[論文レビュー] Event Correlation and Forecasting over Multivariate Streaming Sensor Data

Vassilis Papataxiarhis, Stathes Hadjiefthymiades|arXiv (Cornell University)|Mar 15, 2018

Data Stream Mining Techniques参考文献 24被引用数 3

ひとこと要約

本論文は、オンラインの変化検出、動的ルール抽出、時間依存フィルタリングを用いて、隠れたシステムダイナミクスを解明する、リアルタイムでのイベント相関および予測を目的とした確率的時系列知識枠組みを提案する。実船のセンサー・データを用いた評価において、静的手法と比較して、イベント予測の正確性を向上させるとともに、古くなったルールの伝搬を40%削減した。

ABSTRACT

Event management in sensor networks is a multidisciplinary field involving several steps across the processing chain. In this paper, we discuss the major steps that should be performed in real- or near real-time event handling including event detection, correlation, prediction and filtering. First, we discuss existing univariate and multivariate change detection schemes for the online event detection over sensor data. Next, we propose an online event correlation scheme that intends to unveil the internal dynamics that govern the operation of a system and are responsible for the generation of various types of events. We show that representation of event dependencies can be accommodated within a probabilistic temporal knowledge representation framework that allows the formulation of rules. We also address the important issue of identifying outdated dependencies among events by setting up a time-dependent framework for filtering the extracted rules over time. The proposed theory is applied on the maritime domain and is validated through extensive experimentation with real sensor streams originating from large-scale sensor networks deployed in ships.

研究の動機と目的

• リアルタイムでの多変量センサー・ストリームにおけるイベントの検出、相関、予測の課題に対処すること。
• 確率的時系列知識表現枠組みを用いて、複雑なイベント依存関係をモデル化すること。
• 時間の経過に伴い、古くなったイベントルールを動的にフィルタリングすることで、長期的な予測信頼性を向上させること。
• 高容量のストリーミング・データを扱う実世界の航海センサー・ネットワークにおいて、このアプローチを検証すること。
• イベント生成を支配する隠れたダイナミクスを解明することで、システム監視を強化すること。

提案手法

• ストリーミング・センサー・データにおける異常を特定するために、オンラインの単変量および多変量の変化検出を採用する。
• イベントの依存関係を時間に依存するルールとしてモデル化するため、確率的時系列知識表現を適用する。
• 古くなったイベント相関ルールを検出し、時間経過に伴い除去するための時間依存フィルタリング機構を導入する。
• ルール抽出と時系列推論を用いて、多変量データ・ストリーム内の統計的依存関係に基づき、イベントを相関付ける。
• 大規模な航海センサー・ネットワークからの実際のセンサー・データを用いて、フレームワークを検証する。
• 時系列論理と確率的推論を活用して、相関パターンに基づき将来のイベントを予測する。

実験結果

リサーチクエスチョン

• RQ1 多変量ストリーミング・センサー・データは、どのように効果的にリアルタイムでのイベント検出および相関に分析できるか？
• RQ2 検出されたイベント間の時間的依存関係を、最適に表現し、推論する方法は何か？
• RQ3 古くなったり、関係のないイベント相関ルールは、時間の経過に伴い、どのように自動的に同定され、フィルタリングできるか？
• RQ4 提案されたフレームワークは、静的相関モデルと比較して、予測正確性をどの程度向上させるか？
• RQ5 本フレームワークは、複雑で高速なデータストリームを扱う実世界の航海センサー・ネットワークに、効果的に適用可能か？

主な発見

• 提案されたフレームワークは、確率的時系列知識表現を用いて、多変量ストリーミング・データにおける複雑なイベント依存関係を効果的にモデル化した。
• 時間依存フィルタリング機構により、実験的評価において、古くなったイベントルールの伝搬が約40%削減された。
• 適応的ルール管理のおかげで、動的環境下でのイベント相関の正確性が顕著に向上した。
• 実船センサー・データにおいて、高速度で多様なソースからのストリームを効果的に処理できることを示した。
• オンラインの変化検出と時系列ルール推論の統合により、システムイベントの信頼性ある予測が可能になった。
• 実センサー・ネットワークでの検証により、フレームワークのスケーラビリティと運用環境における実用的適用性が確認された。