The realm of stream reasoning G. Cugola E. Della Valle - - PowerPoint PPT Presentation

Stream and Complex Event Processing

The realm of stream reasoning

• G. ¡Cugola ¡ ¡ ¡ ¡E. ¡Della ¡Valle ¡

¡ ¡ ¡A. ¡Margara ¡ ¡

¡ ¡ ¡ ¡ ¡ ¡Politecnico ¡di ¡Milano ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡Vrije ¡Universiteit ¡Amsterdam ¡

cugola@elet.polimi.it a.margara@vu.nl dellavalle@elet.polimi.it

Course ¡outline ¡

• History ¡and ¡principles ¡of ¡stream ¡

compu@ng ¡and ¡complex ¡event ¡processing ¡

• Descrip@on ¡of ¡the ¡area ¡
• Typical ¡applica@ons ¡
• Challenges ¡
• A ¡modeling ¡framework ¡for ¡IFP ¡systems ¡
• Func@onal ¡model ¡ ¡
• Processing ¡model ¡
• Deployment ¡model ¡ ¡
• Interac@on ¡model ¡
• Data ¡model ¡
• Time ¡model ¡ ¡
• Rule ¡model ¡
• Language ¡model ¡
• The ¡realm ¡of ¡stream ¡reasoning ¡
• A ¡brief ¡introduc@on ¡to ¡the ¡seman@c ¡Web ¡

technologies ¡

• From ¡stream ¡processing ¡to ¡stream ¡

reasoning ¡

• Distribu@ng ¡to ¡survive: ¡The ¡"operator ¡

placement" ¡problem ¡

• Theory ¡
• Algorithms ¡
• On ¡managing ¡uncertainty ¡in ¡data ¡and ¡rules ¡
• A ¡model ¡of ¡uncertainty ¡for ¡informa@on ¡

flow ¡processing ¡systems ¡

• Discovering ¡exis@ng ¡systems ¡
• Complex ¡event ¡processing ¡systems ¡in ¡

prac@ce ¡

• Data ¡streaming ¡systems ¡in ¡prac@ce ¡
• Stream ¡reasoning ¡systems ¡in ¡prac@ce ¡
• On ¡benchmarking ¡Informa@on ¡Flow ¡

Processing ¡Systems ¡

• The ¡problem ¡
• Possible ¡solu@ons ¡
• PuQng ¡it ¡all ¡together ¡
• A ¡prac@cal ¡scenario ¡to ¡test ¡IFP ¡systems ¡
• Experience ¡report ¡

2 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

It’s ¡the ¡Informa@on ¡Society, ¡baby ¡

Oil ¡opera@ons ¡ Traffic ¡ Financial ¡markets ¡ Social ¡networks ¡ …generate ¡data! ¡

3 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

It’s ¡the ¡Informa@on ¡Society, ¡baby ¡

…and ¡have ¡to ¡analyze ¡ data ¡in ¡real ¡@me ¡ In ¡a ¡well ¡in ¡progress ¡to ¡drown, ¡how ¡long ¡ @me ¡do ¡I ¡have ¡given ¡its ¡historical ¡behavior? ¡ Is ¡public ¡transporta@on ¡ ¡ where ¡the ¡people ¡are? ¡ Can ¡we ¡detect ¡any ¡intra-­‑day ¡correla@on ¡ clusters ¡among ¡stock ¡exchanges? ¡ ¡ Who ¡is ¡driving ¡the ¡discussion ¡ ¡ about ¡the ¡top ¡10 ¡emerging ¡topics ¡? ¡

4 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Motivation

New Requirements à New Challenges Typical ¡Requirements ¡

• Processing ¡Streams ¡
• Large ¡datasets ¡
• Reac@vity ¡
• Fine-­‑grained ¡

informa@on ¡access ¡

• Modeling ¡complex ¡

applica@on ¡domains ¡ ¡

¡ ¡

¡

• Con@nuous ¡seman@cs ¡
• Scalable ¡processing ¡
• Real-­‑@me ¡systems ¡
• Powerful ¡query ¡

languages ¡

• Rich ¡ontology ¡

languages ¡

5 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Motivation

Are DSMS/CEP ready to address them? Typical ¡Requirements ¡

• Processing ¡Streams ¡
• Large ¡datasets ¡
• Reac@vity ¡
• Fine-­‑grained ¡

informa@on ¡access ¡

• Modeling ¡complex ¡

applica@on ¡domains ¡ ¡

¡ ¡

DSMS/CEP ¡

• Con@nuous ¡seman@cs ¡
• Scalable ¡processing ¡
• Real-­‑@me ¡systems ¡
• Powerful ¡query ¡

languages ¡

• Rich ¡ontology ¡

languages ¡

6 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Motivation ¡

Is Semantic Web ready to address them?

