CN102790981B - 传感器网络时空动态模式下的实时报警方法 - Google Patents

Abstract

本发明公开了一种传感器网络时空动态模式下的实时报警方法，其包括以下步骤：预先利用实时数据库系统实时采集来自传感器网络的实时动态数据；预先定义基于ECA规则的原子事件，将多个原子事件复合得到复杂事件；预先建立动态贝叶斯网络模型得到不确定复杂事件规则库；预先基于自动机构建对事件流进行实时解析匹配处理的检测方法；预先建立基于智能体依赖图的推理结构；采用基于ECA规则的实时推理算法在基于智能体依赖图的推理结构上对来自所述传感器网络的事件流进行推理，得到事件的判断结果；当上步的判断结果为真时触发实时报警，执行对应的通知操作，并给出报警动作。该方法实时性、性能稳定、效率较高。

Description

传感器网络时空动态模式下的实时报警方法

技术领域

本发明属于传感器网络环境下的复杂事件处理技术领域，具体地涉及一种传感器网络时空动态模式下的实时报警方法。

背景技术

随着工业无线网络技术、无线射频识别技术、传感器网络技术、信息技术和认知科学的进一步发展，人类在信息的获取、识别、处理、传递、检索、分析和利用的各个技术层面都得到了很大的提高，从而极大地扩展了人们对信息的控制和使用能力。

与传统工业应用相比，传感器网络数据具有分布、动态、不确定性和海量性，它是一种时空数据，因而时空动态模式下的实时报警更加复杂和困难。如何对大量的时空动态传感器网络进行实时报警是实时监控系统的迫切需求。

在传感器网络中时空动态数据的实时报警具有以上提到的复杂特点，其事件检测是复杂类型的事件监测。事件可以分为原子事件和复杂事件(也称为复合事件)，原子事件指在系统中预定义的事件，通过使用原子事件表达式和修饰符定义的事件。原子事件又可分为：数据库事件、时态事件（temporal）和外部事件（explicit）。复杂事件是指通过对原子事件和复杂事件应用一组算子而形成的事件，复杂事件可定义为通过对复杂事件表达式应用一个事件修饰符而得到的事件，默认情况下假定存在end-of修饰符。复杂事件检测是学术界近年来热衷的方向，它是结合实时理论、知识发现、数据流、数据挖掘、数理逻辑、离散数学等理论技术而兴起的一项新的理论和技术，其可以帮助研究人员更好地描述事件之间的各种关系和相关性，更深入的认识事件的本质，以及更方便的研究事件的应用。国外学者对于复合事件检测的研究已经开展了起来，基于事件的分布式系统国际会议（DEBS）成立于2002年，在2002年-2006年是作为讲习会（Workshops）和ICDCS、ICSE、SIGMOD/PODS等大会一起举行的。从2007年以来作为独立大会而召开。

国外学者目前在复合事件检测及应用方面取得了一定的进展和成果。目前主要有以下几种方法来进行复合事件的检测：基于Petri网、基于树、基于图、基于自动机的检测方法，基于自动机的复合事件检测方法。其中：

基于Petri网的检测方法，其检测思想是对每一个新的事件模型创建相应的Petri网，输入库所表示原子事件，输出库所表示复合事件。原子事件的发生就会导致相应的输入库所被标记了，当一个迁移对应的所有的输入库所被标记了，则此迁移对应的输出库所(即表示复合事件的库所)就被标记了，依此下去，直到到达一个表示此事件模型且没有向外的迁移的库所，则检测成功。

而采用基于树的方法来检测复合事件，其关键的步骤是为事件表达式创建一棵事件求值树，使得其结构匹配事件表达式，以及处理延迟检测是递归进行的。其过程为：①对每一个复合事件表达式创建相应的事件求值树。②每当复合事件中的原子事件被检测到时，就会通知相应的叶子节点它们的发生，接着计算其守卫表达式，如果满足则叶子节点就在它的历史中更新相应的事件记录，并且通知它的父节点新记录的发生。③父节点根据其语义使用此子节点的新记录和其他子节点的历史记录以及它的守卫表达式去产生尽可能多的新事件记录，接着它又通知它的父节点。这个过程一直持续到此复合事件被检测到或者不能产生新的记录为止。

基于图的检测方法引入事件历史的概念，给出一个全局的事件历史，就可以计算任意由上述事件操作构造的复合事件历史，即所有可能使得复合事件发生的原子事件组成的集合。因为这个集合有大量的事件实例组合，而并不是所有的对应用程序有用，所以引入上下文参数的概念，根据上下文参数而得到相应需要的事件实例组合。此方法对于每个复合事件模式构造相应的事件图，叶子结点为原子事件，非叶子结点为操作结点，分别存储其每个子结点，且同一个事件的不同实例也被作为不同的实体存储起来：若检测到原子事件发生就把它的参数存储到相应的叶结点，然后标记此事件，接着把它的参数传给其父结点即操作结点，然后操作结点根据自身操作语义以及所给出的上下文参数执行相应的算法得到相应的事件序列，再把此事件序列传给它的父结点，依此下去直至根结点检测到此复合事件。当此复合事件被检测到后，根据上面所讲的上下文参数语义删除此检测序列中的事件，最后从子结点的参数列表中删除已传播的实体。

