David Broneske

Dr.-Ing. David Broneske

Institut für Technische und Betriebliche Informationssysteme (ITI)
AG Datenbanken & Software Engineering
Universitätsplatz 2, 39106, Magdeburg,
Projekte

Aktuelle Projekte

Eine allgemeine Speicher-Engine für moderne Speicherhierarchien
Laufzeit: 01.10.2022 bis 30.09.2025

Die wissenschaftliche Forschung wird zunehmend von datenintensiven Problemen bestimmt. Da die Komplexität der untersuchten Probleme zunimmt, steigt auch der Bedarf an hohem Datendurchsatz und -kapazität. Das weltweit produzierte Datenvolumen verdoppelt sich etwa alle zwei Jahre, was zu einer exponentiellen Datenflut führt. Diese Datenflut stellt eine direkte Herausforderung für Datenbankmanagementsysteme und Dateisysteme dar, die die Grundlage für eine effiziente Datenanalyse und -verwaltung bilden. Diese Systeme verwenden verschiedene Speichergeräte, die traditionell in Primär-, Sekundär- und Tertiärspeicher unterteilt waren. Mit der Einführung der disruptiven Technologie des nichtflüchtigen Arbeitsspeichers (NVRAM) begannen diese Klassen jedoch miteinander zu verschmelzen, was zu heterogenen Speicherarchitekturen führte, bei denen jedes Speichergerät sehr unterschiedliche Leistungsmerkmale aufweist (z. B. Persistenz, Speicherkapazität, Latenz). Eine große Herausforderung ist daher die Ausnutzung der spezifischen Leistungscharakteristika dieser Speichergeräte.
Zu diesem Zweck wird SMASH die Vorteile einer gemeinsamen Speicher-Engine untersuchen, die eine heterogene Speicherlandschaft verwaltet, einschließlich herkömmlicher Speichergeräte und nichtflüchtiger Speichertechnologien. Das Herzstück dieser Speicher-Engine werden B-epsilon-Bäume sein, da diese zur effizienten Nutzung dieser unterschiedlichen Geräte verwendet werden können. Darüber hinaus werden Strategien zur Datenplatzierung und -migration untersucht, um den durch die Übertragung von Daten zwischen verschiedenen Geräten verursachten Overhead zu minimieren. Durch den Wegfall der Notwendigkeit flüchtiger Caches kann die Datenkonsistenz besser sichergestellt werden. Auf der Anwendungsseite wird die Speicher-Engine Key-Value- und Objekt-Schnittstellen bieten, die für eine Vielzahl von Anwendungsfällen genutzt werden können, zum Beispiel für das Hochleistungsrechnen (HPC) und für Datenbankmanagementsysteme. Aufgrund der immer größer werdenden Kluft zwischen der Leistung von Rechen- und Speichergeräten sowie deren stagnierender Zugriffsleistung sind außerdem Techniken zur Datenreduzierung sehr gefragt, um den Bandbreitenbedarf beim Speichern und Abrufen von Daten zu verringern. Wir werden daher Forschungsarbeiten zu Datentransformationen im Allgemeinen und zu den Möglichkeiten externer und beschleunigter Transformationen durchführen. Übliche HPC-Workflows werden durch die Integration von SMASH in das bestehende JULEA-Storage-Framework unterstützt, während Datenbanksysteme die Schnittstelle von SMASH direkt nutzen können, um Daten zu speichern oder abzurufen.

Projekt im Forschungsportal ansehen

Abgeschlossene Projekte

ADAMANT-II: Adaptive Data Management in Evolving Heterogeneous Hardware/Software Systems
Laufzeit: 01.01.2021 bis 31.12.2023

