Обработка событий — это метод отслеживания и анализа (обработки) потоков информации (данных) о происходящих вещах (событиях) [1] и получения на их основе заключения. Комплексная обработка событий ( CEP ) состоит из набора концепций и методов, разработанных в начале 1990-х годов для обработки событий в реальном времени и извлечения информации из потоков событий по мере их поступления. Целью комплексной обработки событий является выявление значимых событий (таких как возможности или угрозы) [2] в ситуациях реального времени и реагирование на них как можно быстрее.
Эти события могут происходить на различных уровнях организации в виде потенциальных клиентов, заказов или звонков в службу поддержки клиентов . Или это могут быть новости, [3] текстовые сообщения , сообщения в социальных сетях , новости фондового рынка , отчеты о дорожном движении , прогнозы погоды или другие виды данных. [1] Событие также можно определить как «изменение состояния», когда измерение превышает заранее определенный порог времени, температуры или другого значения.
Аналитики предполагают, что CEP предоставит организациям новый способ анализа закономерностей в режиме реального времени и поможет бизнесу лучше взаимодействовать с отделами ИТ и обслуживания. [4] С тех пор CEP стала важной технологией во многих системах, которые используются для принятия немедленных мер в ответ на входящие потоки событий. В настоящее время (2018 г.) можно найти приложения во многих секторах бизнеса, включая торговые системы на фондовом рынке, мобильные устройства , интернет-операции, обнаружение мошенничества , транспортную отрасль и сбор правительственной разведки .
Огромный объем доступной информации о событиях иногда называют облаком событий. [1]
Среди тысяч входящих событий система мониторинга может, например, получить из одного источника следующие три:
По этим событиям система мониторинга может сделать вывод о сложном событии : свадьбе. CEP как метод помогает обнаруживать сложные события путем анализа и сопоставления других событий: [5] колокольчиков, мужчины и женщины в свадебных нарядах и риса, летящего по воздуху.
CEP опирается на ряд методов, [6] в том числе:
Коммерческие приложения CEP существуют в различных отраслях и включают обнаружение мошенничества с кредитными картами , мониторинг деловой активности и мониторинг безопасности. [7]
Область CEP уходит корнями в моделирование дискретных событий , область активных баз данных и некоторые языки программирования. Активности в отрасли предшествовала волна исследовательских проектов в 1990-х годах. Согласно [8] первым проектом, который проложил путь к общему языку CEP и модели выполнения, был проект Rapide в Стэнфордском университете , которым руководил Дэвид Лакхэм . Параллельно действовали еще два исследовательских проекта: «Инфосферы» в Калифорнийском технологическом институте под руководством К. Мани Чанди и «Апама» в Кембриджском университете под руководством Джона Бейтса. Коммерческие продукты зависели от концепций, разработанных в этих и некоторых более поздних исследовательских проектах. Усилия сообщества начались с серии симпозиумов по обработке событий, организованных Техническим обществом обработки событий , а затем с серии конференций ACM DEBS. Одной из усилий сообщества была разработка манифеста обработки событий. [9]
CEP используется в продуктах оперативного интеллекта (OI) для обеспечения понимания бизнес-операций путем анализа запросов на основе живых каналов и данных о событиях. OI собирает данные в режиме реального времени и сопоставляет их с историческими данными, чтобы обеспечить понимание и анализ. Несколько источников данных могут быть объединены для создания общей оперативной картины, использующей текущую информацию.
В управлении сетями , системами , приложениями и услугами люди обычно обращаются к корреляции событий . Являясь механизмами CEP, механизмы корреляции событий ( корреляторы событий ) анализируют массу событий, определяют наиболее значимые из них и инициируют действия. Однако большинство из них не производят новых предполагаемых событий. Вместо этого они связывают события высокого уровня с событиями низкого уровня. [10]
Механизмы вывода , например, механизмы рассуждения, основанные на правилах , обычно производят выведенную информацию с помощью искусственного интеллекта . Однако они обычно не производят новую информацию в форме сложных (то есть предполагаемых) событий.
Более системный пример CEP включает в себя автомобиль, некоторые датчики и различные события и реакции. Представьте, что в автомобиле есть несколько датчиков: один измеряет давление в шинах, другой измеряет скорость и третий определяет, садится ли кто-то на сиденье или покидает его.
В первой ситуации автомобиль движется, и давление в одной из шин меняется с 45 фунтов на квадратный дюйм до 41 фунт на квадратный дюйм в течение 15 минут. Когда давление в шине снижается, генерируется серия событий, содержащих данные о давлении в шине. Кроме того, генерируется серия событий, содержащих скорость автомобиля. Процессор событий автомобиля может обнаружить ситуацию, когда потеря давления в шинах в течение относительно длительного периода времени приводит к созданию события «lossOfTirePressure». Это новое событие может запустить процесс реакции, чтобы отметить потерю давления в журнале технического обслуживания автомобиля и предупредить водителя через портал автомобиля о том, что давление в шинах снизилось.
Во второй ситуации автомобиль движется и давление в одной из шин падает с 45 фунтов на квадратный дюйм до 20 фунтов на квадратный дюйм за 5 секунд. Обнаружена другая ситуация — возможно, потому, что потеря давления произошла в течение более короткого периода времени, или, возможно, потому, что разница в значениях между каждым событием превышала заранее определенный предел. Другая ситуация приводит к созданию нового события «blowOutTire». Это новое событие запускает другой процесс реакции, чтобы немедленно предупредить водителя и запустить процедуры бортового компьютера, чтобы помочь водителю остановить автомобиль, не теряя управления из-за заноса.
