Bases de données et réseaux de capteurs

Dimension: px
Commencer à balayer dès la page:

Download "Bases de données et réseaux de capteurs"

Transcription

1 Bases de données et réseaux de capteurs Bruno Defude GET-Institut National des Télécommunications

2 Plan. Introduction BD & Mobilité Requêtes Continues, Flots de Données 2. Bases de données de capteurs. TinyDB (modèle de données & langage de requêtes) 2. TinyDB (évaluation de requêtes complexes) 3. Conclusion et problèmes ouverts 2

3 Introduction 3

4 Capteurs : le point Véritable petit processeur Capteur de lumière, champ magnétique, accélération, son, etc. Canal radio en half-duplex, ne peut pas émettre et recevoir à la fois (97MHz, 50 kb/s) Le coût de transmission est élevé / exécution processeur (envoi bit = 800 instructions) Problème de batterie : 5,5 Millions de messages (30 octets), càd msg/s chaque jour pendant 2 mois. En général broadcast/diffusion, les voisins reçoivent même s ils ne sont pas destinataires. 4

5 Nature des données des capteurs? Données des capteurs sont fournies par traitement du signal (mesures, détection, ) Chaque élément de donnée du capteur a une estampille N.B. {[ti, vi]} = BD Historique/ Temporelle Données provenant d un seul capteur ou d un groupe (nécessité d agrégation) 5

6 Gestion de données Modèles de données : Relationnel, Object, Semi-structuré, Persistance : Modèle, Stockage Langages de requêtes & API : SQL,QBE, OQL, QL+PL Optimisation de requêtes Intégrité et sécurité des données : contraintes, droits d accès, crypto,.. Gestion de transaction : cohérence, concurrence, reprise Systèmes & Architectures : SGBD (des smartcards aux architectures spécialisées), Client(s)/Server(s), Web, P2P/Grid, MOBILE 6

7 Langages de requêtes Quoi et non comment : indépendance des données Langages déclaratifs SQL, QUEL, QBE, OQL, XQUERY Évaluation de requêtes Pull vs push Requêtes continues Requêtes dépendantes de la localité Exacte vs approchée Tous vs top-k Statique vs dynamique 7

8 Optimisation de requêtes Indépendance des données stockage, localisation, distribution, partition, réplication transformations algébriques (relationnel, objet, ) Réécriture de requêtes sélection d un plan d accès optimal : modèle de coût Min (αn+βp+γm) à base de règles Statique vs. Dynamique Méta-données, statistiques, administrateur 8

9 Requêtes sur réseau de capteurs? Requêtes à la SQL sur un réseau de capteurs Accès à un grand ensemble de capteurs Accès associatif, indépendant de l organisation physique du réseau (approche BD) Exemple #: Chaque minute, avoir une mesure dans la région X Exemple #2: Quand deux capteurs distants de 2 m détectent un oiseau envoyer leur emplacement. Exemple #3: Toutes les 5 minutes, avoir le nombre d oiseaux dans la Région X. Aspects flots de données, événements, spatial 9

10 Problèmes BD réparties? Modèle pour les données des capteurs Accès aux données des capteurs Faibles capacités de stockage et de traitements Coût d accès aux données de capteurs Représenter le réseau de capteurs Gérer l aspect dynamique du réseau et le nombre de noeuds Prendre en compte les fautes Minimiser les communications : faire le maximum de traitements localement. 0

11 Techologie BD à réutiliser/adapter SGBD à petite empreinte (ex. PicoDBMS) Facile à configurer, zéro administration évaluation des requêtes : exact/approché, diffusion, échantillonnage, algos spécifiques Optimisation de requêtes : trouver une solution optimale dans un environnement dynamique (adaptatif), minimiser énergie (BD mobiles) Traitement des événements : BD Actives, ECA, Publish/Subscribe Flots de données générés doivent être traités à leur production BD sur flots de données: requêtes continues, optimisation

12 Caractéristiques environnement mobile Déconnexions fréquentes Bande passante variable (55kbs à 00Mbs) Coût de communication peut être élevé MU ont des capacités limitées Batteries Puissance de calcul Mémoire secondaire 2

13 Problèmes liés aux données mobiles (/2) Réplication & Cache Contraintes de cohérence différentes Réplication optimiste vs pessimiste Nouveaux algos de cache (broadcast, cohérence, invalidation...) Evaluation de requêtes : Pull / Push Diffusion de données vers une MU Broadcast disk Requêtes continues Requêtes dépendantes de la localisation 3

14 Problèmes liés aux données mobiles (2/2) Transactions : nouveaux modèles (ACID?) Transaction Mobile : une transaction où au moins une MU est impliquée dans l exécution Produits : PointBase, Navajo de Poet, Oracle Lite, DB2 Every Place, Sybase Anywhere, SQL Server CE Recherche : Clustering, Two-tier replication, Pro-motion, Reporting, Semantics-based, Kangaroo transactions, MDSTP, Moflex transactions Reprise Partitionnement de réseau fréquent Déconnexion n est pas (toujours) une panne Plus de journalisation 4

15 Requêtes dépendantes de la localisation. Trouver l hôtel le moins cher à Paris 2. Trouver l hôtel le moins cher et le plus près 3. Trouver l hôtel le moins cher et le plus près / où je serai dans une heure : requête classique BD spatiale (et temporelle) 2 : suppose une géo localisation de l utilisateur qui peut être immobile ou mobile 3 : utilisateur mobile : le localiser et prévoir sa trajectoire 5

16 Flots de données Flots continus, non bornés, rapides, liés au temps de données élémentaires Présents dans de nombreuses applications Surveillance de réseau et ingénierie de trafic Réseaux de capteurs, tags RFID Logs des opérateurs télécoms applications financières logs Web E-sciences DSMS = Data Stream Management System 6

17 Windows Méchanisme pour extraire une relation finie d un flot infini De nombreuses variations Windows définie sur un attribut ordonné (e.g., temps) Windows définie par un nombre de tuples Windows définie par des marqueurs explicites 7

18 Windows ordonnée selon un attribut 8

19 Architecture Générale de STREAM Register Query Streamed Result Stored Result DSMS Input streams Scratch Store Stored Relations Archive 9

20 Exemple Q Deux Flots : (avec estampille pour chaque tuple) Commandes (cid, client, cout) Prise_charge (cid, employe) Coût total des commandes prises en charge le jour précédent par Sue pour le client Joe Select From Where And And Sum(C.cout) Commandes C, Prise_charge P [Range Day] C.cID = P.cID P.employe = Sue C.client = Joe 20

21 Q2 Sur un échantillon de 0% du flot des prises en charge, prendre les 5 plus récentes par employé et renvoyer le coût maximum Select P.employe, Max(C.cout) From Commandes C, Prise_charge P [Partition by employe ROWS 5] 0% SAMPLE Where C.cID=P.cid Group by P.employe 2

22 Problèmes des DSMS Relations : ensemble de tuples ou séquences? BD types de màj? Ajout seulement? Requête immédiate ou continue? Résultat exact ou approché? Évaluation de requête en une passe ou +? Plan d exécution figé ou adaptatif? Ressources limitées (ex. mémoire) Nécessité de traiter les données en temps réel 22

23 Bases de données sur réseaux de capteurs 23

24 Some Sensornet Apps redwood forest microclimate monitoring smart cooling in data centers condition-based maintenance structural integrity And More Homeland security Container monitoring Mobile environmental apps Bird tracking Zebranet Home automation Etc!

