Universität Rostock, Lehrstuhl Datenbank- und Informationssysteme: Dbis Repository
Not a member yet
940 research outputs found
Sort by
Detecting Overlapping Communities in ISEBEL
Full text linkReal-world complex networks are evident in the social networks, the internet, and biological networks. The complexities of most real-world networks make them have community structures that can be divided into subgroups based on some statistical features or how strongly the vertices are closely connected. A vertex may be a member of more than one community, resulting in overlapping communities in such a real-world network.
The ISEBEL story network is yet another complex network with varieties of folklore of werewolves, witches, and legends which form communities with overlapping vertices. Many algorithms for detecting overlapping communities in real-world networks exist. In this work, we propose a framework built on Apache spark using the BigClam algorithm that is able to detect overlapping communities in ISEBEL dataset
Erstellung einer Fuel Performance Applikation basierend auf dem Fuel Performance System der Aquametro Oil and Marine
No full textSO-TGDs und Skolemisierung für ChaTEAU
Full text linkSchemaabbildungen und Evolution können als ST-TGDs dargestellt werden. Da die Komposition von zwei Schemaabbildungen sich nicht immer als ST-TGD darstellen lässt, wurden sogenannte SO-TGDs eingeführt. Wir betrachten, wann zur Darstellung der Komposition SO-TGDs notwendig sind und ob die Inversen von Schemaabbildungen immer als ST-TGD dargestellt werden können. Auÿerdem betrachten wir die Inverse von SO-TGDs. Abschlieÿend stellen wir vor, wie wir SO-TGDs und Skolemfunktionen in dem Chase-Tool ChaTEAU darstellen können
Ein Framework für ProSA
Full text linkProSA ist ein Werkzeug zum Forschungsdatenmanagement, das größtenteils auf dem Papier, aber noch nicht in einer praktischen Implementierung vorliegt. Das Werkzeug soll Forschungsergebnisse reproduzierbar machen, indem es die minimale Teildatenbank berechnet, die mit dem Forschungsergebnis veröffentlicht, und mit dem dieses Ergebnis dann reproduziert werden kann. Neben der Reduzierung des Speicherbedarfs durch die Minimierung wird von ProSA auch eine Anonymisierung vorgenommen, um dem Datenschutz gerecht zu werden und sensible Daten zu maskieren. Die einzelnen Ideen und Komponenten für ProSA wurden im Laufe der letzten Jahre in verschiedenen Projektgruppen und Abschlussarbeiten relativ unabhängig voneinander entwickelt. Ziel dieser Arbeit ist nun die Zusammensetzung dieser Komponenten zu einem vollständigen Gesamtgerüst, sodass die vorgesehene Pipeline von der Eingabe einer SQL-Anfrage bis hin zur letztendlichen Ausgabe einer minimalen, anonymisierten Teildatenbank durchlaufen werden kann. Des Weiteren betrifft eine größere Teilaufgabe den "Provenancer", eine Komponente zur Behebung von verfahrensbedingtem Informationsverlust in der minimalen Teildatenbank, welcher durch Einarbeitung von sogenannten Provenance-Informationen ausgeglichen werden kann. Vom Provenancer gab es schon eine eigenständige, aber inzwischen veraltete und im ProSA-Kontext inkompatible Version, die in dieser Arbeit neu konzipiert und implementiert wird.
Weiterhin werden in Zusammenarbeit mit den Entwicklern an anderen Komponenten die Menge von unterstützten Anfragen um solche mit Aggregatfunktionen erweitert. Zusätzliche Qualitätsanforderungen an diese Arbeit sind dem Bereich der Softwaretechnik anzuordnen: das entwickelte Rahmengerüst soll natürlich leicht erweiterbar, modular, verständlich, effzient und gut dokumentiert sein
ProSA Pipeline: Provenance conquers the Chase
No full textOne of the main problems in data minimization is the determination of the relevant data set. Combining the Chase — a universal tool for transforming databases — and data provenance, a (anonymized) minimal sub-database of an original data set can be calculated. To ensure reproducibility, the evaluations performed on the original data set must be feasible on the sub-database, too. For this, we extend the Chase&Backchase with additional why-provenance to handle lost attribute values, null tuples, and duplicates occurring during the query evaluation and its inversion. In this article, we present the ProSA pipeline, which describes the method of data minimization using the Chase&Backchase extended with additional provenanc
Einführung in das Thema PROVENANCE
Full text linkIn diesem Artikel wird Provenance in ihren verschiedenen Arten und Anwendungsbe- reichen vorgestellt. Es wird zwischen vier verschiedenen Provenancearten unterschie- den. Die Meta Data Provenance gilt als die allgemeinste Provenance und beschreibt alle Metadaten von einem Objekt. Die Information System Provenance beschränkt sich auf die in einem Informationssystem entstandenen digitalen Daten. Wenn ein Arbeitsablauf modelliert werden soll, wird die Workflow Provenance verwendet. Bei dieser wird ein Einblick in die drei Dimensionen Granularität, Domäne und Form wird gegeben. Um die Herkunft von Daten innerhalb einer Datenbank zu beschrei- ben, wird die Data Provenance verwendet. Diese kann zu dem Ergebnis einer Anfrage die Quelldaten ausgeben. Weiterhin gibt es eine Einführung in den PROV-Standard des W3C. Außerdem werden verschiedene Tools, darunter Kepler, zum Umgang mit Provenance vorgestellt
Ausblick auf einen erweiterten CHASE-Algorithmus
Full text linkDer CHASE ist ein grundlegender Algorithmus der Datenbanktheorie, der über noch ungenutztes Potential hinsichtlich seiner praktischen Umsetzung in Systemen verfügt. In den von uns untersuchten Anwendungsbereichen wurden mehrere Problemfälle identifiziert, für die der CHASE interessant sein könnte. Allerdings sind diese Anwendungsbereiche mit zahlreichen Datenbankkonzepten wie komplexeren Anfrageoperationen verbunden, die bisher nicht (gemeinsam) in den CHASE integriert wurden.
Die Erweiterung des CHASE um diese Anfrageoperationen, wie Negation, allgemeine Vergleiche oder Aggregatfunktionen, muss jedoch kontrolliert erfolgen, um Effektivität, Konfluenz und Terminierung des CHASE nicht zu gefährden und so eine effektive Anwendung des Algorithmus auf praktisch relevante Problemfälle zu ermöglichen. Um Auswirkungen von CHASE-Erweiterungen einschätzen zu können, müssen zunächst Effizienz, Konfluenz, Terminierung und Effektivität des bisher etablierten CHASE verstanden und gegebenenfalls näher untersucht werden. In dieser Arbeit stellen wir erste Erkenntnisse hinsichtlich Terminierung und Konfluenz des Standard-CHASE zusammen