• The Semantic Web, the Web of Data is doing fine
• RDF, RDF Schema, SPARQL, OWL, RIF
• well understood theory,
• rapid increase in scalability
• BUT it pretends that the world is static
• r at best a low change rate

both in change-volume and change-frequency

• ontology versioning
• belief revision
• time stamps on named graphs
• It sticks to the traditional one-time semantics

7 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Motivation

New Requirements à New Challenges Typical ¡Requirements ¡

• Processing ¡Streams ¡
• Large ¡datasets ¡
• Reac@vity ¡
• Fine-­‑grained ¡

informa@on ¡access ¡

• Modeling ¡complex ¡

applica@on ¡domains ¡ ¡

¡ ¡

Seman>c ¡Web ¡

• Con@nuous ¡seman@cs ¡
• Scalable ¡processing ¡
• Real-­‑@me ¡systems ¡
• Powerful ¡query ¡

languages ¡

• Rich ¡ontology ¡

languages ¡

8 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Motivation

New Requirements call for Stream Reasoning Typical ¡Requirements ¡

• Processing ¡Streams ¡
• Large ¡datasets ¡
• Reac@vity ¡
• Fine-­‑grained ¡

informa@on ¡access ¡

• Modeling ¡complex ¡

applica@on ¡domains ¡ ¡

¡ ¡

¡

• Con@nuous ¡seman@cs ¡
• Scalable ¡processing ¡
• Real-­‑@me ¡systems ¡
• Powerful ¡query ¡

languages ¡

• Rich ¡ontology ¡

languages ¡ ¡ Stream Reasoning

9 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Concept

Stream Reasoning Definition [IEEE-IS2010]

• Making sense
• in real time
• of multiple, heterogeneous, gigantic and inevitably

noisy data streams

• in order to support the decision process of

extremely large numbers of concurrent user

¡

• Note: ¡making ¡sense ¡of ¡streams ¡necessarily ¡requires ¡processing ¡them ¡against ¡

rich ¡background ¡knowledge, ¡an ¡unsolved ¡problem ¡in ¡database ¡

10 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Introduction

Fitting data streams in the Semantic Web architecture

[source ¡ ¡hhp://www.w3.org/DesignIssues/diagrams/sw-­‑double-­‑bus.png ¡] ¡

Exis@ng ¡ DSMS/CEP ¡ ¡ adapter ¡

RDF-­‑ ¡ DSMS/CEP ¡ mapping ¡ DSMS/CEP ¡ ¡ data ¡model ¡ Con@nuous ¡SPARQL ¡ service ¡ Virtual ¡ ¡ RDF ¡stream ¡

Concept

Research Challenges

• Rela@on ¡with ¡DSMSs ¡and ¡CEPs ¡
• Just ¡as ¡RDF ¡relates ¡to ¡data-­‑base ¡systems? ¡
• Data ¡types ¡and ¡query ¡languages ¡for ¡seman@c ¡streams ¡
• Just ¡RDF ¡and ¡SPARQL ¡but ¡with ¡con@nuous ¡seman@cs? ¡
• Reasoning ¡on ¡Streams ¡
• Theory ¡
• Efficiency ¡
• Scalability ¡
• Dealing ¡with ¡incomplete ¡& ¡noisy ¡data ¡
• Even ¡more ¡than ¡on ¡the ¡current ¡Web ¡of ¡Data ¡
• Distributed ¡and ¡parallel ¡processing ¡
• Streams ¡are ¡parallel ¡in ¡nature, ¡… ¡ ¡
• Engineering ¡Stream ¡Reasoning ¡Applica@ons ¡
• Development ¡Environment ¡
• Integra@on ¡with ¡other ¡technologies ¡
• Benchmarks ¡

