Data Mining and Big Data Ying Tan

Visit to download the full and correct content document:

https://textbookfull.com/product/data-mining-and-big-data-ying-tan/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...

Data Mining and Big Data 4th International Conference

DMBD 2019 Chiang Mai Thailand July 26 30 2019
Proceedings Ying Tan

https://textbookfull.com/product/data-mining-and-big-data-4th-
international-conference-dmbd-2019-chiang-mai-thailand-
july-26-30-2019-proceedings-ying-tan/

Transparent Data Mining for Big and Small Data 1st

Edition Tania Cerquitelli

https://textbookfull.com/product/transparent-data-mining-for-big-
and-small-data-1st-edition-tania-cerquitelli/

Big Mechanisms in Systems Biology Big Data Mining

Network Modeling and Genome Wide Data Identification
1st Edition Bor-Sen Chen

https://textbookfull.com/product/big-mechanisms-in-systems-
biology-big-data-mining-network-modeling-and-genome-wide-data-
identification-1st-edition-bor-sen-chen/

Big Data Mining for Climate Change 1st Edition Zhihua

Zhang

https://textbookfull.com/product/big-data-mining-for-climate-
change-1st-edition-zhihua-zhang/
Data Mining Yee Ling Boo

https://textbookfull.com/product/data-mining-yee-ling-boo/

Mobile Data Mining Yuan Yao

https://textbookfull.com/product/mobile-data-mining-yuan-yao/

Statistical and Machine-Learning Data Mining, Third

Edition: Techniques for Better Predictive Modeling and
Analysis of Big Data, Third Edition Bruce Ratner

https://textbookfull.com/product/statistical-and-machine-
learning-data-mining-third-edition-techniques-for-better-
predictive-modeling-and-analysis-of-big-data-third-edition-bruce-
ratner/

Mobile Data Mining and Applications Hao Jiang

https://textbookfull.com/product/mobile-data-mining-and-
applications-hao-jiang/

Data Mining and Data Warehousing: Principles and

Practical Techniques 1st Edition Parteek Bhatia

https://textbookfull.com/product/data-mining-and-data-
warehousing-principles-and-practical-techniques-1st-edition-
parteek-bhatia/
 Ying Tan
Yuhui Shi
Qirong Tang (Eds.)
LNCS 10943

Data Mining
and Big Data
Third International Conference, DMBD 2018
Shanghai, China, June 17–22, 2018
Proceedings

123
Lecture Notes in Computer Science 10943
Commenced Publication in 1973
Founding and Former Series Editors:
Gerhard Goos, Juris Hartmanis, and Jan van Leeuwen

Editorial Board
David Hutchison
Lancaster University, Lancaster, UK
Takeo Kanade
Carnegie Mellon University, Pittsburgh, PA, USA
Josef Kittler
University of Surrey, Guildford, UK
Jon M. Kleinberg
Cornell University, Ithaca, NY, USA
Friedemann Mattern
ETH Zurich, Zurich, Switzerland
John C. Mitchell
Stanford University, Stanford, CA, USA
Moni Naor
Weizmann Institute of Science, Rehovot, Israel
C. Pandu Rangan
Indian Institute of Technology Madras, Chennai, India
Bernhard Steffen
TU Dortmund University, Dortmund, Germany
Demetri Terzopoulos
University of California, Los Angeles, CA, USA
Doug Tygar
University of California, Berkeley, CA, USA
Gerhard Weikum
Max Planck Institute for Informatics, Saarbrücken, Germany
More information about this series at http://www.springer.com/series/7409
Ying Tan Yuhui Shi
•

Qirong Tang (Eds.)

Data Mining
and Big Data
Third International Conference, DMBD 2018
Shanghai, China, June 17–22, 2018
Proceedings

123
Editors
Ying Tan Qirong Tang
Peking University Tongji University
Beijing Shanghai
China China
Yuhui Shi
Southern University of Science
and Technology
Shenzhen
China

ISSN 0302-9743 ISSN 1611-3349 (electronic)

Lecture Notes in Computer Science
ISBN 978-3-319-93802-8 ISBN 978-3-319-93803-5 (eBook)
https://doi.org/10.1007/978-3-319-93803-5

Library of Congress Control Number: 2018947325

LNCS Sublibrary: SL3 – Information Systems and Applications, incl. Internet/Web, and HCI

© Springer International Publishing AG, part of Springer Nature 2018

This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or part of the
material is concerned, specifically the rights of translation, reprinting, reuse of illustrations, recitation,
broadcasting, reproduction on microfilms or in any other physical way, and transmission or information
storage and retrieval, electronic adaptation, computer software, or by similar or dissimilar methodology now
known or hereafter developed.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this publication
does not imply, even in the absence of a specific statement, that such names are exempt from the relevant
protective laws and regulations and therefore free for general use.
The publisher, the authors, and the editors are safe to assume that the advice and information in this book are
believed to be true and accurate at the date of publication. Neither the publisher nor the authors or the editors
give a warranty, express or implied, with respect to the material contained herein or for any errors or
omissions that may have been made. The publisher remains neutral with regard to jurisdictional claims in
published maps and institutional affiliations.

Printed on acid-free paper

This Springer imprint is published by the registered company Springer International Publishing AG
part of Springer Nature
The registered company address is: Gewerbestrasse 11, 6330 Cham, Switzerland
 Preface

This volume (LNCS vol. 10943) constitutes the proceedings of the Third International
Conference on Data Mining and Big Data (DMBD 2018), which was held in con-
junction with the 9th International Conference on Swarm Intelligence (ICSI 2018),
during June 17–22, 2018, in Anting Crowne Plaza Holiday Hotel, Shanghai, China.
The Third International Conference on Data Mining and Big Data (DMBD 2018)
serves as an international forum for researchers and practitioners to exchange the latest
advances in the theories, technologies, and applications of data mining and big data.
The theme of DMBD 2018 was “Serving Life with Data Science.” DMBD 2018 was
the third event after the successful first event (DMBD 2016) at Bali, Indonesia, and
second event (DMBD 2017) at Fukuoka, Japan.
Data mining refers to the activity of going through big data sets to look for relevant
or pertinent information. This type of activity is a good example of the axiom “looking
for a needle in a haystack.” The idea is that businesses collect massive sets of data that
may be homogeneous or automatically collected. Decision-makers need access to
smaller, more specific pieces of data from these large sets. They use data mining to
uncover the pieces of information that will inform leadership and help chart the course
for a business. Big data contains a huge amount of data and information and is worth
researching in depth. Big data, also known as massive data or mass data, refers to the
amount of data involved that are too large to be interpreted by a human. Currently, the
suitable technologies include data mining, crowdsourcing, data fusion and integration,
machine learning, natural language processing, simulation, time series analysis, and
visualization. It is important to find new methods to enhance the effectiveness of big
data. With the advent of big data analysis and intelligent computing techniques we are
facing new challenges to make the information transparent and understandable
efficiently.
DMBD 2018 provided an excellent opportunity and an academic forum for aca-
demics and practitioners to present and discuss the latest scientific results, methods, and
innovative ideas and advantages in theories, technologies, and applications in data
mining, big data, and intelligent computing. The technical program covered many
aspects of data mining, big data, and swarm intelligence as well as intelligent com-
puting methods applied to all fields of computer science, machine learning, data mining
and knowledge discovery, robotics, data science, etc.
DMBD 2018 took place in the Anting Crowne Plaza Holiday Hotel in Shanghai,
which is the first five-star international hotel in the Jiading District of Grand Shanghai
in China. It is located within the immediate vicinity of the Shanghai Automobile
Exhibition Center and strategically situated near Shanghai International Circuit, with
easy access via Metro Line 11. The hotel blends nature and state-of-the-art design with
extensive facilities and amenities, which ensures a memorable experience. Shanghai,
Hu for short, also known as Shen, is the largest and the most developed metropolis with
both modern and traditional Chinese features in China. It is also a global financial
VI Preface

center and transport hub. Shanghai offers many spectacular views and different per-
spectives. It is a popular travel destination for visitors to sense the pulsating devel-
opment of China. The participants of DMBD 2018 had the opportunity to enjoy
traditional Hu operas, beautiful landscapes, and the hospitality of the Chinese people,
Chinese cuisine, and a modern Shanghai.
DMBD 2018 received 126 submissions and invited manuscripts from about 358
authors in 35 countries and regions (Algeria, Aruba, Bahamas, Bangladesh, Brazil,
Brunei Darussalam, Bulgaria, China, Colombia, Cuba, Ecuador, Egypt, France,
Germany, Honduras, Chinese Hong Kong, India, Indonesia, Italy, Japan, Malaysia,
New Zealand, Poland, Portugal, Romania, Russia, Serbia, Singapore, South Korea,
Spain, Chinese Taiwan, UK, USA, Venezuela, Vietnam) across six continents (Asia,
Europe, North America, South America, Africa, and Oceania). Each submission was
reviewed by at least two reviewers, and on average 2.3 reviewers. Based on rigorous
reviews by the Program Committee members and reviewers, 74 high-quality papers
were selected for publication in this proceedings volume with an acceptance rate of
58.73%. The papers are organized in 16 cohesive sections covering major topics of data
mining and big data.
On behalf of the Organizing Committee of DMBD 2018, we would like to express
sincere thanks to Tongji University, Peking University, and Southern University of
Science and Technology for their sponsorship, and to the Robotics and Multi-body
System Laboratory at the School of Mechanical Engineering of Tongji University, the
Computational Intelligence Laboratory of Peking University, and the IEEE Beijing
Chapter for its technical co-sponsorship, as well as to our supporters: International
Neural Network Society, World Federation on Soft Computing, Beijing Xinghui
Hi-Tech Co., Bulinge Co. and Springer.
We would also like to thank the members of the Advisory Committee for their
guidance, the members of the international Program Committee and additional
reviewers for reviewing the papers, and the members of the Publications Committee for
checking the accepted papers in a short period of time. We are particularly grateful to
the Springer for publishing the proceedings in the prestigious series of Lecture Notes in
Computer Science. Moreover, we wish to express our heartfelt appreciation to the
plenary speakers, session chairs, and student helpers. In addition, there are still many
more colleagues, associates, friends, and supporters who helped us in immeasurable
ways; we express our sincere gratitude to them all. Last but not the least, we would like
to thank all the speakers, authors, and participants for their great contributions that
made DMBD 2018 successful and all the hard work worthwhile.

