From 79e8f89ea3626b5344277aa0fbd5b57ef5607b38 Mon Sep 17 00:00:00 2001 From: Jan Philipp Timme Date: Tue, 20 Nov 2018 13:15:41 +0100 Subject: [PATCH] Remove old slides, fresh start --- MA-KO-Inhalt.tex | 349 +---------------------------------------------- 1 file changed, 4 insertions(+), 345 deletions(-) diff --git a/MA-KO-Inhalt.tex b/MA-KO-Inhalt.tex index fea8a39..9624cb0 100644 --- a/MA-KO-Inhalt.tex +++ b/MA-KO-Inhalt.tex @@ -1,346 +1,9 @@ -\section{Motivation} +\section{} \begin{frame}{Motivation} \begin{itemize} -\item Immer mehr Geräte sind mit dem Internet verbunden -\item Sollen überwacht werden beziehungsweise überwachen selbst etwas -\item Bieten kontinuierlich aktuelle Zustands- und Messinformationen -\item $\rightarrow$ In Form von RDF-Ereignisdatenströmen abrufbar -\end{itemize} -\end{frame} - -\begin{frame}{Ereignisdatenströme} -\begin{itemize} -\item Transportieren Daten von einzelnen Ereignissen -\item Jedes Ereignis bildet kleinen Teil der Realität ab -\begin{itemize} -\item \dots sofern Daten korrekt sind (Messfehler, Übertragungsfehler, \dots) -\end{itemize} -\item Aber: Sind oft zeitlich begrenzt gültig -\item Und: Treten meist hochfrequent auf -\item $\rightarrow$ Große Datenmengen in kürzester Zeit -\end{itemize} -\end{frame} - -\begin{frame}{Verarbeitung der Ereignisdatenströme} -\begin{itemize} -\item Ein Ereignis für sich trägt kaum Bedeutung -\item Betrachtung in Kontext notwendig -\item Der Kontext ergibt sich \dots -\begin{itemize} -\item \dots durch relevante, weitere Ereignisse -\item \dots durch Integration von \emph{Domänenwissen} -\end{itemize} -\item Möglichst schnelle Verarbeitung gefordert -\item $\rightarrow$ Complex Event Processing (CEP) -\end{itemize} -\end{frame} - -\begin{frame}{Was ist Complex Event Processing? (CEP)} -\begin{itemize} -\item Betrachtung von Ereignissen in \emph{Sliding Windows} -\item $\rightarrow$ In-Memory Processing -\item Erkennung von Ereignismustern -\item Aggregation von Ereignissen -\item $\rightarrow$ Erzeugung von komplexen Ereignissen -\end{itemize} -\end{frame} - -\begin{frame}{Ziel der Arbeit} -\begin{itemize} -\item Verarbeitung von RDF-Ereignisdatenströmen mit CEP -\begin{itemize} -\item \dots unter Nutzung der C-SPARQL-Engine -\end{itemize} -\item Dabei: Integration von Domänenwissen -\item Und: In wie weit kann Reasoning\footnote{Dazu später mehr \dots} genutzt werden? -\item $\rightarrow$ Anhand eines Beispielszenarios praktisch durchführen -\end{itemize} -\end{frame} - - -\section{Exkurs: Grundlagen RDF} - -\begin{frame}{Exkurs: Grundlagen RDF} -\begin{itemize} -\item Resource Description Framework -\item Framework zur Beschreibung und Modellierung von Wissen -\item Aussagen sind Tripel -\item Bestehen aus Subjekt, Prädikat und Objekt -\item Werden als URI repräsentiert -\begin{itemize} -\item Im Objektteil sind auch Literalwerte erlaubt -\end{itemize} -\end{itemize} - -Es folgt ein Beispiel \dots -\end{frame} - -\begin{frame}[fragile]{Beispiel: Zwei RDF-Tripel in Turtle-Notation} -Fakten über ein beispielhaftes Subjekt in RDF: -\begin{lstlisting} -@prefix car: . -@prefix carModel: . -@prefix carOnt: . - -car:23 carOnt:isCarModel carModel:42 . -car:23 carOnt:hasNickname "Alf"^^xsd:string . -\end{lstlisting} -\begin{itemize} -\item Turtle erlaubt mit \texttt{@prefix} die Definition von Prefixen\footnote{Für die Übersichtlichkeit werden Prefixe auf den folgenden Folien weggelassen.