25 Data Management Landscape External Tools Client Tools GUIs,etc Server-side Internet applications Stable Store (DBMS) Field Tools Local Servers Sensor Network TinyD B Data management Issues: APIs for current + historical access? Which data when? How to act on data? Network and node status? 25

26 High Level (Query Based) Interfaces are Good Programming Apps is Hard Limited power budget Lossy, low bandwidth communication Require long-lived, zero admin deployments Distributed Algorithms Limited tools, debugging interfaces Queries abstract away much of the complexity Burden on the database developers Users get: Safe, optimizable programs Freedom to think about apps instead of details 26

27 TinyDB: Declarative Query Interface to Sensornets Platform: Berkeley Motes + TinyOS Continuous variant of SQL : TinySQL Power and data-acquisition based in-network optimization framework Extensible interface for aggregates, new types of sensors 27

28 TinyDB Revisited High level abstraction: Data centric programming Interact with sensor network as a whole Extensible framework Under the hood: Intelligent query processing Fault Mitigation SELECT MAX(mag) FROM sensors WHERE mag > thresh SAMPLE PERIOD 64ms Query, Trigger App TinyDB Data Sensor Network Cougar is very similar 28

29 Feature Overview Declarative SQL-like query interface Metadata management Multiple concurrent queries In-network, distributed query processing Extensible w/ new attributes, commands, aggregates In-network, persistent storage 29

30 Architecture PC side TinyDB GUI TinyDB Client API JDBC DBMS Mote side 0 2 TinyDB query processor 8 4 Sensor network

31 TinyDB Interface 3

32 Data Model Entire sensor network as one single, logical table: sensors Columns consist of all the attributes defined in the network Typical attributes: Sensor readings Meta-data: node id, location, etc. Internal states: routing tree parent, timestamp, queue length, etc. Nodes return NULL for unknown attributes 32

33 Query Language (TinySQL) SELECT <aggregates>, <attributes> [FROM {sensors <buffer>}] [WHERE <predicates>] [GROUP BY <exprs>] [SAMPLE PERIOD <const> ONCE] [INTO <buffer>] [TRIGGER ACTION <command>] 33

34 Comparison with SQL Single table in FROM clause Only conjunctive comparison predicates in WHERE and HAVING No subqueries No column alias in SELECT clause Arithmetic expressions limited to column op constant Only fundamental difference: SAMPLE PERIOD clause 34

35 TinySQL Examples Find the sensors in bright nests. SELECT nodeid, nestno, light FROM sensors WHERE light > 400 SAMPLE PERIOD s Epoch 0 0 Sensors Nodeid nestno Light

36 TinySQL Examples (cont.) 2 SELECT AVG(sound) FROM sensors SAMPLE PERIOD 0s Count the number occupied nests in each loud region of the island. 3 SELECT region, CNT(occupied) AVG(sound) FROM sensors GROUP BY region HAVING AVG(sound) > 200 SAMPLE PERIOD 0s Epoch 0 0 region North South North South CNT( ) AVG( ) Regions w/ AVG(sound) >

37 Event-based Queries ON event SELECT Run query only when interesting events happens Event examples Button pushed Message arrival Bird enters nest Analogous to triggers but events are user-defined Wired into TinyOS events 37

38 Query over Stored Data Named buffers in Flash memory Store query results in buffers Query over named buffers Analogous to materialized views Example: CREATE BUFFER name SIZE x (field type, field2 type2, ) SELECT a, a2 FROM sensors SAMPLE PERIOD d INTO name SELECT field, field2, FROM name SAMPLE PERIOD d 38

39 Extending TinyDB Why extend TinyDB? New sensors attributes New control/actuation commands New data processing logic aggregates New events Analogous to concepts in object-relational databases 39

40 TinyDB Internals 40

41 Inside TinyDB ~0 000 lines embedded C code ~ lines (PC-side) Java ~ bytes RAM (w/ 768 byte heap) ~ 58 KB compiled code 3x larger than 2 nd largest TinyOS Program 4

42 Tree-based Routing Tree-based routing Used in: Query delivery Data collection In-network aggregation Tree formation well studied ETX Metric (Woo 03, DeCuoto 03) Q:SELECT R:{ } R:{ } R:{ } Q Q E Q B D Q Q A Q Q Q Q Q Q R:{ } C F Q R:{ } 42

43 Tiny DB advanced queries aggregation and joins 43

44 Tiny Aggregation (TAG) In-network processing of aggregates Common data analysis operation Aka gather operation or reduction in programming Communication reducing Operator dependent benefit Across nodes during same epoch Exploit query semantics to improve efficiency! 44

45 Basic Aggregation In each epoch: Each node samples local sensors once Generates partial state record (PSR) local readings readings from children Outputs PSR during assigned comm. interval Interval assigned based on depth in tree Interval At end of epoch, PSR for whole network output at root New result on each successive epoch 45

46 Illustration: In-Network Aggregation SELECT COUNT(*) FROM sensors Interval 4 Sensor # Sample Period Interval # Time

47 Illustration: In-Network Aggregation SELECT COUNT(*) FROM sensors Sensor # Interval Interval #

48 Illustration: In-Network Aggregation SELECT COUNT(*) FROM sensors Sensor # Interval Interval #

49 Illustration: In-Network Aggregation SELECT COUNT(*) FROM sensors 5 Interval Sensor # Interval #

50 Illustration: In-Network Aggregation SELECT COUNT(*) FROM sensors Interval 4 Sensor # Interval #

51 Illustration: In-Network Aggregation SELECT COUNT(*) FROM sensors Interval 4 Sensor # zzz zzz zzz 2 3 Interval # zzz 5 zzz zzz zzz zzz 3 zzz zzz 2 zzz zzz zzz zzz zzz 4 5 5

52 Aggregation Framework As in extensible databases, TinyDB supports any aggregation function conforming to: Agg n ={f init, f merge, f evaluate } F init {a 0 } <a 0 > F merge {<a >,<a 2 >} <a 2 > F evaluate {<a >} Example: Average aggregate value AVG init {v} <v,> AVG merge {<S, C >, <S 2, C 2 >} < S + S 2, C + C 2 > AVG evaluate {<S, C>} S/C Restriction: Merge associative, commutative Partial State Record (PSR) 52

53 Taxonomy of Aggregates TAG insight: classify aggregates according to various functional properties Yields a general set of optimizations that can automatically be applied Property Partial State Monotonicity Exemplary vs. Summary Duplicate Sensitivity Examples MEDIAN : unbounded, MAX : record COUNT : monotonic AVG : non-monotonic MAX : exemplary COUNT: summary MIN : dup. insensitive, AVG : dup. sensitive Affects Effectiveness of TAG Hypothesis Testing, Snooping Applicability of Sampling, Effect of Loss Routing Redundancy 53

