東華大學圖書館 |

Data-Driven Transfer Optimizations for Big Data in the Industrial Internet of Things = = Daten-Getriebene Ubertragungsoptimierung Fur Big Data im Industriellen Internet der Dinge.

紀錄類型:	書目-電子資源 : Monograph/item
正題名/作者:	Data-Driven Transfer Optimizations for Big Data in the Industrial Internet of Things =/
其他題名:	Daten-Getriebene Ubertragungsoptimierung Fur Big Data im Industriellen Internet der Dinge.
其他題名:	Daten-Getriebene Ubertragungsoptimierung Fur Big Data im Industriellen Internet der Dinge.
作者:	Semmler, Niklas Bernhard.
面頁冊數:	1 online resource (108 pages)
附註:	Source: Dissertations Abstracts International, Volume: 84-03, Section: A.
Contained By:	Dissertations Abstracts International84-03A.
標題:	Software. -
電子資源:	http://pqdd.sinica.edu.tw/twdaoapp/servlet/advanced?query=29289474click for full text (PQDT)
ISBN:	9798845462169

Data-Driven Transfer Optimizations for Big Data in the Industrial Internet of Things = = Daten-Getriebene Ubertragungsoptimierung Fur Big Data im Industriellen Internet der Dinge.
Semmler, Niklas Bernhard.

Data-Driven Transfer Optimizations for Big Data in the Industrial Internet of Things =Daten-Getriebene Ubertragungsoptimierung Fur Big Data im Industriellen Internet der Dinge.Daten-Getriebene Ubertragungsoptimierung Fur Big Data im Industriellen Internet der Dinge. - 1 online resource (108 pages)

Source: Dissertations Abstracts International, Volume: 84-03, Section: A.

Thesis (Ph.D.)--Technische Universitaet Berlin (Germany), 2022.

Includes bibliographical references

In the last two decades, the Internet of Things (IoT) has grown from a mere vision to everyday reality. Its fundamental idea is that devices become interconnected with each other and digital services. The consumer side of the IoT, the Consumer Internet of Things (CIoTs), has become omnipresent in the form of wearables, virtual assistants, and smart home solutions. The industrial side of the IoT, the Industrial Internet of Things (IIoT), has received less attention from the general public. The IIoT takes the shape of industrial-grade devices, from trucks to industrial robots, that are equipped with sensors and networking chipsets. It promises to reduce waste, increase machine lifespans, improve energy efficiency, and enable mass customization.The CIoT predominantly creates big data sparsely across wide areas, e.g., distributed over many households. CIoT applications collect and process this data in the cloud. In contrast, the IIoT predominantly creates big data at industrial facilities that are densely populated with devices. Because these industrial facilities are often connected to the cloud by low-bandwidth access networks, IIoT big data cannot be entirely transferred to the cloud. Simultaneously, industrial facilities are often equipped with limited computing resources. This creates a data-compute asymmetry where most data stays at resource-constrained industrial facilities, and only a fraction is transferred to the resource rich cloud. Unmitigated, the network bottleneck delays the installation of IIoT applications. This thesis introduces software solutions that reduce the impact of the network bottleneck.Systems processing IIoT big data face complexity from both the data sources and application requirements. On the one side, the data is generated by inherently hierarchical and distributed industrial processes and retains these qualities. On the other side, IIoT applications have diverse requirements on data access and processing (e.g., requiring database-like access to historic IIoT big data or processing recent IIoT big data as data streams). This work proposes a high-level architecture that connects both sides using novel computing primitives. Our novel computing primitives flexibly aggregate and combine data across hierarchies and locations. As part of our architecture, we introduce data-driven transfer optimizations to reduce the impact of the network bottleneck. The remainder of the thesis presents three case studies that implement data-driven transfer optimizations for different data processing frameworks.In our first case study, IIoT applications in the cloud access a data store at an industrial facility. They face a trade-off between processing individual queries at the industrial facility and transferring raw data to the cloud. We introduce online replication strategies that make fine-granular choices based on data access patterns. In our second case study, an IIoT application identifies the top-k most relevant objects (e.g., machine failures) across multiple industrial facilities. We introduce a new fixed-phase distributed top-k algorithm. This algorithm uses fewer phases than related work while simultaneously reducing the data transfer volume compared to the state-of-the-art. In our final case study, IIoT applications process data streams using dataflow programs. Dataflow programs process data by moving it through an operator graph. A sudden rise in the data input rate or a software or hardware failure risks to increase the dataflow program's latency and decrease its throughput. We introduce a load shedding solution that mitigates this risk and simultaneously balances the data loss with the loss of previously done work. Our work enables IIoT applications for resource and bandwidth-constrained industrial facilities.

