制造物联网面向不确定数据流的复杂事件检测方法及系统与流程

本发明涉及制造物联网络领域，更具体地说，涉及一种制造物联网面向不确定数据流的复杂事件检测方法及系统。

背景技术：

随着制造物联技术的广泛应用，在制造物联网中产生大量的数据。由于在数据采集过程中受到周围环境和硬件设备等客观因素的影响，而产生的数据具有一定的不确定性。因此增加了复杂事件检测过程的负担，并且随着数据量指数倍的增加，复杂事件检测的实时性和内存大量占用受到威胁。

由传感器网络等事件发生器直接产生的事件是原子事件，在应用中仅靠原子事件来提供信息是几乎没用的，必须通过一些规则从原子事件中读取到复杂事件的信息。例如，对实验室的各个设备都贴有读取标签，在实验室中布置多个传感器节点，使得覆盖所有设备，当有设备进入实验室时，门口的节点会读取到这一信息，并产生原子事件，然后该设备被放置于实验室的某个位置，覆盖到该位置的RFID会产生原子事件，表明设备放置于某区中。这一系列的信息并不是我们想要的，而通过一定的规则组合后的事件，即该设备被放入到实验室的某一个区域中才是我们想要的，也就是复杂事件。

因此，如何检测制造物联网中不确定数据流的复杂事件是本领域技术人员需要解决的问题。

技术实现要素：

本发明的目的在于提供一种制造物联网面向不确定数据流的复杂事件检测方法及系统，以实现检测制造物联网中不确定数据流的复杂事件。

为实现上述目的，本发明实施例提供了如下技术方案：

一种制造物联网面向不确定数据流的复杂事件检测方法，包括：

依次从不确定数据流中读取带有概率值的目标原子事件，并输入NFA匹配模型；

检测到NFA状态转移时，判断是否存在与所述目标原子事件的事件类型对应的匹配树；若存在，则以已存在的匹配树为左节点，以所述目标原子事件为右节点，生成以NFA转移后的状态为根的匹配树；

若不存在，则以NFA的初始状态为左叶子节点，所述目标原子事件为右叶子节点，生成以NFA转移后的状态为根的匹配树；

若检测到匹配树的根节点为NFA的终止状态，且匹配树的时间戳大小在滑动窗口时间内，则深度优先遍历根节点为NFA的终止状态的匹配树的右叶子节点，并逆序输出复杂事件。

其中，若所述目标原子事件输入NFA匹配模型后，根据NFA检测图判断NFA状态是否转移；

若转移，则执行判断是否存在与所述目标原子事件的事件类型对应的匹配树的步骤；若没有转移，则继续从所述不确定数据流中读取原子事件，作为目标原子事件。

其中，输出复杂事件之后，还包括：

生成与所述复杂事件对应的复杂事件报告。

其中，所述依次从不确定数据流中读取带有概率值的目标原子事件之后，还包括：

判断读取的目标原子事件的概率值是否大于预定阈值；

若是，则将所述目标原子事件输入NFA匹配模型；若否，则继续从所述不确定数据流中读取原子事件，作为目标原子事件。

一种制造物联网面向不确定数据流的复杂事件检测系统，包括：

目标原子事件获取模块，用于依次从不确定数据流中读取带有概率值的目标原子事件；

目标原子事件输入模块，用于将所述目标原子事件输入NFA匹配模型；

匹配树判断模块，用于检测到NFA状态转移时，判断是否存在与所述目标原子事件的事件类型对应的匹配树；若存在，则触发第一匹配树生成模块；若不存在，则触发第二匹配树生成模块；

所述第一匹配树生成模块，用于以已存在的匹配树为左节点，以所述目标原子事件为右节点，生成以NFA转移后的状态为根的匹配树；

所述第二匹配树生成模块，用于以NFA的初始状态为左叶子节点，所述目标原子事件为右叶子节点，生成以NFA转移后的状态为根的匹配树；

复杂事件输出模块，用于检测到匹配树的根节点为NFA的终止状态，且匹配树的时间戳大小在滑动窗口时间内，则深度优先遍历根节点为NFA的终止状态的匹配树的右叶子节点，并逆序输出复杂事件。

