Fundierte Entscheidungen durch Wetterdaten

Größe: px
Ab Seite anzeigen:

Download "Fundierte Entscheidungen durch Wetterdaten"

Transkript

1 Gernot Fels, Global Marketing, Fujitsu Fundierte Entscheidungen durch Wetterdaten Showcase für die Analyse von Wetter- und Klimatrends FUJITSU

2 Prognosen für Wetter- und Klimatrends Wer benötigt zuverlässige und langfristige Aussagen zu Wetter- und Klimatrends? Erneuerbare Energieerzeugung (Solar, Wind) Betrieb von Kraftwerken Planer in Landwirtschaft (Überflutung, Schädlinge) Planung von Wintersportanlagen Gemeinden, Landkreise, Regierung Transport, Schifffahrt, Flugverkehr, Segeln Versicherungen Industrie, Handel, Dienste Historische Wetterdaten als Basis für Trendanalyse FUJITSU

3 Historische Wetterdaten für Trendanalyse European Centre for Medium-Range Weather Forecasts (ECMWF) Analyse der Wetterentwicklung Globale Wetterdaten seit 1979 Zeitliche Abfolge globaler Wetterkarten Nutzbar für Klimaforschung und lokale Trendanalysen Wettermodell ERA Interim ECMWF Re-Analysis; Interim (Höchste Auflösung) Modellauflösung Zeitintervall 6h Messzeiten: 0:00, 6:00, 12:00, 18:00 GMT Gitter in 0,25 (4 Gitterpunkte pro Grad) 128 meteorologische Indikatoren Zeitliche Abfolgen von Wetterkarten FUJITSU

4 Meteorologische Indikatoren 10 metre U wind component Large-scale snowfall Surface net thermal radiation Vertical integral of eastward cloud liquid water flux 10 metre V wind component Logarithm of surface roughness length for heat Surface net thermal radiation, clear sky Vertical integral of eastward geopotential flux 10 metre wind gust since previous post-processing Low cloud cover Surface pressure Vertical integral of eastward heat flux 2 metre dewpoint temperature Maximum temperature at 2 metres since previous post-processing Surface roughness Vertical integral of eastward kinetic energy flux 2 metre temperature Mean sea level pressure Surface sensible heat flux Vertical integral of eastward mass flux Albedo Mean wave direction Surface solar radiation downwards Vertical integral of eastward ozone flux Boundary layer dissipation Mean wave period Surface thermal radiation downwards Vertical integral of eastward total energy flux Boundary layer height Medium cloud cover Temperature of snow layer Vertical integral of eastward water vapour flux Charnock Minimum temperature at 2 metres since previous post-processing TOA incident solar radiation Vertical integral of energy conversion Clear sky surface photosynthetically active radiation Northward gravity wave surface stress Top net solar radiation Vertical integral of kinetic energy Convective available potential energy Northward turbulent surface stress Top net solar radiation, clear sky Vertical integral of mass of atmosphere Convective precipitation Photosynthetically active radiation at the surface Top net thermal radiation Vertical integral of mass tendency Convective snowfall Runoff Top net thermal radiation, clear sky Vertical integral of northward cloud frozen water flux Downward UV radiation at the surface Sea surface temperature Total cloud cover Vertical integral of northward cloud liquid water flux Eastward gravity wave surface stress Sea-ice cover Total column ice water Vertical integral of northward geopotential flux Eastward turbulent surface stress Significant height of combined wind waves and swell Total column liquid water Vertical integral of northward heat flux Evaporation Skin reservoir content Total column ozone Vertical integral of northward kinetic energy flux Forecast albedo Skin temperature Total column water Vertical integral of northward mass flux Forecast logarithm of surface roughness for heat Snow albedo Total column water vapour Vertical integral of northward ozone flux Forecast surface roughness Snow density Total precipitation Vertical integral of northward total energy flux Gravity wave dissipation Snow depth Vertical integral of cloud frozen water Vertical integral of northward water vapour flux High cloud cover Snow evaporation Vertical integral of cloud liquid water Vertical integral of ozone Ice temperature layer 1 Snowfall Vertical integral of divergence of cloud frozen water flux Vertical integral of potential+internal energy Ice temperature layer 2 Snowmelt Vertical integral of divergence of cloud liquid water flux Vertical integral of potential+internal+latent energy Ice temperature layer 3 Soil temperature level 1 Vertical integral of divergence of geopotential flux Vertical integral of temperature Ice temperature layer 4 Soil temperature level 2 Vertical integral of divergence of kinetic energy flux Vertical integral of thermal energy Instantaneous eastward turbulent surface stress Soil temperature level 3 Vertical integral of divergence of mass flux Vertical integral of total energy Instantaneous moisture flux Soil temperature level 4 Vertical integral of divergence of moisture flux Vertical integral of water vapour Instantaneous northward turbulent surface stress Sunshine duration Vertical integral of divergence of ozone flux Volumetric soil water layer 1 Instantaneous surface sensible heat flux Surface latent heat flux Vertical integral of divergence of thermal energy flux Volumetric soil water layer 2 Large-scale precipitation Surface net solar radiation Vertical integral of divergence of total energy flux Volumetric soil water layer 3 Large-scale precipitation fraction Surface net solar radiation, clear sky Vertical integral of eastward cloud frozen water flux Volumetric soil water layer FUJITSU

5 GRIB für historische und künftige Wetterdaten GRIdded Binary Komprimiertes Binärformat Von World Meteorological Organization (WMO) festgelegter Standard Zur Speicherung von Wetterdaten Basierend auf rechteckigem Gitter Geographische Koordinaten als Gitterpunkte FUJITSU

6 Herausforderungen und Ziele Herausforderungen Zeitreihen globaler Wetterkarten ermöglichen keine sofortige Einsicht bzgl. eines bestimmten Ortes Schwierige und langwierige Auswertung (bspw. zum Abschätzen von Windwahrscheinlichkeiten) Späte Entscheidungen Ziele Zeitreihen für bestimmten Ort abrufen Durchstich für relevante Gitterpunkte über relevanten Zeitraum hinweg Datentransformation erforderlich Über welche Dateimengen und Datenvolumina sprechen wir denn? FUJITSU

7 Dateimengen und Datenvolumen 1 GRIB Datei pro Messung 4 Dateien pro Tag Eingabedateien (zeitbezogen) über 35 Jahre 360 Längengrade 4 Gitterpunkte pro Längengrad 180 Breitengrade 4 Gitterpunkte pro Breitengrad 1 Gitterpunkt hinzufügen (Nord- und Südpol) 360 x 4 x (180 x 4 +1) = Gitterpunkte Ausgabedateien (ortsbezogen) 128 meteorologische Indikatoren, je 4 Bytes 25 TB historische Wetterdaten Welches Lösungskonzept hilft hier? FUJITSU