} -\item $\rightarrow$ Übersichtliche Repräsentation der Fakten -\end{itemize} -\end{frame} - -\begin{frame}[fragile]{Beispiel: Zwei RDF-Tripel visualisiert} -\begin{figure}[htbp] -\centering -%\includegraphics[width=\textwidth]{img/triple-spo.pdf} -\caption{Prädikate verknüpfen ein Subjekt mit Objekt und Literalwert} -\label{fig:triple_spo} -\end{figure} -\begin{lstlisting} -car:23 carOnt:isCarModel carModel:42 . -car:23 carOnt:hasNickname "Alf"^^xsd:string . -\end{lstlisting} -\end{frame} - -\begin{frame}{Assertion Box (ABox) und Terminology Box (TBox)} -\begin{itemize} -\item Unterscheidung zwischen Faktenbasis (ABox) und Terminologie (TBox) -\item TBox enthält Vokabular mit definierter Bedeutung -\item $\rightarrow$ Analog: Klassendefinition in OOP -\begin{itemize} -\item Objektklassen -\item Prädikate -\end{itemize} -\item ABox enthält konkrete Fakten -\item $\rightarrow$ Analog: Instanzen in OOP -\begin{itemize} -\item z.B. Wissen über existierende Objekte, \dots -\end{itemize} -\end{itemize} -\end{frame} - -\begin{comment} -\begin{frame}[fragile]{Beispiel für eine TBox} -Definition der Klassen \texttt{Car}, \texttt{CarModel} und \texttt{Driver} in RDF-Schema (RDFS): -\begin{lstlisting} -:Car rdf:type rdfs:class . -:CarModel rdf:type rdfs:class . -:Driver rdf:type rdfs:class . - -:drives rdf:type rdf:Property . -:drives rdfs:domain :Driver . -:drives rdfs:range :Car . - -:isCarModel rdf:type rdf:Property . -:isCarModel rdfs:domain :Car . -:isCarModel rdfs:range :CarModel . -\end{lstlisting} -\end{frame} - -\begin{frame}[fragile]{Beispiel für eine ABox} -Beschreibung eines PKW und dessen Fahrer mit Hilfe der Terminologie aus der vorherigen TBox: -\begin{lstlisting} -car:5 rdf:type :Car . -car:5 :isCarModel carModel:8 . - -carModel:8 rdf:type :CarModel . -carModel:8 :maximumMotorRPM 4300 . - -driver:1 rdf:type :Driver . -driver:1 :drives car:5 . -driver:1 :hasName "Max Mustermann"^^xsd:string . -\end{lstlisting} -\end{frame} -\end{comment} - -\begin{frame}{Reasoning} -\begin{itemize} -\item Prozess zum automatischen Anreichern von RDF-Daten -\item Baut auf einer gegebenen TBox auf -\item Ermittelt in der ABox enthaltenes, \emph{implizites} Wissen -\end{itemize} - -Dazu folgt nun ein Beispiel \dots -\end{frame} - -\begin{frame}[fragile]{Beispiel: Reasoning} -Gegeben sei folgende Faktenbasis (ABox): -\begin{lstlisting} -:a :drives :b . -\end{lstlisting} -Führt man nun Reasoning mit Hilfe dieser Terminologie (TBox) durch: -\begin{lstlisting} -:drives rdf:type rdf:Property . -:drives rdfs:domain :Driver . -:drives rdfs:range :Car . - -:Vehicle rdf:type