54 In-Network Join Processing (REED) Complex data filtering in sensor networks 54

55 Example Filter Query Timestamp Temp 3:05PM 74 Sensor Data X MinTS MaxTS MinTemp MaxTemp 2:00PM 2:30PM :30PM 3:00PM :00PM 3:30PM :30PM 4:00PM :00PM 4:30PM :30PM 5:00PM :00PM 5:30PM :30PM 6:00PM Join Predicate: Predicate Table TS > MinTS && TS < MaxTS && (Temp < MinTemp Temp > MaxTemp) 55

56 Naïve Join Algorithm Root 0 Main PC Controller X A B C D 2 Predicate Table X Send all tuples from data table to root; perform join at root X

57 Ideal Join Algorithm Send join table to each node At node, perform join Problem: Severe Node Memory Constraints A B C D A B C D Root 0 Main PC Controller 2 A B C D A B C D A B C D X X X A B C 6 7 A B C X X D D 57

58 REED Algorithm Cluster nodes into groups Store portion of predicate table in each group member Send sensor data tuples to every member of group Root 0 2 AAA BBB CCC DDD X X X X D

59 Group Formation Neighbor list: {, 2, 3, 4, 6} Space: Space: Space: 48 0 CurrList: {} {, {, 4} 3, 4} Potential: {, {, {, 2, 3, 3, 3, 4, 4} 4, 6} 6} 6 Choose Me! {, 3, 4} Space: 2 Broadcast: Choose Group Accepted: Me! Want to {, make 3, 4, 4} group 6} Space: 4 Neighbor list: {, 4, 6} 3 Neighbor list: {, 3, 4} Neighbor list: {, 3, 4, 6} 4 59

60 Table Distribution Group members figure out amongst themselves how the table will be divided across group Table flooded to network 60

61 Conclusions Beaucoup de travaux ces dernières années sur les flots de données Première génération de DSMS, premières vraies applications Deux projets importants de BD sur réseaux de capteurs TinyDB et Cougar Premiers prototypes, un ou deux déploiements Premiers résultats encourageants mais de nombreux problèmes restent à résoudre à l intersection de systèmes embarqués, BD, réseaux 6

62 Problèmes ouverts BD & capteurs Model-driven data acquisition Exploiter les corrélations entre les données Optimisation multi-requêtes Approche Cross-layer (e.g modèle de communication + modèle évaluation requêtes) Stockage des données sur les capteurs (cache, ) Hétérogénéité des capteurs 62

63 Problèmes ouverts BD & capteurs (2) Acquisitional Query Processing Acquisition de données généralement coûteuse Intégrer dans tout le processus d évaluation/optimisation de requêtes (e.g quand faire l acquisition, comment entrelacer sélection/acquisition efficacement) Sélectionner le sous-ensemble de nœuds permettant de résoudre une requête donnée Construction d index (range-partitionning) type P2P Balancer gain vs coût construction + maintenance index 63

64 UbiMob e Journées Francophones Mobilité et Ubiquité 5-8 septembre 2006 Conservatoire National des Arts et Métiers - Paris 3 mars mai 2006 Date limite de soumission des articles longs Date limite de soumission des articles courts, démonstrations, tutoriels et ateliers 64

65 Sources utilisées présentations de Sam Madden MIT (http://db.lcs.mit.edu/madden) 65

66 Bibliographie L. Golab & T. Ozsu, Issues in Data Stream Management. ACM SIGMOD Record, June Y. Yao, J. E. Gehrke. Query Processing in Sensor Networks. In Proceedings CIDR 2003, January 2003 S. R. Madden, M. J. Franklin, J. M. Hellerstein, and W. Hong. TAG: a Tiny AGgregation Service for Ad- Hoc Sensor Networks. OSDI, December S. R. Madden, M.J. Franklin, J.M. Hellerstein, and W. Hong. The Design of an Acquisitional Query Processor for Sensor Networks. ACM TODS 66

67 Bibliographie (2) V. Goebel, T. Plagemann. Data Stream Management Systems: Applications, Concepts and Systems, Tutorial presented at MIPS 2004 Conference, Grenoble J. Gehrke, S. Madden. Query Processing in Sensor Networks, IEEE Pervasive Computing, jan-march 2004 Michel Adiba «Données ambiantes, continues et mobiles» Tutoriel à UbiMob05 The STREAM group. Stanford Data Stream Management System, to appear 2006 (voir 67

Exercices sur SQL server 2000

Exercices sur SQL server 2000 Exercices sur SQL server 2000 La diagramme de classe : Exercices sur SQL server 2000 Le modèle relationnel correspondant : 1 Créer les tables Clic-droit on Tables et choisir «New Table» Créer la table

Plus en détail

L offre décisionnel IBM. Patrick COOLS Spécialiste Business Intelligence

L offre décisionnel IBM. Patrick COOLS Spécialiste Business Intelligence L offre décisionnel IBM Patrick COOLS Spécialiste Business Intelligence Le marché du Business Intelligence L enjeux actuel des entreprises : devenir plus «agiles» Elargir les marchés tout en maintenant

Plus en détail

Introduction aux bases de données

Introduction aux bases de données Introduction aux bases de données Références bibliographiques Jeff Ullman,Jennifer Widom, «A First Course in Database systems», Prentice-Hall, 3rd Edition, 2008 Hector Garcia-Molina, Jeff Ullman, Jennifer

Plus en détail

Fiche produit ifinance v4

Fiche produit ifinance v4 Fiche produit ifinance v4 2005-2015, Synium Software GmbH Traduction française 2003-2015, SARL Mac V.F. Philippe Bonnaure http://www.macvf.fr support@macvf.fr Version 4 du 25/06/2015 Identification du

Plus en détail

Capture the value of your IT

Capture the value of your IT Trader s S.A.S www.quick-software-line.com 01 53 10 27 50 Capture the value of your IT Think Data! En 2014 En 2015 Trader s puts your Data in Motion with Quick-SmartData!!! Quick-SmartData à l intérieur

Plus en détail

Konstantin Avrachenkov, Urtzi Ayesta, Patrick Brown and Eeva Nyberg

Konstantin Avrachenkov, Urtzi Ayesta, Patrick Brown and Eeva Nyberg Konstantin Avrachenkov, Urtzi Ayesta, Patrick Brown and Eeva Nyberg Le présent document contient des informations qui sont la propriété de France Télécom. L'acceptation de ce document par son destinataire

Plus en détail

Plan 1/9/2013. Génération et exploitation de données. CEP et applications. Flux de données et notifications. Traitement des flux Implémentation

Plan 1/9/2013. Génération et exploitation de données. CEP et applications. Flux de données et notifications. Traitement des flux Implémentation Complex Event Processing Traitement de flux de données en temps réel Romain Colle R&D Project Manager Quartet FS Plan Génération et exploitation de données CEP et applications Flux de données et notifications

