Record #362890 - GSI Repository

DFG project G:(GEPRIS)572586998

Unsicherheit und Determinismus im Gleichgewicht: Sichere Integration von maschinellem Lernen in Echtzeitsysteme

Coordinator	Dr.-Ing. Junjie Shi
Grant period	2025 -
Funding body	Deutsche Forschungsgemeinschaft
	DFG
Identifier	G:(GEPRIS)572586998

Note: Algorithmen des maschinellen Lernens (ML) werden zunehmend in zeitkritische Systeme wie autonome Fahrzeuge, industrielle Steuerungen und medizinische Geräte integriert. Solche Anwendungen erfordern sowohl intelligente Entscheidungsfindung als auch strikte Garantien hinsichtlich Zeitverhalten, Zuverlässigkeit und Sicherheit. Die meisten ML-Modelle sind jedoch rechenintensiv und verhalten sich probabilistisch, was sie nur schwer mit den deterministischen Anforderungen eingebetteter Echtzeitsysteme vereinbar macht. Zudem stellen sich beim Einsatz von ML in verteilten eingebetteten Systemen neue Herausforderungen, insbesondere durch strikte Datenschutzvorgaben und dynamische Heterogenität in Bezug auf: Hardwareeigenschaften, Ressourcenverfügbarkeit und lokal variierenden Datenverteilungen. Dieses Projekt zielt darauf ab, grundlegende Methoden für die sichere und effiziente Integration von maschinellem Lernen in eingebettete Echtzeitsysteme zu entwickeln. Es adressiert zentrale Herausforderungen an der Schnittstelle von zeitlicher Vorhersagbarkeit, adaptivem Modelleinsatz und intelligenter Systemsteuerung. Konkret verfolgt das Projekt drei Hauptziele: (1) Sicherstellung der zeitlichen Vorhersagbarkeit von ML-Aufgaben durch die Entwicklung analytischer Modelle und architekturbewusster Optimierungstechniken zur präzisen Bestimmung von Worst-Case Execution Time (WCET) und Worst-Case Response Time (WCRT); dazu zählen Modellrestrukturierung, Aufgabenpartitionierung und speicheroptimierte Verteilung auf Multicore-Plattformen.(2) Entwicklung adaptiver, ressourceneffizienter und datenschutzfreundlicher Verfahren zur Bereitstellung von ML-Modellen um den Herausforderungen von sich dynamisch verändernden verteilten eingebetteten Systemen zu begegnen. Dies umfasst föderierte Lernansätze, die mit heterogener Hardware, eingeschränkter Kommunikation und dynamisch variierenden, nicht unabhängig und identisch verteilten (non-IID) Daten umgehen können.(3) Einsatz von ML-Techniken zur Verbesserung der Planung und Analyse von Echtzeitsystemen, beispielsweise zur Beschleunigung von Analysen des Echtzeitverhaltens, zur Generierung von Beispielen die Zeitschranken verletzen oder zur Unterstützung adaptiver Zeitplanung mittels lernbasierter Optimierung – unter Wahrung formaler Korrektheits- und Zeitgarantien. Diese Beiträge sollen die Entwicklung intelligenter, zuverlässiger und echtzeitfähiger cyber-physischer Systeme ermöglichen, die auch unter strengen Randbedingungen lern- und anpassungsfähig bleiben.

Recent Publications

There are no publications

Record created 2025-11-14, last modified 2026-03-03

Similar records

Add to personal basket
Export as Author List with IDs BibTeX (UTF-8), EndNote XML, EndNote Text, RIS, MARC, Print MARC, MARCXML, DC,
Request correction
Submit fulltext

GSI Homepage \| GSI Library \| English Deutsch \| guest :: login GSI Repository
Search	Submit	Personalize Your alerts Your baskets Your searches	Help