May 2018 Ying Tan

Yuhui Shi
Qirong Tang
 Organization

General Co-chairs
Ying Tan Peking University, China
Russell C. Eberhart IUPUI, USA

Program Committee Chair

Yuhui Shi Southern University of Science and Technology, China

Organizing Committee Chair

Qirong Tang Tongji University, China

Advisory Committee Chairs

Gary G. Yen Oklahoma State University, USA
Qidi Wu Ministry of Education, China

Technical Committee Co-chairs

Haibo He University of Rhode Island Kingston, USA
Kay Chen Tan City University of Hong Kong, SAR China
Nikola Kasabov Auckland University of Technology, New Zealand
Ponnuthurai N. Suganthan Nanyang Technological University, Singapore
Xiaodong Li RMIT University, Australia
Hideyuki Takagi Kyushu University, Japan
M. Middendorf University of Leipzig, Germany
Mengjie Zhang Victoria University of Wellington, New Zealand
Lei Wang Tongji University, China

Plenary Session Co-chairs

Andreas Engelbrecht University of Pretoria, South Africa
Chaoming Luo University of Detroit Mercy, USA

Invited Session Co-chairs

Maoguo Gong Northwest Polytechnic University, China
Weian Guo Tongji University, China
VIII Organization

Special Sessions Chairs

Ben Niu Shenzhen University, China
Yinan Guo China University of Mining and Technology, China

Tutorial Co-chairs
Milan Tuba John Naisbitt University, Serbia
Hongtao Lu Shanghai Jiaotong University, China

Publications Co-chairs
Swagatam Das Indian Statistical Institute, India
Radu-Emil Precup Politehnica University of Timisoara, Romania

Publicity Co-chairs
Yew-Soon Ong Nanyang Technological University, Singapore
Carlos Coello CINVESTAV-IPN, Mexico
Yaochu Jin University of Surrey, UK

Finance and Registration Chairs

Andreas Janecek University of Vienna, Austria
Suicheng Gu Google Corporation, USA

Local Arrangements Co-chairs

Changhong Fu Tongji University, China
Lulu Gong Tongji University, China

Conference Secretariat
Xiangyu Liu Peking University, China

International Program Committee

Mohd Helmy Abd Wahab Universiti Tun Hussein Onn, Malaysia
Miltos Alamaniotis Purdue University, USA
Carmelo J. A. Bastos Filho University of Pernambuco, Brazil
David Camacho Universidad Autonoma de Madrid, Spain
Vinod Chandra S. S. College of Engineering Thiruvananthapuram, India
Xu Chen Jiangsu University, China
Shi Cheng Shaanxi Normal University, China
Jose Alfredo Ferreira Costa Federal University, UFRN, Brazil
Bogusaw Cyganek Wrocław University of Technology, Poland
 Organization IX

Ke Ding Peking University, China

Bei Dong Shaanxi Normal University, China
Wei Du East China University of Science and Technology,
China
Qinqin Fan Shanghai Maritime University, China
Wei Fang Jinan University, China
Kaizhou Gao Liaocheng University, China
Liang Gao Huazhong Univ. of Science and Technology, China
Shangce Gao University of Toyama, Japan
Teresa Guarda Universidad Estatal da Peninsula de Santa Elena,
Ecuador
Weian Guo Tongji University, China
Dariusz Jankowski Wrocław University of Technology, Poland
Mingyan Jiang Shandong University, China
Qiaoyong Jiang Xi’an University of Technology, China
Chen Junfeng Hohai University, China
Imed Kacem LCOMS, Université de Lorraine, France
Kalinka Kaloyanova University of Sofia, Bulgaria
Germano Lambert-Torres PS Solutions, USA
Bin Li University of Science and Technology of China, China
Yangyang Li Xidian University, China
Andrei Lihu Politehnica University of Timisoara, Romania
Qunfeng Liu Dongguan University of Technology, China
Hui Lu Beihang University, China
Wenjian Luo University of Science and Technology of China
Lianbo Ma Northeastern University, China
Wojciech Macyna Wroclaw University of Technology, Poland
Vasanth Kumar Mehta SCSVMV University
Yi Mei Victoria University of Wellington, New Zealand
Mohamed Arezki Mellal M’Hamed Bougara University, Algeria
Sanaz Mostaghim Institute IWS, Germany
Ben Niu Shenzhen university, China
Sheak Rashed Haider Noori Daffodil International University, Bangladesh
Somnuk Phon-Amnuaisuk Universiti Teknologi Brunei
Bo-Yang Qu Central College of Technology, China
Tianshu Qu Peking University, China
Gerald Schaefer Loughborough University, UK
Manik Sharma DAV University, India
Ivan Silva University of São Paulo, Brazil
Pramod Kumar Singh ABV-IIITM Gwalior, India
Yifei Sun Shaanxi Normal University, China
Ying Tan Peking University, China
Qirong Tang Tongji University, China
Zhang Tao Tianjin University, China
Ye Tian Biogen Idec, USA
X Organization

Andrysiak Tomasz University of Technology and Life Sciences (UTP),

Poland
Paulo Trigo ISEL, Portugal
Milan Tuba John Naisbitt University, Serbia
Agnieszka Turek Warsaw University of Technology, Poland
Gai-Ge Wang Jiangsu Normal University, China
Guoyin Wang Chongqing University of Posts and
Telecommunications, China
Hong Wang Shenzhen University, China
Lei Wang Tongji University, China
Zhenzhen Wang Jinling Institute of Technology, China
Ka-Chun Wong City University of Hong Kong, SAR China
Michal Wozniak Wroclaw University of Technology, Poland
Guohua Wu National University of Defense Technology, China
Zhou Wu Chonqing University, China
Rui Xu Hohai University, China
Xuesong Yan China University of Geosciences, China
Yingjie Yang De Montfort University, UK
Zhile Yang Shenzhen Institute of Advanced Technology, Chinese
Academy of Sciences, China
Guo Yi-Nan China University of Mining and Technology, China
Jie Zhang Newcastle University, UK
Qieshi Zhang Shenzhen Institutes of Advanced Technology, Chinese
Academy of Sciences, China
Xinchao Zhao Beijing University of Posts and Telecommunications,
China

Additional Reviewers

Augusto, Maria Fernanda Tian, Yanling

Bi, Ying Wang, Shusen
Cerrada, Mariela Xu, Gang
Junyi, Chen Yan, Shankai
Liu, Jing Yang, Zhile
Mahmud, S. M. Hasan Zhang, Jiao
 Contents

Database

Database Performance Tuning and Query Optimization . . . . . . . . . . . . . . . . 3

Sadhana J. Kamatkar, Ajit Kamble, Amelec Viloria,
Lissette Hernández-Fernandez, and Ernesto García Cali

Profiling Analysis of 10 Years of Rare Disease Research

Using Scientific Literature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
Hongmei Guo, Na Hong, Zhesi Shen, Wenfei Duan, and Zhixiong Zhang

Bibliometric Analysis of Social Innovation and Complexity

(Databases Scopus and Dialnet 2007–2017) . . . . . . . . . . . . . . . . . . . . . . . . 23
Mercedes Gaitán-Angulo, Jenny Cubillos Díaz, Amelec Viloria,
Jenny-Paola Lis-Gutiérrez, and Paula Alejandra Rodríguez-Garnica

Data Preprocessing

Methodology for the Reduction and Integration of Data in the Performance

Measurement of Industries Cement Plants . . . . . . . . . . . . . . . . . . . . . . . . . 33
Noel Varela Izquierdo, Henrry Ricardo Cabrera,
Guillermo Lopez Carvajal, Amelec Viloria, Mercedes Gaitán Angulo,
and Maury-Ardila Henry

Models of Multivariate Regression for Labor Accidents

in Different Production Sectors: Comparative Study . . . . . . . . . . . . . . . . . . 43
Omar Bonerge Pineda Lezama, Noel Varela Izquierdo,
Damayse Pérez Fernández, Rafael Luciano Gómez Dorta,
Amelec Viloria, and Ligia Romero Marín

Label Propagation Algorithm Based on Adaptive H Index . . . . . . . . . . . . . . 53

Xiaoxiang Zhu and Zhengyou Xia

A Comparative Study Between Feature Selection Algorithms . . . . . . . . . . . . 65

Víctor Hugo Medina Garcia, Jorge Rodriguez Rodriguez,
and Miguel Angel Ospina Usaquén

Human Occupation as a Complex System . . . . . . . . . . . . . . . . . . . . . . . . . 77

Yury Arenis Olarte Arias, Manuel-Ignacio Balaguera,
Mercedes Gaitán-Angulo, Jenny-Paola Lis-Gutiérrez, Amelec Viloria,
and Ana Hernández Chacín
XII Contents

Matrix Factorization

A Comparative Study of Network Embedding Based

on Matrix Factorization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
Xin Liu and Kyoung-Sook Kim

Explainable Matrix Factorization with Constraints on Neighborhood

in the Latent Space . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
Shuo Wang, Hui Tian, Xuzhen Zhu, and Zhipeng Wu

Optimization Matrix Factorization Recommendation Algorithm Based

on Rating Centrality . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
Zhipeng Wu, Hui Tian, Xuzhen Zhu, and Shuo Wang

Data Analysis

An Entropy-Based Similarity Measure for Collaborative Filtering . . . . . . . . . 129

Soojung Lee

Three-Segment Similarity Measure Model for Collaborative Filtering. . . . . . . 138

Fangyi Hu

Factor Analysis of the Psychosocial Risk Assessment Instrument . . . . . . . . . 149

Nunziatina Bucci, Marisabel Luna, Amelec Viloria,
Judith Hernández García, Alexander Parody, Noel Varela,
and Luz A. Borrero López

Combination of Case-Based Reasoning and Data Mining

Through Integration with the Domain Ontology . . . . . . . . . . . . . . . . . . . . . 159
Tatiana Avdeenko, Ekaterina Makarova, and Samal Begenova

Hierarchical Ascending Classification: An Application to Contraband

Apprehensions in Colombia (2015–2016) . . . . . . . . . . . . . . . . . . . . . . . . . . 168
Jenny-Paola Lis-Gutiérrez, Harry Ernesto Reyna-Niño,
Mercedes Gaitán-Angulo, Amelec Viloria,
and Jairo Enrique Santander Abril

Dynamics of the Air Passenger Transportation Market in Colombia (2016). . . . 179

Jenny-Paola Lis-Gutiérrez, Jessica Paola Muñoz Segura,
Mercedes Gaitán-Angulo, Linda Carolina Henao, Amelec Viloria,
Luz-Elena Malagón, and Doris Aguilera-Hernández

Analysis of Patterns in the University World Rankings Webometrics,

Shanghai, QS and SIR-SCimago: Case Latin America . . . . . . . . . . . . . . . . . 188
Maritza Torres-Samuel, Carmen Luisa Vásquez, Amelec Viloria,
Noel Varela, Lissette Hernández-Fernandez, and Rafael Portillo-Medina
 Contents XIII

Visualization

Image Processing Pipeline for Web-Based Real-Time 3D Visualization

of Teravoxel Volumes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
Akanksha Ashwini and Jaerock Kwon

Big Data Visualization of the Alcohol Expenses in Taiwan . . . . . . . . . . . . . 213

