from domain knowledge. We plan to enhance our model with a self-attention mechanism, allowing dynamic weighting of a node's neighbors based on their current states. Further improvements may come from customizing the model’s message passing function and exploring node sampling methods to reduce computational complexity. We compare our approach to conventional machine learning models w.r.t. predictive performance, generalizability to arbitrary mold geometries and computational efficiency. This thesis is a follow-up work to a bachelor thesis written at the chair in 2022.

Vortragende(r)	Aleksandr Eismont	Vortrag bearbeiten
Titel	Surrogate Model Based Process Parameters Optimization of Textile Forming
Vortragstyp	Proposal
Betreuer(in)	Bela Böhnke
Vortragsmodus	in Präsenz
Kurzfassung	Manufacturing optimization is crucial for organizations to remain competitive in the market. However, complex processes, such as textile forming, can be challenging to optimize, requiring significant resources. Surrogate-based optimization is an efficient method that uses simplified models to guide the search for optimal parameter combinations of manufacturing processes. Moreover, incorporating uncertainty estimates into the model can further speed up the optimization process, which can be achieved by using Bayesian deep neural networks. Additionally, convolutional neural networks can take advantage of spatial information in the images that are part of the textile forming parameters. In this work, a Bayesian deep convolutional surrogate model is proposed that uses all available process parameters to predict the shear angle of a textile element. By incorporating background information into the surrogate model, it is expected to predict detailed process results, leading to greater efficiency and increased product quality.

Freitag, 14. April 2023, 11:30 Uhr

Ort: Raum 348 (Gebäude 50.34)
Webkonferenz: {{{Webkonferenzraum}}}

Vortragende(r)	Paul Giza	Vortrag bearbeiten
Titel	CGFLEX: A Flexible Framework for Causal Graph-based Data Synthesis
Vortragstyp	Proposal
Betreuer(in)	Bela Böhnke
Vortragsmodus	in Präsenz
Kurzfassung	Algorithms that can extract dependencies from data and represent them as causal graphs must also be tested. Often, only very few data is available for this and simulations are expensive and time-consuming. Another problem is that even when data is available, the ground truth about the underlying dependencies is usually not known. One solution to this problem is to generate synthetic datasets and use them to evaluate the results of said algorithms. This work is concerned with building a framework for the synthesis of data. The synthesis process within such a framework would be to first generate a random dependency graph, and then in a second step populate this graph with random dependencies. From this construct, data sets could then be sampled. Furthermore, the user should be able to influence the size and structure of the dependency graph by controlling input values. And by defining the types of dependencies, it is possible to influence the complexity of the graph. Thus one receives an instrument for improvement and comparison of mentioned algorithms under various circumstances.

Freitag, 28. April 2023, 11:30 Uhr

Ort: Raum 348 (Gebäude 50.34)
Webkonferenz: {{{Webkonferenzraum}}}

Vortragende(r)	Hannes Greule	Vortrag bearbeiten
Titel	Evidence-based Token Abstraction for Software Plagiarism Detection
Vortragstyp	Bachelorarbeit
Betreuer(in)	Timur Sağlam
Vortragsmodus	in Präsenz
Kurzfassung	Kurzfassung

Vortragende(r)	Marvin Schäfer	Vortrag bearbeiten
Titel	Software Testing
Vortragstyp	Bachelorarbeit
Betreuer(in)	Daniel Zimmermann
Vortragsmodus	in Präsenz
Kurzfassung	TBA

Vortragende(r)	Jonas Strittmatter	Vortrag bearbeiten
Titel	Token-Based Plagiarism Detection for Statecharts
Vortragstyp	Bachelorarbeit
Betreuer(in)	Timur Sağlam
Vortragsmodus	in Präsenz
Kurzfassung	Kurzfassung