其中，所述匹配树判断模块包括：

状态转移判断单元，用于将所述目标原子事件输入NFA匹配模型后，根据NFA检测图判断NFA状态是否转移；

若转移，则触发匹配树判断单元判断是否存在与所述目标原子事件的事件类型对应的匹配树；若没有转移，则触发所述目标原子事件获取模块。

其中，还包括：

复杂事件报告生成模块，用于生成与所述复杂事件对应的复杂事件报告。

其中，还包括：

概率判断模块，用于判断读取的目标原子事件的概率值是否大于预定阈值；若是，则将触发所述目标原子事件输入模块；若否，则触发所述目标原子事件获取模块。

通过以上方案可知，本发明实施例提供的一种制造物联网面向不确定数据流的复杂事件检测方法及系统，包括：依次从不确定数据流中读取带有概率值的目标原子事件，并输入NFA匹配模型；检测到NFA状态转移时，判断是否存在与所述目标原子事件的事件类型对应的匹配树；若存在，则以已存在的匹配树为左节点，以所述目标原子事件为右节点，生成以NFA转移后的状态为根的匹配树；若不存在，则以NFA的初始状态为左叶子节点，所述目标原子事件为右叶子节点，生成以NFA转移后的状态为根的匹配树；若检测到匹配树的根节点为NFA的终止状态，且匹配树的时间戳大小在滑动窗口时间内，则深度优先遍历根节点为NFA的终止状态的匹配树的右叶子节点，并逆序输出复杂事件；

可见，在本实施例中，通过采用阈值过滤低概率值的原子事件，并使用自动机NFA结合匹配树来实现不确定数据流的复杂事件检测，从而提高了事件检测效率，并且节省了低概率值占用空间的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种制造物联网面向不确定数据流的复杂事件检测方法流程示意图；

图2为本发明实施例公开的复杂事件检测方法的组成示意图；

图3为本发明实施例公开的复杂事件检测算法的流程示意图；

图4为本发明实施例公开的原子事件概率示意图；

图5为本发明实施例公开的NFA检测示意图；

图6为本发明实施例公开的构建匹配树的复杂事件检测示意图；

图7为本发明实施例公开的一种制造物联网面向不确定数据流的复杂事件检测系统结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种制造物联网面向不确定数据流的复杂事件检测方法及系统，以实现检测制造物联网中不确定数据流的复杂事件。

参见图1，本发明实施例提供的一种制造物联网面向不确定数据流的复杂事件检测方法，包括：

S101、依次从不确定数据流中读取带有概率值的目标原子事件，并输入NFA匹配模型；

其中，若所述目标原子事件输入NFA匹配模型后，根据NFA检测图判断NFA状态是否转移；

若转移，则执行判断是否存在与所述目标原子事件的事件类型对应的匹配树的步骤；若没有转移，则继续从所述不确定数据流中读取原子事件，作为目标原子事件。

其中，所述依次从不确定数据流中读取带有概率值的目标原子事件之后，还包括：

判断读取的目标原子事件的概率值是否大于预定阈值；

若是，则将所述目标原子事件输入NFA匹配模型；若否，则继续从所述不确定数据流中读取原子事件，作为目标原子事件。

参见图2和图3，在本方案中，本方案的检测方法包括读取原子事件序列、概率值事件过滤、NFA检测、构建匹配树以及输出复杂事件这五个步骤。

具体的，由制造物联技术应用中产生大量的原子事件，形成一种不确定数据流，并根据要检测的复杂事件建立相应的NFA匹配模型，并初始化所有状态；制造物联数据的准确性受到环境以及硬件设备影响而产生不确定性的概率事件，概率值小于阈值T的事件几乎都是脏数据流，因此针对原子事件的概率确定阈值T，以过滤掉概率值小于阈值T的原子事件，即从不确定数据流中依次读取每一个概率值大于阈值T的原子事件，判断能否能被NFA接受，若能接受，则执行S102，若不能接受则重复执行S101。

具体的，在本方案中的阈值T的大小会影响事件检测的时效性和准确性。比如：两个带有概率值的事件，e1概率值为0.94，e2的概率值为0.04，e1和e2的概率之差为0.9，阈值T设为两个概率值的平均值的一半0.245，0.245>0.9，因此忽略掉事件e2。

具体的，参见图4，为本实施例中提供的原子事件概率图；参见图5，在本方案中判断能否被NFA接受，是通过图5提供的检测图决定的。

S102、检测到NFA状态转移时，判断是否存在与所述目标原子事件的事件类型对应的匹配树；

若存在，则执行S103、以已存在的匹配树为左节点，以所述目标原子事件为右节点，生成以NFA转移后的状态为根的匹配树；

若不存在，则执行S104、以NFA的初始状态为左叶子节点，所述目标原子事件为右叶子节点，生成以NFA转移后的状态为根的匹配树；

具体的，在本方案中，参见图6，为本实施例提供的复杂事件检测示意图，状态发生转移后，判断是否存在该事件类型的匹配树，若不存在，则建立一棵该原子事件类型的匹配树，并以NFA的初始状态为左叶子节点，该原子事件为右叶子节点，生成以NFA转移后的状态为根的一棵树；若存在，在以已经存在的树为左节点，以该原子事件为右节点，生成以NFA转移后的状态为根的一棵树。

