Biographie

Seit Oktober 2011 ist Professor Dr. Ramin Yahyapour Geschäftsführer der GWDG, einer gemeinsamen Einrichtung der Georg-August-Universität Göttingen und der Max-Planck-Gesellschaft. Zeitgleich wurde er als ordentlicher Professor für Praktische Informatik an die Georg-August-Unversität Göttingen berufen. Zuvor wirkte er als Professor an der Technischen Universität Dortmund sowie als Direktor des IT- und Mediencenters und als CIO der Universität.

Professor Yahyapour hat im Fach Elektrotechnik promoviert. Seine Forschungsschwerpunkte liegen in den Bereichen Ressourcenmanagement sowie deren Anwendung in Service-orientierten Infrastrukturen, Cloud-Computing und Datenmangement.

Professor Yahyapour war und ist aktiv an zahlreichen nationalen und internationalen Forschungsprojekten beteiligt, beispielsweise als wissenschaftlicher Koordinator des Projektes SLA@SOI, gefördert durch das siebte Forschungsrahmenprogramm der Europäischen Union oder Mitglied des Exekutivkomitees des Networks of Excellence CoreGRID. Professor Yahyapour ist regelmäßig als Gutachter für Förderinstitutionen und als Berater für IT-Organisationen tätig. Des Weiteren ist er Organisator und Mitglied in Programm-Komitees verschiedener Konferenzen und Workshops sowie Gutachter für eine Vielzahl von Fachpublikationen.

Research Interests

• Ressourcenmanagement und Scheduling
• Service-orientierte Infrastrukturen und Service Computing
• Cloud-Computing
• Datenmanagement

Recent Publications

2021

• A two-phase virtual machine placement policy for data-intensive applications in cloud (Samaneh Sadegh, Kamran Zamanifar, Piotr Kasprzak, Ramin Yahyapour), 2021-01-01 DOI BibTeX
• A two-phase virtual machine placement policy for data-intensive applications in cloud (Samaneh Sadegh, Kamran Zamanifar, Piotr Kasprzak, Ramin Yahyapour), 2021-01-01 DOI BibTeX
• An Optimized Single Sign-On Schema for Reliable Multi -Level Security Management in Clouds (Aytaj Badirova, Shirin Dabbaghi, Faraz Fatemi-Moghaddam, Philipp Wieder, Ramin Yahyapour), In Proceedings of FiCloud 2021 – 8th International Conference on Future Internet of Things and Cloud, 2021-01-01 DOI BibTeX
• An Optimized Single Sign-On Schema for Reliable Multi -Level Security Management in Clouds (Aytaj Badirova, Shirin Dabbaghi, Faraz Fatemi-Moghaddam, Philipp Wieder, Ramin Yahyapour), In Proceedings of FiCloud 2021 – 8th International Conference on Future Internet of Things and Cloud, 2021-01-01 DOI BibTeX
• Recent Advances of Resource Allocation in Network Function Virtualization (Song Yang, Fan Li, Stojan Trajanovski, Ramin Yahyapour, Xiaoming Fu), 2021-01-01 DOI BibTeX
• Recent Advances of Resource Allocation in Network Function Virtualization (Song Yang, Fan Li, Stojan Trajanovski, Ramin Yahyapour, Xiaoming Fu), 2021-01-01 DOI BibTeX
• Sekundäre Nutzung von hausärztlichen Routinedaten ist machbar – Bericht vom RADAR Projekt (Johannes Hauswaldt, Thomas Bahls, Arne Blumentritt, Iris Demmer, Johannes Drepper, Roland Groh, Stephanie Heinemann, Wolfgang Hoffmann, Valérie Kempter, Johannes Pung, Otto Rienhoff, Falk Schlegelmilch, Philipp Wieder, Ramin Yahyapour, Eva Hummers), 2021-01-01 DOI BibTeX
• Sekundäre Nutzung von hausärztlichen Routinedaten ist machbar – Bericht vom RADAR Projekt (Johannes Hauswaldt, Thomas Bahls, Arne Blumentritt, Iris Demmer, Johannes Drepper, Roland Groh, Stephanie Heinemann, Wolfgang Hoffmann, Valérie Kempter, Johannes Pung, Otto Rienhoff, Falk Schlegelmilch, Philipp Wieder, Ramin Yahyapour, Eva Hummers), 2021-01-01 DOI BibTeX

