Using temporal process model to recover lost data

• Autorzy: Rybak T.

Warianty tytułu

PL

Użycie modelu temporalnego w celu odzyskania utraconych danych

• Języki publikacji: EN

Abstrakty

EN

Article describes data gathered during 23rd Chaos Communication Congress held in Berlin in December 2006. It presents characteristics of data set describing movements of participants in conference venue and errors present in it. The main part of article is description of attempts of recovering lost data, problems with it, and how different information present in data set can help with restoring lost parts. To recover lost data spatial dependencies and temporal model of Sputnik system were used.

PL

Artykuł przedstawia dane zgromadzone podczas konferencji Chaos Communication Congress która odbyła się w grudniu 2006r. w Berlinie. Dane pochodzą z systemu Sputnik który monitorował ruch uczestników konferencji. Pierwszy rozdział to krótka prezentacja danych oraz obecnych w nich błędów. Główną część artykułu stanowi opis prób odzyskania danych, które zostały utracone na skutek błędu w oprogramowaniu systemu Sputnik. Opisane są sposoby odzyskiwania tych danych oraz ich rezultaty. Do odzyskania został użyty temporalny model działania systemu oraz zależności przestrzenne obecne w danych.

Słowa kluczowe

EN

temporal data; spatial data; data mining; data recovery

PL

dane temporalne; dane przestrzenne; analiza danych; odzyskiwanie danych

• Wydawca: Oficyna Wydawnicza Politechniki Białostockiej
• Czasopismo: Zeszyty Naukowe Politechniki Białostockiej. Informatyka
• Rocznik: 2008
• Tom: Z. 3
• Strony: 111--127
• Opis fizyczny: Bibliogr. 9 poz., tab., wykr.

Twórcy

autor

Rybak T.

• Bialystok Technical University, Faculty of Computer Science, Bialystok

Bibliografia

• [1] P.S. Bearman, J. Moody, and K. Stovel. Chains of affection: The structure of adolescent romantic and sexual networks. American Journal of Sociology,110(1):44–91, 2004.
• [2] Sašo Džeroski. Multi-relational data mining: an introduction. SIGKDD Explorations Newsletter, 5(1):1–16, 2003.
• [3] Nathan Eagle and Alex (Sandy) Pentland. Reality mining: sensing complex social systems. Personal Ubiquitous Comput., 10(4):255–268, 2006.
• [4] Valery Guralnik and Jaideep Srivastava. Event detection from time series data. In KDD ’99: Proceedings of the fifth ACM SIGKDD international conference on Knowledge discovery and data mining, pages 33–42, New York, NY, USA, 1999. ACM.
• [5] Sherry Hsi and Holly Fait. Rfid enhances visitors’ museum experience at the exploratorium. Communications of ACM, 48(9):60–65, 2005.
• [6] Vassilis Kostakos. The privacy implications of bluetooth. 2007.
• [7] Ravi Kumar, Jasmine Novak, and Andrew Tomkins. Structure and evolution of online social networks. In KDD ’06: Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining, pages 611– 617, New York, NY, USA, 2006. ACM Press.
• [8] Miyako Ohkubo, Koutarou Suzuki, and Shingo Kinoshita. Rfid privacy issues and technical challenges. Communications of ACM, 48(9):66–71, 2005.
• [9] Joshua R. Smith, Kenneth P. Fishkin, Bing Jiang, Alexander Mamishev, Matthai Philipose, Adam D. Rea, Sumit Roy, and Kishore Sundara-Rajan. Rfid-based techniques for human-activity detection. Communications of ACM, 48(9):39–44, 2005.