Κινούμενα αντικείμενα & ρεύματα δεδομένων

1. Κινούμενα αντικείμενα&ρεύματα δεδομένων Ερευνητικά προβλήματα & εφαρμογές Τίμος Σελλής, ΙΠΣΥΠ Ε.Κ. «Αθηνά» & ΕΜΠ Κοινή δουλειά με Κ. Πατρούμπα, ΥΔ ΕΜΠ

2. Πηγές ρευμάτων δεδομένων • δίκτυα αισθητήρων • τηλεφωνικές συνδιαλέξεις • μηχανές αναζήτησης στο Διαδίκτυο • εποπτεία κίνησης σε δίκτυα • παρακολούθηση χρηματοοικονομικών δεικτών • ... Ρεύματα δεδομένων (data streams) προκύπτουν δυναμικά από καταγραφές στοιχείων • Κύρια χαρακτηριστικά • μη πεπερασμένο σύνολο στοιχείων • όπως συνηθίζεται σε συμβατικές βάσεις δεδομένων • αλλά μη φραγμένο σύνολο δεδομένων • συνεχή, αλλά με χρονικά κυμαινόμενο όγκο • ταχύτατα, εφήμερα και πιθανόν ανεξάντλητα

3. Απάντηση Ερώτημα Επίκαιρη απάντηση Ερώτημαδιαρκείας Επεξεργασία ρευμάτων δεδομένων Προςσυστήματα διαχείρισης ρευμάτων δεδομένων (DSMS) με νεωτερικούς μηχανισμούς επεξεργασίας ρευμάτων (SPE) εκτέλεση πολλαπλών ερωτημάτων διαρκείας (continuous queries) σταδιακή επικαιροποίηση με τυχόν νέα δεδομένα εισόδου online ανεπάρκεια συμβατικών βάσεων δεδομένων (DBMS): pull-based πρακτικά ανέφικτη η αποθήκευση όλων των στοιχείων στον δίσκο push-basedεπεξεργασία μεγάλου όγκου ευμετάβλητων δεδομένων απευθείας στην κύρια μνήμη για ταχύτερη αποτίμηση ιδιαίτερη σημασία στην σειρά άφιξης των στοιχείων Ρεύμα δεδομένων DBMS DSMS Pull-based processing Push-based processing

4. Διαχείριση ρευμάτων δεδομένων Αποτίμηση ερωτημάτων άμεση ανταπόκριση στην είσοδο νέων στοιχείων δίνουν έγκαιρες – έστω και προσεγγιστικές – απαντήσεις προσεγγίσειςμε δυναμικά τηρούμενες συνόψεις: σκίτσα (sketches) – δειγματοληψία (sampling) κυματίδια (wavelets) – ιστογράμματα (histograms) ... εστίαση σε πεπερασμένα πρόσφατα στοιχεία κυρίως με κυλιόμενα παράθυρα (sliding windows) επιλεκτική απόρριψη φόρτου (load shedding) Γλώσσα ερωταποκρίσεων προτίμηση προς παραλλαγές της SQL Continuous Query Language [STREAM] – SQuAl [Aurora] StreQuel [TelegraphCQ] – GSQL (Gigascope) προσπάθειες για πρότυποStreamSQL

5. Διαχείριση θέσεων κινούμενων αντικειμένων Εφαρμογές παρακολούθησης Επεξεργασία συμβάντων (complex event processing – CEP), λ.χ.: – ασφάλεια δικτύων – τιμές μετοχών – ειδοποίηση συνδρομητών κ.ά. Ενδιαφέρον για υπηρεσίες εντοπισμού (location-based services): – πλοήγηση – προστασία περιβάλλοντος – τηλεματική–τουρισμός, διαφήμιση κ.ά.

6. Ρεύματα θέσεων αντικειμένων Μεγάλο πλήθος κινούμενων αντικειμένων άνθρωποι, συσκευές, εμπορεύματα, πανίδα, ... ΠΑΡΟΝ καταγραφή θέσης (location) ΠΑΡΕΛΘΟΝ τήρηση τροχιάς (trajectory) ΜΕΛΛΟΝ πρόβλεψη πορείας Ρεύματα σημειακών θέσεων άφιξη πλήθους γεωγραφικών στιγμάτων με κυμαινόμενο ρυθμό επίκαιρες απαντήσεις σε ποικιλία ερωτημάτων ανεπάρκεια συμβατικών βάσεων δεδομένων Ερευνητικά θέματα Σύνθετα χωροχρονικά ερωτήματα διαρκείας τεχνικές αποτίμησης / εκτίμησης • ευρετήρια Διαχείριση δεδομένων περιορισμός όγκου •κλιμάκωση επεξεργασίας

7. Μηχανές επεξεργασίας ρευμάτων • Εμπορικά συστήματα • StreamBase • Coral8  Sybase CEP • Oracle CEP • Microsoft StreamInsight • Truviso • IBM System S • SQLStream • … Ακαδημαϊκά πρωτότυπα Aurora + Borealis(Brown/MIT/Brandeis) Gigascope (AT&T/Carnegie Mellon) NiagaraST (Wisconsin/Portland State) STREAM (Stanford) TelegraphCQ (UC Berkeley) … • CEP • Cayuga [Cornell] • Esper and NEsper [EsperTech] • Χωροχρονικά συστήματα • SECONDO [Hagen Univ.] • PLACE [Purdue] • Microsoft StreamInsight Spatial • Benchmarks • Linear Road [Aurora, STREAM] • NEXMark [NiagaraST] • BerlinMOD[Hagen Univ.]

