{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2921982"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2921982","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Data Storage for IoT data","abstract":"Σε αρκετές εφαρμογές Internet of Things (IoT) παρατηρούμε μία αφθονία από δεδομένα που έχουν τα εξής, κοινά χαρακτηριστικά: α) τα φορτία δεδομένων αυτά καθαυτά είναι σχετικά μικρά σε μέγεθος, β) βρίσκονται σε μία μορφή χρονικών σειρών, γ) οι μετρήσεις που παίρνουμε είναι πολύ συχνές, δ) οι μετρήσεις τυπικά επαναλαμβάνονται. Τα δεδομένα IoT περιέχουν εξαιρετική πληροφορία σε ένα έξυπνο περιβάλλον που μπορεί να μας προσφέρει μια καλή διαίσθηση και γνώση πάνω στη λειτουργία του περιβάλλοντος καθώς και στη λειτουργικότητα των συσκευών. Οι περισσότερες έξυπνες συσκευές ανεβάζουν ολόκληρο το ρεύμα δεδομένων στο cloud για να το επεξεργαστούν και να τρέξουν διαφορετικών ειδών ερωτήματα. Αλλά, δεδομένου των χαρακτηριστικών των δεδομένων (π.χ. επαναλαμβανόμενα δεδομένα), μπορεί να υπάρξει σπατάλη πόρων. Η πιο κοινή αναπαράσταση για την αποθήκευση και ανάλυση των IoT δεδομένων είναι η κλασική σχεσιακή αναπαράσταση με εγγραφές. Παρότι η αναπαράσταση αυτή εξυπηρετούσε τις ανάγκες των χρηστών για χρόνια, η όλο και αυξανόμενη ποσότητα των δεδομένων που παράγονται από αισθητήρες καθημερινά έχει φέρει στην επιφάνεια όλα τα αρνητικά στοιχεία της, όπως το στατικό σχήμα των δεδομένων, την αργή προσπέλαση ολόκληρων εγγραφών από τον δίσκο, τα ευρετήρια που απαιτούνται για την βελτιστοποίηση των ερωτημάτων και τη συνεχής ανάγκη για επανοργάνωση των δεδομένων όσο αυτά πληθαίνουν. Για την αντιμετώπιση αυτών των μειονεκτημάτων έχουν υλοποιηθεί διάφορα συστήματα κατά καιρούς. Ένα από αυτά είναι το Συσχετιστικό σύστημα αναπαράστασης το οποίο είναι εξ ολοκλήρου βασισμένο στα δεδομένα και δεν χρειάζεται κανένα σχεδιασμό ή σχηματικό περιορισμό. Επίσης, η έλλειψη τέτοιων δομών σχεδιασμού το καθιστά και πιο οικονομικό από άποψη χώρου. Σε αυτή την εργασία ο στόχος είναι η διερεύνηση και η υλοποίηση των διαφορετικών τεχνικών που αναφέρθηκαν για την αναπαράσταση και την μεταφορά IoT δεδομένων στο cloud με στόχο την εξοικονόμηση εύρους δικτύου και υπολογιστικών πόρων.","abstract_html":"Σε αρκετές εφαρμογές Internet of Things (IoT) παρατηρούμε μία αφθονία από δεδομένα που έχουν τα εξής, κοινά χαρακτηριστικά: α) τα φορτία δεδομένων αυτά καθαυτά είναι σχετικά μικρά σε μέγεθος, β) βρίσκονται σε μία μορφή χρονικών σειρών, γ) οι μετρήσεις που παίρνουμε είναι πολύ συχνές, δ) οι μετρήσεις τυπικά επαναλαμβάνονται. Τα δεδομένα IoT περιέχουν εξαιρετική πληροφορία σε ένα έξυπνο περιβάλλον που μπορεί να μας προσφέρει μια καλή διαίσθηση και γνώση πάνω στη λειτουργία του περιβάλλοντος καθώς και στη λειτουργικότητα των συσκευών. Οι περισσότερες έξυπνες συσκευές ανεβάζουν ολόκληρο το ρεύμα δεδομένων στο cloud για να το επεξεργαστούν και να τρέξουν διαφορετικών ειδών ερωτήματα. Αλλά, δεδομένου των χαρακτηριστικών των δεδομένων (π.