Documentos de Académico
Documentos de Profesional
Documentos de Cultura
com
experimental preliminar con un conjunto de datos del mundo real muestra detalla el estado del arte sobre los agentes de procesamiento de flujos RDF y
resultados prometedores en comparación con un trabajo existente. razonamiento de flujos. Nuestra contribución se describe en la Sección 3 y se evalúa
en la Sección 4. La Sección 5 concluye y brinda algunas perspectivas.
CONCEPTOS CCS
2. TRABAJO RELACIONADO
• organización de sistemas informáticos→Sistemas embebidos;
Redundancia; robótica; •Redes→ Confiabilidad de la red; Existen varias soluciones de procesamiento de flujo RDF en la literatura, cada
una con sus propias propiedades en términos de lenguaje de consulta
509
datos de series de tiempo y mostró cómo RSP puede dividir y agregar datos de Concepto CEP (Procesamiento de eventos complejos) para admitir el modelado
sensores para reducir las inconsistencias para este razonador. de eventos y consultas en sistemas RSP. El resultado de la conversión es un
Independientemente de los importantes conocimientos proporcionados por conjunto de tripletas RDF con el mismo sujeto. Se asocia una marca de tiempo
este trabajo, aún se podría hacer mucho más para superar sus deficiencias a cada triple y forma un par (<si,pagsi,oi>,ti)dóndesies el sujeto, pi el predicado,
como arquitectura centralizada que afectan el rendimiento del sistema, su oi el objeto y ti la marca de tiempo. Estos pares se consideran eventos triples
facilidad de uso o la implementación y la escalabilidad. Como se afirma en [15], RDF. Como resultado, una secuencia ordenada de eventos triples RDF ((<si,pags
afirmamos que esto podría mejorarse significativamente mediante entornos i,oi>,ti), (<sj,pagsj,oj>,tj), ...)donde i<j forma un flujo RDF.
descentralizados y mediante el uso del concepto de agentes de razonamiento
de flujo [11]. De hecho, el razonamiento de flujo puede aprovechar las muchas
fortalezas de los sistemas de agentes múltiples (MAS), como su capacidad para 3.2 Procesamiento de los datos de transmisión
gestionar eventos en curso, adaptarse cuando cambia el entorno, razonar o Los datos entrantes se distribuyen por tipos de sensores gracias a agentes de
tomar decisiones y ser reactivo. Por esta razón, la principal contribución de este software (llamados agentes de procesamiento) en los que se integra un motor C-
trabajo es construir un marco basado en el modelo MAS que soporta una SPARQL RSP. Se crea un agente de procesamiento para cada agente de detección, lo
ejecución oportuna de consultas continuas y razonamiento sobre flujos de que significa que múltiples instancias del motor C-SPARQL podrían manejar
datos RDF. Hasta donde sabemos, esta es una primera contribución que fácilmente más consultas en una ventana de tiempo y establecer un procesamiento
estudia las implicaciones de combinar el razonamiento de corrientes y el paralelo de ellas. Los eventos de flujo resultantes generados a partir de consultas C-
paradigma multiagente. SPARQL se envían a los agentes de razonamiento.
4 EXPERIMENTOS Y DISCUSIÓN
Para una evaluación experimental, ejecutamos el prototipo en una PC
estándar con un procesador central de 2,6 GHz y 16 Gb de RAM y usamos
Jadex8plataforma. Además, para procesar eventos y consultas, múltiples
instancias del motor C-SPARQL9estaban preparados y Clingo
10Solucionador de ASP. Utilizamos un conjunto de datos extraído del Proyecto CASAS11
que describen un apartamento para un solo residente. En general, el apartamento
Figura 1: descripción general de la arquitectura
contiene 12 sensores de movimiento, 17 sensores de batería y luz, tres sensores
magnéticos de puerta y cinco sensores de temperatura.