8. Ορολογία memory scalability monitoring single-pass sampling histogram approximation shared evaluation SQL continuous query summarization wavelet sketches error monotonicity incremental results online append-only load shedding push-based processing pull-based data stream relational unbounded tuple aggregation scope partitioned punctuation operator scheduling sliding window state join expiration ranking timestamp count-based similarity tumbling k-NN trajectory amnesic multi-resolution prioritization range compression geostreaming orientation position uncertainty indexing location-based services

9. Ιστορική αναδρομή (2003 - 2007)

10. Θεματικοί άξονες διερεύνησης Παράθυρα με χωρικές επεκτάσεις χειρισμός συνεχώς κινούμενων αντικειμένων ευκαιρίες για εξελιγμένα ερωτήματα διαρκείας Συμπίεση δεδομένων τροχιάς αντικειμένων συνεξέταση χαρακτηριστικών κίνησης αντιστάθμιση ακρίβειας απαντήσεων με βαθμό συμπίεσης Επεξεργασία χωροχρονικών ερωτημάτων διαρκείας k-εγγύτεροι γείτονες με προσεγγιστικά κελιά Voronoi ερωτήματα περιοχής με διαβάθμιση προτεραιότητας εποπτεία προσανατολισμού κινήσεων

11. + πεδίοχρονοσήμου (timestamp) σε κάθε πλειάδα • δείχνειαύξοντα αριθμό ή χρονική στιγμή εισδοχής κάθε στοιχείου • όλα τα χρονόσημα από κοινό σύνολο (Time Domain) • διατεταγμένο, άπειρο σύνολο διακριτών χρονικών στιγμών • Μη φραγμένο σύνολο • αλλά πεπερασμένο πλήθος στοιχείων εισρέουν κάθε • Απευθείαςεπεξεργασία στην κύρια μνήμη • επίκαιρα αποτελέσματα σε πολλαπλά ερωτήματα διαρκείας • συμβαδίζοντας με κυμαινόμενο ρυθμό άφιξης πλειάδων Ιδιότητες ρευμάτων δεδομένων • Σχήμα ρεύματος δεδομένωνS • τυπικές σχεσιακέςπλειάδες με κοινά γνωρίσματα • …όμως μελετώνται και μη δομημένα ρεύματα (XML streams) • Περιορίζοντας τα στοιχεία του ρεύματοςπου εξετάζονται • συνόψεις • εμβόλιμες στίξεις (punctuations) • παράθυρα

12. Ρεύματα θέσεως αντικειμένων • Στο πεδίο τουχρόνου –χρονόσημα σε κάθε εισερχόμενο στίγμα – εξασφάλιση διάταξης μεταξύ καταγραφών Στο πεδίο τουχώρου –στίγματα : σημειακέςενδείξεις θέσης – μελέτη στο Ευκλείδειο επίπεδο • Ρεύμα σημειακών θέσεων (positional stream) – συρροή «νέφους» πλειάδων με χωρο-χρονόσημα – μη φραγμένες ακολουθίες θέσεων από πολλά αντικείμενα • πεπερασμένο πλήθος στιγμάτων ανά χρονόσημο • έμφαση στην εξέταση φαινομένων κίνησης

13. Ρεύματα τροχιάς αντικειμένων t t4 t3 t2 y • Ρεύμα τροχιών • ακολουθία στιγμάτων • από πολλά αντικείμενα • ταυτότητα (οid) σε κάθε πλειάδα • χρονικήμονοτονίαδιάταξη στιγμάτων • τοπικότηταστην κίνηση καθενός αντικειμένου • τήρηση τμημάτων τροχιών στην κύρια μνήμη • ανάγκη για απευθείας επεξεργασία • εποπτικά ερωτήματα διαρκείας για την πρόσφατη κίνηση  παράθυρα t1 Τροχιάαντικειμένου ακολουθία σημειακών θέσεων στίγματα με χρονόσημα εξελίσσεται διαρκώς στον χώρο και τον χρόνο p2 ≡p3 t0 p1 p4 p0 x

14. Συνήθη ερωτήματα διαρκείας • k-εγγύτεροι γείτονες (k-NN) • συνάθροιση (distinct count) • πυκνότητα (density) ... Βάσει συντεταγμένων Χωροχρονικά περιοχής (range) • Γεωμετρικά • κυρτό περίβλημα (convex hull) • κελιά Voronoi ... • Βάσει τροχιών • ομοιότητας (similarity) • συγχρονισμού (convoy, flocks) • k-εγγύτεροι γείτονες (k-NN) …

15. Παράθυρα με χωρική υπόσταση ; Κατηγόρημα Παράθυρο Ερώτημα: «Για κάθε όχημα εντός περιοχής R, βρες το κοντινότερό του εντός περιοχής R κάθε 10 sec.» Τυπικά παράθυρα σε ρεύματα θέσεων αντικειμένων Κυλιόμενα: λ.χ. στίγματα που ελήφθησαν κατά την τελευταία ώρα • ΙΔΕΑ: Υποστήριξη σύνθετων χωρικών+χρονικών συνθηκών • από κοινού διατύπωση & συνδυασμένη αποτίμηση • ελάττωση στιγμάτων προς επεξεργασία  ταχύτερη απόκριση • απομόνωση συμπαγών τμημάτων τροχιάς αντικειμένων • συμπερίληψη χωρικών κριτηρίων στο χρονικό παράθυρο • πριν την αποτίμηση άλλων τελεστών (push-downspatial predicates)

