diff --git a/arbeit/Thesis.pdf b/arbeit/Thesis.pdf
index eef357a..c636f49 100644
Binary files a/arbeit/Thesis.pdf and b/arbeit/Thesis.pdf differ
diff --git a/arbeit/chapter/Grundlagen.tex b/arbeit/chapter/Grundlagen.tex
index d5a2756..ca706f3 100644
--- a/arbeit/chapter/Grundlagen.tex
+++ b/arbeit/chapter/Grundlagen.tex
@@ -1,8 +1,92 @@
 %!TEX root = ../Thesis.tex
 \section{Grundlagen}
 
-Das ist ein Test
+\subsection{Verbreitete \gls{DBMS}}
 
+Aktuell gibt es wie in \cref{fig:db-ranking} zu sehen einige beliebte Mulit-Model Datenbanken die als \gls{TSDB} gentuzt werden können. 
+So können die Datenbanken MongoDB, Redis, Teradata und Couchbase mit Time Series Daten arbeiten. Die erste reine \gls{TSDB} im Ranking ist InfluxDB
+auf Platz 29.\footnote{\cite[vgl.][]{dbranking}} %ist das eine Quelle die ich nutzen darf?
+
+
+\begin{figure}[hbt]
+\centering
+\begin{minipage}[t]{0.9\textwidth} % Breite, z.B. 1\textwidth		
+\caption{DB-Engines Ranking} % Überschrift
+\includegraphics[width=1\textwidth]{img/DB-Engines-Ranking}\\ % Pfad
+\source{https://db-engines.com/de/ranking?msclkid=4f2a29e5d08811ec95ccd74f8f5146ab} % Quelle
+\label{fig:db-ranking}
+\end{minipage}
+\end{figure}
+
+- Ranking TSDB\\
+- Graph InfluxDB vs MySQL
+
+\subsection{Time Series Data}
+
+Wie der Name schon sagt ist Time Series Data eine Reihe von Daten die über einen Zeitraum gesammelt wordern sind. Es wird also nicht nur der Endwert aufgezeichnet
+sonder die Veränderung über einen Zeitraum. Diese Daten können z.B. Servermetriken, Anwendungs Leistungsüberwachung, Netzwerkdaten, Sensordaten,
+Ereignisse, Klicks, Marktgeschäfte und viele andere Arten von Daten sein. Time Series Data können gut daran erkannt, dass die Zeit eine Wichtige 
+Axe bei der Darstellung der Werte ist.\footnote{\cite[vgl.][]{PaulDix}}
+
+Manchmal ist es nicht notwendig alle Daten zu erfassen. Zum Beispiel wird in vielen Anwendungen nur der letze Login gespeichert und mehr ist auch für die 
+Funktion nicht notwendig. Allerdings können zusätzliche Informationen gewonnen werden wenn nicht nur die letzen Daten sondern die Veränderung aufgezeichnet werden. 
+So kann zum Beispeil festgestellt werden wie oft und wann sich der Kunde einloggt und ob es dabei ein Muster gibt. Anhand dieser Daten können Kunden dann Kategorisiert werden.\footnote{\cite[vgl.][]{DataScienceTeam2020}}
+
+Eine besonderheit von Time Series Data ist das sie sich nicht verändert. Wenn die Daten einmal erfasst wurden wird an ihnen nichts mehr geändert.
+Es werden nur neue Daten hinzugefügt\footnote{\cite[vgl.][]{SamFangman2019}} 
+
+\subsection{{Funktion Time Series Database}}
+
+\subsection{Notizen}
+
+sind dabei immer dann sinnvoll wenn Time Series Data gespeichert werden soll.\footnote{\cite[vgl.][]{DataScienceTeam2020}}
+
+
+Diese Daten zeichnen sich besonders dadurch aus 
+das die Zeit eine wichtiger Faktor für diese Daten ist. 
+
+- Eine Reihe von Daten 
+- Timestamp als wichtiger Wert
+- Meistens werden nur neue Daten hinzugefügt. 
+- Im vergleich zu einer MySQL Datenbank gibt es nur Inserts und keine Updates
+- Es wird die Veränderung über die Zeit Aufgezeichnet.- Time SEries Data kann in einer SQL Datenbank gespeichert werden. Diese Datenbanken skalieren aber nur schlecht.
+
+
+Die Meisten TSDB haben zusätzliche fUNKTIONEN Um mit den Daten zu arbeiten. 
+	- alte Daten löschen
+	- durchgehende Abfragen
+
+Daten:
+- Server Monitoring
+- Sensordaten
+	- Wissenschaftliche Daten
+	- Industrielle Daten / Events
+	- Log Data
+
+	- MySQL -> Beim Login wird LastLogin geupdatete 
+	- TSDB -> Beim Login wird ein neuer Datenpunkt erstellt. 
+	-> Mehr Informationen werden beibehalten. Wie oft eingeloggt. Wann eingeloggt u.s.w.
+
+	- Autos Sammeln 4,000 GB pro Tag
+	
+
+Use Cases
+	- Software Monitoring
+	- Hardware Überwachung
+	- IOT 
+		- Wetterdaten
+		- Raumtemperatur
+		- Positionsaufzeichnung von Autos,Containern,Paletten
+	- Eventaufzeichnungen wie Benutzerinteraktion
+	- Business intelligence Überwachen von Kennzahlen
+	- alles weitere wo Zeitrelevante Daten anfallen.
+
+	
+
+
+
+Eine große Menge von Daten ist sehr stark an die Zeit gebunden in der sie erzeugt werden. So sind z.B. Sensordaten 
+sehr eng mit der Aufzeichungszeit verbunden. Weil sich die Werte sofort wieder verändern können.
 