12 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Running Example

Social Media Analytics in BOTTARI [JWS2012]

http://streamreasoning.org/demos/bottari

13 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Running Example

Data Model Used in BOTTARI ¡

geo:Spa@alThing ¡

geo:lat ¡(xsd:float) geo:long(xsd:float) ¡

sioc:UserAccount ¡

sioc:id(xsd:string) ¡

sr:NamedPlace ¡ sr:Tweet ¡

sr:messageID(xsd:string) ¡ sr:messageTimeStamp(xsd:string) ¡ sioc:creator_of ¡ sr:talksAbout ¡ sr:reply ¡ sr:retweet ¡ sioc:has_creator ¡ sr:talksAboutNeutrally ¡ sr:talksAboutPosi@vely ¡ sr:follower ¡ sr:following ¡ twd:post ¡

sioc:Post ¡

sioc:content(xsd:string) ¡

sr:TwiherUser ¡

sr:screenName(xsd:string) ¡ twd:discuss ¡ sr:talksAboutNega@vely ¡

14 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Running Example

Streaming vs. Background Information

data stream User related background knowledge Point of Interest related background knowledge

15 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

• RDF ¡Streams ¡
• No@on ¡defined ¡
• C-­‑SPARQL ¡
• Syntax ¡and ¡seman8cs ¡defined ¡as ¡a ¡SPARQL ¡extension ¡
• Engine ¡designed ¡and ¡implemented ¡ ¡
• Experiments ¡with ¡C-­‑SPARQL ¡under ¡simple ¡RDF ¡entailment ¡regimes ¡
• window ¡based ¡selec8on ¡of ¡C-­‑SPARQL ¡outperforms ¡the ¡standard ¡

FILTER ¡based ¡selec8on ¡

• algebraic ¡op8miza8ons ¡of ¡C-­‑SPARQL ¡queries ¡are ¡possible ¡
• high ¡throughputs ¡
• Complex ¡event ¡can ¡be ¡detected ¡using ¡a ¡network ¡of ¡C-­‑SPARQL ¡queries ¡at ¡

high ¡throughputs ¡

• Experiment ¡with ¡C-­‑SPARQL ¡under ¡RDFS++ ¡entailment ¡regimes ¡
• efficient ¡incremental ¡updates ¡of ¡deduc@ve ¡closures ¡inves@gated ¡ ¡
• our ¡approach ¡outperform ¡state-­‑of-­‑the-­‑art ¡when ¡updates ¡comes ¡as ¡

stream ¡

¡ ¡

16 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

Outline

• RDF ¡Streams ¡
• No@on ¡defined ¡
• C-­‑SPARQL ¡
• Syntax ¡and ¡seman8cs ¡defined ¡as ¡a ¡SPARQL ¡extension ¡
• Engine ¡designed ¡and ¡implemented ¡ ¡
• Experiments ¡with ¡C-­‑SPARQL ¡under ¡simple ¡RDF ¡entailment ¡regimes ¡
• window ¡based ¡selec8on ¡of ¡C-­‑SPARQL ¡outperforms ¡the ¡standard ¡FILTER ¡

based ¡selec8on ¡

• algebraic ¡op8miza8ons ¡of ¡C-­‑SPARQL ¡queries ¡are ¡possible ¡
• high ¡throughputs ¡
• Complex ¡event ¡can ¡be ¡detected ¡using ¡a ¡network ¡of ¡C-­‑SPARQL ¡queries ¡at ¡

high ¡throughputs ¡

• Experiment ¡with ¡C-­‑SPARQL ¡under ¡RDFS++ ¡entailment ¡regimes ¡
• efficient ¡incremental ¡updates ¡of ¡deduc@ve ¡closures ¡inves@gated ¡ ¡
• our ¡approach ¡outperform ¡state-­‑of-­‑the-­‑art ¡when ¡updates ¡comes ¡as ¡

stream ¡

¡ ¡

17 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

RDF Stream [WWW2009,EDBT2010,IJSC2010]

• RDF Stream Data Type
• Ordered sequence of pairs, where each pair is made of

an RDF triple and its timestamp ¡

§ Timestamps ¡are ¡not ¡required ¡to ¡be ¡unique, ¡they ¡must ¡be ¡non-­‑decreasing

• E.g.,

(<:Alice :posts :post1 >, 2010-02-12T13:34:41) (<:post1 :talksAboutPositively :LaScala>, 2010-02-12T13:34:41) (<:Bob :posts :post2 >, 2010-02-12T13:36:28) (<:post2 :talksAboutNegatively :Duomo>, 2010-02-12T13:36:28)