16. Διατύπωση χωροχρονικών παραθύρων Χρονική εμβέλεια (scope) – ενδιαφέρον για τα πιο πρόσφατα στίγματα αντικειμένων χρονικό διάστημαω•διαδοχή πλειάδων – συνήθως εξελίσσεται με σταθερό βήμα προόδου β ερμηνεία: ως χρονικό φίλτρο στιγμάτων  περιεχόμενα παραθύρου Χωρικήκάλυψη(coverage) – περιοχή ενδιαφέροντος για το ερώτημα • σημειακές εστίες • ημιεπίπεδα • ζώνες • κλειστές επιφάνειες – πιθανόν χρονικά μεταβαλλόμενη • ερμηνεία: ως χωρικό φίλτρο • προσδιορίζει ποια στίγματα • καλύπτονται απ’ το τρέχον παράθυρο

17. Είδη χωροχρονικών παραθύρων ω = 3 , β = 2 dx= 4 , dy= 6 Παράθυρα εκτάσεως (extent-basedwindows) χρονική εμβέλεια : κυλιόμενο διάστημα χωρική κάλυψη :στατικήή περιοδικά κινούμενη εξαίρεση στιγμάτων εκτός ενδιαφέροντος • Ψηφιδωτά παράθυρα (tessellatedwindows) • D: διαμέρισηεπιπέδου σε διακριτές ψηφίδες • ταNπιο πρόσφατα στίγματα ανά περιοχή • εποπτεία σε προκαθορισμένες ζώνες D= {d1, d2, d3, d4, d5, d6} N= 2 στίγματα ανά ζώνη

18. Είδη χωροχρονικών παραθύρων F= {q1, q2, q3, q4} k = 3 Παράθυρα k-εγγύτητας(k-proximity) πιθανόν κινούμενες εστίες ενδιαφέροντοςF k-εγγύτερεςτρέχουσεςθέσεις ανά εστία Κατάσταση: ένωση σύγχρονωνστιγμάτων • Παράθυρα βεληνεκούς(distance-based) • πιθανόν κινούμενες εστίες ενδιαφέροντος F • στίγματα εντός αποστάσεως d • γύρω από κάθε καθορισμένη εστία • κυλιόμενο διάστημαω χρονοσήμων F= {q1, q2, q3} , d = 5 , ω = 2

19. Παραθυρική σύνδεση τροχιών Προοπτικές χρήσης παραθύρων σε συνδέσεις τροχιών trajectory joins: ζεύγη τροχιών με κάποιου είδους ομοιότητα Σύνδεση διαρκείας βάσει αποστάσεων(continuous distance-join) δύο σύνολα από τροχιές παράλληλα εξελισσόμενες κυλιόμενο παράθυροΔt κατώφλι απόστασηςε(t) • Εύρεση όσων ζευγών τροχιών • απέχουν απόσταση<ε(t) • συνεχώς στο διάστημαΔt – «ομάδες» απόπαρόμοιασυγχρονισμένα τμήματα τροχιών • Χαλαρή σύνδεσητροχιών • ανοχή σε χρονική υστέρηση(lag)

20. Συμπίεση δεδομένων τροχιάς Συσσώρευση εφήμερων δεδομένων κίνησης αντικειμένων στίγματα παρωχημένα με την πάροδο του χρόνου (time-decaying) δύσκολο να αποθηκευθούν πλήρως, δύσχρηστα για ερωτήματα επεξεργασία στην κύρια μνήμη με ένα πέρασμα (single-pass) Απευθείας συμπίεση ρευμάτων τροχιάς (onlinecompression) Εκμετάλλευση κρίσιμων χαρακτηριστικών της κίνησης χρήση δειγματοληψίας επί των εισερχόμενων στιγμάτων Βαθμιαία απώλεια πληροφορίας για το παρελθόν αμνησιακές συνόψεις(...όπως η ανθρώπινη μνήμη) Εξισορρόπηση απαιτήσεων για ακρίβεια & περιεκτικότητα ποιότητα προσεγγίσεωνακόμη και για μεγάλο βαθμό συμπίεσης Εξυπηρέτηση ερωτημάτων διαρκείας εκτίμηση διακριτού πλήθους αντικειμένωνμε σκίτσα FM

21. Δειγματοληψία σε τροχιές Χαρακτηριστικό δείγμααπό πρωτογενείς καταγραφές Συνεχής τήρηση ενός προτύπου της κίνησηςonline παραμένουν μόνο σημεία καμπής στην πορεία βάσει και του ρυθμού μεταβολής κίνησης: ταχύτητα αντικειμένου προσανατολισμός • Σύγχρονη απόσταση • όριο στο μέγεθος τηρούμενου δείγματος • διαγραφές παλαιότερων δειγμάτων • προτιμάται το δείγμα με την μικρότερη σύγχρονη απόσταση • διότι θα αλλοιώσει λιγότερο την μορφή της τροχιάς

22. Δείγμα βάσει κατωφλίων • σφάλμα από διαδοχικές μικρές κλίσεις Έλεγχος συνεισφοράς νέας θέσης Κριτήρια: – μεταβολή ταχύτητας – αλλαγή προσανατολισμού περιοχή ασφαλείας εκεί αναμένεται η νέα θέση του αντικειμένου προσθήκη στο δείγμα στιγμάτων εκτός περιοχής • Περιορισμός στην διάδοση σφάλματος • συνδυασμός περιοχών (SAJ) βάσει – δείγματος (SAS) – στιγμιαίας ταχύτητας(SAT) • διόγκωση δείγματος επ’ αόριστον • ιδίως για περίπλοκες τροχιές • με πολλαπλά σημεία καμπής ή αυξομειώσεις ταχύτητας

