Code Offloading Frameworks verbessern durch Auslagern von Programmteilen - auch Offloadingkandidaten genannt - auf Server die Leistung oder den Energieverbrauch von Geräten mit limitierten Ressourcen. Offloadingkandidaten werden dann ausgelagert, wenn mit Inbetrachtnahme der Übertragung des Kandidaten eine Einsparung im Vergleich zur rein lokalen Ausführung vorliegt. Die Entscheidung, ob Offloading stattfindet, hängt stark von der Ausführungszeit des Kandidaten ab. Im Fall von Methoden kann die Ausführungszeit je nach aktueller Parameterkonfiguration stark variieren. Da es in vielen Fällen unpraktikabel ist, für jede Parameterkombination Aufzeichnungen durchzuführen, ist die Verwendung von einfachen, historienbasierten Modellen zur Bestimmung der Ausführungszeit ungeeignet. Eine möglichst genaue Angabe der Ausführungszeit wird aber benötigt, um die Offloadingentscheidung korrekt zu treffen. Ziel der Arbeit war, die Vorhersage von Ausführungszeiten mit Hilfe von Machine Learning Modellen anhand verschiedener Testanwendungen- und Szenarien im Kontext des Code Off-loadings zu untersuchen. Außerdem wurde ein kooperativer Systementwurf vorgestellt und implementiert, der zur Verwaltung von Datensätzen, Vorhersagemodellen und deren Erstellung, sowie zur Vorhersage von Ausführungszeiten verwendet werden kann. Der Entwurf erweitert dabei bestehende Offloadingframeworks. Es konnte festgestellt werden, dass sich Machine Learning Algorithmen zur Vorhersage und insbesondere zum Verbessern der Offloadingentscheidung eignen.