{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:3421801"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:3421801","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Αυτόματη εξαγωγή σχήματος και δημιουργία DOLAR prototypes από άγνωστες πηγές δεδομένων","abstract":"Καθώς ο όγκος των πληροφοριών διευρύνεται συνεχώς και η διασυνδεσιμότητα των εφαρμογών αυξάνεται, οι σύγχρονες εφαρμογές πρέπει να χειρίζονται τη συνεχή πίεση χρήστη/επιχειρήσεων για να υποστηρίζουν νέες πηγές δεδομένων και σύνολα δεδομένων όσο το δυνατόν πιο απρόσκοπτα. Η ενσωμάτωση διαφορετικών συνόλων δεδομένων από διάφορες πηγές είναι μια σημαντική πρόκληση, καθώς τα δεδομένα μπορεί να προέρχονται από δομημένες βάσεις δεδομένων SQL, web API, NoSQL βάσεις δεδομένων, μη δομημένο περιεχόμενο και άλλα. Για να επιτρέψουμε στις εφαρμογές να προσαρμόζονται εύκολα σε νέα σχήματα, σε αυτή τη εργασία, βασιζόμαστε στο DOLAR framework για να δημιουργήσουμε αυτόματα DOLAR prototypes, από άγνωστες πηγές δεδομένων. Η προσέγγισή μας περιλαμβάνει δύο μεθόδους (α) δειγματοληψία δεδομένων, όπου το σύνολο δεδομένων διασχίζεται για τη συλλογή δειγμάτων των δεδομένων και τη χρήση αυτών των δειγμάτων για τον προσδιορισμό της δομής των prototypes (τα πεδία και τους τύπους τους) (β) χαρτογράφηση σχήματος, όπου το σχήμα δεδομένων αντιστοιχίζεται αυτόματα στα αντίστοιχα πρωτότυπα που δημιουργούνται εν κινήσει. Στο πλαίσιο αυτής της εργασίας, διερευνούμε την αποτελεσματικότητα της προτεινόμενης προσέγγισης για σύνολα δεδομένων JSON: η υλοποίηση μας καλύπτει τη δειγματοληψία δεδομένων JSON και τη χαρτογράφηση σχήματος MongoDB. Για την αξιολόγηση των αποτελεσμάτων, εισάγουμε μια σειρά μετρήσεων που αφορούν, (α) τον αριθμό, (β) το όνομα (γ) τον τύπο των παραγόμενων πεδίων κάθε μοντέλου, καθώς και (δ) αναδρομικό έλεγχο, συγκρίνοντας prototypes που δημιουργούνται αυτόματα με prototypes που έχουν δημιουργηθεί χειροκίνητα. Τα πειράματα που πραγματοποιήθηκαν δείχνουν ότι τόσο οι μέθοδοι δειγματοληψίας όσο και οι μέθοδοι χαρτογράφησης μπορούν να ταιριάζουν με το σχήμα που δημιουργήθηκε με το χέρι, όταν υπάρχει αρκετή διαθέσιμη πληροφορία στο δείγμα. Μελλοντικές εργασίες θα μπορούσαν να διερευνήσουν τη δημιουργία DOLAR prototypes από πρόσθετους τύπους συνόλων δεδομένων και/ή μορφών δεδομένων.","abstract_html":"Καθώς ο όγκος των πληροφοριών διευρύνεται συνεχώς και η διασυνδεσιμότητα των εφαρμογών αυξάνεται, οι σύγχρονες εφαρμογές πρέπει να χειρίζονται τη συνεχή πίεση χρήστη/επιχειρήσεων για να υποστηρίζουν νέες πηγές δεδομένων και σύνολα δεδομένων όσο το δυνατόν πιο απρόσκοπτα. Η ενσωμάτωση διαφορετικών συνόλων δεδομένων από διάφορες πηγές είναι μια σημαντική πρόκληση, καθώς τα δεδομένα μπορεί να προέρχονται από δομημένες βάσεις δεδομένων SQL, web API, NoSQL βάσεις δεδομένων, μη δομημένο περιεχόμενο και άλλα. Για να επιτρέψουμε στις εφαρμογές να προσαρμόζονται εύκολα σε νέα σχήματα, σε αυτή τη εργασία, βασιζόμαστε στο DOLAR framework για να δημιουργήσουμε αυτόματα DOLAR prototypes, από άγνωστες πηγές δεδομένων. Η προσέγγισή μας περιλαμβάνει δύο μεθόδους (α) δειγματοληψία δεδομένων, όπου το σύνολο δεδομένων διασχίζεται για τη συλλογή δειγμάτων των δεδομένων και τη χρήση αυτών των δειγμάτων για τον προσδιορισμό της δομής των prototypes (τα πεδία και τους τύπους τους) (β) χαρτογράφηση σχήματος, όπου το σχήμα δεδομένων