Direkt zu


Informationen für Studierende

zur Startseite

Masterarbeit

Situationserkennung mithilfe von Smart Contracts
Betreuer M.Sc. Dennis Przytarski
Prüfer Prof. Dr.-Ing. habil. Bernhard Mitschang
Beschreibung

Motivation

In einem dynamischen Umfeld wie dem Internet der Dinge oder der Industrie 4.0 werden Sensordaten produziert, aus denen Situationen mithilfe von Situationstemplates abgeleitet werden können. Ein Situationstemplate enthält Bedingungen an die Sensordaten, die erfüllt werden müssen, damit eine Situation abgeleitet werden kann. Im weiteren Verlauf können die abgeleiteten Situationen mit anderen Teilnehmern aus dem dynamischen Umfeld ausgetauscht werden, die dann wiederum ihre Prozesse an die neuen Gegebenheiten anpassen [1–3]. Die seit einigen Jahren bestehende Blockchain-Technologie bietet neben den Eigenschaften wie Konsistenz, Sicherheit und Unveränderbarkeit auch die Unterstützung von Smart Contracts an. Smart Contracts sind Programme, die Bedingungen enthalten und auf dieser Basis Entscheidungen treffen.

Aufgabenstellung

In dieser Arbeit soll untersucht werden, inwieweit Smart Contracts für die verteilte Erkennung von Situationen verwendet werden können. Hierfür sollen Konzepte entwickelt und implementiert werden sowie ihre Funktionsfähigkeit an beispielhaften Anwendungsszenarien demonstriert werden.

Daher umfasst die Arbeit folgende Aufgaben:

  • Einarbeitung in die Blockchain-Technologie, insbesondere in die Hyperledger Fabric [4] Blockchain-Plattform und deren Unterstützung von Smart Contracts
  • Konzeptionierung und Implementierung von Smart Contracts für die Erkennung von Situationen auf der Hyperledger Fabric Blockchain-Plattform
  • Konzeptionierung und Implementierung einer webbasierten Lösung zur Visualisierung der erkannten Situationen. Hierbei sollen die Situationen direkt aus der Blockchain gelesen werden
  • Demonstration der Funktionsfähigkeit der in Punkt zwei entwickelten Lösungen an beispielhaften Anwendungsszenarien
  • Vergleich der verteilten Situationserkennung zwischen Smart Contracts und Complex Event Processing [5, 6], beispielsweise anhand von Chancen und Risiken

Die Ergebnisse müssen in einem Zwischen- und Abschlussvortrag präsentiert werden. Es wird erwartet, dass die Arbeitsergebnisse mit einer uneingeschränkten Nutzungslizenz zur Verfügung gestellt werden.

Voraussetzungen

  • Gute bis sehr gute Programmierkenntnisse

Organisatorisches

Art der Arbeit Masterarbeit
Titel Situationserkennung mithilfe von Smart Contracts
Englischer Titel Situation Recognition Using Smart Contracts
Betreuer Dennis Przytarski, M.Sc.
Prüfer Prof. Dr.-Ing. habil. Bernhard Mitschang

Literatur

[1] M. Wieland, H. Schwarz, U. Breitenbücher, and F. Leymann, “Towards situation-aware adaptive workflows: Sitopt — a general purpose situation-aware workflow management system,” in 2015 IEEE International Conference on Pervasive Computing and Communication Workshops (PerCom Workshops), March 2015, pp. 32–37.

[2] P. Hirmer, M. Wieland, H. Schwarz, B. Mitschang, U. Breitenbücher, and F. Leymann, “SitRS – A Situation Recognition Service based on Modeling and Executing Situation Templates,” in Proceedings of the 9th symposium and summer school on service-oriented computing, 2015, pp. 113–127.

[3] P. Hirmer, M. Wieland, H. Schwarz, B. Mitschang, U. Breitenbücher, S. G. Sáez, and F. Leymann, “Situation recognition and handling based on executing situation templates and situation-aware workflows,” Computing, vol. 99, no. 2, pp. 163–181, Feb 2017. [Online]. Available: https://doi.org/10.1007/s00607-016-0522-9

[4] E. Androulaki et al., “Hyperledger fabric: A distributed operating system for permissioned blockchains,” in Proceedings of the Thirteenth EuroSys Conference, ser. EuroSys ’18. New York, NY, USA: ACM, 2018, pp. 30:1–30:15. [Online]. Available: http://doi.acm.org/10.1145/3190508.3190538

[5] A. C. F. da Silva, “Situation Recognition Based on Complex Event Processing,” Master’s thesis, Universität Stuttgart, 2015.

[6] A. C. F. da Silva, P. Hirmer, M. Wieland, and B. Mitschang, “SitRS XT – Towards Near Real Time Situation Recognition,” JIDM, vol. 7, no. 1, pp. 4–17, 2016.