Chien-wen Shen, Thai-Ha Luong, Li-An Chien, and Jung-Tsung Ho

Visibility Analysis

Visibility of Research in Universities: The Triad

Product-Researcher-Institution. Case: Latin American Countries . . . . . . . . . . 225
Carmen Vásquez, Maritza Torres-Samuel, Amelec Viloria,
Tito Crissien Borrero, Noel Varela, Jenny-Paola Lis-Gutiérrez,
and Mercedes Gaitán-Angulo

Efficiency Analysis of the Visibility of Latin American Universities

and Their Impact on the Ranking Web . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
Maritza Torres-Samuel, Carmen Vásquez, Amelec Viloria,
Tito Crissien Borrero, Noel Varela, Danelys Cabrera,
Mercedes Gaitán-Angulo, and Jenny-Paola Lis-Gutiérrez

Concentrations and Size Distributions of Fungal Bioaerosols

in a Municipal Landfill . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
W. B. Morgado Gamero, M. Castillo Ramírez, Alexander Parody,
Amelec Viloria, Milton Henrique Arrieta López,
and Sadhana J. Kamatkar

Web Visibility Profiles of Top100 Latin American Universities . . . . . . . . . . 254

Maritza Torres-Samuel, Carmen Vásquez, Amelec Viloria,
Jenny-Paola Lis-Gutiérrez, Tito Crissien Borrero, and Noel Varela

Clustering

Multiple Kernel Shadowed Clustering in Approximated Feature Space. . . . . . 265

Yin-Ping Zhao, Long Chen, and C. L. Philip Chen

Cluster of the Latin American Universities Top100 According to

Webometrics 2017 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276
Carmen Vásquez, Maritza Torres-Samuel, Amelec Viloria,
Jenny-Paola Lis-Gutiérrez, Tito Crissien Borrero, Noel Varela,
and Danelys Cabrera

Data Mining Using Clustering Techniques as Leprosy Epidemiology

Analyzing Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284
Ygor Eugenio Dutra da Silva, Claudio Guedes Salgado,
Valney Mara Gomes Conde, and Guilherme Augusto Barros Conde
XIV Contents

Electronic and Traditional Savings Accounts in Colombia:

A Spatial Agglomeration Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294
Jenny-Paola Lis-Gutiérrez, Mercedes Gaitán-Angulo,
Melissa Lis-Gutiérrez, Amelec Viloria, Jenny Cubillos,
and Paula-Alejandra Rodríguez-Garnica

Determination of Dimensionality of the Psychosocial Risk Assessment

of Internal, Individual, Double Presence and External Factors
in Work Environments. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 304
Amelec Viloria, Nunziatina Bucci, Marisabel Luna,
Jenny-Paola Lis-Gutiérrez, Alexander Parody,
Darwin Eliecer Solano Bent, and Luz A. Borrero López

A Novel SPITters Detection Approach with Unsupervised

Density-Based Clustering . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 314
Jianzhong Zhang, Jingjing Wang, Yu Zhang, Jingdong Xu,
and Huan Wu

An Improved PSO-Based Clustering Algorithm Inspired

by Tissue-Like P System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325
Tong Gao, Xiyu Liu, and Lin Wang

Prediction

Prediction and Learning Analysis Using Ensemble Classifier Based

on GA in SPOC Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 339
Jia-Lian Li, Shu-Tong Xie, Jun-Neng Wang, Yu-Qing Lin,
and Qiong Chen

Influence of the Management of the Innovation in the Business

Performance of the Family Business: Application to the Printing Sector
in Colombia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 349
Mercedes Gaitán-Angulo, Amelec Viloria, Jenny-Paola Lis-Gutiérrez,
Dionicio Neira, Enrrique López, Ernesto Joaquín Steffens Sanabria,
and Claudia Patricia Fernández Castro

Prevention of Disasters Supported on the Internet of Things

and Early Warning Systems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 360
Jimena Peña Muñoz and Roberto Ferro Escobar

Classification

Relation Classification via BiLSTM-CNN . . . . . . . . . . . . . . . . . . . . . . . . . 373

Lei Zhang and Fusheng Xiang
 Contents XV

A Transfer Learning Based Hierarchical Attention Neural Network

for Sentiment Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 383
Zhaowei Qu, Yuan Wang, Xiaoru Wang, and Shuqiang Zheng

A Generic Model Based on Multiple Domains for Sentiment Classification . . . 393

Zhaowei Qu, Yanjiao Zhao, Xiaoru Wang, and Chunye Wu

Identification of Sentiment Labels Based on Self-training . . . . . . . . . . . . . . . 404

Zhaowei Qu, Chunye Wu, Xiaoru Wang, and Yanjiao Zhao

A Self-training Method for Detection of Phishing Websites . . . . . . . . . . . . . 414

Xue-peng Jia and Xiao-feng Rong

Application of Data Mining for Behavior Pattern Recognition

in Telecommunication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 426
Xingshen Wu, Yu Zhao, Qiang Gu, and Li Gao

Application of Classification Technique of Data Mining for Employee

Management System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 434
Sadhana J. Kamatkar, Amarapali Tayade, Amelec Viloria,
and Ana Hernández-Chacín

A Rule-Based System to Classify Scheduling Problems and Solution

Techniques for Service Systems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 445
Eduyn López-Santana, Germán Méndez-Giraldo,
and José Ignacio Rodriguez Molano

Pattern Discovery

Expert Finding in CQA Based on Topic Professional Level Model . . . . . . . . 459

Shuaiyang Wang, Di Jiang, Lei Su, Zhengyu Fan, and Xi Liu

Mining High Utility Sequential Patterns Using Maximal Remaining Utility. . . . 466
Wei Song and Keke Rong

Stance Detection on Microblog Focusing on Syntactic Tree Representation. . . . 478

Umme Aymun Siddiqua, Abu Nowshed Chy, and Masaki Aono

Determinants of the Impact Factor of Publications: A Panel Model

for Journals Indexed in Scopus 2017 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 491
Jenny Paola Lis-Gutiérrez, Carolina Henao, Álvaro Zerda,
Mercedes Gaitán, Juan Carlos Correa, and Amelec Viloria

Text Mining and Knowledge Management

Multi-question Negative Surveys. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 503

Hao Jiang and Wenjiang Luo
XVI Contents

Company Family, Innovation and Colombian Graphic Industry: A Bayesian

Estimation of a Logistical Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 513
Mercedes Gaitán-Angulo, Jairo Enrique Santander Abril,
Amelec Viloria, Julio Mojica Herazo, Pedro Hernández Malpica,
Jairo Luis Martínez Ventura, and Lissette Hernández-Fernández

Formulation of Strategies for Efficient Cadastral Management . . . . . . . . . . . 523

Ramón Vargas, Maritza Torres-Samuel, Marisabel Luna,
Amelec Viloria, and Omar Sandoval Fernández

Knowledge Management Model to Support Software Development . . . . . . . . 533

Víctor Hugo Medina Garcia, Edwin Rivas Trujillo,
and José Ignacio Rodriguez Molano

Recommendation System in Social Media

A Deep Point-of-Interest Recommendation System in Location-Based

Social Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 547
Yuehua Wang, Zhinong Zhong, Anran Yang, and Ning Jing

Public Opinion Toward Social Business from a Social Media Perspective . . . 555
Chien-Wen Shen and Jung-Tsung Ho

Research on the Factors Influencing Users’ Adoption Intention

of E-commerce Recommendation System . . . . . . . . . . . . . . . . . . . . . . . . . . 563
Xiaobing Gan, Yanmin Jiao, Lei Liu, and Yanhua Zhang

An Energy-Aware Routing Protocol with Small Overhead for Wireless

Sensor Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 575
Yadong Yu and Jun Liu

Deep Learning

Bibliometric Analysis of the Deep Learning Research Status

with the Data from Web of Science. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 585
Meixin Mao, Zili Li, Zhao Zhao, and Li Zeng

A Data-Driven Path Planner for Small Autonomous Robots

Using Deep Regression Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 596
Fredy Martínez, Angelica Rendón, and Mario Arbulú

Design Tool of Deep Convolutional Neural Network for Visual Inspection. . . 604
Fusaomi Nagata, Kenta Tokuno, Akimasa Otsuka, Takeshi Ikeda,
Hiroaki Ochi, Hisami Tamano, Hitoshi Nakamura, Keigo Watanabe,
and Maki K. Habib
 Contents XVII

Deep Stock Ranker: A LSTM Neural Network Model for Stock Selection . . . 614
Xiaolin Zhang and Ying Tan

Big Data

Big Data: An Exploration Toward the Improve of the Academic

Performance in Higher Education . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 627
Leonardo Emiro Contreras Bravo,
Giovanny Mauricio Tarazona Bermudez,
and José Ignacio Rodríguez Molano

Processing Missing Information in Big Data Environment . . . . . . . . . . . . . . 638

Yuxin Chen, Shun Li, and Jiahui Yao

Big Data Tools for Smart Cities . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 649

José Ignacio Rodríguez-Molano, Leonardo Emiro Contreras-Bravo,
and Eduyn Ramiro López-Santana

Big Data and Blockchain Basis for Operating a New Archetype

of Supply Chain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 659
María Alejandra Rubio, Giovanny Mauricio Tarazona,
and Leonardo Contreras

Methodology for the Design of a Student Pattern Recognition Tool

to Facilitate the Teaching - Learning Process Through Knowledge
Data Discovery (Big Data) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 670
Amelec Viloria, Jenny-Paola Lis-Gutiérrez, Mercedes Gaitán-Angulo,
Abel Ramiro Meza Godoy, Gloria Cecilia Moreno,
and Sadhana J. Kamatkar

Industry 4.0

Model for the Incorporation of Big Data in Knowledge Management

Oriented to Industry 4.0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 683
Lizeth Juliana Arenas Cárdenas, Whitney Fernanda Tenjo Ramírez,
and José Ignacio Rodríguez Molano

Architecture Proposal for the Information Management in the Generation

of Energy in Industry 4.0 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 694
Jorge Andrés Sánchez Naranjo, Jose Ignacio Rodríguez Molano,
and Karen Tatiana González Rojas

Impact of Implementing Industry 4.0 in Colombia’s Supply Chains. . . . . . . . 704

Jose Ignacio Rodriguez Molano, Stephanie Johanna García Moncada,
and Karol Daniela León Parra
XVIII Contents

Some Practical Applications

Research on the Calculation of Urban Transport Carbon Dioxide

Emissions: A Case Study of Guangzhou City . . . . . . . . . . . . . . . . . . . . . . . 717
Hai-Xia Zhang and Wen-Yuan Liao

Application of an Experimental Design of D-Optimum Mixing Based

on Restrictions for the Optimization of the Pre-painted Steel Line
of a Steel Producer and Marketing Company . . . . . . . . . . . . . . . . . . . . . . . 729
Alexander Parody, Amelec Viloria, Jenny Paola Lis, Luz Elena Malagón,
Ernesto García Calí, and Hugo Hernández Palma

