- improved Grundlagen

- removed MySQL
- added Library

arbeit/Notizen.txt

@@ -0,0 +1,50 @@
+\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.

arbeit/Thesis.tex

@@ -85,7 +85,9 @@
 
 \include{chapter/Grundlagen}
 
-\include{chapter/Installation}
+\include{chapter/InfluxDB}
+
+\include{chapter/Praxisteil}
 
 \include{chapter/Zusammenfassung}
 	

arbeit/chapter-old/Grundlagen.tex

@@ -0,0 +1,253 @@
+%!TEX root = ../Thesis.tex
+\section{Grundlagen}
+
+\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}
+\label{sec:schrift}
+
+\subsubsection{Schriftgrößen}
+\label{sec:schriftgroessen}
+\tiny Das ist sehr kleine Schrift\\
+\small Das ist kleine Schrift\\
+\normalsize Das ist normale Schrift\\
+\large Das ist große Schrift\\
+\Large Das ist größere Schrift\\
+\LARGE Das ist noch größere Schrift\\
+\huge Das ist riesige Schrift\\
+\Huge Das ist noch riesigere Schrift\\
+\scriptsize Das ist Script Schrift\\
+\footnotesize Das ist Fußnoten Schrift
+\normalsize
+
+\subsubsection{Schrift Typen}
+\label{sec:Schrift Typen}
+\textbf{Das ist ein fetter Text}\\
+\textit{Das ist ein kursiver Text}\\
+\underline{Das ist ein unterstrichener Text}\\
+\textsc{Das ist ein kapitälchen Text}\\
+\textsf{Das ist ein serifenloser Text}\\
+\texttt{Das ist ein Schreibmaschinen Text}\\
+\textnormal{Das ist ein normaler Text}
+
+\subsubsection{Schrift Ausrichtung}
+\label{sec:Schrift Ausrichtung}
+\begin{quote}
+Quote Text (Der gesamte Text innerhalb der Umgebung wird von beiden Seiten eingerückt)
+\end{quote}
+\begin{center}
+Zentrierter Text (Der gesamte Text innerhalb der Umgebung wird zentriert)
+\end{center}
+\begin{flushleft}
+Linksbündiger Text (Der gesamte Text innerhalb der Umgebung wird linksbündig)
+\end{flushleft}
+\begin{flushright}
+Rechtsbündiger Text (Der gesamte Text innerhalb der Umgebung wird rechtsbündig)
+\end{flushright}
+In einer Fußnote\footnote{können zusätzliche Ergänzungen, Präzisierungen, Textverweise usw. eingeführt werden.}
+
+\subsection{Abbildungen}
+
+In \cref{fig:fhdw} sehen Sie das Logo der FHDW.
+
+\begin{figure}[hbt]
+\centering
+\begin{minipage}[t]{.7\textwidth} % Breite, z.B. 1\textwidth		
+\caption{Das Logo der FHDW} % Überschrift
+\includegraphics[width=1\textwidth]{img/fhdw}\\ % Pfad
+\source{Eigene Darstellung} % Quelle
+\label{fig:fhdw}
+\end{minipage}
+\end{figure}
+
+\subsection{Tabellen}
+
+In \cref{tab:pin} auf Seite \pageref{tab:pin} sehen Sie die am häufigsten benutzten PINs.
+
+\begin{table}[hbt]
+\centering
+\begin{minipage}[t]{.5\textwidth} % Breite, z.B. 1\textwidth		
+\caption{Die am häufigsten verwendeten PINs} % Überschrift