Heterogene Systemarchitekturen bestehend aus CPUs, GPUs und FPGAs bieten vielfältige Optimierungsmöglichkeiten im Vergleich zu rein CPU-basierten Systemen. Zur vollständigen Ausnutzung dieses Optimierungspotenzials reicht es jedoch nicht, bestehende Softwarekonzepte unverändert auf nicht-von-Neumann-Architekturen wie beispielsweise FPGAs zu übertragen. Vielmehr erfordern die zusätzlichen Verarbeitungsmöglichkeiten dieser Architekturen den Entwurf neuartiger Verarbeitungskonzepte. Dies ist bereits in der Planung der Anfrageverarbeitung zu berücksichtigen. In der ersten Projektphase entwickelten wir hierfür bereits ein erstes Konzept, welches die gerätespezifischen Merkmale in unserer Plug’n’Play Architektur berücksichtigt. Allerdings sehen wir die Notwendigkeit zu dessen Weiterentwicklung, um eine noch bessere Ausnutzung der spezifischen Eigenschaften der Hardwarearchitekturen zu erreichen. Für die zweite Projektphase stellen wir daher die Hypothese auf, dass bekannte Verfahren zur Abbildung von Anfragen auf der Ebene einzelner Operatoren nicht ausreichen sind, um die erweiterten Verarbeitungsmöglichkeiten heterogener Systemarchitekturen auszunutzen.
Unser Ziel ist daher die Erforschung neuartiger Verarbeitungskonzepte und Verfahren zur Abbildung von Anfragen für heterogene Systeme, welche von der üblicherweise verwendeten Granularität auf Ebene einzelner Operatoren abweichen. Wir werden Verarbeitungseinheiten entwickeln, die eine größere Funktionalität als einzelne Operatoren bereitstellen und sich über mehrere Geräte hinweg erstrecken. Diese Verarbeitungseinheiten sind in sich heterogen und kombinieren die spezifischen Eigenschaften einzelner Architekturen. Im Ergebnis ermöglicht unsere heterogene Systemarchitektur das Bereitstellen von Datenbankoperationen und Funktionen, die in klassischen Datenbanksystemen nicht verfügbar oder nicht effizient realisierbar sind.
Zu Demonstrationszwecken haben wir drei Anwendungsfälle identifiziert, welche von heterogenen Systemarchitekturen stark profitieren können: Verarbeitung von Datenströmen mit hohem Aufkommen, approximative Anfrageverarbeitung und dynamische Multianfrageverarbeitung. Hochvolumige Datenströme erfordern eine Hardwarearchitektur, die eine Verarbeitung der Daten ohne vorherige Zwischenspeicherung ermöglicht. Dafür stellen FPGAs eine vielversprechende Plattform durch ihr datenstrombasiertes Verarbeitungsprinzip dar. Darüber hinaus eignen sich sowohl FPGAs als auch GPUs für approximierende Anfragenverarbeitungen, da sie arithmetische Operationen mit reduzierter Genauigkeit und die Realisierung von approximativen, hardwarebeschleunigten Samplingtechniken ermöglichen. Die dynamische Multianfrageverarbeitung ist aus Systemsicht sehr anspruchsvoll, da variable Systemlasten die Effizienz zuvor aufgestellter Anfragepläne reduzieren können. Hier ermöglichen die zahlreichen Parallelitätsebenen in heterogenen Systemen eine bessere Verteilung der Systemlasten.

Projekt im Forschungsportal ansehen

Digitales Programmieren im Team - Adaptive Unterstützung für kollaboratives Lernen
Laufzeit: 01.03.2020 bis 28.02.2023

Das kollaborative Programmieren ist Kernbestandteil des beruflichen Alltags in der Informatik. Diese auf einer technischen und sozialen Ebene komplexen Vorgänge werden im Informatikstudium oftmals abstrakt behandelt und spielen in Fachkonzepten zum Programmierenlernen eine untergeordnete Rolle. Im Rahmen von Gruppenarbeiten müssen sich die Lernenden organisieren, koordinieren und ihre Lernprozesse regulieren - kognitiv anspruchsvolle Tätigkeiten. Um das Potential kollaborativer Lernformen für das Erlernen von Programmiersprachen und die Förderung sozialer Kompetenzen ausschöpfen zu können, müssen die Lernenden bei Bedarf didaktische Unterstützung erhalten, sowohl vor dem als auch während des Lernprozesses. Im Teilprojekt DiP-iT-OVGU werden wir - unterstützt durch die Projektpartner - auf der Basis empirischer Studien ein digitales Fachkonzept zum kollaborativen Programmierenlernen entwickeln und evaluieren, welches diesbezügliche (medien-)didaktische Ansätze enthält. Dabei zielen wir auf die Ermöglichung des Transfers an andere Hochschulen. Auf informationstechnischer Ebene wird hierfür ein Prozessmodell entwickelt, das die Nachnutzbarkeit von Forschungsdaten und die Übertragbarkeit von Datenmodellen (z.B. zur adaptiven didaktischen Unterstützung) in andere Lehrveranstaltungen bzw. Lehr-Lernsysteme ermöglicht. Das Teilprojekt ordnet sich in das Gesamtprojekt mit folgenden Zielstellungen ein:

