Decentralized data fusion and data harvesting framework for heterogeneous, dynamic network systems, 2014. - Online-Ressource (PDF-Datei: IX, 129 S., 4,08 MB) Ilmenau : Techn. Univ., Diss., 2014
Diese Dissertation behandelt das Thema der dezentralisieren Sammlung und Fusion von Daten in heterogenen, ressourcenbeschränkten und dynamischen Netzwerkszenarien. Dazu wird ein generisches Framework vorgestellt, dass es erlaubt die Datensammlung, den Datenaustausch und auch die Datenfusion dynamisch zu konfigurieren. Im Zuge dessen wird auch eine Methode zur gerichteten Fusion von Daten auf graphentheoretischer Basis eingeführt, die es erlaubt eine logische Struktur für die Fusion von Informationen zu modellieren. Eine Markup-Sprache, die sowohl menschen- als auch maschinenlesbar ist, erlaubt es diese Struktur leicht zu editieren. Im Bereich der Protokolle zum Datenaustausch liegt der Fokus dieser Arbeit auf Energieeffizienz, um auch ressourcenbeschränkte Geräte einzubinden. Ein weiterer Schwerpunkt liegt auf Robustheit für die betrachteten dynamischen Szenarien. Diese Dissertation schlägt zudem Design-Richtlinien vor, um verschiedene Ziele für unterschiedliche Applikationen umzusetzen. Diese lassen sich leicht in das vorgestellte Framework integrieren und darüber konfigurieren. Dadurch ergibt sich im Ganzen eine flexible Architektur, die sich leicht an dynamische Umgebungen anpassen lässt.
http://www.db-thueringen.de/servlets/DocumentServlet?id=26575
Evaluation of multicore query execution techniques for linked open data. - In: HPI Future SOC Lab, (2014), S. 89-93
https://publishup.uni-potsdam.de/opus4-ubp/frontdoor/index/index/docId/6986
Index-based source selection and optimization. - In: Linked data management, ISBN 978-1-4665-8240-8, (2014), S. 311-337
Resource and location aware robust decentralized data management, 2014. - Online-Ressource (PDF-Datei: XVII, 179 S., 4,17 MB) Ilmenau : Techn. Univ., Diss., 2014
Große Datenmengen werden zunehmend auf weite Netze, die oft aus heterogenen Knoten bestehen, verteilt. Dabei kann Heterogenität beispielsweise variable Batteriekapazität oder Lebenszeiten bedeuten. Beispiele solcher Netzwerke sind Smartphone-Netzwerke, Sensornetzwerke und Clouds. Für diese verteilen heterogenen Netzwerken besteht die Notwendigkeit, den variierenden Zugang der Knoten zu Ressourcen zu berücksichtigen und die Gesamtlast durch kurze Wege zwischen den Speicher- und Anfrageorten der Daten zu minimieren. Die hier vorgestellte Arbeit konzentriert sich auf die Integration von Ressourcen- und Lokationsinformationen für eine robuste Datenverwaltung in verteilten, vielleicht sogar Peer-to-Peer, Netzwerken. Ein strukturierter Netzwerkansatz wurde gewählt, um Verfügbarkeitsgarantien für die gespeicherten Daten zu bieten. Zwei neuen verteilten Hashtabellen wurden auf Basis der existierenden Chord mit einer Routingkomplexität O(logN) entwickelt: Resource Based Finger Management (RBFM) und Hierarchical Resource Management (HRM). Diese DHTs nutzen unterschiedliche Ansätze für den Aufbau deren Overlays und bilden somit eine Grundlage, mit der die Eignung von flachen und hierarchischen Overlaystrukturen bzw. verschiedenen Anzahlen von Hierarchieebenen für Ressourcen- als auch Lokationsbewusstsein verglichen werden kann. Eine mathematische Analyse und simulationsbasierte Evaluation der neuen DHTs zeigen wie Ressourcenbewusstsein sowohl die Lebensdauer der Knoten als auch die Erfolgsrate der Anfragen um das Zweifache erhöht, wobei eine hohe Anzahl von Hierarchieebenen die Lebensdauer der Knoten reduziert. Eine entwickelte Replikationsstrategie, welche die Struktur der vorgestellten DHTs ausnutzt, erhöht das Ressourcen- und Lokationsbewusstsein während die Gesamtlast der Replikation verringert wird. Eine mathematische Analyse zeigt wie die Anzahl der benötigten Replikate, um eine vorgegebene Verfügbarkeitswahrscheinlichkeit zu erreichen, signifikant gesenkt wird, während die übrige Ressourcenlast von den schwachen auf den starken Knoten verschoben wird.