+\begin{tabularx}{\columnwidth}{rXrr}
+\toprule
+Rank & PIN & Percentage & Accumulated \\
+\midrule
+1 & 1234 & 4.34\% & 4.34\%\\
+2 & 0000 & 2.57\% & 6.91\%\\
+3 & 2580 & 2.32\% & 9.23\%\\
+4 & 1111 & 1.60\% & 10.83\%\\
+5 & 5555 & 0.87\% & 12.70\%\\
+6 & 5683 & 0.70\% & 12.39\%\\
+7 & 0852 & 0.60\% & 12.99\%\\
+8 & 2222 & 0.56\% & 13.55\%\\
+9 & 1212 & 0.49\% & 14.03\%\\
+10 & 1998 & 0.43\% & 14.46\%\\
+\bottomrule
+\end{tabularx}
+\source{Eigene Darstellung} % Quelle
+\label{tab:pin}
+\end{minipage}
+\end{table}
+
+\subsection{Zitate}
+
+Ein Zitat im Fließtext ist zu sehen bei \citet{Fuller2011}.
+
+Ein vergleichendes Zitat.\footnote{\cite[vgl.][5\psqq]{Maslennikov2011}}
+
+Ein \enquote{wörtliches Zitat}\footnote{\cite[13\psq]{Meier2010}}
+
+Zitat einer Quelle mit mehreren Autoren.\footnote{\cite[vgl.][32\psqq]{Hocking2011a}}
+
+
+\subsection{Abkürzungen}
+Bei der ersten Verwendung werden Abkürzungen ausgeschrieben: \gls{AES}.
+Später wird dann automatisch nur noch die Kurzform benutzt: \gls{AES}
+
+
+\subsection{Listen}
+\label{sec:Listen}
+Eine einfache List mit Punkten:
+
+\begin{compactitem}
+	\item Punkt 1
+	\item Punkt 2
+	\item Punkt 3
+\end{compactitem}
+
+Eine einfache Liste mit Nummern:
+\begin{compactenum}
+	\item Punkt 1
+	\item Punkt 2 
+	\item Punkt 3
+\end{compactenum}
+
+Eine einfache Liste mit römischen Nummern:
+\begin{compactenum}[I.]
+	\item Punkt 1
+	\item Punkt 2
+	\item Punkt 3
+\end{compactenum}
+
+Eine einfache Liste mit Buchstaben:
+\begin{compactenum}[(a)]
+	\item Punkt 1
+	\item Punkt 2 
+	\item Punkt 3
+\end{compactenum}
+
+\subsection{Quelltext}
+
+Listing~\ref{list:android} auf Seite~\pageref{list:android} zeigt einigen Quelltext.
+
+\begin{figure}[bht]
+\begin{lstlisting}[caption=Scanning for Wi-Fi Access Points on Android, label=list:android]
+registerReceiver(new RSSIBroadcastReceiver(), 
+    new IntentFilter(WifiManager.SCAN_RESULTS_AVAILABLE_ACTION));
+
+WifiManager wifi = getSystemService(Context.WIFI_SERVICE);
+wifi.startScan();
+
+/* not thread safe */
+public class RSSIBroadcastReceiver extends BroadcastReceiver {
+
+    public void onReceive(Context context, Intent intent) {
+        WifiManager wifi = getSystemService(Context.WIFI_SERVICE);
+        List<ScanResult> scanResults = wifiManager.getScanResults();
+
+        for (ScanResult scanResult : results) {
+            RSSI rssi = new RSSI();
+            rssi.bssi = scanResult.BSSID;
+            rssi.signalLevel = scanResult.level;
+        }
+    }
+}
+\end{lstlisting}
+%\footnoterule{}
+%\footnotesize{Casts have been omitted for the sake of readability}
+\end{figure}

