Behaviour Recognition on Noisy Data-streams Constrained by Complex Prior Knowledge - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2018

Behaviour Recognition on Noisy Data-streams Constrained by Complex Prior Knowledge

Reconnaissance de comportements sur flux de données bruités enrichie par des observations structurées

Résumé

Complex Event Processing (CEP) consists of the analysis of data-streams in order to extract particular patterns and behaviours described, in general, in a logical formalism. In the classical approach, data of a stream – or events – are supposed to be the complete and perfect observation of the system producing these events. However, in many cases, the means for collecting such data, such as sensors, are not infallible and may miss the detection of a particular event or on the contrary produce. In this thesis, we have studied the possible models of representation of uncertainty and, thus, to offer the CEP a robustness to this uncertainty as well as the necessary tools to allow the recognition of complex behaviours based on the chronicle formalism. In this perspective, three approaches have been considered. The first one is based on Markov logical networks to represent the structure of the chronicles under a set of logical formulas of a confidence value. We show that this model, although widely applied in the literature, is inapplicable for a realistic application with regard to the dimensions of such a problem. The second approach is based on techniques from the SAT community to enumerate all possible solutions of a given problem and thus to produce a confidence value for the recognition of a chronicle expressed, again, under a logical structure. Finally, we propose a last approach based on the Markov chains to produce a set of samples explaining the evolution of the model in agreement with the observed data. These samples are then analysed by a recognition system to count the occurrences of a particular chronicle.
Le traitement d’événements complexes (Complex Event Processing – CEP) consiste en l'analyse de flux de données afin d'en extraire des motifs et comportements particuliers décrits, en général, dans un formalisme logique. Dans l'approche classique, les données d'un flux – ou événements – sont supposées être l'observation complète et parfaite du système produisant ces événements. Cependant, dans de nombreux cas, les moyens permettant la collecte de ces données, tels que des capteurs, ne sont pas pour autant infaillibles et peuvent manquer la détection d'un événement particulier ou au contraire en produire. Dans cette thèse, nous nous sommes employé à étudier les modèles possibles de représentation de l’incertain et, ainsi, offrir au CEP une robustesse vis-à-vis de cette incertitude ainsi que les outils nécessaires pour permettre la reconnaissance de comportement complexe de façon pertinente les flux d'événements en se basant sur le formalisme des chroniques. Dans cette optique, trois approches ont été considérées. La première se base sur les réseaux logiques de Markov pour représenter la structure des chroniques sous un ensemble de formules logiques adjointe dune valeur de confiance. Nous montrons que ce modèle, bien que largement appliqué dans la littérature, est inapplicable pour une application concrète au regard des dimensions d'un tel problème. La seconde approche se basent sur des techniques issues de la communauté SAT pour énumérer l'ensemble des solutions possibles d'un problème donné et ainsi produire une valeur de confiance pour la reconnaissance dune chronique exprimée, encore une fois, sous une requête logique. Finalement, nous proposons une dernière approche basée sur les chaines de Markov pour produire un ensemble d'échantillons expliquant l'évolution du modèle en accord avec les données observées. Ces échantillons sont ensuite analysés par en système de reconnaissance pour compter les occurrences dune chronique particulière.
Fichier principal
Vignette du fichier
these_rince.pdf (7.33 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)
Loading...

Dates et versions

tel-01983311 , version 1 (16-01-2019)

Identifiants

  • HAL Id : tel-01983311 , version 1

Citer

Romain Rincé. Behaviour Recognition on Noisy Data-streams Constrained by Complex Prior Knowledge. Modeling and Simulation. Université de nantes, 2018. English. ⟨NNT : ⟩. ⟨tel-01983311⟩
195 Consultations
214 Téléchargements

Partager

Gmail Facebook X LinkedIn More