23. Αμνησιακές συνόψεις • Αμνησιακό δένδρο (AmTree) • πολλαπλές χρονικές βαθμίδες • απλούστευση: δύο κόμβοι/επίπεδο • σταδιακή ανανέωση (bottom-up) • διάδοση αλλαγών κατά κύματα • χρόνος O(1) ανά στοιχείο • διατήρηση συνάφειας στοιχείων ανά επίπεδο Προσεγγίσεις δυναμικών ρευμάτων έμφαση στα πρόσφατα στοιχεία παρά σε παλαιότερα η σημασία κάθε πλειάδας ελαττώνεται με τον χρόνο ανάδειξη βασικών χαρακτηριστικών κίνησης πολλαπλά επίπεδα λεπτομέρειας (multi-resolution)

24. Τήρηση συνόψεων τροχιάς • Συμπίεση μεμονωμένων τροχιών • χωριστό αμνησιακό δένδρο για καθεμιά • κόμβοι: μετατοπίσεις βαθμιαία μικρότερης λεπτομέρειας • πάντοτε από πρωτογενείς καταγραφές • ανασύσταση προσεγγιστικής τροχιάς • από υπάρχουσες καταγραφές • στους κόμβους του δένδρου Αναπαράσταση τροχιάς τήρηση μετατοπίσεωναντί σημειακών θέσεων «συνεχής» ακολουθία από συναπτά ευθύγραμμα τμήματα

25. Ζητήματα προς διερεύνηση Προηγμένη συμπίεση καταγραφών κίνησης ποιότητα δειγματοληψίας στιγμάτων αλγόριθμος με εγγυήσεις σφάλματος αμνησιακές συνόψεις εκμετάλλευση τοπολογικών συσχετίσεων αντικειμένων & ερωτημάτων Στρατηγικές απόρριψης φόρτου για ερωτήματα σχετικά με την τρέχουσα θέση αντικειμένων διάκριση ως προς την πυκνότητα των καταγραφών κατά περιοχές εκτίμηση πιστότητας απαντήσεων για ποικίλες κατανομές θέσεων για ερωτήματατροχιάς – όχι αυτοτελώς την καθεμιά παροδικά ή περιοδικά παραπλήσιες τροχιές πολλών αντικειμένων αντιπροσώπευση από κοινό τμήμα για ορισμένο χρονικό παράθυρο εκλογή σημείων άρθρωσης για συνάφεια διαδοχικών τμημάτων πρακτικό όφελος ιδίως όταν τα αντικείμενα κινούνται σε δίκτυο

26. k-εγγύτεροι γείτονες μέσω κελιών Voronoi • Κελί Voronoi = κελί Dirichlet = πολύγωνο Thiessen • Περιοχή επιρροής γύρω από εστία q • Κελιά k-τάξεωςαπό πολλαπλά σημεία • Ρεύματα θέσεων αντικειμένων • Συνεχείς ανανεώσεις στιγμάτων • Επιλεγμένες εστίες ενδιαφέροντος • – Για κάθε εστία q • Εντοπισμός k-εγγύτερων στιγμάτων • Τήρηση κελιού Voronoi k-τάξεως • Άμεση απόκριση σε ερωτήματα k-NN • Αλγόριθμοι για προσεγγιστικές απαντήσεις • Ανακατασκευή κελιού ανά χρονόσημο • ταυτόχρονες επικαιροποιήσεις στιγμάτων απ’ όλα τα αντικείμενα • Σταδιακή προσαρμογή κελιού βάσει πρόσφατων στιγμάτων • με χρήση χρονικάκυλιόμενου παραθύρου

27. Προσέγγιση κελιού Voronoik-τάξεως • Υπολογισμός κελιού Voronoi γύρω από εστία q • Τα στίγματα όλων των αντικειμένων ανανεώνονται ταυτοχρόνως • Μη σταθερή εστίαq: μπορεί να μετακινείται ανά χρονόσημο • Το κελί Voronoi προσεγγίζεται εξαρχής ανά χρονόσημo • Αλγόριθμος (ανά χρονόσημο): • Υποδιαίρεση σε λ όμορους τομείς • Φίλτρο στιγμάτων ανά τομέα • Τήρηση k+1 θέσεων εγγύτερα στο q • Εύρεση kεγγύτερων γειτόνων (k-NN) • Εντοπισμός φρουρών ανά τομέα: • Στίγμα πλησιέστερα στο q (όχι k-NN) • Αρχικό κελί : όλο το επίπεδο • Ανά τομέα, ελέγχονται kμεσοκάθετοι : • Μεταξύ του φρουρού και των k-NN • Επιλέγεται μόνοη εγγύτερη στο q • Το κελί περικόπτεται σταδιακά

