Forschungsdatenmanagement in der ZB

Projekt

FDM-Dienste in der ZB

• DMP-Werkzeug (Ende Januar)
• Repositorium (Ende Januar, aber noch nicht an die große Glocke gehangen)
• Schulungen (ab März)

Repositorium: Workflow

Vision: Herausforderungen

Thesen

1.  Repositorien sind eine unnötige Fragmentierung der Forschungsdaten. Weg damit !

2.  Handle-basierte „Persistente IDs“ sind nicht persistent genug für FDM.

3.  Das Management von Rohdaten ist trivial. Metadaten sind die Herausforderung.

4.  Rohdaten zu bewegen, ohne daß sie am Ziel direkt nachgenutzt werden, ist Verschwendung.

5.  Eine Suchmaschine für Forschungsdaten über Freitextfelder kann man sich sparen.

Repositorien

— Frei nach xkcd.com/927.

Persistente Identifikatoren

Bislang ausschließlich Handle-System-basiert: DOI, ePIC, …

Zitat aus der Handle-Spezifikation (RFC 3650): „This of course does not guarantee persistence, which is a function of administrative care.“

⇒ Die Forschungscommunity muß erst noch beweisen, Handle-PIDs wirklich persistent machen zu können. Skepsis ist angebracht.

Publizierte Daten

Forscher publizieren Daten:

Original © Malcolm Lawson

Mit einem Datensatz allein kann man nichts anfagen. Also Botschaft an die Forscher: Fügt Metadaten hinzu! Schreibt eine Doku zu euren Daten! Beschreibt, was zu den Daten geführt hat!

Ergebnis:

Publizierte Daten

… und das ist nichtmal die Schuld der Forscher.

Rohdaten on the move

Ein Gedankenexperiment:

RWE hat einen Braunkohlebagger, der nicht mehr benötigt wird. Vielleicht wird er irgendwann mal woanders in Deutschland benötigt. Er parkt irgendwo und stört da auch nicht.

Genauso steht auch einer bei Lausitz Energie Bergbau in Sachsen und bei E.ON in Niedersachsen.

Für die perfekte Nachnutzung gründet man daraufhin bei Frankfurt ein Bagger-Repositorium und schickt die drei Bagger mit 0,3 km/h dahin.

Open Access – der falsche Weg

„Aber die Pläne lagen aus …“
„Lagen aus? Ich mußte schließlich zuerst in den Keller runter …“
[…]
„Aber die Bekanntmachung haben Sie doch gefunden, oder?“
„Jaja“, sagte Arthur, „ja, das habe ich. Ganz zuunterst, in einem verschlossenen Aktenschrank, in einem unbenutzten Klo, an dessen Tür stand: Vorsicht, bissiger Leopard!“

— Douglas Adams, Per Anhalter durch die Galaxis

‌

Forschungsdaten suchen ist wie Geocaching: Man braucht Geduld und Übung, Abenteuer garantiert, und am Ende gibt’s meist nur Krimskrams. Die meisten versuchen es erst gar nicht.

Vision: Zutaten

Hashes

Schöne Online-Demo: OriginStamp

• Prüfsumme für jeweils eine beliebig große Datei
• Echter PID: weltweit und für alle Zeiten eindeutige Identifizierung des Originals
• Fälschung der Datei fällt sofort auf
• Versionierung immer explizit
• Extrem schnelle PID-Generierung von einer riesigen Zahl von Dateien: Einfach Hash der Hashes!
• Kein Dienst nötig, keine Organisation

DHT

Original © PSNS & IMF

• DOI 2.0
• verteiltes Adreßbuch, das zu jedem Hash die Computer zurückgibt, unter der man die Datei findet
• mehrere u. U. weit entfernte Computer pro Hash möglich
• stets aktuell und korrekt
• Kein Dienst nötig, keine Organisation

Blockchain

Einziger Zweck: ein vertrauenswürdiger Eingangsstempel:

Blockchain

Im Briefumschlag können sein …

• … Überweisungen ⇒ Kryptowährung
• … digitale Medien ⇒ Nachweissystem für geistiges Eigentum
• … kodierte Verträge (“smart contracts”) ⇒ allgemeine Geschäftsplattform

Und als Spezialfall:

• … publizierte Forschungsdaten ⇒ Nachweissystem für Forschungsergebnisse

Auch hier wieder: Kein Dienst nötig, keine Organisation

Provenance-Tracking

Ein Forschungsergebnis ist eine Kausalkette: A₁ ⇒ A₂ ⇒ A₃ ⇒ A₄ … Alle „A“s sind dabei durch Daten repräsentiert, u. U. Freitext.

Provenance-Tracking ist die Dokumentation der Herkunft von Daten. Komplexere Ketten mit Abzweigen sind möglich. Standards und Werkzeuge dafür gibt es schon lange (für Simulationsforschung).

⇒ Forschung läßt sich maschinell lesbar mit Provenance-Tracking dokumentieren. Nachfolgende Forschung könnte direkt auf Teilschritte referenzieren.

Vision

Verteiltes Dateisystem

Verteiltes Dateisystem

• gemeinsame, globale Datenbasis für alle Forschenden
• Echtzeit-Kollaboration an einer Datei
• Dateien sind erweiterbare Metadaten mit interoperablem Kernsatz
• effizientes Rohdaten-Handling
• versioniert
• ganzer Lebenszyklus wird abgedeckt – Dateien müssen nie wieder verschoben/irgendwo hochgeladen werden

Linked Open Data

• Digitalisierung von Forschung heißt mehr als einen Haufen PDFs abzulegen!
• Forschung so weit wie möglich als verlinkte Einzelobjekte abbilden
• an entstehenden Graphen kann nachfolgende Forschung beliebig andocken
• Tim Berners-Lees Traum vom „Linked Open Data“ könnte im FDM realisiert werden

Indizierung von Forschungsdaten

Indizierung ist die entscheidende Voraussetzung für ein „Google für Forschungsdaten“.

Aber bitte nicht durch Google.

• Indizierung ist ressourcenintensiv; geht nicht mit Eh-Da-Mitteln & muß auf mehrere Schultern
• Jede Institution pflegt andere Indizes: Jülich den für „Silizium“, RWTH den für „Papsttum“, Stanford den für „Zwergpinseläffchen“ (neben jeweils vielen weiteren)
• Blockchain-Ansatz: Eingangsstempel auf Bestätigung, daß Suchergebnisse geliefert wurden
• man bekommt Credits, wenn man Suchergebnisse liefert, und kann damit Suchen bezahlen
• Geben und Nehmen

Zusammenfassung

• weg von zentralen Servern und Organisationen, hin zu verteilten Diensten!
• fast alle Werkzeuge dafür sind schon vorhanden & erprobt
• statt immer neuen Services on top: die gemeinsamen Grundlagen modernisieren!
• Fragmentierung an zwei Fronten bekämpfen: Datenlandschaft und Dienstelandschaft

Thank you