8 Client Verteilte Parallelverarbeitung Konzept Daten und I/O auf Rechnerknoten in Cluster verteilen Lokale Speicher in Serversystemen Verarbeitung zu Daten verlagern Shared nothing Architektur Datenreplikation auf mehrere Server Nutzen Hohe Leistung, schnelle Resultate Unbegrenzte Skalierbarkeit Fehlertoleranz Kosteneffizienz (Standard-Server mit OSS) Beispiele Master JobTracker NameNode Slaves TaskTracker DataNode TaskTracker DataNode TaskTracker DataNode DFS FUJITSU

9 wird den Anforderungen gerecht ECMWF-Daten als Eingabe ECMWF-Daten in HDFS laden MR zur Invertierung der Daten Von Zeitreihen weltweiter Wetterkarten In Gitterpunkt-basierte Zeitreihen von Wetterdaten Java Apps Benachbarte Zeitreihen abrufen, lokale Wetterentwicklung ermitteln Ergebnisse visualisieren Inkrementeller Update mittels kurzer MR-Jobs Wetterhistorie importieren Benachbarte Zeitreihen abrufen, lokale Wetterentwicklung ermitteln Ergebnis visualisieren Zeitreihen invertieren FUJITSU

10 Browser-Zugriff auf visualisierte Ergebnisse Zeit Windgeschwindigkeit Windhäufigkeit & Richtung Ort Temperatur Windgeschwindigkeit & Richtung Luftdruck Monatsauswahl Langfristige Betrachtung FUJITSU

11 Beispiel: Windpark-Planung Zeitraum: 14 Jahre ( ) 4 Snapshots pro Tag Eingabedateien (zeitbezogen) von ECMWF Datensätze Gitterpunkte = Ausgabedateien (ortsbezogen) FUJITSU

12 Lösungsansatz entscheidet über Zeitbedarf PERL ~100 min zur Verarbeitung der Daten aus 1 Monat 12 x 14 x 100 min ~ 12 Tage (Daten über 14 Jahre) 12 x 35 x 100 min ~ 30 Tage (Daten über 35 Jahre) In Praxis nicht akzeptabel FUJITSU

13 Lösungsansatz entscheidet über Zeitbedarf PERL ~100 min zur Verarbeitung der Daten aus 1 Monat 12 x 14 x 100 min ~ 12 Tage (Daten über 14 Jahre) 12 x 35 x 100 min ~ 30 Tage (Daten über 35 Jahre) In Praxis nicht akzeptabel MapReduce 30 min für Import in HDFS 141 min zur Verarbeitung HDFS-Dateien lesen Datentransformation In neue HDFS-Dateien schreiben ~120 x schneller als Script-Ansatz 8 Slave Nodes (2-socket, 6C/12T) Server nicht vollständig genutzt Verbesserungspotenzial durch Eliminieren anderer Last Geschwindigkeitsvorteil durch Parallelisierung FUJITSU

14 Lösungsansatz entscheidet über Zeitbedarf PERL ~100 min zur Verarbeitung der Daten aus 1 Monat 12 x 14 x 100 min ~ 12 Tage (Daten über 14 Jahre) 12 x 35 x 100 min ~ 30 Tage (Daten über 35 Jahre) In Praxis nicht akzeptabel MapReduce 30 min für Import in HDFS 141 min zur Verarbeitung HDFS-Dateien lesen Datentransformation In neue HDFS-Dateien schreiben ~120 x schneller als Script-Ansatz 8 Slave Nodes (2-socket, 6C/12T) Server nicht vollständig genutzt Verbesserungspotenzial durch Eliminieren anderer Last Weitere Möglichkeiten zur Beschleunigung? FUJITSU

15 In-Memory Plattform als Option Für einzelne Benutzer ist Hadoop-Plattform ausreichend Abruf und Visualisierung im Sekundenbereich Antwortzeiten werden länger Mehr Benutzer, mehr Abfragen Komplexe Abfragen, bspw. welche Orte in Region kommen am ehesten für bestimmte Pläne in Frage Lösung: IMDG Abruf und Visualisierung beschleunigen Vordefinierte Abfragen speicherresident Schnelle Datentransformation Wetterhistorie importieren Benachbarte Zeitreihen abrufen, lokale Wetterentwicklung ermitteln Ergebnis visualisieren Zeitreihen invertieren In-Memory Plattform wird mit jedem Komplexitätsgrad fertig FUJITSU

16 Datentransformation Nur 1x oder öfter? Abhängig vom Einsatzfall kein einmaliger Vorgang Erneute Invertierung der Wetterkarten bei neuen Fragestellungen Ableitung aus meteorologischen Indikatoren in globalen Wetterkarten Beispiel: Max. Windgeschwindigkeit Spitzengeschwindigkeiten einer durchziehenden Wetterfront treten nur kurz an einer Stelle auf Fallen oft durch 6 h Raster Ermittlung der Front auf Wetterkarte zeitlich davor und dahinter In-Memory Plattform Enormer Zeitgewinn bei wiederholter Datentransformation FUJITSU

17 Sprechen wir hier von einem Big Data-Projekt? Volume Variety Versatility Velocity Value 1 Datenquelle Strukturierte Daten Datenerzeugung nicht in hoher Frequenz Analyse nicht immer zeitkritisch 25 TB x 2 ein beachtliches Volumen Konventionelle Konzepte helfen nicht Big Data-Technologien lösen Kundenproblem Erschwinglich Skalierbar mit Datenwachstum Gewünschte Bearbeitungszeit einstellbar In der Tat kein alltägliches Big Data-Projekt, aber ein sehr interessantes FUJITSU

18 Data in motion Data at rest Wie passt das in unsere Big Data Infrastruktur? Data Sources Analytics Platform Access IMDB DB / DW Distributed Parallel Processing IMDB NoSQL Apps Services Queries. IMDG Un- / Semi-/ Polystructured data CEP IMDG DB / DW IMDG Visualization Reporting Notification Various data Consolidated data Distilled essence Applied knowledge Extract, Collect Clean, Transform Analyze, Visualize Decide, Act FUJITSU

19 Data in motion Data at rest Wie passt das in unsere Big Data Infrastruktur? Data Sources Analytics Platform Access IMDB IMDB Apps Services Queries. DB / DW NoSQL IMDG Un- / Semi-/ Polystructured data CEP IMDG DB / DW Visualization Reporting Notification Various data Consolidated data Distilled essence Applied knowledge Extract, Collect Clean, Transform Analyze, Visualize Decide, Act FUJITSU

20 Wie kann helfen? Komplette Analyse-Plattform Infrastruktur und Services Beratung, Design, Einführung, Betrieb, Wartung Applikationen zu Transformation, Analyse und Visualisierung Integrierte Systeme für schnellen Einsatz Lokations-basierte Zeitreihen als Web-Service in Cloud Expertise in Wettervorhersagen Alles aus einer Hand: Einfach, schnell und ohne Risiko FUJITSU

21 Zusammenfassung Big Data einer der Megatrends von heute Vielversprechender Kundennutzen Spannende Einsatzfälle in allen Branchen Wissen über künftiges Wetter und Klima wertvoll für viele Zielgruppen Historische Daten verfügbar Transformation erforderlich zwecks gewünschter Einsicht und Trenderkennung Durchgängige Lösungen von Fujitsu Integrierte Systeme für schnellen Einsatz Ergänzende Dienstleistungen Möchten Sie in die Zukunft schauen? Dann sprechen Sie einfach mit Fujitsu FUJITSU

