mirror of
https://github.com/fhswf/aki_prj23_transparenzregister.git
synced 2025-06-21 18:03:54 +02:00
docs/document-structure (#578)
Habe per toctree die verschiedenen Dokumente in die richtige Reihenfolge gebracht. --------- Co-authored-by: Tim Ronneburg <Tim-Ronneburg@users.noreply.github.com> Co-authored-by: Sebastian <94404394+SeZett@users.noreply.github.com> Co-authored-by: Philipp Horstenkamp <philipp@horstenkamp.de> Co-authored-by: SeZett <zeleny.sebastian@fh-swf.de>
This commit is contained in:
Tristan Nolde
GitHub
4
documentations/Ergebnisse/1_Einleitung.md
Normal file
4
documentations/Ergebnisse/1_Einleitung.md
Normal file
@ -0,0 +1,4 @@
|
||||
# Einleitung
|
||||
```{toctree}
|
||||
Abschlussbericht_und_Praesentation/SaZh/S1.md
|
||||
```
|
||||
4
documentations/Ergebnisse/2_Recherche.md
Normal file
4
documentations/Ergebnisse/2_Recherche.md
Normal file
@ -0,0 +1,4 @@
|
||||
# Recherche
|
||||
```{toctree}
|
||||
Abschlussbericht_und_Praesentation/TiRo/S2.md
|
||||
```
|
||||
11
documentations/Ergebnisse/3_Grundlagen.md
Normal file
11
documentations/Ergebnisse/3_Grundlagen.md
Normal file
@ -0,0 +1,11 @@
|
||||
# Grundlagen und Basistechniken (Tim Ronneburg)
|
||||
In diesem Abschnitt sind die Zwischenberichte des Projekts zu finden. In diesen Berichten wurde die Recherche zu den einzelnen Kategorien durchgeführt und in den entsprechenden Jupyter Notebooks im Git-Repository bewertet. Dieses Kapitel präsentiert eine detaillierte Analyse der zuvor beschriebenen Recherche mit zusätzlichen Begründungen und Erläuterungen, warum bestimmte Technologien, Konzepte und Vorgehensweisen für das Projekt ausgewählt wurden.
|
||||
|
||||
Es ist zu beachten, dass die Zwischenberichte zu einem frühen Zeitpunkt des Projektes erstellt wurden und eine Hausarbeit darstellen, weshalb in einigen Abschnitten von zukünftigen Vorgehensweisen und Ausblick gesprochen wird.
|
||||
|
||||
```{toctree}
|
||||
Zwischenbericht_und_Praesentation/PhHo/dev-ops
|
||||
Zwischenbericht_und_Praesentation/TrNo/Ausarbeitung.md
|
||||
Zwischenbericht_und_Praesentation/SeZe/00_Datenspeicherung.md
|
||||
Zwischenbericht_und_Praesentation/TiRo/verflechtungsanalyse.md
|
||||
```
|
||||
9
documentations/Ergebnisse/4_Umsetzung.md
Normal file
9
documentations/Ergebnisse/4_Umsetzung.md
Normal file
@ -0,0 +1,9 @@
|
||||
# Technische Realisation
|
||||
```{toctree}
|
||||
Abschlussbericht_und_Praesentation/PhHo/05-DEV-OPS
|
||||
Abschlussbericht_und_Praesentation/TrNo/S4-2.md
|
||||
Abschlussbericht_und_Praesentation/TrNo/S4-3-1.md
|
||||
Abschlussbericht_und_Praesentation/PhHo/4-4-2-database-generator
|
||||
Abschlussbericht_und_Praesentation/TiRo/S4-5-2.md
|
||||
Abschlussbericht_und_Praesentation/PhHo/04-data-visualisation-container.md
|
||||
```
|
||||
@ -0,0 +1,6 @@
|
||||
## Zielsetzung
|
||||
|
||||
*TO BE CONTINUED*
|
||||
|
||||
## Projektorganisation
|
||||
Ein toller Platzhalter
|
||||
Binary file not shown.
|
After Width: | Height: | Size: 2.6 MiB |
@ -0,0 +1,75 @@
|
||||
## Zusammenfassung
|
||||
|
||||
Die erste Projektidee zum Transparenzregister umfasste die Entwicklung einer Lösung zur Extraktion, Aufbereitung, Analyse und Visualisierung von Metadaten von Unternehmen, wobei der Fokus auf den größten deutschen und europäischen Unternehmen lag.\
|
||||
Die ermittelten Daten sollten wichtige Unternehmenskennzahlen wie Umsatz, Gewinn, Bilanzsumme, Eigenkapital, Vorstand, Aufsichtsrat, Wirtschaftsprüfer, Besitzverhältnisse und mehr umfassen. Dabei stand die Verknüpfung und Visualisierung dieser Daten im Vordergrund.
|
||||
|
||||
Die Projektziele erstreckten sich über verschiedene Fragestellungen. Die Analyse von Unternehmensverflechtungen, die Identifikation der handelnden Personen im Vorstand und Aufsichtsrat, sowie die Bewertung von Berichten über Unternehmen waren zentrale Aspekte. \
|
||||
Die Auswertung von Berichten sollte klären, ob diese positiv oder negativ sind, beispielsweise anhand von Indikatoren wie häufigen Vorstandswechseln oder Meldungen über Zielerreichung.
|
||||
|
||||
Ein weiterer Schwerpunkt war die Visualisierung der erhobenen Daten. Hierbei war eine benutzerfreundliche Suche nach Unternehmen und Personen sowie eine detaillierte Ansicht gefordert. Besonderes Augenmerk lag auf der transparenten Darstellung von Verbindungen zwischen Unternehmen und Personen durch ein Netzwerkdiagramm.
|
||||
|
||||
Um diese Projektziele zu erreichen wurde ein 14-tägiger Regeltermin mit dem Product Owner (PO) und ein 7-tägiger Regeltermin mit dem Projektteam festgelegt. \
|
||||
Zur Festlegung der Anforderungen und Umfang des Projekts wurden Domänen identifiziert, welche notwendig sind, um die gestellten Aufgaben zu erreichen.\
|
||||
Zur Organisation wurden moderne Werkzeuge zur Softwareentwicklung und Projektmanagement eingesetzt, um das Projektteam jederzeit auf dem gleichen Wissensstand, Fortschritt und weiteren Verlauf zu halten.\
|
||||
Die Teammitglieder erarbeiteten sich in der ersten Projekthälfte Expertenwissen in den Bereichen DevOps, Data-Mining, Datenvisualisierung, Datenspeicherung, Netzwerk- und Sentimentanalyse, stellten dieses in Seminarvorträgen vor und überprüften die Umsetzbarkeit mit einem ersten Proof-of-Concept zum Transparenzregister.\
|
||||
Es wurden Metriken zur Bewertung von Unternehmen definiert und erste Mock-Ups für eine GUI erstellt. Diese Konzepte wurden mit dem PO diskutiert, um eine Architektur für die Implementierungsphase zu schaffen.
|
||||
|
||||
|
||||
Die zweite Projekthälfte konzentrierte sich auf die praktische Umsetzung der Produktidee in einer professionellen Umgebung.\
|
||||
Die notwendigen Funktionen zur Datenerfassung, -extraktion, -speicherung und Visualisierung wurden in Python geschrieben und über GitHub verwaltet, wobei vorab eine CI/CD Infrastruktur geschaffen wurde.\
|
||||
In einem Präsenztermin hat das Projektteam eine Containerarchitektur erarbeitet, in welcher die Funktionen organisiert werden.
|
||||
|
||||
Die benötigten Datenbanken zur Speicherung der Staging- und Produktivdaten wurden auf dem Kubernetes-Cluster der FH gehostet. \
|
||||
Die Dockerarchitektur und die Container wurden auf einer Portainerinstanz der FH deployed.\
|
||||
Zusätzlich wurde im Projekt ein lokales Deployment umgesetzt, welches mittels docker-compose die benötigten Datenbanken und Container lokal baut, mit einem Datenbank-Dump befüllt und das Frontend bereitstellt.
|
||||
|
||||
Die wichtigsten Erkenntnisse für die Teammitglider sind in der folgenden Tabelle zusammengefasst:
|
||||
|
||||
| Ergebnisse | Herausforderungen | Erfolge |
|
||||
|----------------------------------|-------------------------------------------|-----------------------------------------------------|
|
||||
| neue SW-Tools erlernt | heterogene Gruppe auf einen Stand bringen | Continuous Deployment auf FH-Cluster |
|
||||
| Projektmanagement | offenes Projektziel | gutes Aufgaben- und Zeitmanagement |
|
||||
| Umgang mit Github | Scope Creep | erfolgreiche Implementierung und Umsetzung der Idee |
|
||||
| praktische Anwendung von CI/CD | technische Infrastruktur | sehr hohe Code Qualität |
|
||||
| Softwaretesting | viel Domänenwissen notwendig | interdisziplinäres Arbeiten |
|
||||
| funktionsfähige Software | | lokales Deployment |
|
||||
| wartbarer Code | | |
|
||||
| Netzwerkanalyse | | |
|
||||
| Umgang mit SQL/NoSQL Datenbanken | | |
|
||||
| Methoden des Data-Minings | | |
|
||||
| Dashboard-/GUI Entwicklung | | |
|
||||
| Anwendung Docker | | |
|
||||
| Softwarearchitektur | | |
|
||||
|
||||
|
||||
### Lessons Learned
|
||||
|
||||
Während des Projektverlaufs wurden wichtige Erkenntnisse und Lektionen gewonnen, die das Team in zukünftigen Projekten berücksichtigt. \
|
||||
Eine der zentralen Lektionen war die Bedeutung einer klaren Zieldefinition und -setzung. Die Festlegung und Dokumentation des Projektziels wurde zu einem entscheidenden Faktor für den reibungslosen Fortschritt.\
|
||||
Das Team erkannte die Notwendigkeit eines regelmäßigen Team-Meetings, um Ideen, Herausforderungen, Probleme und Fortschritte zu besprechen.
|
||||
Der Regeltermin führte zu kontinuierlicher Kommunikation und unterstützte den Fortschritt positiv.
|
||||
|
||||
Durch die unterschiedlichen Hintergründe der Teammitglieder gab es die Herausforderung einen gemeinsamen technischen Stand zu erreichen, um auf dieser Basis das Projekt durchzuführen.\
|
||||
Die unterschiedlichen Eigenschaften, Fähigkeiten und Wissensstände lieferten aber auch alle wichtigen Kompetenzen für ein leistungsfähiges Team.
|
||||
|
||||
|
||||
|
||||
| Rolle | Stärken | Schwächen |
|
||||
|:--------------:|-------------------------------------------------|------------------------------------------------|
|
||||
| Perfektionist | Sorgfalt, Gewissenhaftigkeit | Kontrollsucht, kann nicht delegieren |
|
||||
| Umsetzer | praktisch veranlagt, zuverlässig | unflexibel, skeptisch gegenüber neuen Methoden |
|
||||
| Macher | Mut, Pragmatismus | ungeduldig, unsensibel |
|
||||
| Erfinder | kreativ, frische Ideen | Provokateur, hält Regeln nicht ein |
|
||||
| Spezialist | Expertise | verliert sich in Details |
|
||||
| Beobachter | skeptisch, kritisch | kann demotivieren und bremsen |
|
||||
| Weichensteller | lösungsorientiert, kommunikativ, offen | zu optimistisch, verliert schnell Interesse |
|
||||
| Teamarbeiter | einfühlsam, diplomatisch, kooperativ | unentschlossen, vermeidet Konfrontation |
|
||||
| Koordinator | selbstbewusst, zielorientiert, guter Netzwerker | wirkt manipulativ, übergibt Aufgaben an andere |
|
||||
|
||||
Wir haben im vorherigen Kapitel zahlreiche Methoden, Werkzeuge und vor allem deren praktische Anwendung kennengelernt. Die Implementierung verschaffte uns wertvolle Einblicke und Fähigkeiten in moderne Softwareentwicklungsmethoden und -werkzeuge. Die Planung der Architektur führte zu einer skalierbaren Plattform, die sowohl lokal als auch in der Cloud bereitgestellt werden kann.