La arquitectura de la Figura 1 se basa en el paradigma Multiagente para Para evaluar la escalabilidad y el rendimiento de MAS4MEAN, lo comparamos
aprovechar al máximo sus propiedades de distribución, colaboración y razonamiento. con el trabajo más cercano presentado anteriormente [7][6]. Se propusieron
Está compuesto por un conjunto de agentes que tienen diferentes roles: (i) detectar diferentes escenarios, en particular el escenario de monitoreo electrónico de la
datos sin procesar de sensores; (ii) procesar los datos de transmisión (iii) razonar la atención médica que conduce al desarrollo de un marco en el proyecto E-
transmisión a lo largo del tiempo y el espacio para capturar las características care@home . El marco E-care@home (como lo llamamos abreviadamente)
principales de la transmisión. gestionó los eventos por medio de un middleware orientado a mensajes
(plataforma Apache Kafka) y utiliza una instancia de C-SPARQL para limpiar y
3.1 Detección de datos sin procesar de sensores dividir los datos del sensor y una instancia de ASP razonador para inferir
Un entorno inteligente se compone de múltiples áreas inteligentes que implementan actividades. Debido a la falta de disponibilidad de la implementación de toda la
sensores heterogéneos (por ejemplo, luz, movimiento, temperatura, etc.). Los agentes canalización de este trabajo y para una comparación de referencia,
de detección (por ejemplo, TemperatureAgent, MotionAgent, LightAgent) se encargan implementamos E-care@home y lo ejecutamos con el mismo conjunto de datos.
de recopilar datos sin procesar de los sensores como triples (ti, id, v), donde ti es una
marca de tiempo, id el identificador del sensor y el valor de va y convierten estos El propósito de la evaluación es doble: 1) Primero, queríamos validar nuestra
datos en el momento. vuele a flujos RDF y luego a eventos gracias a dos ontologías primera suposición de que una arquitectura distribuida basada en el paradigma de
complementarias, Sensor ontology SOSA (Sensor, Observation, Sample y Actuator)6y múltiples agentes impacta positivamente en la velocidad de los datos RDF.
SmartHome Event ODP (patrones de diseño de ontología)7basado en el
8Jadex versión 3.0
9Motor C-SPARQL versión 0.9.6
6https://www.w3.org/2015/spatial/wiki/SOSAOntología 10Razonador Clingo versión 4.3
7http://ontologydesignpatterns.org/wiki/MainPAGSaé 11http://ailab.wsu.edu/casas/datasets/
510
Procesando; 2) En segundo lugar, como efecto secundario, queríamos probar
la mejora de la escalabilidad del motor C-SPARQL y del solucionador ASP
Clingo. Con este fin, realizamos una serie de evaluaciones para comparar E-
care@home y MAS4MEAN en términos de procesamiento y razonamiento de
acuerdo con tres métricas: (1) el número de eventos procesados por ventana
de tiempo; (2) el tiempo de ejecución de los motores y los razonadores; (3) el
número de hechos procesados por los razonadores
511
Tabla 1: Tabla Comparativa [10] Danh Le Phuoc, Minh Dao-Tran, Josiane Xavier Parreira y Manfred Hauswirth. 2011. Un
enfoque nativo y adaptativo para el procesamiento unificado de flujos vinculados y
datos vinculados. EnLa Web Semántica - ISWC 2011 - 10ª Conferencia Internacional de
Enfoque e-care@Home Enfoque MAS4MEAN Web Semántica, Bonn, Alemania, 23-27 de octubre de 2011, Actas, Parte I. 370–388.
https://doi.org/10.1007/978-3-642-25073-6_24
Enfoque de centralización Enfoque distribuido [11] Pablo Pico-Valencia y Juan A. Holgado-Terriza. 2018. Agentificación de Internet de
Procesamiento de eventos Sistemas multiagente las cosas: una revisión sistemática de la literatura.IJDSN14, 10 (2018).
[12] Xiangnan Ren. 2018.Razonamiento y procesamiento de flujo RDF distribuido. tesis
complejos Kafka cola MAS Université Paris-Est. https://tel.archives-ouvertes.fr/tel-02083973
Patrón de consulta de agregación de Agregación de reglas [13] Xiangnan Ren, Olivier Curé, Li Ke, Jeremy Lhez, Badre Belabbess, Tendry Randriamalala,
Yufan Zheng y Gabriel Kepeklian. 2017. Strider: un motor de procesamiento de flujo
consultas y reglas Consultas distribuidas
RDF distribuido adaptable y habilitado para inferencia.Procedimientos de la Fundación
Motor único RSP Múltiples motores RSP VLDB10, 12 (2017), 1905–1908.
Baja escalabilidad del razonador Alta escalabilidad del razonador [14] Mikko Rinne, Esko Nuutila y Seppo Törmä. 2012. INSTANS: procesamiento de eventos de
alto rendimiento con RDF estándar y SPARQL. EnActas del ISWC 2012 Posters &
Demonstrations Track, Boston, EE. UU., del 11 al 15 de noviembre de 2012.