Кроме того, события, представляющие обнаруженные ситуации, также можно комбинировать с другими событиями для обнаружения более сложных ситуаций. Например, в финальной ситуации автомобиль движется нормально, но у него лопнуло колесо, в результате чего автомобиль вылетел с дороги и врезался в дерево, а водителя выбросило из автомобиля. Быстро обнаруживается ряд различных ситуаций. Комбинация «blowOutTire», «zeroSpeed» и «driverLeftSeat» в течение очень короткого периода времени приводит к обнаружению новой ситуации: «occupantThrownAccident». Несмотря на то, что не существует прямого измерения, которое могло бы окончательно определить, что водителя выбросило или произошла авария, комбинация событий позволяет обнаружить ситуацию и создать новое событие, обозначающее обнаруженную ситуацию. В этом суть сложного (или составного) события. Это сложно, потому что невозможно непосредственно определить ситуацию; нужно сделать вывод или сделать вывод, что ситуация возникла на основе комбинации других событий.
Естественным подходом для CEP было управление бизнес-процессами (BPM). [11] BPM фокусируется на сквозных бизнес-процессах, чтобы постоянно оптимизировать и согласовывать свою операционную среду.
Однако оптимизация бизнеса не зависит исключительно от его отдельных сквозных процессов. Казалось бы, несопоставимые процессы могут существенно влиять друг на друга. Рассмотрим такой сценарий: в аэрокосмической отрасли хорошей практикой является мониторинг поломок транспортных средств, чтобы выявить тенденции (определить потенциальные недостатки в производственных процессах, материалах и т. д.). Другой отдельный процесс отслеживает жизненные циклы текущих эксплуатируемых транспортных средств и при необходимости выводит их из эксплуатации. Одним из применений CEP является объединение этих отдельных процессов, так что в случае начального процесса (мониторинг поломок) обнаруживается неисправность, связанная с усталостью металла (значительное событие), можно создать действие для использования второго процесса (жизненный цикл ) для отзыва транспортных средств, в которых использовалась та же партия металла, которая была признана неисправной в первоначальном процессе.
Интеграция CEP и BPM должна существовать на двух уровнях: как на уровне осведомленности бизнеса (пользователи должны понимать потенциальные целостные преимущества их отдельных процессов), так и на технологическом уровне (необходим метод, с помощью которого CEP может взаимодействовать с внедрение BPM). Недавний обзор современного состояния интеграции CEP с BPM, который часто называют управлением бизнес-процессами, управляемым событиями, см. [12]
Роль CEP, ориентированная на вычисления, возможно, пересекается с технологией бизнес-правил.
Например, центры обслуживания клиентов используют CEP для анализа потока посещений и управления качеством обслуживания клиентов. Программное обеспечение CEP может учитывать информацию в реальном времени о миллионах событий (кликов или других взаимодействий) в секунду в приложениях бизнес-аналитики и других приложениях поддержки принятия решений . Эти « рекомендательные приложения » помогают агентам предоставлять персонализированное обслуживание, основанное на опыте каждого клиента. Приложение CEP может собирать данные о том, что в настоящее время делают клиенты по телефону или как они недавно взаимодействовали с компанией по другим различным каналам, в том числе в филиалах или в Интернете с помощью функций самообслуживания, обмена мгновенными сообщениями и электронной почты. Затем приложение анализирует общее качество обслуживания клиентов и рекомендует сценарии или следующие шаги, которые помогут агенту по телефону и, как мы надеемся, сделают клиента счастливым. [13]
База данных временных рядов — это программная система, оптимизированная для обработки данных, организованных по времени. Временные ряды — это конечные или бесконечные последовательности элементов данных, где каждый элемент имеет связанную с ним временную метку, а последовательность временных меток не убывает. Элементы временного ряда часто называют тиками. Временные метки не обязательно должны быть возрастающими (просто неубывающими), поскольку на практике временное разрешение некоторых систем, таких как источники финансовых данных, может быть довольно низким (миллисекунды, микросекунды или даже наносекунды), поэтому последовательные события могут иметь одинаковые временные метки.
Данные временных рядов обеспечивают исторический контекст анализа, обычно связанного со сложной обработкой событий. Это может применяться к любой вертикальной отрасли, такой как финансы [14] , а также в сочетании с другими технологиями, такими как BPM.
Идеальным случаем для анализа CEP является просмотр исторических временных рядов и потоковых данных в реальном времени как единого временного континуума. То, что произошло вчера, на прошлой неделе или в прошлом месяце, является просто продолжением того, что происходит сегодня и того, что может произойти в будущем. Примером может служить сравнение текущих рыночных объемов с историческими объемами, ценами и волатильностью для логики исполнения сделок. Или необходимость действовать в соответствии с реальными рыночными ценами может включать сравнение с эталонными показателями, которые включают движения секторов и индексов, чьи внутридневные и исторические тенденции определяют волатильность и сглаживают выбросы.
Обработка сложных событий является ключевым фактором в настройках Интернета вещей (IoT), а также интеллектуальных киберфизических систем (CPS). Обработка плотных и неоднородных потоков от различных датчиков и сопоставление шаблонов с этими потоками является типичной задачей в таких случаях. [15] Большинство этих методов основаны на том факте, что представление состояния системы Интернета вещей и ее изменений более эффективно в форме потока данных, а не в виде статической материализованной модели. Рассуждения над такими потоковыми моделями фундаментально отличаются от традиционных методов рассуждения и обычно требуют сочетания преобразований модели и CEP. [16]
{{cite journal}}: Требуется цитировать журнал |journal=( помощь )