基于自动机的检测方法采用规则结构的简单自动机，但与传统的有穷自动机不同的是它支持时间模型、参数化机制以及并发事件模型的检测等。其检测思想是对于每个复合事件模式构造相应的自动机，并且得到相应的状态集和迁移集、每个状态相应的输入事件域和每个迁移相应的事件域，然后根据这些限制进行匹配，若最后到达一个没有向外迁移的生成状态，则匹配成功，复合事件被成功检测。

此外，在事件处理技术中Event-Condition-Action (ECA)规则及其推理技术，也即主动规则推理技术的发展，为实时反应系统中的推理技术提供了另外一条途径。利用ECA规则，推理规则被描述为“事件-条件-动作”模式。事件分为原子事件和复合事件两类，原子事件是基于事件的环境给出的外来事件，而复合事件是原子事件具有时序逻辑关系的组合。条件部分描述环境状态的命题逻辑的诸如“与”、“或”简单逻辑的组合。动作部分描述了在事件发生条件满足的情况下，推理系统应该向用户或者执行系统发送什么样的反应。ECA规则作为一种主动规则如下优点：1）ECA规则能够描述主动行为。ECA规则不仅能够描述事件之间诸如“与”、“或”的简单逻辑组合，而且能够描述事件之间具有时序逻辑关系的组合。2）复合事件、复合条件让ECA规则具有描述复杂环境的能力。目前，学术界对基于ECA规则的推理尚未展开专门研究，仅有一些与该领域相关的研究工作。这些工作包括复合事件检测及规则触发。虽然这些工作可以用来实现基于ECA规则的推理，但却无法满足实时反应式系统对智能化的需求。

因此，如何题提高传感器网络中的复杂事件处理实时性和稳定性是目前亟待解决的技术问题。

发明内容

本发明的目的在于提供一种实时性和稳定性好的传感器网络时空动态模式下的实时报警方法。

为达到上述目的，本发明提供了一种传感器网络时空动态模式下的实时报警方法，包括以下步骤：

传感器网络时空动态模式下的实时报警方法，包括以下步骤：

预先利用实时数据库系统实时采集来自传感器网络的实时动态数据；

预先定义基于ECA规则的原子事件，将多个原子事件复合得到复杂事件；

预先建立动态贝叶斯网络模型得到不确定复杂事件规则库；

预先基于自动机构建对事件流进行实时解析匹配处理的检测方法；

预先建立基于智能体依赖图的推理结构；

采用基于ECA规则的实时推理算法在基于智能体依赖图的推理结构上对来自所述传感器网络的事件流进行推理，得到事件的判断结果；

当上步的判断结果为真时触发实时报警，执行对应的通知操作，并给出报警动作。

与现有技术相比，本发明的传感器网络时空动态模式下的实时报警方法采用了数据驱动的贝叶斯网络方法处理传感器网络中复杂事件发生机理不明确的问题，并采用基于ECA规则的实时推理算法在基于智能体依赖图的推理结构上对来自传感器网络的事件流进行推理，即实现了基于动态贝叶斯网络的不确定复杂事件检测规则学习以及融合确定性规则和不确定规则的实时主动规则推理，从而使报警过程的稳定性和实时性得到了提高，使得当传感器网络环境产生大量事件的时候，也能在要求的时间内给出所有正确的反应。

附图说明

图1为本发明一个实施例的传感器网络时空动态模式下的实时报警方法中贝叶斯网络的拓扑结构示意图；

图2为本发明一个实施例的传感器网络时空动态模式下的实时报警方法中基于智能体依赖图的推理结构示意图；

图3为本发明一个实施例的传感器网络时空动态模式下的实时报警方法的流程图。

具体实施方式

下面结合附图对本发明的传感器网络时空动态模式下的实时报警方法的具体实施方式进行详细描述：

参见图3所示，本实施例的传感器网络时空动态模式下的实时报警方法的具体实施步骤如下：

步骤S1、预先利用大型分布式实时数据库系统实时采集来自传感器网络的实时动态数据。例如Agilor数据库，其具有海量实时/历史数据的压缩/存储与解压/查询等功能，达到每秒能够处理2万个数据更新事务，在石化、电力、冶金、航天、电信等行业200多家大中型企业得到成功应用。

步骤S2、预先根据领域知识定义基于ECA（Event-condition-action）规则的原子事件的特征，将多个原子事件复合得到复杂事件，从而得到事件模式规则库，并结合领域专家知识与统计资料等确定影响复杂事件发生的输入变量、事件状态变量以及事件的输出变量。

