Ha magas szolgáltatásbiztonságra tervezünk egy vállaltközi blokklánc platformot (pl. Hyperledger Fabric), tudnunk kell érvelni arról, hogy adott komponensszintű hibák (pl. egy felcserélt relációs operátor az okosszerződés kódjában vagy egyszerűen egy csomópont hálózati elérhetetlensége) milyen rendszerszintű hibahatásra vezet(het)nek. Az ilyen kérdések megválaszolására remek módszer a hibaterjedés analízis (error propagation analysis, EPA).

Az EPA nehézsége, hogy fel kell építenünk egy hibaterjedési modellt: ha B komponenshez A komponens felől valamilyen hibás üzenet érkezik, ezt a hibát hogyan (nem) terjeszti tovább B?

Az EPA modellek definiálásának és módosításának (pl. finomításának) megkönnyítésére egy tanszéki kutatás során elkészült egy LLM-alapú eszköz, amivel természetes nyelven kommunikálhatjuk, hogy mit szeretnénk látni és a szemantikailag helyes modell előállítását egy (védőhálókkal ellátott!) mesterséges intelligenciára bízzuk. Az eszköz jelenleg még sok-sok hasznos funkciót nem támogat, amik teljesértékű asszisztensé tennék.

A témában a fent összefoglalt tanszéki kutatásba lehet becsatlakozni az LLM-alapú eszköz fejlesztésébe. A feladat nagyrészt gyakorlati jellegű.