Zusammenfassung
Unter dem Stichwort Big Data werden zur Zeit, sowohl in Wissenschaft als auch Praxis,Technologien und Methoden diskutiert, mit denen die Verarbeitung großer, schnell anwachsender, häufig nur schwach strukturierter Datenmengen ermöglicht werden soll, die mit traditionellen Ansätzen, unter anderem aus dem Business Intelligence-Umfeld, nicht, oder nur eingeschränkt analysiert werden können, woraus sich neue, eigenständige Anwendungsgebiete ergeben. Die vorliegende Arbeit hat daher zum Ziel, Zusammenhänge zwischen den technologischen sowie methodischen Konzepten, die im Rahmen der derzeit geführten Big Data-Diskussion eine Rolle spielen, und Green IS zu untersuchen und so eine Grundlage zu legen, um systematisch Erkenntnisse aus dem Umfeld des Big Data-Konzeptes für BUIS nutzbar zu machen. Konkret untersuchen wir in einer Green IT Perspektive, ob bereits ressourceneffiziente Verfahren für Big Data Anwendungen diskutiert werden, und inwieweit Big Data Konzepte zur Gestaltung ressourcenschonender Geschäftsprozesse eingesetzt werden können, wozu wir im Vorfeld relevante Dimensionen des Begriffes Big Data mittels eines deduktiven Ansatzes identifizieren.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Literatur
Blei D, Ng A, Jordan M (2003) Latent dirichlet allocation. J Mach Learn Res 3:993–1022
Blei DM, Lafferty JD (2006) Dynamic topic models. In: Proceedings of the 23rd international conference on Machine learning – ICML’06, ACM Press, New York, S 113–120
Blei DM, Lafferty JD (2009) Topic models. In: Srivastava A, Sahami M Text mining: classification, clustering, and applications, Chapman & Hall, Boca Raton, S 71–93
Borthakur D (2008) HDFS architecture guide. http://hadoop.apache.org/docs/r1.0.4/hdfs_design.pdf. Zugegriffen: 17. Nov 2012
Chang J (2012) lda: Collapsed gibbs sampling methods for topic models (R Paket). http://cran.r-project.org/web/packages/lda/. Zugegriffen: 4. Sept 2012
Czajkowski G (2008) Sorting 1PB with MapReduce. http://googleblog.blogspot.de/2008/11/sorting-1pb-with-mapreduce.html. Zugegriffen: 30. Juli 2012
Dumbill E (2010) The SMAQ stack for big data. http://strata.oreilly.com/2012/01/what-is-big-data.html. Zugegriffen: 11. März 2012
Feinerer I (2011) Tm: Text mining package (R Paket). http://cran.r-project.org/web/packages/tm/index.html. Zugegriffen: 4. Sept 2012
Frischknecht R (2005) Notions on the design and use of an ideal regional or global LCA database. Int J Life Cycle Assess 11(S1):40–48
Funk B, Niemeyer P (2010) Abbildung von Umweltwirkungen in betrieblichen Informationssystemen. HMD 274:37–46
Goiri IN, Le K, Nguyen TD, Guitart J, Torres J, Bianchini R (2012) Green-Hadoop: leveraging green energy in data-processing frameworks. In: Proceedings of the 7th ACM european conference on Computer Systems – EuroSys’12, ACM Press, New York, S 57
Griffiths T, Steyvers M (2004) Finding scientific topics. Proc Nat Acad Sci U.S.A. 101:5228–5235
Jacobs A (2009) The pathologies of big data. Commun ACM 52(8):36
Kaushik R, Bhandarkar M (2010) GreenHDFS: Towards an energy-conserving storage-efficient, hybrid hadoop compute cluster. In: Proceedings of the 2010 international conference on power aware computing and systems, S 1–9
Landauer TK, Dumais ST (1997) A solution to Plato’s problem: The latent semantic analysis theory of acquisition, induction, and representation of knowledge. Psychol Rev 104(2):211–240
Laney D (2001) 3D Data management: controlling data volume, velocity, and variety. February 2001, META Group. http://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-Management-Controlling-Data-Volume-Velocity-and-Variety.pdf. Zugegriffen: 24. April 2012
Loukides M (2010) What is data science? http://radar.oreilly.com/2010/06/what-is-data-science.html. Zugegriffen: 28. Sept 2012
Madden S (2012) From databases to big data. IEEE Comput 16(3):4–6
Manyika J, Chui M, Brown B, Bughin J, Dobbs R, Roxburgh C, Byers AH (2011) Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute. http://www.mckinsey.com/Insights/MGI/Research/Technology_and_Innovation/Big_data_The_next_frontier_for_innovation. Zugegriffen: 11. Februar 2012
Mao Y, Wu W, Zhang H, Luo L (2012) GreenPipe: A hadoop based workflow system on energy-efficient clouds. In: 2012 IEEE 26th international parallel and distributed processing symposium workshops & PhD forum, IEEE, S 2211–2219
Möller A (2000) Grundlagen stoffstrombasierter betrieblicher umweltinformationssysteme. Projektverlag, Bochum
Porter M (1980) An algorithm for suffix stripping. Program 14(3):130–137
van der Aalst WMP (2012) Process mining. Commun ACM 55(8):76–83
Weidema BP, Thrane M, Christensen P, Schmidt J, Lokke S (2008) Carbon footprint: A catalyst for life cycle assessment? J Ind Ecol 12(1):3–6
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2013 Springer-Verlag Berlin Heidelberg
About this paper
Cite this paper
Hansmann, T., Funk, B., Niemeyer, P. (2013). Green Big Data – eine Green IT/Green IS Perspektive auf Big Data. In: Marx Gómez, J., Lang, C., Wohlgemuth, V. (eds) IT-gestütztes Ressourcen- und Energiemanagement. Springer Vieweg, Berlin, Heidelberg. https://doi.org/10.1007/978-3-642-35030-6_43
Download citation
DOI: https://doi.org/10.1007/978-3-642-35030-6_43
Published:
Publisher Name: Springer Vieweg, Berlin, Heidelberg
Print ISBN: 978-3-642-35029-0
Online ISBN: 978-3-642-35030-6
eBook Packages: Computer Science and Engineering (German Language)