Mobile subscriptions are steadily increasing, making it more relevant to collect data and make useful statistics. To handle these large data sets, robust databases must be built. Two important factors for databases are storing the information persistently and having an adequate read and write speed to the database. This thesis project will study the implementation to fulfill these factors along with the comparison between a non-relational database structure and a relational database structure. The system will be written in the database management system Mnesia in the programming language Erlang. This study was conducted at Mobile Arts AB in Stockholm, Sweden. The company requested a system with different modules to build a query language used to extract relevant statistics. Large amounts of data should be processed through the file processor and stored in a database efficiently. A system based on two different database structures was built and compared to achieve the most efficient system among the two database structures. To measure the performance of the system and to compare the database structures, benchmarks were executed to determine the most efficient method. The results show that the non-relational database has a faster input processing speed compared to the relational one, while the relational database structure was faster in output processing. The conclusion is that the non-relational database works better for the system of this thesis project. / Antalet mobilabonnemang ökar stadigt, vilket gör det mer relevant att samla in data samt bygga värdefull statistik. För att hantera stora datamängder måste stabila och robusta databaser byggas. Två viktiga faktorer för databaser är att kunna lagra informationen och att kunna skriva till och läsa från databasen snabbt. Detta arbete kommer studera implementationen för att uppfylla dessa faktorer samt jämföra icke-relationsdatabasstrukturen med relationsdatabasstrukturen. Systemet kommer skrivas i databas-hanteraren Mnesia, i programmerings-språket Erlang. Studien utfördes på Mobile ArtsABi Stockholm. Företaget efterfrågade ett system med flera moduler tillsammans med ett egetdefinierat frågespråk för att kunna bygga relevant statistik. Stora mängder data skulle processeras genom filprocessorn och lagras i databasen på ett effektivt sätt. Ett system med två olika databasstrukturer implementerades och jämfördes för att hitta det mest effektiva systemet mellan de två databasstrukturerna. Prestandamätningar på systemet utfördes för att mäta vilken databasstruktur som gav mest effektiva resultat. Resultatet visar att icke-relationsdatabasen är snabbare vad gäller inmatningshastighet jämfört med systemet med relationsdatabas, medan relationsdatabasen hade en snabbare utmatningshastighet. Slutsatsen är att icke-relationsdatabasen fungerar bättre till systemet för detta arbete.

Η κυτταρομετρία ροής (Flow Cytometry–FC), είναι μία σύγχρονη αυτοματοποιημένη τεχνική ανάλυσης των φυσικοχημικών χαρακτηριστικών των κυττάρων και των σωματιδίων, η οποία επιτρέπει την μεμονωμένη μέτρησή τους, καθώς διέρχονται σε νηματική ροή από ένα σταθερό σημείο, που προσπίπτει ακτίνα laser. Η ουσιαστική χρήση της FC είναι η προσφορά της σε διάγνωση και παρακολούθηση ασθενών με νοσήματα που συνοδεύονται από παρουσία παθολογικών κυττάρων σε διάφορα βιολογικά υγρά ή και στερεούς ιστούς κατάλληλα επεξεργασμένους. Το αποτέλεσμα της κυτταρομετρικής ανάλυσης είναι μία πληθώρα μετρήσεων φθορισμού, καθώς και των δύο μετρήσεων πρόσθιου (Forward Scatter–FS) και πλάγιου (Side Scatter-SS) σκεδασμού, που εξαρτώνται από τα φυσικά χαρακτηριστικά κάθε κυττάρου. Μετά την ανάλυση των δεδομένων από τον Ηλεκτρονικό Υπολογιστή (Η/Υ) του κυτταρομετρητή, τα αποτελέσματα παρουσιάζονται υπό τη μορφή μονοπαραμετρικών ή πολυπαραμετρικών κατανομών. Στην ανάλυση που χρησιμοποιήθηκε (με χρήση 5 φθοριοχρωμάτων), ο κυτταρομετρητής ροής παρήγαγε 7 τιμές για κάθε ένα από τα 30.000 κύτταρα περίπου που μετρήθηκαν σε κάθε πρωτόκολλο. Με τη χρήση των Η/Υ μπορούμε να αναλύσουμε γρήγορα και αξιόπιστα όλον αυτό τον μεγάλο όγκο δεδομένων εφαρμόζοντας μοντέλα βάσεων δεδομένων. Η βασική δομή του σχεσιακού μοντέλου δεδομένων αναπαριστάται με ένα πίνακα, στον οποίο αποθηκεύονται δεδομένα, σε στήλες και γραμμές, τα οποία αφορούν μία συγκεκριμένη οντότητα. Οι σχέσεις των πινάκων περιγράφουν τoν τρόπο σύνδεσης διαφορετικών οντοτήτων, οι οποίες συνδυαστικά δημιουργούν λογικούς πίνακες, που με τη σειρά τους περιγράφουν πιο σύνθετες οντότητες. Κατά αυτόν τον τρόπο μπορούμε να κάνουμε περαιτέρω συγκρίσεις μεταξύ των εξετάσεων των ασθενών, που ίσως καταλήξουν σε ευνοϊκά συμπεράσματα, όσον αφορά την πρόγνωση και την θεραπεία κυρίως των νεοπλασματικών νοσημάτων του αίματος. Ο ρόλος της FC σε αιματολογικά νοσήματα όπως τα μυελοδυσπλαστικά σύνδρομα (ΜΔΣ) είναι ακόμα υπό διερεύνηση. Τα ΜΔΣ είναι νοσήματα με σημαντική κλινική και αιματολογική ετερογένεια, κάτι που καθιστά σαφή την ανάγκη μαζικής ανάλυσης των δεδομένων τους, για την αναγνώριση ομοιόμορφων υποομάδων με κοινά γνωρίσματα και άρα ενός πληροφοριακού μοντέλου ανάλυσης που θα διευκολύνει την λήψη των κατάλληλων θεραπευτικών επιλογών.