Complex Event Detection in Probabilistic Stream

Abstract

Complex event detection in stream is an important problem in event stream processing field. In this paper, we propose a new complex event detection algorithm in probabilistic stream, Instance Pruning and Filter-Detection Algorithm (IPF-DA). This algorithm is based on a kind of data structure called Chain Instance Queues (CIQ), to detect complex events satisfying query requirements with singlescanning probabilistic stream. In the process of complex event detection, IPF-DA prunes unnecessary event instances with query requirements and achieves filter for complex events with the given threshold. And it further improves the efficiency by setting proper tolerance, while insuring high recall. In addition, we construct Bayesian network to express and infer the probability distribution of uncertain events. Conditional Probability Indexing-Tree (CPI-Tree) is defined to store conditional probabilities of Bayesian network, saving query time compared with traditional Conditional Probability Table (CPT). Experimental results show that a series of strategies proposed by this paper are effective for complex event detection in probabilistic stream.

Frequent Itemset Based Event Detection in Uncertain Sensor Networks

“…It also developed a sampling algorithm to compute the probabilities of a set of events efficiently. Reference [21] proposed an algorithm for the complex event detection in probabilistic stream. The algorithm adopts a tree alike data structure to store conditional probabilities, it also prunes event instances with query requirements and filters the complex events whose probability is less than the threshold.…”

Efficient Processing of ContinuousSkylineQuery over Smarter Traffic Data Stream for Cloud Computing

“…And the concept of Skyline probability was proposed based on Skyline probability of examples for each object. Hence, the data model in literature [23] was virtually a discretionary version of uncertain attribute, while this paper focused on the case of uncertain tuple. On the other hand, literature [24] concentrated on static dataset, while this paper concentrated on data stream.…”

Математичні Методи Розпізнавання Надзвичайних Ситуацій В Умовах Невизначеності

“…Отже, проміжним етапом роботи відповідних алгоритмів має бути створення ієрархії складних об'єктів CE, що не завжди піддаються чіткому визначенню. способом зіставлення відповідних шаблонів розпізнавання подій призводить до різних типів невизначеностей від формування неповних та помилкових потоків даних до створення недосконалих складних моделей подій (Paschke et al, 2008;Brendel et al, 2011;Chuanfei et al, 2010;Fierens et al, 2015;Skarlatidis et al, 2015;Albanese et al, 2010;Khokhar et al, 2013;Selman et al, 2011;Artikis et al, 2010;Song et al, 2013;Lavee et al, 2013;Massimiliano et al, 2008). У представлених роботах було розглянуто сучасний метод вирішення зазначеної проблеми, що базуються на теорії абстрактних автоматів (Paschke et al, 2008;Brendel et al, 2011;Chuanfei et al, 2010;Fierens et al, 2015), ймовірнісних графових моделях (Skarlatidis et al, 2015;Albanese et al, 2010;Khokhar et al, 2013), системах логіки числення предикатів першого порядку (Selman et al, 2011;Artikis et al, 2010;Song et al, 2013), а також мережах Петрі (Lavee et al, 2013;Massimiliano et al, 2008).…”

“…Проведений аналіз вказав на актуальні підходи до математичного моделювання у цій галузі (Paschke et al, 2008;Brendel et al, 2011;Chuanfei et al, 2010;Fierens et al, 2015;Skarlatidis et al, 2015;Albanese et al, 2010;Khokhar et al, 2013;Selman et al, 2011;Artikis et al, 2010;Song et al, 2013;Lavee et al, 2013;Massimiliano et al, 2008), показав необхідність побудови цілісної методології розпізнавання надзвичайних ситуацій в умовах невизначеності, що в межах цієї роботи виділяється як невирішена частина загальної проблеми побудови комплексних систем CER.…”

“…Класифікація методів CER згідно з синтаксисом алгебри подій. Розроблений синтаксис було запропоновано використати для аналізу чотирьох груп методів розпізнавання: методів автоматного програмування (automata-based methods) (Paschke et al, 2008;Brendel et al, 2011;Chuanfei et al, 2010;Fierens et al, 2015), мережі Петрі (Lavee et al, 2013;Massimiliano et al, 2008), методи, які базуються на прихованих марковських моделях (Kersting et al, 2006), а також групу, що охоплює системи логіки першого порядку та імовірнісні графові моделі (Skarlatidis et al, 2015;Albanese et al, 2010;Khokhar et al, 2013;Selman et al, 2011;Artikis et al, 2010;Song et al, 2013).…”