2019

• Loyal Consumers or One-Time Deal Hunters: Repeat Buyer Prediction for E-Commerce (Bo Zhao, Atsuhiro Takasu, Ramin Yahyapour, Xiaoming Fu), In 2019 International Conference on Data Mining Workshops (ICDMW), 2019-01-01 DOI BibTeX
• Loyal Consumers or One-Time Deal Hunters: Repeat Buyer Prediction for E-Commerce (Bo Zhao, Atsuhiro Takasu, Ramin Yahyapour, Xiaoming Fu), In 2019 International Conference on Data Mining Workshops (ICDMW), 2019-01-01 DOI BibTeX

@article{2_97749,

	abstract = {"Zusammenfassung Ziel der Studie „Real world“-Daten aus der ambulanten Gesundheitsversorgung sind in Deutschland nur schwer systematisch und longitudinal zu erlangen. Unsere Vision ist eine permanente Datenablage mit repräsentativen, de-identifizierten Patienten- und Versorgungsdaten, längsschnittlich, fortwährend aktualisiert und von verschiedenen Versorgern, mit der Möglichkeit zur Verknüpfung mit weiteren Daten, etwa aus Patientenbefragungen oder biologischer Forschung, zugänglich für andere Forscher. Wir berichten methodische Vorgehensweisen und Ergebnisse aus dem RADAR Projekt.Methodik Untersuchung des Rechtsrahmens, Entwicklung prototypischer technischer Abläufe und Lösungen, mit Machbarkeitsstudie zur Evaluation von technischer und inhaltlicher Funktionalität sowie Eignung für Fragestellungen der Versorgungsforschung.Ergebnisse Ab 2016 entwickelte ein interdisziplinäres Wissenschaftlerteam ein Datenschutzkonzept für Exporte von Versorgungsdaten aus elektronischen Praxisverwaltungssystemen. Eine technische und organisatorische Forschungsinfrastruktur im ambulanten Sektor wurden entwickelt und im Anwendungsfall „Orale Antikoagulation“ (OAK) umgesetzt. In 7 niedersächsischen Hausarztpraxen wurden 100 Patienten gewonnen und nach informierter Einwilligung ihre ausgewählten Behandlungsdaten, reduziert auf 40 relevante Datenfelder, über die Behandlungsdatentransfer-Schnittstelle extrahiert, unmittelbar vor Ort in identifizierende bzw. medizinische Daten getrennt und verschlüsselt zur Treuhandstelle (THS) bzw. an den Datenhalter übertragen. 75 Patienten, die die Einschlusskriterien erfüllten (mind. 1 Jahr Behandlung mit OAK), erhielten einen Lebensqualitäts-Fragebogen über die THS per Post. Von 66 Rücksendungen wurden 63 Fragebogenergebnisse mit den Behandlungsdaten in der Datenablage verknüpft.Schlussfolgerung Die rechtskonforme Machbarkeit der Gewinnung von pseudonymisierten hausärztlichen Routinedaten mit expliziter informierter Patienteneinwilligung und deren wissenschaftliche Nutzung einschließlich Re-Kontaktierung und Einbindung von Fragebogendaten konnte nachgewiesen werden. Die Schutzkonzepte Privacy by design und Datenminimierung (Artikel 25 mit Erwägungsgrund 78 DSGVO) wurden systematisch in das RADAR Projekt integriert und begründen wesentlich, dass der Machbarkeitsnachweis rechtskonformer Primärdatengewinnung und sekundärer Nutzung für Forschungszwecke gelang. Eine Nutzung hinreichend anonymisierter, aber noch sinnvoller hausärztlicher Gesundheitsdaten ohne individuelle Einwilligung ist im bestehenden Rechtsrahmen in Deutschland schwerlich umsetzbar."},
	author = {Johannes Hauswaldt and Thomas Bahls and Arne Blumentritt and Iris Demmer and Johannes Drepper and Roland Groh and Stephanie Heinemann and Wolfgang Hoffmann and Valérie Kempter and Johannes Pung and Otto Rienhoff and Falk Schlegelmilch and Philipp Wieder and Ramin Yahyapour and Eva Hummers},
	doi = {10.1055/a-1676-4020},
	grolink = {https://resolver.sub.uni-goettingen.de/purl?gro-2/97749},
	month = {01},
	title = {Sekundäre Nutzung von hausärztlichen Routinedaten ist machbar – Bericht vom RADAR Projekt},
	type = {article},
	year = {2021},
}

