制造物聯海量數據流復雜事件檢測算法研究.pdf

1、在制造物聯網生產環(huán)境下，各種類型的感知設備用于監(jiān)控生產過程、流程、對象變化等，從而產生了大量的原始數據。但是這些數據的準確性會受到生產環(huán)境、硬件屬性、網絡技術的影響，因此，感知節(jié)點產生的數據具有不確定性、海量多源性以及高時空關聯性等特點。這些數據特點加重了復雜事件檢測的負擔，并且隨著數據量的增加，數據的實時檢測能力有所下降。對制造企業(yè)來說，不能及時掌握生產動態(tài)，就不能及時發(fā)現生產過程中存在的問題。
　　通過對制造物聯海量數據流處理

2、中難點的研究分析，結合制造業(yè)生產中的工業(yè)要求，本文提出了相應的復雜事件檢測算法。首先，針對不確定海量數據流因組合數量過大導致難以實時高效檢測的問題，本文利用非確定性有限自動機結合匹配樹，提出一種制造物聯網面向不確定數據流的復雜事件檢測算法。通過將不確定數據流的概率值和閾值比較，進而篩選出有價值的信息，以達到在內存空間占用上有所優(yōu)化，在事件檢測效率上有所提高的目的。其次，針對制造物聯中海量事件檢測過程中出現的擁塞導致事件不能及時檢測或不必

3、要事件占用過多資源的現象,本文提出一種基于優(yōu)先級的哈希結構復雜事件檢測算法,該算法綜合考慮了事件必要性、處理時間、等待時間這三種因素,對各個原子事件計算優(yōu)先級,采用事件優(yōu)先級調度策略,以達到事件模式匹配及檢測能及時執(zhí)行的目的。
　　本文對制造物聯海量數據流復雜事件算法進行研究，在VC6.0中模擬數據流的產生，利用實驗結果圖和數據集將本文所提出的算法和經典的算法進行比較。仿真實驗通過
　　控制數據生成器中參數的值，來檢測事件檢

4、測算法的檢測時間、內存消耗和吞吐量隨事件數量的變化趨勢。實驗結果表明，在數據量相同的條件下，相較經典算法，本文所提出的算法檢測時間短、內存消耗低、吞吐量高。以上的三個指標在數據量越大的情況下，本文所提的算法就越有優(yōu)勢。因此，將本文所提出的算法應用于制造物聯企業(yè)中，能有效提高復雜事件檢測的實時性，有助于企業(yè)在生產過程中對監(jiān)控對象的變化在更短的時間內做出響應，以及時解決生產過程中面臨的問題。因此，該算法的研究為制造物聯技術領域做出了一定的貢