 
 \subsection{Schrift}
diff --git a/arbeit/config/Abkuerzungen.tex b/arbeit/config/Abkuerzungen.tex
index 28396de..ab8bd49 100644
--- a/arbeit/config/Abkuerzungen.tex
+++ b/arbeit/config/Abkuerzungen.tex
@@ -2,6 +2,9 @@
 
 \newacronym{TSDB}{TSDB}{Time Series Database}
 \newacronym{DWD}{DWD}{Deutscher Wetterdienst}
+\newacronym{IOT}{IOT}{Internet of Things}
+\newacronym{DBMS}{DBMS}{Datenbank Management System}
+
 
 %%%%%%%%%%%%%%%% Alte Abkürzungen
 
diff --git a/arbeit/img/DB-Engines-Ranking.PNG b/arbeit/img/DB-Engines-Ranking.PNG
new file mode 100644
index 0000000..1ea9a14
Binary files /dev/null and b/arbeit/img/DB-Engines-Ranking.PNG differ
diff --git a/arbeit/library/library.bib b/arbeit/library/library.bib
index e2e1a3c..ad7a65b 100644
--- a/arbeit/library/library.bib
+++ b/arbeit/library/library.bib
@@ -29,6 +29,44 @@ year = {2011},
 keywords = {web}
 }
 
+@misc{DataScienceTeam2020,
+author = {Data-Science-Team},
+title = {{What the heck is time-series data (and why do I need a time-series database)?}},
+url = {https://datascience.eu/wiki/what-the-heck-is-time-series-data-and-why-do-i-need-a-time-series-database/},
+urldate = {2022-05-09},
+year = {2020},
+keywords = {web}
+}
+
+@misc{PaulDix,
+author = {Paul Dix},
+title = {{Why Time Series Matters for Metrics, Real-Time Analytics and Sensor Data}},
+url = {http://get.influxdata.com/rs/972-GDU-533/images/why%20time%20series.pdf},
+urldate = {2022-05-10},
+year = {2021},
+keywords = {web}
+}
+
+@misc{SamFangman2019,
+author = {Sam Fangman},
+title = {{The Time Has Come for a New Type of Database}},
+url = {https://medium.datadriveninvestor.com/the-time-has-come-for-a-new-type-of-database-47cf8df1667a},
+urldate = {2022-05-10},
+year = {2019},
+keywords = {web}
+}
+
+@misc{dbranking,
+author = {solid-IT-gmbh},
+title = {{DB-Engines Ranking}},
+url = {https://db-engines.com/de/ranking},
+urldate = {2022-05-10},
+year = {2022},
+keywords = {web}
+}
+
+
+
 @inproceedings{Hocking2011a,
 author = {Hocking, Christopher G. and Furnell, Steven M. and Clarke, Nathan L. and Reynolds, Paul L.},
 booktitle = {Proceedings of International Conference on Information Assurance and Security (IAS)},
@@ -36,4 +74,5 @@ pages = {304--310},
 title = {{A Distributed and Cooperative User Authentication Framework}},
 year = {2010},
 keywords = {mag}
-}
\ No newline at end of file
+}
+