Κλιμακώσιμοι και βασισμένοι στο φόρτο εργασίας αλγόριθμοι διαχείρισης μη δομημένων δεδομένων.
|
|
- Ἀπόλλωνιος Παπαδάκης
- 6 χρόνια πριν
- Προβολές:
Transcript
1 Κλιμακώσιμοι και βασισμένοι στο φόρτο εργασίας αλγόριθμοι διαχείρισης μη δομημένων δεδομένων. Νικόλαος Παπαηλίου Advisors: Δημήτριος Τσουμάκος Νεκτάριος Κοζύρης Computing Systems Laboratory, National Technical University of Athens
2 Αποδοτική διαχείριση μεγάλου όγκου δεδομένων 2
3 Μη δομημένα δεδομένα 3
4 Παραδοσιακή Διαχείριση Δεδομένων χρόνος 4
5 Παραδοσιακή Διαχείριση Δεδομένων συλλογή χρόνος 5
6 Παραδοσιακή Διαχείριση Δεδομένων συλλογή δεικτοδότηση χρόνος 6
7 Παραδοσιακή Διαχείριση Δεδομένων συλλογή δεικτοδότηση επερώτηση χρόνος 7
8 Σύγχρονες Προκλήσεις Διαχείρισης? Δεδομένων χρόνος 8
9 Σύγχρονες Προκλήσεις Διαχείρισης? Δεδομένων Τα δεδομένα δεν ταιριάζουν με το σχήμα συλλογή χρόνος 9
10 Σύγχρονες Προκλήσεις Διαχείρισης? Δεδομένων Τα δεδομένα δεν ταιριάζουν με το σχήμα Ένα μέγεθος κατάλληλο για όλους? συλλογή δεικτοδότηση χρόνος 10
11 Σύγχρονες Προκλήσεις Διαχείρισης? Δεδομένων Τα δεδομένα δεν ταιριάζουν με το σχήμα Ένα μέγεθος κατάλληλο για όλους? συλλογή δεικτοδότηση επερώτηση χρόνος 11
12 RDF δεδομένα Δεν απαιτούν πληροφορία σχήματος RDF δεδομένα Βασισμένα σε γράφους Εύκολη σύνδεση διαφορετικών πηγών δεδομένων Προσαρμογή σε καινούργιους τύπους δεδομένων SPARQL συλλογή Γλώσσα επερώτησης βασισμένη στο ταίριασμα γράφων δεικτοδότηση χρόνος 12 επερώτηση
13 RDF δεδομένα RDF data SPARQL query συλλογή δεικτοδότηση επερώτηση χρόνος
14 RDF προκλήσεις
15 RDF προκλήσεις
16 RDF προκλήσεις Αποτελεσματική διαχείριση μεγάλου όγκου δεδομένων
17 RDF προκλήσεις Περιορισμένη γνώση της δομής των δεδομένων
18 RDF προκλήσεις Περιορισμένη γνώση της δομής των δεδομένων Relational RDF
19 RDF προκλήσεις Περιορισμένη γνώση της δομής των δεδομένων Relational RDF
20 RDF προκλήσεις Περιορισμένη γνώση της δομής των δεδομένων Relational RDF
21 RDF προκλήσεις Περιορισμένη γνώση της δομής των δεδομένων Σχεσιακές RDF 1-5 συνενώσεις 5-35 συνενώσεις
22 Συνεισφορές Διατριβής Διαχείριση μεγάλου όγκου RDF δεδομένων Κατανεμημένη βάση RDF δεδομένων H2RDF+ Δεικτοδότηση με χρήση HBase MapReduce ή κεντρική επεξεργασία ερωτημάτων WWW 2012, BigData 2013, SIGMOD 2014 Περιορισμένη γνώση σχήματος Κρυφή μνήμη SPARQL ερωτημάτων Επαναχρησιμοποίηση αποτελεσμάτων Δεικτοδότηση βασισμένη στο φότρο ερωτημάτων Απλοποίηση γράφων SIGMOD
23 H2RDF+ Κίνητρο: Κεντρική vs Κατανεμημένη επεξεργασία Κεντρική επεξεργασία Εκτέλεση επιλεκτικών ερωτημάτων σε μικρό χρόνο (ms) Εξάρτηση από την κύρια μνήμη Προβλήματα κλιμάκωσης Κατανεμημένη επεξεργασία Διαχείριση μεγάλου όγκου δεδομένων Κακή απόδοση σε εύκολα ερωτήματα 23
24 H2RDF+ Clients SPARQL queries H 2 RDF Jena Parser Query Graph MapReduce & NoSQL Cluster RDF data Join Planner MapReduce Bulk Import Query output Create and execute Join Executor MapReduce Or Centralized execution NoSQL Index 24
25 H2RDF+ Δεικτοδότηση RDF δεδομένων Κατανεμημένοι ΝoSQL δείκτες Όλες οι αναδιατάξεις των RDF τριάδων 6 indexes + statistics αποθηκευμένα σε HBase συλλογή δεικτοδότηση επερώτηση χρόνος
26 H2RDF+ Εκτέλεση συνενώσεων Multi-way merge joins Multi-way sort-merge joins MapReduce ή κεντρική επεξεργασία ερωτημάτων Ομαδοποίηση ενδιάμεσων αποτελεσμάτων Row oriented vs ομαδοποιημένα αποτελέσματα συλλογή δεικτοδότηση επερώτηση χρόνος 26
27 H2RDF+ Εκτέλεση βασισμένη στο κόστος Merge join cost: MJ cost(q) = i Q Re adkeys(q,i) / thr Re adkeys(q,i) = min{(min n ) o SeekOverhead,n o } j i i i j Q Sort-merge join cost: SMJ cost(q, I) = (2 n i o i + ReadKeys(Q I,i) ) / thr i I i Q συλλογή δεικτοδότηση επερώτηση χρόνος 27
28 H2RDF+ πειράματα Σύγκριση με κατανεμημένα συστήματα (H2RDF, HadoopRDF) Μη επιλεκτικά ερωτήματα 7x H2RDF, 10x HadoopRDF Επιλεκτικά ερωτήματα Έως 1000x σε σύγκριση με το HadoopRDF Σύγκριση με το κεντρικό RDF-3X Μη επιλεκτικά ερωτήματα 10x speedup, το RDF-3X απέτυχε να εκτελέσει κάποια ερωτήματα Επιλεκτικά ερωτήματα Γρήγορη απόκριση (ms) Το RDF-3X αν και κεντρικό είναι μερικά ms γρηγορότερο 28
29 Προσαρμοστική δεικτοδότηση RDF δεδομένων Δεν απαιτούν πληροφορία σχήματος Πλεονεκτήματα Εύκολος συνδυασμός πολλών πηγών δεδομένων Εύκολη προσθήκη τύπων δεδομένων Μειονεκτήματα συλλογή Περιορισμένη γνώση για τη δομή των δεδομένων Δεν μπορούμε να εφαρμόσουμε τις κλασικές βελτιστοποιήσεις δομημένων δεδομένων δεικτοδότηση χρόνος 29 επερώτηση
30 Προσαρμοστική δεικτοδότηση RDF δεδομένων Κατάλληλα ευρετήρια = τάξεις μεγέθους βελτίωση απόδοσης? συλλογή δεικτοδότηση επερώτηση χρόνος 30
31 Προσαρμοστική δεικτοδότηση RDF δεδομένων Κατάλληλα ευρετήρια = τάξεις μεγέθους βελτίωση απόδοσης Εξαρτάται από το σχήμα και τον φόρτο ερωτημάτων συλλογή δεικτοδότηση επερώτηση χρόνος 31
32 Προσαρμοστική δεικτοδότηση RDF δεδομένων Κατάλληλα ευρετήρια = τάξεις μεγέθους? βελτίωση απόδοσης Εξαρτάται από το σχήμα και τον φόρτο ερωτημάτων Ομαδοποίηση και αποθήκευση δεδομένων?? Είδος ευρετηρίων?? Σε ποια πεδία?? View materialization? συλλογή δεικτοδότηση επερώτηση χρόνος 32
33 Προσαρμοστική δεικτοδότηση RDF δεδομένων Κατάλληλα ευρετήρια = τάξεις μεγέθους βελτίωση απόδοσης Εξαρτάται από το σχήμα και τον φόρτο ερωτημάτων Δημιουργία βασικών ευρετηρίων = ελαχιστοποίηση χρόνου εισαγωγής? Δημιουργία ευρετηρίων με βάση τα ερωτήματα? συλλογή δεικτοδότηση επερώτηση χρόνος 33
34 Προσαρμοστική δεικτοδότηση RDF δεδομένων Κρυφή μνήμη για SPARQL αποτελέσματα Επαναχρησιμοποίηση αποτελεσμάτων Παρακολούθηση ερωτημάτων Δεικτοδότηση αποτελεσμάτων με βάση τα φίλτρα Εκτέλεση και αποθήκευση συχνά εμφανιζόμενων προτύπων ερωτημάτων Execution Time Χωρίς ευρετήρια Βέλτιστα ευρετήρια Προσαρμοστικά ευρετήρια συλλογή δεικτοδότηση επερώτηση χρόνος 34
35 Κρυφή μνήμη SPARQL ερωτημάτων? Result Cache SPARQL queries Dynamic Programming Planner Join plan Query Execution Engine Check cache Profitable query Cache results Cache Controller Check cache Cache results Save cache requests Label Result Tree Cache Requests Label Benefit/Cost Tree Profitable query Primary Indexes Cached Results 35
36 Κρυφή μνήμη SPARQL ερωτημάτων? Result Cache SPARQL queries Dynamic Programming Planner Join plan Query Execution Engine Check cache Profitable query Cache results Cache Controller Check cache Cache results Save cache requests Label Result Tree Cache Requests Label Benefit/Cost Tree Profitable query Primary Indexes Cached Results 36
37 SPARQL ερωτήματα? Γλώσσα επερώτησης RDF δεδομένων Βασισμένη σε μοντέλο γράφων Παράδειγμα SELECT * WHERE{?prof ub:worksfor NTUA.?prof rdf:type foaf:fullprofessor.?prof foaf:name?name.?prof foaf:mbox? .?prof foaf:telephone?tel } 37
38 Κανονικοποιημένες Ετικέτες? Δεικτοδότηση SPARQL γράφων Ισομορφισμοί γράφων Αλλαγή ονομάτων μεταβλητών Αναδιάταξη των τριάδων του ερωτήματος Δημιουργία κανονικοποιημένων ετικετών για SPARQL γράφους Δημιουργία μιας ετικέτας που είναι ακριβώς ίδια για όλους τους ισομορφικούς γράφους ερωτημάτων Επέκταση κλασικών αλγορίθμων για κανονικοποιημένες ετικέτες γράφων 38
39 Απλοποίηση ερωτημάτων? Μεγάλα ερωτήματα Δυσκολία δημιουργίας ετικετών και βελτιστοποίησης Οι γράφοι μορφής αστέρα μετατρέπονται σε κλίκες στον edge graph?p ?st Professor?pName fullname address type?prof worksfor MIT author?paper advisor?stname fullname address author?st studiesin type Harvard GraduateStudent 39
40 Απλοποίηση ερωτημάτων? Μεγάλα ερωτήματα Δυσκολία δημιουργίας ετικετών και βελτιστοποίησης Οι γράφοι μορφής αστέρα μετατρέπονται σε κλίκες στον edge graph?p ?st Professor?pName fullname address type?prof worksfor MIT author?paper advisor?stname fullname address author?st studiesin type Harvard GraduateStudent p1 p2 p8 p9 p5 p7 p3 p4 p11 p10 p6 40
41 Απλοποίηση ερωτημάτων? Απλοποίηση Σκελετού-Αστέρα?p ?st Professor?pName fullname address type?prof worksfor MIT author?paper advisor?stname fullname address author?st studiesin type Harvard GraduateStudent 41
42 Απλοποίηση ερωτημάτων? Απλοποίηση Σκελετού-Αστέρα?p ?st Professor?pName fullname address type?prof worksfor MIT author?paper?stname fullname address author?st studiesin type Harvard GraduateStudent advisor 42
43 Απλοποίηση ερωτημάτων? Απλοποίηση Σκελετού-Αστέρα?p ?st Professor?pName fullname address type?prof worksfor MIT author?paper?stname fullname address author?st studiesin type Harvard GraduateStudent advisor s1?prof p5?paper p7?st s2?prof?prof?st?st p6 43
44 Κανονικοποιημένες Ετικέτες? s1?prof p5?paper p7?st s2?prof?prof?st?st p6 44
45 Κανονικοποιημένες Ετικέτες? s1?prof?prof p5?prof?paper p6?st p7?st?st s2?s_176_0?s_243_0?s_3_211?s_401_1623 0_407_0 SS OO OO SS 0_85_0 SO 0_407_0?s_176_0?s_243_0?s_3_102?s_545_
