Διαχείριση Δεδομένων σε Ετερογενή Συμπλέγματα Υπολογιστών

• E. Kakoulli, N. D. Karmiris, and H. Herodotou. OctopusFS in Action: Tiered Storage Management for Data Intensive Computing. Demo, Proc. of VLDB Endowment (PVLDB ’18), Vol. 11, No. 12, pp. 1914-1917, August 2018.
• E. Kakoulli and H. Herodotou. OctopusFS: A Distributed File System with Tiered Storage Management. In Proc. of the ACM Intl. Conf. on Management of Data (SIGMOD '17), May 2017.
• H. Herodotou. Towards a Distributed Multi-tier File System for Cluster Computing. Proc. of the Intl. Workshop on Big Data Management on Emerging Hardware (HardBD ’16), May 2016.
• H. Herodotou. A Distributed File System with Storage-Media Awareness. Poster in Proc. of the 2015 IEEE/ACM 8th Intl. Conf. on Utility and Cloud Computing (UCC ’15), December 2015.

Συστήματα Ανάπτυξης Λογισμικού για Multi-Wearable Apps

• A. Pamboris, P. Andreou, H. Herodotou, and G. Samaras. MULTI-WEAR: A Multi-Wearable Platform For Enhancing Mobile Experiences. In Proc. of the 15th IEEE Annual Consumer Communications & Networking Conference (CCNC '18), January 2018
• S. E. Alshaal, S. Michael, A. Pamboris, H. Herodotou, G. Samaras and P. Andreou. Augmenting Virtual Reality Environments with Smart Wearable Devices. Demo in Proc. of the 17th IEEE Intl. Conf. on Mobile Data Management (MDM ’16), June 2016.

Συστήματα και Δίκτυα Υπολογιστικού Νέφους (Cloud Computing)

• H. Herodotou. Business Intelligence and Analytics: Big Systems for Big Data. In R.Edgeman, E. G. Carayannis, and S. Sindakis (editors), Analytics, Innovation and Excellence-Driven Enterprise Sustainability. Palgrave Macmillan, January 2017.
• H. Herodotou, B. Ding, S. Balakrishnan, G. Outhred, and P. Fitter. Scalable Near Real-time Failure Localization of Data Center Networks. In Proc. of the 20th ACM Intl. Conf. on Knowledge Discovery and Data Mining (SIGKDD ’14), pp. 1689-1698, August 2014.
• S. Babu and H. Herodotou. Massively Parallel Databases and MapReduce Systems. Foundations and Trends in Databases, Vol. 5, No. 1, pp. 1-104, November 2013.

Αυτόματη Ρύθμιση Συστημάτων Επεξεργασίας Δεδομένων Μεγάλης Κλίμακας

• H. Herodotou. Automatic Tuning of Data-Intensive Analytical Workloads. LAP LAMBERT Academic Publishing, Saarbrucken, Germany, December 2016.
• M. Ead, H. Herodotou, A. Aboulnaga, and S. Babu. PStorM: Profile Storage and Matching for Feedback-Based Tuning of MapReduce Jobs. In Proc. of the 17th Intl. Conf. on Extending Database Technology (EDBT ’14), pp. 1-12, March 2014.
• H. Herodotou and S. Babu. A What-if Engine for Cost-based MapReduce Optimization. Bulletin of the IEEE Computer Society Technical Committee on Data Engineering, Vol. 36, No. 1, pp. 5-14, March 2013.
• H. Lim, H. Herodotou, and S. Babu. Stubby: A Transformation-based Optimizer for MapReduce Workflows. Proc. of VLDB Endowment (PVLDB ’12), Vol. 5, No. 1, pp. 1196-1207, August 2012.
• H. Herodotou. Automatic Tuning of Data-Intensive Analytical Workloads. Ph.D. Dissertation, Duke University, April 2012.
• H. Herodotou, F. Dong, and S. Babu. No One (Cluster) Size Fits All: Automatic Cluster Sizing for Data-intensive Analytics. In Proc. of the 2nd ACM Symposium on Cloud Computing (SOCC ’11), pp. 18:1-14, October 2011.
• H. Herodotou and S. Babu. Profiling, What-if Analysis, and Cost-based Optimization of MapReduce Programs. Proc. of VLDB Endowment (PVLDB ’11), Vol. 4, No. 11, pp. 1111-1122, August 2011.
• H. Herodotou, F. Dong, and S. Babu. MapReduce Programming and Cost-based Optimization? Crossing this Chasm with Starfish. Demo, Proc. of VLDB Endowment (PVLDB ’11), Vol. 4, No. 12, pp. 1446-1449, August 2011.
• H. Herodotou. Hadoop Performance Models. Technical Report, CS-2011-05, Duke University, February 2011.
• H. Herodotou, H. Lim, G. Luo, N. Borisov, L. Dong, F. B. Cetin, and S. Babu. Starfish: A Self-tuning System for Big Data Analytics. In Proc. of the Fifth Biennial Conf. on Innovative Data Systems Research (CIDR ’11), January 2011.