  • Analyse und Systematisierung von Einstellungen und Vorerfahrungen bei den Akteuren,
  • Entwicklung konzeptioneller, mediendidaktischer Kriterien für die Einbindung kollaborativen Programmierenlernens in Lehrveranstaltungen,
  • Entwicklung geeigneter Lehr-Lern-Szenarien und Erstellung eines diesbezüglichen digitalen Fachkonzepts,
  • empirische Fundierung durch formative und summative Evaluation,
  • Untersuchung der Effektivität von Formen der instruktionalen Anleitung angelehnt an die Bedarfe der Lernenden,
  • Unterstützung des Transfers der Erkenntnisse, inhaltlich und technisch.

Projekt im Forschungsportal ansehen

Query Acceleration Techniques in Co-Processor-Accelerated Main-memory Database Systems
Laufzeit: 31.08.2019 bis 31.03.2022

Das Projekt adressiert den aktuellen Schwerpunkt von Analysen in Hauptspeicherdatenbanken auf moderner Hardware: Heterogenität der Prozessoren und deren Einbindung in die Anfrageverarbeitung. Aufgrund der Vielzahl von Optimierungen und Varianten von Algorithmen und unbegrenzte Anzahl an Anwendungsfällen, ist das Erstellen des perfekten Anfrageplanes nahezu unmöglich.
Ziel der Habilitation ist es, (1) einen umfassenden Katalog von vielversprechenden Algorithmenvarianten aufzustellen, (2) eine optimale Auswahl der Varianten im Zuge der übergeordneten Anfrageoptimierung zu erlangen, (3) als auch Lastverteilung im Co-Prozessorbeschleunigten System zu erreichen.

  1. Der Variantenkatalog umfasst als weitere Dimensionen sowohl die Ausführung auf den spaltenorientierten Daten, als auch unter Nutzung von speziellen Indexstrukturen und beinhaltet unterschiedliche Ergebnisrepräsentationen. Aus allen möglichen Dimension wird dann eine Abstraktionsschicht entwickelt, sodass ein Algorithmus unabhängig von dessen Optimierungen definiert werden kann. Dadurch soll jede Variante effizient, mit wenig redundantem Code generiert und ausgeführt werden können.
  2. Aufgrund des enormen Variantenraumes bestehend aus den Dimensionen der Varianten inklusive dem Einfluss der ausführenden Prozessoren ist die Wahl einer auszuführenden Variante nicht trivial. Ziel ist es hier lern-basierte Methoden in Hinblick auf die Eignung zur Algorithmenauswahl gegenüber zu stellen, um valide Entscheidungen zu treffen. Die zu treffenden Entscheidungen sollen des Weiteren auch ausgeweitet werden auf das Erstellen von Indexen als auch der Datenverteilung in Ziel (3).
  3. Die Lastenverteilung in Co-Prozessorbeschleunigten Systemen wird durch den Grad der Parallelisierung beeinflusst. Dieser Grad teilt sich in mehrere Dimensionen, da Datenbankoperationen in kleinere Funktionseinheiten (sog. Primitive) aufteilen können. Diese Primitive können entweder auf dem ganzen Datenbestand laufen oder partitioniert ausgeführt werden. All diese Optimierungspotentiale (unterschiedliche Granularitätsstufen und Partitionierungsgrößen) müssen analysiert und optimal gewählt werden, um unter der gegebenen und zukünftigen Anfragelast eine angemessene Performanz zu ermöglichen. Ziel ist es, ein Modell lernen zu lassen, um optimale Verteilungen und optimierte Pläne zu erstellen. Wichtig ist hierbei, dass das Modell auch Rückschlüsse auf dessen Entscheidungen zulässt, um eine Generalisierbarkeit zu erreichen.