Application of a Central Design Composed of Surface of Response

for the Determination of the Flatness in the Steel Sheets
of a Colombian Steel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 739
Alexander Parody, Amelec Viloria, Mercedes Gaitán,
Luz Elena Malagón, Maury-Ardila Henry, Hugo Hernández Palma,
and Ligia M. Castro Barrios

Effect of Vitamin A, Zinc and Multivitamin Supplementation on the

Nutritional Status and Retinol Serum Values in School-Age Children . . . . . . 748
Carmen Carrero, Jorymar Leal, Pablo Ortega, Alexander Parody,
Marilyn Montilla, Leandro Sierra, Amelec Viloria,
Tito Crissien Borrero, and Noel Varela

Conglomerates of Latin American Countries and Public Policies

for the Sustainable Development of the Electric Power Generation Sector . . . 759
Leadina Sanchez, Carmen Vásquez, Amelec Viloria, and Cmeza-estrada

Co-creation Model in Small and Medium Businesses: Case Study

of the Colombian Dairy Sector . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 767
Alexandra Rodríguez Chala, Giovanny Mauricio Tarazona Bermudez,
and José Ignacio Rodríguez Molano

Greenhouse Gases Emissions and Electric Power Generation in Latin

American Countries in the Period 2006–2013 . . . . . . . . . . . . . . . . . . . . . . . 777
Leadina Sánchez, Carmen Vásquez, Amelec Viloria,
and Lizeth Rodríguez Potes

Use of the Industrial Property System for New Creations in Colombia:

A Departmental Analysis (2000–2016). . . . . . . . . . . . . . . . . . . . . . . . . . . . 786
Jenny-Paola Lis-Gutiérrez, Melissa Lis-Gutiérrez,
Mercedes Gaitán-Angulo, Manuel-Ignacio Balaguera, Amelec Viloria,
and Jairo-Enrique Santander-Abril

Author Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 797

Database
 Database Performance Tuning
and Query Optimization

Sadhana J. Kamatkar1(&), Ajit Kamble1, Amelec Viloria2,

Lissette Hernández-Fernandez2, and Ernesto García Cali2
1
University of Mumbai, Mumbai, India
sjkamatkar@mu.ac.in, ajit@ucc.mu.ac.in
2
Universidad de la Costa, Barranquilla, Colombia
{aviloria7,lhernand31,egarcia29}@cuc.edu.co

Abstract. Today, IT professionals are challenged with the task of ongoing

improvements to achieve goals of businesses. Unfortunately, some
factor/Resources, skill environment does not dynamically grow as fast as
business needs. That sequence of events creates major obstacles for DB
infrastructure, deployment, administration and maintenance. This paper dis-
cusses the performance issues, different bottlenecks such as CPU bottlenecks,
Memory structures, Input output capacity issue, Database Design issues and
Indexing issues. Also this paper address Tuning stages and how SQL queries
can be optimized for better performance. In this paper we are focusing on query
tuning tips & tricks which can be applied to gain immediate performance gain
by creating Query Execution Flow Chart. We demonstrate the application of this
technique in an Employee Biometric Attendance Management System.

Keywords: Database management system
RDBMS
Database tuning

Query optimization
Database performance
Optimization techniques

1 Introduction

The goal of database performance tuning is to minimize the response time of queries by
making the best use of system resources. The best use of these resources involves
minimizing network traffic, disk I/O, and CPU time. This goal can only be achieved by
understanding the logical and physical structure of data, the applications used on
system, and how the conflicting uses of database might affect performance. Although
newer relational databases and faster hardware run most SQL queries with a signifi-
cantly small response time, there is always room for improvement. SQL performance
tuning can be an incredibly difficult task, particularly when working with large- scale
data where even the most minor change can have a dramatic - positive or negative
impact on performance. Since most relational databases share same design concepts
under their hood, this paper is not specific to any particular vendor. Although in our
example we talk about five databases, these tips apply to a wider range of RDBMS.
Database Management System (DBMS) is the main source of any Organization,
Institute or Company to run their business. One of the core value of any organization is
customer centricity, performance tuning is highly desirable and Customers’ needs to be

© Springer International Publishing AG, part of Springer Nature 2018

Y. Tan et al. (Eds.): DMBD 2018, LNCS 10943, pp. 3–11, 2018.
https://doi.org/10.1007/978-3-319-93803-5_1
4 S. J. Kamatkar et al.

satisfied. Database performance tuning encompasses the steps one can take to optimize
performance with the goal of maximizing the use of system resources for greater
efficiency [1–4]. By fine- tuning certain database elements such as index use, query
structure, data models system configuration (e.g., hardware and OS settings) and
application design, one can significantly impact the overall performance of application
[5–8].

2 Performance Tuning

Database Tuning is the activity of making a database application run more quickly.
“More quickly” usually means higher throughput, though it may mean lower response
time for time-critical applications. SQL Statements are used to retrieve data from the
database. We can get same results by writing different SQL queries. But use of the best
query is important when performance is considered [9].

2.1 Performance Issues

See Fig. 1.

Fig. 1. Performance issues

2.2 Typical Bottlenecks

One of the first tasks in database tuning is to understand the causes of the problems and
find the current bottlenecks and different factors [10].
• CPU Bottlenecks
CPU performance bottlenecks occur for a variety of reasons. They include having a
non-optimal query plan, an inadequate design application or database design, poor SQL
 Database Performance Tuning and Query Optimization 5

Server configuration or a lack of hardware resources. Review the operation system

CPU and processor counters for Processor Queue Length to verify that the number of
threads waiting for CPU cycles is eight or less. If this number is greater than 12, it
means that the CPU is causing the performance issue [11].
Once one have identified a CPU bottleneck, use sys.dm_os_wait_stats dynamic
management view (DMV) to identify the top ten worst-performing queries for the
CPU, as shown below.

One can then tune these queries and the underlying indexes to resolve the CPU
bottleneck. Also, configure SQL Server to use all available CPU machines. One can
also scale up SQL Server system by adding additional CPUs or upgrading to a new
server with more and faster CPUs.
• Memory Structures
Memory affects SQL Server performance more than any other piece of hardware.
Therefore, it is necessary to monitor memory usage regularly on SQL Server systems to
ensure that the percentage of memory available is higher than 20%. If users are
experiencing performance issues and the percentage of available memory drops below
20%, then the problem is insufficient memory allocation. Observe the average page life
expectancy performance counter and make sure it is always above 300 s (5 min).
Anything less indicates either poor index design leading to increased disk input/output
(I/O) and less effective use of memory or an actual shortage of memory. Monitor the
paging rates on the SQL Server system, and make sure they are regularly above 1,000
pages per second. Typically, small OLTP transactions do not require large memory
grants. Anything greater than a memory grant of zero for an OLTP transaction indicates
low memory in a SQL Server system [12].
One way to handle memory bottlenecks is to find memory-intensive processes,
which can be used to identify potential application problems such as memory leaks.
One can also review queries to optimize performance to consume less memory.
Another approach is to scale up the SQL Server environment by adding more physical
6 S. J. Kamatkar et al.

memory (RAM) to the SQL Server. Scaling up is usually a good approach to address
any performance bottleneck related to memory.
• I/O Capacity issue
Compared to other hardware resources, storage input/output is usually the slowest
of the system resources in SQL Server. Therefore, it is essential to investigate whether
one can optimize the design and configuration of the storage system to achieve scal-
ability and high performance, disk counters for Average Disk Sec/Read and Average
Disk.
Sec/Write. Make sure that the time a read or write takes is, ideally, less than 12 ms
for OLTP systems and higher for decision support systems.
As with memory, the easiest way to solve a disk I/O performance bottleneck is to
scale up the SQL Server environment by replacing existing disks with faster disks that
can better cope with the I/O load and that distribute the I/O load across multiple
spindles. Also, defragment the data disk regularly [13, 14].
• Database Design issues
Poor database design leads to inadequate database performance. For example, the
highly normalized database is associated with complex relational joins. This result in
long-running queries that waste system resources such as CPU, memory and disk I/O.
Thus a highly normalized database degrades SQL Server and database performance
significantly. The general rule for writing efficient queries is to redesign the database if
any operation requires five or more table joins.
• Indexing Issues
Indexes are the solution to many performance problems, but having too many
indexes on frequently updated tables can incur additional overhead because SQL
Server performs extra work to keep indexes up-to-date during insert/update/delete
operations. Thus the SQL Server database engine needs more time when updating data
in the table based on the number and complexity of the indexes. Also, index mainte-
nance can increase CPU and I/O usage, which can be harmful to performance in a
write-intensive system. One has to remove any duplicate and redundant indexes as they
are a draining the system resources.

2.3 Tuning Stages

These tuning stages describe the phases of the software cycle and the order in which
those phases are executed. Each phase produces deliverables required by the next phase
in the life cycle [15–17]. Requirements are translated into design. Code is produced
according to the design which is called development phase. After coding and devel-
opment, the testing verifies the deliverable of the implementation phase against
requirements. The management plays an important role to control and manage the
system as per the guidelines, to enhance the performance of the system (Fig. 2).
 Database Performance Tuning and Query Optimization 7

Fig. 2. Tuning stages

3 Query Optimization

Query optimization is the overall process of choosing the most efficient means of
executing a SQL statement.
SQL is a nonprocedural language, so the optimizer is free to merge, reorganize, and
process in any order. The database optimizes each SQL statement based on statistics
collected about the accessed data. The following are the causes for bottlenecks [18].

3.1 Causes
CPU Bottlenecks, database upgrade issue, database configuration issue, poor database
design, large table, indexing issue, key issue, unmanaged complex query, bad coding,
and data loads consuming lots of resources and time.

3.2 Query Optimization Techniques

There are some query optimization techniques as follows [15]: The SQL query
becomes faster if one uses the actual columns names in SELECT statement instead of
than ‘*’; HAVING clause is used to filter the rows after all the rows are selected. It is
just like a filter; Try to minimize the number of sub query block in one’s query; Use
operator EXISTS, IN and table joins appropriately in one’s query; Try to use
UNION ALL in place of UNION; Use DROP TABLE then CREATE TABLE instead
of DELETE FROM to remove all data from a table etc.
8 S. J. Kamatkar et al.

4 Employee Biometric Attendance Management System

Mumbai University has many more application with large Database and Applications.
Like “Employee Biometric Attendance Management System”. The Database of this
system stores the large amount of Employee attendance data and Leave Application
data. We generate many reports such as monthly report of “Employee Attendance
Statistics Report” (Fig. 4). In this Report the following are required fields: employee
code; employee name department name designation; total working days’ total present
days early going; late coming; total working hours and total leave taken.

4.1 Challenges
The BioHRM database has 90 tables which are inter related to each other. Those Tables
have large amount of employees’ attendance and leave application data. And BioHRM
System has categories into two category one is Teaching Staff (Total staff-230) and
another is Non-Teaching Staff (Total staff-1140). Writing the query to get employee
attendance statistics with their respective leaves taken in that particular month becomes
complex. It’s taking more time to produce or generate reports and consume lots of
resources.

