Open Access

Diese Arbeit beschreibt die Entwicklung eines Systems zur kontinuierlichen Logfile-Analyse von Herz-Lungen-Maschinen und die Umsetzung dessen in Form eines Prototyps. Konkret wird die Frage beantwortet, wie ein System aussieht, welches kontinuierlich Logfiles analysiert und deren Fehler und Ursachen zusammenfasst. Dafür wurde der komplette Softwaredesignprozess von der Anforderungsanalyse bis hin zur Präsentation der Ergebnisse dargestellt. Es entstand ein Softwaresystem, welches in der Lage ist, automatisiert Logfiles von Herz-Lungen-Maschinen einzusammeln. Diese Logfiles werden als Zwischenschritt in Pipelines verarbeitet und anschließend auf einem zentralen Server in einer dateibasierten NoSQL Datenbank abgespeichert. Über ein Webinterface ist es möglich, die gespeicherten Daten explorativ zu untersuchen und mithilfe von Diagrammen und Dashboards zu visualisieren. Als Technologie wurde dabei der Elastic Stack mit den Komponenten Filebeat, Logstash, Elasticsearch und Kibana eingesetzt.

Die Arbeit konzentriert sich auf die Gestaltung einer Sprachsteuerung für die Firma COS GmbH, um die Nutzer der Software "COSware" in ihren mobilen Anwendungen praxisgerecht zu unterstützen. Da es oft Situationen gibt, in denen Anwender aus praktischen oder gesetzlichen Gründen keine freien Hände haben, wird die Entwicklung einer Sprachsteuerung erforscht. Zunächst wird die theoretische Grundlage für eine Sprachsteuerung erarbeitet, wobei die verschiedenen Aspekte und Komponenten beleuchtet werden. Anschließend werden durch eine umfassende Anforderungsanalyse die erforderlichen Voraussetzungen für die Umsetzung festgelegt. Durch eine eingehende Marktanalyse werden verschiedene Produkte evaluiert, die für die Implementierung der Sprachsteuerung in Betracht gezogen werden können. Eine Architekturanalyse verdeutlicht, wie die einzelnen Komponenten realisiert und miteinander integriert werden können. Die Prototypentwicklung zielt darauf ab, eine erste Version der Sprachsteuerung innerhalb des COSware-Systems zu präsentieren. Zu diesem Zweck werden drei Prototypen mit den Anbietern Rasa, Google Dialogflow und Microsoft Copilot Studios entwickelt. Abschließend erfolgt eine Evaluierung und Bewertung aller Prototypen. Dadurch wird das Fazit gezogen, dass Rasa für COSware am besten geeignet ist. Obwohl die Benutzerfreundlichkeit bei Google Dialogflow höher ist, überzeugt Rasa durch die Konfigurationsmöglichkeiten und den Umfang des Frameworks. Zudem ist es von Vorteil, dass Rasa On-Premise betrieben werden kann, während Google Dialogflow ein Cloud-Produkt ist.

Go ist eine 2009 veröffentlichte Programmiersprache mit einem statischen Typsystem. Seit Version 1.18 sind auch Generics ein Teil der Sprache. Deren Übersetzung wurde im de facto Standard-Compiler mittels Monomorphisierung umgesetzt. Diese bringt neben einigen Vorteilen auch Nachteile mit sich. Aus diesem Grund beschäftigt sich diese Arbeit mit einer alternativen Übersetzungsstrategie für Generics in Go und implementiert diese in einem neuen Compiler für Featherweight Generic Go, einem Subset von Go. Zum Schluss steht damit ein nahezu funktionierender Compiler, welcher schließlich Racket-Code ausgibt. Eine Evaluierung der Performanz der Übersetzungsstrategie ist allerdings noch ausstehend.

Extensible Authentication Protocol (EAP) bietet eine flexible Möglichkeit zur Authentifizierung von Endgeräten und kann in Kombination mit TLS für eine zertifikatsbasierte Authentifizierung verwendet werden. Motiviert wird diese Arbeit von einer potenziellen Erweiterung für PROFINET, die diese Protokolle einsetzen soll. Dabei soll eine sicherer EAP-TLS-Protokollstacks für eingebettete Systeme in der Programmiersprache Rust entwickelt werden. Durch das Ownership-System von Rust können Speicherfehler eliminiert werden, ohne dabei auf die positiven Eigenschaften von nativen Sprachen zu verzichten. Es wird ein besonderes Augenmerk auf wie die Verwendung klassischer Rust-Bibliotheken im Umfeld von eingebetteten Systemen, den Einfluss des Speichermodells auf das Design, sowie die Integration von C-Bibliotheken für automatisierte Interoperabilitätstests gelegt.

Licht war für die Menschheit schon immer ein Hilfsmittel zur Orientierung. Das Zusammenspiel zwischen hellen und schattierten Oberflächen macht eine räumliche Wahrnehmung erst möglich. Die Lokalisierung von Lichtquellen bietet darüber hinaus für zahlreiche Anwendungsfelder, wie beispielsweise Augmented Reality, ein großes Potential. Das Ziel der vorliegenden Arbeit war es, ein neuronales Netzwerk zu entwickeln, welches mit Hilfe eines selbst generierten, synthetischen Datensatzes eine Lichtsetzung parametrisiert. Dafür wurden State-of-the-Art Netzwerke aus der digitalen Bildverarbeitung eingesetzt. Zu Beginn der Arbeit mussten die Eigenschaften der Lichtsetzung extrahiert werden. Eine weitere fundamentale Anforderung war die Aufbereitung des Wissens von Deep Learning. Für die Generierung des synthetischen Datensatzes wurde eigens ein Framework entwickelt, welches auf der Blender Engine basiert. Anschließend wurden die generierten Bilder und Metadaten in einem abgewandelten VGG16- und ResNet50-Netz trainiert, validiert und evaluiert. Eine gewonnene Erkenntnis ist, dass sich künstlich generierte Daten eignen um ein neuronales Netz zu trainieren. Des Weiteren konnte gezeigt werden, dass sich mit Hilfe von Deep Learning Lichtsetzungsparameter extrahieren lassen. Eine weiterführende Forschungsaufgabe könnte mit dem vorgeschlagenen Ansatzdie Lichtinszenierung von Augmented Reality Anwendungen verbessern.