Projekt im Forschungsportal ansehen

On the Impact of Hardware on Relational Query Processing
Laufzeit: 01.09.2013 bis 31.08.2018

Satisfying the performance needs of tomorrow typically implies using modern processor capabilities (such as single instruction, multiple data) and co-processors (such as graphics processing units) to accelerate database operations. Algorithms are typically hand-tuned to the underlying (co-)processors. This solution is error-prone, introduces high implementation and maintenance cost and is not portable to other (co-)processors. To this end, we argue for a combination of database research with modern software-engineering approaches, such as feature-oriented software development (FOSD). Thus, the goal of this project is to generate optimized database algorithms tailored to the underlying (co-)processors from a common code base. With this, we maximize performance while minimizing implementation and maintenance effort in databases on new hardware. Project milestones: 

  • Creating a feature model: Arising from heterogeneous processor capabilities, promising capabilities have to be identified and structured to develop a comprehensive feature model. This includes fine-grained features that exploit the processor capabilities of each device.
  • Annotative vs. compositional FOSD approaches: Both approaches have known benefits and drawbacks. To have a suitable mechanism to construct hardware-tailored database algorithms using FOSD, we have to evaluate which of these two approaches is the best for our scenario.
  • Mapping features to code: Arising from the feature model, possible code snippets to implement a feature have to be identified.
  • Performance evaluation: To validate our solution and derive rules for processor allocation and algorithm selection, we have to perform an evaluation of our algorithms.

Projekt im Forschungsportal ansehen

Publikationen

2024

2023

  • Bala Gurumurthy, Vasudev Raghavendra Bidarkar, David Broneske, Thilo Pionteck, and Gunter Saake. What Happens When Two Multi-Query Optimization Paradigms Combine?. In Advances in Databases and Information Systems, September 2023. Accepted.
     
  • Chukwuka Victor Obionwu, Kalu Oji Kalu, Paul Blockhaus, David Broneske, and Gunter Saake. A Strategy for Retrospective Evaluation of Students SQL Learning Engagements. International Conference on Electrical, Computer, Communications and Mechatronics Engineering (ICECCME 2023), IEEE, May 2023. Accepted.
     
  • Chukwuka Victor Obionwu, Maximilian Karl, David Broneske, Anja Hawlitschek, Paul Blockhaus, and Gunter Saake. A Strategy for Structuring Teams Collaboration in University Course Projects. 20th International Conference on Smart Business Technologies (ICSBT 2023), Insticc, May 2023. Accepted.
     
  • Chukwuka Victor Obionwu, S.M Laique Abbas, Visakh Padmanabhan, Taruna Tiwari, David Broneske, and Gunter Saake. Optical image recognition strategy for keyword extraction and page ranking for slide recommendation system. International Conference on Electrical, Computer, Communications and Mechatronics Engineering (ICECCME 2023), IEEE, May 2023. Accepted.
     
  • Victor Obionwu, Vincent Toulouse, David Broneske, and Gunter Saake. Automatic instructional feedback, and a Lecture Hub System, a Strategy towards Nurturing the acquisition of a structured engagement behavior. In International Conference on Data Management Technologies and Applications (pp. 219-242). Cham: Springer Nature Switzerland., May 2023.
     
  • Sajad Karim, Johannes Wünsche, David Broneske, Michael Kuhn, and Gunter Saake. Assessing Non-Volatile Memory in Modern Heterogeneous Storage Landscape using a Write-optimized Storage Stack. In Grundlagen von Datenbanken, May 2023.
     
  • Spoorthi Nijalingappa, Bala Gurumurthy, David Broneske, and Gunter Saake. Vertical Vectorized Hashing for Faster Group-By Aggregation. In Proceedings of the International Workshop on Big Data Management on Emerging Hardware (HardBD), April 2023. Accepted.
     
  • Bala Gurumurthy, David Broneske, Martin Schäler, Thilo Pionteck, and Gunter Saake. Novel Insights on Atomic Synchronization for Sort-Based Group-By on GPUs. Distributed and Parallel Databases (DAPD), April 2023. Accepted.
     
