Einsatz von Deep Learning für den Test Eingebetteter Systeme
| dc.contributor.author | Bielefeldt,Jens | |
| dc.contributor.author | Basener, Kai-Uwe | |
| dc.contributor.author | Khan, Siddique Reza | |
| dc.contributor.author | Massah, Mozhdeh | |
| dc.contributor.author | Wiesbrock, Hans-Werner | |
| dc.contributor.author | Scharoba, Stefan | |
| dc.contributor.author | Hübner, Michael | |
| dc.date.accessioned | 2021-12-14T10:57:13Z | |
| dc.date.available | 2021-12-14T10:57:13Z | |
| dc.date.issued | 2021 | |
| dc.description.abstract | Während der Durchführung von Funktions-, Stress- oder Laufzeittests eingebetteter Systeme fallen große Mengen von Testdaten an. Die Testläufe sind in der Regel, wenn auch nicht umfassend, von Testern und/oder Kunden ausgewertet worden, und können somit als Referenz für weitere Testdaten dienen. In dem Forschungsprojekt DeepTest wird versucht, mit Hilfe von Techniken des Deep Learning diese riesigen Datenmengen für das Training neuronaler Netze zu nutzen, um weitere, neue Tests zu generieren und Testmuster in ihnen zu identifizieren. In dem vorliegenden Artikel wird über den derzeitigen Stand der Forschung berichtet. | de |
| dc.identifier.doi | 10.18420/informatik2021-166 | |
| dc.identifier.isbn | 978-3-88579-708-1 | |
| dc.identifier.pissn | 1617-5468 | |
| dc.identifier.uri | https://dl.gi.de/handle/20.500.12116/37676 | |
| dc.language.iso | de | |
| dc.publisher | Gesellschaft für Informatik, Bonn | |
| dc.relation.ispartof | INFORMATIK 2021 | |
| dc.relation.ispartofseries | Lecture Notes in Informatics (LNI) - Proceedings, Volume P-314 | |
| dc.subject | Test Eingebetteter Systeme | |
| dc.subject | Testdaten Generierung | |
| dc.subject | Deep Learning | |
| dc.title | Einsatz von Deep Learning für den Test Eingebetteter Systeme | de |
| gi.citation.endPage | 1864 | |
| gi.citation.startPage | 1859 | |
| gi.conference.date | 27. September - 1. Oktober 2021 | |
| gi.conference.location | Berlin | |
| gi.conference.sessiontitle | Workshop; Herausforderungen beim Testen moderner Softwaresysteme (TAV-2021) |
Dateien
Originalbündel
1 - 1 von 1
Vorschaubild nicht verfügbar
- Name:
- X1-9.pdf
- Größe:
- 380.06 KB
- Format:
- Adobe Portable Document Format