Um exzellenter Digitalisierungspartner sein und bleiben zu können, investiert XITASO in Forschung und Innovation. Unser Ansatz ist es, Zukunftsthemen gemeinsam mit Partnern aus Wissenschaft und Wirtschaft intensiv zu beleuchten und mögliche Anwendungen für uns und unsere Partner herauszuarbeiten. Dabei lassen wir uns von Herausforderungen aus der Praxis inspirieren, denen wir in unserer täglichen Arbeit mit unseren Kunden begegnen. So bieten wir den Raum für bestmögliche anwendungsnahe Forschung und einen Bezug zu heutigen und zukünftigen Märkten.
Wissenschaftliche Exzellenz sowie nationaler und internationaler Austausch mit der Wissenschafts-Community gehören zur Forschung bei XITASO ebenso wie selbstorganisiertes Arbeiten in einem agilen, firmenübergreifenden Forschungsteam. Wir sind überzeugt: So kann Forschung von heute Innovationen von morgen erzeugen.
Das Forschungsvorhaben “Test the Test” (T3) hat sich zum Ziel gesetzt, die Effektivität von Model-, Software- und Hardwaretests automatisiert zu bewerten und damit die Qualität der Tests zu verbessern. Mithilfe von Fault Injection und Mutationen werden Hardwareschnittstellen, Code und Systemmodelle absichtlich und systematisch mit Fehlern behaftet, um entsprechende Tests hinsichtlich ihrer Qualität und Effektivität beim Auffinden eben jener Fehler bewerten zu können. Die Verbesserung der Testqualität hilft, den immer größer werdenden Qualitätsanforderungen eingebetteter Systeme zu genügen.
Ziel des Projekts „Automatisierte Inbetriebnahme durch Persistierung von Expertenwissen“ (AIPE) ist es zum einen, die Feineinstellung von Maschinenparametern durch maschinelle Lernverfahren zu automatisieren. Zum anderen soll Expertenwissen maschinell persistiert werden, um es trotz des demographischen Wandels erhalten zu können. Die Zusammenführung beider Bereiche ermöglicht es, die maschinellen Lernprozesse mithilfe des Expertenwissens zu vereinfachen und zu beschleunigen. Im Projekt wird 3D-Druck als Stellvertreter für Fertigungsprozesse untersucht, die von Umgebungseinflüssen abhängen.
Ziel des Projekts HITSSSE ist die Verbesserung der IT-Sicherheit durch sichere Software-Entwicklung für kleine und mittlere Unternehmen. Generische Lösungsansätze sollen hier KMUs in Deutschland helfen, IT-Sicherheit kosteneffizient und einfach nutzbar zu machen. XITASO bringt seine Expertise als assoziierter Partner in dem Projekt ein.
Measuring Similarities in Model Structure of Metaheuristic Rule Set Learners
David Pätzel, Richard Nordsieck, Jörg Hähner
EvoAPPS 2024
Tracking assets in source code with Security Annotations
Daniel Haak, Raphael Mayr, Jan-Philipp Steghöfer, Alexandra Teynor, Phillip Heidegger
ICSE 2024 Poster Track
Where Requirements and Agility Meet: No Man’s Land or a Land of Opportunity?
Fabiano Dalpiaz, Jan-Philipp Steghöfer
To appear in IEEE Software
Combining Requirements Enigneering Techniques for the Analysis of a Legacy System
Jessica Friedline, Jan-Philipp Steghöfer
Joint Proceedings of REFSQ-2024 Workshops, Doctoral Symposium, Posters & Tools Track and Education and Training Track. Co-located with REFSQ 2024. Winterthur, Switzerland, April 8, 2024
FeatRacer: Locating Features Through Assisted Traceability
Mukelabai Mukelabai, Kevin Hermann, Thorsten Berger, Jan-Philipp Steghöfer
IEEE Transactions on Software Engineering, 2023
Hier lesen
Processes, Methods, and Tools in Model-based Engineering — A Qualitative Multiple-Case Study
Jörg Holtmann, Grischa Liebel, Jan-Philipp Steghöfer
Journal of Software and Systems, 2023
PDF-Download
Blended modeling in commercial and open-source model-driven software engineering tools: A systematic study.
Istvan David, Malvina Latifaj, Jakob Pietron, Weixing Zhang, Federico Ciccozzi, Ivano Malavolta, Alexander Raschke, Jan-Philipp Steghöfer, Regina Hebig
Softw. Syst. Model.22(1): 415-447 (2023)
Hier lesen
CASCADE: An Asset-driven Approach to Build Security Assurance Cases for Automotive Systems.
Mazen Mohamad, Rodi Jolak, Örjan Askerdal, Jan-Philipp Steghöfer, Riccardo Scandariato
ACM Trans. Cyber Phys. Syst. 7(1): 3:1-3:26 (2023)
Hier lesen
Trustful Model-Based Information Exchange in Collaborative Engineering.
David Schmelter, Jan-Philipp Steghöfer, Karsten Albers, Mats Ekman, Jörg Tessmer, Raphael Weber
EuroSPI (1) 2023: 156-170
Hier lesen
Exploiting Meta-Model Structures in the Generation of Xtext Editors.
Jörg Holtmann, Jan-Philipp Steghöfer, Weixing Zhang.
Proceedings of the 11th International Conference on Model-Based Software and Systems Engineering (MODELSWARD).
PDF-Download
Creating Python-style Domain Specific Languages: A Semi-automated Approach and Intermediate Results.
Weixing Zhang, Regina Hebig, Jan-Philipp Steghöfer, Jörg Holtmann.
Proceedings of the 11th International Conference on Model-Based Software and Systems Engineering (MODELSWARD).
PDF-Download
Automated Extraction of Grammar Optimization Rule Configurations for Metamodel-Grammar Co-evolution.
Weixing Zhang, Regina Hebig, Daniel Strüber, Jan-Philipp Steghöfer
SLE 2023: 84-96
PDF-Download
2023
2022
2021
2020
2019
2018
Dr. Andreas Angerer
Head of Research and Innovation
XITASO GmbH
Dr. Andreas Angerer
Tel. +49 821 885882-94
andreas.angerer@xitaso.com