Войти
Обработка событий - это метод отслеживания и анализа (обработки) потоков информации (данных) о происходящих вещах (событиях) и вывод на их основании. Сложная обработка событий, или 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) в ситуациях в реальном времени и как можно более быстрое реагирование на них.
Эти события могут происходить на различных уровнях организации в виде потенциальных клиентов, заказов или звонков в службу поддержки. Или это могут быть новости, текстовые сообщения, социальные сети сообщения, каналы фондовой биржи, отчеты о трафике, сводки погоды или другие виды данных. Событие также может быть определено как «изменение состояния», когда измерение превышает заранее определенный порог времени, температуры или другого значения.
Аналитики предположили, что CEP предоставит организациям новый способ анализа закономерностей в режиме реального времени и поможет бизнесу лучше общаться с ИТ-отделами и сервисными отделами. CEP с тех пор стал технологией во многих системах, которые используются для немедленных действий в ответ на входящие потоки событий. В настоящее время (2018) можно найти приложения во многих секторах бизнеса, включая торговые системы на фондовом рынке, мобильные устройства, операции в Интернете, обнаружение мошенничества, транспортную отрасль и сбор правительственной разведки.
Огромный объем доступной информации о событиях иногда называют облаком событий.
Среди тысяч входящих событий система мониторинга может, например, получать следующие три из одного источника:
По этим событиям система наблюдения может сделать вывод о сложном событии: свадьбе. CEP как метод помогает обнаруживать сложные события, анализируя и соотнося другие события: колокола, мужчина и женщина в свадебных нарядах и рис, летящий в воздухе.
CEP полагается на ряд методов, в том числе:
Коммерческие приложения CEP существуют в различных отраслях и включают алгоритмическую торговлю акциями, обнаружение, мониторинг деловой активности и мониторинг безопасности.
Область CEP имеет корни в моделировании дискретных событий, области активной базы данных и некоторых языках программирования. Активности в отрасли предшествовала волна исследовательских проектов в 1990-е годы. Согласно первому проекту, проложившему путь к общему языку CEP и модели исполнения, был проект Rapide в Стэнфордском университете, которым руководил Дэвид Лакхэм. Параллельно велись два других исследовательских проекта: Инфосферы в Калифорнийском технологическом институте, возглавляемые 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 по обработке событий, а затем с серии конференций ACM DEBS. Одним из усилий сообщества было создание манифеста по обработке событий.
CEP используется в продуктах для оперативной аналитики (OI), чтобы обеспечить понимание бизнес-операций выполнение анализа запросов в отношении прямых трансляций и данных о событиях. OI собирает данные в реальном времени и сопоставляет их с историческими данными, чтобы обеспечить понимание и анализ. Можно объединить несколько источников данных, чтобы получить общую картину работы, в которой используется текущая информация.
В управлении сетью, управлении системами, управлении приложениями и управлении службами люди обычно вместо этого ссылаются на корреляция событий. Как механизмы CEP, механизмы корреляции событий (корреляторы событий) анализируют массу событий, выявляют наиболее важные из них и инициируют действия. Однако большинство из них не вызывают новых предполагаемых событий. Вместо этого они связывают события высокого уровня с событиями низкого уровня.
Механизмы логического вывода, например, основанные на правилах механизмы рассуждений, обычно производят предполагаемую информацию в искусственном интеллекте. Однако они обычно не производят новую информацию в виде сложных (т. Е. Предполагаемых) событий.
Более системный пример CEP включает автомобиль, некоторые датчики и различные события и реакции. Представьте себе, что у автомобиля есть несколько датчиков: один измеряет давление в шинах, второй измеряет скорость, а третий определяет, садится ли кто-то на сиденье или встает с него.
В первой ситуации автомобиль движется, и давление в одной из шин изменяется с 45 psi до 41 psi за 15 минут. По мере того, как давление в шине снижается, создается серия событий, содержащих давление в шине. Кроме того, генерируется серия событий, содержащих информацию о скорости автомобиля. Процессор событий автомобиля может обнаружить ситуацию, когда потеря давления в шинах в течение относительно длительного периода времени приводит к возникновению события «lossOfTirePressure». Это новое событие может запустить процесс реакции, чтобы записать потерю давления в журнал технического обслуживания автомобиля и предупредить водителя через портал автомобиля, что давление в шинах снизилось.
Во второй ситуации автомобиль движется, и давление в одной из шин падает с 45 до 20 фунтов на квадратный дюйм за 5 секунд. Обнаружена иная ситуация - возможно, потому что потеря давления произошла в течение более короткого периода времени, или, возможно, потому, что разница в значениях между каждым событием была больше, чем предварительно определенный предел. Другая ситуация приводит к генерации 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, которые представляют обнаруженные ситуации, также могут быть объединены с другими событиями для обнаружения более сложных ситуаций. Например, в конечной ситуации автомобиль движется нормально и у него лопнуло колесо, в результате чего автомобиль съезжает с дороги и врезается в дерево, а водителя выкидывает из машины. Быстро выявляется ряд различных ситуаций. Комбинация «blowOutTire», «zeroSpeed» и «driverLeftSeat» в течение очень короткого периода времени приводит к обнаружению новой ситуации: «occidentThrownAccident». Даже несмотря на то, что нет прямого измерения, которое могло бы окончательно определить, что водитель был сброшен, или что произошла авария, комбинация событий позволяет обнаружить ситуацию и создать новое событие, чтобы обозначить обнаруженную ситуацию. В этом суть сложного (или составного) события. Это сложно, потому что невозможно напрямую обнаружить ситуацию; нужно сделать вывод или сделать вывод, что ситуация возникла из комбинации других событий.