|
||||
|
||||
Das Projekt war äußerst anspruchsvoll und herausfordernd, jedoch war der daraus resultierende Wissensgewinn von unschätzbarem Wert. Die interdisziplinäre Zusammenarbeit im Team funktionierte hervorragend, und die Herausforderungen, denen wir gegenüberstanden, wurden als Chancen für Wachstum und Lernen betrachtet.
|
||||
|
||||
Wir möchten unseren besonderen Dank an Professor Arinir richten, der uns nicht nur fachkundig betreute, sondern auch mit seiner Expertise in Softwareentwicklung, Methodik und Management entscheidende Impulse setzte. Seine konstruktive Kritik und Ratschläge waren von unschätzbarem Wert und trugen maßgeblich zum Erfolg des Projekts bei. Seine Unterstützung ermöglichte es uns, die gesteckten Ziele zu erreichen und darüber hinaus wertvolle Einblicke in die Welt der Softwareentwicklung zu gewinnen.
|
||||
|
||||
Trotz der Herausforderungen war das Projekt eine bereichernde Erfahrung, die nicht nur unser technisches Know-how erweiterte, sondern auch die Fähigkeit zur Zusammenarbeit und zum Problemlösen förderte. Wir blicken mit Stolz auf das, was wir erreicht haben, und freuen uns darauf, die gewonnenen Erkenntnisse in zukünftigen Projekten anzuwenden.
|
||||
@ -1,4 +1,5 @@
|
||||
# Recherche zu benötigten Techniken (Tim Ronneburg)
|
||||
|
||||
In diesem Kapitel werden die Prämissen behandelt, welche zu Beginn des Projektes festgelegt und anhand derer eine Auswahl an benötigten Techniken getroffen wurde.
|
||||
|
||||
Die im Folgenden genannten Werkzeuge und Technologien werden an den entsprechenden Stellen später detaillierter behandelt. Dieses Kapitel dient daher als Zusammenfassung der Anforderungen mit nachfolgender Auswahl der Technologien. Diese Auswahl wird im anschließenden Kapitel 3, das die Zwischenberichte des Projekts umfasst, eingehender und ausführlicher behandelt.
|
||||
@ -18,7 +19,9 @@ Für die aufgelisteten Fragestellungen setzt sich jeweils ein Gruppenmitglied in
|
||||
Generell werden für sämtliche Aspekte die allgemeinen Leitlinien berücksichtigt. Die eingesetzten Werkzeuge und Technologien sollen Open Source sein, also frei verfügbar und ohne zusätzliche Kosten. Die Programmiersprache basiert auf Python, da sie von allen Gruppenmitgliedern beherrscht wird und die Verwendung mehrerer Sprachen das Projekt unnötig komplex machen würde. Die gewählten Technologien integrieren sich nahtlos in die Arbeitsweise mit DevOps und Git und sind durch automatisierte Tests überprüfbar. Dadurch wird eine einheitliche Arbeitsweise gewährleistet, und Engpässe durch isolierte Anwendungen werden vermieden. Schließlich legen wir Wert darauf, dass alle zu berücksichtigenden Werkzeuge einfach bedienbar sind, um einen reibungslosen Einstieg in die Technologie zu ermöglichen und die Beteiligung aller Teammitglieder zu erleichtern.
|
||||
|
||||
## Technische Anforderungen
|
||||
|
||||
Neben den allgemein geltenden Anforderungen wird in diesem Unterkapitel auf die technischen Anforderungen je Kategorie eingegangen. Die Kategorien wurden aus den oben ganannten Fragestellungen abgeleitet und entsprechen den Arbeitsbereichen der einzelnen Gruppenmitglieder sowie die Kernelemente des Projektes. Die Gruppen/Kategorien lauten:
|
||||
|
||||
- DevOps
|
||||
- Text Mining
|
||||
- Datenspeicherung
|
||||
@ -30,6 +33,7 @@ Diese Einteilung findet sich im Verlauf der Dokumentation immer wieder. Zusätzl
|
||||
Im Folgenden wird kurz auf die Kategorien eingegangen und die speziellen Anforderungen für den jeweiligen Bereich dargelegt, welche es bei der Rechereche zu betrachten galt.
|
||||
|
||||
### DevOps
|
||||
|
||||
Dieser Abschnitt befasst sich mit der Versionskontrolle des Quellcodes, automatisierten Tests und der automatisierten Bereitstellung der Anwendung auf einem Server. Im Kapitel 3.1 wird dieses Thema theoretisch und in Kapitel 4.2 praktisch behandelt, weshalb sich dieser Abschnitt auf die Anforderungen auf höchster Ebene konzentriert.
|
||||
|
||||
Bei der Implementierung von DevOps ist es entscheidend herauszufinden, welche Versionskontrollsoftware genutzt werden soll, wie DevOps darin integriert werden kann und für welche Aspekte des Projekts DevOps sinnvoll eingesetzt wird.
|
||||
@ -46,6 +50,7 @@ Unter Berücksichtigung der allgemeinen Vorgaben lauten die Prämissen für die
|
||||
- Die Technologie sollte mit Python kompatibel sein.
|
||||
|
||||
### Text Mining
|
||||
|
||||
Die Text Mining-Kategorie konzentriert sich auf das Sammeln von relevanten Unternehmensinformationen für das Projekt. Diese Daten werden im Abschnitt zur Datenspeicherung gesichert und der Projektgruppe zur Verfügung gestellt. Ähnlich wie im vorherigen Kapitel wurde dieses Thema in den Kapiteln 3.2 sowie 4.3 bis 4.4 eingehender behandelt.
|
||||
|
||||
In diesem Bereich ist es erforderlich, ein Werkzeug zu finden, das APIs aus dem Internet abfragt und die Daten entweder sichert oder transformiert. Dies betrifft insbesondere Beziehungsdaten aus dem Unternehmensregister für die Netzwerkanalyse, Stammdaten, verschiedene Nachrichten-APIs für die Stimmungsanalyse bezogen auf jedes einzelne Unternehmen sowie Finanzdaten aus dem Bundesanzeiger.
|
||||
@ -61,6 +66,7 @@ Zusammengefasst sind die Kriterien für die Technologie:
|
||||
- Die Technologie sollte mit Python kompatibel sein.
|
||||
|
||||
### Datenspeicherung
|
||||
|
||||
Für die Datenspeicherung ist die Entwicklung eines Schemas erforderlich, das nicht nur die durch Text Mining gewonnenen Daten sichert, sondern auch während der Analyse generierte Daten speichert. Zudem müssen die Daten für die Analyse und die Programm-Aufbereitung abrufbar sein. Dieser Aspekt wird im Kapitel 3.3 genauer behandelt.
|
||||
|
||||
Es wird also nach einer oder mehreren Datenbanken gesucht, die folgende Anforderungen abdecken:
|
||||
@ -77,7 +83,7 @@ Die Sentimentanalyse beinhaltet die Bewertung von Nachrichten im Hinblick auf di
|
||||
|
||||
Da eine manuelle Analyse aufgrund der großen Menge täglicher Nachrichten nicht durchführbar ist, wird nach einer Technologie gesucht, die automatisch die Daten analysiert, die Unternehmensnamen identifiziert, die Stimmung des Textes gegenüber dem Unternehmen bewertet und diese Informationen dann für die Speicherung weiterleitet. Eine weitere Schwierigkeit besteht in der Übersetzung der deutschen Nachrichten ins Englische, da für die Analyse KI-Modelle zum Einsatz kommen, die oft auf englische Texte ausgerichtet sind.
|
||||
|
||||
Zusätzlich muss der Unternehmensname standardisiert werden, sodass bei unterschiedlichen Schreibweisen dennoch dasselbe Unternehmen erkannt wird und die gewonnenen Informationen zu diesem Unternehmen angezeigt werden können. Beispielsweise wird in Artikeln häufig von VW, Volkswagen, Volkswagen AG oder dem Volkswagen Konzern gesprochen, was alles dasselbe Unternehmen repräsentiert.
|
||||
Zusätzlich muss der Unternehmensname standardisiert werden, sodass bei unterschiedlichen Schreibweisen dennoch dasselbe Unternehmen erkannt wird und die gewonnenen Informationen zu diesem Unternehmen angezeigt werden können. Beispielsweise wird in Artikeln häufig von VW, Volkswagen, Volkswagen AG oder dem Volkswagen Konzern gesprochen, was alles dasselbe Unternehmen repräsentiert.
|
||||
|
||||
Die Prämissen für die Lösungstechnologie lauten:
|
||||
|
||||
@ -89,6 +95,7 @@ Die Prämissen für die Lösungstechnologie lauten:
|
||||
- Die Technologie sollte mit Python kompatibel sein
|
||||
|
||||
### Verflechtungsanalyse
|
||||
|
||||
Die Verflechtungsanalyse konzentriert sich auf die Auswertung von Daten in Form eines Netzwerks, in dem Unternehmen und Akteure mit ihren Verbindungen zu anderen dargestellt werden. Ziel ist es, Gruppierungen zu identifizieren, die für weitere Analysen relevant sind. Diese Aspekte werden in den Kapiteln 3.5 und 4.5.2 näher erläutert.
|
||||
|
||||
Es wird daher nach einem Werkzeug gesucht, das die Akteure mit ihren Beziehungen visualisiert. Dabei ist es wichtig, dass das Tool die Positionen der Knoten und Kanten berechnet, um Überlappungen zu vermeiden. Bei großen Datenmengen können Performanzprobleme auftreten, die zu einer längeren Generierung führen. Das Tool sollte darauf ausgelegt sein, solche Probleme zu minimieren. Darüber hinaus muss es Metriken für die Analyse der Beziehungen berechnen können. Zusätzlich soll die Visualisierung des Tools in die grafische Benutzeroberfläche der Anwendung integrierbar sein.
|
||||
@ -104,6 +111,7 @@ Demnach ergeben sich folgende Anforderungen:
|
||||
- Die Technologie sollte mit Python kompatibel sein
|
||||
|
||||
### Visualisierung
|
||||
|
||||
Nachdem sich die anderen Bereiche um die Zulieferung und Aufbereitung der Daten gekümmert haben, steht in der Visualisierungsphase die Auswahl eines Frameworks für die ansprechende Darstellung der Ergebnisse im Fokus. Dies beinhaltet die Auswahl eines Frontends, das in der Lage ist, Daten in ansprechenden Grafiken zu präsentieren. Das Frontend soll auf Python basieren und webserverfähig sein. Zusätzlich sollte es benutzerfreundlich sein und nahtlos in die Netzwerkanalyse integriert werden können.
|
||||
|
||||
Die formulierten Anforderungen sind demnach:
|
||||
@ -116,6 +124,7 @@ Die formulierten Anforderungen sind demnach:
|
||||
- Die Technologie sollte kostenlos und frei verfügbar sein.
|
||||
|
||||
### Provisionierung
|
||||
|
||||
Die Provisionierung befasst sich mit der Bereitstellung der entstehenden Anwendung für die Benutzer. Dabei soll die Anwendung über das Internet erreichbar sein, jedoch durch ein Passwort geschützt werden. Aus finanziellen Gründen ist das Hosting kostenfrei und erfolgt über Container. Das Projektteam hat sich für den Container-Ansatz entschieden, um die Anwendung auf mehrere kleine Teilanwendungen zu verteilen. Diese können separat getestet und von einzelnen Projektentwicklern auch lokal ausgeführt werden.
