Κατανεμημενη Μαθηση Ορισμων Γεγονοτων Σε Πραγματικο Χρονο Με Τη Χρηση Δραστων

Abstract

Η αναγνώριση σύνθετων γεγονότων (Complex Event Recognition) αποτελεί αντικείμενοέρευνας στο πεδίο της μηχανικής μάθησης (Machine Learning). Στόχος ενός συστήματος ανα-γνώρισης σύνθετων γεγονότων είναι να χρησιμοποιεί διατυπώσεις γνωστών γεγονότων χαμηλούεπιπέδου (low-level events) συνδυαστικά με ορισμούς σύνθετων γεγονότων ώστε να αναγνωρίζειτα γεγονότα υψηλού επιπέδου (high-level events) τα οποία πραγματοποιούνται δεδομένες χρονικέςστιγμές. Το σύστημα Μάθησης Ορισμών Γεγονότων σε πραγματικό χρόνο (Online Learning ofEvent Definitions; OLED) χρησιμοποιεί τεχνικές επαγωγικού λογικού προγραμματισμού ώστε ναδιατυπώσει τις προϋποθέσεις οι οποίες πρέπει να πληρούνται προκειμένου να λαμβάνει χώρα ένασύνθετο γεγονός, με τη μηχανική μάθηση να πραγματοποιείται σε πραγματικό χρόνο, υπό την έν-νοια ότι κάθε διαθέσιμο δεδομένο χρησιμοποιείται ακριβώς μία φορά χωρίς να διατηρείται στη μνήμηγια περαιτέρω επεξεργασία. Σκοπός της διπλωματικής εργασίας είναι η ανάπτυξη ενός συστήματοςμάθησης ορισμών γεγονότων σε πραγματικό χρόνο για κατανεμημένα συστήματα επεξεργασίας. Ησχεδίαση του νέου αυτού συστήματος βασίστηκε στο προϋπάρχον σύστημα του OLED. Συγκεκρι-μένα, έγινε χρήση του μαθηματικού μοντέλου των δραστών (Actors), το οποίο χρησιμοποιείται τηνυλοποίηση ασύγχρονων συστημάτων κατανεμημένης επεξεργασίας, και στηρίζεται στην ανταλλαγήκαι αξιοποίηση μηνυμάτων μεταξύ των υπολογιστικών νημάτων. Στην εν λόγω διπλωματική εργασία,παρουσιάζουμε το σύστημα Κατανεμημένης Μάθησης Ορισμών Γεγονότων σε πραγματικό χρόνο(Distributed Online Learning of Event Definitions; DOLED) το οποίο επιτυγχάνει κατανεμημένημάθηση κανόνων με χρήση ενός συνόλου δεδομένων το οποίο έχει διασπαστεί σε τμήματα τα οποίαμε τη σειρά τους αναθέτονται σε πλήθος υπολογιστικών νημάτων. Το σύστημα αυτό παρουσιάζεταισε δύο διακριτές και ανεξάρτητες ματαξύ τους υλοποιήσεις, το Μοντέλο Ολικού Κλειδώματος καιτο Μοντέλο Ροής Πληροφορίας.