Automated learning in complex event processing with decision tree classifiers

In Complex Event Processing, rules describing patterns of primitive events allow to detect complex situations of interest, such as threats or opportunities, from a stream of data and in real-time. An alternative approach to the manual definition of Complex Event Processing rules is the automated learning of the patterns leading to composite events. In the present work, we employ general-purpose Machine Learning techniques — and in particular C5.0, a supervised learning off-the-shelf tool based on decision trees — to deal with the challenging scenarios proposed by Complex Event Processing. In the course of this thesis, we present the system developed that enables C5.0 to detect occurrences of composite events within streams of event data, and we test its accuracy and applicability in a variety of situations.

In ambito Complex Event Processing, regole che descrivono pattern di eventi primitivi permettono di individuare situazioni di interesse più complesse, come pericoli o possibili opportunità, a partire da uno stream di eventi in real-time. Un approccio alternativo alla definizione manuale di regole per sistemi Complex Event Processing è l'apprendimento automatico dei pattern che conducono a eventi complessi. Nel presente lavoro, utilizzeremo tecniche general-purpose di Machine Learning — e in particolare l'algoritmo C5.0, un tool off-the-shelf basato su alberi di decisione — per affrontare le sfide poste dal contesto Complex Event Processing. Nel corso di questa tesi, presenteremo il sistema sviluppato, che permette a C5.0 di individuare occorrenze di eventi complessi all'interno di uno stream di dati, testando la sua accuratezza e valutando il suo grado di applicabilità in una varietà di situazioni distinte e caratterizzate da diversi parametri.