46 Κανονικοποιημένες Ετικέτες? s1?prof?prof p5?prof?paper p6?st p7?st?st s2?s_176_0?s_243_0?s_3_211?s_401_1623 0_407_0 SS OO OO SS 0_85_0 SO 0_407_0?s_176_0?s_243_0?s_3_102?s_545_1874 Κανονικοποιημένες ετικέτες Σκελετού-Αστέρα Ετικέτα σκελετού: {?st?1,?paper?2,?prof?3}?1_407_?2&?3_407_?2&?3_85_?1 Ετικέτες αστέρων: (?1,[?s_176_0,?s_243_0,?s_3_102,?s_545_1874]) (?3,[?s_176_0,?s_243_0,?s_3_211,?s_401_1623]) 46
47 Κρυφή μνήμη SPARQL ερωτημάτων? Result Cache SPARQL queries Dynamic Programming Planner Join plan Query Execution Engine Check cache Profitable query Cache results Cache Controller Check cache Cache results Save cache requests Label Result Tree Cache Requests Label Benefit/Cost Tree Profitable query Primary Indexes Cached Results 47
48 Βελτιστοποίηση με δυναμικό προγραμματισμό? Χρήση του αλγορίθμου DPccp Ελέγχει όλους τους συνδεδεμένους υπογράφους του ερωτήματος Έλεγχος κρυφής μνήμης για κάθε υπογράφο με χρήση της κανονικοποιημένης ετικέτας του Βέλτιστο πλάνο εκτέλεσης που χρησιμοποιεί εν μέρει ή πλήρως αποθηκευμένα αποτελέσματα Abstract γράφοι ερωτημάτων Χρήση πιο γενικών αποτελεσμάτων Σταθερές των ερωτημάτων μετατρέπονται σε μεταβλητές με φίλτρα Χρησιμοποίηση αποτελεσμάτων με ευρετήρια 48
49 Abstract Ερωτήματα How can we profit from more generic results? Run DP planner on abstract query 49
50 Abstract Ερωτήματα How Πως can μπορούμε we profit να from εκμεταλλευτούμε more generic πιο results? γενικά αποτελέσματα? Run DP planner on abstract query 50
51 Abstract Ερωτήματα How Πως can μπορούμε we profit να from εκμεταλλευτούμε more generic πιο results? γενικά αποτελέσματα? Run Εκτελούμε DP planner τη βελτιστοποίηση on abstract query πάνω στο abstract ερώτημα 51
52 Κρυφή μνήμη SPARQL ερωτημάτων? Result Cache SPARQL queries Dynamic Programming Planner Join plan Query Execution Engine Check cache Profitable query Cache results Cache Controller Check cache Cache results Save cache requests Label Result Tree Cache Requests Label Benefit/Cost Tree Profitable query Primary Indexes Cached Results 52
53 Προσθήκη αποτελέσματος στην κρυφή μνήμη? 1900 {(?1,[?s_176_0,?s_243_0,?s_3_0,?s_545_0])} 1900?6{=Graduate Student} 1900?7{= Harvard }
54 Προσθήκη αποτελέσματος στην κρυφή μνήμη? 100 {(?1,[?s_176_0,?s_243_0,?s_3_0,?s_545_0])} 100?6{=Graduate Student} 100?7{= Harvard }?7{*,Index} k k 54
55 Προσθήκη αποτελέσματος στην κρυφή μνήμη? 5 {(?1,[?s_176_0,?s_243_0,?s_3_0,?s_545_0])} {(?1,[?s_176_0,?s_243_0,?s_545_0])} 100?6{=Graduate Student} 100 5?4{= Mike } 5?7{= Harvard }?7{*,Index} 10 3?6{= MIT } k k 5 55
56 Προσθήκη αποτελέσματος στην κρυφή μνήμη? 1 {(?1,[?s_176_0,?s_243_0,?s_3_0,?s_545_0])} {(?1,[?s_176_0,?s_243_0,?s_545_0])} 1 5?6{=Graduate Student} 10 6?4{*,Index}?4{= John } 1m 1m?4{= Mike } 10 3?6{*,Index}?6{= CMU } k?6{=UnderGrad uatestudent} m 5k?7{= Harvard }?7{*,Index} ?6{= MIT }?7{*,Index} m 5k k 750k 5 100k k 750k 5 100k 56
57 Αναζήτηση αποτελεσμάτων? 1 1 {(?1,[?s_176_0,?s_243_0,?s_3_0,?s_545_0])} 1 {(?1,[?s_176_0,?s_243_0,?s_545_0])} 1 5?6{=Graduate Student} 10 6?4{*,Index}?4{= John } 1m 1m?4{= Mike } 10 3?6{*,Index}?6{= CMU } k m 5k?7{= Harvard }?7{*,Index} 10 3?6{=UnderGrad uatestudent} 850?6{= MIT }?7{*,Index} m 5k k 750k 5 100k k 750k 5 100k 57
58 Αναζήτηση αποτελεσμάτων? 1 1 {(?1,[?s_176_0,?s_243_0,?s_3_0,?s_545_0])} 1 {(?1,[?s_176_0,?s_243_0,?s_545_0])}?6{=Graduate Student} ?4{*,Index}?4{= John } 1m 1m?4{= Mike } ?6{*,Index}?6{= CMU } k m 5k?7{= Harvard }?7{*,Index} 10 3?6{=UnderGrad uatestudent} 850?6{= MIT }?7{*,Index} m 5k k 750k 5 100k k 750k 5 100k 58
59 Αναζήτηση αποτελεσμάτων? 1 1 {(?1,[?s_176_0,?s_243_0,?s_3_0,?s_545_0])} 1 {(?1,[?s_176_0,?s_243_0,?s_545_0])} ?6{=Graduate Student} k k x?7{= Harvard }?7{*,Index} 10 3?4{*,Index}?4{= John }?6{=UnderGrad uatestudent} 3 1m x 1m?6{= MIT } 5?4{= Mike }?7{*,Index} ?6{*,Index} 1m 1m?6{= CMU } 5k 5k k 750k 5 100k k 750k 5 100k 59
60 Αναζήτηση αποτελεσμάτων? 1 1 {(?1,[?s_176_0,?s_243_0,?s_3_0,?s_545_0])} 1 {(?1,[?s_176_0,?s_243_0,?s_545_0])} ?6{=Graduate Student} k k x?7{= Harvard }?7{*,Index} 10 3?4{*,Index}?4{= John }?6{=UnderGrad uatestudent} 3 1m x 4 1m?4{= Mike } ?6{*,Index}?6{= CMU } 60k 5 x k x 4 4 4?6{= MIT }?6{*,Index} m x k 750k x x k 750k x x 60
61 Αναζήτηση αποτελεσμάτων? 1 1 {(?1,[?s_176_0,?s_243_0,?s_3_0,?s_545_0])} 1 {(?1,[?s_176_0,?s_243_0,?s_545_0])} ?6{=Graduate Student}?4{= John } k k x?7{= Harvard } ?7{*,Index} ?4{*,Index}?6{=UnderGrad uatestudent} 750k 3 1m x 4 x 1m?4{= Mike } ?6{*,Index}?6{= CMU } 60k 5 x k x 4 4 4?6{= MIT }?6{*,Index} 10 3 x 1m x k 750k x x 61
62 Αναζήτηση αποτελεσμάτων? 1 1 {(?1,[?s_176_0,?s_243_0,?s_3_0,?s_545_0])} 1 {(?1,[?s_176_0,?s_243_0,?s_545_0])} ?4{*,Index} k 60k k 3 1 x 4 x 4 asdwer ?7{= Harvard } ?6{=Graduate Student}?7{*,Index} ?4{= John }?6{=UnderGrad uatestudent} x 3 1m 4 x x 1m?6{= MIT }?4{= Mike }?6{*,Index} 10 3 x ?6{*,Index} 20 x 0.02?6{= CMU } x x x x x 62
63 Κρυφή μνήμη SPARQL ερωτημάτων? Result Cache SPARQL queries Dynamic Programming Planner Join plan Query Execution Engine Check cache Profitable query Cache results Cache Controller Check cache Cache results Save cache requests Label Result Tree Cache Requests Label Benefit/Cost Tree Profitable query Primary Indexes Cached Results 63
64 Ανεύρεση ωφέλιμων? αποτελεσμάτων Παρακολούθηση των αιτημάτων κρυφής μνήμης Πίνακας Cache Requests table Μη αποθηκευμένα αποτελέσματα που έχουν ζητηθεί Εκτίμηση οφέλους από τον DP planner Τα φίλτρα δίνουν όφελος στους αντίστοιχους δείκτες Συσσώρευση οφέλους από πολλαπλά ερωτήματα {(?1,[?s_176_0,?s_243_0,?s_3_0,?s_545_0])} 1 s 1 =s GrSt =0.1 s 2 =s Harvard =0.02 s 3 =s Harvard *s GrSt =0.002?6{=Graduate Student} 1 1?6{*,Index}?7{= Harvard } s1?7{*,index} s1 s1?7{= Harvard } s1?7{*,index} s3 s3 s3 s3 s3 s3 s3 s3 64
65 Κρυφή μνήμη SPARQL ερωτημάτων? Result Cache SPARQL queries Dynamic Programming Planner Join plan Query Execution Engine Check cache Profitable query Cache results Cache Controller Check cache Cache results Save cache requests Label Result Tree Cache Requests Label Benefit/Cost Tree Profitable query Primary Indexes Cached Results 65
66 Εκτέλεση Ερωτημάτων? Κρυφή μνήμη υλοποιημένη σε 3 RDF βάσεις δεδομένων RDF-3X Κεντρική εκτέλεση ερωτημάτων Ευρετήρια αποθηκευμένα σε τοπικό σκληρό δίσκο H2RDF+ Κατανεμημένη επεξεργασία MapReduce NoSQL ευρετήρια TriAD Αποθήκευση δεδομένων στην κύρια μνήμη Κατανεμημένη επεξεργασία με χρήση του MPI 66
67 Πειράματα? Δημιουργία κανονικοποιημένων ετικετών Διαφορετικά είδη γράφων Μέγεθος γράφου Labelling Time (ms) Paths Cycles Snowflakes Spiders Stars Grids number of triple patterns 67
68 Πειράματα? Δημιουργία κανονικοποιημένων ετικετών Απλοποίηση γράφων Labelling Time (ms) Stars_NS Stars Snowflakes_NS Snowflakes number of triple patterns 68
69 Πειράματα? Βελτιστοποίηση δυναμικού προγραμματισμού Διαφορετικά είδη γράφων Μέγεθος γράφων Αριθμός αποτελεσμάτων στην κρυφή μνήμη Time (s) Paths Stars Cycles Spiders Grids Snowflakes number of triple queries Time (s) Paths Stars Spiders Grids results per cache record 69
70 Πειράματα? Βελτιστοποίηση δυναμικού προγραμματισμού Απλοποίηση γράφων Time (s) Stars_NS Stars Snowflakes_NS Snowflakes number of triple queries 70
71 Workloads Ερωτημάτων? 71
72 Σύγκριση Αλγορίθμων Original: χωρίς κρυφή μνήμη S: απλοποίηση ερωτημάτων NS: χωρίς απλοποίηση ερωτημάτων EX: Exact cache requests AB: Abstract cache requests PR: εκτέλεση ωφέλιμων ερωτημάτων CS: αποθήκευση RDF δεδομένων με βάση το σχήμα που βρίσκουμε από τα characteristic sets 72
73 Workloads Ερωτημάτων Original: No caching S: query simplification EX: Exact cache requests NS: no query simplification AB: Abstract cache requests PR: Profitable results CS: Organize data in tables based on characteristic sets Time (s) CS Original Plan Check Profitable Execute AB-S-PR AB-NS-PR EX-S EX-NS WatDiv1B-L Για γραμμικά ερωτήματα Μικρό planning και check cache time Πάνω από 1 τάξη μεγέθους επιτάχυνση 73
74 Workloads Ερωτημάτων Original: No caching S: query simplification EX: Exact cache requests NS: no query simplification AB: Abstract cache requests PR: Profitable results CS: Organize data in tables based on characteristic sets Time (s) CS Original Plan Check Profitable Execute AB-S-PR AB-NS-PR EX-S EX-NS WatDiv1B-S Για τα ερωτήματα τύπου αστέρα Μεγάλος χρόνος planning time Η απλοποίηση δίνει μια τάξη μεγέθους κέρδος στο planning time 74
75 Workloads Ερωτημάτων Original: No caching S: query simplification EX: Exact cache requests NS: no query simplification AB: Abstract cache requests PR: Profitable results CS: Organize data in tables based on characteristic sets Time (s) CS Original Plan Check Profitable Execute AB-S-PR AB-NS-PR EX-S EX-NS WatDiv1B-G Για γενικά ερωτήματα 2 τάξεις μεγέθους επιτάχυνση Η χρήση abstraction δίνει επιπλέον 1 τάξη μεγέθους επιτάχυνση 75
