w26M2
w26M2
w26M2
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
vergleichsweise langen Zyklen unterworfen. Derartige<br />
Lösungen skalieren daher schlecht und sind insbesondere<br />
im Big-Data-Umfeld nicht für Anwendungen mit einem<br />
Fokus auf den Velocity-Aspekt geeignet.<br />
Für die Realisierung komplexer Informationsvisualisierungen<br />
ist ein mehrstufiger Prozess notwendig. Dieser<br />
wird als Visualisierungspipeline 118 bezeichnet (vgl.<br />
Abbildung 33). Obwohl dieses Konzept deutlich vor dem<br />
Aufkommen des Themenkomplexes Big Data entwickelt<br />
wurde, besitzt es nach wie vor Gültigkeit. Lediglich die auf<br />
den jeweiligen Stufen involvierten Technologien haben<br />
sich teilweise geändert.<br />
Visualisierungspipeline<br />
Der erste Schritt bei der Datenvisualisierung ist dabei<br />
der Einsatz von Filtern, um beispielsweise Rohdaten in<br />
ein geeignetes Format zu konvertieren sowie für die<br />
Visualisierung irrelevante Datenpunkte oder Attribute zu<br />
entfernen. Auch die analytische Vorverarbeitung und die<br />
Ableitung statistischer Maße und Aggregate werden im<br />
Sinne der Visualisierungspipeline dem Filtern zugeordnet.<br />
Auf dieser Stufe findet also ein Großteil der Informationsverdichtung<br />
statt – so werden zum Beispiel aus vielen<br />
Millionen Einzelmeldungen aus mehreren Produktionsanlagen<br />
einige hundert oder tausend relevante Events (vgl.<br />
Unterabschnitt 4.2.2).<br />
Als die Visualisierungspipeline 1990 eingeführt wurde,<br />
wurde außer in einigen Nischenanwendungen fast ausschließlich<br />
direkt in-memory oder mit RDBMS-Backends<br />
gearbeitet, weshalb die Filterstufe auch heute noch oft<br />
als integraler Bestandteil der jeweiligen Visualisierungslösung<br />
betrachtet bzw. implementiert wird. Dies schränkt<br />
jedoch die Skalierbarkeit bezüglich des Datenvolumens<br />
stark ein. Im Big-Data-Umfeld ist es daher vorzuziehen,<br />
4.1 Daten-Haltung 4.2 Daten-Zugriff 4.3 Analytische<br />
Verarbeitung<br />
4.3 Analytische<br />
Verarbeitung<br />
Simulation<br />
Bestandsdaten<br />
Rohdaten<br />
Aufbereitung<br />
Aufbereitete<br />
Daten<br />
Visuelle<br />
Abbildung<br />
Sensorströme<br />
…<br />
Visuelle<br />
Primitive<br />
Rendering<br />
Rasterbild<br />
(Pixel)<br />
Anzeige<br />
Abbildung 33: Visualisierungspipeline – komplexe Informationsvisualisierung als mehrstufiger Prozess<br />
118<br />
Haber R. B., McNabb D. A.: Visualization idioms – A conceptual model for scientific visualization systems. In Visualization in Scientific Computing,<br />
IEEE Computer Society Press, 1990, S. 74–93.<br />
82