22 FUJITSU

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria

Analyse von unstrukturierten Daten. Peter Jeitschko, Nikolaus Schemel Oracle Austria Analyse von unstrukturierten Daten Peter Jeitschko, Nikolaus Schemel Oracle Austria Evolution von Business Intelligence Manuelle Analyse Berichte Datenbanken (strukturiert) Manuelle Analyse Dashboards

Mehr

Meteorological measurements at the Offshore Platform FINO 2 - new insights -

Meteorological measurements at the Offshore Platform FINO 2 - new insights - FINO 2011 Conference May 11 th 2011, Hamburg, Germany Meteorological measurements at the Offshore Platform FINO 2 - new insights - Dipl.-Geoök. Stefan Müller, Dipl.-Ing Joachim Schwabe Content 1. FINO

Mehr

Peter Dikant mgm technology partners GmbH. Echtzeitsuche mit Hadoop und Solr

Peter Dikant mgm technology partners GmbH. Echtzeitsuche mit Hadoop und Solr Peter Dikant mgm technology partners GmbH Echtzeitsuche mit Hadoop und Solr ECHTZEITSUCHE MIT HADOOP UND SOLR PETER DIKANT MGM TECHNOLOGY PARTNERS GMBH WHOAMI peter.dikant@mgm-tp.com Java Entwickler seit

Mehr

Einführung in Hadoop

Einführung in Hadoop Einführung in Hadoop Inhalt / Lern-Ziele Übersicht: Basis-Architektur von Hadoop Einführung in HDFS Einführung in MapReduce Ausblick: Hadoop Ökosystem Optimierungen Versionen 10.02.2012 Prof. Dr. Christian

Mehr

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle

DATA WAREHOUSE. Big Data Alfred Schlaucher, Oracle DATA WAREHOUSE Big Data Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen aus Unternehmens- Daten ziehen! Datenmengen, Performance und Kosten Daten als Geschäftsmodell

Mehr

Vereisungsvorhersage für Windenergieanlagen

Vereisungsvorhersage für Windenergieanlagen Vereisungsvorhersage für Windenergieanlagen Methode und Entwickelung zu verbesserung der Vorhersage bei Vereisung Ir. Jarno Schipper Forecasting Analyst 1 SAFER, SMARTER, GREENER DNV GL - Energy Asset

Mehr

NoSQL-Datenbanken und Hadoop im Zusammenspiel mit dem Data Warehouse

NoSQL-Datenbanken und Hadoop im Zusammenspiel mit dem Data Warehouse NoSQL-Datenbanken und Hadoop im Zusammenspiel mit dem Data Warehouse Carsten Czarski Oracle Deutschland B.V. & Co KG Big Data Betrachten von Daten die bislang nicht betrachtet wurden

Mehr

Simulation von kleinräumigen Windfeldern in alpinem Gelände

Simulation von kleinräumigen Windfeldern in alpinem Gelände imulation von kleinräumigen Windfeldern in alpinem Gelände Inhalt Einleitung CFD imulation lokaler Windfelder Modellgleichungen Problem der offenen Randbedingungen Turbulenzmodell Datenquellen für imulation

Mehr

Oracle BI&W Referenz Architektur Big Data und High Performance Analytics

Oracle BI&W Referenz Architektur Big Data und High Performance Analytics DATA WAREHOUSE Oracle BI&W Referenz Architektur Big Data und High Performance Analytics Alfred Schlaucher, Oracle Scale up Unternehmensdaten zusammenfassen Noch mehr Informationen

Mehr

Cloud und Big Data als Sprungbrett in die vernetzte Zukunft am Beispiel Viessmann

Cloud und Big Data als Sprungbrett in die vernetzte Zukunft am Beispiel Viessmann Cloud und Big Data als Sprungbrett in die vernetzte Zukunft am Beispiel Viessmann Adam Stambulski Project Manager Viessmann R&D Center Wroclaw Dr. Moritz Gomm Business Development Manager Zühlke Engineering

Mehr

Hadoop-as-a-Service (HDaaS)

Hadoop-as-a-Service (HDaaS) Hadoop-as-a-Service (HDaaS) Flexible und skalierbare Referenzarchitektur Arnold Müller freier IT Mitarbeiter und Geschäftsführer Lena Frank Systems Engineer @ EMC Marius Lohr Systems Engineer @ EMC Fallbeispiel:

Mehr

Wir befinden uns inmitten einer Zeit des Wandels.

Wir befinden uns inmitten einer Zeit des Wandels. Wir befinden uns inmitten einer Zeit des Wandels. Geräte Apps Ein Wandel, der von mehreren Trends getrieben wird Big Data Cloud Geräte Mitarbeiter in die Lage versetzen, von überall zu arbeiten Apps Modernisieren

Mehr

Mobile Backend in der

Mobile Backend in der Mobile Backend in der Cloud Azure Mobile Services / Websites / Active Directory / Kontext Auth Back-Office Mobile Users Push Data Website DevOps Social Networks Logic Others TFS online Windows Azure Mobile

Mehr

Oracle Big Data Technologien Ein Überblick

Oracle Big Data Technologien Ein Überblick Oracle Big Data Technologien Ein Überblick Ralf Lange Global ISV & OEM Sales NoSQL: Eine kurze Geschichte Internet-Boom: Erste Ansätze selbstgebauter "Datenbanken" Google stellt "MapReduce"

Mehr

Step 0: Bestehende Analyse-Plattform

Step 0: Bestehende Analyse-Plattform Die Themen 09:30-09:45 Einführung in das Thema (Oracle) 09:45-10:15 Hadoop in a Nutshell (metafinanz) 10:15-10:45 Hadoop Ecosystem (metafinanz) 10:45-11:00 Pause 11:00-11:30 BigData Architektur-Szenarien

Mehr

Solare Einstrahlung: Potentiale und Vorhersagbarkeit des Solarenergieangebotes in Niedersachsen

Solare Einstrahlung: Potentiale und Vorhersagbarkeit des Solarenergieangebotes in Niedersachsen Solare Einstrahlung: Potentiale und Vorhersagbarkeit des Solarenergieangebotes in Niedersachsen Elke Lorenz Universität Oldenburg, Institut für Physik Abteilung Energie- und Halbleiterforschung AG Energiemeteorologie

Mehr

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com

Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick. Volker.Hinz@microsoft.com Die Microsoft-Komplettlösung für Datawarehousing, Big Data und Business Intelligence im Überblick Volker.Hinz@microsoft.com Was sagt der Markt? Fakten Meinung der Analysten zu Microsofts Angeboten Nutzen

Mehr

Hoch aufgelöste Sensitivitätsstudien

Hoch aufgelöste Sensitivitätsstudien Regional and Local Climate Modeling Research Group R e L o C l i m Hoch aufgelöste Sensitivitätsstudien mit dem regionalen Klimamodell CCLM im Alpenraum M. Suklitsch, A. Gobiet, A. Leuprecht, C. Frei Wegener

