Präsentation herunterladen
Die Präsentation wird geladen. Bitte warten
Veröffentlicht von:Heidi Tiedeman Geändert vor über 7 Jahren
1
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008 1 Radio Frequency Identification Datenmanagement 2008 - Odyssee im Datenraum: Datenbanktechnologie der Zukunft
2
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008 2 Warum RFID?
3
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de3 Radio Frequency Identification (RFID) Schlüsseltechnologie für Objektverfolgung Identifizierung von Objekten mit Hilfe von Funkwellen Speicherung von Informationen auf Mikrochip Berührungsloses Auslesen von Daten ohne direkten Sichtkontakt
4
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de4 RFID Einsatzgebiete Logistik – Objektverfolgung – Post – Automobilbereich – Flughäfen Versorgungskettenmanagement Diebstahlschutz Sicherheitsysteme / Zutrittskontrolle / Wegfahrsperren Zeitmessung bei Sportveranstaltungen
5
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008 5 RFID Objektverfolgung: Systemarchitektur
6
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de6 RFID Systemarchitektur (EPC, location, time)
7
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de7 Daten im Cache 1) Ereignis (EPC, location, time) wird erfasst 2) Falls EPC nicht im Cache neuer Tupel anlegen (EPC, location, time, time, null) 3) Sonst: vergleiche location aus Ereignis und location im Cache ● Falls übereinstimmen – selbe Position → aktualisiere last_scan ● Sonst: Data Staging anstoßen, Daten in location, last_scan und last_scan_previous_sensor aktualisieren EPC location time_in last_scan last_scan_ps Cache
8
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008 8 RFID Data Warehouse
9
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de9 RFID Daten: Naiver Ansatz Datenredundanzrate Auswertungszeiten Schnelle Data Staging EPC location time RFID_READ
10
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de10 RFID Daten: Beispiel Einkaufswagen 1 Einkaufswagen 2 Kasse 1 Regal 123456
11
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de11 RFID Daten: Beispiel Ein Regal mit sechs Milchartikel mit je einen RFID Tag Zwei Kundeneinkaufswägen mit RFID Sensoren Eine Kasse mit RFID Sensor Jede Minute wird gescant
12
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de12 RFID Daten: Naiver Ansatz 39 Tupel in der Datenbank gespeichert – Je sechs für die ersten sechs Minuten – Drei für die siebte Minute ➔ „Standard“ Data Warehouse mit Data Cube benötigt lange Auswertungszeiten ➔ Lösung: RFID Data Warehouse mit Data Staging
13
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de13 RFID Data Warehouse Wird „on the fly“ generiert / befüllt Data Staging wird beim Eintreffen eines Ereignisses getriggert Verschiedene Möglichkeiten zur Eliminierung von Datenredundanz – Ohne Pfaderweiterung – Mit Pfaderweiterung (Read and Path) – Bewegung in Gruppen (Read and Bulk)
14
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de14 RFID Data Warehouse: ohne Pfaderweiterung Zwei Zeitstempel – time_in: Zeitpunkt an dem das Objekt den Standort betretten hat – time_out: Zeitpunkt an dem das Objekt den Standort verlassen hat EPC location time_in time_out RFID_READ Pfadinformationen Datenreduzierung (18 statt 39 Tupel)
15
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de15 RFID Data Warehouse: mit Pfaderweiterung Tabelle um Attribut path erweitert (p 1 ;...;p n ) EPC location time_in time_out path RFID_READ Data Staging Redundanz von „path“ Pfadrekunstruktion Leichte Erkennung von Gruppen
16
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de16 RFID Data Warehouse: Bewegung in Gruppen Wichtigste Beobachtung: Objekte bewegen sich in Gruppen in die frühen Phasen (Bsp.: Lager zur Filiale) Pfadangaben nicht für jedes Objekt einzeln speichern Stattdessen: Pfade refferenzieren EPC location time_in time_out RFID_READ id previous_id location path_id path_reader time_in time_out RFID_PATH
17
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008 17 Data Staging für Analytische Verfahren
18
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de18 Data Staging Aufgabe: Pfade erkennen, aggregieren und in den Warehouse-Tabellen abspeichern Zwei Ansätze – Tupelbasiert – Bulk EPC location time_in time_out RFID_READ id previous_id location path_id path_reader time_in time_out RFID_PATH
