The high velocity of incoming event

The high velocity of incoming events poses challenges both in
terms of computational resources and in terms of communication
resources. Computational scalability issues are addressed by
distributing event recognition tasks among multiple nodes (see
e.g. [16]), while communication scalability issues are addressed
by algorithms that perform as much of the processing as possible
on the nodes where events are generated, thus reducing the
amount of data that is transferred between nodes (see e.g. [15],
[9]).
In traffic management, for example, a common task is counting
the number of vehicles traversing on a set of paths, where some of
the paths may have shared locations (consider e.g. paths {A, B,
C} and {A, D, B}). A simplistic approach that does not take
uncertainty into consideration would use detectors at each of the
points (A, B, C and D), and define two patterns consisting of the
corresponding sequences. The system would detect these
sequences using finite state automata. The volume and velocity of
the events that are required to be processed, as well as the
complexity of some of the automata, require distributing the
automata processing task among multiple nodes.
A more realistic solution to the path counting task is to take into
account the uncertainty in the detection of the locations of
vehicles. Detectors may fail to detect some vehicles, may have
false detections, and may report detections that are inherently
uncertain (e.g. locating vehicles via a cellular network). Automata
used for detecting patterns over deterministic events are
unsuitable in this scenario. On the other hand, as discussed in the
previous section, probabilistic models such as Markov Logic
Networks are designed to handle uncertainty, and are therefore a
natural choice for detecting events under uncertainty. Event
recognition and forecasting with Markov Logic Networks is done
by inference over probabilistic graphical models, which is
fundamentally different than computations over state automata.
Consequently, distributing these tasks among multiple nodes
requires fundamentally different algorithms.

ผลลัพธ์ (ไทย) 1:

ความเร็วสูงของโพสท่าเหตุการณ์เข้ามาท้าทายทั้งในเงื่อนไข ของทรัพยากรคอมพิวเตอร์ และใน ด้านการสื่อสารทรัพยากร ระบุปัญหาภาระคำนวณโดยการกระจายงานการรับรู้เหตุการณ์ระหว่างโหนหลาย (ดูเช่น [16]), ใน ขณะที่ระบุปัญหาภาระการสื่อสารโดยอัลกอริทึมที่ทำการประมวลผลเป็นไปได้มากที่สุดบนโหนที่สร้างเหตุการณ์ ช่วยลดการจำนวนข้อมูลที่โอนย้ายระหว่างโหน (ดูเช่น [15],[9]).ในการจัดการจราจร ตัวอย่าง งานทั่วไปเป็นการตรวจนับจำนวนยานพาหนะข้ามสิ่งกีดขวางเส้นทาง ชุดหนึ่งเส้นทางอาจมีร่วมกัน (เช่นเส้นทาง {A, B พิจารณาสถานC } และ {A, D, B }) วิธีง่าย ๆ ที่ไม่มีความไม่แน่นอนในการพิจารณาจะใช้เครื่องตรวจจับที่แต่ละจุด (A, B, C และ D), และกำหนดรูปแบบที่สองประกอบด้วยการลำดับที่สอดคล้องกัน ระบบจะตรวจสอบเหล่านี้ลำดับที่ใช้ออโตมาตาสถานะจำกัด ปริมาณและความเร็วกิจกรรมที่ต้องทำ รวมทั้งความซับซ้อนของโกเบ ต้องการกระจายการออโตมาตาในการดำเนินงานระหว่างโหนหลายการแก้ไขเส้นทางนับงานยิ่งจะเป็นความไม่แน่นอนในการตรวจพบตำแหน่งของบัญชียานพาหนะ เครื่องตรวจจับไม่สามารถตรวจจับยานพาหนะบางอย่าง อาจdetections เท็จ และอาจรายงาน detections ที่ตั้งแน่ (เช่นระบุตำแหน่งรถผ่านเครือข่ายโทรศัพท์มือถือ) ออโตมาตาใช้สำหรับการตรวจสอบรูปแบบผ่านกิจกรรม deterministicไม่เหมาะสมในสถานการณ์นี้ บนมืออื่น ๆ ตามที่อธิบายไว้ในการส่วนก่อนหน้านี้ รุ่น probabilistic เช่นตรรกะ Markovเครือข่ายถูกออกแบบมาเพื่อจัดการกับความไม่แน่นอน และดังเป็นทางธรรมชาติสำหรับการตรวจสอบเหตุการณ์ภายใต้ความไม่แน่นอน เหตุการณ์การรับรู้และการคาดการณ์กับเครือข่าย Markov ตรรกะจะทำโดยข้อผ่านรูปแบบกราฟิก probabilistic ซึ่งเป็นความแตกต่างกันมากกว่าหนึ่งผ่านออโตมาตาสถานะดังนั้น กระจายงานระหว่างโหนหลายเหล่านี้ต้องใช้อัลกอริทึมความแตกต่างกัน