Mehr

SaaS-Referenzarchitektur. iico-2013-berlin

SaaS-Referenzarchitektur. iico-2013-berlin SaaS-Referenzarchitektur iico-2013-berlin Referent Ertan Özdil Founder / CEO / Shareholder weclapp die Anforderungen 1.000.000 registrierte User 3.000 gleichzeitig aktive user Höchste Performance Hohe

Mehr

Hadoop aus IT-Operations Sicht Teil 1 Hadoop-Grundlagen

Hadoop aus IT-Operations Sicht Teil 1 Hadoop-Grundlagen Hadoop aus IT-Operations Sicht Teil 1 Hadoop-Grundlagen Brownbag am Freitag, den 26.07.2013 Daniel Bäurer inovex GmbH Systems Engineer Wir nutzen Technologien, um unsere Kunden glücklich zu machen. Und

Mehr

Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht)

Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht) Performanceoptimierung mit Exadata Verarbeitung extremer Datenmengen mit PL/SQL basierter Datenbewirtschaftung (Erfahrungsbericht) Christian Haag, DATA MART Consulting Consulting Manager Oracle DWH Team

Mehr

Wonderware 2014. InTouch 11.0 Wonderware InTouch 2014

Wonderware 2014. InTouch 11.0 Wonderware InTouch 2014 März 2014 2014 Invensys. All Rights Reserved. The names, logos, and taglines identifying the products and services of Invensys are proprietary marks of Invensys or its subsidiaries. All third party trademarks

Mehr

Numerical analysis of the influence of turbulence on the exchange processes between porous-medium and free flow

Numerical analysis of the influence of turbulence on the exchange processes between porous-medium and free flow Numerical analysis of the influence of turbulence on the exchange processes between porous-medium and free flow T. Fetzer Institut für Wasser- und Umweltsystemmodellierung Universität Stuttgart January

Mehr

Big-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht

Big-Data-Technologien - Überblick - Prof. Dr. Jens Albrecht Big-Data-Technologien - Überblick - Quelle: http://www.ingenieur.de/panorama/fussball-wm-in-brasilien/elektronischer-fussball-smartphone-app-helfen-training Big-Data-Anwendungen im Unternehmen Logistik

Mehr

QUICK-START EVALUIERUNG

QUICK-START EVALUIERUNG Pentaho 30 für 30 Webinar QUICK-START EVALUIERUNG Ressourcen & Tipps Leo Cardinaals Sales Engineer 1 Mit Pentaho Business Analytics haben Sie eine moderne und umfassende Plattform für Datenintegration

Mehr

Business Analytics Die Finanzfunktion auf dem Weg zur Strategieberatung? IBM Finance Forum, 20. März 2013 Prof. Dr.

Business Analytics Die Finanzfunktion auf dem Weg zur Strategieberatung? IBM Finance Forum, 20. März 2013 Prof. Dr. v Business Analytics Die Finanzfunktion auf dem Weg zur Strategieberatung? IBM Finance Forum, 20. März 2013 Prof. Dr. Gerhard Satzger Agenda 1. Wie sieht die erfolgreiche Finanzfunktion von morgen aus?

Mehr

FME Server comme plateforme d échanges de données raster multi-temporelles chez MeteoSuisse

FME Server comme plateforme d échanges de données raster multi-temporelles chez MeteoSuisse FME Server comme plateforme d échanges de données raster multi-temporelles chez MeteoSuisse FME Server als multidimensionale Rasterdatendrehscheibe bei MeteoSchweiz Estelle Grüter, Meteoschweiz. Estelle.Grueter@meteoswiss.ch

Mehr

Möglichkeiten für bestehende Systeme

Möglichkeiten für bestehende Systeme Möglichkeiten für bestehende Systeme Marko Filler Bitterfeld, 27.08.2015 2015 GISA GmbH Leipziger Chaussee 191 a 06112 Halle (Saale) www.gisa.de Agenda Gegenüberstellung Data Warehouse Big Data Einsatz-

Mehr

GPU-basierte Beschleunigung von MapReduce am Beispiel von OpenCL und Hadoop

GPU-basierte Beschleunigung von MapReduce am Beispiel von OpenCL und Hadoop am Beispiel von OpenCL und Masterseminar Hochschule für Technik, Wirtschaft und Kultur Leipzig Leipzig, 02.11.2011 Gliederung 1 Grundlagen 2 3 Gliederung 1 Grundlagen 2 3 Was ist? Clustersystem zur verteilten

Mehr

Infrastruktur fit machen für Hochverfügbarkeit, Workload Management und Skalierbarkeit

Infrastruktur fit machen für Hochverfügbarkeit, Workload Management und Skalierbarkeit make connections share ideas be inspired Infrastruktur fit machen für Hochverfügbarkeit, Workload Management und Skalierbarkeit Artur Eigenseher, SAS Deutschland Herausforderungen SAS Umgebungen sind in

Mehr

Spark, Impala und Hadoop in der Kreditrisikoberechnung

Spark, Impala und Hadoop in der Kreditrisikoberechnung Spark, Impala und Hadoop in der Kreditrisikoberechnung Big Data In-Memory-Technologien für mittelgroße Datenmengen TDWI München, 22. Juni 2015 Joschka Kupilas, Data Scientist, Adastra GmbH 2 Inhalt Vorwort

Mehr

e2watch Energiekosten und Umwelt: Alles im grünen Bereich.

e2watch Energiekosten und Umwelt: Alles im grünen Bereich. e2watch Energiekosten und Umwelt: Alles im grünen Bereich. Hintergründe - Stadt Aachen Motivation und Anforderung Die Energiekosten der kommunalen Liegenschaften der Stadt Aachen liegen bei ca. 11 Mio

Mehr

Big Data Mythen und Fakten

Big Data Mythen und Fakten Big Data Mythen und Fakten Mario Meir-Huber Research Analyst, IDC Copyright IDC. Reproduction is forbidden unless authorized. All rights reserved. About me Research Analyst @ IDC Author verschiedener IT-Fachbücher

Mehr

Hadoop. Eine Open-Source-Implementierung von MapReduce und BigTable. von Philipp Kemkes

Hadoop. Eine Open-Source-Implementierung von MapReduce und BigTable. von Philipp Kemkes Hadoop Eine Open-Source-Implementierung von MapReduce und BigTable von Philipp Kemkes Hadoop Framework für skalierbare, verteilt arbeitende Software Zur Verarbeitung großer Datenmengen (Terra- bis Petabyte)

Mehr

MapReduce in der Praxis

MapReduce in der Praxis MapReduce in der Praxis Rolf Daniel Seminar Multicore Programmierung 09.12.2010 1 / 53 Agenda Einleitung 1 Einleitung 2 3 Disco Hadoop BOOM 4 2 / 53 1 Einleitung 2 3 Disco Hadoop BOOM 4 3 / 53 Motivation

Mehr

SQL PASS Treffen RG KA. Überblick Microsoft Power BI Tools. Stefan Kirner Karlsruhe, 27.05.2014

SQL PASS Treffen RG KA. Überblick Microsoft Power BI Tools. Stefan Kirner Karlsruhe, 27.05.2014 SQL PASS Treffen RG KA Überblick Microsoft Power BI Tools Stefan Kirner Karlsruhe, 27.05.2014 Agenda Die wichtigsten Neuerungen in SQL 2012 und Power BI http://office.microsoft.com/en-us/office365-sharepoint-online-enterprise-help/power-bi-for-office-365-overview-andlearning-ha104103581.aspx

Mehr

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden

In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden In-Memory & Real-Time Hype vs. Realität: Maßgeschneiderte IBM Business Analytics Lösungen für SAP-Kunden Jens Kaminski ERP Strategy Executive IBM Deutschland Ungebremstes Datenwachstum > 4,6 Millarden

Mehr

BigTable. 11.12.2012 Else

BigTable. 11.12.2012 Else BigTable 11.12.2012 Else Einführung Distributed Storage System im Einsatz bei Google (2006) speichert strukturierte Daten petabyte-scale, > 1000 Nodes nicht relational, NoSQL setzt auf GFS auf 11.12.2012

Mehr

Dateisysteme und Datenverwaltung in der Cloud

Dateisysteme und Datenverwaltung in der Cloud Dateisysteme und Datenverwaltung in der Cloud Sebastian Fischer Master-Seminar Cloud Computing - WS 2013/14 Institut für Telematik, Universität zu Lübeck Dateisysteme und Datenverwaltung in der Cloud 1

Mehr

Big Data Hype und Wirklichkeit Bringtmehrauchmehr?

Big Data Hype und Wirklichkeit Bringtmehrauchmehr? Big Data Hype und Wirklichkeit Bringtmehrauchmehr? Günther Stürner, Vice President Sales Consulting 1 Copyright 2011, Oracle and/or its affiliates. All rights Überschrift 2 Copyright 2011, Oracle and/or

Mehr

Generalisierung von großen Datenbeständen am Beispiel der Gebäudegeneralisierung mit CHANGE

Generalisierung von großen Datenbeständen am Beispiel der Gebäudegeneralisierung mit CHANGE Institut für Kartographie und Geoinformatik Leibniz Universität Hannover Generalisierung von großen Datenbeständen am Beispiel der Gebäudegeneralisierung mit CHANGE Frank Thiemann, Thomas Globig Frank.Thiemann@ikg.uni-hannover.de

Mehr

DISCOVER BIG DATA & PREDICTIVE ANALYTICS DISCOVER INSIGHTS

DISCOVER BIG DATA & PREDICTIVE ANALYTICS DISCOVER INSIGHTS BIG DATA & PREDICTIVE ANALYTICS BIG DATA & PREDICTIVE ANALYTICS Turn communication into usable data. In einer zunehmend vernetzten, digitalen Service-Ökonomie müssen Sie die Wünsche Ihrer Kunden laufend

Mehr

EXASOL @ Symposium on Scalable Analytics. www.exasol.com. Skalierbare Analysen mit EXASolution

EXASOL @ Symposium on Scalable Analytics. www.exasol.com. Skalierbare Analysen mit EXASolution EXASOL @ Symposium on Scalable Analytics Skalierbare Analysen mit EXASolution EXASOL AG Wer sind wir R&D: + seit 2000 + laufend Forschungsprojekte Produkt: Analytische Datenbank EXASolution Focus auf Komplexität

Mehr

Archivierung und Reporting mit System. SIMATIC Process Historian 2014 SIMATIC Information Server 2014. siemens.de/simatic

Archivierung und Reporting mit System. SIMATIC Process Historian 2014 SIMATIC Information Server 2014. siemens.de/simatic Archivierung und Reporting mit System SIMATIC Process Historian 2014 SIMATIC Information Server 2014 siemens.de/simatic Effiziente Betriebsführung und Analyse Die moderne Datenflut Herausforderung und

Mehr

EMC. Data Lake Foundation

EMC. Data Lake Foundation EMC Data Lake Foundation 180 Wachstum unstrukturierter Daten 75% 78% 80% 71 EB 106 EB 133 EB Weltweit gelieferte Gesamtkapazität Unstrukturierte Daten Quelle März 2014, IDC Structured vs. Unstructured

Mehr

Storage-Trends am LRZ. Dr. Christoph Biardzki

Storage-Trends am LRZ. Dr. Christoph Biardzki Storage-Trends am LRZ Dr. Christoph Biardzki 1 Über das Leibniz-Rechenzentrum (LRZ) Seit 50 Jahren Rechenzentrum der Bayerischen Akademie der Wissenschaften IT-Dienstleister für Münchner Universitäten

Mehr

Managed Cloud Services

Managed Cloud Services Managed Cloud Services Autor.: Monika Olschewski Whitepaper Version: 1.0 Erstellt am: 14.07.2010 ADACOR Hosting GmbH Kaiserleistrasse 51 63067 Offenbach am Main info@adacor.com www.adacor.com Cloud Services

Mehr

Complex Hosting. Whitepaper. Autor.: Monika Olschewski. Version: 1.0 Erstellt am: 14.07.2010. ADACOR Hosting GmbH

Complex Hosting. Whitepaper. Autor.: Monika Olschewski. Version: 1.0 Erstellt am: 14.07.2010. ADACOR Hosting GmbH Complex Hosting Autor.: Monika Olschewski Whitepaper Version: 1.0 Erstellt am: 14.07.2010 ADACOR Hosting GmbH Kaiserleistrasse 51 63067 Offenbach am Main info@adacor.com www.adacor.com Complex Hosting

Mehr

ANALYTICS, RISK MANAGEMENT & FINANCE ARCHITECTURE. NoSQL Datenbanksysteme Übersicht, Abgrenzung & Charakteristik

ANALYTICS, RISK MANAGEMENT & FINANCE ARCHITECTURE. NoSQL Datenbanksysteme Übersicht, Abgrenzung & Charakteristik ARFA ANALYTICS, RISK MANAGEMENT & FINANCE ARCHITECTURE NoSQL Datenbanksysteme Übersicht, Abgrenzung & Charakteristik Ralf Leipner Domain Architect Analytics, Risk Management & Finance 33. Berner Architekten

Mehr

Mehr Mobilität. Digitale Generation. Vielzahl an Geräten. Schnelllebigkeit. Arbeit und Freizeit verschwimmen. Daten Explosion

Mehr Mobilität. Digitale Generation. Vielzahl an Geräten. Schnelllebigkeit. Arbeit und Freizeit verschwimmen. Daten Explosion Arbeit und Freizeit verschwimmen Mehr Mobilität Digitale Generation Vielzahl an Geräten Daten Explosion Wandel in der IT Schnelllebigkeit Überblick App Services Computing Daten-Dienste Netzwerk Automatisiert

