Überblick: In modernen Autos laufen heute hunderte von kleinen Applikationen, die die Fahrtüchtigkeit mit Hilfe von Sensorik und Steuerungslogik sicherstellen. Dabei sind an diese Applikationen spezielle Anforderungen gestellt im Bezug auf die Echtzeitfähigkeit und die Ausfallsicherheit. Um diese beiden grundlegenden Bedingungen an die Software sicher zu stellen werden aufwändige mathematische Berechnungen zur Ermittlung der Ausführbarkeit der Tasks ausgeführt, zudem muss das fertige Produkt in Feldtests die Seltenheit von auftretenden Fehlern unter Beweis stellen. Da der Trend hin zu einer Konsolidierung der Softwarebausteine auf nur noch wenige, aber dafür leistungsstarke, Hardware geht, hat ein Ausfall dieser oder ein gegenseitiges Blockieren der Softwarebausteine weitreichende Folgen. Um diesen, sich verstärkenden, Problemen entgegen zu treten muss die sichere und effiziente Ausführung der einzelnen Tasks gewährleistet sein. Da dies aufgrund der immer größer und komplexer werdenden Codebasis in Fahrzeugen alleine durch mathematische und plattformspezifische Ansätze nicht mehr bewältigt werden kann, wird untersucht, ob sich KI-gestützte Ansätze, wie z.B. maschinelles Lernen eignen. Maschinelles Lernen wiederrum benötigt einen fundierten und verlässlichen Datensatz als Grundstock, welcher in dieser Arbeit erstellt werden soll.