20534

۲۰۵۳۴

پردازش غيرمتمركز رويدادهاي پيچيده با استفاده از تجزيه و بخش‌بندي قواعد

دكتري

نرم‌افزار

۱۳۹۸/۰۲/۰۸

دكتر محسن شريفي

كامپيوتر

در سامانه‌هاي رويداد محور، هرگونه تغيير در وضعيت سامانه به‌صورت رويداد گزارش مي‌گردد. با بررسي و پردازش بهنگام اين رويدادها مي‌توان اطلاعاتي در سطوح بالاتر استحصال كرده و در صورت لزوم به تغييرات و اتفاقات سامانه واكنش مناسب داشت. به پردازش بهنگام رويدادها و شناسايي الگوهاي از پيش ‌تعريف‌شده از آن‌ها و استحصال اطلاعات در سطحي بالاتر از اطلاعات موجود در رويدادهاي اوليه، پردازش رويدادهاي پيچيده اطلاق مي‌شود. اين الگوها توسط قواعد قابل‌پردازش توسط سامانه‌هاي پردازش رويدادهاي پيچيده تعريف مي‌گردند. از سويي گسترش سامانه‌هاي رويداد محور، افزايش نرخ توليد رويدادها را به دنبال داشته‌است. از سوي ديگر گسترش نياز به پردازش رويدادها، موجب فراواني تعداد الگوهاي شناسايي رويدادها و پيرو آن فراواني تعداد قواعد پردازش رويدادهاي پيچيده شده است. بنابراين، در پردازش رويدادهاي پيچيده با استفاده از قواعد متعدد و در مواجهه با نرخ بالاي رويدادها، مقياس‌پذيري يك نيازمندي مهم است. مقياس‌پذيري عمودي و بهبود كارايي در يك سامانه‌ي متمركز، به دليل محدوديت‌هاي ارتقاء سخت‌افزار و مقياس‌پذيري آن، نيازمندي‌هاي پردازش رويدادهاي پيچيده در سامانه‌هاي مقياس بزرگ را برطرف نمي‌كند. بنابراين، نياز است كه راهكارهايي جهت مقياس‌پذيري افقي پردازش رويدادهاي پيچيده ارائه گردد. در اين رساله، ابتدا چارچوبي جهت مقياس‌پذيري افقي پردازش رويدادهاي پيچيده با استفاده از بخش‌بندي رويدادها و بخش‌بندي قواعد ارائه‌شده است. اين چارچوب مشتمل بر يك متدولوژي، مدل رياضي، معماري و محيط توسعه است. سپس، سازوكارهايي مبتني بر بخش‌بندي رويدادها، بخش‌بندي قواعد، تجزيه‌ي قواعد، و همچنين سازوكاري تركيبي با استفاده از چارچوب يادشده ارائه شده است. اين سازوكارها پس از پياده‌سازي مورد ارزيابي و تحليل قرار گرفته و با برخي كارهاي مشابه مقايسه شده‌اند. نتايج ارزيابي‌ها نشان مي‌دهد كه سازوكارهاي تطبيق‌پذير ارائه‌شده، مقياس‌پذيري تقريباً خطي به هنگام افزايش تعداد گره‌هاي محاسباتي داشته و همچنين توازن بار بهتر و نرخ خطاي خروجي كمتري در مقايسه با سازوكارهاي مشابه دارند.

1398/03/01

Decentralized Complex Event Processing via Rule Decomposition and Partitioning

5/22/2019 12:00:00 AM

Every state change of an event-driven system is reported by an event. Such systems can react to changes in a timely manner by using real-time processing of these events and deriving higher-level information. Real-time processing of events, detection of event patterns from events, and derivation of high-level information is called complex event processing (CEP). Patterns are defined by rules that are used by complex event processing engines. With increases in the deployments of event-driven systems, event generation rates are increased too, and systems need to detect various types of event patterns. Consequently, event-driven systems need scalable CEP systems capable of processing high rates of events using high numbers of rules. Vertical scaling is inadequate for applications of CEP in large-scale domains that require more computing power than available on a single machine with limited vertical scaling capabilities. Therefore, there is a need for the provision of mechanisms to scale CEP engines horizontally in support of large-scale event-driven systems. This thesis proposes SCF, a framework for horizontal scalability of complex event processing via event partitioning and rule partitioning. SCF consists of methodology, mathematical model, architecture and development environment. In addition, this thesis proposes a set of mechanisms under SCF using event partitioning, rule decomposition, and rule partitioning. In comparison with notable related works, the proposed mechanisms increased throughput nearly linearly when the number of CEP computing nodes increased. In addition, the proposed mechanisms distributed the processing load more balanced and had fewer false event detection rate.