arbeit/chapter/Grundlagen.tex

@@ -1,13 +1,62 @@
 %!TEX root = ../Thesis.tex
 \section{Grundlagen}
 
-\subsection{Verbreitete \gls{DBMS}}
+\gls{TSDB} gehören zu den NoSQL Datenbanken und sind besonders darauf optimiert mit Time Series Data zu arbeiten. Daruch können die große Mengen an
+Time Series Daten verarbeiten durchsuchen und Speichern.\footnote{\cite[vgl.][]{ComputerWeekly}} 
+
+\subsection{Time Series Data}
+
+Um \gls{TSDB} zu verstehen muss als erstes geklärt werden was Time Series Data überhaupt ist und wie sie sich von anderen Daten unterscheiden.
+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, \gls{IOT} 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.][1\psqq]{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 verändert.
+Es werden nur neue Daten hinzugefügt\footnote{\cite[vgl.][]{SamFangman2019}} 
+%
+%\subsection{{Funktionen von Time Series Database}}
+%
+%Um mit Time Series Data arbeiten zu können sind für eine \gls{TSDB} enige wichtige FUnktionen notwendig. Die wichtigesten Funktionen einer 
+%\gls{TSDB} ist es Time Series Data zu speichern. Hier muss
+%
+%
+%hese include time-stamp data storage and compression, data lifecycle management, data summarization, 
+%ability to handle large time series dependent scans of many records, and time series aware queries.
+%
+%Im Aufbau unterscheiden sich \gls{TSDB} vorallendingen darin das sie nur dazu 
+
+\subsection{{Unterschiede zwishen Time Series und relationalen Datenbanken}}
+
+%Umschreiben und andere Quellen verwenden
+
+Um Time Series Data zu speichern ist es nicht unbedingt erforderlich eine \gls{TSDB} zu nutzen. Auch relationalen Datenbanken können Time Series
+Data speichern. Einer der wichtigesten unterschiede zwischen einer \gls{TSDB} im gegensatz zu einer \gls{RDBMS} ist es, dass kein Datenbank Schema notwendig ist. 
+Wenn Time Series Daten in eine Rationale Datenbank geschreiben werden sollen müssen erst entsprechende Tabellen angelegt werden in denen die Daten immer im 
+gleichen Format abgelegt werden müssem. Im gegensatz dazu können in einer \gls{TSDB} die Daten einfach Schemafrei in die Datenbank geschreiben werden. Ein 
+weiterer Vorteil ist es, dass \gls{TSDB} im gegensatz zu relationalen Datenbanken besser und einfacher Skaliert werden 
+können.\footnote{\cite[vgl.][]{InfluxDataSQL}} 
+
+Aber \gls{TSDB} haben nicht nur Vorteile. Wie in \cref{fig:db-ranking} zu sehen sind sie viel weniger verbreitet als Zeitbasierte Datenbank Systeme. Dadurch gibt 
+es viel weniger Entwickler die sich mit \gls{TSDB} auskennen und auch das Okösystem um die Datenbank ist deutlich kleiner. Außerdem sind \gls{RDBMS} 
+dadurch das es sie viel länger gibt sehr Stabil und sehr gut unterstützt.\footnote{\cite[vgl.][]{InfluxDataSQL}}
+
+\gls{RDBMS} Arbeiten nach dem \gls{CRUD} Prinzip welches für Time Series Data nicht optimal ist. Auf Time Seires Data werden keine Update Befehle durchgeführt, da 
+neue Daten immer nur als neuer Datenpunkt angehängt werden. Auch das Löschen von Daten wird nicht sehr häufig durchgeführt und im gegensatz zu \gls{RDBMS} 
+meistens gleichzeit auf einer großen Menge an Datensätzen. Daher sind \gls{TSDB} besser dafür geeignet mit Time Series Data zu arbeiten und weisen auch eine 
+höhere Performance auf.\footnote{\cite[vgl.][]{InfluxDataSQL}}
+
+\subsection{Verbreitete 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?
-
+auf Platz 29.\footnote{\cite[vgl.][]{dbranking}}
 
+% Wenn ich zu viele Seiten habe kommt das Bild in den Anhang
 \begin{figure}[hbt]
 \centering
 \begin{minipage}[t]{0.9\textwidth} % Breite, z.B. 1\textwidth		
@@ -18,237 +67,17 @@ auf Platz 29.\footnote{\cite[vgl.][]{dbranking}} %ist das eine Quelle die ich nu
 \end{minipage}
 \end{figure}
 
