Intégration de données basée sur la qualité pour l'enrichissement des sources de données locales dans le Service Lake

Quality-based Data Integration for Enriching User Data Sources in Service Lakes

• Auteur / Autrice : Hiba Alili
• Direction : Daniela Grigori, Henda Hadjami Ben Ghezala
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 27/11/2019
• Etablissement(s) : Paris Sciences et Lettres (ComUE) en cotutelle avec École Nationale des Sciences de l'Informatique (La Manouba, Tunisie)
• Ecole(s) doctorale(s) : Ecole doctorale SDOSE (Paris)
• Partenaire(s) de recherche : Laboratoire : Laboratoire d'analyse et modélisation de systèmes pour l'aide à la décision (Paris) - Laboratoire d'analyse et modélisation de systèmes pour l'aide à la décision / LAMSADE
• Partenaire(s) de recherche : établissement de préparation de la thèse : Université Paris Dauphine-PSL (1968-....)
• Jury : Président / Présidente : Dimitris Kotzinos
• Jury : Examinateurs / Examinatrices : Daniela Grigori, Henda Hadjami Ben Ghezala, Dimitris Kotzinos, Djamal Benslimane, Genoveva Vargas-Solar, Zoubida Kedad, Khalid Belhajjame, Rim Drira
• Jury : Rapporteurs / Rapporteuses : Djamal Benslimane, Genoveva Vargas-Solar

Mots clés

Mots clés contrôlés

Gestion des données (systèmes d'information)

Informatique dans les nuages

Entrepôts de données

Mots clés libres

Intégration de données centrée utilisateur

Enrichissement deSchémas

Nuage de données

Composition des services

Services de données

Annotation sémantique

Lacs de services

Qualité de données

Qualité des services

Préférences utilisateur

Données en tant que Service

Ingénierie Dirigée par les Modèles

Annotation Sémantique

User-Centric Data Integration

Data Provisioning Service Lakes

Schema Enriching

Service Composition

Data Services

Service views

Data Quality

Quality of Service (QoS)

User Preferences

Cloud Computing

Data as a Service (DaaS)

Model Driven Engineering

Semantic Annotation

Résumé

De nos jours, d’énormes volumes de données sont créés en continu et les utilisateurs s’attendent à ce que ceux-ci soient collectés, stockés et traités quasiment en temps réel. Ainsi, les lacs de données sont devenus une solution attractive par rapport aux entrepôts de données classiques coûteux et fastidieux (nécessitant une démarche ETL), pour les entreprises qui souhaitent stocker leurs données. Malgré leurs volumes, les données stockées dans les lacs de données des entreprises sont souvent incomplètes voire non mises à jour vis-à-vis des besoins (requêtes) des utilisateurs.Les sources de données locales ont donc besoin d’être enrichies. Par ailleurs, la diversité et l’expansion du nombre de sources d’information disponibles sur le web a rendu possible l’extraction des données en temps réel. Ainsi, afin de permettre d’accéder et de récupérer l’information de manière simple et interopérable, les sources de données sont de plus en plus intégrées dans les services Web. Il s’agit plus précisément des services de données, y compris les services DaaS du Cloud Computing. L’enrichissement manuel des sources locales implique plusieurs tâches fastidieuses telles que l’identification des services pertinents, l’extraction et l’intégration de données hétérogènes, la définition des mappings service-source, etc. Dans un tel contexte, nous proposons une nouvelle approche d’intégration de données centrée utilisateur. Le but principal est d’enrichir les sources de données locales avec des données extraites à partir du web via les services de données. Cela permettrait de satisfaire les requêtes des utilisateurs tout en respectant leurs préférences en terme de coût d’exécution et de temps de réponse et en garantissant la qualité des résultats obtenus.

In the Big Data era, companies are moving away from traditional data-warehouse solutions whereby expensive and timeconsumingETL (Extract, Transform, Load) processes are used, towards data lakes in order to manage their increasinglygrowing data. Yet the stored knowledge in companies’ databases, even though in the constructed data lakes, can never becomplete and up-to-date, because of the continuous production of data. Local data sources often need to be augmentedand enriched with information coming from external data sources. Unfortunately, the data enrichment process is one of themanual labors undertaken by experts who enrich data by adding information based on their expertise or select relevantdata sources to complete missing information. Such work can be tedious, expensive and time-consuming, making itvery promising for automation. We present in this work an active user-centric data integration approach to automaticallyenrich local data sources, in which the missing information is leveraged on the fly from web sources using data services.Accordingly, our approach enables users to query for information about concepts that are not defined in the data sourceschema. In doing so, we take into consideration a set of user preferences such as the cost threshold and the responsetime necessary to compute the desired answers, while ensuring a good quality of the obtained results.