|
||||
|
||||
Daraus ergeben sich die folgenden Prämissen:
|
||||
@ -125,9 +134,11 @@ Daraus ergeben sich die folgenden Prämissen:
|
||||
- Zugriff über das Internet für alle Projektteilnehmer mit Passwortschutz.
|
||||
|
||||
## Lösungsansätze: Überblick über relevante Technologien und Werkzeuge
|
||||
|
||||
Auf Basis der im vorherigen Kapitel festgelegten Prämissen erfolgt in diesem Abschnitt eine kurze Beschreibung der verfügbaren Technologien, gefolgt von der Auswahl der für dieses Projekt geeigneten Technologien. Wie bereits erwähnt, können detailliertere Informationen den Zwischenberichten im folgenden Kapitel 3 entnommen werden.
|
||||
|
||||
### DevOps
|
||||
|
||||
Basierend auf den oben beschriebenen Anforderungen besteht die Wahl zwischen GitHub und GitLab als Versionsverwaltungstool. Es wird auch entschieden , ob eine öffentliche Organisation verwendet wird, die Fachhochschule das Tool hostet oder ob es über einen Home Server erfolgt.
|
||||
|
||||
Nach sorgfältiger Prüfung der vorhandenen Optionen wurde die Entscheidung für die Lösung mit GitHub über die GitHub-Organisation der Fachhochschule getroffen. Diese Lösung ist naheliegend, da bereits alle Projektteilnehmenden einen GitHub-Account besitzen und gleichzeitig den Professoren und der Fachhochschule Zugriff auf den Quellcode gewährt werden kann. Darüber hinaus bleibt der Quellcode in der Verwaltung der Fachhochschule und kann späteren Studierenden zur Verfügung gestellt werden.
|
||||
@ -137,9 +148,11 @@ Diese Entscheidung bringt für das Projekt weitere Vorteile mit sich, da keine z
|
||||
GitLab steht über die Fachhochschule nicht zur Verfügung und bedeutet somit einen größeren Mehraufwand für das Projekt.
|
||||
|
||||
### Text Mining
|
||||
|
||||
Für das Text Mining konnte kein einsatzbereites, kostenloses Tool gefunden werden, das alle Anforderungen erfüllt. Daher wurde die Entscheidung getroffen, einen eigene Lösung zu entwickeln, der die erforderlichen APIs abfragt und die Daten entsprechend aufbereitet. Der Quellcode wurde in Python verfasst, und die genaue Vorgehensweise wird ausführlich im Kapitel 3.2 beschrieben.
|
||||
|
||||
### Datenspeicherung
|
||||
|
||||
Für die Datenspeicherung steht die gesamte Palette an SQL- und NoSQL-Datenbanken zur Verfügung. Basierend auf dem Kenntnisstand der Projektteilnehmer wird die Entscheidung getroffen, für den Data Lake die NoSQL-Datenbank MongoDB zu verwenden. Diese steht kostenfrei zur Verfügung, kann in Docker-Containern gehostet werden und eignet sich aufgrund ihres schemenlosen Designs gut für die unstrukturierte Speicherung von zahlreichen Daten. Außerdem kann über MongoDB Atlas eine kostenlose global verfügbare Instanz bezogen werden.
|
||||
|
||||
Für die aufbereiteten Daten wird, ebenfalls aufgrund des Kenntnisstands der Studierenden, PostgreSQL ausgewählt. Dies ist eine SQL-Datenbank, die ebenfalls in einem Docker-Container gehostet werden kann und einfach zu bedienen ist. Das Schema sowie weitere Details sind im Kapitel 3.3 nachzulesen.
|
||||
@ -147,9 +160,11 @@ Für die aufbereiteten Daten wird, ebenfalls aufgrund des Kenntnisstands der Stu
|
||||
Beide Technologien sind kostenfrei zugänglich und können mithilfe verfügbarer Bibliotheken leicht über Python angesprochen werden.
|
||||
|
||||
### Sentimentanalyse
|
||||
|
||||
Bei der Sentimentanalyse besteht eine kleinere Auswahl an möglichen Ansätzen bereit. Diese stellt unter anderem den KI Anteil des Projektes dar, weshalb hier die Analyse mithilfe eines Modells stattfindet.
|
||||
|
||||
### Verflechtungsanalyse
|
||||
|
||||
Für das Netzwerktool der Verflechtungsanalyse stehen mehrere Optionen zur Auswahl, darunter [NetworkX](https://networkx.org/), Scatter Graphen, NetworkX mit [Pyvis](https://pyvis.readthedocs.io/en/latest/), [Graphviz](https://graphviz.org/) und [Cytoscape](https://cytoscape.org/). Jedes dieser Frameworks hat seine Vor- und Nachteile. Cytoscape bietet beispielsweise ansprechende Visualisierungen, während Graphviz eine benutzerfreundliche Schnittstelle zur Erstellung von Graphen und Netzwerken bietet. Dennoch ließ sich NetworkX am besten integrieren. Es zeichnet sich durch eine einfache Bedienung aus und kann Metriken direkt berechnen. Im Vergleich dazu erfordert Graphviz, dass der Graph zuerst durch eine Methode in einen NetworkX-Graphen konvertiert wird, was zusätzliche Arbeit bedeutet.
|
||||
|
||||
Die Visualisierung mit Pyvis stellt die schönste Darstellung dar, da dem Nutzer direkte Interaktionen ermöglicht werden. Dieser kann die Nodes weiter auseinander ziehen oder in einzelne Bereiche hineinzoomen. Die Herausforderung besteht jedoch darin, dass bei großen Datenmengen die Generierung erheblich verlangsamt wird und teilweise Minuten dauert. Ein weiterer Nachteil besteht darin, dass Pyvis eine HTML-Seite mit JavaScript erstellt, die nicht nahtlos in das gewählte Visualisierungstool eingebunden werden kann. Es kann lediglich über ein IFrame eingefügt werden, was die Performance erheblich beeinträchtigt.
|
||||
@ -157,6 +172,7 @@ Die Visualisierung mit Pyvis stellt die schönste Darstellung dar, da dem Nutzer
|
||||
Daher wurde die Entscheidung getroffen, auf das native NetworkX zurückzugreifen, das mithilfe eines Plotly Scatter Graphen visualisiert wird. Hierbei werden die Positionen aus dem NetworkX-Graphen ausgelesen und in Punkte für einen Scatter Graphen transformiert.
|
||||
|
||||
### Visualisierung
|
||||
|
||||
Für das Visualisierungstool stehen verschiedene Optionen zur Auswahl, darunter Plotly Dash, Django sowie Webframeworks auf JavaScript-Basis wie Angular oder Vue.js. Da die Kenntnisse im Team hauptsächlich auf Python basieren, wurde sich trotz der vielen Vorteile von JavaScript-Frameworks gegen diese entschieden.
|
||||
|
||||
Schließlich wird aufgrund des vorhandenen Kenntnisstands und der geringeren Komplexität die Wahl auf Plotly Dash getroffen. Dieses Tool ist darauf ausgelegt, einfache Anwendungen für die Visualisierung von Graphen und Daten zu erstellen. Es kann zudem in einem Container gehostet werden und verwendet Python als Programmiersprache.
|
||||
@ -164,15 +180,18 @@ Schließlich wird aufgrund des vorhandenen Kenntnisstands und der geringeren Kom
|
||||
Die Einarbeitung in Django wäre erheblich umfangreicher und wurde daher zugunsten von Plotly Dash verworfen.
|
||||
|
||||
### Provisionierung
|
||||
|
||||
Bei der Provisionierung gilt es, zwischen der Nutzung eines der Hyperscaler (AWS, GCP oder Azure) mit ihren kostenfreien Kontingenten oder der Eignung der Server der Universität Südwestfalen zu unterscheiden. Als letzte Alternative besteht die Möglichkeit des Selbsthostings, wobei dies aufgrund des Aufwands, einen eigenen Server einzurichten und abzusichern, wirklich nur als allerletzte Option betrachtet wird.
|
||||
|
||||
Nach mehreren Gesprächen ergab sich die Möglichkeit, den Container-Cluster der Fachhochschule zu nutzen, was sich als kostengünstige Option für das Projekt herausstellte. Die Entscheidung fiel daher schnell. Obwohl das Hosting über einen Public Cloud Provider ebenfalls die Anforderungen erfüllt, birgt es das Risiko, dass eine Kreditkarte angegeben wird und bei Fehlverhalten oder falschen Einstellungen in der Cloud erhebliche Kosten verursacht werden können. Zudem ist das Team in Bezug auf Cloud-Ressourcen begrenzt geschult. Daher wurde eindeutig die Lösung des FH-Clusters bevorzugt.
|
||||
|
||||
## Proof-of-Concept mit Jupyter Notebooks
|
||||
|
||||
Die in diesem Abschnitt beschriebene Recherche ist am Projektbeginn durchgeführt worden in dem auf Basis der Prämissen für die einzelnen kategorien Jupyternotebooks erstellt wurden um die Technologien zu evaluieren und einen Eindruck für den Aufwand des Prjektes zu erhalten.
|
||||
|
||||
Dieses Vorgehen bezeichnet man als Proof-of-Concept (POC) und reduziert spätere Arbeitsaufwände die entstehen, wenn sich durch fehlende Evaluation für falsche Technologien oder Konzepte entschieden wurde.
|
||||
|
||||
Die Jupyternotebooks finden sich im Projekt unter den Ordnern
|
||||
- [research](documentations/research)
|
||||
- [Jupyter](Jupyter)
|
||||
|
||||
- [research](https://github.com/fhswf/aki_prj23_transparenzregister/tree/main/documentations/research)
|
||||
- [Jupyter](https://github.com/fhswf/aki_prj23_transparenzregister/tree/main/Jupyter)
|
||||
|
||||
@ -1,4 +1,4 @@
|
||||
# Grundlagen und Basistechniken (Tim Ronneburg)
|
||||
In diesem Abschnitt sind die Zwischenberichte des Projekts zu finden. In diesen Berichten wurde die Recherche zu den einzelnen Kategorien durchgeführt und in den entsprechenden Jupyter Notebooks im Git-Repository bewertet. Dieses Kapitel präsentiert eine detaillierte Analyse der zuvor beschriebenen Recherche mit zusätzlichen Begründungen und Erläuterungen, warum bestimmte Technologien, Konzepte und Vorgehensweisen für das Projekt ausgewählt wurden.
|
||||
|
||||
Es ist zu beachten, dass die Zwischenberichte zu einem frühen Zeitpunkt des Projektes erstellt wurden und eine Hausarbeit darstellen, weshalb in einigen Abschnitten von zukünftigen Vorgehensweisen und Ausblick gesprochen wird.
|
||||
Es ist zu beachten, dass die Zwischenberichte zu einem frühen Zeitpunkt des Projektes erstellt wurden und eine Hausarbeit darstellen, weshalb in einigen Abschnitten von zukünftigen Vorgehensweisen und Ausblick gesprochen wird.
|
||||
|
||||
@ -24,13 +24,13 @@ Dieses Figure Objekt wird in den folgenden Pages Dateien eingebunden:
|
||||
- company_elements.py
|
||||
- person_elements.py
|
||||
|
||||
Für das Aktualisieren des Netzwerks nach Benutzereingaben werden Callbacks verwendet. Diese werden durch die Interaktion mit einem HTML-Element wie einem Dropdown oder Radiobuttons ausgelöst. Da dem Benutzer mehrere Auswahlmöglichkeiten für die Betrachtung des Netzwerks gegeben werden, muss der Callback für das Netzwerk mehrere Inputs aufnehmen und verarbeiten. Dies ist erforderlich, da ein Callback immer nur einen Output haben kann und mehrere Callbacks nicht auf dasselbe HTML-Element verweisen sollten. Obwohl es mittlerweile eine Möglichkeit gibt, mehrere Outputs zu nutzen, bietet dies keine signifikanten Vorteile weshalb in diesem Projekt darauf verzichtet wurde.
