anticache

Stellenausschreibung zu offenen Positionen als studentische Hilfskraft am Projekt MaLSAMi

03.11.2017


Der Lehrstuhl F13 sucht zum 1.12.2017 drei Studentische/Wissenschaftliche Hilfskräfte. Zu Ihrer Tätigkeit gehört im Speziellen die Entwicklung einer Machine Learning gestützten Schedulability Analyse für die Migration von software-basierten Komponenten zur Laufzeit sowie die Entwicklung/Erweiterung des am Lehrstuhl im Einsatz befindlichen Betriebssystems - Genode um den Mikrokern seL4.

 

Aufgabengebiet

  • Machine Learning (Shallow/Deep Learning)
  • Portierung Genode/Mikrokern (L4 Fiasco.OC/seL4)
  • Aktualisierung Genode/Mikrokern (ARMv7/ARMv8)
  • Integration der bestehenden Testumgebung aus KIA4SM in MaLSAMi (https://github.com/argos-research)

Erforderliche Kenntnisse

  • C/C++ (u. a. Cross-Compiling)
  • Python, Shell-Skripte
  • erweiterte Linux Kenntnisse
  • Grundlagen Rechnernetze und verteilte Systeme (IN0010)
  • Grundlagen der Betriebssysteme (IN0009/IN0034)

 

Optionale Kenntnisse

  • Advanced Computer Networking (IN2097)
  • Fiasco.OC (L4-Mikrokern)
  • seL4 (L4-Mikrokern)
  • Umgang mit Klein- und Kleinstrechnern
  • Eingebettete Systeme

Vergütung

Die Bezahlung erfolgt nach den üblichen Tarifen und in Abhängigkeit Ihres Abschlusses.

Stundenzahl

Nach aktueller Planung werden bis zu 15 Stunden pro Woche angestrebt.

Zeitraum: 1.12.2017 - 30.11.2018

Projektbeschreibung

Heutige und zukünftige Automobile müssen eine gesteigerte Anzahl an Software-basierten Aufgaben bewältigen. Beispiele hierfür finden sich in Fahrkomfort-/Fahrerassistenzsystemen, Infotainmentsystemen bis hin zum zukünftig erwarteten vollautonomen Fahren. Gleichzeitig sind diese Systeme jedoch hohen Anforderungen an Sicherheit (Safety/Security) sowie Energieeffizienz unterworfen. Mit Hilfe von Hardwarekonsolidierung und Softwarevirtualisierung soll diesen gestiegenen Anforderungen auch zukünftig begegnet werden. Hardwarekonsolidierung ist ein Verfahren, bei dem Softwarefunktionen von mehreren leistungsschwächeren Hardwarebausteinen auf einige wenige leistungsstarke Hardwarebausteine zusammengezogen werden. Hierdurch lassen sich sowohl die Anzahl der Hardwaregeräte als auch die Komplexität der Vernetzung innerhalb des Fahrzeugs reduzieren. Softwarevirtualisierung hingegen versucht unabhängige Softwarefunktionen, die auf derselben Hardwareplattform laufen, mithilfe eines Embedded Hypervisors derart voneinander zu separieren, dass diese sich nicht gegenseitig (negativ) beeinflussen können. Nach aktuellem Stand können Safety und Security hierbei ausschließlich mithilfe einer statischen (offline) Konfiguration des Systems zur Designzeit adressiert werden.

Im Zuge zukünftiger Trends soll das bisher rein statische System um dynamisches Verhalten erweitert werden, ein Beispiel hierfür wäre unter anderem die Aktualisierung (Update/Upgrade) bestehender Softwarekomponenten im Fahrzeug, analog zur gängigen Verwaltung von Software im Desktop-/Serverbereich. Das Projekt MaLSAMi betrachtet in diesem Kontext den konkreten Aspekt der dynamischen Rekonfiguration, d.h. die Migration von Softwarekomponenten zwischen Maschinen zur Laufzeit. Dieses Paradigma findet bereits grundsätzlich im Bereich der Verwaltung virtueller Maschinen Anwendung (Live Migration). Anwendungsfälle finden sich im Bereich der Ausfallsicherheit sowie der effizienten Ressourcenverwaltung (Load Balancing, Energy Saving). Im vorangegangenen Software Campus Projekt KIA4SM wurden hierzu bereits die Grundlagen gelegt, in Form entsprechender Betriebssystemunterstützung (Snapshoterstellung und -übertragung) zur Migrationsdurchführung, Trainingsdatengenerierung für die Migrationsplanung sowie einer Hybrid-Simulator-basierten Testumgebung.

Das Projekt MaLSAMi baut auf den gewonnenen Erkenntnissen auf und erweitert die bestehende Infrastruktur um die wichtige globale Migrationsplanungskomponente. Hiermit soll zur Laufzeit entschieden werden, auf welcher der übrigen Maschinen ausreichend Restkapazitäten vorhanden sind um die betreffende Komponente erfolgreich zu migrieren. Traditionell werden Restkapazitäten eines Geräts in zeitlicher Hinsicht mithilfe einer (online) Schedulability Analyse ausgewertet. Diese Analyse ist einerseits akkurat, anderseits jedoch rechen- und zeitintensiv. Der Einsatz traditioneller Verfahren im Bereich eingebetteter Systeme gestaltet sich daher schwierig. Im Zuge des Software Campus Projekts soll daher geprüft werden, inwieweit mithilfe eines Machine Learning basierten Ansatzes dieser Prozess grundsätzlich beschleunigt werden kann, ohne dabei jedoch auf Exaktheit zu verzichten. Zusätzlich dazu muss geprüft werden, inwieweit das Machine Learning im Bereich eingebetteter und damit Ressourcen-beschränkter Systeme angewendet werden kann.

Kontakt

Falls Sie Interesse haben, wenden Sie sich bitte per E-Mail an Bernhard Blieninger. Bitte fügen Sie auch bereits Ihren Lebenslauf und relevante Referenzen bei.