Fig. 3. BioHRM database

 Database Performance Tuning and Query Optimization 9

To overcome the above challenges, we have tried to overcome the causes of bot-
tleneck and optimize the query execution techniques (Fig. 3).

4.2 Simplified Query Execution with Help of Flow Chart

The BioHRM database has 90 tables which are inter related to each other, therefore
writing a Query becomes complex work. Employee Attendance Management System
(BioHRM) requires to generate many reports such as Daily Attendance report, Report
of Late Coming employees, early going employees, over time report, shift wise report,
leave taken report, Leave balance report, etc. To generate these reports, it is essential to
study the Entity Relation Diagram and Data Flow Diagram.

4.2.1 Entity Relation Diagram

Then it has become very easy to write the following complex query, to generate
monthly Employee Attendance Statistics Report.
10 S. J. Kamatkar et al.

Fig. 4. Entity relation diagram

4.2.2 Data Flow Diagram

See Fig. 5.

Fig. 5. Data flow diagram

 Database Performance Tuning and Query Optimization 11

5 Conclusion

There are many factors or Administration management techniques which play an

important role to maintain and improve the performance and efficiency of the Systems
such as - System resources availability, Integration with system, Skill Manpower and
Different Techniques to give better results. Using this we achieve good performance in
reliable time and improve system productivity. The purpose of this paper is to provide
SQL scenarios to serve as a quick and easy reference guide during the development
phase and maintenance of the database queries. This paper discusses the performance
issues and different bottlenecks. This paper address Tuning stages at the different
phases of the software cycle and how SQL queries can be optimized for better per-
formance. In this paper we are focusing on performance gain by creating Query
Execution Flow Chart. We have explained this technique by giving real life example of
an Employee Biometric Attendance Management System.

References
1. Oracle: Oracle Database Administrator’s Guide 11 g Release 2 (11.2) (2013)
2. Shasha, D.: Tuning databases for high performance. AMC Comput. Surv. Baltimore 28
3. Groff, J.R., Weinberg, P.N.: SQL: The Complete Reference, Second Edition
4. Choudhuri, S., Narasayya, V.: Self-tuning database systems: a decade progress. Microsoft
Research (2007)
5. Satish, S.K., Saraswatipura, M.K., Shastry, S.C.: DB2 performance enhancements using
materialized query table for LUW systems. In: ICONS 2007 Second International
Conference, April 2007
6. Wiese, D., Rabinovitch, G.: Knowledge Management in autonomic database performance
tuning, 20–25 April 2009
7. Zhang, G., Chen, M., Liu, L.: A model for application–oriented database performance tuning
8. Rupley Jr., M.L.: Introduction to Query Processing and Optimization. Indiana University at
South Bend (2008)
9. Agarwal, S., Bruno, N., Chaudhari, S.: AutoAdmin: self tuning database system technology.
IEEE Data Eng. Bull. (2006)
10. Auto Admin: Self-Tuning database systems technology. IEEE (2006)
11. SQL Memory Management in Oracle9i, Hong Kong, China (2002)
12. Foundations of Automated Database Tuning. In: VLDB 2006, Seoul, Korea, VLDB
Endowment. ACM, 12–15 September 2006
13. Burleson, D.: Oracle Tuning, The Definitive Reference Second Edition
14. Bruno, N., Chaudhuri, S.: Exploiting statistics on query expressions for optimization. In:
Proceedings of ACMSIGMOD Conference. ACM (2002)
15. Top 10 performance tuning tips for relational databases. http://web.synametrics.com/
top10performancetips.htm
16. SQL Server Optimization Tips (2017). http://santhoshgudise.weebly.com/uploads/8/5/4/7/
8547208/sql_server_optimization_tips-1.doc
17. Farooq, B.: Five tips to avoid a performance bottleneck or other SQL Server snares. http://
searchsqlserver.techtarget.com/tip/Five-tips-to-avoid-a-performance-bottleneck-or-other-
SQL-Server-snares
18. Viloria, A., Robayo, P.V.: Virtual network level of application composed IP networks
connected with systems-(NETS Peer-to-Peer). Indian J. Sci. Technol. 9(46) (2016)
Another random document with
no related content on Scribd:
 „Eine Frau, die liebt, nimmt den Kampf auf um den geliebten
Mann, wenn sie nicht ganz ohne Leidenschaft ist!“ fuhr Max Storf
ernst zu reden fort. „Verzeihen Sie mir, gnädige Frau, aber Sie
tragen selbst die Schuld daran, daß ich so zu Ihnen spreche!“ fügte
er hinzu.
Adele Altwirth sah mit einem vollen Blick ihrer grauen, beseelten
Augen zu dem Arzte auf.
„Warum sprechen Sie von mir?“ frug sie dann. „Es handelt sich
doch gar nicht um mich!“ sagte sie abweisend.
„Nein, sondern wohl um mich ...“ pflichtete er nachsichtig
lächelnd bei. „Ich soll als das räudige Schaf ...“
„Können wir nicht ernst bleiben, Herr Doktor?“
„Ja. Aber dann sprechen wir von Ihnen, gnädige Frau!“ sagte
Max Storf fest.
Wiederum herrschte eine Weile tiefes Schweigen zwischen den
beiden. Dann sagte Adele nachdenklich: „Was hat diese Frau nur an
sich, daß sie alle Männer wie im Sturm erobert?“
„Dasjenige, was den einen fehlt und was die andern in falschem
Stolz zu überwinden trachten ... Leidenschaft!“ erwiderte Max Storf
bestimmt.
„Ja ... das mag es wohl sein ...“ sprach Adele mit einem
träumerischen Blick. Dann erhob sie sich und reichte dem Arzt die
Hand. „Und nun haben Sie dasjenige mit mir getan, was ich
eigentlich Ihnen tun wollte. Sie haben mich auf die richtige Bahn
gewiesen. Ich fürchte nur, Sie kommen zu spät ...“ fügte sie leise
hinzu.
Es klang Traurigkeit in ihren Worten. Eine Resignation, die zu
hören dem Arzt wehe tat. Max Storf war gleichfalls aufgestanden
und führte die Hand der jungen Frau ehrfurchtsvoll an seine Lippen.
„Sie sind mir doch nicht böse, Herr Doktor?“ frug Adele warm.
„Nicht im mindesten, gnädige Frau!“ versicherte der Arzt. „Ich
habe allen Grund, dankbar zu sein.“
 „Dankbar? Wieso?“
„Weil ich in die Seele einer reinen Frau schauen durfte!“
entgegnete Max Storf mit Nachdruck. „Ich habe Sie jetzt erst kennen
gelernt.“
Adele Altwirth überkam ein Gefühl des Dankes. Es war lange her,
seitdem sie ein gutes, anerkennendes Wort gehört hatte. Es tat ihr
wohl. So wohl, daß wieder nach langer Zeit jenes strahlende Lächeln
ihr Gesicht verklärte, das ihr ganzes Wesen so warm und innig
erscheinen ließ ...
Max Storf und Frau Adele sprachen von dieser Zeit an oft und
gern miteinander. Sie wichen einander nicht mehr aus wie früher,
sondern freuten sich darauf, sich zu sehen und wie alte, gute
Freunde zu plaudern. Es lag eine Reinheit in dieser Freundschaft.
Eine Reinheit, die auf der Grundlage einer gegenseitigen
Wertschätzung beruhte. Sie waren beide glücklich darüber.
Glücklich, daß sie sich gefunden hatten und einander etwas
bedeuteten im Leben.
 Fünfzehntes Kapitel.

