Dynamische Informationsfusion
Workshop am Dienstag, 21.9.2004
Veranstaltet von dem GI Arbeitskreis „Web und Datenbanken“
1.
Problemstellung
Wir stehen
erst am Beginn des „Informationszeitalters“. Alles was wir sehen, lesen, hören,
schreiben und messen kann bald im Rechner verfügbar gemacht werden. Über das
Internet rücken neben unseren eigenen Daten prinzipiell alle Daten aller Menschen
und Organisationen in Zugriffsreichweite. Zusätzlich zu den traditionellen
Formen persistent gespeicherter Daten entstehen zunehmend kontinuierliche Ströme
von Daten, die durch Sensoren oder „News-Ticker“
gespeist werden. Große Bedeutung haben Peer-to-Peer-Datenverbünde
erlangt, die durch eine sehr hohe Zahl von typischerweise nur temporär
zugänglichen Datenquellen gekennzeichnet sind. Die dynamische,
bedarfsgesteuerte Fusion dieser vielfältigen Datenquellen ist für viele Anwendungsbereiche
essentiell, dazu zählen insbesondere E-Business, E-Science,
Katastrophenmanagement und E-Health.
Verteilte
Informationssysteme der aktuellen Generation koppeln Datenquellen mit Anwendungsprogrammen über eine verteilte Softwareinfrastruktur,
die als Middleware bezeichnet wird (z.B. J2EE oder
Web-Services). Dieser Ansatz erfordert à priori eine Festlegung der gekoppelten
Datenbestände sowie vor allem eine intellektuell durch die Anwender selbst zu
erarbeitende Integration ihrer Querbeziehungen sowohl auf der Ebene der
Datenbeschreibungen (sog. Schemata) als auch der Datenausprägungen. Zu den
typischen Vertretern dieser Architektur
zählen sog. Data-Warehouses in großen Unternehmen und
Web-basierte Wissenschaftsportale wie z.B. SRS für den Zugriff auf spezialisierte
Datenbanken mit Genom- und Moleküldaten. Der Schwachpunkt dieses Ansatzes ist
der signifikant hohe intellektuelle Aufwand bei der Integration weiterer
Datenquellen.
Gegenüber dieser etablierten Architektur
ergibt sich akuter Forschungsbedarf aus zwei Gründen: Erstens erweist sich im Zeitalter der Informationsexplosion die
statische und nur schwach teilautomatisierte Integrationsmethodik als
unzulänglich. Es ergibt sich die Notwendigkeit der dynamischen, hochgradig
automatisierten Kopplung vieler Datenquellen. Zweitens werden aktuelle
Technologietrends wie Grid-Computing und Web-Services
schon bald eine verbesserte Softwareinfrastruktur für den Datenaustausch und
die Interoperabilität von Anwendungsdiensten
bereitstellen. Diese Mechanismen sind jedoch nur die erste Vorstufe für eine
darauf aufzubauende „semantische“ Datenintegration.
Im klassischen Gebiet der Datenintegration
bahnt sich daher ein Paradigmenwechsel an, der folgenden Faktoren Rechnung
tragen soll:
·
Daten, Ströme, Datenanalysemodelle:
Neben persistent gespeicherten Daten
entstehen kontinuierliche Ströme
von Daten (z.B. Sensordaten, Webnutzerverhalten), die nur in zeitlichen
Ausschnitten verarbeitet werden können. Zusätzlich ergeben sich berechnete Modelle zur Datenanalyse (z.B. Klassifikatoren), die durch Training erworbenes Wissen bereitstellen.
·
Skalierbarkeit: Über Internet, Grid-Computing und
Web-Services befinden sich im Prinzip alle weltweit persistenten
Daten, Ströme und Modelle in Zugriffsreichweite. Die effiziente Auswahl und
Kopplung der relevantesten Komponenten aus einer großen und schnell wachsenden
Gesamtmenge stellt extreme Anforderungen an die Skalierbarkeit.
·
Dynamik: In neuartigen Anwendungen aus den Bereichen E-Business, E-Science, Katastrophenmanagement und E-Health
entstehen Kooperationsstrukturen in hochgradig dynamischer Weise. Dies
erfordert eine Ad-hoc-Integration der relevanten Daten, Ströme und Modelle.
·
Datenqualität: Daten haben unterschiedliche Aktualität, Dimensionen, Präzisions-
und Vollständigkeitsgrade und erfordern zur korrekten Interpretation oft
umfangreiche Zusatzangaben. Methoden für den sauberen
Umgang mit unterschiedlichen Datenqualitäten sind daher extrem wichtig.