|
||||
Für das Aktualisieren des Netzwerks nach Benutzereingaben werden Callbacks verwendet. Diese werden durch die Interaktion mit einem HTML-Element wie einem Dropdown oder Radiobuttons ausgelöst. Da dem Benutzer mehrere Auswahlmöglichkeiten für die Betrachtung des Netzwerks gegeben werden, muss der Callback für das Netzwerk mehrere Inputs aufnehmen und verarbeiten. Dies ist erforderlich, da ein Callback immer nur einen Output haben kann und mehrere Callbacks nicht auf dasselbe HTML-Element verweisen sollten. Obwohl es mittlerweile eine Möglichkeit gibt, mehrere Outputs zu nutzen, bietet dies keine signifikanten Vorteile weshalb in diesem Projekt darauf verzichtet wurde.
|
||||
|
||||
## Bedienung des Netzwerks auf der Homepage
|
||||
Die Homepage des Transparenzregisters sieht zur Vollendung des Projektes folgender Maßen aus:
|
||||
|
||||
|
||||
Auf der linken Seite befindet sich eine Tabelle mit den 10 "besten" Nodes aus dem Links abgebildetet Graphen. Mit "besten" sind hier die 10 Nodes mit dem höchsten Wert der oberhalb der Tabelle gewählten Metrik. Je nach gefilterten Daten ändert sich die Tabelle automatisch und zeigt immer den aktuellen Stand zum rechts erstellten Graphen.
|
||||
Auf der linken Seite befindet sich eine Tabelle mit den 10 "besten" Nodes aus dem Links abgebildetet Graphen. Mit "besten" sind hier die 10 Nodes mit dem höchsten Wert der oberhalb der Tabelle gewählten Metrik. Je nach gefilterten Daten ändert sich die Tabelle automatisch und zeigt immer den aktuellen Stand zum rechts erstellten Graphen.
|
||||
|
||||
Der Graph auf der rechten Seite repräsentiert die Verflechtung von Unternehmen und Akteuren. Dabei stellen orangene Punkte Personen wie Wirtschaftsprüfer oder Geschäftsführer dar, während dunkelgrüne Punkte Unternehmen symbolisieren. Die Bedienung des Graphen erfolgt über die oberen Bedienfelder. Die ersten beiden Dropdown-Menüs ermöglichen die Auswahl der Datenbasis, auf die sich der Graph beziehen soll. Hierbei ist auch eine Mehrfachauswahl möglich. Neben den Daten kann auch das Layout des Graphen eingestellt werden, wobei für die dreidimensionale Darstellung nur begrenzte Optionen verfügbar sind.
|
||||
|
||||
@ -38,18 +38,18 @@ Die initiale Erstellung eines Graphen kann mehrere Sekunden in Anspruch nehmen,
|
||||
|
||||
## Bedienung des Netzwerks auf der Company Page
|
||||
Nach Auswahl eines bestimmten Unternehmens kann auf der Unternehmensseite der Reiter "Verflechtung" gewählt werden, um die Verflechtungen des Unternehmens zu betrachten. Sollte das ausgewählte Unternehmen keine Verflechtungen aufweisen, wird dem Nutzer ein entsprechender Hinweistext angezeigt. Im Bild rot makiert.
|
||||
<!-- Bild mit Hinweistext -->
|
||||
|
||||
|
||||
|
||||
Bei ausreichend vorhandenen Daten wird ein kompakter Graph erstellt, der die Verflechtungen des betrachteten Unternehmens zeigt. Hierbei werden lediglich die engsten Verbindungen visualisiert. Auf dieser Seite ist keine Interaktion mit dem Graphen vorgesehen, da der Benutzer hier lediglich zusätzliche Informationen zum Unternehmen erhalten soll, ohne den gesamten Graphen durchzugehen. Diese Funktion ist für die Homepage vorgesehen.
|
||||
<!-- Bild Company Seite -->
|
||||
|
||||
|
||||
|
||||
## Bedienung des Netzwerks auf der Person Details Page
|
||||
Die Personen-Detailseite verhält sich in Bezug auf das Netzwerk analog zur Unternehmensseite. Auch hier erhält der Nutzer lediglich zusätzliche Informationen zur Person, kann jedoch nicht weiter mit dem Graphen interagieren.
|
||||
|
||||
Auf der Personen-Seite werden die Verflechtungen bis zur dritten Ebene abgebildet, und die jeweilige Anzahl der Verbindungen wird oben in den Containern mit den Kennzahlen dargestellt.
|
||||
<!-- Bild Personen Seite -->
|
||||
|
||||
|
||||
## Ausgelassene Features
|
||||
Im Kapitel 3.5 wurden neben den hier beschriebenen Funktionen auch weitere Aspekte betrachtet und evaluiert, insbesondere im Hinblick auf die Darstellung und Analyse unternehmerischer Kennzahlen wie EBIT, Umsatz, Gewinn, Aktienkurs usw. . Leider konnten im Zuge der Datenerfassung die hierfür benötigten Daten nicht zuverlässig und in ausreichender Menge generiert werden. Dies führte dazu, dass diese Funktionen aus dem Verflechtungsscope herausgenommen wurden.
|
||||
@ -61,4 +61,4 @@ Zuletzt ist die Verflechtungsanalyse einer der Bereiche, die abhängig von den E
|
||||
## Kurzes Resumee der Verflechtungsanalyse/Netzwerkanalyse
|
||||
Alles in allem konnte ein Netzwerk auf Basis der Unternehmensdaten erstellt werden, das Einblicke in die Verzweigungen einiger Unternehmensbeziehungen ermöglicht. Die Analyse wird dabei von klassischen Netzwerkanalyse-Kennzahlen unterstützt. Jedoch muss die Analyse weiterhin durch den Benutzer erfolgen und ist nur in einem eingeschränkteren Maße, als ursprünglich angedacht, durchführbar. Die Analyse hinsichtlich unternehmerischer Kennzahlen musste aufgrund mangelnder Daten aus dem Projekt ausgeschlossen werden.
|
||||
|
||||
Die Möglichkeit, ein Netzwerk basierend auf den vorliegenden Unternehmensdaten zu generieren, bietet einen Einblick in die Verästelungen bestimmter Unternehmensbeziehungen. Die Analyse wird durch klassische Netzwerkanalyse-Kennzahlen unterstützt. Dennoch ist die Durchführung der Analyse auf eine begrenztere Ebene beschränkt als ursprünglich geplant. Aufgrund unzureichender Daten im Projekt musste die Analyse bezüglich unternehmerischer Kennzahlen ausgeschlossen werden.
|
||||
Die Möglichkeit, ein Netzwerk basierend auf den vorliegenden Unternehmensdaten zu generieren, bietet einen Einblick in die Verästelungen bestimmter Unternehmensbeziehungen. Die Analyse wird durch klassische Netzwerkanalyse-Kennzahlen unterstützt. Dennoch ist die Durchführung der Analyse auf eine begrenztere Ebene beschränkt als ursprünglich geplant. Aufgrund unzureichender Daten im Projekt musste die Analyse bezüglich unternehmerischer Kennzahlen ausgeschlossen werden.
|
||||
|
||||
@ -1,4 +1,4 @@
|
||||
### 4.2 Lösungsarchitektur
|
||||
### Lösungsarchitektur (Tristan Nolde)
|
||||
Im Verlauf der Entwicklung stellte sich heraus, dass eine zentrale Stelle zur Datenspeicherung benötigt wird, damit Entwickler Zugang zu den Daten sowohl im Staging-Bereich als auch in der Produktiv-Form haben. Die bereits in der ersten Phase des Projektes angelegte MongoDB im Atlas Hosting (internet-facing) wurde daher durch eine auf der FH-Infrastruktur gehostete Konstruktion ersetzt, die aus einer MongoDB und einer PostgreSQL-Datenbank besteht:
|
||||
|
||||
<img src="images/fh_swf_k8s.PNG" alt="Überblick über die Netzwerkarchitektur des FH K8s Clusters" width=600 height=350 />
|
||||
|
||||
@ -1,4 +1,4 @@
|
||||
#### Data Extraction
|
||||
#### Data Extraction (Tristan Nolde)
|
||||
|
||||
Um die gewünschten Analysen und Visualisierungen zu ermöglichen, wurden verschiedene Implementierungen geschaffen. Diese übernehmen einerseits den Bezug von Rohdaten aus verschiedenen Quellen aber auch die ersten Aufbereitungsschritte und letztlich Persistierung in der Staging DB.
|
||||
|
||||
|
||||
@ -1,47 +1,7 @@
|
||||
|
||||
|
||||
<div style="page-break-after: always;"></div>
|
||||
|
||||
# Datenspeicherung
|
||||
|
||||
## Inhaltsverzeichnis
|
||||
|
||||
- [Datenspeicherung](#datenspeicherung)
|
||||
- [Inhaltsverzeichnis](#inhaltsverzeichnis)
|
||||
- [Motivation: Warum speichern wird Daten?](#motivation-warum-speichern-wird-daten)
|
||||
- [1. Allgemeine Anforderungen an Datenbank](#1-allgemeine-anforderungen-an-datenbank)
|
||||
- [2. Datenarten](#2-datenarten)
|
||||
- [2.1 Welche Daten erwarten wir im Projekt?](#21-welche-daten-erwarten-wir-im-projekt)
|
||||
- [2.2 strukturierte Daten](#22-strukturierte-daten)
|
||||
- [2.3 unstrukturierte Daten](#23-unstrukturierte-daten)
|
||||
- [3. Arten von Datenbanken](#3-arten-von-datenbanken)
|
||||
- [3.1 Relationale Datenbank](#31-relationale-datenbank)
|
||||
- [3.1.1 Anlegen von Tabellen](#311-anlegen-von-tabellen)
|
||||
- [3.1.2 SQL - Abfrage von relationalen Datenbanken](#312-sql---abfrage-von-relationalen-datenbanken)
|
||||
- [3.2 Graphdatenbank](#32-graphdatenbank)
|
||||
- [3.2.1 Erstellung eines Datensatzes](#321-erstellung-eines-datensatzes)
|
||||
- [3.2.2 Cypher - Abfrage von Graphdatenbanken](#322-cypher---abfrage-von-graphdatenbanken)
|
||||
- [3.3 Zeitseriendatenbank](#33-zeitseriendatenbank)
|
||||
- [3.3.1 Erstellung eines Datensatzes](#331-erstellung-eines-datensatzes)
|
||||
- [3.3.2 FluxQuery](#332-fluxquery)
|
||||
- [3.4 Dokumenten Datenbank ](#34-dokumenten-datenbank-)
|
||||
- [3.4.1 Erstellen einer Collection / Ablegen von Dokumenten](#341-erstellen-einer-collection--ablegen-von-dokumenten)
|
||||
- [3.5 Aufbau einer Datenbank](#35-aufbau-einer-datenbank)
|
||||
- [4. Datenbanken Transparenzregister](#4-datenbanken-transparenzregister)
|
||||
- [4.1 Production DB - relationales Datenbankmodell](#41-production-db---relationales-datenbankmodell)
|
||||
- [4.2 Staging DB](#42-staging-db)
|
||||
- [4.3 SQL Alchemy](#43-sql-alchemy)
|
||||
- [5. Proof of Concept](#5-proof-of-concept)
|
||||
- [5.1 Docker](#51-docker)
|
||||
- [5.2 PG Admin](#52-pg-admin)
|
||||
- [5.3 Erstellen von Mock Daten](#53-erstellen-von-mock-daten)
|
||||
- [5.4 Anlegen der relationalen Tabellen](#54-anlegen-der-relationalen-tabellen)
|
||||
- [5.5 Abfragen der Datenbank](#55-abfragen-der-datenbank)
|
||||
- [6. Zusammenfassung](#6-zusammenfassung)
|
||||
- [Quellen](#quellen)
|
||||
|
||||
<div style="page-break-after: always;"></div>
|
||||
|
||||
## Motivation: Warum speichern wird Daten?
|
||||
|
||||
Für die Speicherung von Daten gibt es verschiedene Motivationen:
|
||||
@ -59,9 +19,9 @@ Grundlage für Analysen darstellen. \
|
||||
Mit geeigneten Pipelines werden aus diesen Daten Erkenntnisse extrahiert, um z.B. Verflechtungen zwischen Personen und
|
||||
Unternehmen oder den wirtschaftlichen Trend eines Unternehmens visualisieren und bewerten zu können.