αντιστοιχίζεται αυτόματα στα αντίστοιχα πρωτότυπα που δημιουργούνται εν κινήσει. Στο πλαίσιο αυτής της εργασίας, διερευνούμε την αποτελεσματικότητα της προτεινόμενης προσέγγισης για σύνολα δεδομένων JSON: η υλοποίηση μας καλύπτει τη δειγματοληψία δεδομένων JSON και τη χαρτογράφηση σχήματος MongoDB. Για την αξιολόγηση των αποτελεσμάτων, εισάγουμε μια σειρά μετρήσεων που αφορούν, (α) τον αριθμό, (β) το όνομα (γ) τον τύπο των παραγόμενων πεδίων κάθε μοντέλου, καθώς και (δ) αναδρομικό έλεγχο, συγκρίνοντας prototypes που δημιουργούνται αυτόματα με prototypes που έχουν δημιουργηθεί χειροκίνητα. Τα πειράματα που πραγματοποιήθηκαν δείχνουν ότι τόσο οι μέθοδοι δειγματοληψίας όσο και οι μέθοδοι χαρτογράφησης μπορούν να ταιριάζουν με το σχήμα που δημιουργήθηκε με το χέρι, όταν υπάρχει αρκετή διαθέσιμη πληροφορία στο δείγμα. Μελλοντικές εργασίες θα μπορούσαν να διερευνήσουν τη δημιουργία DOLAR prototypes από πρόσθετους τύπους συνόλων δεδομένων και/ή μορφών δεδομένων.","abstract_has_math":false,"creators":["Ανανάς Δημήτριος","Ananas Dimitrios"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2024,"date_issued":"2024","date_published":"2024","updated_at":"2026-11-19T06:30:55Z","subjects":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"languages":["Ελληνικά","Greek","English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3421801"],"render_values":[{"text":"uoadl:3421801","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3421801","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/3421801","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%3A3421801","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ανανάς Δημήτριος","Ananas Dimitrios"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2024"]},{"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","Greek","English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:3421801","https://pergamos.lib.uoa.gr/uoa/dl/object/3421801"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Καθώς ο όγκος των πληροφοριών διευρύνεται συνεχώς και η διασυνδεσιμότητα των εφαρμογών αυξάνεται, οι σύγχρονες εφαρμογές πρέπει να χειρίζονται τη συνεχή πίεση χρήστη/επιχειρήσεων για να υποστηρίζουν νέες πηγές δεδομένων και σύνολα δεδομένων όσο το δυνατόν πιο απρόσκοπτα. Η ενσωμάτωση διαφορετικών συνόλων δεδομένων από διάφορες πηγές είναι μια σημαντική πρόκληση, καθώς τα δεδομένα μπορεί να προέρχονται από δομημένες βάσεις δεδομένων SQL, web API, NoSQL βάσεις δεδομένων, μη δομημένο περιεχόμενο και άλλα. Για να επιτρέψουμε στις εφαρμογές να προσαρμόζονται εύκολα σε νέα σχήματα, σε αυτή τη εργασία, βασιζόμαστε στο DOLAR framework για να δημιουργήσουμε αυτόματα DOLAR prototypes, από άγνωστες πηγές δεδομένων. Η προσέγγισή μας περιλαμβάνει δύο μεθόδους (α) δειγματοληψία δεδομένων, όπου το σύνολο δεδομένων διασχίζεται για τη συλλογή δειγμάτων των δεδομένων και τη χρήση αυτών των δειγμάτων για τον προσδιορισμό της δομής των prototypes (τα πεδία και τους τύπους τους) (β) χαρτογράφηση σχήματος, όπου το σχήμα δεδομένων αντιστοιχίζεται αυτόματα στα αντίστοιχα πρωτότυπα που δημιουργούνται εν κινήσει. Στο πλαίσιο αυτής της εργασίας, διερευνούμε την αποτελεσματικότητα της προτεινόμενης προσέγγισης για σύνολα δεδομένων JSON: η υλοποίηση μας καλύπτει τη δειγματοληψία δεδομένων JSON και τη χαρτογράφηση σχήματος MongoDB. Για την αξιολόγηση