D runten am Saggen, in dem vornehmen Villenviertel Innsbrucks,

wohnte Doktor Valentin Rapp mit seiner Frau nun schon seit
einigen Jahren in einer kleinen Villa, die er sich nach seinem
Geschmack hatte bauen lassen. Das erste Stockwerk dieses
Hauses hatte der Rechtsanwalt für sich behalten, während er das
Erdgeschoß vermietet hatte.
Es war ein entzückendes kleines Haus in freier, herrlicher Lage,
mit einem großen Garten ringsherum, den der Rechtsanwalt in den
Stunden seiner Erholung selbst bebaute und pflegte. Da stand er oft
wie ein Arbeiter, hemdärmelig mit Spaten und Schaufel. Wühlte in
der Erde, setzte Blumen und Sträucher ein und legte sich auch eine
kleine Obstzucht an. Valentin Rapp hatte viel Liebe zur Natur und
fühlte den gesunden Trieb zu körperlicher Betätigung in sich.
So sehr sich der Rechtsanwalt in früheren Zeiten gegen eine
Verheiratung und gegen ein eigenes Heim gesträubt hatte, so viel
Sinn und Verständnis für die Ausgestaltung eines solchen bewies er
in den Jahren seiner Ehe. Er liebte sein Heim, das für ihn so viel
trauliches Glück barg, schmückte es mit Liebe und Hingebung aus
und hielt es wie ein Heiligtum.
Vor diesem kleinen Reich, wie er seinen Besitz nannte, mußte
die Sorge Halt machen. Dort durften Mißgunst und hämischer Neid
nicht einkehren. Mit aller Energie hatte sich der Rechtsanwalt Ruhe
vor dem Gerede der Leute verschafft. Er wollte sein Glück und sein
Leben genießen, wie es sich ihm darbot. Nicht in quälende Zweifel
verloren und ohne Trübung wollte er die Stunden der Ruhe und
Erholung ausnützen.
 Doktor Rapp hatte es noch nie bereut, daß er die Sophie zur
Frau genommen hatte. Er freute sich über sie. War stolz auf ihre
Fähigkeit, sich den veränderten Lebensbedingungen so geschickt
anzupassen, und war selig über das Maß der Liebe, das sie ihm
noch immer gewährte.
Wohl war auch zu ihm das Gerücht gedrungen von der Untreue
seiner Frau. Aber Valentin Rapp glaubte den Leuten nicht. Er wußte,
wie viel Unheil Mißgunst und Neid in den Ehen der Menschen
anzurichten vermochten. Er wußte, daß es in solchen Fällen galt,
reinen Tisch zu halten und Freunden die Tür zu weisen, die an
seinem Glück zu zweifeln wagten.
Er hielt sich für einzig dazu berechtigt, über Sophie zu urteilen,
und er hielt sich auch für den einzigen Menschen, der imstande war,
Sophiens Charakter und ihre Liebe richtig einzuschätzen.
Dem Rechtsanwalt war es kein Geheimnis, daß seine Frau viel
Verehrung und Bewunderung genoß, und er freute sich darüber. Es
war ihm willkommen, wenn man ihr huldigte. Es bedeutete für ihn
eine Genugtuung, sich um den Besitz dieser schönen Frau beneidet
zu wissen.
Auch ihr kokettes Spiel mit den Männern kannte er von früher
her, wußte, daß sie damals rein geblieben war, und mißtraute ihr
auch jetzt nicht. Gerade dieses kokette Spiel war es ja gewesen, das
ihn damals so gereizt und ihn so weit gebracht hatte, daß er Sophie
heiratete.
Warum sollte er von ihr verlangen, daß sie jetzt, da sie seine
Frau geworden war, anders werden müsse ... hausbacken und
nüchtern? Warum sollte sie ihrem Naturell Gewalt antun?
Der Rechtsanwalt hatte einen felsenfesten Glauben an die Treue
seiner Frau. Schon deshalb, weil er sich immer und zu jeder Zeit von
ihrer Liebe umsorgt fühlte und sich daher auch für den Mittelpunkt
ihres ganzen Lebens halten konnte. Sophie war klug genug, diesen
Glauben immer mehr zu stärken durch eine liebevolle, fast
sklavische Hingebung und durch vollständige Unterordnung unter
den Willen und die Launen ihres Mannes.
 Diese Frau verstand es, gut und nachgiebig und sanft zu sein
und demütig. So schmeichelte sie seinem Ehrgeiz und seiner
Selbstherrlichkeit und befestigte in ihm auf diese Art das
eingebildete Bewußtsein, daß er Herr über sie sei, während er in
Wirklichkeit ein Werkzeug war in ihren Händen wie alle die andern.
Immer wieder zeigte sie es ihm und sagte es auch mit Worten,
daß sie ihm dankbar war für die Lebensstellung, die seine Liebe ihr
gegeben hatte. Und darin sagte sie die Wahrheit. Sie war ihm
dankbar. Liebte ihn deswegen und ertrug willig und ohne Murren die
vielen kleinen Launen, die sich mit der Zeit bei dem alternden Manne
einstellten. Sie umgab ihn täglich mit so zahlreichen kleinen
Zärtlichkeiten, daß er ohne besondere Illusion in der Überzeugung
leben konnte, ihr einziger Geliebter zu sein.
Manchmal, in den ersten Jahren ihrer Ehe hatte ihn ihr heißes
Aufflammen erschreckt und ein wenig besorgt gemacht. Dann aber
war sie ruhiger geworden, steter und gleichmäßiger. Und Doktor
Rapp war es zufrieden. Er glaubte, daß es ihm gelungen sei, ihr
aufloderndes Temperament in ruhigere Bahnen zu leiten, und war
froh, diese Klippe so geschickt überwunden zu haben.
Dann kamen die guten Freunde und sprachen ihm von der
Untreue der Frau, und Valentin Rapp wurde unruhig. Ein leises
Mißtrauen blieb zurück. Sophie fühlte es und verscheuchte mit ihrer
Liebe die aufkeimenden Zweifel und machte ihn so sicher, daß er
resolut und fest allen die Tür wies, die ihm von seiner Frau nachteilig
sprechen wollten.
„Haben Sie sie gesehen?“
„Nein!“
„Nicht? Dann sind es nur Vermutungen. Auf bloße Vermutungen
hin fällt man kein Urteil, auch wenn der Schein dafür spricht!“ sagte
er entschlossen. „Kommen’s wieder, wenn Sie was Gewisses
wissen. Nit früher!“ setzte er lakonisch hinzu.
Durch diese unerschütterliche Festigkeit hatte sich der
Rechtsanwalt Ruhe verschafft. Die Leute gaben es auf, ihn zu
warnen. Und Sophie ihrerseits war zu schlau, um sich bei der Tat
erwischen zu lassen. Wie ein Aal entglitt sie immer und immer
wieder selbst den schärfsten Beobachtern. Niemand konnte es mit
Bestimmtheit beweisen, daß sie untreu war. Nur die beiden Frauen,
Hedwig und Adele. Und diese zeugten nicht gegen sie.
Es war zum erstenmal, daß Sophie Rapp so frei und ungeniert
mit einem Manne verkehrte wie jetzt mit dem Maler Felix Altwirth.
Diesmal hatte sie den Kopf verloren, sagten die Leute. Und
neuerdings machten sie den Gatten aufmerksam, daß seine Frau ein
Verhältnis mit dem Maler habe.
„So?“ fragte der Rechtsanwalt kurz und stocherte gleichgültig mit
dem Spaten in der weichen Gartenerde herum. Er war wieder einmal
bei seiner Lieblingsarbeit und stand in gebückter Haltung
hemdärmelig und ohne Weste im Garten.
Neben ihm war ein alter Herr, ein Rechtskollege, der gekommen
war, um sich mit dem Doktor Rapp in einer besonders schwierigen
Prozeßsache zu beraten, deren Vertretung sie beide gemeinsam
übernommen hatten. Bei dieser Gelegenheit hielt es der befreundete
Advokat für seine Pflicht, dem Kollegen ein Wort der Warnung zu
sagen.
„Woher wissen’s denn das so g’wiß, Herr Kollege?“ frug Doktor
Rapp sarkastisch. „Meinen’s, wenn eine schöne Frau sich gern von
einem Künstler malen laßt, muß gleich was Schlechtes dahinter
stecken? Naa, naa! Meine Frau kenn’ ich besser wie Sie alle
miteinander. Und auf Indizienbeweise hin wird nicht verurteilt!“ sagte
Doktor Rapp unerschütterlich.
„Manchesmal doch, Herr Kollege!“ widersprach der andere mit
leichtem Nachdruck.
Die Warnung hatte trotzdem einige Wirkung bei dem
Rechtsanwalt hinterlassen. Eben weil sie von ernster und, wie er
annehmen mußte, auch wohlmeinender Seite kam, dachte er
darüber nach. Und als Sophie sich ganz kurze Zeit darauf in dem
Garten zu ihm gesellte, frisch, lebendig, heiter und unbefangen wie
immer, sah er ihr forschend und mit etwas Mißtrauen in die Augen.
 Es war ein lauer Sommerabend. Vom Inn herüber, in dessen
Nähe die Villa des Rechtsanwalts lag, kam eine erquickende Luft. Es
war ruhig und still da draußen. Kein Lärm, kein Wagengerassel der
inneren Stadt drang in diese Ruhe, und kein lautes, mißtöniges
Stimmengewirr von vorüber wandernden Menschen. Nur einzelne
Liebespärchen schritten eng aneinander geschmiegt durch die
einsame Villenstraße, und ganz von ferne hörte man das dumpfe
Rollen des Bahnzuges. In den Bäumen der sorgsam gepflegten
Gärten sangen die Vögel ihr andächtiges Abendlied, zwitscherten
schmelzend von Liebe und Frieden.
Sophie Rapp trug ein helles Sommerkleid und darüber ein
weißes, zartes Spitzenschürzchen. Eine grellrote Schleife in dem
dunkeln Haar verlieh ihrem Rassegesicht einen eigenen
künstlerischen Reiz. Ganz unbefangen frug sie den Gatten, ob er
das Abendbrot in dem Sommerhäuschen einzunehmen wünsche,
das am andern Ende des Gartens stand.
Der Rechtsanwalt nickte stumm und sah ernst auf seine Frau.
Sophie stutzte ein klein wenig. Sie dachte über die Ursache seiner
plötzlichen üblen Laune nach und erriet sofort, daß diese
Veränderung mit dem Besucher in irgendeinem Zusammenhang
stehen mußte.
„Du hast Besuch gehabt, Manni?“ fragte sie und legte ihren Arm
zärtlich in den seinen. „Schau, wirf einmal die Schaufel da weg und
ruh dich ein bissel aus! Du schaust ja so müd’ drein. Wir wollen ein
bissel im Gartenhaus sitzen und plauschen!“ forderte sie ihn munter
auf.
Doktor Rapp warf die Schaufel beiseite, daß sie klirrte, und folgte
seiner Frau in das lauschige, behaglich ausgestattete Sommerhaus.
„Du ... Sophie ...“ fing er dann mißmutig an.
„Ja, Mannderl, was gibt’s denn?“ lachte Sophie und schälte ihm
eine große, saftige Birne, die das Dienstmädchen auf einem Teller
gebracht hatte. „Ist die nit herrlich?“ fragte sie, ihm die Birne zur
Ansicht hinhaltend. „Die mußt du gleich kosten. Noch vor dem
Essen. Damit du mehr Hunger kriegst.“ Dann steckte sie ihm eine
Scheibe in den Mund und biß selbst von der Frucht ab. Übermütig
lachte sie: „Gut war’s! Gelt?“
Der Rechtsanwalt hatte auch lachen müssen, denn bei der
Teilung hatte sie den Löwenanteil abbekommen. „Kannst mir noch
eine in den Mund stecken!“ sagte er jetzt, schon bedeutend
freundlicher gestimmt.
„So ist’s recht!“ Sie nickte zufrieden mit dem Kopf und sah ihn
dann neckisch an. „Gelt, Manni, der hat wieder einmal g’schimpft
über mich?“ Sie deutete mit dem Finger nach dem hohen eisernen
Gartentor, durch das der Besucher verschwunden war.
„G’schimpft nit!“ sagte der Advokat, an der Birne kauend, die sie
ihm nun zum Abbeißen hinhielt. „Er hat nur gemeint, ich soll dich
warnen ...“
„Das heißt, er wollte d i c h warnen, nicht mich!“ korrigierte sie ihn.
„Mit wem hat er mich denn schon wieder im Verdacht?“ forschte sie
und lachte dabei ausgelassen.
„Mit Felix Altwirth, dem Maler.“
Nun platzte Sophie geradezu vor Lachen. Konnte sich gar nicht
mehr halten vor lauter Übermut. „Nein, so was, Schatz! Ist das ein
Esel, dein Kollege! Das ist ja köstlich! Und so was will ein
Menschenkenner sein! Ach, und du, du Dummerl, du lieb’s, du
ungeschickt’s, du blödes, du hast’s ihm geglaubt! Ach du!“ Sie fiel
ihm wie närrisch um den Hals und küßte ihn so heftig, daß er ihr
sanft wehren mußte, da er keine Luft mehr bekam.
„Fressen könnt’ eins so ein Mannsbild, so ein dummes, vor lauter
Lieb’!“ sagte sie und preßte sich innig an ihn. „Und immer wieder
glaubt er so einen Schmarrn, so einen unsinnigen! Ich lauf’ dir schon
noch davon, dir!“ drohte sie ihm scherzhaft. „Wenn du so eifersüchtig
bist! Aber naa!“ meinte sie dann schalkhaft. „G’scheiter nit!“ Sie sah
ihn sehr verliebt an. „Da müßt’ ich dich ja mitnehmen, dich
Tschapperl, dich!“
Und alle Bedenken, die Valentin Rapp gehabt hatte, waren mit
einem Male wie weggeblasen. Er lachte nun auch recht herzlich und
schämte sich vor ihr, daß er so mißtrauisch gewesen war.
 Ganz zaghaft warnte er sie dann: „Aber weißt, Sophie, vorsichtig
mußt schon ein bissel sein mit deine Atelierbesuch’. Es ist wegen die
Leut’. Ich hab’ ja nichts dagegen, wenn dich der Altwirth malt. Aber
schön muß er mein Weiberl machen!“ sagte der Rechtsanwalt
verliebt und küßte mit zufriedenem Behagen den vollen Mund des
jungen Weibes ...
Es war noch immer der gleiche Sinnenrausch wie vordem, in
dem Sophie den alternden Mann gebannt hielt. Sie bezauberte ihn
stets aufs neue, belustigte und erheiterte ihn durch ihre losen
Einfälle und den ihr eigenen gesunden Mutterwitz und verblüffte ihn
öfters durch ungekannte und unberechenbare Seiten ihres
Charakters.
Daß sich Sophie jetzt auf einmal so sehr für die Kunst
begeisterte, hielt Valentin Rapp für eine kindliche Freude und gönnte
ihr das Vergnügen, sich von einem Maler verehrt zu wissen. Ja, er
freute sich mit ihr, wie schön sie auf den Bildern geworden war, als
sie ihn einmal gewaltsam mit in Felix Altwirths Atelier schleppte. Dort
konnte sie der Gatte in verschiedenen Skizzen bewundern.
Da Doktor Rapps Kunstverständnis gleich Null war, konnte er die
Bilder nicht so einschätzen, wie das Storf getan hatte. Er sah nur,
daß die Skizzen gut ausgefallen waren und daß seine Frau darauf in
Schönheit prangte. Aus diesem Gefühl heraus beglückwünschte er
den Maler zu seinen Erfolgen und meinte anerkennend, daß Felix
bald größere Werke zur Ausstellung bringen möge.
„Ja ...“ erwiderte der Künstler nicht ohne eine leichte
Anzüglichkeit in seinem Ton. „Wenn ich dann aber wieder keine
Anerkennung finde, wie das erstemal? Ich könne ja überhaupt
nichts, sagten damals die Leute.“
„Ach was!“ mischte sich Sophie resolut ein. „Damals und jetzt!
Das ist ein Unterschied! Jetzt ist es anders! Heute sind Sie wer! Und
das blöde Gewäsch, den Unsinn, den hat ja nur der Patscheider
aufgebracht. Sonst niemand.“ —
Seit jenem Atelierbesuch bei dem Maler Altwirth waren auch die
letzten Reste eines Mißtrauens gegen Sophie in der Seele des
Rechtsanwaltes geschwunden. Er hatte die beiden genau
beobachtet und hatte nicht das geringste Zeichen eines näheren
Einverständnisses, das auf Liebe hätte schließen lassen, entdeckt.