76 Workloads Ερωτημάτων Original: No caching S: query simplification EX: Exact cache requests NS: no query simplification AB: Abstract cache requests PR: Profitable results CS: Organize data in tables based on characteristic sets Time (s) H2RDF+ RDF3X TriAD Original CS EX-S AB-S-PR WatDiv1B-G Για διαφορετικές μηχανές εκτέλεσης Κέρδος σε όλες τις μηχανές 1-2 τάξεις μεγέθους επιτάχυνση ανάλογα με τη μηχανή εκτέλεσης 76
77 Workloads Ερωτημάτων Original: No caching S: query simplification EX: Exact cache requests NS: no query simplification AB: Abstract cache requests PR: Profitable results CS: Organize data in tables based on characteristic sets Average responce time (s) Original EX-S AB-S-PR Time(s) LUBM10k-G Με βάση το χρόνο Ομαλή μείωση του χρόνου απόκρισης Τα αποτελέσματα αποθηκεύονται με βάση το κέρδος που δίνουν στο workflow 77
78 Συμπεράσματα H2RDF+ Διαχείριση μεγάλου όγκου δεδομένων Κατανεμημένη επεξεργασία μη επιλεκτικών ερωτημάτων Κεντρική επεξεργασία για επιλεκτικά ερωτήματα Κρυφή μνήμη για SPARQL ερωτήματα Κανονικοποιημένες ετικέτες για SPARQL γράφους Απλοποίηση ερωτημάτων Βελτιστοποίηση πλάνου και αναζήτηση κρυφής μνήμης μέσω αλγορίθμου Δυναμικού Προγραμματισμού Αbstract γράφοι για αποδοτική χρησιμοποίηση ευρετηρίων Προσαρμογή στο workload 78
79 Άλλες Ερευνητικές Δραστηριότητες Χρήση του H2RDF στο έργο ARCOMEM Ανάλυση δεδομένων κίνησης δικτύων Datix open source system Διαχείριση δεδομένων sflow από IXP Adaptive Partitioning των δεδομένων με βάση k-d tree Εκτέλεση κατανεμημένων συνενώσεων χωρίς επικοινωνία (map-joins) Cloud Elasticity CELAR EU project Μοντελοποίηση cloud εφαρμογών Αυτόματη ρύθμιση πόρων με βάση το φόρτο εργασίας Multi-engine workflow execution ASAP EU project Βελτιστοποίηση ροών εργασίας για περιβάλλοντα πολλαπλών μηχανών Εύρεση όλων των εναλλακτικών τρόπων εκτέλεσης Επιλογή του καλύτερου με βάση την πολιτική του χρήστη 79
80 Δημοσιεύσεις Συνολικά: 3 journals, 12 paper RDF databases 2 journals, 2 papers, 2 demos, 3 workshops 80
81 Δημοσιεύσεις Συνολικά: 3 journals, 12 paper RDF databases 2 journals, 2 papers, 2 demos, 3 workshops Διεθνή Περιοδικά:? [1] T. Risse, E. Demidova, S. Dietze, W. Peters, N. Papailiou, K. Doka, Y. Stavrakas, V. Plachouras, P. Senellart, F. Carpentier, A. Mantrach, B. Cautis, P. Siehndel and D. Spiliotopoulos: The ARCOMEM Architecture for Social- and Semantic-Driven Web Archiving Future Internet Journal 2014, 6, [2] E. Demidova, N. Barbieri, S. Dietze, A. Funk, H. Holzmann, D. Maynard, N. Papailiou, W. Peters, T. Risse and D. Spiliotopoulos: Analysing and Enriching Focused Semantic Web Archives for Parliament Applications Future Internet Journal 2014, 6,
82 Δημοσιεύσεις Συνολικά: 3 journals, 12 paper RDF databases 2 journals, 2 papers, 2 demos, 3 workshops Διεθνή Συνέδρια:? [1] N. Papailiou, D. Tsoumakos, P.Karras and N. Koziris: Graph-Aware, Workload-Adaptive SPARQL Query Caching In Proceedings of the 2015 ACM SIGMOD/PODS International Conference on Management of Data (SIGMOD 2015), Melbourne, Australia [2] N. Papailiou, D. Tsoumakos, I. Konstantinou, P. Karras and N. Koziris: Scalable Indexing and Adaptive Querying of RDF Data in the cloud In proceedings of the 6th International Workshop on Semantic Web Information Management (SWIM 2014), Snowbird, Utah, USA [3] N. Papailiou, D. Tsoumakos, I. Konstantinou, P.Karras and N. Koziris: H2RDF+: An Efficient Data Management System for Big RDF Graphs. In Proceedings of the 2014 ACM SIGMOD/PODS International Conference on Management of Data (SIGMOD 2014 Demo Track), Snowbird, Utah, USA [4] N. Papailiou, I. Konstantinou, D. Tsoumakos, P.Karras and N. Koziris: H2RDF+: High-performance Distributed Joins over Large-scale RDF Graphs. In proceedings of the 2013 IEEE International Conference on Big Data (BigData 2013), Santa Clara, CA, USA [5] E. Demidova, N. Barbieri, S. Dietze, A. Funk, G. Gossen, D. Maynard, N. Papailiou, V. Plachouras, W. Peters, T. Risse, Y. Stavrakas and N. Tahmasebi: Analysing Entities, Topics and Events in Community Memories. In proceedings of the 1st International Workshop on Archiving Community Memories, Lisbon, Portugal [6] E. Angelou, N. Papailiou, I. Konstantinou, D. Tsoumakos and N. Koziris: Automatic Scaling of Selective SPARQL Joins Using the TIRAMOLA System In proceedings of the 4th International Workshop on Semantic Web Information Management (SWIM 2012), Scottsdale, Arizona, USA [7] N. Papailiou, I. Konstantinou, D. Tsoumakos and N. Koziris: H2RDF: Adaptive Query Processing on RDF Data in the Cloud In Proceedings of the 21th International Conference on World Wide Web (WWW 2012 demo track), Lyon, France 82
83 Δημοσιεύσεις Συνολικά: 3 journals, 12 paper Network data analytics 1 journal Διεθνή Περιοδικά:? [1] D. Sarlis, N. Papailiou, I. Konstantinou, G. Smaragdakis and N. Koziris: Datix: A System for Scalable Network Analytics. ACM SIGCOMM Computer Communication Review, 45(5), October
84 Δημοσιεύσεις Συνολικά: 3 journals, 12 paper Cloud Elasticity 2 papers Διεθνή Συνέδρια:? [1] I. Giannakopoulos, D. Tsoumakos, N. Papailiou and N. Koziris: PANIC: Modeling Application Performance over Virtualized Resources In Proceedings of the 2015 IEEE International Conference on Cloud Engineering (IC2E 2015), 9-13 March, Tempe, AZ, USA [2] I. Giannakopoulos, N. Papailiou, C. Mantas, I. Konstantinou, D. Tsoumakos and N. Koziris: CELAR: Automated application elasticity platform In proceedings of the 2014 IEEE International Conference on Big Data (BigData 2014), Washington DC, USA 84
85 Δημοσιεύσεις Συνολικά: 3 journals, 12 paper Multi-engine workflow execution 1 demo, 2 papers (to apear) Διεθνή Συνέδρια:? [1] K. Doka, N. Papailiou, D. Tsoumakos, C. Mantas and N. Koziris: IReS: Intelligent, Multi- Engine Resource Scheduler for Big Data Analytics Workflows. In Proceedings of the 2015 ACM SIGMOD/PODS International Conference on Management of Data (SIGMOD 2015 Demo Track), Melbourne, Australia [2] K. Doka, N. Papailiou, V. Giannakouris, D. Tsoumakos and N. Koziris: Mix 'n Match Multi- Engine Analytics. In Proceedings of the 2016 IEEE International Conference on Big Data (BigData 2016), Washington DC, USA [3] V. Giannakouris, N. Papailiou, D. Tsoumakos and N. Koziris: MuSQLE: Distributed SQL Query Execution Over Multiple Engine Environments. In Proceedings of the 2016 IEEE International Conference on Big Data (BigData 2016), Washington DC, USA 85
86 86
87 Ερωτήσεις 87
88 Workloads Ερωτημάτων Original: No caching S: query simplification EX: Exact cache requests NS: no query simplification AB: Abstract cache requests PR: Profitable results CS: Organize data in tables based on characteristic sets 10 2 Plan Check Profitable Execute 10 2 Plan Check Profitable Execute Time (s) 10 1 Time (s) CS Original AB-S-PR AB-NS-PR EX-S EX-NS WatDiv1B-L CS Original AB-S-PR AB-NS-PR EX-S EX-NS WatDiv1B-S Time (s) Plan Check Profitable Execute AB-S-PR AB-NS-PR EX-S EX-NS Time (s) Plan Check Profitable Execute AB-S-PR AB-NS-PR EX-S EX-NS 10 0 CS Original 10 0 CS Original WatDiv1B-F 88 WatDiv1B-C
89 Workloads Ερωτημάτων Original: No caching S: query simplification EX: Exact cache requests NS: no query simplification AB: Abstract cache requests PR: Profitable results CS: Organize data in tables based on characteristic sets Time (s) H2RDF+ RDF3X TriAD Original CS EX-S AB-S-PR LUBM1k-G Time (s) H2RDF+ RDF3X TriAD Original CS EX-S AB-S-PR LUBM10k-G Time (s) H2RDF+ RDF3X TriAD Original CS EX-S AB-S-PR Yago2-G Time (s) H2RDF+ RDF3X TriAD Original CS EX-S AB-S-PR WatDiv100M-G Time (s) H2RDF+ RDF3X TriAD Original CS EX-S AB-S-PR WatDiv1B-G 89 Time (s) H2RDF+ RDF3X TriAD Original CS EX-S AB-S-PR Bio2RDF-G
90 Workloads Ερωτημάτων Original: No caching S: query simplification EX: Exact cache requests NS: no query simplification AB: Abstract cache requests PR: Profitable results CS: Organize data in tables based on characteristic sets Average responce time (s) Average responce time (s) Original EX-S AB-S-PR Time(s) LUBM10k-S Original EX-S AB-S-PR Time(s) LUBM10k-SG 90 Average responce time (s) Average responce time (s) Time(s) LUBM10k-C Original EX-S AB-S-PR 1 Original EX-S AB-S-PR Time(s) LUBM10k-G
91 Δημοσιεύσεις RDF databases 2 journals, 2 papers, 2 demos, 3 workshops Cloud Elasticity 2 papers Multi-engine workflow execution 1 demo, 2 papers (to apear) Network data analytics 1 journal 91