|
||||
|
||||
## 1. Allgemeine Anforderungen an Datenbank
|
||||
## Allgemeine Anforderungen an Datenbank
|
||||
|
||||
- **1.1 Speicherung/Integrität**: Das verwendete System muss Daten, wie Unternehmenskennzahlen, Stammdaten und
|
||||
- **Speicherung/Integrität**: Das verwendete System muss Daten, wie Unternehmenskennzahlen, Stammdaten und
|
||||
Verflechtungen speichern. Die Daten müssen korrekt und konsistent gespeichert werden. Konsistent bedeutet in einem
|
||||
gültigen und widerspruchsfreien Zustand und die Transaktionen sollen den ACID-Eigenschaften entsprechen.
|
||||
- **Atomarity:** Eine Transaktion wird atomar betrachte, d.h. es ist die kleinste unteilbare Einheit, wodurch eine
|
||||
@ -76,11 +36,11 @@ Unternehmen oder den wirtschaftlichen Trend eines Unternehmens visualisieren und
|
||||
diese bei der Ausführung nicht gegenseitig beeinflussen.
|
||||
- **Durability:** Dauerhaftigkeit bedeutet, dass die Ergebnisse einer Transaktion dauerhaft in der Datenbank
|
||||
gespeichert werden und auch nach einem Systemneustart oder Systemfehler erhalten bleiben.
|
||||
- **1.2 Skalierbarkeit:** Das System soll skalierbar sein, um zukünftige Daten weiterhin zu speichern und weitere
|
||||
- **Skalierbarkeit:** Das System soll skalierbar sein, um zukünftige Daten weiterhin zu speichern und weitere
|
||||
Unternehmen hinzuzufügen. Durch Hinzufügen von Ressourcen kann das System an steigende Datenmengen und
|
||||
Benutzeranforderungen angepasst werden. Man spricht von horizontaler Skalierung, da die Last auf mehrere
|
||||
Datenbankserver verteilt wird.
|
||||
- **1.3 Sicherheit:** Die Datenbank muss Mechanismen bereitstellen, um die Daten vor unbefugtem Zugriff zu schützen.
|
||||
- **Sicherheit:** Die Datenbank muss Mechanismen bereitstellen, um die Daten vor unbefugtem Zugriff zu schützen.
|
||||
- **Authentifizierung:** Überprüfung der Identität eines Benutzers, durch Benutzername und Passwort. Meist wird eine
|
||||
Zwei-Faktor-Authentifizierung verwendet, um das Sicherheitslevel zu erhöhen.
|
||||
- **Autorisierung:** Der authentifizierte Benutzer erhält bei der Autorisierung Zugriffsrechte und Ressourcen,
|
||||
@ -92,7 +52,7 @@ Unternehmen oder den wirtschaftlichen Trend eines Unternehmens visualisieren und
|
||||
Inhalt vor unbefugtem Zugriff zu schützen. Dafür wird ein Algorithmus verwendet, welcher einen Schlüssel generiert
|
||||
und die Daten mit diesem verschlüsselt. Um die Daten wieder lesen zu können, müssen diese mit dem Schlüssel
|
||||
dechiffriert werden.
|
||||
- **1.4 Datensicherung- und Wiederherstellung:** Die Datenbank muss Funktionen zur Sicherung und Wiederherstellung
|
||||
- **Datensicherung- und Wiederherstellung:** Die Datenbank muss Funktionen zur Sicherung und Wiederherstellung
|
||||
unterstützen. Im Falle eines Ausfalls oder Fehlers muss sichergestellt sein, dass Mechanismen die Daten schützen und
|
||||
wiederherstellen.
|
||||
Die meisten Daten in einer Datenbank ändern sich nur langsam, manche allerdings schnell. Je nach Anwendungsfall muss
|
||||
@ -134,7 +94,7 @@ entwerfen. \
|
||||
VDSL 100:$\frac {500GB}{\frac{5MB/s}{1024}} = 102400 sec. \approx 1706Min. \approx 28,4 Std.$ \
|
||||
Glasfaser:$\frac {500GB}{\frac{62,5MB/s}{1024}} = 8192 sec. \approx 136,5Min. \approx 2,3 Std.$
|
||||
|
||||
- **1.5 Leistung:** Die Performanceanforderungen an die Datenbank ergibt sich aus verschiedenen Merkmalen. Diese können
|
||||
- **Leistung:** Die Performanceanforderungen an die Datenbank ergibt sich aus verschiedenen Merkmalen. Diese können
|
||||
kombiniert gestellt werden und sind abhängig von den Anforderungen an das System. Eine Analyse der Anwendungsfälle ist
|
||||
notwendig, um die Anforderungen zu spezifizieren.
|
||||
- **Latenz:** Die Datenbank soll Anfragen effizient und in einer akzeptablen Antwortzeit verarbeiten. Typische
|
||||
@ -150,7 +110,7 @@ entwerfen. \
|
||||
- **Wartbarkeit:** Eine einfach zu wartende Datenbank muss Funktionen zur Überwachung, Diagnose, Wartung,
|
||||
Datensicherung und Wiederherstellung bereitstellen. Durch diese automatisierten Pipelines können andere
|
||||
Eigenschaften, wie z.B. die Verfügbarkeit negativ beeinflusst werden, weil Prozesse die Datenbank blockieren.
|
||||
- **1.6 Integration:** Die Datenbank muss Schnittstellen bereitstellen, um die gespeicherten Daten für eine Anwendung
|
||||
- **Integration:** Die Datenbank muss Schnittstellen bereitstellen, um die gespeicherten Daten für eine Anwendung
|
||||
bzw. Systeme zur Verfügung zu stellen.
|
||||
- **API:** Das *Application Programming Interface* ist eine definierte Schnittstelle, welche Methoden und Funktionen
|
||||
bereit stellt, um auf die Datenbank zuzugreifen bzw. um diese zu verwalten.
|
||||
@ -163,7 +123,7 @@ entwerfen. \
|
||||
Datenbanken.
|
||||
- **JDBC:** Java Database Connectivity
|
||||
|
||||
## 2. Datenarten
|
||||
## Datenarten
|
||||
|
||||
Zur Beschreibung von Unternehmen, werden verschiedene Datenarten verwendet.
|
||||
Die folgenden Datenarten sind eine allgemeine Zusammenfassung und sollen das Brainstorming für die projektspezifischen
|
||||
@ -197,7 +157,7 @@ Diese Datenarten müssen im Kontext des Projektes betrachtet werden und sollen d
|
||||
*Referenzdaten:* Einheit von Metriken (Umsatz, EBIT usw.) \
|
||||
*Bestandsdaten:* Vorstand, Geschäftsführer, Aufsichtsrat
|
||||
|
||||
### 2.1 Welche Daten erwarten wir im Projekt?
|
||||
### Welche Daten erwarten wir im Projekt?
|
||||
|
||||
Aus den vorangehenden, allgemeinen Datenarten haben wir Cluster identifiziert, welche im Projekt benötigt werden.
|
||||
Die Kombination aus den folgend aufgeführten Datenclustern ermöglicht eine ganzheitliche Betrachtung und Bewertung der
|
||||
@ -241,7 +201,7 @@ Momentaufnahme, bevor das relationale Schema entwickelt und die Implementierung
|
||||
|
||||
|
||||
|
||||
### 2.2 strukturierte Daten
|
||||
### Strukturierte Daten
|
||||
|
||||
Strukturierte Daten liegen in einem definierten Format. Vorab wird ein Schema definiert, um Felder, Datentypen und
|
||||
Reihenfolgen festzulegen und die Daten entsprechend abzulegen.
|
||||
@ -271,7 +231,7 @@ classDiagram
|
||||
| bei bekannten Schema sind Werkzeuge vorhanden | begrenze Speichermöglichkeit, da starre Schemata vorgegeben sind |
|
||||
| gut automatisierbar | |
|
||||
|
||||
### 2.3 unstrukturierte Daten
|
||||
### Unstrukturierte Daten
|
||||
|
||||
Unstrukturierte Daten unterliegen keinem Schema, wie z.B. E-Mails, Textdokumente, Blogs, Chats, Bilder, Videos oder
|
||||
Audiodateien.
|
||||
@ -293,9 +253,9 @@ die Entscheidungsfindung bei unklaren Sachverhalten und die Entdeckung neuer Erk
|
||||
| unbegrenzte Anwendungsmöglichkeiten, da kein Schema vorhanden ist | spezielle Tools zur Aufbereitung notwendig |
|
||||
| | Expertenwissen über die Daten und Datenaufbereitung notwendig |
|
||||
|
||||
## 3. Arten von Datenbanken
|
||||
## Arten von Datenbanken
|
||||
|
||||
### 3.1 Relationale Datenbank
|
||||
### Relationale Datenbank
|
||||
|
||||
Eine relationale Datenbank speichert und verwaltet strukturierte Daten. Dabei werden die Daten in Tabellen organisiert,
|
||||
welche aus Zeilen und Spalten bestehen. \
|
||||
@ -344,7 +304,7 @@ Es gibt verschiedene Beziehungstypen:
|
||||
|
||||
https://www.ibm.com/docs/de/control-desk/7.6.1.2?topic=structure-database-relationships
|
||||
|
||||
#### 3.1.1 Anlegen von Tabellen
|
||||
#### Anlegen von Tabellen
|
||||
|
||||
Der Umgang von relationalen Datenbanken erfolgt mittels SQL. Folgend ein Beispiel zum Anlegen einer Tabelle mit
|
||||
Attributen.
|
||||
@ -359,7 +319,7 @@ CREATE TABLE Bildungsstaette
|
||||
);
|
||||
```
|
||||
|
||||
#### 3.1.2 SQL - Abfrage von relationalen Datenbanken
|
||||
#### SQL - Abfrage von relationalen Datenbanken
|
||||
|
||||
Für die Verwaltung und Abfrage wird SQL (Structured Query Language) verwendet.
|
||||
Mit dieser Syntax können Tabellen erstellt, Daten eingefügt, aktualisiert und gelöscht und Daten abgefragt werden.
|
||||
@ -394,7 +354,7 @@ FROM table1 t1
|
||||
JOIN table2 t2 ON t1.id = t2.id;
|
||||
```
|
||||
|
||||
### 3.2 Graphdatenbank
|
||||
### Graphdatenbank
|
||||
|
||||
Eine Graphdatenbank basiert auf dem Graphenkonzept. \
|
||||
Ein Graph besteht aus Knoten und Kanten (Beziehungen), welche die Verbindungen zwischen den Knoten darstellen. \
|
||||
@ -413,7 +373,7 @@ beachtet werden, wohingegen eine ungerichtete Kante eine symmetrische Beziehung
|
||||
**Label:** Label werden verwendet, um die Knoten zu kategorisieren/gruppieren. Ein Knoten kann auch mehrere Label
|
||||
besitzen, um die Zugehörigkeit an verschiedenen Kategorien darzustellen (z.B. Unternehmensbranche).