-- Ranking TSDB\\
-- Graph InfluxDB vs MySQL
+% Der Teil kommt in die Arbeit wenn ich zu wenig Seiten habe
+%Wie in \cref{fig:tsdb-ranking} zu sehen ist influxDB die mit Abstand belibteste \gls{TSDB}. Unter den gezeigten Datenbanken ist Prometheus eine 
+%besonderheit denn dieses Datenbanksystem ist d
 
-\subsection{Time Series Data}
+%\begin{figure}[hbt]
+%\centering
+%\begin{minipage}[t]{0.9\textwidth} % Breite, z.B. 1\textwidth		
+%\caption{TSDB Ranking} % Überschrift
+%\includegraphics[width=1\textwidth]{img/TSDB-Engines-Ranking}\\ % Pfad
+%\source{https://db-engines.com/de/ranking/time+series+dbms} % Quelle
+%\label{fig:tsdb-ranking}
+%\end{minipage}
+%\end{figure}
 
-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}
-\label{sec:schrift}
-
-\subsubsection{Schriftgrößen}
-\label{sec:schriftgroessen}
-\tiny Das ist sehr kleine Schrift\\
-\small Das ist kleine Schrift\\
-\normalsize Das ist normale Schrift\\
-\large Das ist große Schrift\\
-\Large Das ist größere Schrift\\
-\LARGE Das ist noch größere Schrift\\
-\huge Das ist riesige Schrift\\
-\Huge Das ist noch riesigere Schrift\\
-\scriptsize Das ist Script Schrift\\
-\footnotesize Das ist Fußnoten Schrift
-\normalsize
-
-\subsubsection{Schrift Typen}
-\label{sec:Schrift Typen}
-\textbf{Das ist ein fetter Text}\\
-\textit{Das ist ein kursiver Text}\\
-\underline{Das ist ein unterstrichener Text}\\
-\textsc{Das ist ein kapitälchen Text}\\
-\textsf{Das ist ein serifenloser Text}\\
-\texttt{Das ist ein Schreibmaschinen Text}\\
-\textnormal{Das ist ein normaler Text}
-
-\subsubsection{Schrift Ausrichtung}
-\label{sec:Schrift Ausrichtung}
-\begin{quote}
-Quote Text (Der gesamte Text innerhalb der Umgebung wird von beiden Seiten eingerückt)
-\end{quote}
-\begin{center}
-Zentrierter Text (Der gesamte Text innerhalb der Umgebung wird zentriert)
-\end{center}
-\begin{flushleft}
-Linksbündiger Text (Der gesamte Text innerhalb der Umgebung wird linksbündig)
-\end{flushleft}
-\begin{flushright}
-Rechtsbündiger Text (Der gesamte Text innerhalb der Umgebung wird rechtsbündig)
-\end{flushright}
-In einer Fußnote\footnote{können zusätzliche Ergänzungen, Präzisierungen, Textverweise usw. eingeführt werden.}
-
-\subsection{Abbildungen}
-
-In \cref{fig:fhdw} sehen Sie das Logo der FHDW.
-
-\begin{figure}[hbt]
-\centering
-\begin{minipage}[t]{.7\textwidth} % Breite, z.B. 1\textwidth		
-\caption{Das Logo der FHDW} % Überschrift
-\includegraphics[width=1\textwidth]{img/fhdw}\\ % Pfad
-\source{Eigene Darstellung} % Quelle
-\label{fig:fhdw}
-\end{minipage}
-\end{figure}
-
-\subsection{Tabellen}
-
-In \cref{tab:pin} auf Seite \pageref{tab:pin} sehen Sie die am häufigsten benutzten PINs.
-
-\begin{table}[hbt]
-\centering