92 Δημοσιεύσεις Διεθνή Περιοδικά:? [1] D. Sarlis, N. Papailiou, I. Konstantinou, G. Smaragdakis and N. Koziris: Datix: A System for Scalable Network Analytics. ACM SIGCOMM Computer Communication Review, 45(5), October [2] T. Risse, E. Demidova, S. Dietze, W. Peters, N. Papailiou, K. Doka, Y. Stavrakas, V. Plachouras, P. Senellart, F. Carpentier, A. Mantrach, B. Cautis, P. Siehndel and D. Spiliotopoulos: The ARCOMEM Architecture for Social- and Semantic-Driven Web Archiving Future Internet Journal 2014, 6, [3] E. Demidova, N. Barbieri, S. Dietze, A. Funk, H. Holzmann, D. Maynard, N. Papailiou, W. Peters, T. Risse and D. Spiliotopoulos: Analysing and Enriching Focused Semantic Web Archives for Parliament Applications Future Internet Journal 2014, 6, Διεθνή Συνέδρια:? [1] N. Papailiou, D. Tsoumakos, P.Karras and N. Koziris: Graph-Aware, Workload-Adaptive SPARQL Query Caching In Proceedings of the 2015 ACM SIGMOD/PODS International Conference on Management of Data (SIGMOD 2015), Melbourne, Australia [2] K. Doka, N. Papailiou, D. Tsoumakos, C. Mantas and N. Koziris: IReS: Intelligent, Multi-Engine Resource Scheduler for Big Data Analytics Workflows. In Proceedings of the 2015 ACM SIGMOD/PODS International Conference on Management of Data (SIGMOD 2015 Demo Track), Melbourne, Australia [3] I. Giannakopoulos, D. Tsoumakos, N. Papailiou and N. Koziris: PANIC: Modeling Application Performance over Virtualized Resources In Proceedings of the 2015 IEEE International Conference on Cloud Engineering (IC2E 2015), 9-13 March, Tempe, AZ, USA [4] I. Giannakopoulos, N. Papailiou, C. Mantas, I. Konstantinou, D. Tsoumakos and N. Koziris: CELAR: Automated application elasticity platform In proceedings of the 2014 IEEE International Conference on Big Data (BigData 2014), Washington DC, USA [5] N. Papailiou, D. Tsoumakos, I. Konstantinou, P. Karras and N. Koziris: Scalable Indexing and Adaptive Querying of RDF Data in the cloud In proceedings of the 6th International Workshop on Semantic Web Information Management (SWIM 2014), Snowbird, Utah, USA [6] N. Papailiou, D. Tsoumakos, I. Konstantinou, P.Karras and N. Koziris: H2RDF+: An Efficient Data Management System for Big RDF Graphs. In Proceedings of the 2014 ACM SIGMOD/PODS International Conference on Management of Data (SIGMOD 2014 Demo Track), Snowbird, Utah, USA [7] N. Papailiou, I. Konstantinou, D. Tsoumakos, P.Karras and N. Koziris: H2RDF+: High-performance Distributed Joins over Large-scale RDF Graphs. In proceedings of the 2013 IEEE International Conference on Big Data (BigData 2013), Santa Clara, CA, USA [8] E. Demidova, N. Barbieri, S. Dietze, A. Funk, G. Gossen, D. Maynard, N. Papailiou, V. Plachouras, W. Peters, T. Risse, Y. Stavrakas and N. Tahmasebi: Analysing Entities, Topics and Events in Community Memories. In proceedings of the 1st International Workshop on Archiving Community Memories, Lisbon, Portugal [9] E. Angelou, N. Papailiou, I. Konstantinou, D. Tsoumakos and N. Koziris: Automatic Scaling of Selective SPARQL Joins Using the TIRAMOLA System In proceedings of the 4th International Workshop on Semantic Web Information Management (SWIM 2012), Scottsdale, Arizona, USA [10] N. Papailiou, I. Konstantinou, D. Tsoumakos and N. Koziris: H2RDF: Adaptive Query Processing on RDF Data in the Cloud In Proceedings of the 21th International Conference on World Wide Web (WWW 2012 demo track), Lyon, France 92
93 Ομαδοποίηση ενδιάμεσων αποτελεσμάτων Lazy materialization για τα ενδιάμεσα αποτελέσματα Row oriented vs ομαδοποιημένα αποτελέσματα all-to-all ιδιότητα μεταξύ των ομάδων 93
94 Ομαδοποίηση ενδιάμεσων αποτελεσμάτων Διατήρηση των ομάδων κατά τη διάρκεια των συνενώσεων 94
95 H2RDF+ πειράματα Κατανεμημένα συστήματα Cluster of 25 VMs(2 CPUs, 4GB RAM, 300GB HDD) Μη επιλεκτικά ερωτήματα 7x H2RDF, 10x HadoopRDF Επιλεκτικά ερωτήματα Έως 1000x σε σύγκριση με το HadoopRDF Βελτιώσεις σε σχέση με το H2RDF 95
96 H2RDF+ πειράματα Σύγκριση με το κεντρικό RDF-3X Μη επιλεκτικά ερωτήματα 10x speedup, το RDF-3X απέτυχε να εκτελέσει κάποια ερωτήματα Επιλεκτικά ερωτήματα Γρήγορη απόκριση (ms) Το RDF-3X αν και κεντρικό είναι μερικά ms γρηγορότερο 96
Semantic Web - RDF. Ένας ιστός δεδοµένων, τα οποία µπορούν να επεξεργαστούν άµεσα ή έµµεσα από µηχανές
RDF datastores Semantic Web - RDF Ένας ιστός δεδοµένων, τα οποία µπορούν να επεξεργαστούν άµεσα ή έµµεσα από µηχανές Tim Berners-Lee RDF: Το βασικό µοντέλο αναπαράστασης των δεδοµένων στο Semantic Web
Διαβάστε περισσότεραΕθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Τομέας Πληροφορικής και Τεχνολογίας Υπολογιστών
Εθνικό Μετσόβιο Πολυτεχνείο Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών Τομέας Πληροφορικής και Τεχνολογίας Υπολογιστών Κλιμακώσιμοι και βασισμένοι στο φόρτο εργασίας αλγόριθμοι διαχείρισης
Διαβάστε περισσότεραΔίπλωμα Ηλεκτρολόγου Μηχανικού και Μηχανικού Υπολογιστών
Αικατερίνη Γ. Δόκα Προμηθέως 13, Γλυφάδα, Αθήνα, 16674 ΠΡΟΣΩΠΙΚΕΣ ΠΛΗΡΟΦΟΡΙΕΣ ΣΠΟΥΔΕΣ Ημερομηνία Γέννησης: 1 Νοεμβρίου 1982 Τόπος Γέννησης: Αθήνα Τηλέφωνο Επικοινωνίας: 6937221750 e-mail: katerina@cslab.ece.ntua.gr
Διαβάστε περισσότεραΕπερωτήσεις σύζευξης με κατάταξη
Επερωτήσεις σύζευξης με κατάταξη Επερωτήσεις κατάταξης Top-K queries Οι επερωτήσεις κατάταξης επιστρέφουν τις k απαντήσεις που ταιριάζουν καλύτερα με τις προτιμήσεις του χρήστη. Επερωτήσεις κατάταξης Top-K
Διαβάστε περισσότεραΥΠΟΜΝΗΜΑ ΕΠΙΣΤΗΜΟΝΙΚΟΥ ΕΡΓΟΥ
ΥΠΟΜΝΗΜΑ ΕΠΙΣΤΗΜΟΝΙΚΟΥ ΕΡΓΟΥ ΙΩΑΝΝΗΣ Η. ΚΩΝΣΤΑΝΤΙΝΟΥ Ηλεκτρολόγος Μηχανικός & Μηχανικός Υπολογιστών ΕΜΠ PhD, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών ΕΜΠ ΠΕΡΙΕΧΟΜΕΝΑ BΙΟΓΡΑΦΙΚΟ ΣΗΜΕΙΩΜΑ ΥΠΟΜΝΗΜΑ
Διαβάστε περισσότερα0. Δημήτριος Τσουμάκος
0. Δημήτριος Τσουμάκος 0.1. Στοιχεία Βιογραφικού Τερψιθέας 40, 15341, Αθήνα Ημερομηνία Γέννησης 14/04/1976 Τόπος Γέννησης ΑΘΗΝΑ Τηλ. Επικοινωνίας 210 5316062 E-mail dtsouma@gmail.com 0.1.1. Σπουδές 2002-2006
Διαβάστε περισσότεραΕισαγωγή στα Συστήματα Βάσεων Δεδομένων. Βάσεις Δεδομένων 2014-2015 Ευαγγελία Πιτουρά 1
Εισαγωγή στα Συστήματα Βάσεων Δεδομένων Ευαγγελία Πιτουρά 1 Τι θα δούμε σήμερα I. Σύντομη εισαγωγή στις ΒΔ II. Περιγραφή σκοπού και περιεχομένου μαθήματος III. Ιστορία των ΣΔΒΔ IV. Διαδικαστικά θέματα
Διαβάστε περισσότερα0. Δημήτριος Τσουμάκος
0. Δημήτριος Τσουμάκος 0.1. Στοιχεία Βιογραφικού Ημερομηνία Γέννησης 14/04/1976 Τόπος Γέννησης ΑΘΗΝΑ Τηλ. Επικοινωνίας 210 7722867 E-mail dtsouma@gmail.com 0.1.1. Σπουδές 2002-2006 2000-2002 1994-1999
Διαβάστε περισσότεραGemini, FastMap, Applications. Εαρινό Εξάμηνο Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών
Gemini,, Applications Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών Εαρινό Εξάμηνο 2011-2012 Table of contents 1 Table of contents 1 2 Table of contents 1 2 3 Table of contents
Διαβάστε περισσότεραΑ/Α Υποέργου: Ε1 07 Τίτλος: ConServ: Δίκτυα Υπηρεσιών με Βάση τα Συμφραζόμενα: Διαχείριση, Δυναμική Προσαρμοστικότητα και Επεξεργασία Ερωτήσεων
Α/Α Υποέργου: Ε1 07 Τίτλος: ConServ: Δίκτυα Υπηρεσιών με Βάση τα Συμφραζόμενα: Διαχείριση, Δυναμική Προσαρμοστικότητα και Επεξεργασία Ερωτήσεων Επιστημονικός Υπεύθυνος: Ευαγγελία Πιτουρά, Τμήμα Πληροφορικής,
Διαβάστε περισσότεραΕργαστήριο Σημασιολογικού Ιστού
Εργαστήριο Σημασιολογικού Ιστού Ενότητα 8: Εισαγωγή στη SPARQL Βασική Χρήση Μ.Στεφανιδάκης 3-5-2015. Η γλώσσα ερωτημάτων SPARQL Ερωτήσεις (και ενημερώσεις) σε σετ δεδομένων RDF Και σε δεδομένα άλλης μορφής
Διαβάστε περισσότερα2016 IEEE/ACM International Conference on Mobile Software Engineering and Systems
2016 IEEE/ACM International Conference on Mobile Software Engineering and Systems Multiple User Interfaces MobileSoft'16, Multi-User Experience (MUX) S1: Insourcing S2: Outsourcing S3: Responsive design
Διαβάστε περισσότεραΗμερίδα διάχυσης αποτελεσμάτων έργου Ιωάννινα, 14/10/2015
MIS έργου:346983 Τίτλος Έργου: Epirus on Androids: Έμπιστη, με Διαφύλαξη της Ιδιωτικότητας και Αποδοτική Διάχυση Πληροφορίας σε Κοινωνικά Δίκτυα με Γεωγραφικές Εφαρμογές Έργο συγχρηματοδοτούμενο από την
Διαβάστε περισσότεραΤεχνικές Εξόρυξης Δεδομένων
ΠΑΝΕΠΙΣΤΗΜΙΟ ΜΑΚΕΔΟΝΙΑΣ Διατμηματικό Μεταπτυχιακό Πρόγραμμα στα Πληροφοριακά Συστήματα ( MIS ) Τεχνικές Εξόρυξης Δεδομένων για την βελτίωση της απόδοσης σε Κατανεμημένα Συστήματα Ζάχος Δημήτριος Επιβλέποντες:
Διαβάστε περισσότεραA Method for Creating Shortcut Links by Considering Popularity of Contents in Structured P2P Networks
P2P 1,a) 1 1 1 P2P P2P P2P P2P A Method for Creating Shortcut Links by Considering Popularity of Contents in Structured P2P Networks NARISHIGE Yuki 1,a) ABE Kota 1 ISHIBASHI Hayato 1 MATSUURA Toshio 1
Διαβάστε περισσότεραΒάσεις Δεδομένων και Ευφυή Πληροφοριακά Συστήματα Επιχειρηματικότητας. 2 ο Μάθημα: Βασικά Θέματα Βάσεων Δεδομένων. Δρ. Κωνσταντίνος Χ.