των αποτελεσμάτων, εισάγουμε μια σειρά μετρήσεων που αφορούν, (α) τον αριθμό, (β) το όνομα (γ) τον τύπο των παραγόμενων πεδίων κάθε μοντέλου, καθώς και (δ) αναδρομικό έλεγχο, συγκρίνοντας prototypes που δημιουργούνται αυτόματα με prototypes που έχουν δημιουργηθεί χειροκίνητα. Τα πειράματα που πραγματοποιήθηκαν δείχνουν ότι τόσο οι μέθοδοι δειγματοληψίας όσο και οι μέθοδοι χαρτογράφησης μπορούν να ταιριάζουν με το σχήμα που δημιουργήθηκε με το χέρι, όταν υπάρχει αρκετή διαθέσιμη πληροφορία στο δείγμα. Μελλοντικές εργασίες θα μπορούσαν να διερευνήσουν τη δημιουργία DOLAR prototypes από πρόσθετους τύπους συνόλων δεδομένων και/ή μορφών δεδομένων.","As the amount of information constantly expands, and the inter-connectivity of applications increases, modern applications need to handle the constant user / business pressure to support novel data sources and datasets as seamlessly as possible. Incorporating diverse datasets from various sources is a significant challenge, as the data may originate from structured SQL databases, web APIs, NoSQL data stores, unstructured content, and more. To enable applications to easily adapt to new schemas, in this thesis, we build upon the DOLAR framework to create DOLAR prototypes from unknown data sources automatically. Our approach incorporates two methods (a) data sampling, where the dataset is traversed to collect samples and use these samples to determine the structure of the generated prototypes (the fields and their types) (b) schema mapping, where the dataset schema is automatically mapped to corresponding prototypes created on the fly. In the scope of this thesis, we investigate the effectiveness of the proposed approach for JSON datasets: our implementation covers JSON data sampling and MongoDB schema mapping. To evaluate the results, our experimentation introduces an array of metrics, namely, (a) number, (b) name (c) type of the produced fields of each model and (d) recursive validation, comparing automatically generated prototypes with manually created ones. Conducted experiments show that both our sampling and mapping methods can match the manually created schema rather precisely, when sufficient information is available in the samples. Future work could explore the generation of DOLAR prototypes from additional types of datasets and/or data formats."]},{"key":"dc:title","label":"Title","values":["Αυτόματη εξαγωγή σχήματος και δημιουργία DOLAR prototypes από άγνωστες πηγές δεδομένων"]}]}],"canonical_facts":{"dc:creator":["Ανανάς Δημήτριος","Ananas Dimitrios"],"dc:date":["2024"],"dc:description":["Καθώς ο όγκος των πληροφοριών διευρύνεται συνεχώς και η διασυνδεσιμότητα των εφαρμογών αυξάνεται, οι σύγχρονες εφαρμογές πρέπει να χειρίζονται τη συνεχή πίεση χρήστη/επιχειρήσεων για να υποστηρίζουν νέες πηγές δεδομένων και σύνολα δεδομένων όσο το δυνατόν πιο απρόσκοπτα. Η ενσωμάτωση διαφορετικών συνόλων δεδομένων από διάφορες πηγές είναι μια σημαντική πρόκληση, καθώς τα δεδομένα μπορεί να προέρχονται από δομημένες βάσεις δεδομένων SQL, web API, NoSQL βάσεις δεδομένων, μη δομημένο περιεχόμενο και άλλα. Για να επιτρέψουμε στις εφαρμογές να προσαρμόζονται εύκολα σε νέα σχήματα, σε αυτή τη εργασία, βασιζόμαστε στο DOLAR framework για να δημιουργήσουμε αυτόματα DOLAR prototypes, από άγνωστες πηγές δεδομένων. Η προσέγγισή