Βελτιστοποίηση και Αυτόματη Ρύθμιση σε Βάσεις Δεδομένων

• H. Herodotou, N. Borisov, and S. Babu. Query Optimization Techniques for Partitioned Tables. In Proc. of the ACM Intl. Conf. on Management of Data (SIGMOD ’11), pp. 49-60, June 2011.
• H. Herodotou and S. Babu. Xplus: A SQL-Tuning-Aware Query Optimizer. Proc. of VLDB Endowment (PVLDB ’10), Vol. 3, No. 1-2, pp. 1149-1160, September 2010.
• H. Herodotou and S. Babu. Automated SQL Tuning through Trial and (Sometimes) Error. In Proc. of the Second Intl. Workshop on Testing Database Systems (DBTest ’09), pp. 1-6, June 2009.
• S. Babu, N. Borisov, S. Duan, H. Herodotou, and V. Thummala. Automated Experiment–Driven Management of (Database) Systems. In Proc. of the 12th Workshop on Hot Topics in Operating Systems (HotOS-XII), May 2009.
• H. Herodotou. zTuned: Automated SQL Tuning through Trial and (Sometimes) Error. Master's Thesis, Duke University, April 2009.

Πρακτική Εφαρμογή Τεχνικών των Βάσεων Δεδομένων

• F. Mitha, H. Herodotou, N. Borisov, C. Jiang, J. Yoder, and K. Owzar. SNPpy - Database Management for SNP Data from Genome Wide Association Studies. PLoS ONE, Vol. 6, No. 10, pp. e24982, October 2011.
• Y. Zhang, H. Herodotou, and J. Yang. RIOT: I/O-Efficient Numerical Computing without SQL. In Proc. of the Fourth Biennial Conf. on Innovative Data Systems Research (CIDR ’09), January 2009.

Google Scholar

http://scholar.google.com/citations?user=jyykiFIAAAAJ&hl=en
 

US Patent 9,367,601 B2. Cost-Based Optimization of Configuration Parameters and Cluster Sizing for Hadoop. June 2016.

US Provisional Patent DU4146PROV. Systems and Methods for Cost-Based Optimization for MapReduce Workflows. March 2013.

Τρέχον Ερευνητικές Εργασίες

Sea Traffic Management Validation Project

Ο στόχος του εν λόγω ερευνητικού έργου είναι η καινοτόμος βελτιστοποίηση διαδικασιών και υπηρεσιών τόσο εντός όσο και μεταξύ λιμανιών, με βάση τη συνεργασία και την οργανωμένη ανταλλαγή πληροφοριών μεταξύ όλων των εμπλεκομένων φορέων. Η έννοια της διαχείρισης της θαλάσσιας κυκλοφορίας (Sea Traffic Management) είναι μια ολιστική προσέγγιση για κατανεμημένες υπηρεσίες που σχετίζονται με ταξίδια από λιμάνι σε λιμάνι, η οποία επιτρέπει αποτελεσματικές, ασφαλείς, και περιβαλλοντικά βιώσιμες θαλάσσιες μεταφορές.