@article{2_97749,

	abstract = {"Zusammenfassung Ziel der Studie „Real world“-Daten aus der ambulanten Gesundheitsversorgung sind in Deutschland nur schwer systematisch und longitudinal zu erlangen. Unsere Vision ist eine permanente Datenablage mit repräsentativen, de-identifizierten Patienten- und Versorgungsdaten, längsschnittlich, fortwährend aktualisiert und von verschiedenen Versorgern, mit der Möglichkeit zur Verknüpfung mit weiteren Daten, etwa aus Patientenbefragungen oder biologischer Forschung, zugänglich für andere Forscher. Wir berichten methodische Vorgehensweisen und Ergebnisse aus dem RADAR Projekt.Methodik Untersuchung des Rechtsrahmens, Entwicklung prototypischer technischer Abläufe und Lösungen, mit Machbarkeitsstudie zur Evaluation von technischer und inhaltlicher Funktionalität sowie Eignung für Fragestellungen der Versorgungsforschung.Ergebnisse Ab 2016 entwickelte ein interdisziplinäres Wissenschaftlerteam ein Datenschutzkonzept für Exporte von Versorgungsdaten aus elektronischen Praxisverwaltungssystemen. Eine technische und organisatorische Forschungsinfrastruktur im ambulanten Sektor wurden entwickelt und im Anwendungsfall „Orale Antikoagulation“ (OAK) umgesetzt. In 7 niedersächsischen Hausarztpraxen wurden 100 Patienten gewonnen und nach informierter Einwilligung ihre ausgewählten Behandlungsdaten, reduziert auf 40 relevante Datenfelder, über die Behandlungsdatentransfer-Schnittstelle extrahiert, unmittelbar vor Ort in identifizierende bzw. medizinische Daten getrennt und verschlüsselt zur Treuhandstelle (THS) bzw. an den Datenhalter übertragen. 75 Patienten, die die Einschlusskriterien erfüllten (mind. 1 Jahr Behandlung mit OAK), erhielten einen Lebensqualitäts-Fragebogen über die THS per Post. Von 66 Rücksendungen wurden 63 Fragebogenergebnisse mit den Behandlungsdaten in der Datenablage verknüpft.Schlussfolgerung Die rechtskonforme Machbarkeit der Gewinnung von pseudonymisierten hausärztlichen Routinedaten mit expliziter informierter Patienteneinwilligung und deren wissenschaftliche Nutzung einschließlich Re-Kontaktierung und Einbindung von Fragebogendaten konnte nachgewiesen werden. Die Schutzkonzepte Privacy by design und Datenminimierung (Artikel 25 mit Erwägungsgrund 78 DSGVO) wurden systematisch in das RADAR Projekt integriert und begründen wesentlich, dass der Machbarkeitsnachweis rechtskonformer Primärdatengewinnung und sekundärer Nutzung für Forschungszwecke gelang. Eine Nutzung hinreichend anonymisierter, aber noch sinnvoller hausärztlicher Gesundheitsdaten ohne individuelle Einwilligung ist im bestehenden Rechtsrahmen in Deutschland schwerlich umsetzbar."},
	author = {Johannes Hauswaldt and Thomas Bahls and Arne Blumentritt and Iris Demmer and Johannes Drepper and Roland Groh and Stephanie Heinemann and Wolfgang Hoffmann and Valérie Kempter and Johannes Pung and Otto Rienhoff and Falk Schlegelmilch and Philipp Wieder and Ramin Yahyapour and Eva Hummers},
	doi = {10.1055/a-1676-4020},
	grolink = {https://resolver.sub.uni-goettingen.de/purl?gro-2/97749},
	month = {01},
	title = {Sekundäre Nutzung von hausärztlichen Routinedaten ist machbar – Bericht vom RADAR Projekt},
	type = {article},
	year = {2021},
}

