1 Friedrich – Schiller - Universität Jena Lehrstuhl für Datenbanken und Informationssysteme Seminar Aktive Datenbanken Filterung von zusammengesetzten Ereignissen Ramon Fleischhauer

2 Gliederung 1. Einleitung 2. Wichtige Begriffsdefinitionen 3. Implementierungsmöglichkeiten zur Erkennung von Ereignissen 4. Zwei – Schritt – Verfahren zur Filterung von zusammengesetzten Ereignissen 5. Schlüsselkriterien für ein Filterverfahren 5.1 Filtermodell 5.2 Die innere Darstellung eines Filters 6. Zusammenfassung

3 1. Einleitung Filterung: Prüfen aller eintretenden Ereignisse anhand von bestimmten festgelegten Kriterien Hauptziel: Erkennung von zusammengesetzten Ereignissen Ereignisse haben entscheidenden Einfluss auf ECA (Event – Condition – Action) Ereignisdefinitionen und Ereigniserkennung sind ein wichtiges Thema in DB- Forschung

4 2. Grundlegende Begriffe Ereignisse: happening of interest ( Gehani et al ) Auftreten einer Situation, die eine möglicherweise automatische Reaktion erfordert ( Unland und Zimmer ) Unterscheidung: primitive, zusammengesetzte Ereignisse primitive Ereignisse:

5 zusammengesetzte Ereignisse: durch Kombination von Ereignissen (primitive, zusammengesetzte) anhand bestimmter Operatoren Beispiele: - Konjunktion/ Disjunktion: z = x und/ oder y - Sequenz : z = x muss vor y eintreten - Negation: nicht x innerhalb eines bestimmten Zeitintervalles - …

6 Filterverfahren benötigen 2 Schritte zur Filterung von zusammengesetzten Ereignissen consumption mode: wie primitive Ereignisinstanzen zur Bildung von zus. Ereignissen verwendet und anschließend gelöscht werden: recent, chronicle, continuous, cumulative

7 3. Implementierungsmöglichkeiten verschiedene Möglichkeiten zur Darstellung und Erkennung von Ereignissen GraphenBäumenAutomatenPetri - Netze via

8 Implementierung via Graphen gerichteter azyklischer Graph (DAG) jedes zusammengesetzte Ereignis als DAG dargestellt Knoten = Ereignisbeschreibungen Kanten = Ereigniszusammensetztungen tritt primitives Ereignis ein werden Vaterknoten informiert Beziehungen zu Ereignissen werden gespeichert

9 Implementierung via Graphen event graph - in Sentinel Kombination von Eventbäumen zu Graphen Blätter = primitive Ereignisse Knoten = enthalten Operatoren, separaten Speicher für Kinder Pfeile im Graph repräsentieren Ereigniserkennung (bottom up)

10 V. Krishnaprasad; Event detection for supporting active capability in an OODMS: Semantics, architecture and implementation; page 78; University of Florida; 1994

11 Implementierung via Bäumen detection tree aufgebaut aus detection graph s eigener Baum pro zusammengesetztem Ereignis Knoten entweder Blatt, Wurzel, Operator Ereigniserkennung: bottom up Operatorknoten verwalten primitive Ereignisse Wurzel ergibt zusammengesetztes Ereignis U. Jaeger, J. K. Obermaier; Parallel Event Detection in Active Database Systems: The Heart of the Matter; page 4; Humboldt-Universität zu Berlin

12 Implementierung via Automaten durch deterministische endliche Automaten (DFA) jeder Zustand stellt Ereignis dar Übergang zwischen 2 Zuständen ist Ereigniseintritt step – by – step von COMPOSE verwendet: -Implementierung der Eventausdrücke mittels Automaten -Input = primitiven Ereignisse -Automaten durch Sub- Automaten konstruiert -3- Zustandsautomat (Start-, Akzeptanz-, Nichtakzeptanzzustand)

13 Implementierung via Automaten zusammengesetztes Ereignis erkannt, wenn Automat Akzeptanzzustand erreicht hat Erweiterung der Automaten mit Datenstrukturen zur Speicherung von Informationen G. Lörincze; Modellierung, Analyse und Simulation von Regeln in der aktiven Schicht ALFRED; Diplomarbeit; Universität Bern; 1996

14 Implementierung via Petri – Netze (PN) in SAMOS verwendet Erweiterung: coloured PN Aufbau: Input place = primitive Ereignisse, Output = zus. Ereignis token = zur Markierung, enthält aktuelle Ereignisparameter guard functions = zur Evaluation Algorithmus: step – by – step geordnete Reihenfolge aller primitiven Ereignisse muss bekannt sein

15 Implementierung via Petri – Netze wenn alle Inputs vorhanden, guard function positiv evaluiert, dann feuert transition zum Output zusammengesetzte Event S. Gatziu, K.R. Dittrich;Detecting composite events in active database syxstems using Petri Nets; to appear in : Proc. Of the 4th Intl. Workshop on Research Issues in Data Engineering: Active Database Systems, Houston, Texas, February 1994, page 5

16 S. Gatziu, K.R. Dittrich; Events in an Active Object-Oriented Database System; to appear in Proc. of the 1.Intl. Workshop on Rules in Database Systems; page 8; Edinburgh,August 93.

