2026-07-012026-07-01https://hdl.handle.net/11420/63761Softwareentwickler sehen sich häufig mit komplexen technischen Herausforderungen konfrontiert, die sie aus verschiedenen Gründen mit unzulässigen Design-Workarounds und suboptimalen Implementierungen umgehen. Solche Kompromisse führen wahrscheinlich zu einer erheblichen Menge an technischen Schulden (Technical Debt, TD), d. h. zu Artefakten von geringer Qualität, die die künftige Wartung und Weiterentwicklung des entwickelten Systems beeinträchtigen können. TD ist ein seit langem bestehendes, wesentliches Problem in der modernen Softwareentwicklung, dessen Behebung Projekte im Durchschnitt schätzungsweise 1,5 Millionen US-Dollar kostet (was 27.500 Entwicklerstunden entspricht). Außerdem können dadurch ausnutzbare Fehler und Schwachstellen entstehen, die die Sicherheit von Softwaresystemen in hohem Maße beeinträchtigen können. Ein bedeutender Teil der TD-Forschung wurde dank der Quellenanalyse selbst zugegebener technischer Schuld (Self-Admitted Technical Debt, SATD) durchgeführt. Dabei handelt es sich um Artefakte wie Code-Kommentare und Commit-Nachrichten, in denen Entwickler häufig die Mängel ihrer Lösungen angeben. Die systematische Untersuchung von SATD hat dazu beigetragen, Fehler auf verschiedenen Ebenen zu identifizieren und zu charakterisieren, einschließlich Code, Design, Anforderungen und Dokumentation. Die Auswirkungen von TD auf die Sicherheit wurden von den Forschern jedoch nur wenig beachtet, so dass viele Fragen zu seiner Rolle bei der Entstehung von Software-Schwachstellen offen bleiben. Dieses Projekt will an der Spitze der TD-Sicherheitsforschung stehen, indem es den Schwerpunkt auf das entwicklerzentrierte SATD-Management verlagert. Insbesondere geht es darum, wie Sicherheitsschwächen, die innerhalb von SATD-Artefakten gemeldet werden, die rechtzeitige Identifizierung, Priorisierung und Rückzahlung von anfälligen TD-Instanzen unterstützen können. Zu diesem Zweck werden wir verwertbare Informationen über das Zusammenspiel zwischen sicherheitsrelevanten SATD und Software-Schwachstellen sammeln, indem wir (i) Open Source Software (OSS) Repositories durchsuchen und (ii) empirische Studien mit Entwicklern durchführen. Diese Erkenntnisse werden in die Entwicklung neuartiger, durch künstliche Intelligenz unterstützter Methoden und Werkzeuge für (i) die automatische Identifizierung solcher SATD-Instanzen, (ii) ihre Sicherheitsbewertung und (iii) ihre nahtlose Behebung umgesetzt.Software developers often face complex technical challenges that, for diverse reasons, they circumvent with spurious design workarounds and sub-optimal implementations. Such compromises are likely to result in a significant amount of Technical Debt (TD), namely low-quality artefacts that can impair the future maintenance and evolution of the system being developed. TD is a long-standing, paramount problem in modern software development and it is estimated to cost projects around USD 1.5 million on average to remediate (equivalent to 27,500 developer hours). Moreover, it can introduce exploitable flaws and vulnerabilities that can compromise, to a great extent, the security of software systems. A significant portion of TD research has been conducted thanks to the analysis of Self-Admitted Technical Debt (SATD) sources. That is, artefacts such as code comments and commit messages where developers often report the shortcomings of their solutions. The systematic study of SATD has helped to identify and characterise flaws at different levels, including code, design, requirements, and documentation. Still, the security implications of TD have received little attention from researchers, leaving many open questions about its role in the emergence of software vulnerabilities. This project seeks to be at the forefront of TD security research by shifting the focus towards developer-centred SATD management. Particularly, on how security weaknesses reported inside SATD artefacts can support the timely identification, prioritisation, and repayment of vulnerability-prone TD instances. For this, we will gather actionable information on the interplay between security-related SATD and software vulnerabilities by (i) mining Open Source Software (OSS) repositories and (ii) conducting empirical studies with developers. Such evidence will be translated into the design of novel, Artificial Intelligence-enhanced methods and tools for (i) the automatic identification of such SATD instances, (ii) their security assessment, and (iii) their seamless remediation.