Ιδρυματικό Αποθετήριο [SANDBOX]
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Κλιμάκωση αναλυτικής επεξεργασίας συνεχών χρονοσειρών χρησιμοποιώντας την πλατφόρμα Storm

Pavlakis Nikolaos

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/802769EF-66BD-411D-9E6E-BA00A61F2B6F-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.67653-
Γλώσσαen-
Μέγεθος74 pagesen
ΤίτλοςScaling out streaming time series analytics on Stormen
ΤίτλοςΚλιμάκωση αναλυτικής επεξεργασίας συνεχών χρονοσειρών χρησιμοποιώντας την πλατφόρμα Stormel
ΔημιουργόςPavlakis Nikolaosen
ΔημιουργόςΠαυλακης Νικολαοςel
Συντελεστής [Επιβλέπων Καθηγητής]Garofalakis Minosen
Συντελεστής [Επιβλέπων Καθηγητής]Γαροφαλακης Μινωςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Deligiannakis Antoniosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Δεληγιαννακης Αντωνιοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Lagoudakis Michaelen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Λαγουδακης Μιχαηλel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Electrical and Computer Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
ΠερίληψηData 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
ΤύποςΜεταπτυχιακή Διατριβήel
ΤύποςMaster Thesisen
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by/4.0/en
Ημερομηνία2017-03-27-
Ημερομηνία Δημοσίευσης2017-
Θεματική ΚατηγορίαStreaming time series analytics en
Θεματική ΚατηγορίαBig dataen
Βιβλιογραφική ΑναφοράNikolaos Pavlakis, "Scaling out streaming time series analytics on Storm", Master Thesis, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2017en
Βιβλιογραφική ΑναφοράΝικόλαος Παυλάκης, "Κλιμάκωση αναλυτικής επεξεργασίας συνεχών χρονοσειρών χρησιμοποιώντας την πλατφόρμα Storm", Μεταπτυχιακή Διατριβή, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2017el

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά