Bei der Erforschung und systematischen Entwicklung von Assistenzsystemen fallen eine große Menge von Sensordaten an, aus denen Situationen, Handlungen und Intentionen der vom Assistenzsystem unterstu¨tzten Personen abgescha¨tzt (modelliert) werden mu¨ssen. Neben Privatheitsaspekten, die bereits wa¨hrend der Phase der Modellbildung beru¨cksichtigt werden mu¨ssen, sind die Performance des Analysesystems sowie die Provenance (Ru¨ckverfolgbarkeit von Modellierungsentscheidungen) und die Preservation (die langfristige Aufbewahrung der Forschungsdaten) Ziele unserer Projekte in diesem Bereich. Speziell sollen im Projekt PArADISE die Privatheitsaspekte und die Performance des Systems beru¨cksichtigt werden. In einem studentischen Projekt wurde innerhalb einer neuen experimentellen Lehrveranstaltung im reformierten Bachelor- und MasterStudiengang Informatik an der Universita¨t Rostock eine Systemplattform fu¨r eigene Entwicklungen geschaffen, die auf Basis von klassischen zeilenorientierten Datenbanksystemen, aber auch spaltenorientierten und hauptspeicheroptimierten Systemen die Analyse der Sensordaten vornimmt und fu¨r eine effiziente, parallelisierte Verarbeitung vorbereitet. Ziel dieses Beitrages ist es, die Ergebnisse dieser studentischen Projektgruppe vorzustellen, insbesondere die Erfahrungen mit den gewa¨hlten Plattformen PostgreSQL, DB2 BLU, MonetDB sowie R (als Analysesystem) zu pra¨sentieren.
∗Eine Langfassung dieses Artikels ist erha¨ltlich als [HM15] unter http://www.ls-dbis.de/digbib/dbis-tr-cs-04-15.pdf 2.
Um seine Assistenzaufgaben zu erfu¨llen, besteht ein Assistenzsystem u¨blicherweise aus fu¨nf Schichten [Heu15]. In der untersten Schicht werden sta¨ndig viele Daten (etwa von Sensoren) erzeugt, in der obersten Schicht wird aber nur im Bedarfsfall (also eher selten) ein akustischer oder optischer Hinweis, also eine geringe Datenmenge, ausgegeben.
In der mittleren der fu¨nf Schichten mu¨ssen Sensordaten gefiltert, erfasst, ausgewertet, verdichtet und teilweise langfristig verwaltet werden. Aufgrund der extrem großen Datenmenge (Big Data) muss die Verarbeitung verteilt erfolgen: teilweise eine Filterung und Verdichtung schon im Sensor, im na¨chsterreichbaren Prozessor (etwa im Fernseher oder im Smart Meter in der Wohnung) und im Notfall u¨ber das Internet in der Cloud. Neben Daten des Assistenzsystems mu¨ssen auch fremde Daten etwa u¨ber das Internet beru¨cksichtigt werden, beispielsweise Wartungspla¨ne beim Auto oder die elektronische Patientenakte beim Patienten. Allgemein ko¨nnen hier natu¨rlich auch die Daten sozialer Netzwerke, Kalenderdaten der Nutzer oder WettervorhersageDaten ausgewertet werden, falls sie fu¨r das Assistenzziel eine Rolle spielen.
Eine Kernaufgabe bei der Erforschung und Entwicklung ist die datengetriebene Modellierung von Situationen, Handlungen und Intentionen, die eine Fragestellung im Forschungsgebiet Big Data Analytics sind. Big Data [Mar15] ist ein derzeitiges Hype-Thema nicht nur in der Informatik, das in seiner technischen Auspra¨gung auf vielfa¨ltige Forschungsprobleme fu¨hrt. Technisch gesehen sind Big-Data-Probleme mit den vier V (Volume, Velocity, Variety, Veracity) charakterisiert. Big Data Analytics ist nun das Problem komplexer Analysen auf diesen Daten. In Datenbankbegriffen sind diese komplexen Analysen iterative Anfrageprozesse.
Die Forschungsschwerpunkte der Rostocker Datenbankgruppe lassen sich in diesem Zusammenhang mit vier P charakterisieren, die im Folgenden na¨her erla¨utert werden sollen.
Forschung und Entwicklung: In der Forschungs- und Entwicklungsphase eines Assistenzsystems ist das vorrangige Ziel, eine effiziente Modellbildung auf großen Datenmengen zu unterstu¨tzen. Dabei sollte mo¨glichst automatisch eine Selektion der Daten (Filterung wichtiger Sensordaten nach einfachen Merkmalen) und eine Projektion der Daten (die Beschra¨nkung der großen Sensormenge auf wenige, besonders aussagekra¨ftige Sensoren) vorgenommen werden. Die no¨tige Effizienz in dieser Phase fu¨hrt auf unser Forschungsthema P3: Performance. Da wa¨hrend der Entwicklung bei fehlerhafter Erkennung von Handlungen und Intentionen die dafu¨r zusta¨ndigen Versuchsdaten ermittelt werden mu¨ssen, fu¨hrt die Ru¨ckverfolgbarkeit der Analyseprozesse in der Entwicklung auf unsere Forschungsthemen P2: Provenance Management und P4: Preservation (Langfristarchivierung von Forschungsdaten).
Einsatz: In der Einsatzphase eines Assistenzsystems sind dagegen Privatheitsanspru¨che vorherrschend, die im Gesamtsystem durch stufenweise Datensparsamkeit erreicht werden ko¨nnen (unser Forschungsthema P1: Privatheit). Eine weitere Verdichtung (auch Reduktion und Aggregation) der live ausgewerteten Daten unterstu¨tzen aber nicht nur die Privatheit, sondern auch die Performance.
Die vier P behandeln wir in drei langfristigen Forschungsprojekten (METIS, PArADISE, HyDRA), in diesem Beitrag konzentrieren wir uns auf den Aspekt P3 (Performance) des PArADISE-Projektes.
Im Projekt PArADISE (Privacy AwaRe Assistive Distributed Information System Environment) arbeiten wir derzeit an Techniken zur Auswertung von großen Mengen von Sensordaten, die definierte Privatheitsanspru¨che der spa¨teren Nutzer per Systemkonstruktion erfu¨llen.
Ein erster Prototyp ist von einer studentischen
Arbeitsgruppe erstellt worden. Derzeit ko¨nnen Analysen zur
Modellbildung auf Sensordaten in SQL-9
Wa¨hrend die grundlegenden Forschungsarbeiten zu PArADISE durch zwei Stipendiaten des Graduiertenkollegs MuSAMA (Hannes Grunert und Dennis Marten) in 2013 und 2014 starteten, wurden die ersten softwaretechnischen Umsetzungen des Projektes durch eine studentische Projektgruppe im Wintersemester 2014/2015 vorgenommen. Hier wurden dann verschiedene SQL-Anfragen und R-Programme zur Lo¨sung der grundlegenden Regressions- und Korrelationsprobleme entwickelt, wobei als Vorgabe (zum Vergleich) folgende fu¨nf Stufen realisiert werden sollten:
Wir danken der studentischen Projektgruppe PArADISE im Wintersemester 2014/2015, die im Rahmen einer experimentellen Projekt-Lehrveranstaltung die Basis fu¨r die softwaretechnische Umsetzung des PArADISE-Projektes gelegt hat: Pia Wilsdorf, Felix Ko¨ppl, Stefan Lu¨dtke, Steffen Sachse, Jan Svacina, Dennis Weu.