ارائه ­دهنده:
محمد مهدی طالبی
  استاد راهنما:
دکتر محسن شریفی
  هیات داوران:

دکتر احمد عبدالله زاده ؛ دکتر محمد عبدالهی ازگمی؛ دکترعادل رحمانی ؛ دکتر علی اصغر صفایی

زمان :  ۱۲ بهمن ماه ۱۳۹۹

  ساعت ۱۶:۰۰

 محل برگزاری: به صورت مجازی

چکیده پایان نامه :

رشد نموی و ‌متغیر نرخ داده‌‌های جریانی رویدادها به سامانه‌‌های رویداد-محور، سامانه‌‌های پردازش رویدادهای پیچیده را با چالش مقیاس‌‌پذیری بجهت پشتیبانی از  نرخ بالای گذردهی رویدادها و تشخیص بهنگام رویدادهای پیچیده با نرخ پاسخگویی مناسب مواجه کرده است. راهبردهای موجود مبتنی بر استفاده از حافظه اشتراکی، مهاجرت تطبیق‌‌های جزئی و یا کلید چندپخشی بدلیل افزایش سربار شبکه و یا عدم توازن بار از نرخ گذردهی مناسبی برخوردار نیستند. در این رساله با اتخاذ رویکردی متفاوت، کلیه عملگرهای پردازش رویدادهای پیچیده از جمله عملگرهای حالتمند براساس یک مدل محاسباتی به نام «پارس» و بدون استفاده از کلید چندپخشی، حافظه اشتراکی و یا مهاجرت تطبیق‌‌های جزئی، موازی‌‌سازی شده و قابلیت اجرا بر روی یک خوشه محاسباتی متشکل از کامپیوترهای همگون را پیدا می‌‌کنند. این مدل محاسباتی از جنبه‌‌های رسایی، کامل بودن و عدم تولید رویداد پیچیده تکراری درستی‌‌یابی شده و پیاده‌‌سازی آن از جنبه نرخ گذردهی با مدل‌‌های مشابه مورد ارزیابی قرار گرفته است. نتایج ارزیابی‌‌ها کاهش نرخ چندپخشی رویداد را نسبت به رویکردهای مشابه نشان داد که در نهایت منجر به افزایش نرخ گذردهی خروجی گردید. در ادامه، راهبردی با عنوان «آسپ» برای تجزیه و بخش‌‌بندی قواعد بر اساس مدل موازی‌‌سازی عملگرها به صورت کشسان نیز ارایه شده و پیاده‌‌سازی آن در یک خوشه محاسباتی مجازی مورد آزمون قرار گرفته و برتری آن نسبت به رویکرد مشابه ژیائو و همکاران از جنبه نرخ گذردهی و تطبیق‌‌پذیری در نرخ‌‌های متغیر رویدادها نشان داده شده است. علاوه بر این، با بهره‌‌برداری از رویدادهای واقعی حاصل از داده‌‌های برخط ۱۳۰۰ حسگر در یک مجموعه کاربرد صنعتی در حوزه اینترنت اشیاء در کشور، راهبرد آسپ مورد آزمون و ارزیابی قرار گرفته است. نتایج این آزمون نشان داد که راهبرد آسپ تطبیق‌‌پذیری بالاتری نسبت به رویکرد مشابه ژیائو و همکاران از نظر هزینه متوسط زمان پاسخ و مصرف منابع داشته است. در حوزه اینترنت اشیاء صنعتی کاهش تاخیر در تشخیص رویدادهای پیجیده اهمیت فراوانی دارد.
واژه‌‌های کلیدی: پردازش رویداد پیچیده، مقیاس‌‌پذیری خودکار، مدل موازی‌‌سازی، کشسانی.

Abstract

With the exponential growth of the volume of event streams in event-driven systems, complex event processing practices face the challenge of processing a high volume of incoming event streams with low latency. Strategies that use approaches such as shared memory, migration of partial matches, or partition key do not have high throughput due to the network overhead or load imbalance. This thesis adopts a different approach and parallelizes operators in complex event processing including stateful operators by a proposed parallel model called «PARS» that avoids using partition key, shared memory, or migration of partial matches which can be deployed on a cluster of homogenous machines. This computational model has been verified from the aspects of soundness, completeness and no duplication of complex events and its implementation has been evaluated in terms of throughput rate with similar models. The results of the evaluations showed a decrease in the event multicast rate compared to similar approaches, which ultimately led to an increase in the throughput. A strategy called "ACEP" is proposed to decompose and partition the rules based on an elastic and parallel model and the experimental results on a cluster of virtual machines showed better results compared to Xiao et al. in adaptability and the throughput. ACEP is evaluated by using the real events resulting from the online data of ۱۳۰۰ sensors in an industrial application in the field of Industrial Internet of Things (IIoT) in IRAN. Experimental results show that ACEP has higher adaptability than the similar approach of Xiao et al. in terms of the average cost of response time and resource consumption. In the field of IIoT, low latency in detecting complex events is crucial.
                                                                          
 
Keywords: Complex Event Processing, Auto scalability, Parallel Model, Elasticity. .

  دانشکده مهندسی کامپیوتر مدیریت تحصیلات تکمیلی