μας περιλαμβάνει δύο μεθόδους (α) δειγματοληψία δεδομένων, όπου το σύνολο δεδομένων διασχίζεται για τη συλλογή δειγμάτων των δεδομένων και τη χρήση αυτών των δειγμάτων για τον προσδιορισμό της δομής των prototypes (τα πεδία και τους τύπους τους) (β) χαρτογράφηση σχήματος, όπου το σχήμα δεδομένων αντιστοιχίζεται αυτόματα στα αντίστοιχα πρωτότυπα που δημιουργούνται εν κινήσει. Στο πλαίσιο αυτής της εργασίας, διερευνούμε την αποτελεσματικότητα της προτεινόμενης προσέγγισης για σύνολα δεδομένων JSON: η υλοποίηση μας καλύπτει τη δειγματοληψία δεδομένων JSON και τη χαρτογράφηση σχήματος MongoDB. Για την αξιολόγηση των αποτελεσμάτων, εισάγουμε μια σειρά μετρήσεων που αφορούν, (α) τον αριθμό, (β) το όνομα (γ) τον τύπο των παραγόμενων πεδίων κάθε μοντέλου, καθώς και (δ) αναδρομικό έλεγχο, συγκρίνοντας prototypes που δημιουργούνται αυτόματα με prototypes που έχουν δημιουργηθεί χειροκίνητα. Τα πειράματα που πραγματοποιήθηκαν δείχνουν ότι τόσο οι μέθοδοι δειγματοληψίας όσο και οι μέθοδοι χαρτογράφησης μπορούν να ταιριάζουν με το σχήμα που δημιουργήθηκε με το χέρι, όταν υπάρχει αρκετή διαθέσιμη πληροφορία στο δείγμα. Μελλοντικές εργασίες θα μπορούσαν να διερευνήσουν τη δημιουργία DOLAR prototypes από πρόσθετους τύπους συνόλων δεδομένων και/ή μορφών δεδομένων.","As the amount of information constantly expands, and the inter-connectivity of applications increases, modern applications need to handle the constant user / business pressure to support novel data sources and datasets as seamlessly as possible. Incorporating diverse datasets from various sources is a significant challenge, as the data may originate from structured SQL databases, web APIs, NoSQL data stores, unstructured content, and more. To enable applications to easily adapt to new schemas, in this thesis, we build upon the DOLAR framework to create DOLAR prototypes from unknown data sources automatically. Our approach incorporates two methods (a) data sampling, where the dataset is traversed to collect samples and use these samples to determine the structure of the generated prototypes (the fields and their types) (b) schema mapping, where the dataset schema is automatically mapped to corresponding prototypes created on the fly. In the scope of this thesis, we investigate the effectiveness of the proposed approach for JSON datasets: our implementation covers JSON data sampling and MongoDB schema mapping. To evaluate the results, our experimentation introduces an array of metrics, namely, (a) number, (b) name (c) type of the produced fields of each model and (d) recursive validation, comparing automatically generated prototypes with manually created ones. Conducted experiments show that both our sampling and mapping methods can match the manually created schema rather precisely, when sufficient information is available in the samples. Future work could explore the generation of DOLAR prototypes from additional types of datasets and/or data formats."],"dc:identifier":["uoadl:3421801","https://pergamos.lib.uoa.gr/uoa/dl/object/3421801"],"dc:language":["Ελληνικά","Greek","English"],"dc:subject":["Τεχνολογία – Πληροφορική","Technology - Computer science"],"dc:title":["Αυτόματη εξαγωγή σχήματος και δημιουργία DOLAR prototypes από άγνωστες πηγές δεδομένων"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:30:55Z"}