χ. επαναλαμβανόμενα δεδομένα), μπορεί να υπάρξει σπατάλη πόρων. Η πιο κοινή αναπαράσταση για την αποθήκευση και ανάλυση των IoT δεδομένων είναι η κλασική σχεσιακή αναπαράσταση με εγγραφές. Παρότι η αναπαράσταση αυτή εξυπηρετούσε τις ανάγκες των χρηστών για χρόνια, η όλο και αυξανόμενη ποσότητα των δεδομένων που παράγονται από αισθητήρες καθημερινά έχει φέρει στην επιφάνεια όλα τα αρνητικά στοιχεία της, όπως το στατικό σχήμα των δεδομένων, την αργή προσπέλαση ολόκληρων εγγραφών από τον δίσκο, τα ευρετήρια που απαιτούνται για την βελτιστοποίηση των ερωτημάτων και τη συνεχής ανάγκη για επανοργάνωση των δεδομένων όσο αυτά πληθαίνουν. Για την αντιμετώπιση αυτών των μειονεκτημάτων έχουν υλοποιηθεί διάφορα συστήματα κατά καιρούς. Ένα από αυτά είναι το Συσχετιστικό σύστημα αναπαράστασης το οποίο είναι εξ ολοκλήρου βασισμένο στα δεδομένα και δεν χρειάζεται κανένα σχεδιασμό ή σχηματικό περιορισμό. Επίσης, η έλλειψη τέτοιων δομών σχεδιασμού το καθιστά και πιο οικονομικό από άποψη χώρου. Σε αυτή την εργασία ο στόχος είναι η διερεύνηση και η υλοποίηση των διαφορετικών τεχνικών που αναφέρθηκαν για την αναπαράσταση και την μεταφορά IoT δεδομένων στο cloud με στόχο την εξοικονόμηση εύρους δικτύου και υπολογιστικών πόρων.","abstract_has_math":false,"creators":["Γεωργαντόπουλος Κωνσταντίνος","Georgantopoulos Konstantinos"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2020,"date_issued":"2020","date_published":"2020","updated_at":"2026-11-19T05:39:32Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","English","Greek"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2921982"],"render_values":[{"text":"uoadl:2921982","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2921982","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2921982","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2921982","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Γεωργαντόπουλος Κωνσταντίνος","Georgantopoulos Konstantinos"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2020"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Τεχνολογία – Πληροφορική","Technology - Computer science"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["Ελληνικά","English","Greek"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2921982","https://pergamos.lib.uoa.gr/uoa/dl/object/2921982"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Σε αρκετές εφαρμογές Internet of Things (IoT) παρατηρούμε μία αφθονία από δεδομένα που έχουν τα εξής, κοινά χαρακτηριστικά: α) τα φορτία δεδομένων αυτά καθαυτά είναι σχετικά μικρά σε μέγεθος, β) βρίσκονται σε μία μορφή χρονικών σειρών, γ) οι μετρήσεις που παίρνουμε είναι πολύ συχνές, δ) οι μετρήσεις τυπικά επαναλαμβάνονται. Τα δεδομένα IoT περιέχουν εξαιρετική πληροφορία σε ένα έξυπνο περιβάλλον που μπορεί να μας προσφέρει μια καλή διαίσθηση και γνώση πάνω στη λειτουργία του περιβάλλοντος καθώς και στη λειτουργικότητα των συσκευών. Οι περισσότερες έξυπνες συσκευές ανεβάζουν ολόκληρο το ρεύμα δεδομένων στο cloud για να το επεξεργαστούν και να τρέξουν διαφορετικών ειδών ερωτήματα. Αλλά, δεδομένου των χαρακτηριστικών των δεδομένων (π.χ. επαναλαμβανόμενα δεδομένα), μπορεί να υπάρξει σπατάλη πόρων. Η πιο κοινή αναπαράσταση για την αποθήκευση και ανάλυση των IoT δεδομένων είναι η κλασική σχεσιακή αναπαράσταση με εγγραφές. Παρότι η αναπαράσταση αυτή εξυπηρετούσε τις ανάγκες των χρηστών για χρόνια, η όλο και αυξανόμενη ποσότητα των δεδομένων που παράγονται από αισθητήρες καθημερινά έχει φέρει στην επιφάνεια όλα τα αρνητικά στοιχεία της, όπως το στατικό σχήμα των δεδομένων, την αργή προσπέλαση ολόκληρων εγγραφών από τον δίσκο, τα ευρετήρια που απαιτούνται για την βελτιστοποίηση των ερωτημάτων