19
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de19 Tupelbasiertes Data Staging: Beispiel Einkaufswagen 1 Einkaufswagen 2 Kasse 1 Regal 123456 Zeitpunkt t1
20
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de20 Tupelbasiertes Data Staging: Beispiel Zeitpunkt t1
21
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de21 Tupelbasiertes Data Staging: Beispiel Einkaufswagen 1 Einkaufswagen 2 Kasse 1 Regal 123456 Zeitpunkt t3
22
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de22 Tupelbasiertes Data Staging: Beispiel Zeitpunkt t3
23
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de23 Tupelbasiertes Data Staging: Beispiel Einkaufswagen 1 Einkaufswagen 2 Kasse 1 Regal 12345 6 Zeitpunkt t5
24
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de24 Tupelbasiertes Data Staging: Beispiel Zeitpunkt t5
25
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de25 Tupelbasiertes Data Staging: Beispiel Einkaufswagen 1 Einkaufswagen 2 Kasse 1 Regal 23 145 6 Zeitpunkt t6
26
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de26 Tupelbasiertes Data Staging: Beispiel Zeitpunkt t6
27
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de27 Tupelbasiertes Data Staging: Beispiel Einkaufswagen 1 Einkaufswagen 2 Kasse 1 Regal 2 3 145 6 Zeitpunkt t7
28
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de28 Tupelbasiertes Data Staging: Beispiel Zeitpunkt t7
29
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de29 Bulk Data Staging: Beispiel Einkaufswagen 1 Einkaufswagen 2 Kasse 1 Regal 123456 Zeitpunkt t1
30
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de30 Bulk Data Staging: Beispiel Zeitpunkt t1
31
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de31 Bulk Data Staging: Beispiel Einkaufswagen 1 Einkaufswagen 2 Kasse 1 Regal 123456 Zeitpunkt t3
32
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de32 Bulk Data Staging: Beispiel Zeitpunkt t3
33
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de33 Bulk Data Staging: Beispiel Einkaufswagen 1 Einkaufswagen 2 Kasse 1 Regal 12345 6 Zeitpunkt t5
34
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de34 Bulk Data Staging: Beispiel Zeitpunkt t5
35
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de35 Bulk Data Staging: Beispiel Einkaufswagen 1 Einkaufswagen 2 Kasse 1 Regal 23 145 6 Zeitpunkt t6
36
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de36 Bulk Data Staging: Beispiel Zeitpunkt t6
37
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de37 Bulk Data Staging: Beispiel Einkaufswagen 1 Einkaufswagen 2 Kasse 1 Regal 2 3 145 6 Zeitpunkt t7
38
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de38 Bulk Data Staging: Beispiel Zeitpunkt t7
39
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008 39 Benchmark
40
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de40 Benchmark: Datenvolumina (in MB)
41
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de41 Benchmark: Auswertungszeit (in ms)
42
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de42 Benchmark: Data Staging Ereignisse (in events per second)
43
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008 43 Zusammenfassung & Ausblick
44
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de44 Zusammenfassung und Ausblick Drei Ansätze für den Umgang mit Datenredundanz – No Path Extension – Read and Path – Read and Bulk Zwei Data Staging Algorithmen – Tupelbasiert – Bulk Weiterführende Arbeiten – mehrere Caches – Integration mit bestehende Verteile Anwendungen
45
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de45 Quellen [GHLK06] Hector Gonzalez, Jiawei Han, Xiaolei Li, and Diego Klabjan. Warehousing and Analyzing Massive RFID Data Sets. ICDE 2006. IEEE Computer Society, 2006. [KAK07] Stefan Krompass, Stefan Aulbach, and Alfons Kemper. Data Staging for OLAP- and OLTP-Applications on RFID Data. BTW 2008. GI,2007.
46
Technische Universität München Fakultät für Informatik, Lehrstuhl Datenbanksysteme 17.06.2008Vladislav.Lazarov@in.tum.de46 Nächste Woche ➔ Siherheit für dienstbasierte Infrastrukturen Markus Sieber
Ähnliche Präsentationen
© 2024 SlidePlayer.org Inc.
All rights reserved.