18 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

Outline

• RDF ¡Streams ¡
• No@on ¡defined ¡
• C-­‑SPARQL ¡
• Syntax ¡and ¡seman8cs ¡defined ¡as ¡a ¡SPARQL ¡extension ¡
• Engine ¡designed ¡and ¡implemented ¡ ¡
• Experiments ¡with ¡C-­‑SPARQL ¡under ¡simple ¡RDF ¡entailment ¡regimes ¡
• window ¡based ¡selec8on ¡of ¡C-­‑SPARQL ¡outperforms ¡the ¡standard ¡FILTER ¡

based ¡selec8on ¡

• algebraic ¡op8miza8ons ¡of ¡C-­‑SPARQL ¡queries ¡are ¡possible ¡
• high ¡throughputs ¡
• Complex ¡event ¡can ¡be ¡detected ¡using ¡a ¡network ¡of ¡C-­‑SPARQL ¡queries ¡at ¡

high ¡throughputs ¡

• Experiment ¡with ¡C-­‑SPARQL ¡under ¡RDFS++ ¡entailment ¡regimes ¡
• efficient ¡incremental ¡updates ¡of ¡deduc@ve ¡closures ¡inves@gated ¡ ¡
• our ¡approach ¡outperform ¡state-­‑of-­‑the-­‑art ¡when ¡updates ¡comes ¡as ¡

stream ¡

¡ ¡

19 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

MEMO: ¡SPARQL ¡

20 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements ¡

Where ¡C-­‑SPARQL ¡Extends ¡SPARQL ¡

21 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

An Example of C-SPARQL Query

Who ¡are ¡the ¡opinion ¡makers? ¡i.e., ¡the ¡users ¡who ¡are ¡likely ¡to ¡ influence ¡the ¡behavior ¡of ¡other ¡users ¡who ¡follow ¡them ¡

REGISTER STREAM OpinionMakers COMPUTED EVERY 5m AS CONSTRUCT { ?opinionMaker sd:about ?resource } FROM STREAM <http://streamingsocialdata.org/ interactions> [RANGE 30m STEP 5m] WHERE { ?opinionMaker ?opinion ?resource . ?follower sioc:follows ?opinionMaker. ?follower ?opinion ?resource. FILTER ( cs:timestamp(?follower) > cs:timestamp(?opinionMaker) && ?opinion != sd:accesses ) } HAVING ( COUNT(DISTINCT ?follower) > 3 )

22 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

An Example of C-SPARQL Query

Who ¡are ¡the ¡opinion ¡makers? ¡i.e., ¡the ¡users ¡who ¡are ¡likely ¡to ¡ influence ¡the ¡behavior ¡of ¡other ¡users ¡who ¡follow ¡them ¡

REGISTER STREAM OpinionMakers COMPUTED EVERY 5m AS CONSTRUCT { ?opinionMaker sd:about ?resource } FROM STREAM <http://streamingsocialdata.org/ interactions> [RANGE 30m STEP 5m] WHERE { ?opinionMaker ?opinion ?resource . ?follower sioc:follows ?opinionMaker. ?follower ?opinion ?resource. FILTER ( cs:timestamp(?follower) > cs:timestamp(?opinionMaker) && ?opinion != sd:accesses ) } HAVING ( COUNT(DISTINCT ?follower) > 3 )

Query ¡registra>on ¡ (for ¡con>nuous ¡execu>on) ¡ FROM ¡STREAM ¡clause ¡ WINDOW ¡ RDF ¡Stream ¡added ¡as ¡ ¡ new ¡ouput ¡format ¡ ¡ ¡ Buil>n ¡to ¡access ¡ >mestamps ¡ Aggregates ¡as ¡in ¡ SPARQL ¡1.1 ¡

23 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

Outline

• RDF ¡Streams ¡
• No@on ¡defined ¡
• C-­‑SPARQL ¡
• Syntax ¡and ¡seman8cs ¡defined ¡as ¡a ¡SPARQL ¡extension ¡
• Engine ¡designed ¡and ¡implemented ¡ ¡
• Experiments ¡with ¡C-­‑SPARQL ¡under ¡simple ¡RDF ¡entailment ¡regimes ¡
• window ¡based ¡selec8on ¡of ¡C-­‑SPARQL ¡outperforms ¡the ¡standard ¡FILTER ¡

based ¡selec8on ¡

• algebraic ¡op8miza8ons ¡of ¡C-­‑SPARQL ¡queries ¡are ¡possible ¡
• high ¡throughputs ¡
• Complex ¡event ¡can ¡be ¡detected ¡using ¡a ¡network ¡of ¡C-­‑SPARQL ¡queries ¡at ¡

