1. Αρχική σελίδα
  2. Αναζήτηση

Κλιμάκωση αναλυτικής επεξεργασίας συνεχών χρονοσειρών χρησιμοποιώντας την πλατφόρμα Storm

Το τεκμήριο παρέχεται από τον φορέα :
Πολυτεχνείο Κρήτης   

Αποθετήριο :
Ιδρυματικό Αποθετήριο Πολυτεχνείου Κρήτης   

δείτε την πρωτότυπη σελίδα τεκμηρίου
στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*



Κλιμάκωση αναλυτικής επεξεργασίας συνεχών χρονοσειρών χρησιμοποιώντας την πλατφόρμα Storm (EL)
Scaling out streaming time series analytics on Storm (EN)
Παυλακης Νικολαος (EL)
Pavlakis Nikolaos (EN)
Δεληγιαννακης Αντωνιος (EL)
Λαγουδακης Μιχαηλ (EL)
Πολυτεχνείο Κρήτης (EL)
Γαροφαλακης Μινως (EL)
Lagoudakis Michael (EN)
Technical University of Crete (EN)
Garofalakis Minos (EN)
Deligiannakis Antonios (EN)
masterThesis
2017
Data can provide meaningful insights, if we are able to process it. We live in a time where the rate with which data is being generated grows exponentially, and extracting useful information from all this data, becomes harder and harder, thus mandating efficient and scalable data analytics solutions. Oftentimes, the input data to analytics applications is in the form of massive, continuous data streams. Consider the example of the global stock markets: An interesting piece of information for traders, portfolio managers, and so on, are the correlation/dependence patterns between different market players (e.g., equities, indexes, etc.); yet, such patterns typically change very rapidly over time, and the information is only valuable if it becomes available in real time (e.g., for algorithmic trading). This implies that stock market data needs to be processed in a streaming fashion, typically focusing only on a sliding window of recent readings (e.g., “monitor all correlations during the last hour”). In addition, data stream processing solutions need to be scalable as there are thousands of market players, implying millions of possible correlation/dependence pairs that need to be tracked in real time. This thesis introduces efficient algorithms and architectures for tackling the problem of monitoring the pair- wise dependence among thousands of data streams, and introduces a generic stream processing framework, T-Storm, which can be used in order to easily and efficiently develop, scale-out, and deploy large-scale stream analytics applications. (EN)
Big data (EN)
Streaming time series analytics (EN)
Αγγλική γλώσσα
Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών (EL)
Technical University of Crete::School of Electrical and Computer Engineering (EN)
Πολυτεχνείο Κρήτης
Ιδρυματικό Αποθετήριο Πολυτεχνείου Κρήτης
School of Electrical and Computer Engineering - Diploma Works
Intelligent Systems Laboratory - Diploma Works



*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.