Χρηματοδότηση: European Commission, Innovation and Networks Executive Agency (INEA), Connecting Europe Facility (CEF)

Ρόλος στο έργο: Τεχνικός Συντονιστής για το Τεχνολογικό Πανεπιστήμιο Κύπρου

Distributed Multi-tier Storage for Cluster Computing

Οι βελτιώσεις σε μνήμη, συσκευές αποθήκευσης, και δικτυακές τεχνολογίες εκμεταλλεύονται συνεχώς από κατανεμημένα συστήματα, προκειμένου να ανταποκριθούν στις αυξανόμενες απαιτήσεις αποθήκευσης και επεξεργασίας δεδομένων μεγάλης κλίμακας. Σας παρουσιάζουμε ένα νέο κατανεμημένο σύστημα αποθήκευσης αρχείων που αναγνωρίζει τα μέσα αποθήκευσης (π.χ., μνήμη, SSDs, HDDs, NAS) που έχουν διαφορετικές ικανότητες και χαρακτηριστικά απόδοσης. Το σύστημα προσφέρει ένα ευρύ φάσμα από τρόπους χρήσεως, οι οποίοι κυμαίνονται από την πλήρη αυτοματοποίηση της διαχείρισης δεδομένων μέχρι την παροχή πλήρους ελέγχου εκθέτοντας τα μέσα αποθήκευσης στον χρήστη.

Χρηματοδότηση: Τεχνολογικό Πανεπιστήμιο Κύπρου

Scaling Transactional Databases with Strong Guarantees

Η αναπαραγωγή δεδομένων αποτελεί έναν σύνηθες μηχανισμό για τη βελτίωση της διαθεσιμότητας και απόδοσης κατανεμημένων βάσεων δεδομένων, αλλά συνήθως οδηγεί σε χαμηλότερους βαθμούς συνέπειας και ελλιπή υποστήριξη κλιμάκωσης. Το νέο μας σύστημα Hihooi χρησιμοποιεί μια νέα αρχιτεκτονική με πλήρη αναπαραγωγή δεδομένων και ένα αλγόριθμο για προγραμματισμό συναλλαγών έτσι ώστε να παρέχει καλή επεκτασιμότητα ενώ ταυτόχρονα να προσφέρει πλήρεις εγγυήσεις ακεραιότητας ACID.

Συνεργάτες: Δρ. Μιχάλης Σιριβιανός, Τεχνολογικό Πανεπιστήμιο Κύπρου

Towards a Unified Platform for Multi-Wearable Apps

Η φορέσιμη τεχνολογία (wearables) είναι πλέον πανταχού παρούσα στην καθημερινή μας ζωή. Έξυπνα ρολόγια, έξυπνα βραχιόλια και είδη ένδυσης με ενσωματωμένους αισθητήρες χρησιμοποιούνται για την παρακολούθηση δεδομένων φυσικής κατάσταση, ιατρικές συσκευές για την ανίχνευση διαταραχών της υγείας (όπως η άπνοια) και επαγγελματικές συσκευές αθλητισμού για την άμεση παροχή πληροφόρησης σε αθλητές. Ωστόσο, οι σημερινές φορέσιμες συσκευές έχουν δύο βασικά ελαττώματα: (α) κάθε συσκευή παρέχει μόνο ένα μικρό μέρος των συνολικών δυνατοτήτων όλων των έξυπνων συσκευών και (β) οι περισσότερες συσκευές δεν μοιράζονται δεδομένα μεταξύ τους ενώ συνδέονται μόνο με ορισμένα οικοσυστήματα. Ως εκ τούτου, υπάρχει μια ισχυρή ανάγκη για ένα ενοποιημένο προγραμματιστικό πλαίσιο, το οποίο θα αλλάξει την τρέχουσα συλλογή από απομονωμένες συσκευές σε μία πλήρως δικτυωμένη τεχνολογία συνδεδεμένη όχι μόνο με άλλες συσκευές (όπως τα έξυπνα κινητά), αλλά και στο υπολογιστικό νέφος (cloud).