http://www.db-thueringen.de/servlets/DocumentServlet?id=25506
Learning event patterns for gesture detection. - In: Advances in database technology - EDBT 2014, ISBN 978-3-89318-065-3, (2014), S. 668-671
https://doi.org/10.5441/002/edbt.2014.70
A hierarchical approach to resource awareness in DHTs for mobile data management. - In: Pervasive and mobile computing, Bd. 15 (2014), S. 113-127
http://dx.doi.org/10.1016/j.pmcj.2013.07.017
On efficient processing of linked stream data. - In: On the Move to Meaningful Internet Systems: OTM 2014 Conferences, (2014), S. 700-717
http://dx.doi.org/10.1007/978-3-662-45563-0_43
Finding the right processor for the job : Co-processors in a DBMS, 2014. - Online-Ressource (PDF-Datei: IX 115 S., 1,78 MB) : Ilmenau, Techn. Univ., Diss., 2014
Parallel als Druckausg. erschienen
Mehr und mehr Datenbankmanagementsysteme (DBMS) verarbeiten die Daten nur noch im Hauptspeicher oder speichern gar die ganze Datenbank dort, um schnell darauf zugreifen zu können. In diesen Systemen ist die Verarbeitungsgeschwindigkeit nur durch den Prozessor beschränkt, da die Daten nicht erst von der Festplatte geladen werden müssen. Grafikkarten (GPUs) haben vor kurzem CPUs überholt, wenn man reine Verarbeitungsgeschwindigkeit betrachtet. Die Forschung hat zudem gezeigt, dass sie neben der Bildverarbeitung auch zur Lösung von Problemen anderer Bereiche genutzt werden können. Allerdings können nicht alle Algorithmen die Vorteile der GPU-Architektur nutzen. Zunächst müssen sie angepasst werden, um Daten parallel im SIMD-Stil zu verarbeiten. Außerdem muss beachtet werden, dass die Daten erst über den PCI-Express-Bus transferiert werden müssen, über den Grafikkarten mit dem Speicher verbunden sind. In dieser Arbeit werden Aufgaben in DBMSen untersucht, die auf die Grafikkarte ausgelagert werden können. Es wird gezeigt, dass Anfrageoptimierung, Anfrageverarbeitung und Applikationslogik unter Umständen schneller auf der Grafikkarte ausgeführt werden können als auf der CPU, aber auch, dass sich nicht jede Aufgabe dafür eignet .Durch detaillierte Beschreibung, Implementierung und Evaluierung vier unterschiedlicher Beispiele wird erklärt, wie passende Aufgaben identifiziert und portiert werden können. In jedem Fall ist es nicht vorteilhaft, die Grafikkarte zu benutzen, wenn die Datenmenge zu gering ist, um die Verarbeitung auf alle verfügbaren Kerne zu verteilen. Zudem ist es wahrscheinlich, dass die CPU schneller zu einem Ergebnis kommt als die GPU, wenn nicht der ganze Datensatz in den Grafikspeicher passt. Demzufolge muss die Entscheidung, wo die Verarbeitung stattfindet, zur Laufzeit gefällt werden. Sie hängt ab von den verfügbaren Implementierungen, der Hardware, den Eingabe-Parametern und den Eingabe-Daten. Es wird ein lernbasiertes System vorgestellt, das an Hand vergangener Ausführungen entscheidet, welche Art der Verarbeitung die beste ist.
http://www.db-thueringen.de/servlets/DocumentServlet?id=24888
Change detection in streaming data in the era of big data: models and issues. - In: ACM SIGKDD explorations newsletter, ISSN 1931-0145, Bd. 16 (2014), 1, S. 30-38
http://dx.doi.org/10.1145/2674026.2674031
Database backend as a service: automatic generation, deployment, and management of database backends for mobile applications. - In: Datenbank-Spektrum, ISSN 1610-1995, Bd. 14 (2014), 2, S. 85-95
http://dx.doi.org/10.1007/s13222-014-0157-y