28. Κελί Voronoi σε κυλιόμενο παράθυρο • Μοντέλοκυλιόμενου παραθύρου στην προσέγγιση κελιού • Περιοδική εξέταση στιγμάτων εντός πρόσφατου διαστήματος ω • Ασύγχρονη αποστολή θέσεων από τα κινούμενα αντικείμενα • Ιδιότητες κελιού Voronoi ισχύουν για στάσιμη εστίαq • Αλγόριθμος (ανά νέο παράθυρο): • Για κάθε όμορο τομέα αρκεί • Τήρηση k+1 θέσεων εγγύτερα στο q • ανά χρονόσημο εντός του ω • Εκκαθάριση στιγμάτων που έληξαν • Τυχόν αλλαγή k-NN εγγύτερου γείτονα: • Εκ νέου υπολογισμός κελιού • Αλλιώς, εύρεση νέου φρουρού ανά τομέα • Χάραξη νέας μεσοκαθέτου • Διαγραφή παλαιάς μεσοκαθέτου • Επισκευή κελιού τοπικά

29. Διαβαθμισμένα ερωτήματα περιοχής • Ιεράρχησηπροτεραιοτήτων για κινούμενα ερωτήματα • Όταν οι χρήστες επιθυμούν απαντήσειςάμεσαήσυχνά • κατάταξη μηνυμάτων ανάλογα με την κρισιμότητά τους • Παράδειγμα: κλήση ασθενοφόρου& αναζήτηση εστιατορίων • Ο κεντρικός επεξεργαστής μπορεί να απονείμει προτεραιότητες • δρομολόγηση εκτέλεσης ερωτημάτων για καλύτερη κατανομή πόρων • Διερεύνηση στρατηγικών επεξεργασίας • για κινούμενα ερωτήματαπεριοχήςμε προτεραιότητες: • δηλωμένες από τους ίδιους τους χρήστες • πιθανόν χρονικά μεταβαλλόμενες • Έγκαιρες απαντήσεις – έστω προσεγγιστικές • Θεμιτήη εξέταση ερωτημάτων βάσει προτεραιότητας. Αμερόληπτη; • Ανθεκτικότητασε κλιμακούμενο πλήθος αντικειμένων & ερωτημάτων • Συνεξέταση πολλαπλών ερωτημάτων διαρκείας • εύνοια προς επικαλυπτόμενες περιοχές κοινού ενδιαφέροντος

30. Μοντέλο επεξεργασίας • Κεντρικός επεξεργαστής: • λαμβάνει στίγματα από Nκινούμενα αντικείμενα • αποτιμάMδιαβαθμισμένακινούμενα ερωτήματα περιοχής • ορθογώνιες περιοχές ενδιαφέροντος • με χρονικά μεταβαλλόμενες βαθμίδες προτεραιότητας • Συγχρονισμένα ρεύματα δεδομένων • ρεύματα θέσεων & περιοχών • Περιοδικοί κύκλοι εκτέλεσης • Κάθε κύκλος διαρκείTχρονόσημα • Ανανεώνει θέσεις αντικειμένων & προσδιορισμούς ερωτημάτων • Αποτιμά αιτήματα χρηστών βάσει επικαιροποιημένων στοιχείων • Ευρετήριο ερωτημάτων & αντικειμένων • grid: ομοιόμορφος κάνναβος κελιών

31. Εκτίμηση προτεραιότητας ερωτημάτων • Εξέταση ερωτημάτων συλλογικάσε επίπεδο κελιού • Κάθε κελί λαμβάνει ένανβαθμόσταθμίζοντας : α) τις παρατηρούμενες προτεραιότητες των συναφών ερωτημάτων β) την τρέχουσα πυκνότητα αντικειμένων εντός του κελιού • Μοντέλα επιρροής ερωτημάτων σε κελιά • Κυρίαρχο : ηυψηλότερηπροτεραιότητα μεταξύ επικαλυπτόμενων ερωτημάτων • Κανονικοποιημένο : αναλογικός υπολογισμός βάσει κατανομής προτεραιοτήτων μεταξύ κελιών • Μέση προτεραιότητατοπικώνερωτημάτων • Πληθωριστικό : ερωτήματα υψηλής προτεραι-ότητας υπερτερούν στην βαθμολογία του κελιού • Μέθοδοι βαθμολόγησης κελιών βάσει ερωτημάτων & αντικειμένων εντός τους –σταθμισμένο άθροισμα • αρμονικός μέσος • συνδυασμένη πυκνότητα

32. Αποτίμηση διαβαθμισμένων ερωτημάτων • Κύκλος εκτέλεσης • Κατά την διάρκεια μιας περιόδου T : • Ενημέρωση ευρετηρίου (grid)με τα τρέχοντα δεδομένα & ερωτήματα • Προσδιορισμός βαθμολογίας κελιών  σειρά επίσκεψης • Εξέταση συναφών ερωτημάτων ανά κελί  απαντήσεις • Με την εκπνοή κάθε περιόδου Τ, έναρξη νέου κύκλου • Ερωτήματα μπορεί να λάβουνελλιπείςαπαντήσεις ή και καθόλου ! • QoS: εκτίμηση ποιότητας απαντήσεων • Στρατηγικές αποτίμησης • Εξαντλητικήεξέταση κελιών κατά φθίνοντα βαθμό • αποτίμηση όλων των ερωτημάτων εντός κελιού • Διαστρωματωμένηεξέταση κελιών εκ περιτροπής (kκατηγορίες) • σε κάθε κύκλο ευνοείται άλλη κατηγορία με διαφορετική συχνότητα • Βάσει δυναμικά αναπροσαρμοζόμενων κατωφλίων • εξυπηρέτηση μόνον υψηλής προτεραιότητας ερωτημάτων ανά κελί