-\begin{minipage}[t]{.5\textwidth} % Breite, z.B. 1\textwidth		
-\caption{Die am häufigsten verwendeten PINs} % Überschrift
-\begin{tabularx}{\columnwidth}{rXrr}
-\toprule
-Rank & PIN & Percentage & Accumulated \\
-\midrule
-1 & 1234 & 4.34\% & 4.34\%\\
-2 & 0000 & 2.57\% & 6.91\%\\
-3 & 2580 & 2.32\% & 9.23\%\\
-4 & 1111 & 1.60\% & 10.83\%\\
-5 & 5555 & 0.87\% & 12.70\%\\
-6 & 5683 & 0.70\% & 12.39\%\\
-7 & 0852 & 0.60\% & 12.99\%\\
-8 & 2222 & 0.56\% & 13.55\%\\
-9 & 1212 & 0.49\% & 14.03\%\\
-10 & 1998 & 0.43\% & 14.46\%\\
-\bottomrule
-\end{tabularx}
-\source{Eigene Darstellung} % Quelle
-\label{tab:pin}
-\end{minipage}
-\end{table}
-
-\subsection{Zitate}
-
-Ein Zitat im Fließtext ist zu sehen bei \citet{Fuller2011}.
-
-Ein vergleichendes Zitat.\footnote{\cite[vgl.][5\psqq]{Maslennikov2011}}
-
-Ein \enquote{wörtliches Zitat}\footnote{\cite[13\psq]{Meier2010}}
-
-Zitat einer Quelle mit mehreren Autoren.\footnote{\cite[vgl.][32\psqq]{Hocking2011a}}
-
-
-\subsection{Abkürzungen}
-Bei der ersten Verwendung werden Abkürzungen ausgeschrieben: \gls{AES}.
-Später wird dann automatisch nur noch die Kurzform benutzt: \gls{AES}
-
-
-\subsection{Listen}
-\label{sec:Listen}
-Eine einfache List mit Punkten:
-
-\begin{compactitem}
-	\item Punkt 1
-	\item Punkt 2
-	\item Punkt 3
-\end{compactitem}
-
-Eine einfache Liste mit Nummern:
-\begin{compactenum}
-	\item Punkt 1
-	\item Punkt 2 
-	\item Punkt 3
-\end{compactenum}
-
-Eine einfache Liste mit römischen Nummern:
-\begin{compactenum}[I.]
-	\item Punkt 1
-	\item Punkt 2
-	\item Punkt 3
-\end{compactenum}
-
-Eine einfache Liste mit Buchstaben:
-\begin{compactenum}[(a)]
-	\item Punkt 1
-	\item Punkt 2 
-	\item Punkt 3
-\end{compactenum}
-
-\subsection{Quelltext}
-
-Listing~\ref{list:android} auf Seite~\pageref{list:android} zeigt einigen Quelltext.
-
-\begin{figure}[bht]
-\begin{lstlisting}[caption=Scanning for Wi-Fi Access Points on Android, label=list:android]
-registerReceiver(new RSSIBroadcastReceiver(), 
-    new IntentFilter(WifiManager.SCAN_RESULTS_AVAILABLE_ACTION));
-
-WifiManager wifi = getSystemService(Context.WIFI_SERVICE);
-wifi.startScan();
-
-/* not thread safe */
-public class RSSIBroadcastReceiver extends BroadcastReceiver {
-
-    public void onReceive(Context context, Intent intent) {
-        WifiManager wifi = getSystemService(Context.WIFI_SERVICE);
-        List<ScanResult> scanResults = wifiManager.getScanResults();
-
-        for (ScanResult scanResult : results) {
-            RSSI rssi = new RSSI();
-            rssi.bssi = scanResult.BSSID;
-            rssi.signalLevel = scanResult.level;
-        }
-    }
-}
-\end{lstlisting}
-%\footnoterule{}
-%\footnotesize{Casts have been omitted for the sake of readability}
-\end{figure}

