Bemutatkozás
Ma már szinte megkerülhetetlen a valós idejűség megvalósítása az informatikai alkalmazásokban, nemcsak extrém esetekben, hanem hétköznapi feladatokban is. Mit is jelent ez a valóságban? Valós idejű rendszernek nevezzük azt a rendszert, amelyben az eredmény logikai helyessége nemcsak a számítás eredményétől, hanem annak rendelkezésre állási idejétől is függ. A rendszernek előre meghatározott időkorláton (határidőn) belül kell végrehajtania feladatait. Ilyen rendszer alatt érthetjük egy videojáték szereplőinek folyamatos mozgását biztosító megoldásokat, egy baleset során a légzsák ütközéskori kinyílási mechanizmusát vagy egy atomerőmű biztonsági rendszerét is. Évtizedekkel ezelőtt, 1987-ben a Dubnai Egyesült Atomkutató Intézetben találkoztunk a valós idejű rendszerekkel kapcsolatos területtel, amely azóta is az érdeklődésünk középpontjában van, oktatási anyagaiban is megjelenik.
2017-ben alapítottuk a kutatócsoportot néhány PhD-s és MsC-s hallgató részvételével, akik közül többen is ledoktoráltak és továbbra is együtt dolgoznak ezen a témán, de új hallgatók is rendszeresen kapcsolódnak a területen folyó munkához. Jelenlegi kutatási területek a valós idejű operációs rendszerek, a grafikus könyvtárak, a különböző előrejelzési modellek, módszerek és az ilyen technológiát alkalmazó eszközök oktatási alkalmazása. Az MsC-s hallgatókat a QNX alapmodell megismertetésével próbáljuk meg először bevonni az izgalmas valós idejű lehetőségek világába. A témában több szakdolgozat és diplomamunka is született, de a nagyközönség felé is nyitottunk Kutatók éjszakája programokkal. Nagy büszkeségünk egy delta-V demo rendszer, amellyel Magyarországon csak két egyetemen rendelkezik. A közeli tervek között szerepel ennek az eszköznek a kutatásba való bevonása is a különböző ipari mérés-vezérlő lehetőségek vizsgálatával.

Kutatási területek
▶ Valós idejű operációs rendszerek
- Operációs rendszerek osztályozása
- Célrendszerek operációs rendszerrel vagy anélkül
- Preemptív és valós idejű kernelek összehasonlítása
- Valós idejű jellemzők
- Prioritások
- CPU csoportok
- Ütemezések
▶ Valós idejű grafikai könyvtárak
Egy többplatformos, valós idejű renderelő könyvtárat fejlesztünk .NET C# környezethez, amelynek első működő változata már elkészült. Ez a könyvtár támogatja a számítógépek grafikus feldolgozóegységeinek (GPU-k) alacsony szintű programozását a grafikus API-k absztrakciós szintjén, így lehetővé teszi saját renderelési algoritmusok vagy akár teljes grafikus motorok fejlesztését C# nyelven. Könyvtárunk segítségével shadereket, puffereket (buffereket), textúrákat, renderelési csővezetékeket (pipeline-okat) és más, jól ismert alacsony szintű grafikai erőforrásokat használhatunk grafikus alkalmazások megvalósítására C#-ban.

A könyvtár egy absztrakciós réteget képez az alacsony szintű grafikus API-k felett, jelenleg támogatva a Vulkant és az OpenGL több verzióját. Ugyanakkor minden grafikus API eltérő shadernyelveket használ. Ahhoz, hogy ezekhez egységes C#-os absztrakciós réteget biztosítsunk, a rétegnek a shadernyelvek közötti különbségeket is el kell fednie. A fejlesztés egyedisége az absztrakció szintjében és a felhasználási lehetőségeiben rejlik. A könyvtár lehetővé teszi grafikus algoritmusok és grafikus motorok fejlesztését közvetlenül a grafikus API-k szintjén, C# nyelven. Az, hogy a parancsokat végrehajtó grafikus API melyik legyen, csak később kerül kiválasztásra, akár egészen a program indításának pillanatáig elhalasztva. Ennek köszönhetően minden támogatott platformon az adott környezetben elérhető grafikus API-k közül mindig a legmegfelelőbb használható.
Kapcsolódó publikációk:
☞ Compiling C# classes to multiple shader sources for multi-platform real-time graphics
☞ High performance GPU graphics API abstraction layer in C# for real-time graphics
☞ Real-Time rendering with OpenGL and Vulkan in C#
▶ Előrejelzési modellek
Az egyik legfontosabb feladat a hallgatói teljesítmény előrejelzése az oktatási környezetekben, például az iskolákban és az egyetemeken, mivel ez hozzájárul olyan hatékony mechanizmusok kialakításához, amelyek többek között javítják a tanulmányi eredményeket és csökkentik a lemorzsolódás kockázatát. A hallgatók tipikus tevékenységei során számos olyan folyamat működik, amelyek nagy mennyiségű adatot kezelnek. Ezeket az adatokat gyakran a technológiával támogatott tanulást segítő szoftverrendszerek gyűjtik és dolgozzák fel automatizált módon. Az adatok megfelelő elemzésével és értelmezésével értékes információk nyerhetők a hallgatók tudásszintjéről, valamint tanulmányi tevékenységeikhez való viszonyáról. Ezek az adatok alapul szolgálnak olyan ígéretes algoritmusok és módszerek számára, amelyek képesek előre jelezni a hallgatók sikerességét. A terület alapvető célkitűzéseinek teljesítése mellett a kutatás számos korszerű módszertant is bemutat, amelyek széles körben alkalmazhatók a teljesítmény előrejelzésére, például a gépi tanulási eljárásokat. A kutatás célja a meglévő megközelítések megvalósítása és összehasonlítása annak érdekében, hogy egy optimalizált megoldás szülessen, valamint egy olyan pontos modell kerüljön kialakításra, amely képes a hallgatói teljesítmény megbízható előrejelzésére.

