El procesamiento de eventos es un método para rastrear y analizar (procesar) flujos de información (datos) sobre cosas que suceden (eventos), [1] y derivar una conclusión a partir de ellos. El procesamiento de eventos complejos ( CEP ) consiste en un conjunto de conceptos y técnicas desarrollados a principios de la década de 1990 para procesar eventos en tiempo real y extraer información de los flujos de eventos a medida que llegan. El objetivo del procesamiento de eventos complejos es identificar eventos significativos (como oportunidades o amenazas) [2] en situaciones en tiempo real y responder a ellos lo más rápido posible.
Estos eventos pueden ocurrir en las distintas capas de una organización, como clientes potenciales, pedidos o llamadas de servicio al cliente . O pueden ser noticias, [3] mensajes de texto , publicaciones en redes sociales , información del mercado de valores , informes de tráfico , informes meteorológicos u otros tipos de datos. [1] Un evento también puede definirse como un "cambio de estado", cuando una medición excede un umbral predefinido de tiempo, temperatura u otro valor.
Los analistas han sugerido que CEP brindará a las organizaciones una nueva forma de analizar patrones en tiempo real y ayudará a la parte comercial a comunicarse mejor con los departamentos de servicios y TI. [4] Desde entonces, CEP se ha convertido en una tecnología habilitadora en muchos sistemas que se utilizan para tomar medidas inmediatas en respuesta a flujos de eventos entrantes. Actualmente se pueden encontrar aplicaciones (2018) en muchos sectores empresariales, incluidos los sistemas de negociación del mercado de valores, los dispositivos móviles , las operaciones de Internet, la detección de fraudes , la industria del transporte y la recopilación de inteligencia gubernamental .
La gran cantidad de información disponible sobre eventos a veces se denomina nube de eventos. [1]
Entre miles de eventos entrantes, un sistema de monitoreo puede, por ejemplo, recibir los tres siguientes de la misma fuente:
De estos acontecimientos el sistema de seguimiento puede deducir un acontecimiento complejo : una boda. CEP como técnica ayuda a descubrir eventos complejos analizando y correlacionando otros eventos: [5] las campanas, el hombre y la mujer en traje de boda y el arroz volando por el aire.
CEP se basa en una serie de técnicas, [6] que incluyen:
Las aplicaciones comerciales de CEP existen en una variedad de industrias e incluyen la detección de fraude con tarjetas de crédito , monitoreo de actividades comerciales y monitoreo de seguridad. [7]
El área CEP tiene sus raíces en la simulación de eventos discretos , el área de bases de datos activas y algunos lenguajes de programación. La actividad en la industria fue precedida por una ola de proyectos de investigación en los años 1990. Según [8] el primer proyecto que allanó el camino hacia un lenguaje CEP genérico y un modelo de ejecución fue el proyecto Rapide en la Universidad de Stanford , dirigido por David Luckham . Paralelamente ha habido otros dos proyectos de investigación: Infospheres en el Instituto Tecnológico de California , dirigido por K. Mani Chandy , y Apama en la Universidad de Cambridge dirigido por John Bates. Los productos comerciales dependían de los conceptos desarrollados en estos y algunos proyectos de investigación posteriores. Los esfuerzos de la comunidad comenzaron en una serie de simposios sobre procesamiento de eventos organizados por la Event Processing Technical Society y, más tarde, por la serie de conferencias ACM DEBS. Uno de los esfuerzos de la comunidad fue producir el manifiesto de procesamiento de eventos. [9]
CEP se utiliza en productos de inteligencia operativa (OI) para proporcionar información sobre las operaciones comerciales mediante la ejecución de análisis de consultas en transmisiones en vivo y datos de eventos. OI recopila datos en tiempo real y los correlaciona con datos históricos para proporcionar información y análisis. Se pueden combinar múltiples fuentes de datos para proporcionar un panorama operativo común que utilice información actual.