arbeit/chapter/Praxisteil.tex

@@ -0,0 +1,103 @@
+\section{Wetterdaten verarbeiten}
+
+\subsection{{Entwicklungsumgebung}}
+
+\subsubsection{{Docker}}
+
+%Docker und Docker Compose 
+
+\subsubsection{{Python und Jupyter Notebooks}}
+
+% Python 
+% Jupyter Notebooks
+
+\subsubsection{{InfluxDB installation}}
+
+
+
+\subsection{{Wetterdaten}} 
+
+\subsubsection{{Wetterdaten Aufbau}}
+
+Die Wetterdaten des DWD können über den CDC OpenData Bereich heruntergeladen werden. Hier werden die Wetterdaten über FTP und HTTPS zum Download angeboten. 
+Unter der URL \url{https://www.dwd.de/DE/leistungen/cdc/cdc_ueberblick-klimadaten.html} wird eine gute übersicht über die zum Download angeboten Daten geboten.
+
+Die Werte für die aktuelle Lufttemperatur können über \url{https://opendata.dwd.de/climate_environment/CDC/observations_germany/climate/10_minutes/air_temperature/now/}
+abgerufen werden. Historische Daten können über \url{https://opendata.dwd.de/climate_environment/CDC/observations_germany/climate/10_minutes/air_temperature/now/} 
+abgerufen werden. 
+
+Aktuell werden auf der Webseite für die aktuelle Lufttemperatur ca 480 Datein zum Download angeboten. Die meisten dieser Datein entspricht einer Messstatione 
+und je nach Tageszeit kann deswegen die Menge der Daten varieiren, weil immer um 00:00 eine neue Datei angefangen wird. In den Zip Dateinen finden sich außerdem 
+Metadaten über die Messtationen. Die eigentlichen Daten sind als CSV formatiert und sehen aus wie in Listing~\ref{list:wetter_csv} dargestellt
+
+\begin{figure}[bht]
+\begin{lstlisting}[caption=Wetterdaten CSV, label=list:wetter_csv]
+STATIONS_ID;MESS_DATUM;  QN;PP_10;TT_10;TM5_10;RF_10;TD_10;eor
+73;202205120000;    2;   -999;  12.9;  11.2;  84.2;  10.3;eor
+73;202205120010;    2;   -999;  12.7;  11.2;  84.9;  10.2;eor
+73;202205120020;    2;   -999;  12.9;  11.4;  83.0;  10.1;eor
+73;202205120030;    2;   -999;  12.4;  10.7;  86.9;  10.3;eor
+73;202205120040;    2;   -999;  12.4;  10.5;  86.2;  10.2;eor
+73;202205120050;    2;   -999;  12.3;  10.3;  85.5;   9.9;eor
+73;202205120100;    2;   -999;  12.1;  10.1;  88.1;  10.2;eor
+73;202205120110;    2;   -999;  11.7;   9.9;  90.1;  10.1;eor
+73;202205120120;    2;   -999;  11.7;  10.0;  89.0;  10.0;eor
+73;202205120130;    2;   -999;  11.9;  10.2;  86.3;   9.7;eor
+73;202205120140;    2;   -999;  12.3;  10.6;  83.5;   9.6;eor
+73;202205120150;    2;   -999;  12.4;  10.9;  83.3;   9.7;eor
+73;202205120200;    2;   -999;  11.7;   9.8;  86.2;   9.5;eor
+73;202205120210;    2;   -999;  11.6;   9.6;  88.5;   9.8;eor
+73;202205120220;    2;   -999;  11.4;   9.4;  88.6;   9.6;eor
+73;202205120230;    2;   -999;  11.8;   9.9;  88.7;  10.0;eor
+73;202205120240;    2;   -999;  11.4;   9.9;  88.7;   9.6;eor
+73;202205120250;    2;   -999;  11.5;   9.7;  89.5;   9.8;eor
+73;202205120300;    2;   -999;  11.6;  10.0;  88.4;   9.8;eor
+73;202205120310;    2;   -999;  11.4;  10.3;  87.5;   9.4;eor
+73;202205120320;    2;   -999;  11.6;   9.9;  89.0;   9.9;eor
+73;202205120330;    2;   -999;  12.1;  10.4;  87.3;  10.1;eor
+73;202205120340;    2;   -999;  12.1;  10.6;  87.2;  10.0;eor
+73;202205120350;    2;   -999;  11.9;  10.2;  87.2;   9.8;eor
+...
+\end{lstlisting}
+\end{figure}
+
+
+In der CSV Datei gibt es 9 Felder.
+
+%Quelle einfügen
+
+\begin{tabular}{l|p{13.0cm}}
+
+STATION\_ID & Gibt an von welcher Station die Werte stammen  \\ \hline
+MESS\_DATUM & Gibt an wann gemessen wurde im Format "\%Y\%m\%d\%H\%M" Also Jahr Monat Tag Stunde Minute als eine zusammengeschriebene Zahl. \\ \hline
+QN &  Gibt die Qualität der Messwerte an. Hier gibt es die Werte 1 bis 3
+    \begin{compactenum}
+        \item nur formale Kontrolle bei Dekodierung und Import
+        \item Kontrolle mit individuell festgelegten Kriterien
+        \item ROUTINE automatische Kontrolle und Korrektur mit QUALIMET
+    \end{compactenum} \\ \hline
+
+PP\_10 & Luftdruck auf Stationshöhe \\ \hline
+TT\_10 & Lufttemperatur auf 2 Meter höhe \\ \hline
+TM5\_10 & Lufttemperatur auf 5cm höhe \\ \hline
+TD\_10 & relative Luftfeuchtigkeit auf 2m höhe \\ \hline
+eor & END OF RECORD kann ignriert werden.
+
+
+\end{tabular}
+
+
+
+In dieser CSV Datei sind die Daten mit einem Semikoln voneinander getrennt. Der erste Wert in der CSV Datei ist die STATIONS\_ID auf die später noch weiter eingegangen wird.
+Danach folgt das Feld Mess\_Datum Formatiert nach dem 
+
+
+
+
+
+\subsubsection{{Wetterdaten abrufen}}
+
+Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat, sed diam voluptua. 
+At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet.
+Lorem ipsum dolor sit amet, consetetur sadipscing elitr, sed diam nonumy eirmod tempor invidunt ut labore et dolore magna aliquyam erat,
+sed diam voluptua. At vero eos et accusam et justo duo dolores et ea rebum. Stet clita kasd gubergren, no sea takimata sanctus est Lorem ipsum dolor sit amet.