Electronic reproduction.
Ann Arbor, Mich. :
ProQuest,
2023

Mode of access: World Wide Web

ISBN: 9798845462169Subjects--Topical Terms:

619355
Software.
Index Terms--Genre/Form:

542853
Electronic books.

Data-Driven Transfer Optimizations for Big Data in the Industrial Internet of Things = = Daten-Getriebene Ubertragungsoptimierung Fur Big Data im Industriellen Internet der Dinge.
LDR:09642nmm a2200361K 4500 001 2364739
005 20231212064407.5
006 m o d
007 cr mn ---uuuuu
008 241011s2022 xx obm 000 0 eng d
020 $a 9798845462169
035 $a (MiAaPQ)AAI29289474
035 $a (MiAaPQ)TechBerlin_1130316751
035 $a AAI29289474
040 $a MiAaPQ $b eng $c MiAaPQ $d NTU
100 1 $a Semmler, Niklas Bernhard. $3 3705560
245 1 0 $a Data-Driven Transfer Optimizations for Big Data in the Industrial Internet of Things = $b Daten-Getriebene Ubertragungsoptimierung Fur Big Data im Industriellen Internet der Dinge.
246 3 1 $a Daten-Getriebene Ubertragungsoptimierung Fur Big Data im Industriellen Internet der Dinge.
264 0 $c 2022
300 $a 1 online resource (108 pages)
336 $a text $b txt $2 rdacontent
337 $a computer $b c $2 rdamedia
338 $a online resource $b cr $2 rdacarrier
500 $a Source: Dissertations Abstracts International, Volume: 84-03, Section: A.
500 $a Advisor: Feldmann, Anja.
502 $a Thesis (Ph.D.)--Technische Universitaet Berlin (Germany), 2022.
504 $a Includes bibliographical references
520 $a In the last two decades, the Internet of Things (IoT) has grown from a mere vision to everyday reality. Its fundamental idea is that devices become interconnected with each other and digital services. The consumer side of the IoT, the Consumer Internet of Things (CIoTs), has become omnipresent in the form of wearables, virtual assistants, and smart home solutions. The industrial side of the IoT, the Industrial Internet of Things (IIoT), has received less attention from the general public. The IIoT takes the shape of industrial-grade devices, from trucks to industrial robots, that are equipped with sensors and networking chipsets. It promises to reduce waste, increase machine lifespans, improve energy efficiency, and enable mass customization.The CIoT predominantly creates big data sparsely across wide areas, e.g., distributed over many households. CIoT applications collect and process this data in the cloud. In contrast, the IIoT predominantly creates big data at industrial facilities that are densely populated with devices. Because these industrial facilities are often connected to the cloud by low-bandwidth access networks, IIoT big data cannot be entirely transferred to the cloud. Simultaneously, industrial facilities are often equipped with limited computing resources. This creates a data-compute asymmetry where most data stays at resource-constrained industrial facilities, and only a fraction is transferred to the resource rich cloud. Unmitigated, the network bottleneck delays the installation of IIoT applications. This thesis introduces software solutions that reduce the impact of the network bottleneck.Systems processing IIoT big data face complexity from both the data sources and application requirements. On the one side, the data is generated by inherently hierarchical and distributed industrial processes and retains these qualities. On the other side, IIoT applications have diverse requirements on data access and processing (e.g., requiring database-like access to historic IIoT big data or processing recent IIoT big data as data streams). This work proposes a high-level architecture that connects both sides using novel computing primitives. Our novel computing primitives flexibly aggregate and combine data across hierarchies and locations. As part of our architecture, we introduce data-driven transfer optimizations to reduce the impact of the network bottleneck. The remainder of the thesis presents three case studies that implement data-driven transfer optimizations for different data processing frameworks.In our first case study, IIoT applications in the cloud access a data store at an industrial facility. They face a trade-off between processing individual queries at the industrial facility and transferring raw data to the cloud. We introduce online replication strategies that make fine-granular choices based on data access patterns. In our second case study, an IIoT application identifies the top-k most relevant objects (e.g., machine failures) across multiple industrial facilities. We introduce a new fixed-phase distributed top-k algorithm. This algorithm uses fewer phases than related work while simultaneously reducing the data transfer volume compared to the state-of-the-art. In our final case study, IIoT applications process data streams using dataflow programs. Dataflow programs process data by moving it through an operator graph. A sudden rise in the data input rate or a software or hardware failure risks to increase the dataflow program's latency and decrease its throughput. We introduce a load shedding solution that mitigates this risk and simultaneously balances the data loss with the loss of previously done work. Our work enables IIoT applications for resource and bandwidth-constrained industrial facilities.
