w26M2
w26M2
w26M2
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Big-Data-Technologien – Wissen für Entscheider<br />
Complex Event Processing<br />
Complex Event Processing ist eine Technologie zur<br />
Verarbeitung von Informationsströmen, die Daten von<br />
verschiedenen Quellen kombiniert, um Meßwerte zu<br />
aggregieren, wichtige Ereignisse zu identifizieren und<br />
zeitnah auf sie zu reagieren.<br />
Typische Konzepte enthält die Tabelle 5.<br />
Konzept<br />
Projektion<br />
Filter<br />
Gruppierung<br />
Aggregierung<br />
Join<br />
Erläuterung<br />
Projektionen berechnen Werte<br />
aus den Parametern eines Ereignisses<br />
oder erzeugen daraus<br />
Folgeereignisse.<br />
Filter prüfen Bedingungen gegen<br />
ein oder mehrere Ereignisparameter.<br />
Sie propagieren das Ereignis, wenn<br />
die Bedingungen erfüllt sind.<br />
Gruppierungen partitionieren die<br />
Ausgangsereignisse. Sie ermöglichern<br />
so eine Auswertung nach<br />
Gruppen. Sie reichen die Ereignisse<br />
dann typischerweise an andere<br />
Operation weiter.<br />
Aggregierungen berechnen<br />
Summen, Anzahl, Durchschnitt,<br />
Maximum, Minimum von<br />
Ereignisparametern.<br />
Joins vergleichen und verknüpfen<br />
Ereignisse verschiedener Ströme.<br />
Dabei werden die entsprechenden<br />
Werte und Timestamps<br />
herangezogen.<br />
Tabelle 5: Typische Konzepte in CEP-Anwendungen<br />
Datenströme haben offensichtlich einen Zeitkontext. CEP-<br />
Systeme unterstützen daher Zeitfensterabstraktionen.<br />
Zeitfenster bewegen sich dabei abhängig von Konditionen<br />
der Abfrage bzw. des Filters.<br />
• Springende Fenster kumulieren Ereignisse über Zeitabschnitte.<br />
Wenn alle Ereignisse für den Zeitabschnitt<br />
erfasst wurden, werden sie als Ereignismenge zur<br />
Weiterverarbeitung gegeben. Das Fenster »springt«<br />
dann um einen fixierten Abschnitt weiter.<br />
• Ereignisbasierte Fenster produzieren nur dann<br />
Output, wenn während des Zeitfensters Ereignisse<br />
auftreten. Die Ergebnismenge ist die Gesamtheit der<br />
während der Fenstergröße aufgetretenen Ereignisse.<br />
• Zählerbasierte Fenster geben für einen Zähler n<br />
jeweils Eventfolgen der Länge n zurück.<br />
CEP erfreut sich hoher Nachfrage im Finanzsektor wie<br />
bei Versorgungs- und Fertigungsunternehmen weltweit,<br />
ebenso im Internet of Things und im Social Web. Statt<br />
traditioneller SQL-Abfragen historischer Daten ermöglicht<br />
CEP hochfrequente Analysen gegen Datenströme mit<br />
niedrigsten Latenzzeiten.<br />
Die bekannteste Anwendung für CEP ist das hochfrequente<br />
algorithmische Trading (HFAT) über regulierte<br />
Börsen wie in unregulierten Over-the-Counter (OTC)<br />
Swaps in sogenannten Dark Pools. HFAT-Exzesse trugen<br />
ebenso 2008 zum Ausbruch der Finanzkrise bei wie zu<br />
Kurseinbrüchen in jüngerer Zeit.<br />
Etwas weniger kontroverse Anwendungen von CEP<br />
umfassen die Echtzeitüberwachung von Anlagen und<br />
Objekten sowie Smart Meters für Gas, Wasser und Elektrizität,<br />
ebenso wie Produkt- und Sentiment-Analysen von<br />
Social Daten, z. B. Twitterstreams. Anbieter im Gesundheitswesen<br />
sehen künftige Anwendungen in Meßgeräten<br />
für Blutdruck, Herzfrequenz und andere physiologischer<br />
Daten, die über die Cloud Daten an CEP-Systeme liefern,<br />
um gesundheitsgefährdende Ausschläge rechtzeitig<br />
zu erkennen. Ein weiterer großer Markt für CEP ist die<br />
Überwachung seismischer und kosmischer Aktivität in<br />
Echtzeit, um laufende und künftige Umweltrisiken zu<br />
erkennen.<br />
Verschiedene weitere Anwendungsfälle für CEP und DSCP<br />
werden im Abschnitt 5.5 näher beleuchtet.<br />
53