Hegewald Informationsintegration in Biodatenbanken

Automatisches Finden von Abhängigkeiten zwischen Datenquellen
2009
ISBN: 978-3-8348-9281-2
Verlag: Vieweg & Teubner
Format: PDF
Kopierschutz: 1 - PDF Watermark

E-Book, Deutsch, 102 Seiten, eBook

Reihe: Ausgezeichnete Arbeiten zur Informationsqualität

Dieses Buch liefert einen Beitrag zur Integration von Informationen aus verschiedenen Datenquellen. Ein Algorithmus wird vorgestellt, mit dem gleiche Objekte in verschiedenen Datenbanken identifiziert werden können. Dieses Verfahren erlaubt es viele große Datenbanken schnell zu analysieren und im Folgenden die enthaltenen Informationen beinahe automatisiert zu integrieren. Verteilte Daten werden dadurch handhabbar und ermöglichen neue, tiefergehende Erkenntnisse.


Jan Hegewald studierte an der Humboldt-Universität zu Berlin Informatik. Am Hasso-Plattner-Institut in Potsdam fertigte er seine Diplomarbeit an, für die er mit dem 'Information Quality Best Master Degree Award' der Deutschen Gesellschaft für Informations- und Datenqualität ausgezeichnet wurde.

Zielgruppe

Research

Autoren/Hrsg.

Hegewald, Jan

Inhaltsverzeichnis

1;Geleitwort;6
2;Vorwort;7
3;Inhaltsverzeichnis;9
4;1 Einleitung;10
4.1;1.1 Definitionen;12
4.2;1.2 Aufgabenstellung;15
4.3;1.3 Aufbau der Arbeit;16
5;2 Stand der Forschung;18
5.1;2.1 Integration von Biodatenbanken;18
5.2;2.2 (Instanz-basiertes) Schema Matching;19
5.3;2.3 Erkennen von Inklusionsabhängigkeiten;20
5.4;2.4 SPIDER;22
6;3 Algorithmus zum Finden von PS-INDs;30
6.1;3.1 Kategorisierung möglicher Af.xe und Schlüsselwerte;30
6.2;3.2 LINK-FINDER: Finden von Suf.x-Inklusionsabhängigkeiten;31
6.3;3.3 Erweiterungen zu LINK-FINDER;60
6.4;3.4 Ermitteln der Metadaten einer PS-IND;69
6.5;3.5 Erkennen von Beziehungen zu mehreren anderen Datenquellen;74
6.6;3.6 Komplexitätsuntersuchung;75
7;4 Evaluierung des Algorithmus;81
7.1;4.1 Ergebnisse;81
7.2;4.2 Laufzeitmessung;87
8;5 Ausblick und Zusammenfassung;94
8.1;5.1 Ausblick;94
8.2;5.2 Zusammenfassung;101
9;A Anhang;103
9.1;A.1 Messergebnisse für LINK-FINDER;103
9.2;A.2 Abkürzungsverzeichnis;106
10;Literaturverzeichnis;107

Stand der Forschung.- Algorithmus zum Finden von PS-INDs.- Evaluierung des Algorithmus.- Ausblick und Zusammenfassung.

Leseproben

2 Stand der Forschung (S. 9-10)

In diesem Kapitel wird der aktuelle Stand der Forschung zu verschiedenen, der Problemstellung verwandten Themen eruiert.

2.1 Integration von Biodatenbanken

Mit dem weiten Feld der Integration von Biodatenbanken befassen sich mehrere Arbeiten, meist im Rahmen konkreter Projekte. Im Jahr 2001 beschrieben Eckman, Lacroix und Raschid in [ELR01] die Optimierung von Anfragen an mehrere molekularbiologische Datenbanken in einer Mediator-Wrapper-Architektur. Diese bereits 1992 von Gio Wiederhold in [Wie92] vorgestellte Architektur kapselt einzelne Datenquellen durch sogenannte Wrapper und verwendet Mediatoren um die so verfügbaren Informationen zusammenzuführen. Die Mediatoren stellen ein globales, integriertes Mediatorschema bereit – anders als in Aladin. Eckman, Lacroix und Raschid untersuchten die Anfrageoptimierung in einer Mediator-Wrapper-Architektur für Biodatenbanken. Sind mehrere Datenbanken untereinander verknüpft, so existieren meist mehrere unterschiedliche Pfade zwischen den Datenquellen.

Dementsprechend sind auch mehrere Anfragepläne zur Beantwortung einer Anfrage möglich. Die Autoren optimierten Anfrageausführungen mittels Kostenschätzungen für die einzelnen Anfragepläne. In die Optimierung wurden auch Metadaten einbezogen, die die Semantik von Datenquellen und ihre Anfrageschnittstellen beschreiben können. Hernandez und Kambhampati veröffentlichten 2004 in [HK04] einen Überblick über aktuelle Integrationstechniken im Bereich der Biodatenbanken. Sie unterschieden die Ansätze in Warehouse Integration, Mediator-basierte Integration und Link-basierte Integration.

Zu jedem Ansatz wurden Vor- und Nachteile herausgearbeitet. Die vorliegende Arbeit und das Projekt Aladin fallen in die letzte Kategorie. Die Autoren hoben als Vorteil dieses Vorgehens hervor, dass kein globales Schema modelliert werden muss. Eine Herausforderung besteht jedoch laut den Autoren darin, aus den verschiedenen möglichen Pfaden zwischen zwei Datenquellen einen möglichst günstigen auszuwählen. Weiterhin wurden einzelne Projekte vorgestellt und den jeweiligen Kategorien zugeordnet. In der Kategorie Link- basierte Integration wurde nur ein Projekt, SRS, aufgeführt.

Dieses 2001 von Rodrigo Lopez in [Lop01] beschriebene System ist allerdings mehr ein Schlüsselwortbasiertes Retrieval-System und insofern nur schwer mit Aladin zu vergleichen. Im Jahr 2004 publizierten Lacroix, Naumann, Raschid und Murthy in [LMNR04] eine Arbeit, die sich ähnlich wie [ELR01] mit Anfragen an mehrere Datenquellen befasst. Die Autoren stellten Beziehungen zwischen Datenquellen als Graphen dar. Anhand dieses Formalismus untersuchten sie Anfragen als Pfade im Graph hinsichtlich verschiedener Eigenschaften.

Dazu gehören zum Beispiel die Zeit für die Anfragebearbeitung oder die Informationsqualität bei Quellen unterschiedlicher Reputation. Ferner stellten die Autoren ein Kostenmodell auf, mit dem die Größen von Anfrageergebnissen abgeschätzt werden können. Für solche Anfrageoptimierungen ist die Erkennung der Beziehungen zwischen Datenquellen und damit diese Arbeit eine Voraussetzung. Die Arbeiten, die sich mit der Integration von Datenbanken der Molekularbiologie befassen, zeigen, dass auf diesem Gebiet noch hoher Forschungsbedarf besteht. Die vorliegende Arbeit ist ein Beitrag hierzu.

Über Autor(innen)

Jan Hegewald studierte an der Humboldt-Universität zu Berlin Informatik. Am Hasso-Plattner-Institut in Potsdam fertigte er seine Diplomarbeit an, für die er mit dem „Information Quality Best Master Degree Award“ der Deutschen Gesellschaft für Informations- und Datenqualität ausgezeichnet wurde.