520 $a In den letzten zwei Jahrzehnten hat sich das Internet of Things (IoT) von einer blosen Vision zur alltaglichen Realitat entwickelt. Die Grundidee des IoT ist, dass sich Gerate untereinander und mit digitalen Diensten vernetzen. Die Konsumentenseite des IoT, auch bekannt als Consumer Internet of Things (CIoT), ist in der Form von Wearables, virtuellen Assistenten und Smart-Home-Losungen allgegenwartig. Die industrielle Seite des IoT, auch bekannt als Industrial Internet of Things (IIoT), hat in der breiten Offentlichkeit weniger Beachtung gefunden. Inzwischen werden Industriegeraten, von Lastwagen bis hin zu Industrierobotern, mit Sensoren und Netzwerk-Chipsatzen aus gestattet. Die Vernetzung dieser Gerate innerhalb des IIoT verspricht Abfalle zu reduzieren, die Lebensdauer und Energieeffizienz von Maschinen zu erhohen und Produktionsflexibilitat zu ermoglichen.Das CIoT erzeugt Big Data vorwiegend sparlich uber weite Bereiche, z.B. uber viele Haushalte verteilt. Diese Daten werden zumeist in der Cloud gesammelt und dort verarbeitet. Im Gegensatz dazu erzeugt das IIoT Big Data uberwiegend in Industrieanlagen mithilfe einer grosen Zahl von vernetzten Geraten. Da diese Industrieanlagen oft uber Zugangsnetze mit geringer Bandbreite mit der Cloud verbunden sind, kann IIoT-Big-Data nicht vollstandig in die Cloud ubertragen werden. Gleichzeitig sind die Industrieanlagen haufig mit begrenzten Rechenressourcen ausgestattet. Dadurch entsteht eine Daten-Verarbeitungskapazitat-Asymmetrie, bei der die meisten Daten in den ressourcenbeschrankten Industrieanlagen verbleiben und nur ein Bruchteil in die ressourcenreiche Cloud ubertragen wird. Ungemildert verzogert der Netzwerkengpass die Installation von IIoT-Anwendungen. Diese Arbeit stellt Softwarelosungen vor, die die Auswirkungen des Netzwerkengpasses reduzieren.Systeme, die IIoT-Big-Data verarbeiten, sind an zwei Fronten mit Komplexitat konfrontiert. Auf der einen Seite werden die Daten durch inharent hierarchische und verteilte industrielle Prozesse erzeugt und behalten diese Eigen schaften bei. Auf der anderen Seite haben IIoT-Anwendungen unterschiedliche Anforderungen an den Datenzugriff und die Datenverarbeitung (z.B. die Behandlung von IIoT-Big-Data als Datenbank oder als Datenstrom). In dieser Arbeit wird eine High-Level-Architektur vorgeschlagen, die beide Seiten mithilfe neuartigen Computing Primitives verbindet. Diese neuartigen Computing Primitives aggregieren und kombinieren Daten flexibel uber Hierarchien und Standorte hinweg. Basierend auf dieser Architektur fuhren wir datengesteuerte Ubertragungsoptimierungen ein, um die Anzahl und das Volumen des Datenaustauschs zwischen Industrieanlagen und der Cloud zu begrenzen. Im weiteren Verlauf der Arbeit stellen wir drei Fallstudien vor, die datengesteuerte Ubertragungsoptimierungen fur verschiedene Datenverarbeitungs-Frameworks implementieren.In unserer ersten Fallstudie greifen IIoT-Anwendungen in der Cloud auf einen Datenspeicher in einer Industrieanlage zu. Sie stehen vor der Wahl entweder individuelle Abfragen in der Industrieanlage zu verarbeiten oder die Rohdaten in die Cloud zu ubertragen um sie dort zu verarbeiten. Wir stellen Online-Replikationsstrategien vor, die auf der Grundlage von Datenzugriffsmustern fein-granulare Entscheidungen treffen. In unserer zweiten Fallstudie identifiziert eine IIoT-Anwendung die top-k-relevantesten Objekte (z.B. Maschinenausfalle) uber mehrere Industrieanlagen hinweg. Wir stellen einen neuen verteilten Top-k-Algorithmus mit einer festen Anzahl von Phasen vor. Dieser Algorithmus reduziert die Anzahl der Phasen und das Datenubertragungsvolumen im Vergleich zum gegenwartigen Stand der Technik. In unserer letzten Fallstudie verarbeiten IIoT-Anwendungen Datenstrome mithilfe von Datenflussprogrammen. Diese Programme Daten, indem sie sie durch einen Graphen von verbundenen Opera toren bewegen. Ein plotzlicher Anstieg der Dateneingangsrate oder ein Software- oder Hardwarefehler kann die Latenzzeit der Programme erhohen und ihren Durchsatz verringern. Wir stellen eine Load Shedding-Losung vor, die dieses Risiko abmildert. Zusatzlich balanziert unsere Losung gleichzeitig den Verlust von Daten mit dem Verlust von zuvor geleisteter Arbeit. Diese Dissertation ermoglicht datenhungrige IIoT-Anwendungen fur ressourcen- und bandbreitenbeschrankte Industrieanlagen.
533 $a Electronic reproduction. $b Ann Arbor, Mich. : $c ProQuest, $d 2023
538 $a Mode of access: World Wide Web
650 4 $a Software. $2 gtt. $3 619355
650 4 $a Computer science. $3 523869
650 4 $a Web studies. $3 2122754
655 7 $a Electronic books. $2 lcsh $3 542853
690 $a 0984
690 $a 0646
710 2 $a ProQuest Information and Learning Co. $3 783688
710 2 $a Technische Universitaet Berlin (Germany). $3 3480527
773 0 $t Dissertations Abstracts International $g 84-03A.
856 4 0 $u http://pqdd.sinica.edu.tw/twdaoapp/servlet/advanced?query=29289474 $z click for full text (PQDT)