Plus en détail

TP Bases de données réparties

TP Bases de données réparties page 1 TP Bases de données réparties requêtes réparties Version corrigée Auteur : Hubert Naacke, révision 5 mars 2003 Mots-clés: bases de données réparties, fragmentation, schéma de placement, lien, jointure

Plus en détail

RFID: Middleware et intégration avec le système d'information Olivier Liechti

RFID: Middleware et intégration avec le système d'information Olivier Liechti RFID: Middleware et intégration avec le système d'information Olivier Liechti Sun Microsystems, Inc. Agenda Introduction > Vision et architecture Le rôle du middleware RFID > Gestion des données > Administration

Plus en détail

Chapitre 1 Installer MySQL 5 21

Chapitre 1 Installer MySQL 5 21 Chapitre 1 Installer MySQL 5 21 1.1. Les outils nécessaires... 22 1.2. Télécharger et installer le serveur MySQL... 22 Télécharger la dernière version... 22 Lancer l installation sous Windows... 23 Lancer

Plus en détail

Conception de bases de données relationnelles

Conception de bases de données relationnelles Conception de bases de données relationnelles Langage PL/(pg)SQL Marie Szafranski 2015-2016 ensiie 1 2015-2016 ensiie 1 Aperçu de PL/(pg)SQL Aperçu de PL/(pg)SQL PL/SQL : Procedural Language for SQL (Oracle)

Plus en détail

Les bases de données

Les bases de données Les bases de données Introduction aux fonctions de tableur et logiciels ou langages spécialisés (MS-Access, Base, SQL ) Yves Roggeman Boulevard du Triomphe CP 212 B-1050 Bruxelles (Belgium) Idée intuitive

Plus en détail

DB2 10.5 BLU Acceleration Francis Arnaudiès f.arnaudies@fr.ibm.com

DB2 10.5 BLU Acceleration Francis Arnaudiès f.arnaudies@fr.ibm.com DB2 10.5 BLU Acceleration Francis Arnaudiès f.arnaudies@fr.ibm.com #solconnect13 SOLUTIONS ADAPTEES AUX BESOINS CLIENTS Mobile/Cloud Data Serving and Transaction Processing Mobile Storefront JSON Database

Plus en détail

Une version à jour de java DOIT être téléchargée, car MAC OS ne prend pas en charge la version de Java fournie par défaut.

Une version à jour de java DOIT être téléchargée, car MAC OS ne prend pas en charge la version de Java fournie par défaut. ENGLISH VERSION NEAR BOTTOM OF PAGE Aperçu de MFT Mac OS Les exigences applicables à un utilisateur de MAC avec le système MFT sont décrites ci-dessous. Par défaut, MFT sélectionne un téléchargeur standard

Plus en détail

OpenPaaS Le réseau social d'entreprise

OpenPaaS Le réseau social d'entreprise OpenPaaS Le réseau social d'entreprise Spécification des API datastore SP L2.3.1 Diffusion : Institut MinesTélécom, Télécom SudParis 1 / 12 1OpenPaaS DataBase API : ODBAPI...3 1.1Comparaison des concepts...3

Plus en détail

Optimisation des bases de données

Optimisation des bases de données Optimisation des bases de données Mise en œuvre sous Oracle Laurent Navarro Avec la contribution technique d Emmanuel Lecoester Pearson Education France a apporté le plus grand soin à la réalisation de

Plus en détail

L2 sciences et technologies, mention informatique SQL

L2 sciences et technologies, mention informatique SQL Bases de données L2 sciences et technologies, mention informatique SQL ou : le côté obscure de la jolie théorie films titre réalisateur année starwars lucas 1977 nikita besson 1990 locataires ki-duk 2005

Plus en détail

Solution d archivage

Solution d archivage Solution d archivage Storage Magazine Security Product of the Year June 06 Computer Technology Review Editor s s Choice November 05 ITPRO Editor s s Choice Jan 07 www.rise.fr 01 47 55 79 62 marketing@rise.fr

Plus en détail

SQL. Oracle. pour. 4 e édition. Christian Soutou Avec la participation d Olivier Teste

SQL. Oracle. pour. 4 e édition. Christian Soutou Avec la participation d Olivier Teste Christian Soutou Avec la participation d Olivier Teste SQL pour Oracle 4 e édition Groupe eyrolles, 2004, 2005, 2008, 2010, is BN : 978-2-212-12794-2 Partie III SQL avancé La table suivante organisée en

Plus en détail

Long Term Archiving at CNES COROT MISSION. Christophe Donny Dominique Delmas

Long Term Archiving at CNES COROT MISSION. Christophe Donny Dominique Delmas COROT MISSION Christophe Donny Dominique Delmas 49th SC Observatoire de Paris, 01/24/2014 SERAD (Service de Référencement et d Archivage de Données) - REFLECS (http://reflecs.cnes.fr/ ) Tool to inform

Plus en détail

Présentation du module Base de données spatio-temporelles

Présentation du module Base de données spatio-temporelles Présentation du module Base de données spatio-temporelles S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Partie 1 : Notion de bases de données (12,5h ) Enjeux et principes

Plus en détail

WWW - Intérêts du Web

WWW - Intérêts du Web WWW - Intérêts du Web client universel facilité d'emploi standards ouverts intégration des autres services Internet extensibilité du système faibles coûts logiciel et réseau utilisation au sein d'une entreprise

Plus en détail

Acquisition des données - Big Data. Dario VEGA Senior Sales Consultant

Acquisition des données - Big Data. Dario VEGA Senior Sales Consultant Acquisition des données - Big Data Dario VEGA Senior Sales Consultant The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated

Plus en détail

Lamia Oukid, Ounas Asfari, Fadila Bentayeb, Nadjia Benblidia, Omar Boussaid. 14 Juin 2013

Lamia Oukid, Ounas Asfari, Fadila Bentayeb, Nadjia Benblidia, Omar Boussaid. 14 Juin 2013 Cube de textes et opérateur d'agrégation basé sur un modèle vectoriel adapté Text Cube Model and aggregation operator based on an adapted vector space model Lamia Oukid, Ounas Asfari, Fadila Bentayeb,

Plus en détail

PostgreSQL. quand on est développeur. Dimitri Fontaine dimitri@2ndquadrant.fr. 31 Octobre 2012

PostgreSQL. quand on est développeur. Dimitri Fontaine dimitri@2ndquadrant.fr. 31 Octobre 2012 PostgreSQL quand on est développeur Dimitri Fontaine dimitri@2ndquadrant.fr 31 Octobre 2012 Dimitri Fontaine dimitri@2ndquadrant.fr PostgreSQL 31 Octobre 2012 1 / 29 Dimitri Fontaine 2ndQuadrant France

Plus en détail

Bus de terrain. Thèmes abordés 25.03.2015

Bus de terrain. Thèmes abordés 25.03.2015 Bus de terrain Un protocole répandu et facile à implémenter 1 Thèmes abordés Présentation Historique caractéristique de MODBUS MODBUS Implantation dans le marché Exemples d appareils, exemples de logiciels

Plus en détail

FONCTIONS DE TRAITEMENT} COUNT

FONCTIONS DE TRAITEMENT} COUNT Nom Prénom Promotion Date Buhl Damien Année 1 Groupe 2 21 Janvier 2007 CER Prosit n 22 Mots-Clés : - Requête/Langage SQL Le langage SQL (Structured Query Language) est un langage de requêtes, il permet

Plus en détail

Quick Start Guide This guide will help you install a base configuration of IBM Tivoli Key Lifecycle Manager.