Das, was er sah, war Freundschaft und eine herzliche
Kameradschaft. Valentin Rapp war überzeugt, daß seine Frau den
Maler nur förderte, weil das ihrem warmherzigen und impulsiven
Temperament entsprach.
Daß Sophie warmherzig sein konnte, dankbar, anhänglich und
hilfsbereit, dafür hatte der Rechtsanwalt schon viele Beweise erlebt.
Ganz besonders rührte es ihn immer wieder, wenn seine Frau von
Zeit zu Zeit nach Rattenberg hinunter fuhr, um ihre alte Pflegemutter
aufzusuchen. Mit voll beladenen Armen wanderte sie dann jedesmal
ins Unterland und brachte der Ennemoserin alles dasjenige, womit
sie glaubte, ihr eine Freude bereiten zu können.
Sie hätte die alte Frau gerne zu sich ins Haus genommen. Aber
die Ennemoserin sträubte sich dagegen mit aller Entschiedenheit.
Ein einzigesmal war die alte Frau nach Innsbruck zu Besuch
gekommen. Sie fühlte sich jedoch äußerst unbehaglich in dem
feinen Haus ihrer Pflegetochter und war froh darüber, daß sie schon
nach wenigen Tagen wieder heimfahren konnte ins Unterland, in ihr
kleines, blumengeschmücktes Felsennest.
Wenn Frau Sophie Rapp in Rattenberg war, dann versäumte sie
es niemals, auch hinüber zu wandern ins Kloster zu Mariathal, um
ihre alte, liebe Schwester Salesia wiederzusehen. Jetzt freilich hatte
sie diese Besuche einstellen müssen. Die alte Schwester war seit
ein paar Jahren versetzt worden, nach Schwaz ins „Schwarze
Damenstift“. Die Sophie hatte es ihrem Gatten mit großer Empörung
erzählt und war so wütend gewesen über die Veränderung, daß
Doktor Rapp vor Belustigung fast einen Lachkrampf bekam.
Es war aber auch zu komisch, sich die alte, dicke Schwester
Salesia vorzustellen, wie sie herumhumpelte bei all den vielen
weiblichen Sträflingen in dem Schwazer Frauenzuchthaus, dem der
Volksmund den Übernamen des Schwarzen Damenstiftes
aufgebracht hat. Die heitere, asthmatische alte Schwester Salesia,
an die sich der Rechtsanwalt noch gut erinnern konnte, paßte auch
seiner Ansicht nach gar nicht dahin. Die bloße Vorstellung davon
erweckte immer wieder neue Heiterkeit in ihm.
Sophie war so erzürnt über den Verlust der Schwester Salesia,
daß sie mit dem Gatten ernstlich zu zanken anfing, weil dieser noch
dazu schlechte Witze machte. „Und jetzt lachst du mich auch noch
aus!“ sagte sie vorwurfsvoll und hatte tatsächlich Tränen in den
Augen. „Statt daß ich dir erbarmen tät’, weil ich jetzt das liebe alte
Weibele nimmer sehen kann. Denn dahinein kann ich doch
unmöglich auf Besuch gehen!“ sagte sie und hatte schon wieder den
Schalk in ihrem rassigen, dunklen Gesicht. „Und ich möcht’ sie auch
nit sehen, so eing’sperrter unter die grauslichen Weibsbilder. Pfui
Teufel!“ entrüstete sie sich. „Wie man nur auf so einen Gedanken hat
kommen können! Die paßt ja nur nach Mariathal zu die Blumen im
Garten und ...“
„Sie wird da drunten in Schwaz schon auch bei die Blumen sein!“
tröstete der Rechtsanwalt seine Gattin. „Sei ganz ruhig, die hat
schon ein stilles Pöstele als Sakristanin in der Kirch’ oder bei die
Blumen im Garten. Da wird sie halt irgendwo herumhatschen, dei’
Alte.“
Diese ehrliche Trauer um die einstige Erzieherin gefiel dem
Advokaten ganz besonders gut bei seiner Frau. Und gerade
deshalb, weil man dieses tiefere Gefühl der Sophie nicht zugetraut
hätte, weil ihr loses, flatterhaftes Wesen, die leichtsinnige Art ihres
Benehmens in so seltsamem Gegensatz zu diesem Ernst standen,
deshalb liebte ihn Doktor Rapp an seiner Frau und schätzte ihn hoch
ein ...
Einmal begab es sich, daß der Rechtsanwalt auch Gaudenz Keil,
den Karrner, und die Benedikta Zöttl kennen lernte. Droben im
Oberinntal, in der Nähe von Zirl, hatte es in einem Karrnerlager eine
arge Messerstecherei gegeben. Im jähen Zorn hatten zwei Karrner
blindwütig aufeinander losgestochen. Der eine von ihnen war tödlich
verwundet liegen geblieben, den andern hatten die Gendarmen
abgeholt und nach Innsbruck aufs Gericht geliefert.
Bei der Verhaftung hatte sich das Karrnerweib ganz rabiat
gebärdet, hatte die Gendarmen angefaucht wie ein gereiztes
Raubtier und sich schließlich auf sie gestürzt, um ihnen ins Gesicht
zu schlagen und sie zu kratzen. Den Gendarmen war nichts anderes
übrig geblieben, als beiden, Mann und Weib, die Handschellen
anzulegen und sie gemeinsam einzubringen.
Den ganzen Vorfall hatte der Rechtsanwalt seiner Frau erzählt.
Er wußte, daß sie sich für alles, was Karrnerleute betraf, riesig
interessierte.
Sophie hatte aufmerksam und mit glänzenden Augen zugehört.
Es war ihr bei der Erzählung des Gatten, als sähe sie den Streit
leibhaftig vor sich und als könnte sie die Karrnerin in ihrer
leidenschaftlichen Wut unmittelbar beobachten.
Dann war es ihr mit einem Male ganz seltsam zumute. Es war ihr,
als müsse es die Benedikta gewesen sein, die wie ein Raubtier auf
die Gendarmen losgegangen war. Ganz leise und mit klopfendem
Herzen frug Sophie ihren Gatten nach den Namen der Karrnerleute
und sah ihm erregt und mit atemloser Spannung ins Gesicht. „Wie
heißen denn die Karrnerleut’, Mannderl? Weißt nit?“
Valentin Rapp schaute verwundert auf seine Frau. „Aha!“ sagte
er dann heiter, „Karrnerblut! Hat’s dich wieder! Gelt? So was
interessiert uns halt!“ scherzte er.
„Wie heißen sie?“ frug Sophie dringend und ohne auf seinen
Scherz einzugehen. In gespannter Erwartung schaute sie auf den
Gatten.
„Ich weiß es nicht, Sophie. Ich hab’ mich nicht danach erkundigt!“
gestand er ehrlich. „Aber ich werd’ nachfragen bei Gericht und ...“
fügte er lustig hinzu, „dir zulieb’ die Verteidigung der Karrner
übernehmen.“
Sophie schüttelte heftig den Kopf.
„Nein!“ sagte sie gepreßt. „Nit von ihm.“
„Aber von ihr, gelt, Weiberl?“ neckte sie der Rechtsanwalt.
„Ja!“ erwiderte Sophie ernst. „Wenn es die Benedikta Zöttl ist.
Dann schon.“
 Es war tatsächlich der Gaudenz Keil, der in viehischem Jähzorn
das Messer gegen seinen Kameraden gezogen hatte. Die Sophie
frohlockte, als sie es hörte. Ganz unbändig vor Freude war sie
darüber, daß der Gaudenz im Gefängnis saß.
„Wirklich, Mannderl? Ist’s wahr? Gaudenz Keil heißt er?“ fragte
sie immer und immer wieder. „Wie sieht er denn aus? Und was sagt
er denn? Das g’schieht ihm recht! G’hängt soll er werden ... der ...“
grollte sie. Ihre Augen hatten einen tiefen, feurigen Glanz. Sie haßte
ihren ehemaligen Feind noch mit der gleichen Leidenschaft, wie sie
es als Kind getan hatte.
„Ja ...“ sagte der Rechtsanwalt. „Und sie ist die Benedikta Zöttl.“
Etwas verlegen und unsicher sah er dabei auf seine Frau.
Sophie merkte es ihm an, daß er über die neu aufgetauchte
Verwandtschaft wenig erbaut war. „Hast du mit ihr gesprochen?“
fragte sie den Gatten.
Valentin Rapp nickte. „Ja. Ich habe die Verteidigung
übernommen!“ sagte er fast barsch.
Sophie fiel ihm um den Hals und küßte ihn stürmisch. „Mannderl,
gut’s!“ lobte sie ihn und fuhr ihm streichelnd über sein rotes,
aufgedunsenes Gesicht. „Und jetzt hab’ ich noch eine Bitt’ ... Du? ...
Ja? ... Darf ich?“
„Was?“ fragte der Gatte kurz.
„Ich möcht’ reden mit ihr ...“ bat sie schüchtern.
„Muß es sein?“ fragte der Rechtsanwalt. „Ich möcht’ mir die Leut’
nit ins Haus zügeln.“
Sophie biß sich auf die Lippen. Die Rede tat ihr wehe.
„Nein!“ sagte sie dann traurig. „Wenn du nit willst ...“
„Na, also in Gottes Namen, red’ halt mit ihr!“ willigte Valentin
Rapp ein. „Und der Karrner ... willst du den auch sehen?“ fragte er
über eine Weile.
„Den!“ Sophie drehte sich blitzschnell um und sah den Gatten
sprühend an. „Wenn er am Galgen hängt, ja! Sonst nit!“ —
 Es war eine ganz kurze Szene des Wiedererkennens, die sich
zwischen Mutter und Tochter abspielte. Apathisch, ohne Freude und
ohne Liebe begrüßte die Karrnerin die junge Frau. Sie saß in einen
Winkel gekauert und ganz in sich versunken da, als Sophie in
Begleitung ihres Gatten, der ihr die Erlaubnis des Gerichtes für
diesen Besuch erwirkt hatte, die Zelle des Gefängnisses betrat.
Ein altes, verhuzeltes, braunes, runzeliges Weib war die
Benedikta geworden. Die Sophie fühlte einen ausgesprochenen
körperlichen Widerwillen, als sie ihr die Hand zum Gruße bot.
Beinahe reute es sie, daß sie sich von Neugierde hieher hatte
treiben lassen.
„Grüß Gott!“ sagte die junge Frau leise, und ihre Stimme klang
etwas gezwungen und unsicher. „Kennst du mich, Benedikta Zöttl?“
frug sie.
Die Karrnerin nickte gleichgültig. „Die Sophal ...“ sagte sie tonlos.
„Freilich. Kenn’ di schon. Hab’ di oft g’sehen. Hab’ dir aufgepaßt,
wenn der Gaudenz nit dabei war!“ kicherte das Weib leise und
schadenfroh in sich hinein. „Unseroans freut si aa, wenn’s a noble
Tochter hat!“ meinte sie. „Aber der Gaudenz hätt’s nit wissen dürfen
... der ...“
„Mag er mich noch immer nit?“ forschte die Sophie und sah sich
schaudernd in dem engen Raum der Zelle um. Eine mäßig große
Pritsche war da an die Wand gerückt, und das stark vergitterte
Fenster, durch welches das Tageslicht hereinfiel, war so hoch oben
angebracht, daß man es nicht einmal mit den Händen erreichen
konnte. Eine bange, abergläubische Furcht überkam die junge Frau,
und fest schmiegte sie sich an den Gatten, der neben ihr stand.
„Er mag di nit!“ bestätigte die Karrnerin gleichgültig und zog die
magern Achseln empor. „’s macht aa nix. Ist guat so!“ nickte sie mit
dem Kopfe. „Hast an braven Mann kriagt! An noblen, ha?“ Ein
stechender Blick aus den schwarzen Augen des Weibes traf den
Rechtsanwalt. „Hast es g’schickt g’macht, Madel! Besser wie i!“ lobte
sie dann.
 Sophie stand schweigend vor der Karrnerin und hielt sich fest an
dem Arm ihres Gatten. Sie schämte sich ein wenig über das Lob der
Benedikta.
„Aber der Gaudenz woaß nix davon!“ berichtete das Weib
kichernd und wiegte sich schaukelnd hin und her. Sie hielt ihre Knie
umschlungen und sah listig und schlau zu dem Rechtsanwalt auf.
„Er kennt sie nit amal mehr!“ erzählte sie Doktor Rapp und deutete
mit dem Kopf auf Sophie. „Niemand kennt sie. Koans von die Kinder
woaß eppas von ihr!“ lachte sie schadenfroh.
Sophie atmete befreit auf. Es war ihr recht, daß sie niemand
kannte und niemand von den Karrnerleuten etwas von ihr wußte.
Eine ganze Weile saß die Karrnerin schweigend da und stierte
stumpfsinnig vor sich hin. Dann sah sie plötzlich zu Valentin Rapp
auf und fragte: „Wird er g’hängt, der Gaudenz, ha?“ Es lag eine
heiße Angst in ihrem Blick.
„Die Anklage lautet auf Totschlag ...“ sagte der Rechtsanwalt
ausweichend.
„Totschlag! Dann ist er hin, der Hund!“ stieß die Benedikta wild
hervor. „Recht ist’s! Hat ihn alleweil erzürnt, den Gaudenz!“
Darauf sank sie wieder in sich zusammen, und ihr Gesicht wurde
ganz eingefallen vor sorgenvollem Gram. „Der Gaudenz ...“ kam es
stöhnend über ihre Lippen. Es war ein weher Schmerz, der in
diesem Ton lag.
„Totschlag ist nit Mord!“ versuchte sie der Rechtsanwalt zu
trösten. „Er wird Zuchthaus kriegen.“
„Eing’sperrt ...“ Das Weib atmete erleichtert auf. Dann
wiederholte sie leise: „Eing’sperrt ... fort ... alloan ... Was nutzt’s mi ...
hab’ ihn nimmer, den Gaudenz!“
„Hast ihn so gern ... Mutter?“ frug Sophie fast flüsternd. Ein
weiches Erbarmen gab ihr diese Anrede als etwas
Selbstverständliches in den Mund.
„Gern?“ Die Benedikta flammte auf. „Jahr und Tag bin i mit ihm
gezogen!“ sagte sie leidenschaftlich. „Und hab’ Kinder g’habt von
ihm, oans nach dem andern. I werd’ ihn wohl gern g’habt haben!“
fügte sie dann wieder gleichgültig werdend hinzu.
„Und jetzt?“ frug Sophie weiter.
Die Karrnerin duckte sich noch enger in ihrem Winkel zusammen.
„Den ... dein’ Vater ... weißt ...“ sagte sie zögernd, „den hab’ i
gern g’habt. So gern ... Nachg’rennt bin i ihm wie a Hunderl, Tag und
Nacht ... Hab’ g’moant, i kann nit leben ohne ihn ... bis er mich sitzen
hat lassen ... verschwunden ist ... Nacher ist der Gaudenz kommen
... Du woaßt’s ja, warum er di nit mögen hat ... Und wenn der
Gaudenz stirbt ... nacher ist alles aus ...“ sprach sie tonlos.
Es lag eine unsagbare Traurigkeit in ihrem Wesen, die so trostlos
war, daß sie nicht nur Sophie, sondern auch den Rechtsanwalt
bedrückte. Valentin Rapp mahnte zum Aufbruch. Ohne Rührung und
ohne Schmerz trennten sich Mutter und Tochter, um sich nie mehr zu
sehen im Leben ...
Nach einigen Wochen der Haft verließ Benedikta Zöttl das
Gefängnis zu Innsbruck. Valentin Rapp hatte ihr eine größere
Summe Geldes ausgehändigt. Die Benedikta starrte gleichgültig auf
das Geld. Kaum, daß sie dem Rechtsanwalt dafür dankte. Aber
dieser verstand ihre Art und wußte, daß die Karrnerin nur mehr ein
einziges Empfinden hatte, das sie vollständig beherrschte. Das war
die Angst um Gaudenz Keil, den Karrner ...
Seit ihrer Begegnung mit der Mutter hatte Sophie Rapp Schluß
gemacht mit ihrer Vergangenheit. Die Erinnerung an ihre trübe
Kindheit, an die Jahre des Elends und der rohen Grausamkeit hatten
die junge Frau seelisch so gedrückt, daß es ein paar Wochen
brauchte, bis sie ihre unbefangene Heiterkeit wiederfand.
Und als ihr Gatte ihr erzählte, daß Gaudenz Keil zu schwerer
Zuchthausstrafe verurteilt worden war und daß die Benedikta gleich
nach dem Urteil spurlos verschwunden sei, da atmete Sophie auf
wie von schwerer Last befreit.
Sie fühlte sich jetzt, nachdem sie von diesen Menschen ganz
losgelöst war, zu denen sie einmal gehört hatte, aufs neue dem
Dasein zurückgegeben. Fühlte, daß die alte, sprühende Lebenslust
wieder Einkehr hielt bei ihr, daß sie wie früher frei und ungezwungen
scherzen und lachen konnte und dem Glück ihrer Liebe leben durfte,
das ihr ein gütiges Schicksal beschieden hatte.
 Sechzehntes Kapitel.