Βάσεις Δεδομένων και Ευφυή Πληροφοριακά Συστήματα Επιχειρηματικότητας 2 ο Μάθημα: Βασικά Θέματα Βάσεων Δεδομένων Δρ. Κωνσταντίνος Χ. Γιωτόπουλος Βασικά θέματα Βάσεων Δεδομένων Ένα Σύστημα Βάσης Δεδομένων
Διαβάστε περισσότεραΕισαγωγή στην Επεξεργασία Ερωτήσεων. Βάσεις Δεδομένων Ευαγγελία Πιτουρά 1
Εισαγωγή στην Επεξεργασία Ερωτήσεων 1 Επεξεργασία Ερωτήσεων Θα δούμε την «πορεία» μιας SQL ερώτησης (πως εκτελείται) Ερώτηση SQL Ερώτηση ΣΒΔ Αποτέλεσμα 2 Βήματα Επεξεργασίας Τα βασικά βήματα στην επεξεργασία
Διαβάστε περισσότεραΑντικείµενο: Θεµελιώδες πρόβληµα της επιστήµης µας εδοµένα
Εισαγωγή 1 Ζήτω οι Βάσεις εδοµένων!! Αντικείµενο: Θεµελιώδες πρόβληµα της επιστήµης µας εδοµένα Μοντελοποίηση Αποθήκευση Επεξεργασία (εύρεση πληροφορίας σχετικής µε µια συγκεκριµένη ερώτηση) Σωστή Λειτουργία
Διαβάστε περισσότεραER-Tree (Extended R*-Tree)
1-9825/22/13(4)768-6 22 Journal of Software Vol13, No4 1, 1, 2, 1 1, 1 (, 2327) 2 (, 3127) E-mail xhzhou@ustceducn,,,,,,, 1, TP311 A,,,, Elias s Rivest,Cleary Arya Mount [1] O(2 d ) Arya Mount [1] Friedman,Bentley
Διαβάστε περισσότεραInformation Technology for Business
Information Technology for Business! Lecturer: N. Kyritsis, MBA, Ph.D. Candidate!! e-mail: kyritsis@ist.edu.gr Διαχείριση Επιχειρηματικών Δεδομένων - Databases Ορισμός Βάσης Δεδομένων Συλλογή συναφών αρχείων
Διαβάστε περισσότεραDISTRIBUTED CACHE TABLE: EFFICIENT QUERY-DRIVEN PROCESSING OF MULTI-TERM QUERIES IN P2P NETWORKS
DISTRIBUTED CACHE TABLE: EFFICIENT QUERY-DRIVEN PROCESSING OF MULTI-TERM QUERIES IN P2P NETWORKS Paper By: Gleb Skobeltsyn, Karl Aberer Presented by: Βασίλης Φωτόπουλος Agenda 1. Ορισμός του προβλήματος
Διαβάστε περισσότεραΘΕΜΑΤΑ ΔΙΠΛΩΜΑΤΙΚΩΝ ΕΡΓΑΣΙΩΝ Εργ. Συστημάτων Βάσεων Γνώσεων & Δεδομένων CONTEXT AWARE ΣΥΣΤΗΜΑΤΑ ΔΙΑΧΕΙΡΙΣΗΣ ΒΑΣΕΩΝ ΔΕΔΟΜΕΝΩΝ ΕΙΣΑΓΩΓΙΚΟ ΣΗΜΕΙΩΜΑ
CONTEXT AWARE ΣΥΣΤΗΜΑΤΑ ΔΙΑΧΕΙΡΙΣΗΣ ΒΑΣΕΩΝ ΔΕΔΟΜΕΝΩΝ ΕΙΣΑΓΩΓΙΚΟ ΣΗΜΕΙΩΜΑ Με τις συγκεκριμένες διπλωματικές εργασίες, ο στόχος μας είναι να κατασκευάσουμε το πρώτο ερευνητικό Σχεσιακό Σύστημα Διαχείρισης
Διαβάστε περισσότεραToward a SPARQL Query Execution Mechanism using Dynamic Mapping Adaptation -A Preliminary Report- Takuya Adachi 1 Naoki Fukuta 2.
SIG-SWO-041-05 SPAIDA: SPARQL Toward a SPARQL Query Execution Mechanism using Dynamic Mapping Adaptation -A Preliminary Report- 1 2 Takuya Adachi 1 Naoki Fukuta 2 1 1 Faculty of Informatics, Shizuoka University
Διαβάστε περισσότεραΦροντιστήριο Ομαδικής Εργασίας ΗΥ360. Αυγουστάκη Αργυρώ
Φροντιστήριο Ομαδικής Εργασίας ΗΥ360 Αυγουστάκη Αργυρώ Γενικές Πληροφορίες Εργασίας Η ομαδική εργασία θα περιλαμβάνει δύο φάσεις Α φάση: Ερωτήματα στην πλατφόρμα BigQuery της Google για το σύνολο δεδομένων
Διαβάστε περισσότεραΠ Τ Υ Χ Ι Α Κ Η Ε Ρ Γ Α Σ Ι Α
ΑΝΩΤΑΤΟ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΠΕΙΡΑΙΑ ΤΜΗΜΑ ΗΛΕΚΤΡΟΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΤΟΜΕΑΣ ΑΡΧΙΤΕΚΤΟΝΙΚΗΣ Η/Υ, ΠΛΗΡΟΦΟΡΙΚΗΣ & ΔΙΚΤΥΩΝ Εργ. Τεχνολογίας Λογισμικού & Υπηρεσιών S 2 E Lab Π Τ Υ Χ Ι
Διαβάστε περισσότεραsubstructure similarity search using features in graph databases
substructure similarity search using features in graph databases Aleksandros Gkogkas Distributed Management of Data Laboratory intro Θα ενασχοληθούμε με το πρόβλημα των ερωτήσεων σε βάσεις γραφημάτων.
Διαβάστε περισσότεραΠανεπιστήµιο Κρήτης Τµήµα Επιστήµης Υπολογιστών. ΗΥ-460 Συστήµατα ιαχείρισης Βάσεων εδοµένων ηµήτρης Πλεξουσάκης Βασίλης Χριστοφίδης
Πανεπιστήµιο Κρήτης Τµήµα Επιστήµης Υπολογιστών ΗΥ-460 Συστήµατα ιαχείρισης Βάσεων εδοµένων ηµήτρης Πλεξουσάκης Βασίλης Χριστοφίδης Ονοµατεπώνυµο: Αριθµός Μητρώου: Τελική Εξέταση (3 ώρες) Ηµεροµηνία: 7
Διαβάστε περισσότεραΕΞΕΤΑΣΤΕΑ ΥΛΗ (SYLLABUS) Ενότητα Advanced Βάσεις Δεδομένων, Προχωρημένο Επίπεδο. Copyright 2013 ECDL Foundation Ref: SL_AM3_Syl2.