  • Harish Kumar Harihara Subramanian, Bala Gurumurthy, Gabriel Campero Durand, David Broneske, and Gunter Saake. Out-of-the-Box Library Support for DBMSOperations On GPUs. Distributed and Parallel Databases (DAPD), April 2023. Accepted.
     
  • Christopher Vox, David Broneske, Istiaque Mannafee Shaikat, and Gunter Saake. Data Streams: Investigating data structures for multivariate asynchronous time series prediction problems. In International Conference on Pattern Recognition Applications and Methods (ICPRAM), 2023. accepted.
     
  • Bala Gurumurthy, David Broneske, Gabriel Campero Durand, Thilo Pionteck, and Gunter Saake. ADAMANT: A Query Executor with Plug-In Interfaces for Easy Co-processor Integration. In IEEE International Conference on Data Engineering (ICDE), April 2023. Accepted.
     
  • Chukwuka Victor Obionwu, Damanpreet Singh Walia, Taruna Tiwari, Tathagatha Ghosh, David Broneske, and Gunter Saake. Towards A Strategy for Developing a Project Partner Recommendation System for University Course Projects. 6th World Conference on Computing and Communication Technologies (WCCCT 2023), IEEE, January 2023. Accepted.
     
  • Chukwuka Victor Obionwu, Rahul Kumar, Suhas Shantharam, David Broneske, and Gunter Saake. Semantic Relatedness : A Strategy for Plagiarism Detection in SQL Assignments. 6th World Conference on Computing and Communication Technologies (WCCCT 2023), IEEE, January 2023. Accepted.
     
  • Rahul Mondal, Minh Dung Do, Nasim Uddin Ahmed, Daniel Walke, Daniel Micheel, David Broneske, Gunter Saake, and Robert Heyer. Decision tree learning in Neo4j on homogeneous and unconnected graph nodes from biological and clinical datasets. BMC Medical Informatics and Decision Making, 2023. (PDF)
     
  • Daniel Walke, Daniel Micheel, Kay Schallert, Thilo Muth, David Broneske, Gunter Saake, and Robert Heyer. The importance of graph databases and graph learning for clinical applications. Database: The Journal of Biological Databases and Curation, 2023. Accepted review about graph databases and graph machine learning. (PDF)
     
  • Johannes Wünsche, Sajad Karim, Michael Kuhn, David Broneske, and Gunter Saake. Intelligent Data Migration Policies in a Write-Optimized Copy-on-Write Tiered Storage Stack. In Jean-Thomas Acquaviva, Shadi Ibrahim, and Suren Byna, editors, Proceedings of the 3rd Workshop on Challenges and Opportunities of Efficient and Performant Storage Systems, CHEOPS 2023, Rome, Italy, 8 May 2023, pages 17–26. ACM, 2023.
     
  • Paul Blockhaus, Gabriel Campero Durand, David Broneske, and Gunter Saake. Towards a Future of Fully Self-Optimizing Query Engines. In 34. Workshop Grundlagen von Datenbanken, 2023.
     
  • Chukwuka Victor Obionwu, Taruna Tiwari, Bhavya Baburaj Chovatta Valappil, Nishanth Raikar, Damanpreet Singh Walia, S.M Laique Abbas, chukwuemeka Okafor, David Broneske, and Gunter Saake. A Domain specific students’ assistance system for the provision of instructional feedback. International Conference on Machine Learning and Applications, IEEE, September 2023. Accepted.
     
  • Chukwuka Victor Obionwu, Rahul Raj Kanagaraj, David Broneske, Anja Buch, Christian Knopke, and Gunter Saake. A Mediation Strategy For Communication Between an internal Chat System and an Open Source Chat System. International Conference on Advances in Education and Information Technology, Springer, September 2023. Accepted.
     
  • Sadeq Darrab, Harshitha Allipilli, Sana Ghani, Harikrishnan Changaramkulath, Sricharan Koneru, David Broneske, and Gunter Saake. Anomaly Detection Algorithms: Comparative Analysis and Explainability Perspectives. page 90–104. Australasian Conference on Data Science and Machine Learning (AusDM23), Springer, 2023. published.
     