|
||||
|
||||
#### 3.2.1 Erstellung eines Datensatzes
|
||||
#### Erstellung eines Datensatzes
|
||||
|
||||
1. Knotenerstellung: Es wird zuerst ein Knoten erstellt, der die Entität repräsentiert.
|
||||
2. ID: Der Knoten benötigt eine eindeutige Identifikationsnummer, welche automatisch erzeugt oder manuell festgelegt
|
||||
@ -438,7 +398,7 @@ CREATE
|
||||
|
||||
|
||||
|
||||
#### 3.2.2 Cypher - Abfrage von Graphdatenbanken
|
||||
#### Cypher - Abfrage von Graphdatenbanken
|
||||
|
||||
Um Daten abzufragen wird die Abfragesprache Cypher verwendet.
|
||||
Es werden folgend nur einige grundlegende Befehle gezeigt.
|
||||
@ -473,7 +433,7 @@ WHERE n1.property = value1 AND n2.property = value2
|
||||
RETURN r
|
||||
```
|
||||
|
||||
### 3.3 Zeitseriendatenbank
|
||||
### Zeitseriendatenbank
|
||||
|
||||
Zeitserien fallen überall dort an, wo eine Metrik zeitlich betrachtet wird, wie z.B. Umsatz oder EBIT.
|
||||
D.h. zu jedem Messwert gibt es einen zeitlich zugeordneten Zeitstempel, wobei die einzelnen Zeitpunkte zu einer Serie
|
||||
@ -494,7 +454,7 @@ zusammen, welche erforderlich oder optional sind:
|
||||
| Fields | Min. 1 Field=value Paar wird benötigt <br> Nicht alle Felder müssen in jedem Punkt vorhanden sein <br> Datentypen: Float, String, Integer, Boolean |
|
||||
| Timestamp | Sind optional <br>Influx schreibt standardmäßig die Systemzeit als Zeitstempel <br>Genauigkeit kann eingestellt werden (Default: Nanosekunden) |
|
||||
|
||||
#### 3.3.1 Erstellung eines Datensatzes
|
||||
#### Erstellung eines Datensatzes
|
||||
|
||||
Die Einrichtung von Zeitseriendatenbanken erfolgt mit der CLI von Influx.
|
||||
|
||||
@ -504,7 +464,7 @@ Die Einrichtung von Zeitseriendatenbanken erfolgt mit der CLI von Influx.
|
||||
CREATE DATABASE finance
|
||||
```
|
||||
|
||||
#### 3.3.2 FluxQuery
|
||||
#### FluxQuery
|
||||
|
||||
Zur Abfrage von Datenpunkten gibt es FluxQuery, welche sich stark an SQL orientiert. \
|
||||
|
||||
@ -532,7 +492,7 @@ filter(fn: (r) => r._measurement == "temperature")
|
||||
map(fn: (r) => ({r with temperatureF: r.temperature * 2.34 + 123}))
|
||||
```
|
||||
|
||||
### 3.4 Dokumenten Datenbank <a name="3.4"></a>
|
||||
### Dokumenten Datenbank <a name="3.4"></a>
|
||||
|
||||
Eine Dokumentendatenbank ist ein System, welches für das Speichern von Dokumenten entwicklet wurde. Es gibt verschiedene
|
||||
Arten von Dokumenten, wie z.B. Textdateien (JSON, HTML, XML) oder PDF.
|
||||
@ -552,7 +512,7 @@ kann z.B. ein JSON mit einer eigenen internen Struktur.
|
||||
|
||||
|
||||
|
||||
#### 3.4.1 Erstellen einer Collection / Ablegen von Dokumenten
|
||||
#### Erstellen einer Collection / Ablegen von Dokumenten
|
||||
|
||||
Folgend ein Code-Snippet zum Verbinden mit der Datenbank, Anlegen einer Collection und ablegen von Dokumenten.
|
||||
|
||||
@ -590,7 +550,7 @@ client.close()
|
||||
|
||||
```
|
||||
|
||||
### 3.5 Aufbau einer Datenbank
|
||||
### Aufbau einer Datenbank
|
||||
|
||||
Vor dem Aufbau einer relationalen Datenbank sollten planerische Schritte durchgeführt werden, um ein System zu
|
||||
entwerfen, dass den Anforderungen gerecht wird. \
|
||||
@ -612,7 +572,7 @@ erstellt werden. Es werden die zuvor festgelegten Bezeichner, Datenytpen und Con
|
||||
**Beziehungen festlegen:** Um die Beziehungen zwischen Tabellen festzulegen, werden Fremdschlüssel verwendet. Mit
|
||||
Fremdschlüsseln verknüpft man Tabellen mit den Primärschlüsseln anderer, abhängiger Tabellen.
|
||||
|
||||
## 4. Datenbanken Transparenzregister
|
||||
## Datenbanken Transparenzregister
|
||||
|
||||
Nachdem die Datencluster identifiziert wurden, welche für das Transparenzregister notwendig sind, wurde Rechereche zu
|
||||
den benötigten Datenquellen betrieben. \
|
||||
@ -628,7 +588,7 @@ Mit unterschiedlichen Daten-Extraktionspipelines (Dazta Loader, Sentiment Analys
|
||||
der Staging DB verarbeitet und die strukturierten und aufbereiteten Daten in der Production DB abgelegt. \
|
||||
Das Frontend kann auf diese strukturierten Daten zugreifen, um diese zu visualisieren.
|
||||
|
||||
### 4.1 Production DB - relationales Datenbankmodell
|
||||
### Production DB - relationales Datenbankmodell
|
||||
|
||||
Für die Production DB ist eine relationale Datenbank vorgesehen, da diese die Daten organisiert und durch Verwendung von
|
||||
definierten Schemata strukturiert. \
|
||||
@ -663,7 +623,7 @@ Abschließend gibt es noch die Tabelle **company_relation**, welche die Verbindu
|
||||
Hierfür wurde ein Enumaration-Typ erzeugt, welcher die Art der Beziehung angibt (wird_beliefert_von, arbeitet_mit,
|
||||
ist_beteiligt_an, hat_Anteile_an).
|
||||
|
||||
### 4.2 Staging DB
|
||||
### Staging DB
|
||||
|
||||
Die Staging DB ist eine dokumentbasierte Datenbank zu Speicherung von unstrukturierten und semi-strukturierten Daten.
|
||||
Sie dient als Zwischenspeicher oder "Rohdatenbank" für die Extraktions-Pipelines.
|
||||
@ -681,7 +641,7 @@ Die Staging DB erhält Collections der unterschiedlichen Quellen, unter welchen
|
||||
|
||||
|
||||
|
||||
### 4.3 SQL Alchemy
|
||||
### SQL Alchemy
|
||||
|
||||
SQL Alchemy ist eine Python Bibliothek, um mit relationalen Datenbanken zu kommunizieren.
|
||||
Dieses ORM (Object-Relational-Mapping) Framework bildet die Datenbanktabellen als Pythonklassen an und vereinfacht damit
|
||||
@ -695,9 +655,9 @@ wichtige Eigenschaften:
|
||||
Plattformunabhängigkeit)
|
||||
- Erhöhung der Produktivität: Es werden keine Kompetenzen für SQL Programierung und Wartung benötigt.
|
||||
|
||||
## 5. Proof of Concept
|
||||
## Proof of Concept
|
||||
|
||||
### 5.1 Docker
|
||||
### Docker
|
||||
|
||||
Für die Umsetzung der bisher vorgestellten theoretischen Betrachtungen wird ein Docker Container verwendet. Dieser
|
||||
Container beinhaltet eine relationale und eine dokumentbasierte Datenbank. \
|
||||
@ -761,7 +721,7 @@ Zum Starten des Containers den folgenden Befehl ausführen:
|
||||
docker-compose -f docker-compose.yml up
|
||||
```
|
||||
|
||||
### 5.2 PG Admin
|
||||
### PG Admin
|
||||
|
||||
PG Admin ist ein grafisches Administartionstool für Postgres. Wenn der Container gestartet ist, kann man sich
|
||||
über http://localhost:5050/browser/ mit dem Web-UI verbinden. \
|
||||
@ -772,7 +732,7 @@ Die Anmeldedaten lauten:
|
||||
```
|
||||
> User: admin@fh-swf.de
|
||||
> Passwort: admin
|
||||
````
|
||||
```
|
||||
|
||||
|
||||
|
||||
@ -788,7 +748,7 @@ geöffneten Dialog muss die Konfiguration festgelegt werden.
|
||||
|
||||
|
||||
|
||||
### 5.3 Erstellen von Mock Daten
|
||||
### Erstellen von Mock Daten
|
||||
|
||||
**Unternehmensstammdaten:**
|
||||
|
||||
@ -816,7 +776,7 @@ generiert.
|
||||
|
||||
**Unternehmens-Unternehmens-Beziehung:** keine Mock-Daten vorhanden
|
||||
|
||||
### 5.4 Anlegen der relationalen Tabellen
|
||||
### Anlegen der relationalen Tabellen
|
||||
|
||||
Für das Verbinden zu der Postgre Datenbank und das Anlegen der Tabellen wird ein Jupyter Notebooks verwendet (
|
||||
11_Create_Tables_with_SQL-Alchemy.ipynb).
|
||||
@ -884,7 +844,7 @@ Das grundsätzliche Vorgehen bei der Verwendung von SQLAlchemy ist:
|
||||
session.commit()
|
||||
```
|
||||
|
||||
### 5.5 Abfragen der Datenbank
|
||||
### Abfragen der Datenbank
|
||||
|
||||
Das folgende Code-Snippet zeigt, wie man eine Abfrage gestaltet.
|
||||
|
||||
@ -940,7 +900,7 @@ for comp in Comps:
|
||||
|
||||
<div style="page-break-after: always;"></div>
|
||||
|
||||
## 6. Zusammenfassung
|
||||
## Zusammenfassung
|
||||
|
||||
Die vorliegende Seminararbeit behandelt das Thema der Datenspeicherung mit Fokus auf dem Projekt Transparenzregister. Es
|
||||
wurde erläutert, warum Daten gespeichert werden und welche Art von Daten es gibt.
|
||||
|
Before Width: | Height: | Size: 54 KiB After Width: | Height: | Size: 54 KiB |
|
Before Width: | Height: | Size: 59 KiB After Width: | Height: | Size: 59 KiB |
|
Before Width: | Height: | Size: 7.0 KiB After Width: | Height: | Size: 7.0 KiB |
|
Before Width: | Height: | Size: 39 KiB After Width: | Height: | Size: 39 KiB |
|
Before Width: | Height: | Size: 19 KiB After Width: | Height: | Size: 19 KiB |
|
Before Width: | Height: | Size: 16 KiB After Width: | Height: | Size: 16 KiB |
|
Before Width: | Height: | Size: 59 KiB After Width: | Height: | Size: 59 KiB |
|
Before Width: | Height: | Size: 29 KiB After Width: | Height: | Size: 29 KiB |
|
Before Width: | Height: | Size: 54 KiB After Width: | Height: | Size: 54 KiB |
|
Before Width: | Height: | Size: 30 KiB After Width: | Height: | Size: 30 KiB |
|
Before Width: | Height: | Size: 100 KiB After Width: | Height: | Size: 100 KiB |
@ -24,7 +24,7 @@ Werken anderer Autoren entnommen sind, habe ich als solche kenntlich
|
||||
gemacht. Die Arbeit wurde bisher weder gesamt noch in Teilen einer
|
||||
anderen Prüfungsbehörde vorgelegt und auch noch nicht veröffentlicht.
