Search

Additional considerations regarding (a) how the data model presented in “Results” section recognizes the design principles of extensibility and data lineage introduced in “Methods” section; and (b) variant identification for sematic integration when aggregating data from multiple source databases. (PDF 95 kb)

In Laufe der letzten zehn Jahre haben Scientific Workflows als Werkzeug zur Erstellung von reproduzierbaren, datenverarbeitenden in-silico Experimenten an Aufmerksamkeit gewonnen, in die sowohl lokale Skripte und Anwendungen, als auch Web-Services eingebunden werden k��nnen. ��ber spezialisierte Online-Bibliotheken, sogenannte Repositories, k��nnen solche Workflows ver��ffentlicht und wiederverwendet werden. Mit zunehmender Gr����e dieser Repositories werden ��hnlichkeitsma��e f��r Scientific Workflows notwendig, etwa f��r Duplikaterkennung, ��hnlichkeitssuche oder Clustering von funktional ��hnlichen Workflows. Die vorliegende Arbeit untersucht solche ��hnlichkeitsma��e f��r Scientific Workflows. Als erstes untersuchen wir ��hnlichkeitsrelevante Eigenschaften von Scientific Workflows und identifizieren Charakteristika der Wiederverwendung ihrer Komponenten. Als zweites analysieren und reimplementieren wir existierende L��sungen f��r den Vergleich von Scientific Workflows entlang definierter Teilschritte des Vergleichsprozesses. Wir erstellen einen gro��en Gold-Standard Corpus von Workflow��hnlichkeiten, der ��ber 2400 Bewertungen f��r 485 Workflowpaare enth��lt, die von 15 Experten aus 6 Institutionen beigetragen wurden. Zum ersten Mal erlauben diese Vorarbeiten eine umfassende, vergleichende Evaluation verschiedener ��hnlichkeitsma��e f��r Scientific Workflows, in der wir einige vorige Ergebnisse best��tigen, andere aber revidieren. Als drittes stellen wir ein neue Methode f��r das Vergleichen von Scientific Workflows vor. Unsere Evaluation zeigt, dass diese neue Methode bessere und konsistentere Ergebnisse liefert und leicht mit anderen Ans��tzen kombiniert werden kann, um eine weitere Qualit��tssteigerung zu erreichen. Als viertes zweigen wir, wie die Resultate aus den vorangegangenen Schritten genutzt werden k��nnen, um aus Standardkomponenten eine Suchmaschine f��r schnelle, qualitativ hochwertige ��hnlichkeitssuche im Repositoryma��stab zu implementieren., Over the last decade, scientific workflows have gained attention as a valuable tool to create reproducible in-silico experiments. Specialized online repositories have emerged which allow such workflows to be shared and reused by the scientific community. With increasing size of these repositories, methods to compare scientific workflows regarding their functional similarity become a necessity. To allow duplicate detection, similarity search, or clustering, similarity measures for scientific workflows are an essential prerequisite. This thesis investigates similarity measures for scientific workflows. We carry out four consecutive research tasks: First, we closely investigate the relevant properties of scientific workflows regarding their similarity and identify characteristics of re-use of their components. Second, we review and dissect existing approaches to scientific workflow comparison into a defined set of subtasks necessary in the process of workflow comparison, and re-implement previous approaches to each subtask. We create a large gold-standard corpus of expert-ratings on workflow similarity, with more than 2400 ratings provided for 485 pairs of workflows by 15 workflow experts from 6 institutions. For the first time, this allows comprehensive, comparative evaluation of different scientific workflow similarity measures, confirming some previous findings, but rejecting others. Third, we propose and evaluate a novel method for scientific workflow comparison. We show that this novel method provides results of both higher quality and higher consistency than previous approaches, and can easily be stacked and ensembled with other approaches for still better performance and higher speed. Fourth, we show how our findings can be leveraged to implement a search engine using off-the-shelf tools that performs fast, high quality similarity search for scientific workflows at repository-scale, a premier area of application for similarity measures for scientific workflows.