  • Chukwuka Victor Obionwu, Devi Prasad Ilapavuluri, David Broneske, and Gunter Saake. A Study Partner Recommender System Using a Community Detection Algorithm. Springer Nature Computer Science book series, November 2023. Accepted.
     

2022

  • Sadeq Darrab, David Broneske, and Gunter Saake. UCRP-miner: Mining Patterns that Matter. IEEE, May 2022.
     
  • Christopher Vox, Jan Piewek, Andreas Udo Sass, David Broneske, and Gunter Saake. Integer Time Series Compression for Holistic Data Analytics in the Context of Vehicle Sensor Data. In International Conference on Connected Vehicles & Expo (ICVVE), 2022.
     
  • Ian Wolff, David Broneske, and Veit Köppen. Towards a Learning Analytics Metadata Model. In Proceedings of the International Learning Analytics and Knowledge Conference (LAK), 2022. Accepted.
     
  • Victor Obionwu, Vincent Toulouse, David Broneske, and Gunter Saake. Slide-Recommendation System: A Strategy for Integrating Instructional Feedback into Online Exercise Sessions. pages 541–548. SCITEPRESS, In Proceedings of the 11th International Conference on Data Science, Technology and Applications, June 2022.
     
  • Victor Obionwu, David Broneske, and Gunter Saake. A Collaborative Learning Environment using Blogs in a learning management system. In 11th International Conference on Knowledge and Education Technology, pages 213–232. International Conference on Computer Science and Education in Computer Science, Springer, November 2022.
     
  • Victor Obionwu, David Broneske, and Gunter Saake. Leveraging Educational Blogging to Assess the Impact of Collaboration on Knowledge Creation. In 13th International Conference on Distance Learning and Education (ICDLE 2022). International Conference on Distance Learning and Education ICDLE 2022, IJIET, June 2022. Accepted.
     
  • Victor Obionwu, David Broneske, and Gunter Saake. Microblogs-A means for simulating informal learning beyond classrooms. 14th International Conference on Education Technology and Computers (ICETC 2022), June 2022. Accepted.
     
  • Victor Obionwu, Chukwuka, Christian Harnisch, Kalu Kalu, David Broneske, and Gunter Saake. An intervention strategy for mitigating the prevalence of syntax errors during task exercise engagements. International Conference on Engineering and Emerging Technologies ICEET 2022, IEEE, September 2022. Accepted.
     
  • David Broneske, Ian Wolff, Veit Köppen, and Martin Schäler. Exploiting views for collaborative research data management of structured data. In Proceedings of the International Conference on Asian Digital Libraries (ICADL), pages 360–376, 2022.
     
  • Victor Obionwu, David Broneske, and Gunter Saake. Topic maps as a tool for facilitating collaborative work pedagogy in knowledge management systems. pages 50–60. Proceedings of the 12th International Conference on Information Communication and Management, ACM, June 2022.
     

2021

2020

2019

  • Xiao Chen, Yinlong Xu, David Broneske, Gabriel Campero Durand, Roman Zoun, and Gunter Saake. Heterogeneous Committee-Based Active Learning for Entity Resolution (HeALER). In European Conference on Advances in Databases and Information Systems (ADBIS), LNCS, pages 69–85, September 2019.
     
  • Gabriel Campero Durand, Rufat Piriyev, Marcus Pinnecke, David Broneske, and Gunter Saake. Automated Vertical Partitioning with Deep Reinforcement Learning. European Conference on Advances in Databases and Information Systems, September 2019. (PDF)
     
  • Roman Zoun, Kay Schallert, David Broneske, Ivayla Trifonova, Xiao Chen, Robert Heyer, Dirk Benndorf, and Gunter Saake. Efficient Transformation of Protein Sequence Databases to Columnar Index Schema. In International Workshop on Biological Knowledge Discovery and Data Mining (BIOKDD-DEXA), volume 1062 of CCIS, pages 67–72. IEEE, August 2019.
     
  • Rutuja Pawar, Sepideh Sobhgol, Gabriel Campero Durand, Marcus Pinnecke, David Broneske, and Gunter Saake. Codd's World: Topics and their Evolution in the Database Community Publication Graph. In Grundlagen von Datenbanken, volume 2367, pages 1–6, June 2019.
     