|
||||
|
||||
2023-10-01
|
||||
2023-10-01
|
||||
|
||||
<img src="abbildungen/unterschrift.PNG" alt="image" />
|
||||
|
||||
@ -413,7 +413,7 @@ Für die Erstellung der Daten wird mit der Python Bibliothek Pandas aus
|
||||
einer Excel Datei Mockup-Daten zu verschiedenen Automobilherstellern
|
||||
geladen.
|
||||
|
||||
``` {.python language="Python" breaklines="true"}
|
||||
```python
|
||||
# import pandas
|
||||
import pandas as pd
|
||||
|
||||
@ -429,7 +429,7 @@ node_color = {
|
||||
'Automobilhersteller': ' #729b79ff',
|
||||
'Automobilzulieferer': '#475b63ff',
|
||||
'Branche 3': '#f3e8eeff',
|
||||
'Branche 4': '#bacdb0ff',
|
||||
'Branche 4': '#bacdb0ff',
|
||||
'Branche 5': '#2e2c2fff',
|
||||
}
|
||||
df_nodes['color'] = df_nodes['branche'].map(node_color)
|
||||
@ -447,11 +447,11 @@ print(df_nodes.head())
|
||||
Als Ergebnis erhält man ein Dataframe mit den verschiedenen
|
||||
Automobilherstellern.
|
||||
|
||||
| **ID** | **Name** | **Typ** |
|
||||
|--------|---------------------------|---------|
|
||||
| 1 | Porsche Automobil Holding | Company |
|
||||
| 2 | Volkswagen AG | Company |
|
||||
| 3 | Volkswagen | Company |
|
||||
| **ID** | **Name** | **Typ** |
|
||||
|--------|----------|---------|
|
||||
| 1 | Porsche Automobil Holding | Company |
|
||||
| 2 | Volkswagen AG | Company |
|
||||
| 3 | Volkswagen | Company |
|
||||
|
||||
*Tabelle 1: Tabelle der Automobilhersteller.*
|
||||
|
||||
@ -463,7 +463,7 @@ erstellt, aus welchem mit der Bibliothek NetworkX ein Graph erstellt
|
||||
wird. Dafür wird die Methode from_pandas_edgelist genutzt - diese
|
||||
erstellt aus einem Dataframe einen Graphen.
|
||||
|
||||
``` {.python language="Python" breaklines="true"}
|
||||
```python
|
||||
# import networkx
|
||||
import networkx as nx
|
||||
|
||||
@ -539,7 +539,7 @@ Netzwerks zugegriffen werden. Diese wird zu Nutze gemacht, um in einer
|
||||
for-Schleife die Größe der Ecken neu zu setzen. Der Quellcodes sieht wie
|
||||
folgt aus:
|
||||
|
||||
``` {.python language="Python" breaklines="true"}
|
||||
```python
|
||||
adj_list = net.get_adj_list()
|
||||
|
||||
measure_vector = {}
|
||||
@ -840,4 +840,4 @@ Springer Fachmedien Wiesbaden, 2020, S. 269–300, isbn: 9783658265236.
|
||||
|
||||
- **[7]** A. Disney,https://cambridge-intelligence.com/keylines-faqs-social-network-analysis/.
|
||||
|
||||
- **[8]** C. Intelligence, https://cambridge-intelligence.com/social-network-analysis/.
|
||||
- **[8]** C. Intelligence, https://cambridge-intelligence.com/social-network-analysis/.
|
||||
|
||||
@ -12,32 +12,16 @@ Diese sind, um Industriestandards zu entsprechen, auf Englisch gehalten.
|
||||
.. include:: ../CONTRIBUTING.md
|
||||
:parser: myst_parser.sphinx_
|
||||
|
||||
|
||||
.. toctree::
|
||||
:maxdepth: 3
|
||||
:caption: Seminararbeiten
|
||||
:maxdepth: 5
|
||||
:caption: Projektdokumentation
|
||||
:numbered:
|
||||
|
||||
Ergebnisse/Zwischenbericht_und_Praesentation/PhHo/dev-ops
|
||||
Ergebnisse/Zwischenbericht_und_Praesentation/TrNo/Ausarbeitung.md
|
||||
seminararbeiten/Datenspeicherung/00_Datenspeicherung
|
||||
Ergebnisse/Zwischenbericht_und_Praesentation/TiRo/verflechtungsanalyse.md
|
||||
|
||||
|
||||
.. toctree::
|
||||
:maxdepth: 3
|
||||
:caption: Abschlussberichte
|
||||
:numbered:
|
||||
|
||||
Ergebnisse/Abschlussbericht_und_Praesentation/TiRo/S2.md
|
||||
Ergebnisse/Abschlussbericht_und_Praesentation/TiRo/S3.md
|
||||
Ergebnisse/Abschlussbericht_und_Praesentation/PhHo/05-DEV-OPS
|
||||
Ergebnisse/Abschlussbericht_und_Praesentation/TrNo/S4-2.md
|
||||
Ergebnisse/Abschlussbericht_und_Praesentation/TrNo/S4-3-1.md
|
||||
Ergebnisse/Abschlussbericht_und_Praesentation/PhHo/4-4-2-database-generator
|
||||
Ergebnisse/Abschlussbericht_und_Praesentation/PhHo/04-data-visualisation-container.md
|
||||
|
||||
Ergebnisse/Abschlussbericht_und_Praesentation/TiRo/S4-5-2.md
|
||||
Ergebnisse/1_Einleitung.md
|
||||
Ergebnisse/2_Recherche.md
|
||||
Ergebnisse/3_Grundlagen.md
|
||||
Ergebnisse/4_Umsetzung.md
|
||||
Ergebnisse/Abschlussbericht_und_Praesentation/SeZe/S5-1.md
|
||||
|
||||
.. toctree::
|
||||
:glob:
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
<mxfile host="Electron" modified="2024-01-11T01:52:42.034Z" agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) draw.io/21.7.5 Chrome/114.0.5735.289 Electron/25.8.1 Safari/537.36" etag="PH9n6xjyhB6dS2H5OEyx" version="21.7.5" type="device" pages="5">
|
||||
<mxfile host="Electron" modified="2024-01-25T16:30:07.276Z" agent="Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) draw.io/22.1.2 Chrome/114.0.5735.289 Electron/25.9.4 Safari/537.36" version="22.1.2" etag="Y0N69jhPIZVyyvxxzYC-" type="device" pages="5">
|
||||
<diagram id="XClLuxTnXhbEa_T0bkAs" name="PoC v1">
|
||||
<mxGraphModel dx="1658" dy="828" grid="1" gridSize="10" guides="1" tooltips="1" connect="1" arrows="1" fold="1" page="1" pageScale="1" pageWidth="1654" pageHeight="1169" math="0" shadow="0">
|
||||
<mxGraphModel dx="1432" dy="820" grid="1" gridSize="10" guides="1" tooltips="1" connect="1" arrows="1" fold="1" page="1" pageScale="1" pageWidth="1654" pageHeight="1169" math="0" shadow="0">
|
||||
<root>
|
||||
<mxCell id="0" />
|
||||
<mxCell id="1" parent="0" />
|
||||
@ -370,7 +370,7 @@
|
||||
</mxGraphModel>
|
||||
</diagram>
|
||||
<diagram name="PoC v1 - 09.23" id="V75WI-Vc3ERBdHz3RbNH">
|
||||
<mxGraphModel dx="3328" dy="844" grid="1" gridSize="10" guides="1" tooltips="1" connect="1" arrows="1" fold="1" page="1" pageScale="1" pageWidth="1654" pageHeight="1169" math="0" shadow="0">
|
||||
<mxGraphModel dx="2933" dy="575" grid="1" gridSize="10" guides="1" tooltips="1" connect="1" arrows="1" fold="1" page="1" pageScale="1" pageWidth="1654" pageHeight="1169" math="0" shadow="0">
|
||||
<root>
|
||||
<mxCell id="JG5BCxef4sXj4Bs8cui4-0" />
|
||||
<mxCell id="JG5BCxef4sXj4Bs8cui4-1" parent="JG5BCxef4sXj4Bs8cui4-0" />
|
||||
@ -863,7 +863,7 @@
|
||||
</mxGraphModel>
|
||||
</diagram>
|
||||
<diagram id="6lcZ0WluHrCxXI3KRIGV" name="Solution Arch.">
|
||||
<mxGraphModel dx="797" dy="402" grid="1" gridSize="10" guides="1" tooltips="1" connect="1" arrows="1" fold="1" page="1" pageScale="1" pageWidth="1654" pageHeight="1169" math="0" shadow="0">
|
||||
<mxGraphModel dx="1432" dy="820" grid="1" gridSize="10" guides="1" tooltips="1" connect="1" arrows="1" fold="1" page="1" pageScale="1" pageWidth="1654" pageHeight="1169" math="0" shadow="0">
|
||||
<root>
|
||||
<mxCell id="0" />
|
||||
<mxCell id="1" parent="0" />
|
||||
@ -873,12 +873,12 @@
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-122" value="" style="rounded=0;whiteSpace=wrap;html=1;" parent="4QydbOITRQrlghnwuT7l-121" vertex="1">
|
||||
<mxGeometry width="190" height="60" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-123" value="" style="image;sketch=0;aspect=fixed;html=1;points=[];align=center;fontSize=12;image=img/lib/mscae/Docker.svg;" parent="4QydbOITRQrlghnwuT7l-121" vertex="1">
|
||||
<mxGeometry x="10" y="9.5" width="50" height="41" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-124" value="Dashboard<br>server" style="text;html=1;strokeColor=none;fillColor=none;align=center;verticalAlign=middle;whiteSpace=wrap;rounded=0;" parent="4QydbOITRQrlghnwuT7l-121" vertex="1">
|
||||
<mxGeometry x="80" y="15" width="100" height="30" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="txUyMvO9ThvCAUF8pDqV-1" value="" style="shape=image;verticalLabelPosition=bottom;labelBackgroundColor=default;verticalAlign=top;aspect=fixed;imageAspect=0;image=data:image/png,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;" vertex="1" parent="4QydbOITRQrlghnwuT7l-121">
|
||||
<mxGeometry x="10" y="6.110000000000014" width="48" height="47.79" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-127" value="" style="group" parent="1" vertex="1" connectable="0">
|
||||
<mxGeometry x="730" y="310" width="190" height="60" as="geometry" />
|
||||
</mxCell>
|
||||
@ -897,35 +897,23 @@
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-78" value="" style="rounded=0;whiteSpace=wrap;html=1;" parent="4QydbOITRQrlghnwuT7l-81" vertex="1">
|
||||
<mxGeometry width="190" height="60" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-77" value="" style="image;sketch=0;aspect=fixed;html=1;points=[];align=center;fontSize=12;image=img/lib/mscae/Docker.svg;" parent="4QydbOITRQrlghnwuT7l-81" vertex="1">
|
||||
<mxGeometry x="10" y="9.5" width="50" height="41" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-80" value="Daily Fetch (News + Stock prices)" style="text;html=1;strokeColor=none;fillColor=none;align=center;verticalAlign=middle;whiteSpace=wrap;rounded=0;" parent="4QydbOITRQrlghnwuT7l-81" vertex="1">
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-80" value="Data Crawler" style="text;html=1;strokeColor=none;fillColor=none;align=center;verticalAlign=middle;whiteSpace=wrap;rounded=0;" parent="4QydbOITRQrlghnwuT7l-81" vertex="1">
|
||||
<mxGeometry x="80" y="15" width="100" height="30" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="99oBgwYwi8GZivSEWGbn-1" value="" style="sketch=0;outlineConnect=0;fontColor=#232F3E;gradientColor=none;fillColor=#4D27AA;strokeColor=none;dashed=0;verticalLabelPosition=bottom;verticalAlign=top;align=center;html=1;fontSize=12;fontStyle=0;aspect=fixed;pointerEvents=1;shape=mxgraph.aws4.glue_crawlers;" parent="4QydbOITRQrlghnwuT7l-81" vertex="1">
|
||||