I n dem stillen, behaglichen Heim des Apothekers Tiefenbrunner

herrschte heute ein reges Leben. Es war nicht oft der Fall, daß
Frau Therese Gäste bei sich sah. Nur einmal oder zweimal im Jahr.
Da bat sie alle jene Damen zu sich, denen sie eine Einladung
schuldete.
Von Zeit zu Zeit kamen die Damen bald bei dieser und bald bei
einer andern Bekannten zusammen. Es war immer derselbe Kreis
von Damen, und es waren stets die gleichen Meinungen und
Lebensauffassungen, die da geäußert wurden. Gute, gesunde
Ansichten, allerdings etwas rückständig und spießbürgerlich. Das
konnte auch gar nicht anders sein. Neue Elemente hatten so gut wie
gar keinen Zutritt in diesem exklusiven Zirkel.
Ab und zu traf man bei der Frau Professor Haidacher eine
fremde, unbekannte Dame. Die wirkte dann jedesmal wie eine
Erscheinung aus einer andern Welt, die man kaum vom Hörensagen
kannte.
Die Professorin war nicht so wählerisch in ihrem Umgang. Sie
liebte es, mit neuen Menschen bekannt zu werden und ihre
Ansichten kennen zu lernen. Wenn Frau Haidacher einmal eine
wirklich nette Frau traf, so führte sie dieselbe gerne in ihrem
Bekanntenkreis ein. Meistens waren das die Frauen von
Berufskollegen ihres Gatten oder die Offiziersdamen der Garnison.
Frau Haidacher hatte die Hoffnung noch immer nicht
aufgegeben, einen freieren und frischeren Zug in ihren
Gesellschaftskreis zu bringen. Ein jeder dieser Versuche scheiterte
jedoch stets kläglich. Die Damen waren wohl immer artig und