33. Εποπτεία προσανατολισμού κινήσεων • Προσανατολισμοί αντικειμένων γύρω απόσημειακές εστίες • Στάσιμα σημεία ενδιαφέροντος: • σταθμοί, στάδια, κόμβοι, κ.ά. • Συγχρονισμένα στίγματα • Ανίχνευση τάσεωνonline • Αποκλίνουσες/συγκλίνουσες κινήσεις • Ερωτήματα προσανατολισμού • Συνεχής απόκριση σχετικά με: • δεδομένη απόσταση από εστία • κατεύθυνση ενδιαφέροντος • … σαν μια συστοιχίαRADAR • πολυσύχναστες διευθύνσεις κίνησης • βαθμιαία καλύτερη ευκρίνεια πλησιέστερα προς την εστία

34. Επεξεργασία προσανατολισμών • Συνέργεια αντικειμένων & κεντρικού εξυπηρετητή • Κάθε αντικείμενο διαθέτει στοιχειώδη επεξεργαστική ισχύ • τηρεί τα πρόσφατα στίγματά του • αναθεωρεί τον προσανατολισμό του • ενημερώνει όταν σημειωθεί απόκλιση στην ήδη γνωστή πορεία του • Ένα σύνολο εστιών επιτηρεί την περιοχή ενδιαφέροντος • ο εξυπηρετητής συντηρεί κατανομή των προσανατολισμώνανά εστία • Αποτίμηση ερωτημάτων προσανατολισμού • Χρήση νέου ευρετηρίου: PolarTree • Κατάτμηση εμβέλειας κάθε εστίας & οργάνωση σε ιεραρχία τομέων • Αναπροσαρμογή τομέων βάσει πυκνότητας • σε βαθμιαία λεπτομερέστερους τομείς πλησιέστερα προς την εστία • Τήρηση κινούμενων αντικειμένων κατά τομείς • Υποστήριξη πολλαπλώνερωτημάτων γύρω από κοινή εστία • Εξέταση τμημάτων τροχιάς κατά το πρόσφατο παρελθόν

35. Πολικός μετασχηματισμός αντικειμένων • Αντικείμενα εντός εμβέλειαςαπό εστίαf • Ορισμός κυκλικού δίσκου για την εστίαf • Πόλος : σταθερή εστιακή θέση (κέντρο f ) • Εμβέλεια : κύκλος ακτίναςR • Αντικείμενοoθεωρείται ως σημείο(d, θ) • Απόστασηd : εστιακή απόσταση d(f, o) • Γωνίαθ: προσανατολισμός κίνησης • Δήλωσηερωτημάτων προσανατολισμού • Κάθε ερώτημα αφορά δεδομένη εστίαf • Συνδυασμένα κριτήρια αναζήτησης: • αντικείμενα εντός ανοίγματος[θ1, θ2) βάσει των προσανατολισμών τους • αντικείμενα εντός βεληνεκούς(d1, d2] βάσει εστιακών αποστάσεων από πόλοf

36. Δομή ευρετηρίου PolarTree • Δυαδικό δένδρο στην κύρια μνήμη • Δεικτοδοτεί αντικείμενα γύρω από συγκεκριμένηεστίαf • Υποδιαιρεί την εμβέλεια σε μη επικαλυπτόμενους πολικούς τομείς • Κάθε κόμβοςαντιπροσωπεύειπολικό τομέαμε γνωρίσματα: • εστιακή απόσταση (ακτίναr )• εύρος προσανατολισμών (διχοτόμοςφ)

37. Διαρκής εποπτεία προσανατολισμών • Μοντέλο λειτουργίας • Κάθε αντικείμενο στέλνει τηνκατάστασή του< oid, x, y, t, v, θ> • περιοδικά, ανά τ0χρ. στιγμές ή κατόπιν αιτήματος του εξυπηρετητή • όταν συμβείαπόκλισησε προσανατολισμό ( >dθ) ή ταχύτητα (>λ%) • Ο εξυπηρετητής καταχωρεί σύνολο Fεστιακών σημείων • επιτηρεί κινήσεις αντικειμένων εντός εμβέλειας κάθε εστίας • συντηρείχωριστόPolarTreeγια κάθε εστία • διατηρείσυγχρονισμένεςκαταστάσειςαντικειμένων • εκτιμά την κατάσταση όσων αντικειμένων δεν την έχουν στείλει • αποτιμά ερωτήματα προσανατολισμού (ανά εστία) • Κυλιόμενα παράθυρα για προσανατολισμό τροχιών • Ανά αντικείμενο: εξέταση πρόσφατου τμήματος της κίνησης • Κατάσταση βάσεικαταγεγραμμένωνστιγμάτων εντός παραθύρουω • Ανά ερώτημα: τάσεις κίνησης αντικειμένων γύρω από εστίες • Εκτίμηση απάντησης βάσειληφθέντωνστιγμάτων εντός παραθύρουω