Συνεργάτες: Δρ. Ανδρέας Παμπόρης, Πανεπιστήμιο Κύπρου / Δρ. Παναγιώτης Ανδρέου, UCLan Cyprus

Προηγούμενες Ερευνητικές Εργασίες

Scalable Near Real-Time Failure Localization of Data Center Networks

Παρόλο που υπάρχει πλεονασμός στα δίκτυα των κέντρων δεδομένων, τυχόν σφάλματα σε δικτυακές συσκευές ή συνδέσεις μπορούν να οδηγήσουν σε διακοπή των προσφερόμενων υπηρεσιών προς τον χρήστη. Ως εκ τούτου, ο προσδιορισμός και ο εντοπισμός προβλημάτων διαθεσιμότητας στο δίκτυο που επηρεάζουν το χρήστη σε σχεδόν πραγματικό χρόνο είναι ζωτικής σημασίας. Χρησιμοποιούμε στατιστικές τεχνικές ανάλυσης τεράστιων όγκων δεδομένων παρακολούθησης του δικτύου για να καθορίσουμε μια ταξινομημένη λίστα με ύποπτες αιτίες, τις οποίες φιλτράρουμε και παρουσιάζουμε στους διαχειριστές των δικτύων.

Starfish: A Self-tuning System for Big Data Analytics

Η στοίβα λογισμικού του Hadoop είναι δημοφιλής για την επιχειρηματική ανάλυση δεδομένων. Δυστυχώς, το Hadoop αντιμετωπίζει σημαντικά προβλήματα τόσο διαχείρισης όσο και επίδοσης. Είμαι ο επικεφαλής αρχιτέκτονας του Starfish, ενός νέου αυτορυθμιζόμενου συστήματος ανάλυσης δεδομένων. Το Starfish βασίζεται στο Hadoop και προσαρμόζεται αυτόματα στις ανάγκες του χρήστη και του φόρτου εργασίας, ώστε να παρέχει καλή και γρήγορη απόδοση, χωρίς να χρειάζεται οι χρήστες να κατανοήσουν και να διαχειριστούν τις πολλές και διάφορες ρυθμίσεις στο Hadoop.

Query Optimization Techniques for Partitioned Tables

Στην παρουσία δεδομένων μεγάλης κλίμακας, ο διαμερισμός πινάκων έχει εξελιχθεί σε ένα ισχυρό μηχανισμό για τη βελτίωση της συνολικής διαχείρισης των συστημάτων επεξεργασίας δεδομένων. Έχω αναπτύξει καινούργιες τεχνικές για τη δημιουργία αποτελεσματικών πλάνων εκτέλεσης για την απάντηση σε ερωτήματα SQL που αφορούν διαμερισμένους πίνακες. Οι τεχνικές μου έχουν σχεδιαστεί για να ενσωματωθούν με εύκολο τρόπο στους βελτιστοποιητές που χρησιμοποιούνται σήμερα ευρέως σε Βάσεις Δεδομένων και έχουν ήδη εφαρμοστεί στη Βάση Δεδομένων PostgreSQL.

Automating the Process of SQL Tuning

Το zTuned είναι ένα νέο σύστημα το οποίο αυτοματοποιεί τη ρύθμιση ερωτημάτων SQL μέσω μιας πειραματικής προσέγγισης. Η κύρια πρόκληση είναι να προγραμματιστούν τα κατάλληλα πειράματα, έτσι ώστε να βρεθεί γρήγορα ένα ικανοποιητικό (νέο) πλάνο εκτέλεσης. Το zTuned περιλαμβάνει ένα καινούργιο βελτιστοποιητή που ονομάζεται Xplus, ο οποίος μπορεί να εκτελέσει κάποια επιμέρους πλάνα προληπτικά, να συλλέξει δεδομένα από την εκτέλεση και να επαναλάβει τη διαδικασία αυτή. Το Xplus έχει ενσωματωθεί στη Βάση Δεδομένων PostgreSQL.

2017-1-CY01-KA202-026728: ENGineering and Industry Innovative Training for Engineers (ENGINITE)

• Χρηματοδότης: Foundation for the Management of European Lifelong Learning Programmes
• Συνολικός Προϋπολογισμός: 220K ευρώ
• Προϋπολογισμός για ΤΕΠΑΚ: 42K ευρώ
• Συντονιστής Έργου: Τεχνολογικό Πανεπιστήμιο Κύπρου
• Συνεργάτες: 7 συνεργάτες από 4 Ευρωπαϊκές χώρες
• Διάρκεια: 2017 –2019
• Ιστοσελίδα: https://www.enginite.eu/

2014-EU-TM-0206-S: Sea Traffic Management Validation Project

• Χρηματοδότης: European Commission, Innovation and Networks Executive Agency (INEA), Connecting Europe Facility (CEF)
• Συνολικός Προϋπολογισμός: 42,9M ευρώ
• Προϋπολογισμός για ΤΕΠΑΚ: 860K ευρώ
• Συνεργάτες: 39 συνεργάτες από 12 Ευρωπαϊκές χώρες
• Ρόλος στο έργο: Τεχνικός Συντονιστής για το ΤΕΠΑΚ
• Διάρκεια: 2015-2018
• Ιστοσελίδα: http://stmvalidation.eu/

H2020-TWINN-2015: Network for Social Computing Research (NOTRE)

• Χρηματοδότης: European Commission, Horizon 2020
• Συνολικός Προϋπολογισμός: 1M ευρώ
• Προϋπολογισμός για ΤΕΠΑΚ: 450K ευρώ
• Συντονιστής έργου: Τεχνολογικό Πανεπιστήμιο Κύπρου
• Συνεργάτες: IMDEA, UNIGE, UDUS, FORTH
• Διάρκεια: 2016-2018
• Ιστοσελίδα: http://notre.socialcomputing.eu/

Distributed Multi-tier Storage for Cluster Computing

• Χρηματοδότης: Τεχνολογικό Πανεπιστήμιο Κύπρου
• Συνολικός Προϋπολογισμός: 40K ευρώ
• Ρόλος στο έργο: Γενικός Συντονιστής
• Διάρκεια: 2015-2016

Πρόεδρος Οργανωτικών Επιτροπών (PC Chair)

• 16th Hellenic Data Management Symposium, HDMS 2018
• 9th International Workshop on Self-Managing Database Systems, SMDB 2014

Μέλος Οργανωτικών Επιτροπών (PC Member)

• International Conference on Very Large Data Bases, VLDB 2018, 2016, 2015, 2013
• IEEE International Conference on Data Engineering, ICDE 2018
• International Conference on Cloud Computing, GRIDs, and Virtualization, CLOUD 2018, 2017
• Hellenic Data Management Symposium, HDMS 2017, 2016
• ACM International Conference on Management of Data, SIGMOD 2016
• International Conference on Utility and Cloud Computing, UCC 2016
• Workshop on Cloud Data Management, CloudDM 2015
• ACM International Conference on Information and Knowledge Management, CIKM 2013
• Workshop on Management of Big Data Systems, MBDS 2012

Κριτής Επιστημονικών Περιοδικών

• IEEE Transactions on Knowledge and Data Engineering, TKDE 2017, 2015, 2014, 2013, 2010
• ACM Transactions on Autonomous and Adaptive Systems, TAAS 2017
• IEEE Transactions on Parallel and Distributed Systems, TPDS 2017, 2014, 2013
• International Journal on Very Large Data Bases, VLDB Journal 2015, 2014, 2013, 2011

Μέλος Επιστημονικών Οργανισμών

• Member of the Association for Computing Machinery (ACM)
• Member of the Institute of Electrical and Electronics Engineers (IEEE)

ΜΗΥΠ 325 - Βάσεις Δεδομένων

Το μάθημα προσφέρει μια εισαγωγή στις βάσεις δεδομένων και επικεντρώνεται στα συστήματα διαχείρισης σχεσιακών βάσεων δεδομένων. Τα θέματα περιλαμβάνουν μοντελοποίηση δεδομένων, θεωρία και μεθοδολογία σχεδίασης βάσεων δεδομένων, γλώσσες ορισμού και χειρισμού των δεδομένων, τεχνικές αποθήκευσης και δεικτοδότησης, επεξεργασία και βελτιστοποίηση ερωτημάτων, συναλλαγές, έλεγχος συγχρονικότητας και αποκατάσταση συστήματος. Επιπλέον, το μάθημα καλύπτει αρχές αρχιτεκτονικής συστημάτων διαχείρισης βάσεων δεδομένων και τεχνικές για την ανάπτυξη εφαρμογών.

MHYΠ 467/526 - Προχωρημένα Θέματα Συστημάτων Επεξεργασίας Δεδομένων

Η ανάγκη για αποθήκευση και επεξεργασία δεδομένων μεγάλης κλίμακας έχει οδηγήσει σε μία εξέλιξη των υπαρχόντων συστημάτων βάσεων δεδομένων, ενώ μια νέα γενιά συστημάτων επεξεργασίας δεδομένων έχει αναδυθεί. Αυτό το μάθημα καλύπτει ένα φάσμα θεμάτων από τις βασικές τεχνικές της διαχείρισης σχεσιακών δεδομένων μέχρι την επεκτάσιμη επεξεργασία δεδομένων χρησιμοποιώντας παράλληλα συστήματα βάσεων δεδομένων και συστήματα MapReduce. Κατ 'αρχάς, το μάθημα καλύπτει τις βασικές αρχές της επεξεργασίας και βελτιστοποίησης ερωτημάτων, όπως είναι οι δείκτες, οι τεχνικές διάταξης και συνένωσης, η επανεγγραφή ερωτημάτων και η επιλογή εκτελεστικών πλάνων. Το μάθημα καλύπτει επίσης θέματα από παράλληλες και κατανεμημένες βάσεις δεδομένων, συμπεριλαμβανομένου των κατατμήσεων δεδομένων και των κατανεμημένων αλγόριθμων συνένωσης. Τέλος, το μάθημα καλύπτει επεκτάσιμα συστήματα επεξεργασίας δεδομένων, όπως MapReduce και βάσεις δεδομένων NoSQL (αποθήκες στηλών, κειμένων και κλειδιών-τιμών). Το υλικό των μαθημάτων θα αντληθεί από εκπαιδευτικά βιβλία καθώς και πρόσφατη ερευνητική βιβλιογραφία. Προαπαιτούμενο υπόβαθρο: Βασικές γνώσεις βάσεων δεδομένων.

ΜΗΥΠ 226 - Αλγόριθμοι και Πολυπλοκότητα

Το μάθημα επικεντρώνεται στο σχεδιασμό και ανάλυση αποδοτικών αλγορίθμων και της πολυπλοκότητάς τους. Συγκεκριμένα, το μάθημα καλύπτει θέματα όπως η ανάλυση αλγορίθμων, ο ασυμπτωτικός συμβολισμός, οι αναδροµικές σχέσεις, οι αλγόριθμοι διαίρει και κυρίευε, ο δυναμικός προγραμματισμός, οι άπληστοι αλγόριθμοι, η αναπαράσταση γραφημάτων, η αναζήτηση σε γραφήματα, τα ελαφρύτατα συνδετικά δένδρα, οι ελαφρύτατες διαδρομές, η μέγιστη ροή δικτύων, η NP-πληρότητα, και οι προσεγγιστικοί αλγόριθμοι. Προαπαιτούμενο υπόβαθρο: Δομές δεδομένων.