Mehr

Open Source als de-facto Standard bei Swisscom Cloud Services

Open Source als de-facto Standard bei Swisscom Cloud Services Open Source als de-facto Standard bei Swisscom Cloud Services Dr. Marcus Brunner Head of Standardization Strategy and Innovation Swisscom marcus.brunner@swisscom.com Viele Clouds, viele Trends, viele Technologien

Mehr

Hochverfügbarkeit mit Windows Server vnext. Carsten Rachfahl Microsoft Hyper-V MVP

Hochverfügbarkeit mit Windows Server vnext. Carsten Rachfahl Microsoft Hyper-V MVP Hochverfügbarkeit mit Windows Server vnext Carsten Rachfahl Microsoft Hyper-V MVP Carsten Rachfahl www.hyper-v-server.de Roling Cluster Upgrade Herausforderung: Update eines Failover Clusters ohne Downtime

Mehr

Eine Datendrehscheibe für Raster-Massendaten

Eine Datendrehscheibe für Raster-Massendaten Eine Datendrehscheibe für Raster-Massendaten Markus von Brevern toposoft GmbH Kandelfeldstraße 82 52074 Aachen mvb@toposoft.de Abstract: Vorgestellt wird eine vollautomatische Datendrehscheibe für Raster-

Mehr

Cloud-Computing. 1. Definition 2. Was bietet Cloud-Computing. 3. Technische Lösungen. 4. Kritik an der Cloud. 2.1 Industrie 2.

Cloud-Computing. 1. Definition 2. Was bietet Cloud-Computing. 3. Technische Lösungen. 4. Kritik an der Cloud. 2.1 Industrie 2. Cloud Computing Frank Hallas und Alexander Butiu Universität Erlangen Nürnberg, Lehrstuhl für Hardware/Software CoDesign Multicorearchitectures and Programming Seminar, Sommersemester 2013 1. Definition

Mehr

Hadoop. Simon Prewo. Simon Prewo

Hadoop. Simon Prewo. Simon Prewo Hadoop Simon Prewo Simon Prewo 1 Warum Hadoop? SQL: DB2, Oracle Hadoop? Innerhalb der letzten zwei Jahre hat sich die Datenmenge ca. verzehnfacht Die Klassiker wie DB2, Oracle usw. sind anders konzeptioniert

Mehr

BI-Kongress 2016 COMBINED THINKING FOR SUCCESS - BI & S/4HANA

BI-Kongress 2016 COMBINED THINKING FOR SUCCESS - BI & S/4HANA BI-Kongress 2016 COMBINED THINKING FOR SUCCESS - BI & S/4HANA AUFSTELLUNG OPTIMIEREN. ENTWICKELN SIE IHRE SYSTEMLANDSCHAFT WEITER UND VERKAUFEN SIE DIE CHANCEN IHREN ANWENDERN Yu Chen, Thorsten Stossmeister

Mehr

23. Januar, Zürich-Oerlikon

23. Januar, Zürich-Oerlikon 23. Januar, Zürich-Oerlikon Apps und Business über die Cloud verbinden Martin Weber Senior Software Engineer / Principal Consultant Cloud Technologies Noser Engineering AG Noser Engineering Noser Engineering

Mehr

Big Data. Hype oder Chance? Sebastian Kraubs

Big Data. Hype oder Chance? Sebastian Kraubs Big Data Hype oder Chance? Sebastian Kraubs Heute reden alle über Big Data Quellen: http://blogs.sybase.com/sybaseiq/2011/09/big-data-big-opportunity/ und McKinsey Studie 2011 Anwendungen Daten Technologien

Mehr

Mobile Backend in. Cloud. Azure Mobile Services / Websites / Active Directory /

Mobile Backend in. Cloud. Azure Mobile Services / Websites / Active Directory / Mobile Backend in Cloud Azure Mobile Services / Websites / Active Directory / Einführung Wachstum / Marktanalyse Quelle: Gartner 2012 2500 Mobile Internet Benutzer Desktop Internet Benutzer Internet Benutzer

Mehr

Ceph. Distributed Storage Julian mino Klinck GPN15-05.06.2015

Ceph. Distributed Storage Julian mino Klinck GPN15-05.06.2015 Distributed Storage Julian mino Klinck GPN15-05.06.2015 Julian mino! Interessen: Netzwerke # Karlsruhe Hardware $ gpn15@lab10.de Cocktails " twitter.com/julianklinck Hacking Musik- und Lichttechnik 2 Julian

Mehr

Software EMEA Performance Tour 2013. 17.-19 Juni, Berlin

Software EMEA Performance Tour 2013. 17.-19 Juni, Berlin Software EMEA Performance Tour 2013 17.-19 Juni, Berlin Accenture s High Performance Analytics Demo-Umgebung Dr, Holger Muster (Accenture), 18. Juni 2013 Copyright 2012 Hewlett-Packard Development Company,

Mehr

Sammeln, sortieren, sichern Klimadaten für unsere Zukunft. Ein DFG-gefördertes Forschungsprojekt zur Langzeitarchivierung von Wetter- und Klimadaten

Sammeln, sortieren, sichern Klimadaten für unsere Zukunft. Ein DFG-gefördertes Forschungsprojekt zur Langzeitarchivierung von Wetter- und Klimadaten Sammeln, sortieren, sichern Klimadaten für unsere Zukunft Ein DFG-gefördertes Forschungsprojekt zur Langzeitarchivierung von Wetter- und Klimadaten Wir sammeln Wetterdaten für bessere Voraussagen und genauere

Mehr

Industrial Data Intelligence. Datenbasierte Produktionsoptimierung

Industrial Data Intelligence. Datenbasierte Produktionsoptimierung !DI Industrial Data Intelligence Datenbasierte Produktionsoptimierung Industrial Data Intelligence Sammeln Analysieren Mit dem Industrial Data Intelligence-Angebot ermöglicht Softing Industrial die datenbasierte

Mehr

Big Data. Prof. Robert Jäschke Forschungszentrum L3S Leibniz Universität Hannover

Big Data. Prof. Robert Jäschke Forschungszentrum L3S Leibniz Universität Hannover Big Data Prof. Robert Jäschke Forschungszentrum L3S Leibniz Universität Hannover Agenda Was ist Big Data? Parallele Programmierung Map/Reduce Der Big Data Zoo 2 3Vs oder: Was ist Big Data? Deutsche Telekom:

Mehr

CEPaaS. Complex Event Processing as a Service. Bernhard Seeger Philipps-Universität Marburg RTM Realtime Monitoring GmbH

CEPaaS. Complex Event Processing as a Service. Bernhard Seeger Philipps-Universität Marburg RTM Realtime Monitoring GmbH CEPaaS Complex Event Processing as a Service Bernhard Seeger Philipps-Universität Marburg RTM Realtime Monitoring GmbH Daniar Achakeyev, Daniel Schäfer, Philip Schmiegelt CEP-Forschung in Marburg: aus

Mehr

TECHNISCHE HERAUSFORDERUNGEN UND ANSÄTZE DER NUTZUNG VON SENTINEL-DATEN CARSTEN BROCKMANN, MARTIN BOETTCHER BROCKMANN CONSULT GMBH