ΕΞΕΤΑΣΤΕΑ ΥΛΗ (SYLLABUS) Ενότητα Advanced Βάσεις Δεδομένων, Προχωρημένο Επίπεδο Copyright 2013 ECDL Foundation Ref: SL_AM3_Syl2.0_v1 Page 17 of 29 Βάσεις Δεδομένων, Προχωρημένο Επίπεδο Ακολουθεί η Εξεταστέα
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ - ΤΜΗΥΠ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ ΙI
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ - ΤΜΗΥΠ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ ΙI Β. Μεγαλοοικονόμου Κατανεμημένες Βάσεις Δεδομένων (παρουσίαση βασισμένη εν μέρη σε σημειώσεις των Silberchatz, Korth και Sudarshan και του C. Faloutsos)
Διαβάστε περισσότεραΕρευνητική+Ομάδα+Τεχνολογιών+ Διαδικτύου+
Ερευνητική+Ομάδα+Τεχνολογιών+ Διαδικτύου+ Ερευνητικές,Δραστηριότητες,και, Ενδιαφέροντα,, Τμήμα,Μηχανικών,Η/Υ,&,Πληροφορικής, Τομέας,Λογικού,των,Υπολογιστών, Εργαστήριο,Γραφικών,,Πολυμέσων,και,Γεωγραφικών,
Διαβάστε περισσότεραDatabase System Concepts and Architecture (Αρχιτεκτονική, οµές, και Μοντέλα)
Database System Concepts and Architecture (Αρχιτεκτονική, οµές, και Μοντέλα) Μοντέλα, οµές (Σχήµα) και Αντιπρόσωποι (Data Models, Schema, and Instances) DBMS αρχιτεκτονική ιάφοροι τύποι γλωσσών και διεπαφές
Διαβάστε περισσότεραΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ
ΔΙΠΛΩΜΑΤΙΚΕΣ ΕΡΓΑΣΙΕΣ ΤΜ. ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ 2018-2019 Επιβλέπουσα: Μπίμπη Ματίνα Ανάλυση της πλατφόρμας ανοιχτού κώδικα Home Assistant Το Home Assistant είναι μία πλατφόρμα ανοιχτού
Διαβάστε περισσότεραΠληροφοριακά Συστήματα Διοίκησης
Πληροφοριακά Συστήματα Διοίκησης Μεγάλα Δεδομένα ΠΜΣ Λογιστική Χρηματοοικονομική και Διοικητική Επιστήμη ΤΕΙ Ηπείρου @ 2017 Bytes 1KB = 2 10 1MB = 2 20 1GB = 2 30 1TB = 2 40 1PB = 2 50 1EB = 2 60 1ZB =
Διαβάστε περισσότεραΔεντρικά Ευρετήρια. Βάσεις Δεδομένων Ευαγγελία Πιτουρά 1
Δεντρικά Ευρετήρια 1 Δέντρα Αναζήτησης Ένα δέντρο αναζήτησης (search tree) τάξεως p είναι ένα δέντρο τέτοιο ώστε κάθε κόμβος του περιέχει το πολύ p - 1 τιμές αναζήτησης και ρ δείκτες ως εξής P 1 K 1 P
Διαβάστε περισσότεραΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ
ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΤΕΧΝΟΛΟΓΙΑΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΥΠΟΛΟΓΙΣΤΩΝ Ανάπτυξη μιας προσαρμοστικής πολιτικής αντικατάστασης αρχείων, με χρήση
Διαβάστε περισσότεραΔεντρικά Ευρετήρια. Βάσεις Δεδομένων Ευαγγελία Πιτουρά 1
Δεντρικά Ευρετήρια Ευαγγελία Πιτουρά 1 Δέντρα Αναζήτησης Ένα δέντρο αναζήτησης (search tree) τάξεως p είναι ένα δέντρο τέτοιο ώστε κάθε κόμβος του περιέχει το πολύ p - 1 τιμές αναζήτησης και ρ δείκτες
Διαβάστε περισσότεραΠληροφοριακά Συστήματα Διοίκησης
Πληροφοριακά Συστήματα Διοίκησης Μεγάλα Δεδομένα ΠΜΣ Λογιστική Χρηματοοικονομική και Διοικητική Επιστήμη ΤΕΙ Ηπείρου Bytes 1KB = 2 10 1MB = 2 20 1GB = 2 30 1TB = 2 40 1PB = 2 50 1EB = 2 60 1ZB = 2 70 1YB
Διαβάστε περισσότεραΕισαγωγή στα Συστήµατα Βάσεων Δεδοµένων
Εισαγωγή στα Συστήµατα Βάσεων Δεδοµένων Βάσεις εδοµένων 2011-2012 Ευαγγελία Πιτουρά 1 Βασικές Έννοιες Τι είναι µια βάση δεδοµένων; Βάση Δεδοµένων: συλλογή από σχετιζόµενα δεδοµένα Ειδικού σκοπού λογισµικό
Διαβάστε περισσότεραEPL 660: Lab 4 Introduction to Hadoop
EPL 660: Lab 4 Introduction to Hadoop Andreas Kamilaris Department of Computer Science MapReduce Πρόβλημα: Ανάγκη για επεξεργασία μεγάλου όγκου δεδομένων στα συστήματα ανάκτησης πληροφορίας. Λύση: κατανομή
Διαβάστε περισσότεραΔεντρικά Ευρετήρια. Βάσεις Δεδομένων Ευαγγελία Πιτουρά 1
Δεντρικά Ευρετήρια Βάσεις Δεδομένων 2017-2018 1 Δέντρα Αναζήτησης Ένα δέντρο αναζήτησης (search tree) τάξεως p είναι ένα δέντρο τέτοιο ώστε κάθε κόμβος του περιέχει το πολύ p - 1 τιμές αναζήτησης και ρ
Διαβάστε περισσότεραQuery-Driven Indexing for Scalable Peer-to-Peer Text Retrieval. Gleb Skobeltsyn, Toan Luu, Ivana Podnar Zarko, Martin Rajman, Karl Aberer
Query-Driven Indexing for Scalable Peer-to-Peer Text Retrieval Gleb Skobeltsyn, Toan Luu, Ivana Podnar Zarko, Martin Rajman, Karl Aberer Περιγραφή του προβλήματος Ευρετηριοποίηση μεγάλων συλλογών εγγράφων
Διαβάστε περισσότεραΒάσεις δεδομένων. Π. Φιτσιλής
Βάσεις δεδομένων Π. Φιτσιλής pfitsilis@gmail.com Στόχοι In this chapter, you will learn: Διαφορά data και information Τι είναι database, τα είδη, και πως βοηθούνε στη λήψη αποφάσεων Η σημασία database
Διαβάστε περισσότεραΠληροφοριακά Συστήματα
Πληροφοριακά Συστήματα Ανακτώντας Πληροφορία και Γνώση στον Παγκόσμιο Ιστό Γιάννης Τζίτζικας Επίκουρος Καθηγητής Τμήματος Επιστήμης Υπολογιστών και Συνεργαζόμενος Ερευνητής του ΙΤΕ-ΙΠ 3 Απριλίου 2015 Διάρθρωση
Διαβάστε περισσότεραΑνάκτηση Πληροφορίας. Διδάσκων: Φοίβος Μυλωνάς. Διάλεξη #03
Ιόνιο Πανεπιστήμιο Τμήμα Πληροφορικής Ανάκτηση Πληροφορίας Διδάσκων: Φοίβος Μυλωνάς fmylonas@ionio.gr Διάλεξη #03 Βασικές έννοιες Ανάκτησης Πληροφορίας Δομή ενός συστήματος IR Αναζήτηση με keywords ευφυής
Διαβάστε περισσότεραDetecting Duplicates over Distributed Data Sources. Δημήτρης Σουραβλιάς
Detecting Duplicates over Distributed Data Sources Δημήτρης Σουραβλιάς Δομή παρουσίασης Εισαγωγή Ορισμός του προβλήματος Παράδειγμα Αρχιτεκτονικές ανίχνευσης διπλότυπων Γενικές παρατηρήσεις Αναφορές DMOD
Διαβάστε περισσότεραΔεντρικά Ευρετήρια. Βάσεις Δεδομένων Ευαγγελία Πιτουρά 1
Δεντρικά Ευρετήρια Βάσεις Δεδομένων 2013-2014 Ευαγγελία Πιτουρά 1 Δέντρα Αναζήτησης Ένα δέντρο αναζήτησης (search tree) τάξεως p είναι ένα δέντρο τέτοιο ώστε κάθε κόμβος του περιέχει το πολύ p - 1 τιμές
Διαβάστε περισσότεραΣύβακας Σταύρος ΠΕ19,MSc. IT ΣΥΒΑΚΑΣ ΣΤΑΥΡΟΣ ΕΡΩΤΗΜΑΤΑ
Σύβακας Σταύρος ΠΕ19,MSc. IT Εισαγωγή Τα ερωτήματα (queries) είναι μία από τις πιο σημαντικές δυνατότητες που προφέρει ένα Σ%Β% αφού επιτρέπουν: Ανάκτηση και ανάλυση των δεδομένων στην επιθυμητή μορφή
Διαβάστε περισσότεραΕπεξεργασία ερωτημάτων
Επεξεργασία ερωτημάτων Βάσεις Δεδομένων Διδάσκων: Μαρία Χαλκίδη Σε τι αφορά η επεξεργασία ερωτημάτων? Αναφέρεται στο σύνολο των δραστηριοτήτων που περιλαμβάνονται στην ανάκτηση δεδομένων από μία βάση δεδομένων
Διαβάστε περισσότεραΠροσαρ α μοζό ζ μεν ε ες ε ς Τε Τ χ ε νικ ι έ κ ς έ ς στο τ Ηλεκ ε τ κ ρ τ ον ο ικ ι ό κ Ε μπόρ ό ιο Εργα γ λεί ε α ί κ α κ ι ι Ε φα φ ρ α μογέ γ ς
Προσαρμοζόμενες Τεχνικές στο Ηλεκτρονικό Εμπόριο Εργαλεία και Εφαρμογές Καψάλης Κωνσταντίνος Περιεχόμενα Εισαγωγή Αγοραστική Συμπεριφορά Προσαρμοστικές Ιστοσελίδες Τεχνικές Προσαρμοζόμενων Συστημάτων Συμπεράσματα
Διαβάστε περισσότεραΕισαγωγή στην Επεξεργασία Ερωτήσεων. Βάσεις Δεδομένων Ευαγγελία Πιτουρά 1
Εισαγωγή στην Επεξεργασία Ερωτήσεων Βάσεις Δεδομένων 2013-2014 Ευαγγελία Πιτουρά 1 Επεξεργασία Ερωτήσεων Θα δούμε την «πορεία» μιας SQL ερώτησης (πως εκτελείται) Ερώτηση SQL Ερώτηση ΣΒΔ Αποτέλεσμα Βάσεις
Διαβάστε περισσότεραApache Jmeter. Αν θέλετε να τεστάρετε μία υφιστάμενη web εφαρμογή π.χ. το Java Petstore
Ενότητα 2 Διαθέσιμα και προτυποποιημένα δοκίμια (benchmarks), εισαγωγή και περιγραφή φόρτου ανά εργαλείο, δημιουργία τεχνητού φόρτου, καθορισμός φόρτου εργασίας (π.χ. κατανομή) μέσω ανάλυσης ιστορικών
Διαβάστε περισσότεραGPU. CUDA GPU GeForce GTX 580 GPU 2.67GHz Intel Core 2 Duo CPU E7300 CUDA. Parallelizing the Number Partitioning Problem for GPUs
