29 lines
1.7 KiB
TeX
29 lines
1.7 KiB
TeX
%!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 beschreiben werden.
|
|
Weitere Informationen dazu 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 verarbeiten von
|
|
großen Datenmengen. Dadurch das immer mehr Daten erfasst werden ist es abzusehen das sich \gls{TSDB} 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. |