Kapcsolódó publikációk:
☞ SDGFI using machine learning techniques for real-time automated web applications
☞ TCLPI: Machine learning-driven framework for hybrid learning mode identification
☞ Opinion prediction of Hungarian students for real-time e-learning systems
▶ Valós idejű oktatási alkalmazások, okoseszközök
A hallgatók elvárásai jelentősen megváltoztak az oktatással kapcsolatban: értékelik a közösségi médiában megszokott funkciókat, a tudásmegosztást, az interaktív együtt gondolkodást az oktatóval, valamint a kérdéseikre kapott azonnali válaszokat — akár az előadás közben is. A piacon elérhető alkalmazások azonban nem bizonyultak elég rugalmasnak az igényeinkhez, ezért egy saját, kétoldalú előadásmenedzselő rendszert fejlesztettünk. A webes alkalmazás valós idejű működését a SignalR modul biztosítja. A hallgatók kifejezetten pozitívan fogadták az új megoldást, és a méréseink is igazolták, hogy a tanulási folyamat hatékonyabbá vált. A Covidleállás idején egy másik valós idejű alkalmazást is bevezettünk, amelynek hatékonyságát és a hallgatói elvárásokhoz való illeszkedését szintén vizsgáltuk.
Kapcsolódó publikációk:
☞ SignalR based real-time applications in education
☞ Real-time education in emergency situation
☞ Real-time classroom systems in teachers training
Módszertan
A valós idejű rendszerek világa heterogén. Nem rendelkezik olyan általános támogatással, mint például a mai operációs rendszerek (Unix alapú vagy Windows rendszerek). Léteznek a területhez illeszkedő Unix alapú rendszerek, de nem adnak általános megoldást a problémára. A kutatásunk középpontjában az áll, hogy az egyes problémakörök milyen megoldásokkal tudják a valós idejű funkcionalitást biztosítani.
Kutatócsoport tagjai
- Dr Illés Zoltán, egyetemi tanár (kutatócsoport-vezető, MTMT, Tud-O-Méter)
- Dr Bakonyi Viktória, egyetemi docens
- Dr Chaman Verma, egyetemi adjunktus
- Dr Szabó Dávid, egyetemi adjunktus
- Dr Korom Szilárd,
- és sok hallgató
Pályázatok és projektek
- 2024–2027: FITPEDGAI, Future IT Professional Education [54 000 EUR]
- 2017–2021: EFOP-3.6.3, Valós idejű rendszerek vizsgálata [52M HUF]
Kutatócsoport kapcsolatai
- Amity egyetem, egyetemi hálózat (közös kutatás, hallgatócsere)
- UCW (University Canada West) (közös kutatás, kezdődő hallgatócsere)
- Evosoft (oktatási részvétel)
Disszertációk
- Bakonyi Viktória: Valós-idejű oktatási alkalmazások okoseszközök használatával
- Verma Chaman: Identification of student’s demographic, geographic features and opinions towards ICT and mobile technology
- Szabó Dávid: Valós idejű grafika multi-platform .NET C# környezetben
- Korom Szilárd: A rendszerszintű gondolkodás informatikai kompetencia fejlesztése
Kiemelt publikációk
- C. Verma, Z. Illés, V. Stoffová, V. Bakonyi (2020): Opinion Prediction of Hungarian Students for Real-Time E-Learning Systems: A Futuristic Sustainable Technology-Based Solution, Sustainability [DOI] Q1
- C. Verma, Z. Illés, V. Stoffová, V. H. Bakonyi (2021): Comparative Study of Technology With Student's Perceptions in Indian and Hungarian Universities for Real-Time: Preliminary Results, IEEE Access [DOI] Q1
- C. Verma, Z. Illés, D. Kumar (2024): TCLPI: Machine Learning-Driven Framework for Hybrid Learning Mode Identification, IEEE Access [DOI] Q1
- V. H. Bakonyi, Z. Illés (2018): Real Time Classroom Systems in Teachers Training, Lecture Notes in Computer Science [DOI] Q2
- C. Verma, Z. Illés, D. Kumar (2024): An Investigation of Novel Features for Predicting Student Happiness in Hybrid Learning Platforms – An Exploration Using Experiments on Trace Data, International Journal of Information Management Data Insights [DOI] D1
Kapcsolat
Illés Zoltán – illes@inf.elte.hu