GPU 1 1 NP number partitioning problem Pedroso CUDA GPU GeForce GTX 580 GPU 2.67GHz Intel Core 2 Duo CPU E7300 CUDA C Pedroso Python 323 Python C 12.2 Parallelizing the Number Partitioning Problem for
Διαβάστε περισσότεραΔΙΑΔΙΚΤΥΑΚΟ ΣΥΣΤΗΜΑ ΒΕΛΤΙΣΤΗΣ ΔΙΑΧΕΙΡΙΣΗΣ ΕΝΕΡΓΕΙΑΚΩΝ ΠΟΡΩΝ E.M.I.R. - Energy Management & Intelligent Reporting
ΔΙΑΔΙΚΤΥΑΚΟ ΣΥΣΤΗΜΑ ΒΕΛΤΙΣΤΗΣ ΔΙΑΧΕΙΡΙΣΗΣ ΕΝΕΡΓΕΙΑΚΩΝ ΠΟΡΩΝ E.M.I.R. - Energy Management & Intelligent Reporting Διαδικτυακό OLAP Σύστημα Λήψης Αποφάσεων και δημιουργίας έξυπνων προσαρμοστικών γραφημάτων
Διαβάστε περισσότεραΠροσαρμοστικοί Αλγόριθμοι Εξισορρόπησης Φόρτου σε Κατανεμημένα Περιβάλλοντα (Δίκτυα Ομοτίμων και Υπολογιστικά Νέφη)
Προσαρμοστικοί Αλγόριθμοι Εξισορρόπησης Φόρτου σε Κατανεμημένα Περιβάλλοντα (Δίκτυα Ομοτίμων και Υπολογιστικά Νέφη) Υποστήριξη Διδακτορικής διατριβής Ιωάννης Κωνσταντίνου Email:ikons@cslab.ece.ntua.gr
Διαβάστε περισσότεραΗρϊκλειτοσ ΙΙ. Πανεπιζηήμιο Θεζζαλίας. Τμήμα Μηχανικών Η/Υ και Δικτύων
Πανεπιζηήμιο Θεζζαλίας Τμήμα Μηχανικών Η/Υ και Δικτύων Γιαυοροποίηση Υπηρεσιών σε Αρχιτεκτονικές Δικονικών Γικτύων προσανατολισμένων στην Παροτή Υπηρεσιών Υποψήφιος Διδάκτορας Κώςτασ Κατςαλόσ Email: kkatsalis@inf.uth.gr
Διαβάστε περισσότερα4. Διαχείριση ανθρώπινου δυναμικού και κόστους του έργου
4. Διαχείριση ανθρώπινου δυναμικού και κόστους του έργου Το πρώτο πράγμα που πρέπει να κάνει ο διαχειριστής του έργου, όταν διαχειρίζεται τα χαρακτηριστικά του κόστους του έργου, είναι να εισάγει τις πληροφορίες
Διαβάστε περισσότεραΠαραδοτέο Π.1.3. Μηχανισμοί δεικτοδότησης μη-παραδοσιακών δεδομένων
Έργο: Τίτλος Υποέργου: «ΘΑΛΗΣ: Ενίσχυση της Διεπιστημονικής ή και Διιδρυματικής έρευνας και καινοτομίας με δυνατότητα προσέλκυσης ερευνητών υψηλού επιπέδου από το εξωτερικό μέσω της διενέργειας βασικής
Διαβάστε περισσότεραSEMANTIC DATA CACHING AND REPLACEMENT
SEMANTIC DATA CACHING AND REPLACEMENT Paper By: Shaul Dar, Michael J. Franklin, Bjorn Jonsson, Divesh Srivastava, Michael Tan Appeared: VLDB conference 1996 Presented by: Βασίλης Φωτόπουλος Agenda 1. Data-Shipping
Διαβάστε περισσότεραΕισαγωγή στα Συστήματα Βάσεων Δεδομένων. Βάσεις Δεδομένων Ευαγγελία Πιτουρά 1
Εισαγωγή στα Συστήματα Βάσεων Δεδομένων Βάσεις Δεδομένων 2013-2014 Ευαγγελία Πιτουρά 1 Τι θα δούμε σήμερα I. Σύντομη εισαγωγή στις ΒΔ II. Περιγραφή σκοπού και περιεχομένου μαθήματος III. Ιστορία των ΣΔΒΔ
Διαβάστε περισσότεραArchitecture οf Integrated Ιnformation Systems (ARIS)
Architecture οf Integrated Ιnformation Systems (ARIS) Η αρχιτεκτονική ARIS (ARchitecture οf Integrated information Systems) έχει ως στόχο της την περιγρφή όλων των όψεων ή οπτικών ενός επιχειρηματικού
Διαβάστε περισσότεραΤελική Εξέταση, Απαντήσεις/Λύσεις
ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών (ΗΜΜΥ) HMΜY 212 Οργάνωση Η/Υ και Μικροεπεξεργαστές Εαρινό Εξάμηνο, 2007 Τελική Εξέταση, Απαντήσεις/Λύσεις Άσκηση 1: Assembly για
Διαβάστε περισσότεραΑνάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589)
Ανάλυση σχημάτων βασισμένη σε μεθόδους αναζήτησης ομοιότητας υποακολουθιών (C589) Μεγαλοοικονόμου Βασίλειος Τμήμα Μηχ. Η/ΥκαιΠληροφορικής Επιστημονικός Υπεύθυνος Στόχος Προτεινόμενου Έργου Ανάπτυξη μεθόδων
Διαβάστε περισσότεραΠρόσκληση. DOSSIER-Cloud DevOpS-based Software engineering for the cloud
DOSSIER-Cloud DevOpS-based Software engineering for the cloud Πρόσκληση 2 ο μινι-σχολείο στο Υπολογιστικό Νέφος και τις Υπηρεσίες Λογισμικού Τετάρτη, 12 Οκτωβρίου 2016 Παρασκευή, 14 Οκτωβρίου 2016 Αίθουσα
Διαβάστε περισσότεραΜελέτη και Υλοποίηση Αλγορίθμων για Βιολογικές Εφαρμογές σε MapReduce Περιβάλλον
Μελέτη και Υλοποίηση Αλγορίθμων για Βιολογικές Εφαρμογές σε MapReduce Περιβάλλον Δανάη Κούτρα Eργαστήριο Συστημάτων Βάσεων Γνώσεων και Δεδομένων Εθνικό Μετσόβιο Πολυτεχνείο Θέματα Σκοπός της διπλωματικής
Διαβάστε περισσότεραΠαράλληλος προγραμματισμός περιστροφικών αλγορίθμων εξωτερικών σημείων τύπου simplex ΠΛΟΣΚΑΣ ΝΙΚΟΛΑΟΣ
Παράλληλος προγραμματισμός περιστροφικών αλγορίθμων εξωτερικών σημείων τύπου simplex ΠΛΟΣΚΑΣ ΝΙΚΟΛΑΟΣ Διπλωματική Εργασία Μεταπτυχιακού Προγράμματος στην Εφαρμοσμένη Πληροφορική Κατεύθυνση: Συστήματα Υπολογιστών
Διαβάστε περισσότεραΟρισμοί Σχεσιακού Μοντέλου και Τροποποιήσεις Σχέσεων σε SQL
Εισαγωγή Μοντελοποίηση Στα προηγούμενα μαθήματα: Ορισμοί Σχεσιακού Μοντέλου και Τροποποιήσεις Σχέσεων σε SQL Εννοιολογικός Σχεδιασμός Βάσεων εδομένων (με χρήση του Μοντέλου Οντοτήτων/Συσχετίσεων) Λογικός
Διαβάστε περισσότεραΗΥ562 Προχωρημένα Θέματα Βάσεων Δεδομένων Efficient Query Evaluation over Temporally Correlated Probabilistic Streams
ΗΥ562 Προχωρημένα Θέματα Βάσεων Δεδομένων Efficient Query Evaluation over Temporally Correlated Probabilistic Streams Αλέκα Σεληνιωτάκη Ηράκλειο, 26/06/12 aseliniotaki@csd.uoc.gr ΑΜ: 703 1. Περίληψη Συνεισφοράς
Διαβάστε περισσότεραIndexing Methods for Encrypted Vector Databases
Computer Security Symposium 2013 21-23 October 2013 305-0006 1-1-1 junpei.kawamoto@acm.org LSH LSH LSH Indexing Methods for Encrypted Vector Databases Junpei Kawamoto Faculty of Engineering, Information
Διαβάστε περισσότεραBig Data/Business Intelligence
Big Data/Business Intelligence 5 8 Φεβρουαρίου 2018 ΓΕΝΙΚΑ Το μάθημα αποτελείται από δύο ενότητες, η πρώτη σε Big Data και Data Analytics και η δεύτερη σε Business Intelligence. Η πρώτη ενότητα παρέχει
Διαβάστε περισσότεραΜΕΛΕΤΗ ΣΧΕΔΙΑΣΗ ΕΦΑΡΜΟΓΗΣ ΣΕ ΥΠΟΛΟΓΙΣΤΙΚΟ ΝΕΦΟΣ (CLOUD COMPUTING) ΜΕ ΕΜΦΑΣΗ ΣΤΗΝ ΚΑΤΑΣΚΕΥΗ ΔΕΝΤΡΩΝ.
ΤΕΙ ΠΕΙΡΑΙΑ ΤΜΗΜΑ ΗΥΣ Θέμα: ΜΕΛΕΤΗ ΣΧΕΔΙΑΣΗ ΕΦΑΡΜΟΓΗΣ ΣΕ ΥΠΟΛΟΓΙΣΤΙΚΟ ΝΕΦΟΣ (CLOUD COMPUTING) ΜΕ ΕΜΦΑΣΗ ΣΤΗΝ ΚΑΤΑΣΚΕΥΗ ΔΕΝΤΡΩΝ. Εισηγητής: Δ. Ν. Καλλέργης, MSc. Φοιτήτρια: Κοντζοπούλου Παναγιώτα Εισαγωγή
Διαβάστε περισσότεραΕισαγωγή. Βάσεις Δεδομένων : Εισαγωγή 1
Βασικές Έννοιες Εισαγωγή Τι είναι μια βάση δεδομένων; Βάση εδομένων: συλλογή από σχετιζόμενα δεδομένα Σύστημα ιαχείρισης Βάσεων εδομένων (): λογισμικό (σύνολο από προγράμματα) για δημιουργία και χρήση
Διαβάστε περισσότεραΠαραδοτέο Π.2.1. Υπερχώρος και διαχείριση μοντέλων
Έργο: Τίτλος Υποέργου: «ΘΑΛΗΣ: Ενίσχυση της Διεπιστημονικής ή και Διιδρυματικής έρευνας και καινοτομίας με δυνατότητα προσέλκυσης ερευνητών υψηλού επιπέδου από το εξωτερικό μέσω της διενέργειας βασικής
Διαβάστε περισσότεραΑρχιτεκτονική Συστημάτων Βάσεων Δεδομένων. Κατηγορίες χρηστών ΣΔΒΔ Αρχιτεκτονική ANSI/SPARC Γλώσσες ερωτημάτων Μοντέλα δεδομένων Λειτουργίες ΣΔΒΔ
Αρχιτεκτονική Συστημάτων Βάσεων Δεδομένων Κατηγορίες χρηστών ΣΔΒΔ Αρχιτεκτονική ANSI/SPARC Γλώσσες ερωτημάτων Μοντέλα δεδομένων Λειτουργίες ΣΔΒΔ Χρήστες ΣΔΒΔ Απλοί Χρήστες: συγκεκριμένες λειτουργίες σε
Διαβάστε περισσότεραΕισαγωγή στα Συστήματα Βάσεων εδομένων
Εισαγωγή στα Συστήματα Βάσεων εδομένων Βάσεις Δεδομένων 2010-2011 Ευαγγελία Πιτουρά 1 Τι θα δούμε σήμερα: ΕΙΣΑΓΩΓΗ Βασικές έννοιες Λίγα ιστορικά στοιχεία Μια σύνοψη του περιεχομένου του μαθήματος Εισαγωγή
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΠΛΗΡΟΦΟΡΙΑΚΩΝ ΚΑΙ ΕΠΙΚΟΙΝΩΝΙΑΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΜΑΘΗΜΑ: ΗΛΕΚΤΡΟΝΙΚΗ ΔΙΑΚΥΒΕΡΝΗΣΗ ΙΙ ΕΙΣΑΓΩΓΗ ΣΤΟ ΜΑΘΗΜΑ Διδάσκων: Ι. Χαραλαμπίδης, Επ. Καθηγητής
Διαβάστε περισσότεραΣχεδιασμός Επεξεργασίας και Τηλεπεξεργασίας
Ενότητα 9 Σχεδιασμός Επεξεργασίας και Τηλεπεξεργασίας Πληροφοριακά Συστήματα Διοίκησης ΙI Ι Διδάσκων: Νίκος Καρακαπιλίδης 9-1 Στόχοι & αντικείμενο ενότητας Σχεδιασμός επεξεργασίας Επεξεργασία κατά δεσμίδες