arbeit/config/Abkuerzungen.tex

@@ -1,14 +1,9 @@
-
-
 \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
-
-\newacronym{AES}{AES}{Advanced Encryption Standard}
-\newacronym{AI}{AI}{Artificial Intelligence}
-\newacronym{AOA}{AOA}{Angle of Arrival}
+\newacronym{IOT}{IOT}{Internet of Things}
+\newacronym{RDBMS}{RDBMS}{Relational Database Management System}
+\newacronym{CRUD}{CRUD}{Create, Read, Update, Delete}
+\newacronym{HTTP}{HTTP}{HyperText Transfer Protocol}
 \newacronym{API}{API}{Application Programming Interface}
+\newacronym{CLI}{CLI}{Command Line Interface}

arbeit/library/library.bib

@@ -20,6 +20,15 @@ year = {2010},
 keywords = {mono}
 }
 
+@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)},
+pages = {304--310},
+title = {{A Distributed and Cooperative User Authentication Framework}},
+year = {2010},
+keywords = {mag}
+}
+
 @misc{Maslennikov2011,
 author = {Maslennikov, Denis},
 title = {{ZeuS-in-the-Mobile – Facts and Theories}},
@@ -29,15 +38,45 @@ year = {2011},
 keywords = {web}
 }
 
+%%%% Quellen
+
+@misc{InfluxAPI,
+author = {Influxdata},
+title = {{API Quick Start}},
+url = {https://docs.influxdata.com/influxdb/v2.2/api-guide/api_intro/},
+urldate = {2022-05-21},
+year = {2022},
+keywords = {web}
+}
+
+
+@misc{InfluxDataSQL,
+author = {Influxdata},
+title = {{Why You Should Migrate from SQL to NoSQL for Time Series Data}},
+url = {https://www.influxdata.com/from-sql-to-nosql/},
+urldate = {2022-05-20},
+year = {2021},
+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/},
+url = {https://www.computerweekly.com/de/definition/Zeitreihendatenbank-Time-Series-Database-TSDB},
 urldate = {2022-05-09},
 year = {2020},
 keywords = {web}
 }
 