high ¡throughputs ¡

• Experiment ¡with ¡C-­‑SPARQL ¡under ¡RDFS++ ¡entailment ¡regimes ¡
• efficient ¡incremental ¡updates ¡of ¡deduc@ve ¡closures ¡inves@gated ¡ ¡
• our ¡approach ¡outperform ¡state-­‑of-­‑the-­‑art ¡when ¡updates ¡comes ¡as ¡

stream ¡

¡ ¡

24 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

FROM STREAM Clause - Types of Window

• physical: a given number of triples
• logical: a variable number of triples which occur during a

given time interval (e.g., 1 hour)

• Sliding: they are progressively advanced of

a given STEP (e.g., 5 minutes)

• Tumbling: they are advanced of exactly their time interval

25 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

Efficiency of Evaluation [IEEE-IS2010]

• window based selection of C-SPARQL outperforms the

standard FILTER based selection

26 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

Outline

• RDF ¡Streams ¡
• No@on ¡defined ¡
• C-­‑SPARQL ¡
• Syntax ¡and ¡seman8cs ¡defined ¡as ¡a ¡SPARQL ¡extension ¡
• Engine ¡designed ¡and ¡implemented ¡ ¡
• Experiments ¡with ¡C-­‑SPARQL ¡under ¡simple ¡RDF ¡entailment ¡regimes ¡
• window ¡based ¡selec8on ¡of ¡C-­‑SPARQL ¡outperforms ¡the ¡standard ¡FILTER ¡

based ¡selec8on ¡

• algebraic ¡op8miza8ons ¡of ¡C-­‑SPARQL ¡queries ¡are ¡possible ¡
• high ¡throughputs ¡
• Complex ¡event ¡can ¡be ¡detected ¡using ¡a ¡network ¡of ¡C-­‑SPARQL ¡queries ¡at ¡

high ¡throughputs ¡

• Experiment ¡with ¡C-­‑SPARQL ¡under ¡RDFS++ ¡entailment ¡regimes ¡
• efficient ¡incremental ¡updates ¡of ¡deduc@ve ¡closures ¡inves@gated ¡ ¡
• our ¡approach ¡outperform ¡state-­‑of-­‑the-­‑art ¡when ¡updates ¡comes ¡as ¡

stream ¡

¡ ¡

27 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

Algebraic optimizations of C-SPARQL [EDBT2010]

• Several transformations can be applied to algebraic

representation of C-SPARQL

• some recalling well known results from classical relational
• ptimization
• push of FILTERs and projections
• some being more specific to the domain of streams
• push of aggregates

28 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

algebraic optimizations of C-SPARQL [EDBT2010]

• Push of filters and projections

25 50 75 100 125 10 100 1000 10000 100000 ms Window Size None Static Only Streaming Only Both

29 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

Outline

• RDF ¡Streams ¡
• No@on ¡defined ¡
• C-­‑SPARQL ¡
• Syntax ¡and ¡seman8cs ¡defined ¡as ¡a ¡SPARQL ¡extension ¡
• Engine ¡designed ¡and ¡implemented ¡ ¡
• Experiments ¡with ¡C-­‑SPARQL ¡under ¡simple ¡RDF ¡entailment ¡regimes ¡
• window ¡based ¡selec8on ¡of ¡C-­‑SPARQL ¡outperforms ¡the ¡standard ¡FILTER ¡

based ¡selec8on ¡

• algebraic ¡op8miza8ons ¡of ¡C-­‑SPARQL ¡queries ¡are ¡possible ¡
• high ¡throughputs ¡
• Complex ¡event ¡can ¡be ¡detected ¡using ¡a ¡network ¡of ¡C-­‑SPARQL ¡queries ¡at ¡

high ¡throughputs ¡

• Experiment ¡with ¡C-­‑SPARQL ¡under ¡RDFS++ ¡entailment ¡regimes ¡
• efficient ¡incremental ¡updates ¡of ¡deduc@ve ¡closures ¡inves@gated ¡ ¡
• our ¡approach ¡outperform ¡state-­‑of-­‑the-­‑art ¡when ¡updates ¡comes ¡as ¡

stream ¡

¡ ¡

30 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

High Throughputs [JWS2012]

