Motivation
Im Kontext der neuen Industrietrends und der verstärkten Vernetzung und Automatisierung (Industrie 4.0, Internet of Things, autonomes Fahren) gewinnt die Systemrobustheit immer mehr an Bedeutung. Auf technischer Ebene werden viele der sogenannten Smart Devices zunehmend auf eingebetteten Systemen laufen, z.B. auf Steuergeräten im Automobil, die mit Cloud-Servern verbunden sind, in Regelungen der Klimaanlagen von Gebäuden und in vielen anderen elektronischen Geräten, die uns umgeben. Diese Anwendungen werden zunehmend kritisch, sie übernehmen mehr und mehr verantwortungsvolle Funktionen und wir werden uns auf sie, auf ihr korrektes und robustes Funktionieren, verlassen müssen. In gleichem Maß muss deshalb ihre Qualitätssicherung gewährleistet werden. Je mehr sie in unseren Alltag eingreifen, in lebenserhaltenden Maschinen oder verkehrssichernden Assistenten, umso umfassender, gründlicher ist ihr zuverlässiges Funktionieren zu prüfen. Dabei ist der Test das wichtigste analytische Mittel, um die Korrektheit, Robustheit und Zuverlässigkeit softwarebasierter Systeme zu sichern. Hier besteht großer Handlungsbedarf, da diese Systeme oftmals noch mit Methoden getestet werden, die dem Stand der Technik vor zehn und mehr Jahren entsprechen. Im Projekt „DeepTest“ soll ein neues Testvorgehen für eingebettete Systeme konzipiert, implementiert und evaluiert werden, das die Möglichkeiten des Maschinellen Lernens zur Generierung von Testeingaben und zur Testbewertung nutzt.
Ziele und Vorgehen
Dieser Ansatz legt, anders als bisher üblich, den Fokus auf Negativtests. Das sind Tests, die das Verhalten des Systems abseits des normalen, positiv geforderten Verhaltens prüfen, wie es in Lasten- oder Pflichtenheften steht. Maschinelle Lernmethoden werden hier dazu eingesetzt, Testeingaben zu generieren und Muster im Systemverhalten zu identifizieren, um das erwartete Verhalten des Testobjekts zu bestimmen und die Testläufe zu bewerten. Dadurch soll insbesondere die Testabdeckung bei fehlerhafter Umgebung, z.B. bei falschen Benutzereingaben oder defekten Sensoren, vertieft und folglich die Robustheit des zu testenden Systems verbessert werden. Die Praxistauglichkeit des neuartigen Testvorgehens wird in einem Anwendungsszenario des assoziierten Elektronikherstellers Kostal Industrie Elektrik GmbH erprobt und evaluiert.
Innovationen und Perspektiven
Die zu erwartenden Projektergebnisse können im Entwicklungsprozess eingebetteter Systeme in verschiedenen Bereichen, u.a. Automobil und Mobilität, Maschinenbau und Automatisierung, Gesundheit und Medizintechnik, Logistik und Dienstleistungen sowie Energie und Umwelt, angewendet werden. Damit bedeutet die angestrebte Lösung für Unternehmen und Organisationen am Standort Deutschland bessere Möglichkeiten für den Test eingebetteter Systeme und eine Stärkung der internationalen Wettbewerbsposition im wirtschaftlich bedeutenden Sektor „Eingebettete Systeme“.