Die bedarfsgetriebene, skalierbare
Kopplung und Integration von Datenbanken, Datenströmen und Datenanalysemodellen
bezeichnen wir als dynamische Informationsfusion. Im Gegensatz zu früher
verfolgten „schemaorientierten“ Integrationsansätzen, die sich lediglich auf
die Datenbeschreibungen der Quellen (z.B. das Vorhandensein eines Attributs
„Kunde“ in einer Quelle und „Firmenkunden“ oder „Firma“ in einer anderen)
abgestützt haben, soll ein methodischer Schwerpunkt auf der „inhaltsorientierten“
Fusion liegen, bei der z.B. durch Data-Mining-Techniken
statistisch signifikante Vorkommen gleicher Attributwerte und damit
vergleichbare Attribute bestimmt werden können (z.B. im einfachsten Fall häufige
Vorkommen von „SAP AG“ sowohl im Attribut „Kunde“ als auch im Attribut „Firma“,
ggf. mit Varianten von Attributwerten und Abhängigkeiten verschiedener Werte).
Einen zweiten methodischen Schwerpunkt bilden neue Formen der Metadatenverwaltung
mit deskriptiven Operatoren zur Analyse und Manipulation unterschiedlichster
Metadatenmodelle. Eine Schlüsselrolle kommt dabei der Nutzung ontologischer
Metadaten zu (mit deren Hilfe man z.B. ermitteln könnte, dass eine AG eine
Firma ist).
2.
Anwendungen
E-Science: Unter E-Science versteht man die Internet-basierte dynamische Kooperation verschiedener
Forschungsgruppen durch die effektive Nutzung bisher erzielter Ergebnisse (z.B.
experimenteller Daten in der Bioinformatik). Einer Gruppe wird dadurch
ermöglicht, die für sie relevanten Kooperationen
zu finden und deren Daten zu nutzen. Diese Daten sollen künftig als Datenstrom direkt
aus einer Simulation oder Messung abgegriffen werden können, wobei die
Gewährleistung qualitativ hochwertiger Daten von entscheidender Bedeutung ist.
Über die eigentlichen Daten hinaus sind die daraus abgeleiteten Hypothesen und
Modelle von großem Interesse. Insgesamt lässt sich durch E-Science
die Forschungsproduktivität erheblich
verbessern, wobei die Forschungsqualität jederzeit verifizierbar ist.
Katastrophenmanagement: Ein Bereich, in dem dynamische
Datenfusion einen besonders kritischen Faktor darstellt, ist das Informationsmanagement
bei Katastrophen wie z.B. Fluten, Erdbeben oder Terroranschlägen. Bei einer
„Jahrhundertflut“ wie im Sommer 2002 müssen innerhalb kürzester Zeit aktuelle
Daten von verschiedensten Messstationen und Einsatzplanungssystemen verglichen
und abgestimmt werden. Selbst wenn ein Teil dieser Daten bereits prophylaktisch
integriert wurde, erfordert ein grenzübergreifendes Katastrophenmanagement ein
hohes Maß an dynamischer Ad-hoc-Fusion. In einer Katastrophensituation kann
jede Stunde, die man bei der Fusion und Analyse von Daten verliert, etliche
Menschenleben kosten.
E-Health: Im
Gesundheitswesen eröffnet eine dynamische Fusion patientenbezogener Daten große
Optimierungspotentiale für die Patientenversorgung und Abwicklung von
Verwaltungsvorgängen. Über geschützte Web-Plattformen bereitgestellte und
integrierte Patienteninformationen wie etwa allgemeine Personenangaben,
ärztliche Diagnosen, Röntgenaufnahmen, Laborbefunde oder erfolgte Impfungen
ermöglichen autorisierten Nutzern in Kliniken und Arztpraxen einen optimalen
Datenaustausch zur Vermeidung von Mehrfachuntersuchungen, Berücksichtigung von
Vorerkrankungen, etc. Im Fall der akuten Versorgung von Unfallopfern kommt es
darüber hinaus auf die dynamische Datenfusion unter Echtzeitbedingungen an.
E-Business: Technologien für die offene, verteilte Datenintegration haben
eine enorme wirtschaftliche Bedeutung. Deutsche Software-Hersteller wie SAP
sind weltweit führend in der Verwaltung betriebswirtschaftlicher Daten von
Unternehmen und großen Organisationen. In Zukunft ist jedoch eine firmen- und
organisationsübergreifende Informationsverarbeitung notwendig, um international
wettbewerbsfähig zu bleiben. Eine wesentliche Voraussetzung dafür liegt in der
Integration der jeweils relevanten Daten. Diese können sowohl statischer Natur
sein (wie z.B. Produktkataloge) als auch dynamisch in der Form von Datenströmen
generiert werden wie im Falle kontinuierlich fortgeschriebener
Logistikinformationen. Neben der Datenintegration spielt die adaptive
Integration von Datenanalyse- und
Geschäftsprozessen eine wichtige Rolle.
3. Für den Workshop besonders relevante
Themen
Architekturansätze zur dynamischen
Informationsfusion: Klassische Ansätze zur Datenintegration
berücksichtigen eine feste Zahl passiver Datenquellen. Neue Architekturkonzepte
sind erforderlich zur Fusion von Metadaten und Daten aktiver Daten-Provider, die kontinuierliche
Datenströme wie Sensor- und Monitoring-Daten, News-Feeds,
etc. erzeugen. Ebenso soll eine
flexible Zahl volatiler Daten-Provider, wie sie etwa in Peer-to-Peer-Umgebungen auftritt, effektiv unterstützt werden.
