Modèle multidimensionnel agile pour les données massives - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2023

Agile Multidimensional Model for Big Data

Modèle multidimensionnel agile pour les données massives

Résumé

The thesis titled « Agile Multidimensional Model for Big Data » delves into the inherent challenge of analyzing and evolving Big Data in the context of modern enterprises. The rapid advancement of Big Data analytics technologies, such as Business Intelligence (BI), machine learning, and artificial intelligence, profoundly impacts the decision-making process within businesses. This evolution compels enterprises to rethink their information architectures to manage and analyze massive volumes of data effectively. Data warehouses play a pivotal role in this transformation by facilitating the exploration and in-depth analysis of data.However, traditional multidimensional models have limitations in the face of the diversity and evolution of data sources as well as changing analysis needs. In this context, this thesis proposes the agile multidimensional model based on graphs, named GAMM. The objectives of the thesis are to make multidimensional models more flexible, manage evolving schemas and data, and automate this process while preserving analysis coherence.Three major contributions have been made. The first contribution focuses on the evolution of multidimensional schemas. The GAMM model is developed to enable schema evolution in the form of multiple versions, using a NoSQL graph database for increased flexibility. Each schema version is associated with a time interval, facilitating navigation across different versions. The second contribution deals with the temporal management of data in multi-version data warehouses. Temporality is introduced to preserve the historical evolution of data, including changes at the dimension level. Temporal labeling is used to ensure the consistency of analyses over time. The third contribution involves the automation of schema evolution. Data exploration techniques are integrated to automatically detect multidimensional schemas from various data sources. This automation improves the efficiency and accuracy of schema evolution management while facilitating the creation of hierarchy levels across multiple dimensions. This automated approach makes multidimensional analyses more relevant and precise for decision-making.The work conducted within the scope of this thesis presents an innovative approach to the evolution of multidimensional data warehouses in a Big Data environment. The proposed model enables the integration of new data sources, adaptation to changing analytical needs, and preservation of the history of these evolutions. It provides an elegant solution for flexibility and consistency in schemas and data within a constantly evolving environment.
La thèse intitulée « Modèle Multidimensionnel Agile pour les Données Massives » explore le défi inhérent à l'analyse et à l'évolution des Big Data dans le contexte des entreprises modernes. L'avancée rapide des technologies d'analyse des Big Data, telles que la Business Intelligence (BI), l'apprentissage automatique et l'intelligence artificielle, a un impact profond sur le processus de prise de décision au sein des entreprises. Cette évolution pousse les entreprises à repenser leurs architectures d'information afin de gérer et d'analyser des volumes massifs de données. Les entrepôts de données jouent un rôle central dans cette transformation, en facilitant l'exploration et l'analyse approfondie des données.Cependant, les modèles multidimensionnels traditionnels présentent des limites face à la diversité et à l'évolution des sources de données ainsi qu'aux besoins changeants d'analyse. C'est dans ce contexte que cette thèse propose le modèle multidimensionnel agile à base de graphes, nommé GAMM. Les objectifs de la thèse consistent à rendre les modèles multidimensionnels plus flexibles, à gérer l'évolution des schémas et des données, et à automatiser ce processus tout en préservant la cohérence des analyses.Trois contributions majeures ont été apportées. La première contribution se concentre sur l'évolution des schémas multidimensionnels. Le modèle GAMM est développé pour permettre l'évolution des schémas sous forme de versions multiples, en utilisant une base de données orientée graphe de type NoSQL pour une flexibilité accrue. Chaque version de schéma est associée à un intervalle de temps, facilitant la navigation à travers les différentes versions. La deuxième contribution traite de la gestion temporelle des données dans les entrepôts de données multi-versions. L'aspect temporel est introduit pour conserver l'historique d'évolution des données, y compris les modifications au niveau des dimensions. Des étiquetages temporels sont utilisés pour assurer la cohérence des analyses au fil du temps. La troisième contribution consiste en l'automatisation de l'évolution des schémas. Des techniques d'exploration de données sont intégrées pour détecter automatiquement des schémas multidimensionnels à partir de diverses sources de données. Cette automatisation améliore l'efficacité et la précision de la gestion de l'évolution des schémas, tout en facilitant la création de niveaux de hiérarchie sur plusieurs dimensions. Cette approche automatisée rend les analyses multidimensionnelles plus pertinentes et précises pour la prise de décision.Les travaux développés dans le cadre de cette thèse proposent une approche novatrice pour l'évolution des entrepôts de données multidimensionnels dans un environnement de Big Data. Le modèle proposé permet d'intégrer de nouvelles sources de données, de s'adapter aux besoins d'analyse changeants, et de préserver l'historique de ces évolutions. Il offre ainsi une solution élégante pour la flexibilité et la cohérence des schémas et des données dans un environnement en constante évolution.
Fichier principal
Vignette du fichier
these_internet_benhissen_r.pdf (6.08 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04443377 , version 1 (07-02-2024)

Identifiants

  • HAL Id : tel-04443377 , version 1

Citer

Redha Benhissen. Modèle multidimensionnel agile pour les données massives. Informatique et langage [cs.CL]. Université Lumière - Lyon II, 2023. Français. ⟨NNT : 2023LYO20071⟩. ⟨tel-04443377⟩
79 Consultations
35 Téléchargements

Partager

Gmail Facebook X LinkedIn More