Existing event processing approaches deal primarily with the syntactic processing of low-level primitive events. Usage of ontological background knowledge regarding events and their relations to other resources improves the quality of event processing. The research problem of this dissertation is the utilization of background knowledge about events and other relevant concepts for enabling knowledge-based complex event processing. This integration enhances the expressiveness of event processing semantics and facilitates the specification of event patterns based on the relations of events in the background knowledge graph. We propose a framework for the fusion and processing of event streams and background knowledge. The first problem that we faced is the lack of knowledge representation methods for the representation of events and other relevant concepts. We propose using modular upper-level ontologies for semantic-enabled complex event processing. We discuss why modularity is needed and how these ontologies should be modularly built up based on ontology engineering aspects so as to be able to address expressiveness and reuse of ontologies. For the representation of complex event patterns, a combinatorial pattern specification is proposed based on background knowledge patterns and event algebra operators. The second challenge is the limitation of processing methods for the fusion of event streams and huge amounts of background knowledge. Typically, there is a trade- off between the high expressiveness of the background knowledge used, which leads to higher levels of computational complexity, and the efficiency and performance requirements in real-time event processing. Although some of the existing approaches work directly on stream reasoning, they do not address event detection and inference on the basis of huge amounts of background knowledge. We propose different event processing approaches for the fusion of background knowledge with real-time event streams. The first one is semantic enrichment of event streams which is an approach for the enrichment of events prior to the event processing step. Semantic enrichment is a multi-step event enrichment and detection process so that events are processed by multi-passing through several event processing steps. We provide algorithms for planning the enrichment process in order to achieve near real-time processing and optimize the cost of event enrichment. Our aim is to find low-cost event detection plans while meeting user latency expectations. The enrichment of complex patterns is another approach that we propose for the integration of background knowledge. Complex patterns are converted to patterns that can be processed without requiring knowledge retrieval from external knowledge bases. Event patterns can be rewritten based on event operators and knowledge based results of subqueries. One further approach for reducing the event processing load is to sample the event stream so that the event processing engine can observe only a subset of the original stream. Approaches for sampling data streams are mostly designed for computation with aggregation functions and not for pattern detection. We propose an approach for type-based sampling of event streams based on the entropy of event streams and properties of the user-defined event detection pattern. Our approach samples the original event stream by calibrating the sampling rate of each event type to achieve the requested throughput rate of raw events or detected complex events.
Diese Dissertation beschäftigt sich mit der Fragestellung der Nutzung von Hintergrundwissen zur Ermöglichung wissensbasierter Ereignisverarbeitung. Der Einsatz von ontologischem Hintergrundwissen erhöht die Ausdruckmächtigkeit der Erkennungsmuster, verbessert die Semantik der Ereignisverarbeitung und ermöglicht die Spezifikation von Erkennungsmustern auf einer höheren Abstraktionsschicht. In dieser Arbeit stellen wir ein Framework für das Semantische Complex Event Processing (SCEP) vor. Dabei bieten wir Lösungen für zwei grundlegende Probleme. Das erste Problem, mit dem wir konfrontiert sind, sind fehlende Wissensrepräsentationsmethoden zur Darstellung von Ereignissen und anderen relevanten Konzepten. Wir schlagen modulare Upper-Level Ontologien vor und beschreiben, warum die Modularität benötigt wird und wie diese Ontologien modular basiert auf Aspekten des Ontologie-Engineering aufgebaut werden. Für die Darstellung von komplexen Ereignissen beschreiben wir ein kombinatorisches Event Detection Pattern auf Basis von Knowledge Graph Patterns und den Kompositionsoperatoren. Die zweite Herausforderung, die wir behandeln, ist die begrenzte Möglichkeit der Verarbeitungsmethoden für die Fusion von Ereignisströmen und den Hintergrunddaten. Typischerweise gibt es einen Kompromiss (Trade-off) zwischen der höheren Aussagekraft der verwendeten Ontologiesprache, die zu einer höheren Rechenkomplexität führt, und Leistungsanforderungen wie Echtzeit-Ereignisverarbeitung. Obwohl einige der bestehenden Ansätze direkt auf den Datenströmen mit Hilfe von Kompositionsoperatoren komplexe Ereignisse erkennen können, können sie die Ereignisse auf der Basis von Schlussfolgerungen auf Hintergrundwissen nicht erkennen. Für die Fusion von Hintergrundwissen mit dem Ereignisstrom schlagen wir drei unterschiedliche Ansätze vor, die basiert auf dem Anwendungsfall ausgewählt oder kombiniert werden können. Der erste Ansatz ist die semantische Anreicherung von Ereignisströmen, dies bietet ein Konzept für die Anreicherung der Ereignisdaten mit Hintergrundwissen vor dem Ereignisverarbeitungsschritt. Der zweite Ansatz ist die Anreicherung von komplexen Erkennungsmustern mit Hintergrundwissen. Die komplexen Erkennungsmuster, die nicht ohne erforderliches Wissen verarbeitet werden können, werden mit Hilfe von der Wissensdaten aus der Wissensbasis angereichert und in neue einfache Formen umgeschrieben. Die Umschreibung geschieht basiered auf den verwendeten Kompositionsoperatoren und den relevanten Relationen in der Wissensbasis. Zur Verringerung der Ereignisverarbeitungslast schlagen wir einen weiteren Ansatz vor. Dabei werden die Datensätze basiert auf randomisierten Faktoren ausgewählt, sodass die Event Processing Engine nur eine Teilmenge des ursprünglichen Datenstroms beobachten darf. Ansätze für die Probenahme von Datenströmen werden vor allem für die Berechnungsfunktionen verwendet und sind nicht zur Mustererkennung ausgelegt. Wir schlagen einen Ansatz für die typ- basierte Probenahme von Ereignisströmen vor, sodass die Probenahme auf der Basis der Entropie des Ereignisstroms und der Eigenschaften des benutzerdefinierten Erkennungsmusters funktioniert. Unser Ansatz kann Proben des ursprünglichen Ereignisstroms durch die Kalibrierung der Ereignistypen berechnen, um den angeforderten Durchsatz des Roh-Ereignisstroms zu erreichen oder eine bestimmte Rate von komplexen Ereignissen zu erkennen.