Διαβάστε περισσότεραΔΙΑΧΕΊΡΙΣΗ ΡΟΏΝ ΔΕΔΟΜΈΝΩΝ
ΔΙΑΧΕΊΡΙΣΗ ΡΟΏΝ ΔΕΔΟΜΈΝΩΝ ΕΙΣΑΓΩΓΉ ΣΤΑ ΣΥΣΤΉΜΑΤΑ ΔΙΑΧΕΊΡΙΣΗς ΡΟΏΝ ΔΕΔΟΜΈΝΩΝ B. Μεγαλοοικονόμου, Π. Κορβέσης ΤΜΗΥΠ Βάσεις Δεδομένων ΙΙ Εισαγωγή Σενάριο: Διαθέτουμε Ν αισθητήρες για την παρακολούθηση της
Διαβάστε περισσότεραΔιαδικτυακές Εφαρμογές Ενότητα 1: JPA
Διαδικτυακές Εφαρμογές Ενότητα 1: JPA Μιχάλας Άγγελος Βούρκας Δημήτριος Τμήμα Μηχανικών Πληροφορικής ΤΕ Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για εκπαιδευτικό
Διαβάστε περισσότεραSchedulability Analysis Algorithm for Timing Constraint Workflow Models
CIMS Vol.8No.72002pp.527-532 ( 100084) Petri Petri F270.7 A Schedulability Analysis Algorithm for Timing Constraint Workflow Models Li Huifang and Fan Yushun (Department of Automation, Tsinghua University,
Διαβάστε περισσότεραTowards a more Secure Cyberspace
Towards a more Secure Cyberspace Dimitris Gritzalis 1 October 1999 5ο Πανελλήνιο Συνέδριο Εφαρμογών Πληροφορικής Θεσσαλονίκη, 8-10 Οκτώβρη 1999 Πορεία προς έναν ασφαλέστερο Κυβερνοχώρο Δημήτρης Γκρίτζαλης
Διαβάστε περισσότεραΑποθήκευση εδομένων. ομή ενός Σ Β. Εισαγωγή Το «εσωτερικό» ενός ΜΕΡΟΣ Β : Η (εσωτερική) αρχιτεκτονική ενός Σ Β είναι σε επίπεδα
Αποθήκευση εδομένων Βάσεις Δεδομένων 2009-2010 Ευαγγελία Πιτουρά 1 ΜΕΡΟΣ Β : Εισαγωγή Το «εσωτερικό» ενός Σ Β ομή ενός Σ Β Η (εσωτερική) αρχιτεκτονική ενός Σ Β είναι σε επίπεδα Τυπικά, κάθε σχέση σε ένα
Διαβάστε περισσότεραΗΥ460 Συστήµατα Διαχείρισης Βάσεων Δεδοµένων Χειµερινό Εξάµηνο 2016 Διδάσκοντες: Βασίλης Χριστοφίδης
ΗΥ460 Συστήµατα Διαχείρισης Βάσεων Δεδοµένων Χειµερινό Εξάµηνο 2016 Διδάσκοντες: Βασίλης Χριστοφίδης 2 η Σειρά Ασκήσεων Ηµεροµηνία Παράδοσης: 14/11/2016 Άσκηση 1 (10 µονάδες) Εξωτερική Ταξινόµηση Θεωρείστε
Διαβάστε περισσότεραΔημιουργώντας κώδικα για ολιστική επεξεργασία επερωτήσεων
C 2010 Δημιουργώντας κώδικα για ολιστική επεξεργασία επερωτήσεων enerating code for holistic query evaluation Κωνσταντίνος Κρικέλλας α Στρατής Δ. Βίγλας β Marcelo Cintra β α reenplum nc. β chool of nformatics
Διαβάστε περισσότεραAN IMPLEMENTATION OF THE CLOUD BASED SCHOOL
AN IMPLEMENTATION OF THE CLOUD BASED SCHOOL V.S. Belesiotis K. Alexopoulos Selected article for the European Journal of Engineering Research and Science Τεχνολογικές Προκλήσεις στην Εκπαίδευση Γρήγοροι
Διαβάστε περισσότεραΕισαγωγή. Τι είναι µια βάση δεδοµένων;
Ζήτω οι Βάσεις εδοµένων!! Εισαγωγή Αντικείµενο: Θεµελιώδες πρόβληµα της επιστήµης µας εδοµένα Μοντελοποίηση Αποθήκευση Επεξεργασία (εύρεση πληροφορίας σχετικής µε µια συγκεκριµένη ερώτηση) Σωστή Λειτουργία
Διαβάστε περισσότεραInformation Technology for Business
Information Technology for Business Lecturer: N. Kyritsis, MBA, Ph.D. Candidate e-mail: kyritsis@ist.edu.gr Computer System Hardware Υποδομή του Information Technology Υλικό Υπολογιστών (Hardware) Λογισμικό
Διαβάστε περισσότεραΟρισμοί Σχεσιακού Μοντέλου και (απλές)τροποποιήσεις Σχέσεων στην SQL. Βάσεις Δεδομένων Ευαγγελία Πιτουρά 1
Ορισμοί Σχεσιακού Μοντέλου και (απλές)τροποποιήσεις Σχέσεων στην SQL Ευαγγελία Πιτουρά 1 Τι έχουμε δει Μοντελοποίηση Εννοιολογικός Σχεδιασμός Βάσεων Δεδομένων (με χρήση του Μοντέλου Οντοτήτων/Συσχετίσεων)
Διαβάστε περισσότεραOnline Social Networks: Posts that can save lives. Sotiria Giannitsari April 2016
Online Social Networks: Posts that can save lives Sotiria Giannitsari April 2016 Ψηφιακά Κοινωνικά Δίκτυα: Αναρτήσεις που σώζουν ζωές Σωτηρία Γιαννίτσαρη Εργαστήριο Ασφάλειας Πληροφοριών & Προστασίας Κρίσιμων
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ - ΤΜΗΥΠ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ ΙI
ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΑΤΡΩΝ - ΤΜΗΥΠ ΒΑΣΕΙΣ ΔΕΔΟΜΕΝΩΝ ΙI B. Μεγαλοοικονόμου Αντικειμενοστρεφή και αντικειμενο-σχεσιακά ΣΔΒΔ (παρουσίαση βασισμένη εν μέρη σε σημειώσεις των Silberchatz, Korth και Sudarshan και του
Διαβάστε περισσότεραΔΙΑΧΕΙΡΙΣΗ ΔΙΚΤΥΩΝ Δρομολόγηση στο Internet (II) Αλγόριθμοι Distance Vector (Bellman) Αλγόριθμοι Link State (Dijkstra)
ΔΙΑΧΕΙΡΙΣΗ ΔΙΚΤΥΩΝ Δρομολόγηση στο Internet (II) Αλγόριθμοι Distance Vector (Bellman) Αλγόριθμοι Link State (Dijkstra) Β. Μάγκλαρης maglaris@netmode.ntua.gr www.netmode.ntua.gr 2/11/2015 Άδεια Χρήσης Το
Διαβάστε περισσότεραΠεριβάλλον Παράλληλου Προγραμματισμού
Περιβάλλον Παράλληλου Προγραμματισμού Ελεύθερο Λογισμικό /Λογισμικό Ανοιχτού Κώδικα για την υλοποίηση ενός ολοκλήρωμενου εκπαιδευτικού περιβάλλοντος ανάπτυξης κώδικα Εμπειρίες και προβλήματα Κ. Τ. Δελησταύρου
Διαβάστε περισσότεραΕαρινό Εξάμηνο
ΙΙ Παράλληλες ΙΙ Τμήμα Μηχανικών Η/Υ και Πληροϕορικής Πολυτεχνική Σχολή, Πανεπιστήμιο Πατρών Εαρινό Εξάμηνο 2011-2012 Table of contents ΙΙ 1 Παράλληλες Table of contents ΙΙ Παράλληλες 1 2 Table of contents
Διαβάστε περισσότεραΕισαγωγή. web σελίδα Βάσεις εδοµένων Αντικείµενο: Θεµελιώδες πρόβληµα της επιστήµης µας εδοµένα
Βάσεις εδοµένων Εισαγωγή Αντικείµενο: Θεµελιώδες πρόβληµα της επιστήµης µας εδοµένα Μοντελοποίηση Αποθήκευση Επεξεργασία (εύρεση πληροφορίας σχετικής µε µια συγκεκριµένη ερώτηση) Σωστή Λειτουργία (αποτυχίες
Διαβάστε περισσότεραΑρχιτεκτονική υπολογιστών
1 Ελληνική Δημοκρατία Τεχνολογικό Εκπαιδευτικό Ίδρυμα Ηπείρου Αρχιτεκτονική υπολογιστών Ενότητα 4 : Κρυφή Μνήμη Καρβούνης Ευάγγελος Δευτέρα, 30/11/2015 Χαρακτηριστικά Θέση Χωρητικότητα Μονάδα Μεταφοράς
Διαβάστε περισσότεραΥΠΟΛΟΓΙΣΤΙΚΗ ΧΗΜΕΙΑ ΜΕ ΕΦΑΡΜΟΓΕΣ ΣΕ ΜΟΡΙΑ, ΥΛΙΚΑ, ΠΕΡΙΒΑΛΛΟΝ
ΥΠΟΛΟΓΙΣΤΙΚΗ ΧΗΜΕΙΑ ΜΕ ΕΦΑΡΜΟΓΕΣ ΣΕ ΜΟΡΙΑ, ΥΛΙΚΑ, ΠΕΡΙΒΑΛΛΟΝ Ι ΑΣΚΟΝΤΕΣ: Μαρία Κανακίδου, Σταύρος Φαράντος, Γιώργος Φρουδάκης 1 / 37 ΕΝΟΤΗΤΑ ΠΡΩΤΗ Σύγχρονη Υπολογιστική Χηµεία: Επισκόπηση Μοριακές Θεωρίες
Διαβάστε περισσότεραΒάσεις Δεδομένων (Databases)
Βάσεις Δεδομένων (Databases) ΕΠΛ 342 Χειμερινό Εξάμηνο 2011 Διδάσκοντες Καθηγητές Γιώργος Σαμάρας (ΧΩΔ01 109) θεωρητικές Γλώσσες Ερωτήσεων (Formal Query Languages): Σχεσιακή Άλγεβρα Τελεστές Θεωρίας Συνόλων
Διαβάστε περισσότεραΑνοικτά Δεδομένα. Η εμπειρία του OpenDataCloud
Ανοικτά Δεδομένα Προκλήσεις και Ευκαιρίες: Η εμπειρία του OpenDataCloud Κώστας Σαΐδης, PhD Πάροχοι Ανοικτών Δεδομένων datagov.gr diavgeia.gr geodata.gov.gr Πυροσβεστικό σώμα Ελληνική Αστυνομία Υπουργείο
Διαβάστε περισσότεραΠεριοδικών και του Συλλογικού Καταλόγου Ελληνικών Ακαδηµαϊκών Βιβλιοθηκών. Αθήνα, Μάιος 2007
Κεντρική Μηχανή Μετααναζήτησης των Ηλεκτρονικών Περιοδικών και του Συλλογικού Καταλόγου Ελληνικών Ακαδηµαϊκών Βιβλιοθηκών Κλωντίνη Ξενίδου- έρβου Καλλιόπη Φλώρου Λεωνίδας Πισπιρίγγας HEAL-Link Search 1
Διαβάστε περισσότεραIEEE Xplore, Institute of Electrical and Electronics Engineers Inc.
IEEE Xplore, Institute of Electrical and Electronics Engineers Inc. Μέσω της υπηρεσίας IEEE Xplore παρέχεται πρόσβαση στα περιεχόμενα, στις περιλήψεις και στα πλήρη κείμενα (full text) άρθρων από επιστημονικά
Διαβάστε περισσότεραΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΠΑΤΗΣΙΩΝ 76 10434 ΑΘΗΝΑ Ε - ΜΑΙL : mkap@aueb.gr ΤΗΛ: 210-8203814, 6947-931643 ΚΑΠΕΤΗΣ ΧΡΥΣΟΣΤΟΜΟΣ. Βιογραφικό Σημείωμα
ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΠΑΤΗΣΙΩΝ 76 10434 ΑΘΗΝΑ Ε - ΜΑΙL : mkap@aueb.gr ΤΗΛ: 210-8203814, 6947-931643 ΚΑΠΕΤΗΣ ΧΡΥΣΟΣΤΟΜΟΣ Βιογραφικό Σημείωμα ΠΡΟΣΩΠΙΚΑ ΣΤΟΙΧΕΙΑ Εθνικότητα: Ελληνική Ημερομηνία Γέννησης:
Διαβάστε περισσότερα