TECHNISCHE HERAUSFORDERUNGEN UND ANSÄTZE DER NUTZUNG VON SENTINEL-DATEN CARSTEN BROCKMANN, MARTIN BOETTCHER BROCKMANN CONSULT GMBH TECHNISCHE HERAUSFORDERUNGEN UND ANSÄTZE DER NUTZUNG VON SENTINEL-DATEN CARSTEN BROCKMANN, MARTIN BOETTCHER BROCKMANN CONSULT GMBH BROCKMANN CONSULT Gegr. 1999, Geesthacht bei Hamburg 28 Mitarbeiter davon

Mehr

whitepaper CLOUD-ENTWICKLUNG: BESTE METHODEN UND SUPPORT-ANWENDUNGEN

whitepaper CLOUD-ENTWICKLUNG: BESTE METHODEN UND SUPPORT-ANWENDUNGEN whitepaper CLOUD-ENTWICKLUNG: BESTE METHODEN UND SUPPORT-ANWENDUNGEN CLOUD-ENTWICKLUNG: BESTE METHODEN 1 Cloud-basierte Lösungen sind auf dem IT-Markt immer weiter verbreitet und werden von immer mehr

Mehr

DeMarine TP5. Jens Schröter, Lars Nerger, Svetlana Losa, Tijana Janjic(AWI) Frank Janssen(BSH)

DeMarine TP5. Jens Schröter, Lars Nerger, Svetlana Losa, Tijana Janjic(AWI) Frank Janssen(BSH) DeMarine TP5 Entwicklung und Implementierung eines Verfahrens zur Datenassimilation von Fernerkundungsdaten in ein operationelles Modell für Nord- und Ostsee (DOM) Jens Schröter, Lars Nerger, Svetlana

Mehr

Big Data & High-Performance Analytics: Anwendungsszenarien

Big Data & High-Performance Analytics: Anwendungsszenarien Big Data & High-Performance Analytics: Anwendungsszenarien Dr. Thomas Keil, Program Manager Business Analytics Frankfurt 26.4.2012 McKinsey-Studie zeigt Big Value Quelle: McKinsey Global Institute, May

Mehr

MOBILE ENTERPRISE APPLICATION PLATFORM (MEAP)

MOBILE ENTERPRISE APPLICATION PLATFORM (MEAP) MOBILE ENTERPRISE APPLICATION PLATFORM (MEAP) Oliver Steinhauer.mobile PROFI Mobile Business Agenda MOBILE ENTERPRISE APPLICATION PLATFORM AGENDA 01 Mobile Enterprise Application Platform 02 PROFI News

Mehr

Oracle Database 10g Die RAC Evolution

Oracle Database 10g Die RAC Evolution Oracle Database 10g Die RAC Evolution Markus Michalewicz BU Database Technologies ORACLE Deutschland GmbH 2 Page 1 www.decus.de 1 RAC-Revolution, RAC-Evolution & Computing Oracle8i mit OPS Oracle9i Rel.

Mehr

Einführung in Hadoop & MapReduce. Dr. Kathrin Spreyer Big Data Engineer

Einführung in Hadoop & MapReduce. Dr. Kathrin Spreyer Big Data Engineer Einführung in Hadoop & MapReduce Dr. Kathrin Spreyer Big Data Engineer München, 19.06.2013 Agenda Einleitung 1. HDFS 2. MapReduce 3. APIs 4. Hive & Pig 5. Mahout Tools aus Hadoop-Ökosystem 6. HBase 2 Worum

Mehr

MOBILE ENTERPRISE APPLICATION PLATFORM (MEAP)

MOBILE ENTERPRISE APPLICATION PLATFORM (MEAP) MOBILE ENTERPRISE APPLICATION PLATFORM (MEAP) Oliver Steinhauer Markus Urban.mobile PROFI Mobile Business Agenda MOBILE ENTERPRISE APPLICATION PLATFORM AGENDA 01 Mobile Enterprise Application Platform

Mehr

Grid Analytics. Informationsanforderungen und plattformen für Ihre Netze

Grid Analytics. Informationsanforderungen und plattformen für Ihre Netze Grid Analytics Informationsanforderungen und plattformen für Ihre Netze GAT / WAT IT Forum 2014 September 2014 Fichtner-Gruppe Gegründet 1922 und seither in Familienbesitz Deutschlands größtes unabhängiges

Mehr

Big Data im Bereich Information Security

Big Data im Bereich Information Security Der IT-Sicherheitsverband. TeleTrusT-interner Workshop Bochum, 27./28.06.2013 Big Data im Bereich Information Security Axel Daum RSA The Security Division of EMC Agenda Ausgangslage Die Angreifer kommen

Mehr

Big Data in Azure. Ein Beispiel mit HD Insight. Ralf Stemmer

Big Data in Azure. Ein Beispiel mit HD Insight. Ralf Stemmer Big in Azure Ein Beispiel mit HD Insight Ralf Stemmer Agenda owas ist Big? Was ist HD Insight? owelche Probleme kann man damit lösen? odemo Was ist Big? Was ist HD Insight? Datenexplosion - Rasanter Zuwachs

Mehr

WEKA A Machine Learning Interface for Data Mining

WEKA A Machine Learning Interface for Data Mining WEKA A Machine Learning Interface for Data Mining Frank Eibe, Mark Hall, Geoffrey Holmes, Richard Kirkby, Bernhard Pfahringer, Ian H. Witten Reinhard Klaus Losse Künstliche Intelligenz II WS 2009/2010

Mehr

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC

Big Data Herausforderungen und Chancen für Controller. ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC Big Data Herausforderungen und Chancen für Controller ICV Jahrestagung, 19.05.2014 Dr. Carsten Bange, Gründer und Geschäftsführer BARC BARC: Expertise für datengetriebene Organisationen Beratung Strategie

Mehr

Was ist Windows Azure? (Stand Juni 2012)

Was ist Windows Azure? (Stand Juni 2012) Was ist Windows Azure? (Stand Juni 2012) Windows Azure Microsofts Cloud Plattform zu Erstellung, Betrieb und Skalierung eigener Cloud-basierter Anwendungen Cloud Services Laufzeitumgebung, Speicher, Datenbank,

Mehr

Oracle 10g und SQL Server 2005 ein Vergleich. Thomas Wächtler 39221

Oracle 10g und SQL Server 2005 ein Vergleich. Thomas Wächtler 39221 Oracle 10g und SQL Server 2005 ein Vergleich Thomas Wächtler 39221 Inhalt 1. Einführung 2. Architektur SQL Server 2005 1. SQLOS 2. Relational Engine 3. Protocol Layer 3. Services 1. Replication 2. Reporting

Mehr

SAFETY CONSIDERATIONS ON LIQUID HYDROGEN (PART 2)

SAFETY CONSIDERATIONS ON LIQUID HYDROGEN (PART 2) SAFETY CONSIDERATIONS ON LIQUID HYDROGEN (PART 2) Karl Verfondern Research Center Jülich, Germany 2 nd European Summer School on Hydrogen Safety Belfast, July 30 August 8, 2007 Types of Cryogen Release