38. Προοπτικές Εξελιγμένα χωροχρονικά ερωτήματα διαρκείας Παραλλαγές ερωτημάτωνγια ρεύματα θέσεων σε ειδικές περιπτώσεις: αβεβαιότητα • κίνηση σε δίκτυα• σε εσωτερικό χώρο (indoors) ... Νεωτερικές προσεγγίσεις σε ρεύματα τροχιών: πλοήγηση: επαναχάραξη πορείας βάσει τρέχουσας κυκλοφορίας εξατομίκευση: προτιμήσεις βάσει δημοφιλίας & ιστορικού επιλογών δυναμικά πρότυπα στην κίνηση :λ.χ. σμήνη (flock, convoy), ... Εγγύηση σφάλματος για προσεγγιστικές τεχνικές υπολογισμού • Εναλλακτικές μορφές ευρετηρίωνγια παρελθόν, παρόν & μέλλον • Ευελιξία σε μαζικές ανανεώσεις στοιχείων στην κύρια μνήμη • Ανομοιογενείς κατατμήσεις του χώρου βάσει στιγμάτων (data-driven) • Δεικτοδότηση δυναμικά μεταβαλλόμενων τροχιών • Κατανεμημένη επεξεργασία • Βελτιωμένη κλιμάκωση για μεγάλους φόρτους • αλλά με ανοχή σε απώλειες ή έλλειψη συγχρονισμού στιγμάτων

39. Παραπομπές Ρεύματα δεδομένων [ACC+03] D.J. Abadi, D. Carney, U. Cetintemel, M. Cherniack, C. Convey, S. Lee, M. Stonebraker, N. Tatbul, and S. Zdonik. Aurora: a New Model and Architecture for Data Stream Management. VLDB Journal, 2003. [AAB+05] D.J. Abadi, Y. Ahmad, M. Balazinska, U. Cetintemel, M. Cherniack, J.-H. Hwang, W. Lindner, A.S. Maskey, A. Rasin, E. Ryvkina, N. Tatbul, Y. Xing, and S. Zdonik. The Design of the Borealis Stream Processing Engine. CIDR, January 2005. [AHWY03] C. Aggarwal, J. Han, J. Wang, and P.S. Yu. A Framework for Clustering Evolving Data Streams. VLDB, September 2003. [ABW06] A. Arasu, S. Babu, and J. Widom. The CQL Continuous Query Language: Semantic Foundations and Query Execution. VLDB Journal, 2006. [ACG+04] A. Arasu, M. Cherniack, E. Galvez, D. Maier, A. Maskey, E. Ryvkina, M. Stonebraker, and R. Tibbetts. Linear Road: A Stream Data Management Benchmark. VLDB, September 2004. [AW04] A. Arasu and J. Widom. Resource Sharing in Continuous Sliding-Window Aggregates. VLDB, September 2004. [BBD+02] B. Babcock, S. Babu, M. Datar, R. Motwani, and J. Widom. Models and Issues in Data Stream Systems. PODS, May 2002. [BAF+09] I. Botan, G. Alonso, P.M. Fischer, D. Kossmann, and N. Tatbul. Flexible and Scalable Storage Management for Data-intensive Stream Processing. EDBT, March 2009. [BS03] A. Bulut and A.K. Singh. SWAT: Hierarchical Stream Summarization in Large Networks. ICDE, March 2003. [CCD+03] S. Chandrasekaran, O. Cooper, A. Deshpande, M.J. Franklin, J.M. Hellerstein, W. Hong, S. Krishnamurthy, S.R. Madden, V. Raman, F. Reiss, and M.A. Shah. TelegraphCQ: Continuous Dataflow Processing for an Uncertain World. CIDR, January 2003. [CS03] E. Cohen and M. Strauss. Maintaining Time-Decaying Stream Aggregates. PODS, June 2003. [FM85] P. Flajolet and G.N. Martin. Probabilistic Counting Algorithms for Database Applications. Journal of Computer and Systems Sciences, 1985.

40. Παραπομπές Ρεύματα δεδομένων (συνέχεια) [GO05] L. Golab and M. Tamer Ozsu. Update-Pattern-Aware Modeling and Processing of Continuous Queries. SIGMOD, June 2005. [JMS+08] N. Jain, S. Mishra, A. Srinivasan, J. Gehrke, J. Widom, H. Balakrishnan, U. Cetintemel, M. Cherniack, R. Tibbetts, and S. Zdonik. Towards a Streaming SQL Standard. VLDB, August 2008. [JMSS05] T. Johnson, S. Muthukrishnan, V. Shkapenyuk, O. Spatscheck. A Heartbeat Mechanism and its Application in Gigascope. VLDB, September 2005. [LMP+05] J. Li, D. Maier, K. Tufte, V. Papadimos, P. Tucker. Semantics and Evaluation Techniques for Window Aggregates in Data Streams. SIGMOD, June 2005. [MPN+09] L. Al Moakar, T. Pham, P. Neophytou, P. Chrysanthis, A. Labrinidis, and M. Sharaf. Class-based Continuous Query Scheduling for Data Streams. DMSN, August 2009. [PVK+04] T. Palpanas, M. Vlachos, E. Keogh, D. Gunopulos, and W. Truppel. Online Amnesic Approximation of Streaming Time Series. ICDE, March 2004. [PS06] K. Patroumpas and T. Sellis. Window Specification over Data Streams. ICSNW, March 2006. [PS09b] K. Patroumpas and T. Sellis. Window Update Patterns in Stream Operators. ADBIS, September 2009. [PS10a] K. Patroumpas and T. Sellis. Maintaining Consistent Results of Continuous Queries under Diverse Window Specifications. Information Systems Journal, 2010 (to appear). [PS10b] K. Patroumpas and T. Sellis. Multi-granular Time-based Sliding Windows over Data Streams. TIME, September 2010 (to appear). [SCZ05] M. Stonebraker, U. Cetintemel, and S. Zdonik. The 8 Requirements of Real-Time Stream Processing. SIGMODRecord, December 2005. [TMSS07] P. Tucker, D. Maier, T. Sheard, and P. Stephens. Using Punctuation Schemes to Characterize Strategies for Querying over Data Streams. TKDE, September 2007.