rdfs:class . -:Car rdf:type rdfs:class . -:Car rdfs:subclassOf :Vehicle . -\end{lstlisting} -So ergibt sich daraus folgendes, implizites Wissen: -\begin{lstlisting} -:a rdf:type :Driver . -:b rdf:type :Car . -:b rdf:type :Vehicle . -\end{lstlisting} -\end{frame} - -\begin{comment} -\begin{frame}{Zusammenfassung RDF-Exkurs} -\begin{itemize} -\item RDF-Daten bestehen aus Tripeln (Subjekt, Prädikat, Objekt) -\item ABox enthält Fakten -\item TBox enthält Definitionen für Klassen und Attribute -\item Reasoning reichert vorhandenes Wissen automatisch um \emph{implizites} Wissen an -\begin{itemize} -\item \dots dafür ist eine TBox mit Vokabular notwendig -\item Unter Nutzung von Vokabular auf RDFS-Basis kann schon viel erreicht werden -\end{itemize} -\end{itemize} -\end{frame} -\end{comment} - - -\section{Complex Event Processing mit C-SPARQL} - -\begin{frame}[fragile]{Input: RDF-Ereignisdatenströme} -\begin{itemize} -\item Ereignisdaten kommen als RDF-Quadrupel an -\begin{itemize} -\item Tripel + Zeitstempel $\rightarrow$ Quadrupel (kurz: Quads) -\end{itemize} -\end{itemize} -Beispiel für Quadrupel aus RDF-Ereignisdatenströmen: -\begin{lstlisting} -(1344829400) event:324 rdf:type carOnt:CarStatusEvent . -(1344829400) event:324 carOnt:relatedCar car:0 . -(1344829400) event:324 carOnt:speed 63 . - -(1344829405) event:325 rdf:type carOnt:CarStatusEvent . -(1344829405) event:325 carOnt:relatedCar car:0 . -(1344829405) event:325 carOnt:speed 75 . -\end{lstlisting} -\end{frame} - -\begin{frame}{Complex Event Processing} -\begin{itemize} -\item Ereignisdaten werden in Sliding Windows betrachtet -\item Auswertung anhand von CEP-Regeln -\begin{itemize} -\item Definieren Bedingungen und Aktionen -\item Aktionen werden ausgeführt, wenn Bedingungen erfüllt sind -\end{itemize} -\item Mustererkennung und Aggregation von Ereignissen -\item $\rightarrow$ Erzeugung komplexer Ereignisse aus Ergebnissen -\item $\rightarrow$ Auslösen von Aktionen (externe Dienste anstoßen, Code ausführen) -\end{itemize} -\end{frame} - -\begin{frame}{Sliding Window und Tumbling Window} -\begin{itemize} -\item Nur Ereignisse in einem Window sind Teil der Auswertung -\item Haben feste Größe (z.B. 15 Minuten oder 100 Ereignisse) -\item Werden nach jeder Auswertung weitergeschoben -\item Tumbling Window ist Sonderfall -\item \dots wird um seine Größe weitergeschoben -\begin{itemize} -\item $\rightarrow$ Ereignisse nur ein \emph{einziges Mal} darin enthalten -\end{itemize} -\end{itemize} -\begin{figure}[htbp] -\centering -%\includegraphics[width=\textwidth]{img/slidingvstumblingwindow.pdf} -\caption{Sliding- und Tumbling Window auf einem Ereignisstrom} -\label{fig:slidingvstumblingwindow} -\end{figure} -\end{frame} - -\begin{frame}{CEP mit der C-SPARQL-Engine} -\begin{itemize} -\item \enquote{Continuous SPARQL} -\item In Java implementiert, basiert auf Bibliotheken Apache Jena und Sesame -\item Erweiterung der Abfragesprache SPARQL für RDF-Daten -\item Enthält Funktionalität zur Verarbeitung von RDF-Datenströmen -\item Ermöglicht leichte Einbindung von lokalem Domänenwissen -\item Unterstützt Reasoning auf RDF-Datenströmen mit RDFS-Vokabular -\end{itemize} -\end{frame} - -\begin{frame}{CEP-Regeln} -Szenario: -\begin{itemize} -\item PKW-Verleihgesellschaft möchte Fuhrpark überwachen -\item Vergünstigte Tarife für verschleißarmes Fahrverhalten -\item PKW senden periodisch \texttt{CarStatusEvent}s aus -\item Domänenwissen enthält Daten über die Fahrer der PKW -\item Beispiel: Notorische Raser (>130km/h) sollen erkannt werden -\end{itemize} -Dazu folgt nun der C-SPARQL-Query \dots -\end{frame} - -\begin{frame}[fragile]{C-SPARQL Query} -\begin{lstlisting} -REGISTER QUERY getSpeedingCars AS -PREFIX rdf: -PREFIX car: -SELECT ?driverName ?car (AVG(?speed) AS ?avgSpeed) -FROM STREAM [RANGE 5m STEP 1m] -FROM -WHERE { - ?e rdf:type car:CarStatusEvent . - ?e car:relatedCar ?car . - ?e car:speed ?speed . - ?driver car:isDriving ?car . - ?driver car:hasName ?driverName . -} -GROUP BY (?car) -HAVING (AVG(?speed) > 130) -\end{lstlisting} -\end{frame} - -\begin{frame}{Ergebnis} -\begin{itemize} -\item Alle PKW mit Durchschnittsgeschwindigkeit >130km/h werden gemeldet -\item Verantwortliche Fahrer sind Teil des Ergebnisses -\item Weiterführend möglich: Observer in Java schreiben und an Abfrage registrieren -\item In Observer: über solche Vorfälle Buch führen -\item Gesamte Umsetzung des Szenarios in Bachelorarbeit beschrieben -\end{itemize} -\end{frame} - - -\section{Fazit} - -\begin{frame}{Fazit} -\begin{itemize} -\item C-SPARQL-Engine noch nicht vollständig ausgereift -\begin{itemize} -\item Probleme mit Sprachparser, kryptische Exceptions, Zeitstempel nicht immer abrufbar -\end{itemize} -\item Einige Probleme bei der Durchführung des Beispielszenarios aufgetaucht -\item Einfacher Zugriff auf Domänenwissen ist großer Pluspunkt -\item Domänenwissen zur Laufzeit leicht veränderbar -\item Nutzung von Reasoning auf Basis von TBox mit RDF-Schema möglich -\begin{itemize} -\item \dots auch auf Daten der Ereignisdatenströme! -\end{itemize} -\item Für rein didaktische Zwecke auf jeden Fall zur Erprobung von CEP geeignet -\end{itemize} -\end{frame} - -\begin{frame}{Ausblick} -\begin{itemize} -\item Nach einigen Verbesserungen und Fehlerbehebungen gut nutzbar -\item Dann auch definitiv für Einsteiger geeignet -\item Eventuell Reasoning auf Basis von TBox mit OWL-Ontologien denkbar -\begin{itemize} -\item Diese sind deutlich mächtiger als Vokabular auf RDFS-Basis -\item Ermöglichen Attribute mit Transitivität, Symmetrie, Inversen, \dots -\end{itemize} +\item IPv6 wird immer verbreiteter verwendet +\item $\rightarrow$ Die Abteilung Informatik benötigt einen IPv6-fähigen VPN-Dienst \end{itemize} \end{frame} @@ -358,9 +21,5 @@ HAVING (AVG(?speed) > 130) \end{comment} \begin{frame}[fragile]{EOF} -Vielen Dank für Ihre Aufmerksamkeit! - -Fragen? - -Download der Software und Bachelorarbeit unter: \url{http://jpt.lu/thesispackage.zip} +Haben Sie Fragen? \end{frame} \ No newline at end of file