En la gestión de redes , gestión de sistemas , gestión de aplicaciones y gestión de servicios , la gente suele referirse a la correlación de eventos . Como motores CEP, los motores de correlación de eventos ( event correlators ) analizan una gran cantidad de eventos, identifican los más importantes y desencadenan acciones. Sin embargo, la mayoría de ellos no producen nuevos eventos inferidos. En cambio, relacionan eventos de alto nivel con eventos de bajo nivel. [10]
Los motores de inferencia , por ejemplo, los motores de razonamiento basados en reglas , normalmente producen información inferida en inteligencia artificial . Sin embargo, no suelen producir nueva información en forma de acontecimientos complejos (es decir, inferidos).
Un ejemplo más sistémico de CEP involucra un automóvil, algunos sensores y varios eventos y reacciones. Imagine que un automóvil tiene varios sensores: uno que mide la presión de los neumáticos, otro que mide la velocidad y otro que detecta si alguien se sienta en un asiento o se levanta.
En la primera situación, el automóvil está en movimiento y la presión de uno de los neumáticos pasa de 45 psi a 41 psi en 15 minutos. A medida que la presión en el neumático disminuye, se genera una serie de eventos que contienen la presión del neumático. Además, se genera una serie de eventos que contienen la velocidad del coche. El procesador de eventos del automóvil puede detectar una situación en la que una pérdida de presión de los neumáticos durante un período de tiempo relativamente largo da como resultado la creación del evento "lossOfTirePressure". Este nuevo evento puede desencadenar un proceso de reacción para anotar la pérdida de presión en el registro de mantenimiento del automóvil y alertar al conductor a través del portal del automóvil que la presión de los neumáticos se ha reducido.
En la segunda situación, el auto está en movimiento y la presión de una de las llantas baja de 45 psi a 20 psi en 5 segundos. Se detecta una situación diferente, quizás porque la pérdida de presión ocurrió en un período de tiempo más corto, o quizás porque la diferencia de valores entre cada evento fue mayor que un límite predefinido. La situación diferente da como resultado que se genere un nuevo evento "blowOutTire". Este nuevo evento desencadena un proceso de reacción diferente para alertar inmediatamente al conductor e iniciar rutinas en la computadora a bordo para ayudarlo a detener el automóvil sin perder el control por derrape.
Además, los eventos que representan situaciones detectadas también se pueden combinar con otros eventos para detectar situaciones más complejas. Por ejemplo, en la situación final el coche se mueve normalmente y sufre un pinchazo en un neumático, lo que provoca que el coche se salga de la carretera y golpee un árbol, y el conductor sale despedido del coche. Rápidamente se detectan una serie de situaciones diferentes. La combinación de "blowOutTire", "zeroSpeed" y "driverLeftSeat" en un período de tiempo muy corto da como resultado que se detecte una nueva situación: "occupantThrownAccident". Si bien no existe una medición directa que pueda determinar de manera concluyente que el conductor salió despedido o que hubo un accidente, la combinación de eventos permite detectar la situación y crear un nuevo evento que indique la situación detectada. Ésta es la esencia de un evento complejo (o compuesto). Es complejo porque no se puede detectar directamente la situación; hay que inferir o deducir que la situación ha ocurrido a partir de una combinación de otros eventos.
Una opción natural para CEP ha sido la gestión de procesos de negocio (BPM). [11] BPM se centra en procesos de negocio de extremo a extremo, con el fin de optimizar y alinear continuamente su entorno operativo.
Sin embargo, la optimización de una empresa no depende únicamente de sus procesos individuales de extremo a extremo. Procesos aparentemente dispares pueden afectarse entre sí de manera significativa. Considere este escenario: en la industria aeroespacial, es una buena práctica monitorear las averías de los vehículos para buscar tendencias (determinar posibles debilidades en los procesos de fabricación, materiales, etc.). Otro proceso separado monitorea los ciclos de vida de los vehículos operativos actuales y los desmantela cuando sea apropiado. Un uso del CEP es vincular estos procesos separados, de modo que en el caso de que el proceso inicial (monitoreo de averías) descubra un mal funcionamiento basado en la fatiga del metal (un evento significativo), se pueda crear una acción para explotar el segundo proceso (ciclo de vida). ) para emitir un retiro del mercado de vehículos que utilicen el mismo lote de metal descubierto como defectuoso en el proceso inicial.