31 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

Outline

• RDF ¡Streams ¡
• No@on ¡defined ¡
• C-­‑SPARQL ¡
• Syntax ¡and ¡seman8cs ¡defined ¡as ¡a ¡SPARQL ¡extension ¡
• Engine ¡designed ¡and ¡implemented ¡ ¡
• Experiments ¡with ¡C-­‑SPARQL ¡under ¡simple ¡RDF ¡entailment ¡regimes ¡
• window ¡based ¡selec8on ¡of ¡C-­‑SPARQL ¡outperforms ¡the ¡standard ¡FILTER ¡

based ¡selec8on ¡

• algebraic ¡op8miza8ons ¡of ¡C-­‑SPARQL ¡queries ¡are ¡possible ¡
• high ¡throughputs ¡
• Complex ¡event ¡can ¡be ¡detected ¡using ¡a ¡network ¡of ¡C-­‑SPARQL ¡queries ¡at ¡

high ¡throughputs ¡

• Experiment ¡with ¡C-­‑SPARQL ¡under ¡RDFS++ ¡entailment ¡regimes ¡
• efficient ¡incremental ¡updates ¡of ¡deduc@ve ¡closures ¡inves@gated ¡ ¡
• our ¡approach ¡outperform ¡state-­‑of-­‑the-­‑art ¡when ¡updates ¡comes ¡as ¡

stream ¡

¡ ¡

32 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

Complex ¡Event ¡Detec@on ¡as ¡stream ¡composi@ons ¡

• e.g., continuous detection of blizzards by analyzing

multiple streams of data generated by weather sensors spread across a continental area

Blizzard: ¡a ¡severe ¡snowstorm ¡with ¡high ¡winds ¡and ¡ low ¡visibility ¡las>ng ¡at ¡least ¡three ¡hours ¡

33

Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

Complex ¡Event ¡Detec@on ¡as ¡stream ¡composi@ons ¡

Linked Sensor Data Adapter C-SPARQL Query

LEGEND

Blizzard

Q

Count Snow Fall

Q

[1 HOUR] [TUMBLING]

AVG Wind Speed

Q

AVG Temp

Q

[1 HOUR] [TUMBLING] [1 HOUR] [TUMBLING] [3 HOURS] [STEP 1 HOUR]

34

Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

Complex ¡Event ¡Detec@on ¡as ¡stream ¡composi@ons ¡

snowfall ¡ + ¡ ¡strong ¡winds ¡ + ¡ ¡ ¡low ¡temp ¡ à ¡ ¡ ¡blizzards ¡

35

Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

Detecting crowd movements London 2012

An event is starting if in the last 2 hours I saw continuous flow

• f people exiting Stratford station, funnelling through Stratford

walk, entering the stadium

http://www.streamreasoning.org/demos/london2012

36 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

Outline

• RDF ¡Streams ¡
• No@on ¡defined ¡
• C-­‑SPARQL ¡
• Syntax ¡and ¡seman8cs ¡defined ¡as ¡a ¡SPARQL ¡extension ¡
• Engine ¡designed ¡and ¡implemented ¡ ¡
• Experiments ¡with ¡C-­‑SPARQL ¡under ¡simple ¡RDF ¡entailment ¡regimes ¡
• window ¡based ¡selec8on ¡of ¡C-­‑SPARQL ¡outperforms ¡the ¡standard ¡FILTER ¡

based ¡selec8on ¡

• algebraic ¡op8miza8ons ¡of ¡C-­‑SPARQL ¡queries ¡are ¡possible ¡
• Complex ¡event ¡can ¡be ¡detected ¡using ¡a ¡network ¡of ¡C-­‑SPARQL ¡queries ¡at ¡

high ¡throughputs ¡

• Experiment ¡with ¡C-­‑SPARQL ¡under ¡RDFS++ ¡entailment ¡regimes ¡
• efficient ¡incremental ¡updates ¡of ¡deduc@ve ¡closures ¡inves@gated ¡ ¡
• our ¡approach ¡outperform ¡state-­‑of-­‑the-­‑art ¡when ¡updates ¡comes ¡as ¡

stream ¡

¡ ¡

37 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

SPARQL in a nutshell

Where’s the Reasoning? 1/3

• It’s normal that you don’t see it when looking at the

query only

• Memo: two approach for reasoning about query

answering

• Data-driven
• Query-driven

Reasoner ¡ data ¡ SPARQL ¡ service ¡ Inferred ¡ data ¡

• ntology ¡

data ¡ SPARQL ¡ service ¡

• ntology ¡

Rewrihen ¡ query ¡ Reasoner ¡

38 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

Where’s the Reasoning? 2/3

• Query driven reasoning directly applies to data streams
• Memo …
• … in the context of streaming data

Rewrite O Q Q’ Map SQL M answer

A

Rewrite O Q Q’ Map ??? M answer

A ¡

Well, things are a bit more complex, because no standard continuous query language exists

39 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

Where’s the Reasoning? 3/3

• At a first look also data-driven should be easy to port
• The problem is that materialization (the result of data-driven

processing) are very difficult to decrement efficiently.