Mehr

Big Data Anwendungen Chancen und Risiken

Big Data Anwendungen Chancen und Risiken Big Data Anwendungen Chancen und Risiken Dr. Kurt Stockinger Studienleiter Data Science, Dozent für Informatik Zürcher Hochschule für Angewandte Wissenschaften Big Data Workshop Squeezing more out of Data

Mehr

MapReduce und Datenbanken Thema 15: Strom bzw. Onlineverarbeitung mit MapReduce

MapReduce und Datenbanken Thema 15: Strom bzw. Onlineverarbeitung mit MapReduce MapReduce Jan Kristof Nidzwetzki MapReduce 1 / 17 Übersicht 1 Begriffe 2 Verschiedene Arbeiten 3 Ziele 4 DEDUCE: at the intersection of MapReduce and stream processing Beispiel 5 Beyond online aggregation:

Mehr

Querschnittstechnologien inkl. Geothermie F&E Schwerpunkte und deren Implementierungsstrategie

Querschnittstechnologien inkl. Geothermie F&E Schwerpunkte und deren Implementierungsstrategie Querschnittstechnologien inkl. Geothermie F&E Schwerpunkte und deren Implementierungsstrategie Michael Monsberger AIT Austrian Institute of Technology Themenüberblick (2 Panels) Geothermie Oberflächennahe

Mehr

ITSM (BOX & CONSULTING) Christian Hager, MSc

ITSM (BOX & CONSULTING) Christian Hager, MSc ITSM (BOX & CONSULTING) Christian Hager, MSc INHALT Ausgangssituation ITSM Consulting ITSM Box Zentrales Anforderungsmanagement Beispielhafter Zeitplan Nutzen von ITSM Projekten mit R-IT Zusammenfassung

Mehr

Donato Quaresima Matthias Hirsch

Donato Quaresima Matthias Hirsch Die Spezialisten. Meister auf Ihrem Gebiet..Alles so schön bunt hier? Donato Quaresima Matthias Hirsch Microsoft Windows 2012 ein Überblick Inhalt Allgemein Editionen / Lizenzierung Neuerungen allgemein

Mehr

Mission. TARGIT macht es einfach und bezahlbar für Organisationen datengetrieben zu werden

Mission. TARGIT macht es einfach und bezahlbar für Organisationen datengetrieben zu werden Mission TARGIT macht es einfach und bezahlbar für Organisationen datengetrieben zu werden Der Weg zu einem datengesteuerten Unternehmen # Datenquellen x Größe der Daten Basic BI & Analytics Aufbau eines

Mehr

Nr. 33. NoSQL Databases

Nr. 33. NoSQL Databases Nr. 33 NoSQL Databases Das Berner-Architekten-Treffen Das Berner-Architekten-Treffen ist eine Begegnungsplattform für an Architekturfragen interessierte Informatikfachleute. Partner Durch Fachvorträge

Mehr

Datenbanküberwachung mit Open Source-Mitteln. Markus Schmidt

Datenbanküberwachung mit Open Source-Mitteln. Markus Schmidt Datenbanküberwachung mit Open Source-Mitteln Markus Schmidt Strategische Beratung Prozesse DB Struktur Zukunftssicherheit Wartung & Support Wartung Aktualisierung Administration Support Oracle Lizenzmanagement

Mehr

Einführung in Hauptspeicherdatenbanken

Einführung in Hauptspeicherdatenbanken Einführung in Hauptspeicherdatenbanken Harald Zankl Probevorlesung 13. 01., 13:15 14:00, HS C Inhaltsverzeichnis Organisation Überblick Konklusion Harald Zankl (LFU) Hauptspeicherdatenbanken 2/16 Organisation

Mehr

Data Center Infrastructure Management (DCIM) Entscheidungen basierend auf Fakten steigern die Effizienz

Data Center Infrastructure Management (DCIM) Entscheidungen basierend auf Fakten steigern die Effizienz For the factories of the 21 st century Building Technologies / Data Center Infrastructure Management (DCIM) Entscheidungen basierend auf Fakten steigern die Effizienz siemens.com/dcim Datencenter die Fabriken

Mehr

Cloud Computing. Betriebssicherheit von Cloud Umgebungen C O N N E C T I N G B U S I N E S S & T E C H N O L O G Y

Cloud Computing. Betriebssicherheit von Cloud Umgebungen C O N N E C T I N G B U S I N E S S & T E C H N O L O G Y Cloud Computing Betriebssicherheit von Cloud Umgebungen Urs Zumstein Leiter Performance Care Team Urs.Zumstein@DevoTeam.ch 079 639 42 58 Agenda Definition von Cloud Services Anforderungen an die Betriebssicherheit

Mehr

The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated into

The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated into The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated into any contract. It is not a commitment to deliver any material,

Mehr

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15

Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics 10.45 11.15 9.30 10.15 Kaffee & Registrierung 10.15 10.45 Begrüßung & aktuelle Entwicklungen bei QUNIS 10.45 11.15 11.15 11.45 Von Big Data zu Executive Decision BI für den Fachanwender bis hin zu Advanced Analytics

Mehr

Oracle EngineeredSystems

Oracle EngineeredSystems Oracle EngineeredSystems Überblick was es alles gibt Themenübersicht Überblick über die Engineered Systems von Oracle Was gibt es und was ist der Einsatzzweck? Wann machen diese Systeme Sinn? Limitationen

Mehr

Die Wetterdaten sind hier abrufbar:

Die Wetterdaten sind hier abrufbar: Die Wetterdaten sind hier abrufbar: http://www.weatherlink.com/user/bgbuchen/ Die Werte im Detail: Summary anklicken. Als App: WeatherLink Mobile (Android und Apple) Viele weitere Wetter- und Klima-Links

Mehr

Next Generation CMS. API zu ihrem Content

Next Generation CMS. API zu ihrem Content Next Generation CMS API zu ihrem Content Ing. Clemens Prerovsky, MSc Gentics Software GmbH Gentics - wer wir sind Österreichischer Content Management und Portalsoftware Hersteller 150 Kunden 70.000 Benutzer

Mehr

Neue Ansätze der Softwarequalitätssicherung

Neue Ansätze der Softwarequalitätssicherung Neue Ansätze der Softwarequalitätssicherung Googles MapReduce-Framework für verteilte Berechnungen am Beispiel von Apache Hadoop Universität Paderborn Fakultät für Elektrotechnik, Informatik und Mathematik

Mehr

Entwurf und Prototypische Implementierung einer Data Mashup Plattform. Abschlussvortrag Projekt-INF

Entwurf und Prototypische Implementierung einer Data Mashup Plattform. Abschlussvortrag Projekt-INF Entwurf und Prototypische Implementierung einer Data Mashup Plattform Abschlussvortrag Projekt-INF Daniel Del Gaudio, Johannes Bohn, Nikolas Paparoditis Gliederung Data Mashups Einführung Motivationsszenario

Mehr