ผลลัพธ์ (ไทย) 2:

ความเร็วสูงของเหตุการณ์ที่เข้ามาทำให้เกิดความท้าทายทั้งในแง่ของทรัพยากรคอมพิวเตอร์และในแง่ของการสื่อสารทรัพยากร ปัญหา scalability คำนวณระบุโดยกระจายงานการรับรู้เหตุการณ์ในหมู่โหนดหลาย(ดูเช่น [16]) ในขณะที่ปัญหา scalability สื่อสารได้ถูกแก้ไขโดยขั้นตอนวิธีการที่มีประสิทธิภาพมากที่สุดเท่าของการประมวลผลที่เป็นไปได้บนโหนดที่เหตุการณ์ที่เกิดขึ้นจะถูกสร้างขึ้นซึ่งช่วยลดปริมาณของข้อมูลที่จะถูกโอนระหว่างโหนด (ดูเช่น [15], [9]). ในการจัดการจราจรเช่นเป็นงานที่เหมือนกันคือการนับจำนวนของยานพาหนะภายในกับชุดของเส้นทางที่บางส่วนของเส้นทางที่อาจจะมีการใช้ร่วมกันสถานที่ (พิจารณาเช่นเส้นทาง {A, B, C} และ {A, D, B}) วิธีการง่าย ๆ ที่ไม่ใช้ความไม่แน่นอนในการพิจารณาจะใช้เครื่องตรวจจับในแต่ละจุด(A, B, C และ D) และกำหนดสองรูปแบบประกอบด้วยลำดับที่สอดคล้องกัน ระบบจะตรวจสอบเหล่านี้ลำดับโดยใช้ออโตสถานะ จำกัด ปริมาณและความเร็วของเหตุการณ์ที่จะต้องได้รับการประมวลผลเช่นเดียวกับความซับซ้อนของบางส่วนของออโตที่จำเป็นต้องมีการกระจายการประมวลผลอองานในหมู่โหนดหลาย. วิธีการแก้ปัญหาที่สมจริงมากขึ้นไปยังเส้นทางนับงานคือการใช้เวลาในการบัญชีความไม่แน่นอนในการตรวจสอบสถานที่ของยานพาหนะ ตรวจจับอาจล้มเหลวในการตรวจสอบยานพาหนะบางอย่างอาจจะมีการตรวจจับเท็จและอาจรายงานการตรวจจับที่มีเนื้อแท้ที่ไม่แน่นอน(เช่นตำแหน่งของยานพาหนะผ่านเครือข่ายมือถือ) ออโตที่ใช้สำหรับการตรวจสอบรูปแบบมากกว่าเหตุการณ์ที่กำหนดมีความเหมาะสมในสถานการณ์นี้ บนมืออื่น ๆ ตามที่กล่าวไว้ในส่วนก่อนหน้ารุ่นน่าจะเป็นเช่นมาร์คอฟลอจิกเครือข่ายได้รับการออกแบบมาเพื่อรองรับความไม่แน่นอนและดังนั้นจึงเป็นทางเลือกสำหรับการตรวจสอบเหตุการณ์ที่เกิดขึ้นภายใต้ความไม่แน่นอน เหตุการณ์การรับรู้และการคาดการณ์ที่มีเครือข่ายลอจิกมาร์คอฟจะทำโดยการอนุมานกว่ารุ่นกราฟิกน่าจะเป็นซึ่งเป็นพื้นฐานที่แตกต่างกว่าการคำนวณมากกว่าออโตรัฐ. ดังนั้นการกระจายงานเหล่านี้ในหมู่โหนดหลายต้องใช้ขั้นตอนวิธีการที่แตกต่างกันโดยพื้นฐาน