και τη συνεχής ανάγκη για επανοργάνωση των δεδομένων όσο αυτά πληθαίνουν. Για την αντιμετώπιση αυτών των μειονεκτημάτων έχουν υλοποιηθεί διάφορα συστήματα κατά καιρούς. Ένα από αυτά είναι το Συσχετιστικό σύστημα αναπαράστασης το οποίο είναι εξ ολοκλήρου βασισμένο στα δεδομένα και δεν χρειάζεται κανένα σχεδιασμό ή σχηματικό περιορισμό. Επίσης, η έλλειψη τέτοιων δομών σχεδιασμού το καθιστά και πιο οικονομικό από άποψη χώρου. Σε αυτή την εργασία ο στόχος είναι η διερεύνηση και η υλοποίηση των διαφορετικών τεχνικών που αναφέρθηκαν για την αναπαράσταση και την μεταφορά IoT δεδομένων στο cloud με στόχο την εξοικονόμηση εύρους δικτύου και υπολογιστικών πόρων.","In several Internet-of-Things (IoT) applications we observe an abundance of data sharing the following characteristics: a) the individual data payloads are typically small in size b) they come in a time-series form c) the measurements we get are very frequent and d) the measurements are typically repeated. IoT data capture great information in a smart space that can provide us with good insights and knowledge on the operation of the space, as well as the functionality of the devices. Most smart devices upload the whole stream of data to the cloud in order to process it and to run different types of queries. However, given the characteristics of the data (e.g. repeated data) there can be a waste of resources. The most common representation for storage and analysis of IoT data is the classic relational, record-based approach. Although this approach satisfied users' needs for years, the rapid rise in size of data that are produced by sensors everyday has brought to light the drawbacks of this approach such as the static data model, the slow reading of whole records from the disc, the indexes needed for query optimization and the constant need to reorganize the data as they grow in size. To address those drawbacks, alternative systems have been developed over the years. One such system is the correlation schema system which is exclusively dependent on data and there is no need for a predesigned schema or schematic constraints. Also the lack of a predesigned schema makes the system more efficient in storage usage. In this project we plan to investigate and implement the different techniques mentioned earlier for representing and transferring IoT data to a cloud in order to save bandwidth and computational resources."]},{"key":"dc:title","label":"Title","values":["Data Storage for IoT data"]}]}],"canonical_facts":{"dc:creator":["Γεωργαντόπουλος Κωνσταντίνος","Georgantopoulos Konstantinos"],"dc:date":["2020"],"dc:description":["Σε αρκετές εφαρμογές Internet of Things (IoT) παρατηρούμε μία αφθονία από δεδομένα που έχουν τα εξής, κοινά χαρακτηριστικά: α) τα φορτία δεδομένων αυτά καθαυτά είναι σχετικά μικρά σε μέγεθος, β) βρίσκονται σε μία μορφή χρονικών σειρών, γ) οι μετρήσεις που παίρνουμε είναι πολύ συχνές, δ) οι μετρήσεις τυπικά επαναλαμβάνονται. Τα δεδομένα IoT περιέχουν εξαιρετική πληροφορία σε ένα έξυπνο περιβάλλον που μπορεί να μας προσφέρει μια καλή διαίσθηση και γνώση πάνω στη λειτουργία του περιβάλλοντος καθώς και στη λειτουργικότητα των συσκευών. Οι περισσότερες έξυπνες συσκευές ανεβάζουν ολόκληρο το ρεύμα δεδομένων στο cloud για να το επεξεργαστούν και να τρέξουν διαφορετικών ειδών ερωτήματα. Αλλά, δεδομένου των χαρακτηριστικών των δεδομένων (π.