+@misc{ComputerWeekly,
+author = {Redaktion ComputerWeekly.de},
+title = {{Definition Zeitreihendatenbank (Time Series Database, TSDB) }},
+url = {https://datascience.eu/wiki/what-the-heck-is-time-series-data-and-why-do-i-need-a-time-series-database/},
+urldate = {2021-05-21},
+year = {2021},
+keywords = {web}
+}
+
 @misc{PaulDix,
 author = {Paul Dix},
 title = {{Why Time Series Matters for Metrics, Real-Time Analytics and Sensor Data}},
@@ -64,15 +103,3 @@ 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)},
-pages = {304--310},
-title = {{A Distributed and Cooperative User Authentication Framework}},
-year = {2010},
-keywords = {mag}
-}
-

data/jupyLab/InfluxDB.ipynb

@@ -124,7 +124,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.9.10"
+   "version": "3.9.12"
   }
  },
  "nbformat": 4,

data/jupyLab/Wetterdaten-Import.ipynb

@@ -40,6 +40,7 @@
      "name": "stdout",
      "output_type": "stream",
      "text": [
+      "Daten Ordner erstellt\n",
       "Fertig\n"
      ]
     }
@@ -162,7 +163,12 @@
    "cell_type": "code",
    "execution_count": 4,
    "id": "2524986b-9c26-42d5-8d76-f4e228d0eb48",
-   "metadata": {},
+   "metadata": {
+    "jupyter": {
+     "source_hidden": true
+    },
+    "tags": []
+   },
    "outputs": [
     {
      "name": "stdout",
@@ -402,7 +408,7 @@
    "name": "python",
    "nbconvert_exporter": "python",
    "pygments_lexer": "ipython3",
-   "version": "3.9.10"
+   "version": "3.9.12"
   }
  },
  "nbformat": 4,

data/mariadb/ib_buffer_pool

@@ -1,153 +0,0 @@
-4,3
-2,3
-1,3
-0,9
-0,1
-0,300
-0,299
-0,298
-0,297
-0,296
-0,295
-0,294
-0,293
-0,292
-0,291
-0,290
-0,289
-0,288
-0,287
-0,286
-0,285
-0,284
-0,283
-0,282
-0,281
-0,280
-0,279
-0,278
-0,277
-0,276
-0,275
-0,274
-0,273
-0,272
-0,271
-0,270
-0,269
-0,268
-0,267
-0,266
-0,265
-0,264
-0,263
-0,262
-0,261
-0,260
-0,259
-0,258
-0,257
-0,256
-0,255
-0,254
-0,253
-0,252
-0,251
-0,250
-0,249
-0,248
-0,247
-0,246
-0,245
-0,244
-0,242
-0,241
-0,240
-0,239
-0,238
-0,237
-0,236
-0,235
-0,234
-0,233
-0,232
-0,231
-0,230
-0,229
-0,228
-0,227
-0,226
-0,225
-0,224
-0,223
-0,222
-0,221
-0,220
-0,219
-0,218
-0,217
-0,216
-0,215
-0,214
-0,213
-0,212
-0,211
-0,210
-0,209
-0,208
-0,207
-0,206
-0,205
-0,204
-0,203
-0,202
-0,201
-0,200
-0,199
-0,198
-0,197
-0,196
-0,195
-0,194
-0,193
-0,192
-0,63
-0,62
-0,61
-0,60
-0,59
-0,58
-0,57
-0,56
-0,55
-0,54
-0,53
-0,52
-0,51
-0,50
-0,311
-0,49
-0,310
-0,48
-0,309
-0,47
-0,308
-0,46
-0,307
-0,45
-0,301
-0,6
-0,5
-0,304
-0,303
-0,306
-0,305
-0,302
-0,12
-0,10
-0,8
-0,11
-0,4
-0,2
-0,3
-0,7