Verarbeitung und Visualisierung von interaktionsbezogenen Daten

Durch dieses Projekt sollen Menschen in die Lage versetzt werden, Daten zu analysieren, zu verarbeiten und zu "sehen", die aus Interaktionen zwischen Personen, Systemen und der Umwelt stammen. Solche Daten sind zum Beispiel Aufzeichnungen von Telefongesprächen oder Posts in den sozialen Medien.

  • Porträt / Projektbeschrieb (abgeschlossenes Forschungsprojekt)

    Dropdown Icon

    Der von Menschen, Softwaresystemen und der physischen Welt generierte Datenstrom zeichnet sich vor allem durch drei Merkmale aus: ein enormes Volumen, grosse Vielfalt und rasantes Wachstum. Daten, die sich auf Interaktionen zwischen Menschen, Systemen und der Umwelt beziehen, können heute in vielen Anwendungen (etwa Telefon und soziale Medien) ausgewertet werden. Ziel dieses Projekts war es, neue Techniken und Ansätze zur Nutzung dieser Daten zu entwerfen, zu entwickeln und zu validieren. Das Projekt richtete sich dabei auf drei Kernfragen: Wie können die Daten gespeichert und verwaltet werden? Welche Art der Datenabfrage liefert nutzbringende Antworten? Wie lassen sich Veränderungen der Daten visualisieren?

  • Hintergrund

    Dropdown Icon

    Die Forschung hat sich bisher auf Daten konzentriert, die sich auf statische Beziehungen zwischen Menschen, Orte und Dingen beziehen. Da sich Daten im Laufe der Zeit aber verändern, ist es wichtig, auch Trends zu erkennen. Durch die stetige Zunahme der Datenvolumen wird es zudem immer schwieriger, die aufgezeichneten Daten effizient zu speichern und zu verarbeiten.

  • Ziele

    Dropdown Icon

    Das Projekt stellte uns drei grosse Herausforderungen im Zusammenhang mit der Verarbeitung und Visualisierung von interaktionsbezogenen Daten. Erstens wollten wir die zum Speichern und Verwalten der Daten benötigte IT-System-Infrastruktur entwickeln. Zweitens wollten wir eine spezielle Computersprache entwickeln, die es den Anwendern ermöglicht, Daten abzufragen. Im letzten Schritt wollten wir ein Verfahren zur Visualisierung dieser Daten entwickeln, so dass die Anwender erkennen können, wie sich die Daten im Lauf der Zeit verändern.

  • Bedeutung / Anwendung

    Dropdown Icon

    Angesichts der äusserst vielfältigen Nutzungsmöglichkeiten von interaktionsbezogenen Daten und der Notwendigkeit, diese Daten zu verstehen und Erkenntnisse aus ihnen zu gewinnen, gingen wir davon aus, dass dieses Projekt nach seinem erfolgreichen Abschluss grosse Bedeutung sowohl für die Forschung als auch für die Industrie haben wird.

    Telekommunikationsunternehmen und Anbieter von Internetdienstleistungen, mit denen wir zusammengearbeitet hatten, signalisierten uns ihr Interesse an den von uns entwickelten Tools, und auch Datenbankanbieter können sich vorstellen, unsere Technik in ihre Produkte zu integrieren.

  • Resultate

    Dropdown Icon

    Das ursprüngliche Projekt sah die Erforschung von Datenstrukturen für effiziente Transformationen von Graphdaten vor. Im Laufe unserer Studie haben wir jedoch eine Forschungsrichtung eingeschlagen, die im ursprünglichen Projektplan nicht vorgesehen war: die Erforschung und Bewertung von Anwendungen des In-Network-Computing. In-Network-Computing ist eine spezielle Form der Hardwarebeschleunigung, bei der programmierbare Netzwerkhardware zur Beschleunigung oder Auslagerung von Anwendungslogik verwendet wird.

    Diese Richtungsänderung im Projekt erwies sich als sehr fruchtbar, da wir eine Reihe von überzeugenden Forschungsergebnissen vorweisen konnten, darunter Veröffentlichungen in angesehenen wissenschaftlichen Gremien wie SOSR, HotNets, NSDI und CoNEXT. Mit unserer Arbeit konnten wir nachweisen, dass netzinternes Rechnen erhebliche Leistungsverbesserungen für verteilte Anwendungen erzielen kann, manchmal bis zu einer Steigerung des Durchsatzes um fünf Grössenordnungen. Ein Höhepunkt war, dass unsere Veröffentlichung über Paketabonnements, die Publish-Subscribe-Kommunikationsmuster beschleunigte, auf der CoNEXT 2020 mit dem Best Paper Award ausgezeichnet wurde.

  • Originaltitel

    Dropdown Icon

    Exploratory Visual Analytics for Interaction Graphs