Естественным подходом для CEP стала управление бизнес-процессами (BPM). 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. Внешне разрозненные процессы могут существенно влиять друг на друга. Рассмотрим следующий сценарий: в аэрокосмической промышленности рекомендуется отслеживать поломки транспортных средств для выявления тенденций (определения потенциальных слабых мест в производственных процессах, материалах и т. Д.). Другой отдельный процесс контролирует текущие жизненные циклы эксплуатируемых транспортных средств и выводит их из эксплуатации, когда это необходимо. Одно из применений CEP - связать эти отдельные процессы, так что в случае обнаружения в начальном процессе (мониторинг поломки) неисправности на основе усталости металла (значимое событие) может быть создано действие для использования второго процесса (жизненный цикл) для оформления отзыва на автомобили, в которых используется та же партия металла, которая была признана дефектной на начальном этапе.
Интеграция CEP и BPM должна существовать на двух уровнях, как на уровне бизнес-осведомленности (пользователи должны понимать потенциальные целостные преимущества своих индивидуальных процессов), так и на технологическом уровне (необходим метод посредством которого CEP может взаимодействовать с реализацией BPM). Недавний обзор современного состояния интеграции CEP с BPM, который часто обозначается как Event-Driven Business Process Management, см. В.
Роль CEP, ориентированная на вычисления, возможно, пересекается с бизнесом. Правило техники.
Например, центры обслуживания клиентов используют CEP для анализа потока кликов и управления клиентским опытом. Программное обеспечение CEP может вносить информацию в реальном времени о миллионах событий (кликов или других взаимодействий) в секунду в бизнес-аналитику и другие приложения для поддержки принятия решений. Эти «рекомендательные приложения » помогают агентам предоставлять персонализированное обслуживание на основе опыта 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 каналам, в том числе в филиалах, или в Интернете с помощью функций самообслуживания, обмена мгновенными сообщениями и электронной почты. Затем приложение анализирует общий опыт работы с клиентами и рекомендует сценарии или следующие шаги, которые помогут агенту по телефону и, надеюсь, сделают клиента счастливым.
Индустрия финансовых услуг была ранний участник технологии CEP, использующий комплексную обработку событий для структурирования и контекстуализации доступных данных, чтобы они могли информировать торговое поведение, в частности алгоритмическую торговлю, путем выявления возможностей или угроз, которые указывают на то, что трейдеры (или системы автоматической торговли) должны покупать или продать. Например, если трейдер хочет отслеживать акции, у которых есть пять движений вверх, за которыми следуют четыре движения вниз, технология CEP может отслеживать такое событие. Технология CEP также может отслеживать резкий рост и падение количества сделок. Алгоритмическая торговля - это уже практика в торговле акциями. По оценкам, около 60% торговли акциями в США осуществляется посредством алгоритмических сделок. Ожидается, что CEP продолжит помогать финансовым учреждениям улучшать свои алгоритмы и повышать их эффективность.
Недавние усовершенствования технологий CEP сделали его более доступным, помогая небольшим фирмам создавать собственные торговые алгоритмы и конкурировать с более крупными фирмами. CEP превратилась из новой технологии в важную платформу для многих рынков капитала. Наиболее устойчивый рост этой технологии наблюдался в банковском деле, обслуживании обнаружения мошенничества, онлайн-банкинге и инициативах по многоканальному маркетингу.
Сегодня множество финансовых приложений используют CEP, включая прибыль, убытки и т. Д. и системы управления рисками, ордер и анализ ликвидности, количественная торговля и системы генерации сигналов и другие.
A 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 метку времени, а последовательность меток времени не убывает. Элементы временного ряда часто называют тиками. Временные метки не обязательно должны быть восходящими (просто неубывающими), потому что 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 предоставляют исторический контекст для анализа, обычно связанного со сложной обработкой событий. Это может относиться к любой вертикальной отрасли, такой как финансы, и совместно с другими технологиями, такими как BPM.
Рассмотрим сценарий в области финансов, в котором необходимо понять историческую волатильность цен для определения статистических пороговых значений будущих колебаний цен. Это полезно как для торговых моделей, так и для анализа транзакционных издержек.
Идеальный случай для анализа CEP - это 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, - это просто продолжение того, что происходит сегодня, и того, что может произойти в будущем. Пример может включать сравнение текущих объемов рынка с историческими объемами, ценами и волатильностью для логики исполнения сделок. Или необходимость действовать в соответствии с текущими рыночными ценами может включать сравнения с эталонными показателями, которые включают движения секторов и индексов, чьи дневные и исторические тенденции измеряют волатильность и сглаживают выбросы.
Обработка сложных событий является ключевым фактором в настройках Интернета вещей (IoT) и Smart киберфизических систем. системы (CPS). Обработка плотных и разнородных потоков от различных датчиков и сопоставление шаблонов с этими потоками является типичной задачей в таких случаях. Большинство этих методов основаны на том факте, что представление состояния системы IoT и ее изменений более эффективно в форме потока данных, а не в виде статической материализованной модели. Обсуждение таких потоковых моделей в корне отличается от традиционных методов рассуждений и обычно требует комбинации преобразований модели и CEP.