@article{2_68120,

	abstract = {"Network Function Virtualization (NFV) has been emerging as an appealing solution that transforms complex network functions from dedicated hardware implementations to software instances running in a virtualized environment. Due to the numerous advantages such as flexibility, efficiency, scalability, short deployment cycles, and service upgrade, NFV has been widely recognized as the next-generation network service provisioning paradigm. In NFV, the requested service is implemented by a sequence of Virtual Network Functions (VNF) that can run on generic servers by leveraging the virtualization technology. These VNFs are pitched with a predefined order through which data flows traverse, and it is also known as the Service Function Chaining (SFC). In this article, we provide an overview of recent advances of resource allocation in NFV. We generalize and analyze four representative resource allocation problems, namely, (1) the VNF Placement and Traffic Routing problem, (2) VNF Placement problem, (3) Traffic Routing problem in NFV, and (4) the VNF Redeployment and Consolidation problem. After that, we study the delay calculation models and VNF protection (availability) models in NFV resource allocation, which are two important Quality of Service (QoS) parameters. Subsequently, we classify and summarize the representative work for solving the generalized problems by considering various QoS parameters (e.g., cost, delay, reliability, and energy) and different scenarios (e.g., edge cloud, online provisioning, and distributed provisioning). Finally, we conclude our article with a short discussion on the state-of-the-art and emerging topics in the related fields, and highlight areas where we expect high potential for future research."},
	author = {Song Yang and Fan Li and Stojan Trajanovski and Ramin Yahyapour and Xiaoming Fu},
	doi = {10.1109/TPDS.2020.3017001},
	grolink = {https://resolver.sub.uni-goettingen.de/purl?gro-2/68120},
	month = {01},
	title = {Recent Advances of Resource Allocation in Network Function Virtualization},
	type = {article},
	year = {2021},
}

@article{2_68120,

	abstract = {"Network Function Virtualization (NFV) has been emerging as an appealing solution that transforms complex network functions from dedicated hardware implementations to software instances running in a virtualized environment. Due to the numerous advantages such as flexibility, efficiency, scalability, short deployment cycles, and service upgrade, NFV has been widely recognized as the next-generation network service provisioning paradigm. In NFV, the requested service is implemented by a sequence of Virtual Network Functions (VNF) that can run on generic servers by leveraging the virtualization technology. These VNFs are pitched with a predefined order through which data flows traverse, and it is also known as the Service Function Chaining (SFC). In this article, we provide an overview of recent advances of resource allocation in NFV. We generalize and analyze four representative resource allocation problems, namely, (1) the VNF Placement and Traffic Routing problem, (2) VNF Placement problem, (3) Traffic Routing problem in NFV, and (4) the VNF Redeployment and Consolidation problem. After that, we study the delay calculation models and VNF protection (availability) models in NFV resource allocation, which are two important Quality of Service (QoS) parameters. Subsequently, we classify and summarize the representative work for solving the generalized problems by considering various QoS parameters (e.g., cost, delay, reliability, and energy) and different scenarios (e.g., edge cloud, online provisioning, and distributed provisioning). Finally, we conclude our article with a short discussion on the state-of-the-art and emerging topics in the related fields, and highlight areas where we expect high potential for future research."},
	author = {Song Yang and Fan Li and Stojan Trajanovski and Ramin Yahyapour and Xiaoming Fu},
	doi = {10.1109/TPDS.2020.3017001},
	grolink = {https://resolver.sub.uni-goettingen.de/purl?gro-2/68120},
	month = {01},
	title = {Recent Advances of Resource Allocation in Network Function Virtualization},
	type = {article},
	year = {2021},
}

@inproceedings{2_121153,

	author = {Aytaj Badirova and Shirin Dabbaghi and Faraz Fatemi-Moghaddam and Philipp Wieder and Ramin Yahyapour},
	doi = {10.1109/FiCloud49777.2021.00014},
	grolink = {https://resolver.sub.uni-goettingen.de/purl?gro-2/121153},
	journal = {Proceedings of FiCloud 2021 – 8th International Conference on Future Internet of Things and Cloud},
	month = {01},
	title = {An Optimized Single Sign-On Schema for Reliable Multi -Level Security Management in Clouds},
	type = {inproceedings},
	year = {2021},
}

@inproceedings{2_121153,

	author = {Aytaj Badirova and Shirin Dabbaghi and Faraz Fatemi-Moghaddam and Philipp Wieder and Ramin Yahyapour},
	doi = {10.1109/FiCloud49777.2021.00014},
	grolink = {https://resolver.sub.uni-goettingen.de/purl?gro-2/121153},
	journal = {Proceedings of FiCloud 2021 – 8th International Conference on Future Internet of Things and Cloud},
	month = {01},
	title = {An Optimized Single Sign-On Schema for Reliable Multi -Level Security Management in Clouds},
	type = {inproceedings},
	year = {2021},
}

