%!TEX root = ../Thesis.tex



\section{Kritische Auseinandersetzung}

An dieser Arbeit kann kritisiert werden, dass viele der genutzten Quellen von InfluxDB
veröffentlicht wurden. Zusätzlich wurden sehr viele Internetquellen zitiert und nur wenige Monographien.
Außerdem konnten durch die begrenzte Zeit und den begrenzten Umfang dieser Arbeit
nicht alle Funktion und Besonderheiten von \gls{TSDB} und InfluxDB im besonderen beschrieben werden. 
Weitere Informationen können in der InfluxDB Dokumentation und den genutzten Quellen gefunden werden.

\section{Zusammenfassung}

Time Series Data ist eine Reihe von Daten, die die Veränderung eines Zustandes über eine Zeitspanne aufzeichnen. Diese Daten können
IOT Sensor Daten, Servermetriken, Netzwerkdaten, Marktgeschäfte oder viele andere Arten von Daten sein.\footnote{\cite[vgl.][]{ComputerWeekly}} 
Time Series Datenbanken sind genau dafür entwickelt worden, um effizient mit dieser Art von Daten zu arbeiten und sind dabei um 
einiges schneller als \gls{RDBMS}. Allerdings sind sie auch weniger flexibel und haben kein so ausgeprägtes Ökosystem.
\footnote{\cite[vgl.][]{InfluxDataSQL}}

Mithilfe von Docker und Jupyter Notebook kann sehr schnell eine Entwicklungsumgebung aufgebaut werden, mit der einfach die 
als Beispiel genutzten Wetterdaten heruntergeladen, importiert und verarbeiten werden können.

\section{Schlussfolgerung und Fazit}

\gls{TSDB} eignen sich sehr gut für die Speicherung von Time Series Data und besonders für die Verarbeitung von 
großen Datenmengen. Dadurch, dass immer mehr Daten erfasst werden, ist es abzusehen, dass sich \gls{TSDB}s immer weiter 
verbreiten werden. Es bietet sich an, für IOT Sensoren oder die Erfassung von Servermetriken und anderer Time Series Data,
auf \gls{TSDB} zu setzen.