<mxGeometry x="10" y="6" width="48" height="48" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-90" value="" style="group" parent="1" vertex="1" connectable="0">
|
||||
<mxGeometry x="730" y="480" width="190" height="60" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-91" value="" style="rounded=0;whiteSpace=wrap;html=1;" parent="4QydbOITRQrlghnwuT7l-90" vertex="1">
|
||||
<mxGeometry width="190" height="60" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-92" value="" style="image;sketch=0;aspect=fixed;html=1;points=[];align=center;fontSize=12;image=img/lib/mscae/Docker.svg;" parent="4QydbOITRQrlghnwuT7l-90" vertex="1">
|
||||
<mxGeometry x="10" y="9.5" width="50" height="41" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-93" value="StagingDB<br>(MongoDB)" style="text;html=1;strokeColor=none;fillColor=none;align=center;verticalAlign=middle;whiteSpace=wrap;rounded=0;" parent="4QydbOITRQrlghnwuT7l-90" vertex="1">
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-93" value="Data Lake" style="text;html=1;strokeColor=none;fillColor=none;align=center;verticalAlign=middle;whiteSpace=wrap;rounded=0;" parent="4QydbOITRQrlghnwuT7l-90" vertex="1">
|
||||
<mxGeometry x="80" y="15" width="100" height="30" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-82" value="" style="group" parent="1" vertex="1" connectable="0">
|
||||
<mxGeometry x="480" y="580" width="190" height="60" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-83" value="" style="rounded=0;whiteSpace=wrap;html=1;" parent="4QydbOITRQrlghnwuT7l-82" vertex="1">
|
||||
<mxGeometry width="190" height="60" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-84" value="" style="image;sketch=0;aspect=fixed;html=1;points=[];align=center;fontSize=12;image=img/lib/mscae/Docker.svg;" parent="4QydbOITRQrlghnwuT7l-82" vertex="1">
|
||||
<mxGeometry x="10" y="9.5" width="50" height="41" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-85" value="Bundesanzeiger + Unternehmensregister" style="text;html=1;strokeColor=none;fillColor=none;align=center;verticalAlign=middle;whiteSpace=wrap;rounded=0;" parent="4QydbOITRQrlghnwuT7l-82" vertex="1">
|
||||
<mxGeometry x="80" y="15" width="80" height="30" as="geometry" />
|
||||
<mxCell id="99oBgwYwi8GZivSEWGbn-2" value="" style="shape=image;verticalLabelPosition=bottom;labelBackgroundColor=default;verticalAlign=top;aspect=fixed;imageAspect=0;image=https://seeklogo.com/images/M/mongodb-logo-D13D67C930-seeklogo.com.png;" parent="4QydbOITRQrlghnwuT7l-90" vertex="1">
|
||||
<mxGeometry x="10" y="6" width="48" height="48" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-94" value="" style="group" parent="1" vertex="1" connectable="0">
|
||||
<mxGeometry x="730" y="580" width="190" height="60" as="geometry" />
|
||||
@ -933,28 +921,25 @@
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-95" value="" style="rounded=0;whiteSpace=wrap;html=1;" parent="4QydbOITRQrlghnwuT7l-94" vertex="1">
|
||||
<mxGeometry width="190" height="60" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-96" value="" style="image;sketch=0;aspect=fixed;html=1;points=[];align=center;fontSize=12;image=img/lib/mscae/Docker.svg;" parent="4QydbOITRQrlghnwuT7l-94" vertex="1">
|
||||
<mxGeometry x="10" y="9.5" width="50" height="41" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-97" value="ProdDB<br>(PostgreSQL)" style="text;html=1;strokeColor=none;fillColor=none;align=center;verticalAlign=middle;whiteSpace=wrap;rounded=0;" parent="4QydbOITRQrlghnwuT7l-94" vertex="1">
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-97" value="Prod. DB" style="text;html=1;strokeColor=none;fillColor=none;align=center;verticalAlign=middle;whiteSpace=wrap;rounded=0;" parent="4QydbOITRQrlghnwuT7l-94" vertex="1">
|
||||
<mxGeometry x="80" y="15" width="100" height="30" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="99oBgwYwi8GZivSEWGbn-3" value="" style="shape=image;verticalLabelPosition=bottom;labelBackgroundColor=default;verticalAlign=top;aspect=fixed;imageAspect=0;image=https://uxwing.com/wp-content/themes/uxwing/download/brands-and-social-media/postgresql-icon.png;" parent="4QydbOITRQrlghnwuT7l-94" vertex="1">
|
||||
<mxGeometry x="10" y="5.1200000000000045" width="48" height="49.75" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-98" value="" style="group;fillColor=#E6E6E6;" parent="1" vertex="1" connectable="0">
|
||||
<mxGeometry x="983" y="480" width="190" height="60" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-99" value="" style="rounded=0;whiteSpace=wrap;html=1;" parent="4QydbOITRQrlghnwuT7l-98" vertex="1">
|
||||
<mxGeometry width="190" height="60" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-100" value="" style="image;sketch=0;aspect=fixed;html=1;points=[];align=center;fontSize=12;image=img/lib/mscae/Docker.svg;" parent="4QydbOITRQrlghnwuT7l-98" vertex="1">
|
||||
<mxGeometry x="10" y="9.5" width="50" height="41" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-101" value="Data Loader<br>(Core data + AI components)" style="text;html=1;strokeColor=none;fillColor=none;align=center;verticalAlign=middle;whiteSpace=wrap;rounded=0;" parent="4QydbOITRQrlghnwuT7l-98" vertex="1">
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-101" value="Data Loader" style="text;html=1;strokeColor=none;fillColor=none;align=center;verticalAlign=middle;whiteSpace=wrap;rounded=0;" parent="4QydbOITRQrlghnwuT7l-98" vertex="1">
|
||||
<mxGeometry x="80" y="15" width="100" height="30" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-132" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;entryX=0;entryY=0.5;entryDx=0;entryDy=0;" parent="1" source="4QydbOITRQrlghnwuT7l-78" target="4QydbOITRQrlghnwuT7l-91" edge="1">
|
||||
<mxGeometry relative="1" as="geometry" />
|
||||
<mxCell id="99oBgwYwi8GZivSEWGbn-9" value="" style="aspect=fixed;perimeter=ellipsePerimeter;html=1;align=center;shadow=0;dashed=0;fontColor=#4277BB;labelBackgroundColor=#ffffff;fontSize=12;spacingTop=3;image;image=img/lib/ibm/management/process_management.svg;" parent="4QydbOITRQrlghnwuT7l-98" vertex="1">
|
||||
<mxGeometry x="17" y="6" width="48" height="48" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-133" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;entryX=0;entryY=0.5;entryDx=0;entryDy=0;exitX=1.004;exitY=0.165;exitDx=0;exitDy=0;exitPerimeter=0;" parent="1" source="4QydbOITRQrlghnwuT7l-83" target="4QydbOITRQrlghnwuT7l-91" edge="1">
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-132" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;entryX=0;entryY=0.5;entryDx=0;entryDy=0;" parent="1" source="4QydbOITRQrlghnwuT7l-78" target="4QydbOITRQrlghnwuT7l-91" edge="1">
|
||||
<mxGeometry relative="1" as="geometry" />
|
||||
</mxCell>
|
||||
<mxCell id="4QydbOITRQrlghnwuT7l-135" style="edgeStyle=orthogonalEdgeStyle;rounded=0;orthogonalLoop=1;jettySize=auto;html=1;entryX=1;entryY=0.5;entryDx=0;entryDy=0;" parent="1" source="4QydbOITRQrlghnwuT7l-99" target="4QydbOITRQrlghnwuT7l-95" edge="1">
|
||||
@ -964,19 +949,23 @@
|
||||
</Array>
|
||||
</mxGeometry>
|
||||
</mxCell>
|
||||
<mxCell id="PBvJ47YNABYgI1IU5Uo1-1" value="" style="endArrow=classic;html=1;rounded=0;exitX=0;exitY=0.5;exitDx=0;exitDy=0;entryX=1;entryY=0.5;entryDx=0;entryDy=0;" edge="1" parent="1">
|
||||
<mxCell id="PBvJ47YNABYgI1IU5Uo1-1" value="" style="endArrow=classic;html=1;rounded=0;entryX=0.5;entryY=1;entryDx=0;entryDy=0;edgeStyle=orthogonalEdgeStyle;" parent="1" target="4QydbOITRQrlghnwuT7l-78" edge="1">
|
||||
<mxGeometry width="50" height="50" relative="1" as="geometry">
|
||||
<mxPoint x="730" y="630" as="sourcePoint" />
|
||||
<mxPoint x="730" y="610" as="sourcePoint" />
|
||||
<mxPoint x="670" y="630" as="targetPoint" />
|
||||
<Array as="points">
|
||||
<mxPoint x="730" y="610" />
|
||||
<mxPoint x="575" y="610" />
|
||||
</Array>
|
||||
</mxGeometry>
|
||||
</mxCell>
|
||||
<mxCell id="NPEAOddeQstWlf1RxnmO-3" value="" style="endArrow=classic;startArrow=classic;html=1;rounded=0;exitX=0.5;exitY=0;exitDx=0;exitDy=0;entryX=0.5;entryY=1;entryDx=0;entryDy=0;" edge="1" parent="1" source="4QydbOITRQrlghnwuT7l-122" target="4QydbOITRQrlghnwuT7l-95">
|
||||
<mxCell id="NPEAOddeQstWlf1RxnmO-3" value="" style="endArrow=classic;startArrow=classic;html=1;rounded=0;exitX=0.5;exitY=0;exitDx=0;exitDy=0;entryX=0.5;entryY=1;entryDx=0;entryDy=0;" parent="1" source="4QydbOITRQrlghnwuT7l-122" target="4QydbOITRQrlghnwuT7l-95" edge="1">
|
||||
<mxGeometry width="50" height="50" relative="1" as="geometry">
|
||||
<mxPoint x="820" y="620" as="sourcePoint" />
|
||||
<mxPoint x="860" y="660" as="targetPoint" />
|
||||
</mxGeometry>
|
||||
</mxCell>
|
||||
<mxCell id="NPEAOddeQstWlf1RxnmO-4" value="" style="endArrow=classic;startArrow=classic;html=1;rounded=0;exitX=1;exitY=0.5;exitDx=0;exitDy=0;entryX=0;entryY=0.5;entryDx=0;entryDy=0;" edge="1" parent="1" source="4QydbOITRQrlghnwuT7l-91" target="4QydbOITRQrlghnwuT7l-99">
|
||||
<mxCell id="NPEAOddeQstWlf1RxnmO-4" value="" style="endArrow=classic;startArrow=classic;html=1;rounded=0;exitX=1;exitY=0.5;exitDx=0;exitDy=0;entryX=0;entryY=0.5;entryDx=0;entryDy=0;" parent="1" source="4QydbOITRQrlghnwuT7l-91" target="4QydbOITRQrlghnwuT7l-99" edge="1">
|
||||
<mxGeometry width="50" height="50" relative="1" as="geometry">
|
||||
<mxPoint x="820" y="620" as="sourcePoint" />
|
||||
<mxPoint x="980" y="510" as="targetPoint" />
|
||||
|
||||
Reference in New Issue
Block a user