Management von Metadaten: Neue Fusionsansätze erfordern die effektive Nutzung einer Vielzahl
von Metadaten wie Datenbankschemata, Datenstrombeschreibungen, Nutzerprofile und
Ontologien, welche in unterschiedlichen Sprachen repräsentiert sein können
(XML, RDF, OWL, SQL etc.). Diese Metadaten müssen bei der dynamischen Fusion
aufeinander abgebildet und transformiert werden. Dazu muss eine möglichst generische
Verwaltung von Metadaten und deren Abbildungen entwickelt werden, bei denen
mächtige Operatoren, wie z.B. das Herstellen von Korrespondenzen zwischen zwei
Datenbankschemata oder Ontologien, weitgehend automatisiert ablaufen.
Verarbeitung von Datenströmen: Wichtige Einsatzfälle für die Fusion von Datenströmen sind Publish-Subscribe-Anwendungen (mit dynamischer Zuordnung
von Datensätzen zu Interessensprofilen) und die Verarbeitung von E-Business-XML-Nachrichten mit hohen
Skalierbarkeitsanforderungen. Besondere Herausforderungen entstehen bei der
Echtzeitverarbeitung volatiler Datenströme, die aufgrund begrenzter Ressourcen
innerhalb kürzester Zeit analysiert werden müssen, z.B. zur sofortigen
Erkennung von Lastspitzen, Denial-of-Service-Attacken
oder Missbrauchsversuchen in Netzwerken.
Dateninhaltsorientierte Fusion: Bisher verfolgte Integrationsansätze basieren auf
Datenbankschemata, mit sehr wechselhaftem Erfolg. Künftig sollen dateninhaltsorientierte
Fusionsansätze untersucht werden, insbesondere auch für Datenströme und Daten
mit fehlenden oder begrenzt aussagekräftigen Metadaten. Data-Mining-Techniken
und statistische Lernverfahren könnten dazu beitragen, Zuordnungen von Daten
verschiedener Quellen zu finden, z.B. aufgrund typischer Muster in Datensätzen.
Skalierbarkeit und Selbstorganisation: Die potentiell in die Millionen gehende Zahl an Daten-Providern
und Nutzern sowie die damit generierten Datenvolumina stellen extreme
Anforderungen hinsichtlich der Skalierbarkeit dynamischer Fusionsansätze.
Skalierbarkeit lässt sich nur in Verbindung mit der Minimierung manueller
Eingriffe zur Systemverwaltung erreichen. Alle beteiligten Systemkomponenten müssen somit selbstüberwachend, selbstoptimierend
und selbstadministrierend ausgelegt sein.
Datenqualität und Auswertungsqualität: Die Problematik der Datenqualität ist bereits in derzeitigen
Architekturen wie Data-Warehouses unzureichend
behandelt, steigt jedoch aufgrund der Vielfalt und Dynamik der Metadaten und
Daten überproportional mit der Zahl der beteiligten Partner und Quellen. Einerseits
werden geeignete Metriken und Modelle zur Spezifikation und Bewertung von Datenqualität
und -konsistenz und andererseits werden Methoden (z.B. verallgemeinerte Formen
von „Data-Cleaning“) für den Umgang mit unterschiedlichen Datenqualitäten unter
Berücksichtigung der Herkunft abgeleiteter Daten benötigt.
Bewertung von Fusionierungsansätzen: Zur Bewertung unterschiedlicher Ansätze zur dynamischen
Datenfusion müssen geeignete Metriken entworfen und untersucht werden, in die
wesentliche Kennzahlen der Datenquellen und Metadaten einfließen. Dazu bedarf
es einer Benchmark-Umgebung mit geeigneten Anwendungsdaten zur vergleichenden Analyse verschiedener Verfahren.
Datensicherheit und Datenschutz
fusionierter Daten: Datenschutzprobleme entstehen durch die
umfassende Verknüpfbarkeit der Daten, beispielsweise
durch die Protokollierung des Nutzungsverhaltens im Web und in Peer-to-Peer-Netzwerken. Diese Daten könnten zur Erstellung
umfassender Profile zusammengeführt und mit personenbezogenen Daten kombiniert
werden. Von besonderer Relevanz für den GI-Workshop sind mit der Informationsfusion
zusammenhängende Sicherheitsmaßnahmen wie z. B. Entdeckung von Datenmissbrauch,
Anonymisierung von Nutzerdaten und -profilen, dynamische Autorisierung, etc.
Langzeitarchivierung und Evolution: Neue Techniken zur langfristigen Archivierung fusionierter
Informationen sind notwendig. Es genügt nicht, Daten persistent zu speichern,
da sie möglicherweise im Originalformat und -kontext gar nicht mehr interpretierbar
sind. Archivierte Daten müssen dauerhaft zugänglich und verarbeitbar bleiben.
|
Programmkomitee:
|
|
||||||||||||||||||||||||||||||||||||||||||||||||
|
|
|