  • David Broneske. Accelerating mono and multi-column selection predicates in modern main-memory database systems. PhD thesis, University of Magdeburg, May 2019.
     
  • Xiao Chen, Gabriel Campero Durand, Roman Zoun, David Broneske, Yang Li, and Gunter Saake. The Best of Both Worlds: Combining Hand-Tuned and Word-Embedding-Based Similarity Measures for Entity Resolution. In Datenbanksysteme für Business, Technologie und Web, pages 215 – 224, March 2019.
     
  • Roman Zoun, Kay Schallert, David Broneske, Wolfram Fenske, Marcus Pinnecke, Robert Heyer, Sven Brehmer, Dirk Benndorf, and Gunter Saake. MSDataStream - Connecting a Bruker Mass Spectrometer to the Internet. In Datenbanksysteme für Business, Technologie und Web, pages 507 – 510. Gesellschaft für Informatik, March 2019.
     
  • Marcus Pinnecke, Gabriel Campero, Roman Zoun, David Broneske, and Gunter Saake. Protobase: It’s About Time for Backend/Database Co-Design. In Holger Meyer, Norbert Ritter, Andreas Thor, Daniela Nicklas, Andreas Heuer, and Meike Klettke, editors, BTW 2019 – Workshopband, volume P-289 of Lecture Notes in Informatics (LNI), pages 515–518. Gesellschaft für Informatik, March 2019.
     
  • David Broneske, Veit Köppen, Gunter Saake, and Martin Schäler. Efficient evaluation of multi-column selection predicates in main-memory. Transactions on Knowledge and Data Engineering, 31(7):1296–1311, July 2019. (PDF)
     
  • Marcus Pinnecke, Gabriel Campero, Roman Zoun, David Broneske, and Gunter Saake. Protobase: It's About Time for Backend/Database Co-Design. In Datenbanksysteme für Business, Technologie und Web (BTW), pages 515–518, 2019.
     
  • Roman Zoun, Kay Schallert, David Broneske, Sören Falkenberg, Robert Heyer, Sabine Wehnert, Sven Brehmer, Dirk Benndorf, and Gunter Saake. MStream: Proof of Concept of an Analytic Cloud Platform for Near-Real-Time Diagnostics using Mass Spectrometry Data. 002-2019, Otto-von-Guericke-University Magdeburg, 2019.
     

2018

2017

2016

2015

2014

2013

2012

Betreute Arbeiten

2023

2022

2021

  • Vincent Toulouse. Slide-recommendation for improving students SQL solutions using natural language processing. Bachelor thesis, University of Magdeburg, September 2021.
     
  • Christian Harnisch. Ein tutorial für das Lehrtool SQL Validator. Bachelor thesis, OVGU, December 2021.
     
  • Nikhil Mandya Parashivamurthy. Forecast of Gap Year in a Student’s Education and the Factors Contributing to It. Master's thesis, University of Magdeburg, July 2021.
     
  • Felix Schmekel. Redesign des mobilen Geoinformationssystems – SAGis Mobil App. Bachelor thesis, University of Magdeburg, 2021.
     

2020

2019

2018

2017

2016

2015

2014

 

Forschung
  • Modern hardware
  • Hardware sensitivity for databases
  • Variability in databases
  • Software product lines
  • Multi-dimensional index structures
Vita
David Broneske begann sein Informatik-Studium im Wintersemester 2008 an der Otto-von-Guericke-Universität Magdeburg. Seinen Bachelor erhielt er hier im Jahr 2012 und seinen Master im Jahr 2013. Seit August 2013 arbeitet David in der Arbeitsgruppe Datenbanken und Software Engineering als wisseschaftlicher Mitarbeiter. Er führt hier die Übungen von Datenbanken 1/ Datenmanagement, mehrere wiss. Projekte und präsentiert ein Kernkapitel der Veranstaltung Advanced Topics in Databases. Seine Forschung befasst sich mit der Generierung von Datenbank-Code, der für bestimmte Hardwarearchitekturen optimiert ist.

Letzte Änderung: 08.03.2023 - Ansprechpartner: