Complex Event Processıng In Internet Of Thıngs

Nesnelerin interneti (Internet of Things - IOT) ile birlikte sensörler tarafından üretilen ham veri miktarı artmıştır. Yüksek hacimli ve hızdaki bu veriden anlamlı bilgiler çıkarmak için verinin gerçek zamanlı olarak işlenmesi gerekmektedir. Bu kapsamda karmaşık olay işleme (Complex Event Processing- CEP) sistemler ham veriden değerli bilgileri çıkaran bir sistem olarak gerçek zamanlı veri işleme amacı ile kullanılmaktadır. Ancak CEP sistemlerinde kural tanımlama zorluğu ve tahmin yöntemlerinin entegrasyonu konularında zorluklar yaşanmaktadır. Bu kapsamda bu tez çalışmasında CEP sistemlerinin IoT verileri kullanarak derin öğrenme temelli çözümler önerilmiştir. Tez kapsamında ilk olarak IoT verilerinden genel CEP kurallarının çıkarılması amacı ile kümeleme ve kural madenciliği aşamalarını içeren bir model önerilmiştir. Önerilen model kapsamında kural madenciliği algoritmalarının belirlenen kümelere ilişkin kuralları çıkarmada başarılı sonuçlar verdiği ölçülmüştür. Bu tez çalışmasında ikinci olarak, derin öğrenme (deep learning - DL) yöntemleri ile etiketsiz IoT verilerinden CEP kurallarının otomatik çıkarılmasını sağlayan bir çerçeve model önerilmiştir. Önerilen çerçeve model yeniden çatılma hatası ve başarım performansları dikkate alınarak akıllı şehir uygulamasında yer alan hava kirlilik gaz verileri kullanılarak değerlendirilmiştir. Bu tez çalışmasında son olarak CEP tahmin probleminin çözümüne odaklanılmıştır. Bu kapsamda DL yöntemleri ve CEP işleme motoru yapısını içeren IoT sis hesaplama yaklaşımı ile bir sistem önerilmiştir. DL yöntemleri ile IoT zaman serileri tahmin edilerek başarım performansı geleneksel yöntemlerden Destek Vektöre Regresyonu (Support Vector Regression- SVR) ile karşılaştırılmıştır. Tahmin değerleri CEP işleme motorunda değerlendirilerek her bir algoritma için başarım performansları verilmiştir. Önerilen sistemde sis hesaplama dikkate alınarak uçtan uca ağ gecikmesi hesaplanmıştır. Bu bağlamda önerilen sistem modelinde tahmin edilen IoT verilerinin CEP işleme motorunda değerlendirilmesinin küçük ağ gecikmesi ile birlikte yüksek bir başarımla sağlandığı ortaya koyulmuşturWith the Internet of Things (IoT), the amount of raw data generated by sensors has increased. In order to extract meaningful information from this high volume and speed data, the data must be processed in real time. In this context, Complex event processing (CEP) is promising technology that used for a real time data processing with extracting valuable information from raw data. However, there are open problems about CEP system such as defining automatically CEP rules and CEP prediction. In this thesis, DL based solutions offered to solve these problems with using IoT data. Firstly, a model which has clustering and rule mining phase is proposed to extract CEP rules from IoT data. Experimental results show that the developed model shows excellent performance with determining the scope of the cluster. Secondly, we propose a generalized framework for automatic CEP rule extraction with using DL methods. The proposed framework has two phases which names labeling and automatic rule extraction. In this context, we compare several DL methods with each other and regression-based methods to evaluate the proposed framework in smart city scenario with using air pollution gases by reconstruction error and prediction metrics. The result shows that the Dl based framework success rate increase when the number of attributes increases as well. Finally, we focus on the predictive CEP problem. In this context, we propose a novel deep learning based predictive CEP system for air pollution dataset in IoT framework. DL methods and SVR are compared in terms of the prediction performance. The predicted data is processed in the CEP engine and the performance of the each algorithm in CEP engine is shown in detail. We examine proposed system in terms of end-to-end network delay and measure its impact on the network. The result demonstrate that predicted system with Dl methods show excellent performance while guaranteeing minimum end-to-end network delay