La integración de CEP y BPM debe existir en dos niveles, tanto en el nivel de conciencia empresarial (los usuarios deben comprender los beneficios holísticos potenciales de sus procesos individuales) como en el nivel tecnológico (es necesario que exista un método mediante el cual CEP pueda interactuar con implementación BPM). Para obtener una revisión reciente del estado del arte sobre la integración de CEP con BPM, que con frecuencia se denomina Gestión de procesos de negocios basada en eventos, consulte. [12]
Podría decirse que el papel del CEP orientado a la computación se superpone con la tecnología de reglas de negocio.
Por ejemplo, los centros de atención al cliente utilizan CEP para el análisis del flujo de clics y la gestión de la experiencia del cliente. El software CEP puede factorizar información en tiempo real sobre millones de eventos (clics u otras interacciones) por segundo en inteligencia empresarial y otras aplicaciones de apoyo a la toma de decisiones . Estas " aplicaciones de recomendación " ayudan a los agentes a brindar un servicio personalizado basado en la experiencia de cada cliente. La aplicación CEP puede recopilar datos sobre lo que los clientes están haciendo actualmente por teléfono o cómo han interactuado recientemente con la empresa en otros canales, incluso en la sucursal, o en la Web a través de funciones de autoservicio, mensajería instantánea y correo electrónico. Luego, la aplicación analiza la experiencia total del cliente y recomienda guiones o próximos pasos que guían al agente por teléfono y, con suerte, mantienen contento al cliente. [13]
Una base de datos de series temporales es un sistema de software optimizado para el manejo de datos organizados por tiempo. Las series de tiempo son secuencias finitas o infinitas de elementos de datos, donde cada elemento tiene una marca de tiempo asociada y la secuencia de marcas de tiempo no es decreciente. Los elementos de una serie temporal suelen denominarse ticks. No es necesario que las marcas de tiempo sean ascendentes (simplemente no decrecientes) porque en la práctica la resolución temporal de algunos sistemas, como las fuentes de datos financieros, puede ser bastante baja (milisegundos, microsegundos o incluso nanosegundos), por lo que eventos consecutivos pueden llevar marcas de tiempo iguales.
Los datos de series de tiempo proporcionan un contexto histórico para el análisis típicamente asociado con el procesamiento de eventos complejos. Esto puede aplicarse a cualquier industria vertical como las finanzas [14] y en cooperación con otras tecnologías como BPM.
El caso ideal para el análisis CEP es ver las series de tiempo históricas y los datos de transmisión en tiempo real como un continuo de tiempo único. Lo que pasó ayer, la semana pasada o el mes pasado es simplemente una extensión de lo que está ocurriendo hoy y de lo que puede ocurrir en el futuro. Un ejemplo puede implicar comparar los volúmenes actuales del mercado con los volúmenes, precios y volatilidad históricos para la lógica de ejecución comercial. O la necesidad de actuar sobre los precios del mercado real puede implicar comparaciones con índices de referencia que incluyen movimientos sectoriales e índices, cuyas tendencias intradiarias e históricas miden la volatilidad y suavizan los valores atípicos.
El procesamiento de eventos complejos es un habilitador clave en la configuración de Internet de las cosas (IoT) y también en los sistemas ciberfísicos (CPS) inteligentes. Procesar flujos densos y heterogéneos de varios sensores y comparar patrones con esos flujos es una tarea típica en tales casos. [15] La mayoría de estas técnicas se basan en el hecho de que representar el estado del sistema IoT y sus cambios es más eficiente en forma de un flujo de datos, en lugar de tener un modelo estático y materializado. El razonamiento sobre estos modelos basados en flujos difiere fundamentalmente de las técnicas de razonamiento tradicionales y normalmente requiere la combinación de transformaciones de modelos y CEP. [dieciséis]