Quick Start Guide This guide will help you install a base configuration of IBM Tivoli Key Lifecycle Manager. IBM Tivoli Key Lifecycle Manager Version 2.0.1 Quick Start Guide This guide will help you install a base configuration of IBM Tivoli Key Lifecycle Manager. National Language Version: To obtain the Quick

Plus en détail

C-JDBC. Emmanuel Cecchet INRIA, Projet Sardes. http://sardes.inrialpes.fr

C-JDBC. Emmanuel Cecchet INRIA, Projet Sardes. http://sardes.inrialpes.fr Emmanuel Cecchet INRIA, Projet Sardes http://sardes.inrialpes.fr Plan Motivations Idées principales Concepts Caching Perspectives /ObjectWeb 15 octobre 2002 Emmanuel.Cecchet@inrialpes.fr 2 - Motivations

Plus en détail

Bases de données avancées Introduction

Bases de données avancées Introduction Bases de données avancées Introduction Dan VODISLAV Université de Cergy-Pontoise Master Informatique M1 Cours BDA Plan Objectifs et contenu du cours Rappels BD relationnelles Bibliographie Cours BDA (UCP/M1)

Plus en détail

INTRODUCTION A SQL. http://www.lri.fr/~rigaux/bd/sql.html

INTRODUCTION A SQL. http://www.lri.fr/~rigaux/bd/sql.html 012345678901234567890123 INTRODUCTION A SQL SQL = Structured Query Language SEQUEL = Structured English as a QUEry Language standard ISO depuis 87. Avantages : implanté + ou - complètement sur principaux

Plus en détail

Une communauté de charges intelligentes pour le Smart Grid

Une communauté de charges intelligentes pour le Smart Grid Une communauté de charges intelligentes pour le Smart Grid Philippe Mabilleau ing. PhD Professeur titulaire, Département de génie électrique et de génie informatique EcoENERGY Innovation Initiative Une

Plus en détail

Module IUP3 Bases de Données Avancées. Esther Pacitti

Module IUP3 Bases de Données Avancées. Esther Pacitti Module IUP3 Bases de Données Avancées Esther Pacitti Objectifs générales du Module Réviser les principales concepts de BD relationnelle et la langage algébrique et SQL (interrogation et màj) Comprendre

Plus en détail

Modèle relationnel Création et modification des relations en SQL

Modèle relationnel Création et modification des relations en SQL Modèle relationnel Création et modification des relations en SQL ENT - Clé sql2009 BD - Mírian Halfeld-Ferrari p. 1 Insertion dans une relation Pour insérer un tuple dans une relation: insert into Sailors

Plus en détail

Bases de données documentaires et distribuées Cours NFE04

Bases de données documentaires et distribuées Cours NFE04 Bases de données documentaires et distribuées Cours NFE04 Le langage Pig latin Auteurs : Raphaël Fournier-S niehotta, Philippe Rigaux, Nicolas Travers prénom.nom@cnam.fr Département d informatique Conservatoire

Plus en détail

Introduction aux Bases de Données Relationnelles Conclusion - 1

Introduction aux Bases de Données Relationnelles Conclusion - 1 Pratique d un : MySQL Objectifs des bases de données Où en sommes nous? Finalement, qu est-ce qu un? Modèle relationnel Algèbre relationnelle Conclusion SQL Conception et rétro-conception Protection de

Plus en détail

PoWA 3 Optimisations avancées de PostgreSQL Ronan Dunklau - Julien Rouhaud

PoWA 3 Optimisations avancées de PostgreSQL Ronan Dunklau - Julien Rouhaud PoWA 3 Optimisations avancées de PostgreSQL Ronan Dunklau - Julien Rouhaud Dalibo - www.dalibo.org 24 septembre 2015 - PostgreSQL Session #7 [ 1 / 43 ] License Create Commons BY-NC-SA Vous êtes libre de

Plus en détail

Gestion des données des occupations et compositions des trains au sein de la SNCB Mobility.

Gestion des données des occupations et compositions des trains au sein de la SNCB Mobility. Mohammed Yousfi Gestion des données des occupations et compositions des trains au sein de la SNCB Mobility. Destination mieux NOTRE ENTREPRISE La SNCB (exploitant du trafic ferroviaire) fait partie du

Plus en détail

NOTICE D UTILISATION Option USB 2-Ports USB FRANCAIS

NOTICE D UTILISATION Option USB 2-Ports USB FRANCAIS NOTICE D UTILISATION Option USB 2-Ports USB FRANCAIS Introduction Ce supplément vous informe de l utilisation de la fonction USB qui a été installée sur votre table de mixage. Disponible avec 2 ports USB

Plus en détail

Performances. Gestion des serveurs (2/2) Clustering. Grid Computing

Performances. Gestion des serveurs (2/2) Clustering. Grid Computing Présentation d Oracle 10g Chapitre VII Présentation d ORACLE 10g 7.1 Nouvelles fonctionnalités 7.2 Architecture d Oracle 10g 7.3 Outils annexes 7.4 Conclusions 7.1 Nouvelles fonctionnalités Gestion des

Plus en détail

ISC21-1 --- Système d Information Architecture et Administration d un SGBD Compléments SQL

ISC21-1 --- Système d Information Architecture et Administration d un SGBD Compléments SQL ISC21-1 --- Système d Information Architecture et Administration d un SGBD Compléments SQL Jean-Marie Pécatte jean-marie.pecatte@iut-tlse3.fr 16 novembre 2006 ISIS - Jean-Marie PECATTE 1 Valeur de clé

Plus en détail

Evaluation des requêtes dépendantes de la localisation dans un environnement mobile

Evaluation des requêtes dépendantes de la localisation dans un environnement mobile Evaluation des requêtes dépendantes de la localisation dans un environnement mobile Marie Thilliez : Marie.Thilliez@univ-valenciennes.fr Equipe SID du laboratoire LAMIH Groupe de travail GT Sphere le 14

Plus en détail

Surveillance de Scripts LUA et de réception d EVENT. avec LoriotPro Extended & Broadcast Edition

Surveillance de Scripts LUA et de réception d EVENT. avec LoriotPro Extended & Broadcast Edition Surveillance de Scripts LUA et de réception d EVENT avec LoriotPro Extended & Broadcast Edition L objectif de ce document est de présenter une solution de surveillance de processus LUA au sein de la solution

Plus en détail

Bases de données et sites WEB

Bases de données et sites WEB Bases de données et sites WEB Cours2 : Sécurité et contrôles d accès Anne Doucet 1 Authentification Autorisation Privilèges Rôles Profils Limitations de ressources Plan Audit Contrôle d accès via les vues