@article{2_84902,

	author = {Samaneh Sadegh and Kamran Zamanifar and Piotr Kasprzak and Ramin Yahyapour},
	doi = {10.1016/j.jnca.2021.103025},
	grolink = {https://resolver.sub.uni-goettingen.de/purl?gro-2/84902},
	month = {01},
	title = {A two-phase virtual machine placement policy for data-intensive applications in cloud},
	type = {article},
	year = {2021},
}

@article{2_84902,

	author = {Samaneh Sadegh and Kamran Zamanifar and Piotr Kasprzak and Ramin Yahyapour},
	doi = {10.1016/j.jnca.2021.103025},
	grolink = {https://resolver.sub.uni-goettingen.de/purl?gro-2/84902},
	month = {01},
	title = {A two-phase virtual machine placement policy for data-intensive applications in cloud},
	type = {article},
	year = {2021},
}

@inproceedings{2_63192,

	abstract = {"Merchants sometimes run big promotions (e.g., discounts or cash coupons) on particular dates (e.g., Boxing-day Sales, \"Black Friday\" or \"Double 11 (Nov 11th)\", in order to attract a large number of new buyers. Unfortunately, many of the attracted buyers are one-time deal hunters, and these promotions may have little long lasting impact on sales. To alleviate this problem, it is important for merchants to identify who can be converted into repeated buyers. By targeting on these potential loyal customers, merchants can greatly reduce the promotion cost and enhance the return on investment (ROI). It is well known that in the field of online advertising, customer targeting is extremely challenging, especially for fresh buyers. With the long-term user behavior log accumulated by Tmall.com, we get a set of merchants and their corresponding new buyers acquired during the promotion on the \"Double 11\" day. Our goal is to predict which new buyers for given merchants will become loyal customers in the future. In other words, we need to predict the probability that these new buyers would purchase items from the same merchants again within 6 months. A data set containing around 200k users is given for training, while the other of similar size for testing. We extracted as many features as possible and find the key features to train our models. We proposed merged model of different classification models and merged lightGBM model with different parameter sets. The experimental results show that our merged models can bring about great performance improvements comparing with the original models."},
	author = {Bo Zhao and Atsuhiro Takasu and Ramin Yahyapour and Xiaoming Fu},
	doi = {10.1109/ICDMW.2019.00158},
	grolink = {https://resolver.sub.uni-goettingen.de/purl?gro-2/63192},
	journal = {2019 International Conference on Data Mining Workshops (ICDMW)},
	month = {01},
	title = {Loyal Consumers or One-Time Deal Hunters: Repeat Buyer Prediction for E-Commerce},
	type = {inproceedings},
	year = {2019},
}

@inproceedings{2_63192,

	abstract = {"Merchants sometimes run big promotions (e.g., discounts or cash coupons) on particular dates (e.g., Boxing-day Sales, \"Black Friday\" or \"Double 11 (Nov 11th)\", in order to attract a large number of new buyers. Unfortunately, many of the attracted buyers are one-time deal hunters, and these promotions may have little long lasting impact on sales. To alleviate this problem, it is important for merchants to identify who can be converted into repeated buyers. By targeting on these potential loyal customers, merchants can greatly reduce the promotion cost and enhance the return on investment (ROI). It is well known that in the field of online advertising, customer targeting is extremely challenging, especially for fresh buyers. With the long-term user behavior log accumulated by Tmall.com, we get a set of merchants and their corresponding new buyers acquired during the promotion on the \"Double 11\" day. Our goal is to predict which new buyers for given merchants will become loyal customers in the future. In other words, we need to predict the probability that these new buyers would purchase items from the same merchants again within 6 months. A data set containing around 200k users is given for training, while the other of similar size for testing. We extracted as many features as possible and find the key features to train our models. We proposed merged model of different classification models and merged lightGBM model with different parameter sets. The experimental results show that our merged models can bring about great performance improvements comparing with the original models."},
	author = {Bo Zhao and Atsuhiro Takasu and Ramin Yahyapour and Xiaoming Fu},
	doi = {10.1109/ICDMW.2019.00158},
	grolink = {https://resolver.sub.uni-goettingen.de/purl?gro-2/63192},
	journal = {2019 International Conference on Data Mining Workshops (ICDMW)},
	month = {01},
	title = {Loyal Consumers or One-Time Deal Hunters: Repeat Buyer Prediction for E-Commerce},
	type = {inproceedings},
	year = {2019},
}