• State-of-the-art: DRed algorithm
• Over delete
• Re-derive
• Insert

Reasoner ¡ Data ¡in ¡ the ¡ Window ¡ C-­‑SPARQL ¡ service ¡ Inferred ¡ data ¡ ¡ in ¡the ¡ window ¡

• ntology ¡

40 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

Example of C-SPARQL and Reasoning 1/2

• Query: can we measure the the impact of a tweet?
• Twitter allows two traceable ways of discussing a tweet:
• reply: a user reply to a tweet of another user (it always retweet the
• riginal tweet)
• retweet: a user propagates to his/her followers an interesting tweet
• For example

t1 ¡ t3 ¡ t5 ¡ t8 ¡

retweet ¡ reply ¡ reply ¡

t2 ¡ t4 ¡ t7 ¡ t6 ¡

reply ¡ reply ¡ retweet ¡ reply ¡

now ¡ 10 ¡min ¡ago ¡ 20 ¡min ¡ago ¡ 30 ¡min ¡ago ¡ 40 ¡min ¡ago ¡ 50 ¡min ¡ago ¡

41 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

Example of C-SPARQL and Reasoning 2/2

What impact have I been creating with my tweets in the last hour? Let’s count them … REGISTER STREAM OpinionSpreading COMPUTED EVERY 30s AS SELECT ?tweet (count(?tweet) AS ?impact FROM STREAM <http://ex.org> [RANGE 60m STEP 10m] WHERE { :t1 sr:discuss ?tweet }

:reply rdfs:subPropertyOf :discuss . :retweet rdfs:subPropertyOf :discuss .

t1 ¡ t3 ¡ t5 ¡ t8 ¡ retweet ¡ reply ¡ reply ¡ t2 ¡ t4 ¡ t7 ¡ t6 ¡ reply ¡ reply ¡ retweet ¡ reply ¡ discuss ¡ discuss ¡ discuss ¡ discuss ¡ discuss ¡ discuss ¡ discuss ¡

:discuss a owl:TransitiveProperty .

7!

42 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements - C-SPARQL and Reasoning

The Intuition of DRed Algorithm ¡

• Let’s ¡assume ¡that ¡we ¡have ¡the ¡following ¡materialized ¡graph ¡

¡

• While ¡inserts ¡are ¡not ¡problema@c, ¡dele@on ¡are ¡difficult ¡to ¡handle. ¡

If ¡we ¡delete ¡t2, ¡we ¡have ¡ ¡

1.

• veres>mate ¡the ¡impact ¡of ¡the ¡dele>on ¡and ¡mark ¡for ¡dele@on ¡t4-­‑>t1 ¡that ¡

can ¡be ¡derived ¡by ¡t4-­‑>t2 ¡and ¡t2-­‑>t1 ¡ ¡ 2. look ¡for ¡alterna>ve ¡deriva>on ¡of ¡t4-­‑>t1 ¡and ¡eventually ¡find ¡the ¡chain ¡t4-­‑ >t3 ¡and ¡t3-­‑>t1 ¡

43

t1 ¡ t2 ¡ t3 ¡ t4 ¡

discuss ¡ discuss ¡ discuss ¡ discuss ¡ discuss ¡

t1 ¡ t2 ¡ t3 ¡ t4 ¡

discuss ¡ discuss ¡ discuss ¡ discuss ¡ discuss ¡

t1 ¡ t3 ¡ t4 ¡

discuss ¡ discuss ¡ discuss ¡

Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

• ur approach [ESWC2010] 1/2
• Assumption
• Insertions and deletions are triples respectively

entering and exiting the window

• The window size is known
• Therefore
• The time when each triple will expire is known and