Plus en détail

et contrôle de topologie dans les Support de la qualité de service réseaux mobiles ad hoc rabah.meraihi@enst.fr GET / Télécom Paris Rabah Meraihi

et contrôle de topologie dans les Support de la qualité de service réseaux mobiles ad hoc rabah.meraihi@enst.fr GET / Télécom Paris Rabah Meraihi Support de la qualité de service et contrôle de topologie dans les réseaux mobiles ad hoc Rabah Meraihi GET / Télécom Paris rabah.meraihi@enst.fr Rabah Meraihi 1 Plan 1. Introduction et contexte 2. Qualité

Plus en détail

Oracle Learning Library Tutoriel Database 12c Installer le logiciel Oracle Database et créer une Database

Oracle Learning Library Tutoriel Database 12c Installer le logiciel Oracle Database et créer une Database Installer le logiciel Oracle Database et créer une Database Présentation Objectif Ce tutoriel montre comment utiliser Oracle Universal Installer (OUI) pour installer le logiciel Oracle Database 12c et

Plus en détail

//////////////////////////////////////////////////////////////////// Administration bases de données

//////////////////////////////////////////////////////////////////// Administration bases de données ////////////////////// Administration bases de données / INTRODUCTION Système d informations Un système d'information (SI) est un ensemble organisé de ressources (matériels, logiciels, personnel, données

Plus en détail

Système adaptatif d aide à la génération de requêtes de médiation

Système adaptatif d aide à la génération de requêtes de médiation Système adaptatif d aide à la génération de requêtes de médiation Dimitre Kostadinov Verónika Peralta Assia Soukane Xiaohui Xue Laboratoire PRiSM, Université de Versailles 45 avenue des Etats-Unis 78035

Plus en détail

HSCS 6.4 : mieux appréhender la gestion du stockage en environnement VMware et service de fichiers HNAS Laurent Bartoletti Product Marketing Manager

HSCS 6.4 : mieux appréhender la gestion du stockage en environnement VMware et service de fichiers HNAS Laurent Bartoletti Product Marketing Manager HSCS 6.4 : mieux appréhender la gestion du stockage en environnement VMware et service de fichiers HNAS Laurent Bartoletti Product Marketing Manager Hitachi Storage Command Suite Portfolio SAN Assets &

Plus en détail

Bases de données cours 1

Bases de données cours 1 Bases de données cours 1 Introduction Catalin Dima Objectifs du cours Modèle relationnel et logique des bases de données. Langage SQL. Conception de bases de données. SQL et PHP. Cours essentiel pour votre

Plus en détail

StruxureWare Power Monitoring v7.0. La nouvelle génération en matière de logiciel de gestion complète d énergie

StruxureWare Power Monitoring v7.0. La nouvelle génération en matière de logiciel de gestion complète d énergie StruxureWare Power Monitoring v7.0 La nouvelle génération en matière de logiciel de gestion complète d énergie Évolution des deux plate-formes originales Power Monitoring v7.0 SMS ION Enterprise 2012 Struxureware

Plus en détail

CONTRAT D ETUDES - LEARNING AGREEMENT

CONTRAT D ETUDES - LEARNING AGREEMENT CONTRAT D ETUDES - LEARNING AGREEMENT Règles générales La présence aux séances d enseignement des modules choisis est obligatoire. Chaque module comporte des séances de travail encadrées et non encadrées

Plus en détail

Oracle Database 10g: Les fondamentaux du langage SQL I

Oracle Database 10g: Les fondamentaux du langage SQL I Oracle University Appelez-nous: +33 (0) 1 57 60 20 81 Oracle Database 10g: Les fondamentaux du langage SQL I Durée: 3 Jours Description Ce cours offre aux étudiants une introduction à la technologie de

Plus en détail

Sun ONE Application Server Platform Summary

Sun ONE Application Server Platform Summary Sun ONE Application Server Platform Summary Version 7, Update 3 Part Number 817-5602-10 February 2004 This document provides the specifics on supported platform components for the Sun Open Net Environment

Plus en détail

du batch au temps réel Maxime Mézin Data & Photo Science Director

du batch au temps réel Maxime Mézin Data & Photo Science Director du batch au temps réel Maxime Mézin Data & Photo Science Director Leader Européen du tirage et du livre photo Plus 30 millions de membres 17 pays Stockage de milliards de photos Développement international

Plus en détail

Formation à l utilisation des Systèmes de Gestion de Bases de Données Relationnelles. organisée avec la collaboration du

Formation à l utilisation des Systèmes de Gestion de Bases de Données Relationnelles. organisée avec la collaboration du Proyecto FAO COPEMED Universidad de Alicante Ramón y Cajal, 4 03001 - Alicante, España GCP/REM/057/SPA Web : www.fao.org/fi/copemed Tel : +34 96 514 59 79 Fax : +34 96 514 59 78 Email : copemed@ua.es Formation

Plus en détail

Objectifs. Maîtriser. Pratiquer

Objectifs. Maîtriser. Pratiquer 1 Bases de Données Objectifs Maîtriser les concepts d un SGBD relationnel Les modèles de représentations de données Les modèles de représentations de données La conception d une base de données Pratiquer

Plus en détail

Plan. Department of Informatics

Plan. Department of Informatics Plan 1. Application Servers 2. Servlets, JSP, JDBC 3. J2EE: Vue d ensemble 4. Distributed Programming 5. Enterprise JavaBeans 6. Enterprise JavaBeans: Special Topics 7. Prise de recul critique Enterprise

Plus en détail

Cours Bases de données 2ème année IUT

Cours Bases de données 2ème année IUT Cours Bases de données 2ème année IUT Cours 5 : PL/SQL : ou comment faire plus avec ORACLE 3ème partie Anne Vilnat http://www.limsi.fr/individu/anne/cours Plan 1 Curseurs et mise à jour 2 Paquetages Definition

Plus en détail

Séminaire Cloud Computing

Séminaire Cloud Computing Séminaire Cloud Computing Stéphane Mouton SST Department manager Faculté Polytechnique / UMons Mons, 15/03/2016 Centre d Excellence en Technologies de l Information et de la Communication Plan Une définition?

Plus en détail

Introduction aux bases de données

Introduction aux bases de données Introduction aux bases de données BD4 SB, FC, & N G d R Licence MIASHS, Master ISIFAR, Paris-Diderot Janvier 2015 BD4 (Licence MIASHS, Master ISIFAR, Paris-Diderot) Introduction aux bases de données 1/10

Plus en détail

MapReduce. Malo Jaffré, Pablo Rauzy. 16 avril 2010 ENS. Malo Jaffré, Pablo Rauzy (ENS) MapReduce 16 avril 2010 1 / 15

MapReduce. Malo Jaffré, Pablo Rauzy. 16 avril 2010 ENS. Malo Jaffré, Pablo Rauzy (ENS) MapReduce 16 avril 2010 1 / 15 MapReduce Malo Jaffré, Pablo Rauzy ENS 16 avril 2010 Malo Jaffré, Pablo Rauzy (ENS) MapReduce 16 avril 2010 1 / 15 Qu est ce que c est? Conceptuellement Données MapReduce est un framework de calcul distribué

Plus en détail

Présentation Windows Azure Hadoop Big Data - BI

Présentation Windows Azure Hadoop Big Data - BI Présentation Windows Azure Hadoop Big Data - BI Sommaire 1. Architecture Hadoop dans Windows Azure... 3 2. Requête Hive avec Hadoop dans Windows Azure... 4 3. Cas d études... 5 3.1 Vue : Administrateur...

Plus en détail

4. Utilisation d un SGBD : le langage SQL. 5. Normalisation

4. Utilisation d un SGBD : le langage SQL. 5. Normalisation Base de données S. Lèbre slebre@unistra.fr Université de Strasbourg, département d informatique. Présentation du module Contenu général Notion de bases de données Fondements / Conception Utilisation :

Plus en détail

L optimiser ORACLE. L optimiser ORACLE suit une approche classique:

L optimiser ORACLE. L optimiser ORACLE suit une approche classique: L optimiser ORACLE L optimiser ORACLE suit une approche classique: Génération de plusieurs plans d exécution. Estimation du coût de chaque plan généré. Choix du meilleur et exécution. Tout ceci est automatique,

Plus en détail

dev ops day 2015 DevOps

dev ops day 2015 DevOps 2015 day DevOps agile & DevOps services lead Samuel Metias #DevOpsDay «Every company will be a DevOps company» @smetias Linkedin.com/in/smetias samuel.metias@microsoft.com introduction Ils pratiquent déjà

Plus en détail

Laboratoire 3 Optimisation de requêtes et analyse de la performance. 1 Introduction. Tâche 1 : Évaluation et optimisation de requêtes

Laboratoire 3 Optimisation de requêtes et analyse de la performance. 1 Introduction. Tâche 1 : Évaluation et optimisation de requêtes DÉPARTEMENT DE GÉNIE LOGICIEL ET DES TI LOG660 - BASE DE DONNÉES HAUTE PERFORMANCE Laboratoire 3 Optimisation de requêtes et analyse de la performance 1 Introduction L objectif de ce troisième laboratoire

Plus en détail

Monday, December 2 nd 2013. Formation Galaxy

Monday, December 2 nd 2013. Formation Galaxy Formation Galaxy Lundi, 10 Février 2014 This training has not for objectives to introduce every Galaxy tool individually or to build a workflow to process your own data. Objectives: To provide a first

Plus en détail

REAL APPLICATION CLUSTERS

REAL APPLICATION CLUSTERS Oracle upg adm 9i Claude DA COSTA Chap 11 Scalable Real Appli Clusters Page 1/10 REAL APPLICATION CLUSTERS Cash Fusion Shared server_side initialization parameter Oracle upg adm 9i Claude DA COSTA Chap

Plus en détail

Introduction aux S.G.B.D.

Introduction aux S.G.B.D. NFE113 Administration et configuration des bases de données - 2010 Introduction aux S.G.B.D. Eric Boniface Sommaire L origine La gestion de fichiers Les S.G.B.D. : définition, principes et architecture

Plus en détail

Cours Bases de données

Cours Bases de données Informations sur le cours Cours Bases de données 9 (10) séances de 3h Polycopié (Cours + TD/TP) 3 année (MISI) Antoine Cornuéjols www.lri.fr/~antoine antoine.cornuejols@agroparistech.fr Transparents Disponibles

Plus en détail

Instructions pour mettre à jour un HFFv2 v1.x.yy v2.0.00

Instructions pour mettre à jour un HFFv2 v1.x.yy v2.0.00 Instructions pour mettre à jour un HFFv2 v1.x.yy v2.0.00 HFFv2 1. OBJET L accroissement de la taille de code sur la version 2.0.00 a nécessité une évolution du mapping de la flash. La conséquence de ce

Plus en détail

Raising the efficiency gains of industry by ICT means

Raising the efficiency gains of industry by ICT means Raising the efficiency gains of industry by ICT means 1/44 E-Government Consortium Thales IS ATG 2/44 ICT gains are similar for governments Industry Gains Government Gains Revenue Growth Expand government

Plus en détail

Gestion de la configuration et contrôle du code source

Gestion de la configuration et contrôle du code source MGL7460 Automne 2015 Gestion de la configuration et contrôle du code source Guy Tremblay Professeur Département d informatique UQAM http://www.labunix.uqam.ca/~tremblay 10 septembre 2015 Parmi les premières

Plus en détail

BASES DE DONNÉES AVANCÉES

BASES DE DONNÉES AVANCÉES L3 Informatique Option : ISIL BASES DE DONNÉES AVANCÉES RAMDANI MED U-BOUIRA M. R A M D A N I @ U N I V - B O U I R A. D Z P E R S O. L I V E H O S T. F R Cours 5 : Evaluation et optimisation des requêtes

Plus en détail

Introduction aux applications réparties

Introduction aux applications réparties Introduction aux applications réparties Noël De Palma Projet SARDES INRIA Rhône-Alpes http://sardes.inrialpes.fr/~depalma Noel.depalma@inrialpes.fr Applications réparties Def : Application s exécutant

Plus en détail

BD réparties. Bases de Données Réparties. SGBD réparti. Paramètres à considérer

BD réparties. Bases de Données Réparties. SGBD réparti. Paramètres à considérer Bases de Données Réparties Définition Architectures Outils d interface SGBD Réplication SGBD répartis hétérogènes BD réparties Principe : BD locales, accès locaux rapides accès aux autres SGBD du réseau

Plus en détail

3 - Administration de BD SQL. Chapitre III. Administration des BD SQL. Actions possibles. Composants ORACLE. Chapitre 3 : Administration des BD SQL 1

3 - Administration de BD SQL. Chapitre III. Administration des BD SQL. Actions possibles. Composants ORACLE. Chapitre 3 : Administration des BD SQL 1 3 - Administration de BD SQL Chapitre III Administration des BD SQL 3.1 Création de BD 3.2 Gestion des utilisateurs 3.3 Administration des transactions 3.4 Accès à une BD distante 3.5 Conclusions Composants

Plus en détail

et Active Directory Ajout, modification et suppression de comptes, extraction d adresses pour les listes de diffusion

et Active Directory Ajout, modification et suppression de comptes, extraction d adresses pour les listes de diffusion et Active Directory Ajout, modification et suppression de comptes, extraction d adresses pour les listes de diffusion Copyright 2009 Alt-N Technologies. 3 allée de la Crabette Sommaire Résumé... 3 MDaemon

Plus en détail

PACK VIDEO SURVEILLANCE SUPER HAD

PACK VIDEO SURVEILLANCE SUPER HAD 4 Cameras HAD SONY CCTV / 1 DVR Numérique professionnel Infrarouge Antivandalisme Waterproof 1 4 Système de vidéo surveillance idéal pour les particuliers et professionnels ayant un petit budget pour une

Plus en détail

Bases de données. c Olivier Caron. Bureau F-016 Olivier.Caron@polytech-lille.fr

Bases de données. c Olivier Caron. Bureau F-016 Olivier.Caron@polytech-lille.fr Bases de données Bureau F-016 Olivier.Caron@polytech-lille.fr 1 Système d information et bases de données Une formation sur 3 ans! Système d information Analyse, conception Bases de données structuration,

Plus en détail

Architecture de la grille

Architecture de la grille 1 2 Diversité des applications et des utilisateurs (profile, nombre,...) supposent des solutions différentes architectures différentes avec des services communs Services de base authentification: établir

Plus en détail

Les Triggers SQL. Didier DONSEZ. Université de Valenciennes Institut des Sciences et Techniques de Valenciennes donsez@univ-valenciennes.

Les Triggers SQL. Didier DONSEZ. Université de Valenciennes Institut des Sciences et Techniques de Valenciennes donsez@univ-valenciennes. Les Triggers SQL Didier DONSEZ Université de Valenciennes Institut des Sciences et Techniques de Valenciennes donsez@univ-valenciennes.fr 1 Sommaire Motivations Trigger Ordre Trigger Ligne Condition Trigger

Plus en détail

Enterprise Manager Grid Control La prise en main des infrastructures techniques et applicatives

Enterprise Manager Grid Control La prise en main des infrastructures techniques et applicatives Enterprise Manager Grid Control La prise en main des infrastructures techniques et applicatives Albert Amar Consultant avant-vente Agenda Enterprise Manager Introduction Weblogic

Plus en détail

Vulnérabilités logicielles Injection SQL. Chamseddine Talhi École de technologie supérieure (ÉTS) Dép. Génie logiciel et des TI

Vulnérabilités logicielles Injection SQL. Chamseddine Talhi École de technologie supérieure (ÉTS) Dép. Génie logiciel et des TI Vulnérabilités logicielles Injection SQL Chamseddine Talhi École de technologie supérieure (ÉTS) Dép. Génie logiciel et des TI 1 Plan SQL Injection SQL Injections SQL standards Injections SQL de requêtes

Plus en détail

VTP. LAN Switching and Wireless Chapitre 4

VTP. LAN Switching and Wireless Chapitre 4 VTP LAN Switching and Wireless Chapitre 4 ITE I Chapter 6 2006 Cisco Systems, Inc. All rights reserved. Cisco Public 1 Pourquoi VTP? Le défi de la gestion VLAN La complexité de gestion des VLANs et des

Plus en détail

Le langage SQL (deuxième partie) c Olivier Caron

Le langage SQL (deuxième partie) c Olivier Caron Le langage SQL (deuxième partie) 1 Les requêtes de consultation Représente la majorité des requêtes 1 Les requêtes de consultation Représente la majorité des requêtes Encapsule complètement l algèbre relationnel

Plus en détail

Session S12 Les bases de l optimisation SQL avec DB2 for i

Session S12 Les bases de l optimisation SQL avec DB2 for i Session S12 Les bases de l optimisation SQL avec DB2 for i C. GRIERE cgriere@fr.ibm.com STG Lab Services IBM i Avril 2012 Les fleurs et les requêtes SQL Lorsque l on veut planter de nouvelles fleurs dans

Plus en détail

Techniques d optimisation standard des requêtes

Techniques d optimisation standard des requêtes 6 Techniques d optimisation standard des requêtes L optimisation du SQL est un point très délicat car elle nécessite de pouvoir modifier l applicatif en veillant à ne pas introduire de bogues. 6.1 Réécriture

Plus en détail

Testing : A Roadmap. Mary Jean Harrold. Présentation de Olivier Tissot

Testing : A Roadmap. Mary Jean Harrold. Présentation de Olivier Tissot Testing : A Roadmap Mary Jean Harrold Présentation de Olivier Tissot Testing : A Roadmap I. L auteur II. Introduction sur les test : les enjeux, la problématique III. Les tests : roadmap IV. Conclusion

Plus en détail

Web dynamique. Techniques, outils, applications. (Partie C)

Web dynamique. Techniques, outils, applications. (Partie C) Web dynamique Techniques, outils, applications (Partie C) Nadir Boussoukaia - 2006 1 SOMMAIRE 1. MySQL et PHP (20 min) 2. SQL (petits rappels) (20 min) 2 MySQL et PHP Synthèse 3 MySQL et PHP SGBD MySQL

Plus en détail

Sniffing et analyse de paquets

Sniffing et analyse de paquets 1 Outils Sniffing et analyse de paquets Analyser : http://analyzer.polito.it/install/default.htm RASPPPoE : http://user.cs.tu-berlin.de/~normanb/ 2 Prérequis DSLAM (Digital Subscriber Line Multiplexer)

Plus en détail

attribut = champ = colonne

attribut = champ = colonne Table d attributs attribut = champ = colonne ligne enregistrement individu 1 3 2 Table d attributs : 2 types Table d attributs d une couche spatiale Lien entre chacune des lignes et son entité géométrique

Plus en détail

Cours 3 : Flot de concep6on et FPGA. Flot de concep6on. La synthèse 22/02/09. Architecture 2 Ensimag. Entrée : Descrip6on du circuit.

Cours 3 : Flot de concep6on et FPGA. Flot de concep6on. La synthèse 22/02/09. Architecture 2 Ensimag. Entrée : Descrip6on du circuit. Cours 3 : Flot de concep6on et FPGA Architecture 2 Ensimag Flot de concep6on Source : Spartan 3 Genera0on FPGA User Guide La synthèse Entrée : Descrip6on du circuit Schéma Langage de descrip6on (exemple

Plus en détail

Systèmes de Fichiers

Systèmes de Fichiers Systèmes de Fichiers Hachage et Arbres B Serge Abiteboul INRIA February 28, 2008 Serge Abiteboul (INRIA) Systèmes de Fichiers February 28, 2008 1 / 26 Systèmes de fichiers et SGBD Introduction Hiérarchie

Plus en détail

SQL Server 2012 - SQL, Transact SQL Conception et réalisation d'une base de données

SQL Server 2012 - SQL, Transact SQL Conception et réalisation d'une base de données Le modèle relationnel 1. Introduction 9 2. Rappels sur le stockage des données 9 2.1 Les différentes catégories de données 10 2.1.1 Les données de base 10 2.1.2 Les données de mouvement 10 2.1.3 Les données

Plus en détail

Design and Implementation of an Efficient Data Stream Processing System

Design and Implementation of an Efficient Data Stream Processing System Design and Implementation of an Efficient Data Stream Processing System THÈSE N O 4611 (2010) PRÉSENTÉE LE 29 MARS 2010 À LA FACULTÉ INFORMATIQUE ET COMMUNICATIONS LABORATOIRE DE SYSTÈMES D'INFORMATION

Plus en détail

Les requêtes de consultation. Ex. bibliothèque état de la base. Ex. bibliothèque état de la base. Consultation simple d'une table

Les requêtes de consultation. Ex. bibliothèque état de la base. Ex. bibliothèque état de la base. Consultation simple d'une table Les requêtes de consultation Représente la ma jorité des requêtes SQL (Deuxième partie) Walter RUDAMETKIN Bureau F011 Walter.Rudametkin@polytech-lille.fr Encapsule complètement l'algèbre relationnel Une

Plus en détail