χ. επαναλαμβανόμενα δεδομένα), μπορεί να υπάρξει σπατάλη πόρων. Η πιο κοινή αναπαράσταση για την αποθήκευση και ανάλυση των IoT δεδομένων είναι η κλασική σχεσιακή αναπαράσταση με εγγραφές. Παρότι η αναπαράσταση αυτή εξυπηρετούσε τις ανάγκες των χρηστών για χρόνια, η όλο και αυξανόμενη ποσότητα των δεδομένων που παράγονται από αισθητήρες καθημερινά έχει φέρει στην επιφάνεια όλα τα αρνητικά στοιχεία της, όπως το στατικό σχήμα των δεδομένων, την αργή προσπέλαση ολόκληρων εγγραφών από τον δίσκο, τα ευρετήρια που απαιτούνται για την βελτιστοποίηση των ερωτημάτων και τη συνεχής ανάγκη για επανοργάνωση των δεδομένων όσο αυτά πληθαίνουν. Για την αντιμετώπιση αυτών των μειονεκτημάτων έχουν υλοποιηθεί διάφορα συστήματα κατά καιρούς. Ένα από αυτά είναι το Συσχετιστικό σύστημα αναπαράστασης το οποίο είναι εξ ολοκλήρου βασισμένο στα δεδομένα και δεν χρειάζεται κανένα σχεδιασμό ή σχηματικό περιορισμό. Επίσης, η έλλειψη τέτοιων δομών σχεδιασμού το καθιστά και πιο οικονομικό από άποψη χώρου. Σε αυτή την εργασία ο στόχος είναι η διερεύνηση και η υλοποίηση των διαφορετικών τεχνικών που αναφέρθηκαν για την αναπαράσταση και την μεταφορά IoT δεδομένων στο cloud με στόχο την εξοικονόμηση εύρους δικτύου και υπολογιστικών πόρων.","In several Internet-of-Things (IoT) applications we observe an abundance of data sharing the following characteristics: a) the individual data payloads are typically small in size b) they come in a time-series form c) the measurements we get are very frequent and d) the measurements are typically repeated. IoT data capture great information in a smart space that can provide us with good insights and knowledge on the operation of the space, as well as the functionality of the devices. Most smart devices upload the whole stream of data to the cloud in order to process it and to run different types of queries. However, given the characteristics of the data (e.g. repeated data) there can be a waste of resources. The most common representation for storage and analysis of IoT data is the classic relational, record-based approach. Although this approach satisfied users' needs for years, the rapid rise in size of data that are produced by sensors everyday has brought to light the drawbacks of this approach such as the static data model, the slow reading of whole records from the disc, the indexes needed for query optimization and the constant need to reorganize the data as they grow in size. To address those drawbacks, alternative systems have been developed over the years. One such system is the correlation schema system which is exclusively dependent on data and there is no need for a predesigned schema or schematic constraints. Also the lack of a predesigned schema makes the system more efficient in storage usage. In this project we plan to investigate and implement the different techniques mentioned earlier for representing and transferring IoT data to a cloud in order to save bandwidth and computational resources."],"dc:identifier":["uoadl:2921982","https://pergamos.lib.uoa.gr/uoa/dl/object/2921982"],"dc:language":["Ελληνικά","English","Greek"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Data Storage for IoT data"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:39:32Z"}