Η παρούσα εργασία ασχολείται με τις πολυπαραμετρικές εξετάσεις των ΜΔΣ, την πληροφορία των οποίων είναι ικανή να παρέχει η FC. Θα γίνει προσπάθεια να καταγραφούν αναλυτικά όλα τα απαραίτητα βήματα, έτσι ώστε σε δεύτερο χρόνο να αναλυθεί μαζικά όλη αυτή η πληροφορία μέσω ενός σχεσιακού μοντέλου βάσεων δεδομένων. / Flow cytometry (Flow Cytometry-FC), is a modern automated technical analysis of the physicochemical characteristics of cells and particles, which allows the individual measuring them as they pass in threaded flow from a fixed point, incident beam laser. The effective use of FC is offering a diagnosis and monitoring of patients with diseases associated with the presence of abnormal cells in various biological fluids and solid tissues or processed properly. The results of cytometric analysis is a plethora of fluorescence measurements and measurements of both anterior (Forward Scatter-FS) and lateral (Side Scatter-SS) dispersion, which depends on the physical characteristics of each cell. After analyzing the data from the PC (H / H) on the cytometer, the results presented in the form monoparametric or multi parameter distributions. The analysis used (using fluorochrome 5), the flow cytometer produced 7 values ​​for each of the 30,000 or so which cells were measured in each protocol. By using the H / H can be analyzed quickly and reliably throughout this large volume of data by applying models of databases. The basic structure of relational data model is represented by a table that stores data in columns and rows, which relate to a specific entity. Relations ton of tables describing how to connect different entities, which in combination create logical tables, which in turn describe more complex entities. In this way we can make further comparisons between the examinations of patients, which may lead to favorable conclusions regarding the prognosis and treatment of neoplastic diseases, especially blood. The role of FC in hematological diseases such as myelodysplastic syndromes (MDS) is still under investigation. MDS is a disease with significant clinical and haematological heterogeneity, which makes clear the need for mass analysis of their data, to identify subgroups with common standard features and thus an informative analysis model that will facilitate the adoption of appropriate therapeutic epilogon.I present work dealing with multivariate MDS tests, information which is capable of providing the FC. I try to record in detail all the necessary steps so that a second time to analyze all this mass of information via a relational database model.

The necessity of managing disparate data models is increasing within all IT areas. Emerging hybrid relational-XML systems are under development in this context to support both relational and XML data models. However, there are ever-growing needs for adequate data models for texts and multimedia, which are applications that require proper storage, and their capability to coexist and collaborate with other data models is as important as that of a relational-XML hybrid model. This work proposes a new data model named E-model that supports rich relations and reflects the dynamic nature of information. This E-model introduces abstract data typing objects and rules of relation that support: (1) the notion of time in object definition and relation, (2) multiple-type relations, (3) complex schema modeling methods using a relational directed acyclic graph, and (4) interoperation with popular data models. To implement the E-model prototype, extensive data operation APIs have been developed on top of relational databases. In processing dynamic queries, our prototype achieves an order of magnitude improvement in speed compared with popular data models. Based on extensive E-model APIs, a new language named EML is proposed. EML extends the SQL-89 standard with various E-model features: (1) unstructured queries, (2) unified object namespaces, (3) temporal queries, (4) ranking orders, (5) path queries, and (6) semantic expansions. The E-model system can interoperate with popular data models with its rich relations and flexible structure to support complex data models. It can act as a stand-alone database server or it can also provide materialized views for interoperation with other data models. It can also co-exist with established database systems as a centralized online archive or as a proxy database server. The current E-model prototype system was implemented on top of a relational database. This allows significant benefits from established database engines in application development. In addition to extensive features added to SQL, our EML prototype achieves an order of magnitude speed improvement in dynamic queries compared to popular database models. Availability Release the entire work immediately for access worldwide after my graduation.