Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
Πολυτεχνείο Κρήτης
EN
|
EL
| URI | http://purl.tuc.gr/dl/dias/802769EF-66BD-411D-9E6E-BA00A61F2B6F | - |
| Αναγνωριστικό | https://doi.org/10.26233/heallink.tuc.67653 | - |
| Γλώσσα | en | - |
| Μέγεθος | 74 pages | en |
| Τίτλος | Scaling out streaming time series analytics on Storm | en |
| Τίτλος | Κλιμάκωση αναλυτικής επεξεργασίας συνεχών χρονοσειρών χρησιμοποιώντας την πλατφόρμα Storm | el |
| Δημιουργός | Pavlakis Nikolaos | en |
| Δημιουργός | Παυλακης Νικολαος | el |
| Συντελεστής [Επιβλέπων Καθηγητής] | Garofalakis Minos | en |
| Συντελεστής [Επιβλέπων Καθηγητής] | Γαροφαλακης Μινως | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Deligiannakis Antonios | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Δεληγιαννακης Αντωνιος | el |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Lagoudakis Michael | en |
| Συντελεστής [Μέλος Εξεταστικής Επιτροπής] | Λαγουδακης Μιχαηλ | el |
| Εκδότης | Πολυτεχνείο Κρήτης | el |
| Εκδότης | Technical University of Crete | en |
| Ακαδημαϊκή Μονάδα | Technical University of Crete::School of Electrical and Computer Engineering | en |
| Ακαδημαϊκή Μονάδα | Πολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών | el |
| Περίληψη | 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 |
| Τύπος | Μεταπτυχιακή Διατριβή | el |
| Τύπος | Master Thesis | en |
| Άδεια Χρήσης | http://creativecommons.org/licenses/by/4.0/ | en |
| Ημερομηνία | 2017-03-27 | - |
| Ημερομηνία Δημοσίευσης | 2017 | - |
| Θεματική Κατηγορία | Streaming time series analytics | en |
| Θεματική Κατηγορία | Big data | en |
| Βιβλιογραφική Αναφορά | Nikolaos Pavlakis, "Scaling out streaming time series analytics on Storm", Master Thesis, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2017 | en |
| Βιβλιογραφική Αναφορά | Νικόλαος Παυλάκης, "Κλιμάκωση αναλυτικής επεξεργασίας συνεχών χρονοσειρών χρησιμοποιώντας την πλατφόρμα Storm", Μεταπτυχιακή Διατριβή, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2017 | el |
Copyright © DIAS 2013