ผลลัพธ์ (ไทย) 3:

ความเร็วสูงของเหตุการณ์ขาเข้า poses ความท้าทายทั้งในแง่ของทรัพยากรคอมพิวเตอร์
และในแง่ทรัพยากรการสื่อสาร

ปัญหาระบบคอมพิวเตอร์ที่ระบุโดยการกระจายงานระหว่าง
เหตุการณ์หลายจุด ( ดู
เช่น [ 16 ] ) , ในขณะที่ปัญหาด้านการสื่อสารเป็น addressed
โดยขั้นตอนวิธีที่แสดงมากของการประมวลผลเป็นไปได้
บนโหนดที่เหตุการณ์ที่เกิดขึ้น ดังนั้นการลด
จำนวนข้อมูลที่ถูกถ่ายโอนระหว่างโหนด ( เห็นเช่น [ 15 ] ,
[ 9 ] )
ในการจัดการจราจร ตัวอย่างเช่น งานทั่วไปจะนับ
จำนวนยานพาหนะ traversing บนชุดของเส้นทางที่บาง
เส้นทางอาจจะใช้สถานที่ ( พิจารณา เช่น เส้นทาง { a , b ,
c } { , D , B } ) เป็นง่ายวิธีการที่ไม่ใช้
ความไม่แน่นอนในการพิจารณาจะใช้เครื่องตรวจจับที่แต่ละจุดของ
( A , B , C และ D ) , และกำหนด 2 รูปแบบประกอบด้วย
ลำดับที่สอดคล้องกัน ระบบจะตรวจสอบลำดับเหล่านี้
ใช้สถานะจำกัด ปริมาณและความเร็วของ
กิจกรรมที่ต้องดำเนินการ ตลอดจน
ความซับซ้อนของจำกัด ต้องกระจาย
จำกัดการประมวลผลงานของโหนดหลาย .
โซลูชั่นมีเหตุผลมากขึ้นเพื่อเส้นทางนับงานที่จะเข้าสู่
บัญชีความไม่แน่นอนในการตรวจหาตำแหน่งของ
ยานพาหนะ เครื่องตรวจจับอาจล้มเหลวที่จะตรวจสอบบางคันอาจมี
ตรวจจับเท็จและอาจจะรายงานเรื่องที่โดยเนื้อแท้
ไม่แน่ใจ ( เช่นติดตั้งยานพาหนะผ่านเครือข่ายมือถือ ) ออโตมาตา
ใช้สำหรับการตรวจสอบรูปแบบผ่านกิจกรรมเชิงกำหนดเป็น
ไม่เหมาะสมในสถานการณ์นี้ บนมืออื่น ๆ , ตามที่กล่าวไว้ในมาตราก่อน
รูปแบบความน่าจะเป็นเช่นเครือข่ายตรรกะ
แบบจะออกแบบมาเพื่อจัดการกับความไม่แน่นอน และดังนั้นจึงเป็นทางเลือกธรรมชาติสำหรับการตรวจจับเหตุการณ์
ภายใต้ความไม่แน่นอน การรับรู้เหตุการณ์ และการพยากรณ์ด้วยตรรกเครือข่ายมาร์คอฟ

เสร็จแล้วโดยการอนุมานมากกว่าแบบจำลองความน่าจะเป็น ซึ่งอาจแตกต่างจากรัฐต่างๆ

จำกัด . จึงกระจายงานเหล่านี้ระหว่างโหนดหลายขั้นตอนวิธีที่แตกต่างกันต้องใช้

ลึกซึ้ง