面向大型物联网的主动式复杂事件处理技术研究

In the area of Internet of Things (IoT), the recent trend of applications is intelligence and big data. As the key part of IoT software, Complex Event Processing (CEP) is transforming from reactive processing to proactive processing. In this project we propose a complete set of models, architectures and algorithms according to the challenges in proactive CEP in large-scale IoT. Parallel and distributed probabilistic CEP methods are proposed to process massive uncertain event data. A context model based on fuzzy ontology is proposed according to the characters of CEP. A distributed reasoning method based on similarity clustering and a context-aware CEP method based on query rewriting is proposed. A predictive analytics model based on adaptive dynamic Bayesian network is proposed according to the characters of complex events in large-scale IoT. In order to resolve the calculating problem of big data, approximate method based on Gaussian mixture model and parallel parameter learning method based on MapReduce are also proposed. Composed Bayesian network model and it's efficient parameter learning method is proposed to improve the prediction quality. An improved Markov Decision Processes (MDP) model is proposed according to the characters of proactive CEP. In order to resolve the calculating problem in MDP, an approximate calculating method based on state partitioning and mean field theory is proposed.

物联网的应用正向着智能化、大数据的方向发展。复杂事件处理作为物联网软件的核心，正在由响应式向主动式的方向发展。本课题针对大型物联网主动式复杂事件处理面临的各种挑战，提出一套完整的模型、体系结构的算法。面向海量不确定事件数据提出并行和分布式概率复杂事件处理方法。面向复杂事件处理领域的特征提出基于模糊本体的上下文模型，并提出对应的基于相似度聚类的分布式推理方法和基于查询重写的分布式上下文敏感复杂事件处理方法。针对大型物联网中的事件特征，提出基于适应性动态贝叶斯网络的状态预测模型及面向大数据的基于高斯混合模型的近似计算方法和基于MapReduce的并行化参数学习方法。为了提高预测准确度提出多贝叶斯网络组合模型及对应的高效参数学习方法。针对主动式复杂事件处理的特征提出一种改进的并发马尔可夫决策过程模型，并面向其复杂计算问题提出一种基于状态划分和平均域理论的近似计算方法。

当前随着传感器和无线通信技术的日趋成熟，物联网应用的关键集中在数据的处理上。主动式事件处理能够避免或减缓某些状态的发生，对物联网应用具有重要价值。本课题针对大型物联网中的主动式事件处理问题展开了研究。具体研究了面向大型物联网的不确定性复杂事件处理方法、基于模糊本体的上下文敏感复杂事件处理、面向大型物联网的状态预测方法和主动式复杂事件处理方法等。在研究过程中提出了一套满足物联网主动式复杂事件处理要求的事件模型、查询语言、主动式复杂事件处理体系结构和实现框架。在此基础上提出了高性能的并行和分布式概率复杂事件处理体系结构和算法、基于模糊本体的上下文表示模型及其推理方法、基于查询重写的上下文敏感复杂事件处理方法。提出了基于贝叶斯网络模型的预测式复杂事件处理方法。针对物联网流式数据分布的变化问题，提出了基于变结构贝叶斯网络的预测方法。针对复杂的物联网流式数据，提出了基于深度信念网络的流式大数据预测框架及多阶段增量式深度信念网络演化方法。针对主动式复杂事件处理问题，提出了基于并发马尔科夫决策过程的序列决策模型，以及基于状态划分和平均域的优化方法。对所有的方法进行了实验验证，并建立了面向智能交通和信用卡欺诈的原型系统。本课题的预测方法错误率在仿真数据和实际数据上分别上平均比当前主流方法低11个和7个百分点。在仿真实验中，本课题的主动式复杂事件处理方法效果比传统方法平均高出个12个百分点，并且面向大型物联网有良好的可扩展性。通过本项目的研究，奠定了大型物联网主动式复杂事件处理的基础。当前物联网新的发展趋势是数据处理和设备控制的智能化。本项目的研究工作为物联网和人工智能的进一步结合提供了底层支持和很多可以借鉴的思路。