步骤S3、预先建立动态贝叶斯网络模型得到不确定复杂事件规则库。收集足够多的样本，经过多次的学习可以得到贝叶斯网络的拓扑结构，如图1所示，对于数据样本有缺失的情况，采用期望极大化算法(即EM算法)对缺失数据进行填补。通过计算事件贝叶斯网络中每个节点及其双亲节点的采样统计频率信息得到各节点的先验概率与条件概率，从而得到贝叶斯网络的参数及规则。

步骤S4、预先基于自动机构建对事件流进行实时解析匹配处理的检测方法。根据所有预设的判断条件建立有限状态自动机，采用自顶向下的匹配过程进行匹配，当匹配成功返回判断条件代码。否则返回error，表示未匹配上任何条件。

步骤S5、预先建立基于智能体依赖图(Agent Dependent Graph)的推理结构。推理结构如图2所示，智能体依赖图是一个有向图。其节点为智能体（Agent），可与事件、条件以及动作相对应（其中，与动作相对应的智能体被称为出口节点）。连接这些智能体的边被称为端口(Port)。且指向智能体的边被称为“输入端口”；从智能体发出的边被称为“输出端口”。推理的中间结果被存储在令牌(Token)中，并通过端口在智能体间传递。当一个智能体通过其输入端口接收到令牌后，要根据当前情况来决定对令牌做何种处理。在此，对令牌的处理有三种方式：即，丢弃令牌、从令牌中获取信息，以及产生新的令牌。当智能体产生了新的令牌后，便会将新令牌通过输出端口传递给与之相连的其它节点。同时，当与动作相对应的智能体接到令牌后，便可输出相应的推理结果，即输出该动作的标识符及内容。

步骤S6、采用基于ECA规则的实时推理算法在基于智能体依赖图的推理结构上对来自传感器网络的事件流进行推理，得到事件的判断结果。它是融合确定性规则和不确定规则的实时主动规则推理，使推理系统能保证在传感器网络环境产生大量事件的时候，能在要求的时间内给出所有正确的反应。首先加入时间约束的复合事件检测算法、复合条件检测算法和规则触发算法，即前述的基于自动机构建对事件流进行实时解析匹配处理的检测方法；其次，针对由复合事件检测、复合条件检测和规则触发所组成的主动规则推理算法，严格的描述其实时问题，包括实时主动规则推理、实施目标、实时任务的划分等；然后，针对实施目标，对实时任务进行调度，从而保证主动规则推理过程的实时性。

步骤S7、上步的判断结果为真时触发实时报警，执行对应的通知操作，给出动画和声音提示，否则不予处理。报警的结果是用户可配置的，从而使实时报警过程灵活，用户根据报警的类型配置报警的可视化形式，包括弹出报警框、触发报警处理事件、给用户发送消息等。在记录报警的通知，并且触发相应的处理事件，对报警进行及时的处理，避免更进一步的灾害。例如当系统的温度超过最大限值时，发出报警并启动注水功能，避免引发爆炸等。

以上的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的权利要求书确定的保护范围内。

Claims (5)

1.一种传感器网络时空动态模式下的实时报警方法，其特征在于，包括以下步骤：

预先利用实时数据库系统实时采集来自传感器网络的实时动态数据；

预先定义基于ECA规则的原子事件，将多个原子事件复合得到复杂事件；

预先建立动态贝叶斯网络模型得到不确定复杂事件规则库；

预先基于自动机构建对事件流进行实时解析匹配处理的检测方法，所述检测方法包括：根据所有预设的判断条件建立有限状态自动机；采用自顶向下的匹配过程进行匹配，当匹配成功返回判断条件代码，否则返回错误；

预先建立基于智能体依赖图的推理结构；

采用基于ECA规则的实时推理算法在基于智能体依赖图的推理结构上对来自所述传感器网络的事件流进行推理，得到事件的判断结果；

当上步的判断结果为真时触发实时报警，执行对应的通知操作，并给出报警动作。

2.根据权利要求1所述的传感器网络时空动态模式下的实时报警方法，其特征在于，在所述建立动态贝叶斯网络模型得到不确定复杂事件规则库的过程中，还包括：

对于数据样本有缺失的情况，采用期望极大化算法对缺失数据进行填补。

3.根据权利要求2所述的传感器网络时空动态模式下的实时报警方法，其特征在于，所述在基于智能体依赖图的推理结构上进行推理的过程中，推理的中间结果被存储在令牌中，并通过所述智能体依赖图的端口在智能体间传递。

4.根据权利要求3所述的传感器网络时空动态模式下的实时报警方法，其特征在于，所述实时报警的类型可配置。

5.根据权利要求1所述的传感器网络时空动态模式下的实时报警方法，其特征在于，所述预先定义基于ECA规则的原子事件，将多个原子事件复合得到复杂事件的过程中，还包括：

结合领域专家知识与统计资料确定影响复杂事件发生的输入变量、事件状态变量以及事件的输出变量。