17 Probleme bestehender Verfahren Automat: Anzahl der Zustände Erreichbarkeitsanalyse, Zustandsminimierung Bäume/ Graphen: betrachtet jedes primitive Ereignis und damit unnötige Filteroperationen PN: in SAMOS nur chronicle consumption mode

18 4. Zwei - Schritt - Verfahren Grundlage: baumbasierter Ansatz, Matchingalgorithmus, Verwendung der Idee der partiellen Ereignisverarbeitung, Zusammengesetze Ereignisfilterung in zwei Schritten: 1. Schritt : Erkennung primitiver Ereignisse 2. Schritt: Ergebnisse = Input für zusammengesetzte Ereignisfilterung betrachten primitiven Ereignisse : e 1, e 2, e 3 Nutzer A : E(a) = e 1 Nutzer B : E(b) = e 1 und e 2 Nutzer C : E(c) = Sequenz(e 2 ;e 3 )

19

20

21

22 Erweiterung des Zwei – Schritt - Verfahrens Erweiterung des Verfahrens 1 – Schritt – Verfahren bedeutet: 2. Schritt in den 1. Schritt integriert wird Zeiteinsparung 2 Möglichkeiten: - Ein – Schritt – Verfahren mit Löschen - Ein – Schritt – Verfahren ohne Löschen: - alle Teilprofile werden im Baum gehalten - Blätter werden um Listen erweitert - 2 Zustände: aktiv (o), inaktiv (x) betrachten primitiven Ereignisse : e 1, e 2, e 3 Nutzer A : E(a) = e 1 Nutzer B : E(b) = e 1 und e 2 Nutzer C : E(c) = Sequenz(e 2 ;e 3 )

23

24

25

26

27

28 1 – Schritt – Verfahren mit Löschen: nur aktuell relevante Teilprofile im Baum gehalten abgearbeitete Teilprofile werden gelöscht Aufnahme von Teilprofilen sobald sie relevant werden Performancebewertung der 3 Verfahren: beste Verfahren ist das 1 - Schritt – ohne Löschen dann das 2 – Schritt – Verfahren schlechteste Verfahren ist 1 – Schritt – Verfahren mit Löschen

Filtermodell determiniert die Struktur der Ereignisfilterkomponenten wie Ereignisdefinitionen und Filterausdrucksdefinitionen gutes Modell ist flexibel jede gewünschte Funktionalität zu formen Auswirkungen auf: - Performance - Allgemeingültigkeit - Ausdrucksmächtigkeit

Innere Darstellung des Filters determiniert die Struktur und Ausführung des Filtermechanismus Ausführung durch Algorithmus Datenstruktur zur Erkennung von Events ( Graph-, Baum-, Petri-Netz- oder Automatenbasiert) Hauptauswirkungen: - Performance

31 6. Zusammenfassung verschiedenen Systeme benutzen verschiedene Spezifikationen verschiedene Möglichkeiten der Implementierung 2 Schritte für zusammengesetzten Ereigniserkennung Ereignisfilterung nicht nur in aktiven DB wichtig Trend: parallele Erkennung zusammengesetzter Ereignisse vorallem bei Bäumen

32 Literaturverzeichnis N. H. Gehani, H. V. Jagadish, and O. Shmueli. Composite event specification in active databases: Model & implementation. In Proceedings of the 18th International Conference on Very Large Data Bases, S. Chakravarthy, V. Krishnaprasad, E. Anwar, S.K. Kim, "Composite events for active databases: semantics, contexts and detection" in Proceedings of the 20th International Conference on Very Large Data Bases, VLDB 94, Santiago, Chile, pp , N.W. Paton, O. Diaz, "Active database systems", Technical report, Department of Computer Science, University of Manchester, England, S. Chakravarthy and D. Mishra. Snoop: An expressive event specification language for active databases., Technical Report UF-CIS-TR , University of Florida, Gainesville, Department of Computer and Information Sciences, March S. Gatziu and K. R. Dittrich. SAMOS: An Active Object-Oriented Database System. IEEE Quarterly Bulletin on Data Engineering, Special Issue on Active Databases, 15(1-4):23–26, December Ehab Al-Shaer. High-Performance Event Filtering: Survey and Evaluation. Technical Report ODU-CS-96, Computer Science Department, Old Dominion University, March A. Hinze: Efficient filtering of composite events. In Proceedings of the 20th British National Conference on Databases (BNCD03), Coventry, UK, July, 2003 D. Zimmer, R. Unland: The Formal Foundation of the Semantics of Complex Events in Active Database Management Systems. Cooperative Computing & Communication Laboratory, Technical Report Nummer 22/1997, Paderborn, Deutschland, E. S. Al-Shaer; High-performance Event Filtering for Distributed Dynamic Multi-point Applications: Survey and Evaluation; Computer Science Department, Old Dominion University, March E. S. Al-Shaer; Event Filtering Framework: Key Criteria and Design Trade-offs; in the IEEE 21st International Conference on Computer Software and Application, held in Washington, D.C., USA, August 1997 S. Chakravarthy, V. Krisshnaprasad, E. Anwar, and S. K. Kim. Anatomy of a Composite Event Detector. Technical Report CIS TR , University of Florida, December 1993 S. Chakravarthy, V. Krishnaprasad, E. Anwar, and S. K. Kim. Composite Events for Active Databases: Semantics, Contexts and Detection. In Proceedings of the 20th VLDB Conference, p , Sep N. H. Gehani, H. V. Jagadish, and O. Shmueli. Event Specification in an Active Object-Oriented Database. In Proceedings of the ACM SIGMOD International Conference on Management of Data, p , S. Bittner. Implementierung und Analyse von Filterverfahren für parametrisierbare zusammengesetzte Ereignisse. Diplomarbeit, Freie Universität Berlin, Institut für Informatik, 2004 S. Chakravarthy. Sentinel: An object-oriented DBMS with event-based rules. In Proceedings of the ACM SIGMOD International Conference on Management of Data, Tucson, AZ, S. Gatziu and K. R. Dittrich. Detecting composite events in active database systems using petri nets. In Proceedings of the RIDE Workshop on Research Issues in Data Engineering, Houston, TX, 1994.

33 Vielen Dank für Ihren Aufmerksamkeit!