可见，利用匹配树存储和查找原子事件，并利用NFA的状态，将转移前的状态作为左节点，状态转移的事件作为右节点，向上延伸的根节点为转移后的状态，用一棵树来存储原子事件以及其转移状态，可以清晰快速的查找事件的位置。

S105、若检测到匹配树的根节点为NFA的终止状态，且匹配树的时间戳大小在滑动窗口时间内，则深度优先遍历根节点为NFA的终止状态的匹配树的右叶子节点，并逆序输出复杂事件。

其中，输出复杂事件之后，还包括：

生成与所述复杂事件对应的复杂事件报告。

具体的，在本方案中，实时判断树的根节点是否为NFA的终止状态，若否，则继续执行S101；若是，则判断该树的时间戳大小是否在滑动窗口时间内，若否，则继续执行S101；若是，则深度优先遍历该树的右叶子节点，并逆序输出，例如图6中输出的复杂事件为：a1f2g3和a2c4e5。

具体的，本方案针对于制造物联网数据的特点，采用阈值T过滤低概率值的原子事件，并使用自动机NFA结合匹配树来实现不确定数据流的复杂事件检测，解决了现在检测中存在的概率值问题，提高了事件检测效率，同时也减少了内存的消耗，节省了低概率值占用空间的问题，该方法的研究也推动了复杂事件检测技术的发展。

下面对本发明实施例提供的复杂事件检测系统进行介绍，下文描述的复杂事件检测系统与上文描述的复杂事件检测方法可以相互参照。

参见图7，本发明实施例提供的一种制造物联网面向不确定数据流的复杂事件检测系统，包括：

目标原子事件获取模块100，用于依次从不确定数据流中读取带有概率值的目标原子事件；

目标原子事件输入模块200，用于将所述目标原子事件输入NFA匹配模型；

匹配树判断模块300，用于检测到NFA状态转移时，判断是否存在与所述目标原子事件的事件类型对应的匹配树；若存在，则触发第一匹配树生成模块400；若不存在，则触发第二匹配树生成模块500；

所述第一匹配树生成模块400，用于以已存在的匹配树为左节点，以所述目标原子事件为右节点，生成以NFA转移后的状态为根的匹配树；

所述第二匹配树生成模块500，用于以NFA的初始状态为左叶子节点，所述目标原子事件为右叶子节点，生成以NFA转移后的状态为根的匹配树；

复杂事件输出模块600，用于检测到匹配树的根节点为NFA的终止状态，且匹配树的时间戳大小在滑动窗口时间内，则深度优先遍历根节点为NFA的终止状态的匹配树的右叶子节点，并逆序输出复杂事件。

基于上述技术方案，所述匹配树判断模块包括：

状态转移判断单元，用于将所述目标原子事件输入NFA匹配模型后，根据NFA检测图判断NFA状态是否转移；

若转移，则触发匹配树判断单元判断是否存在与所述目标原子事件的事件类型对应的匹配树；若没有转移，则触发所述目标原子事件获取模块。

基于上述技术方案，还包括：

复杂事件报告生成模块，用于生成与所述复杂事件对应的复杂事件报告。

基于上述技术方案，还包括：

概率判断模块，用于判断读取的目标原子事件的概率值是否大于预定阈值；若是，则将触发所述目标原子事件输入模块；若否，则触发所述目标原子事件获取模块。

本发明实施例提供的一种制造物联网面向不确定数据流的复杂事件检测方法及系统，包括：依次从不确定数据流中读取带有概率值的目标原子事件，并输入NFA匹配模型；检测到NFA状态转移时，判断是否存在与所述目标原子事件的事件类型对应的匹配树；若存在，则以已存在的匹配树为左节点，以所述目标原子事件为右节点，生成以NFA转移后的状态为根的匹配树；若不存在，则以NFA的初始状态为左叶子节点，所述目标原子事件为右叶子节点，生成以NFA转移后的状态为根的匹配树；若检测到匹配树的根节点为NFA的终止状态，且匹配树的时间戳大小在滑动窗口时间内，则深度优先遍历根节点为NFA的终止状态的匹配树的右叶子节点，并逆序输出复杂事件；

可见，在本实施例中，通过采用阈值过滤低概率值的原子事件，并使用自动机NFA结合匹配树来实现不确定数据流的复杂事件检测，从而提高了事件检测效率，并且节省了低概率值占用空间的问题。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。