[15] Riccardo Tommasini, Davide Calvaresi y Jean-Paul Calbimonte. 2019. Transmisión de
Reasoning Agents: Blue Sky Ideas Track. EnActas de la 18.ª Conferencia internacional
evaluaciones, MAS4MEAN es capaz de hacer frente a un mayor volumen de
sobre agentes autónomos y sistemas multiagente, AAMAS '19, Montreal, QC, Canadá,
eventos en comparación con E-care@home. del 13 al 17 de mayo de 2019. 1664–1680.
5. CONCLUSIÓN
Este artículo propone un marco denominado MAS4MEAN basado en el
desarrollo de unidades inteligentes colaborativas capaces de contener medios
de razonamiento y procesamiento de flujo para monitorear entornos
inteligentes con datos de flujo altamente dinámicos. Este trabajo enfatiza el
supuesto de la eficiencia de tal arquitectura descentralizada. De hecho, se
informaron las principales ventajas de este marco en comparación con el
trabajo más cercano en la literatura, E-care@home . Para probar la eficacia de
la propuesta, MAS4MEAN se probó con un conjunto de datos público. Los
resultados se compararon con los obtenidos por E-care@home con el mismo
benchmark. Los resultados de la evaluación demuestran que nuestra
propuesta supera a E-care@Home.Para la fase de procesamiento, MAS4MEAN
puede consumir una mayor cantidad de eventos en el menor tiempo. Para la
capa de razonamiento, MAS4MEAN es capaz de manejar más hechos que E-
care@home en un tiempo un poco mejor. Como trabajo futuro, planeamos
probar nuestra propuesta con conjuntos de datos más grandes y usar las
capacidades de múltiples disparos de Clingo.
REFERENCIAS
[1] Darko Anicic, Paul Fodor, Sebastian Rudolph y Nenad Stojanovic. 2011. EP-SPARQL: un
lenguaje unificado para procesamiento de eventos y razonamiento de flujo. EnActas de
la 20ª Conferencia Internacional sobre la World Wide Web, WWW 2011, Hyderabad,
India, 28 de marzo - 1 de abril de 2011. 635–644. https://doi.org/10.1145/
1963405.1963495
[2] Davide Francesco Barbieri, Daniele Braga, Stefano Ceri, Emanuele Della Valle y Michael
Grossniklaus. 2010. C-SPARQL: un lenguaje de consulta continua para flujos de datos
RDF.En t. J. Computación Semántica4, 1 (2010), 3–25.
[3] Gianpaolo Cugola y Alessandro Margara. 2012. Procesamiento de flujos de información: Del flujo
de datos al procesamiento de eventos complejos.Cómputo ACM. sobrev.44, 3 (2012), 15:1–15:62.
[4] Amadou Fall Dia, Zakia Kazi-Aoul, Aliou Boly y Elisabeth Métais. 2017. Drss: Streaming rdf
sparql distribuido. EnConferencia Internacional sobre Investigación, Gestión y
Aplicaciones de Ingeniería de Software. Springer, 125-145.
[5] Martin Gebser, Roland Kaminski, Benjamin Kaufmann y Torsten Schaub. 2014.
Clingo = ASP + Control: Informe Preliminar.CoRRabs/1405.3694 (2014).
[6] Robin Keskisärkkä. 2017.Hacia el procesamiento de eventos complejos habilitados
semánticamente. vol. 168 páginas. Suecia. Tesis doctoral.
[7] Robin Keskisärkkä y Eva Blomqvist. [Dakota del Norte]. Apoyo al monitoreo en tiempo
real en investigaciones criminales. EnLa Web Semántica: Eventos Satélite ESWC 2015.
[8] Srdjan Komazec, Davide Cerri y Dieter Fensel. 2012. Sparkwave: coincidencia continua de patrones
mejorados por esquemas sobre flujos de datos RDF. EnActas de la Sexta Conferencia
Internacional ACM sobre Sistemas Distribuidos Basados en Eventos, DEBS 2012, Berlín,
Alemania, 16-20 de julio de 2012. 58–68.
[9] Danh Le-Phuoc, Hoan Nguyen Mau Quoc, Chan Le Van y Manfred Hauswirth.
2013. Procesamiento elástico y escalable de datos de flujo enlazado en la nube.
En La Web Semántica – ISWC 2013, Harith Alani, Lalana Kagal, Achille Fokoue,
Paul Groth, Chris Biemann, Josiane Xavier Parreira, Lora Aroyo, Natasha Noy,
Chris Welty y Krzysztof Janowicz (Eds.). Springer Berlín Heidelberg, Berlín,
Heidelberg, 280–297.
512