41. Παραπομπές Συστήματα ρευμάτων δεδομένων StreamBase http://www.streambase.com/ Sybase CEP http://www.sybase.com/products/financialservicessolutions/sybasecep Oracle CEP http://www.oracle.com/us/technologies/soa/service-oriented-architecture-066455.html Microsoft StreamInsight http://msdn.microsoft.com/en-us/library/ee362541.aspx Truviso http://www.truviso.com/ IBM System S http://www-01.ibm.com/software/data/infosphere/streams/ SQLStream http://www.sqlstream.com/ Esper and NEsper http://esper.codehaus.org/

42. Παραπομπές Κινούμενα αντικείμενα [BHT05] P. Bakalov, M. Hadjieleftheriou, and V. Tsotras. Time Relaxed Spatiotemporal Trajectory Joins. ACM GIS, November 2005. [DBG09] C. Düntgen, T. Behr, and R. H. Güting. BerlinMOD: a benchmark for moving object databases. VLDB Journal, 2009. [GL06] B. Gedik, L. Liu. Mobieyes: A Distributed Location Monitoring Service using Moving Location Queries. Transactions on Mobile Computing, 2006. [GLWY07] B. Gedik, L. Liu, K.L. Wu, and P.S. Yu. Lira: Lightweight, Region-aware Load Shedding in Mobile CQ Systems. ICDE, April 2007. [FGPT07] E. Frentzos, K. Gratsias, N. Pelekis, Y. Theodoridis. Algorithms for Nearest Neighbor Search on Moving Object Trajectories. GeoInformatica, 2007. [HXL05] H. Hu, J. Xu, and D. L. Lee. A Generic Framework for Monitoring Continuous Spatial Queries over Moving Objects. SIGMOD, June 2005. [JYZ+08] H. Jeung, M. Lung Yiu, X. Zhou, C.S. Jensen, and H. Tao Shen. Discovery of convoys in trajectory databases. PVLDB, August 2008. [MXA04] M. Mokbel, X. Xiong, and W.G. Aref. SINA: Scalable Incremental Processing of Continuous Queries in Spatiotemporal Databases. SIGMOD, June 2004. [MXHA05] M. Mokbel, X. Xiong, M. Hammad, and W.G. Aref. Continuous Query Processing of Spatio-Temporal Data Streams in PLACE. Geoinformatica, December 2005. [MHP05] K. Mouratidis, M. Hadjieleftheriou, and D. Papadias. Conceptual Partitioning: An Efficient Method for Continuous Nearest Neighbor Monitoring. SIGMOD, June 2005. [PS04] K. Patroumpas and T. Sellis. Managing Trajectories of Moving Objects as Data Streams. STDBM, August 2004. [PPS06] M. Potamias, K. Patroumpas, and T. Sellis. Sampling Trajectory Streams with Spatiotemporal Criteria. SSDBM, July 2006.

43. Παραπομπές Κινούμενα αντικείμενα (συνέχεια) [PS07] K. Patroumpas and T. Sellis. Semantics of Spatially-aware Windows over Streaming Moving Objects. MDM, 2007. [PPS07] M. Potamias, K. Patroumpas, and T. Sellis. Online Amnesic Summarization of Streaming Locations. SSTD, 2007. [PMS07] K. Patroumpas, T. Minogiannis, and T. Sellis. Approximate Order-k Voronoi Cells over Positional Streams. ACM GIS, November 2007. [PS08] K. Patroumpas and T. Sellis. Prioritized Evaluation of Continuous Moving Queries over Streaming Locations. SSDBM, July 2008. [PKS08] K. Patroumpas, E. Kefallinou, and T. Sellis. Monitoring Continuous Queries over Streaming Locations (demo paper). ACM GIS, November 2008. [PS09a] K. Patroumpas and T. Sellis. Monitoring Orientation of Moving Objects around Focal Points. SSTD, July 2009. [PJT00] D. Pfoser, C. Jensen, and Y. Theodoridis. Novel Approaches in Query Processing for Moving Objects. VLDB, September 2000. [SG09] M. Attia Sakr and R. H. Güting. Spatiotemporal Pattern Queries in Secondo. SSTD, July 2009. [SS06] M. Sharifzadeh and C. Shahabi. Utilizing Voronoi Cells of Location Data Streams for Accurate Computation of Aggregate Functions in Sensor Networks. GeoInformatica, March 2006. [TKC+04] Y. Tao, G. Kollios, J. Considine, F. Li, and D. Papadias. Spatio-Temporal Aggregation Using Sketches. ICDE, March 2004. [VBT09] M. Vieira, P. Bakalov, and V. Tsotras. On-Line Discovery of Flock Patterns in Spatio-Temporal Data. ACM GIS, November 2009. [WGT07] W. Wu, W. Guo, and K.-L. Tan. Distributed Processing of Moving k-Nearest-Neighbor Query on Moving Objects. ICDE, April 2007. [XMA05] X. Xiong, M. Mokbel, and W. Aref. SEA-CNN: Scalable Processing of Continuous k-Nearest Neighbor Queries inSpatiotemporal Databases. ICDE, April 2005. [YPK05] X. Yu, K. Q. Pu, and N. Koudas. Monitoring k-Nearest Neighbor Queries Over Moving Objects. ICDE, April 2005.