determined by the window size

• E.g. if the window is 10s long a triple entering at time t will exit

at time t+10s

• Note: all knowledge can be annotated with an

expiration time

• i.e., background knowledge is annotated with +∞

44 Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

• ur approach [ESWC2010] 2/2
• The ¡algorithm ¡
• 1. deletes ¡all ¡triples ¡(asserted ¡or ¡inferred) ¡that ¡have ¡just ¡

expired ¡

• 2. computes ¡the ¡entailments ¡derived ¡by ¡the ¡inserts, ¡
• 3. annotates ¡each ¡entailed ¡triple ¡with ¡a ¡expira@on ¡@me, ¡

and ¡

• 4. eliminates ¡from ¡the ¡current ¡state ¡all ¡copies ¡of ¡derived ¡

triples ¡except ¡the ¡one ¡with ¡the ¡highest ¡@mestamp. ¡

• learn ¡more ¡
• hhp://www.slideshare.net/emanueledellavalle/incremental-­‑reasoning-­‑on-­‑

streams-­‑andrich-­‑background-­‑knowledge ¡ ¡

45 Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

Intuition

A ¡ B A ¡ B C 1 ¡ 2 ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡TS ¡ ¡ ¡ ¡ ¡ ¡ ¡Triples ¡in ¡the ¡Window ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡ ¡Entailments ¡in ¡the ¡Window ¡ ¡ ¡ ¡ ¡ A ¡ C

[11] ¡ [11] ¡ [11] ¡ [12] ¡

A ¡ B C 3 ¡ A ¡ C

[11] ¡ [11] ¡ [12] ¡

D

[13] ¡

D B

[12] ¡ [11] ¡

A ¡ B C 4 ¡ A ¡ C

[11] ¡ [11] ¡ [12] ¡

D

[13] ¡

D B

[12] ¡ [11] ¡

E

[14] ¡ [14] ¡ [14] ¡

x ¡

A ¡ B C 12 ¡ A ¡ C

[12] ¡

D

[13] ¡

D B

[12] ¡

E

[14] ¡ [14] ¡ [14] ¡

A ¡ C 13 ¡ A ¡ D

[13] ¡

D E

[14] ¡ [14] ¡ [14] ¡ [11] ¡ [11] ¡

11 ¡

Mul>ple ¡Deriva>on ¡ If ¡a ¡longer ¡las@ng ¡ deriva@on ¡of ¡a ¡triple ¡ already ¡entailed ¡is ¡ found ¡the ¡ ¡expira@on ¡ @me ¡ ¡of ¡the ¡entailed ¡ triple ¡is ¡updated ¡ Efficient ¡Dele>on ¡ Dele@on ¡is ¡achieved ¡ by ¡lookups ¡of ¡triples ¡ in ¡an ¡hashmap. ¡ ¡ No ¡over ¡dele@on ¡

• ccurs ¡

46 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Achievements

Comparative Evaluation on Materialization

• ¡ ¡ ¡ ¡ ¡ ¡base-­‑line: ¡re-­‑compu@ng ¡the ¡materializa@on ¡from ¡scratch ¡
• ¡ ¡ ¡ ¡ ¡ ¡state-­‑of-­‑the-­‑art ¡[Ceri1994,Volz2005] ¡
• ¡ ¡ ¡ ¡ ¡ ¡our ¡approach ¡[ESWC2010] ¡

10 100 1000 10000 0,0% 2,0% 4,0% 6,0% 8,0% 10,0% 12,0% 14,0% 16,0% 18,0% 20,0% ms. % ¡of ¡the ¡materialization ¡changed ¡when ¡the ¡window ¡slides

% ¡of ¡the ¡materializa@on ¡changed ¡when ¡the ¡window ¡slides ¡

47 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

forward ¡reasoning naive ¡approach incremental-­‑stream query 5,82 1,61 1,61 materialization 15,91 0,28

5 10 15 20 ms.

Achievements

Comparative Evaluation on Query Answering

• comparison of the average time needed to answer

a C-SPARQL query using

• backward reasoner
• the naive approach of re-computing the materialization
• our approach

Backward reasoning 48 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Research Challenges vs. Achievements

• Rela@on ¡with ¡DSMSs ¡and ¡CEPs ¡
• No@on ¡of ¡RDF ¡stream ¡:-­‑| ¡alterna@ve ¡solu@ons ¡can ¡be ¡inves@gated ¡
• Data ¡types ¡and ¡query ¡languages ¡for ¡seman@c ¡streams ¡
• C-­‑SPARQL ¡:-­‑D ¡work ¡in ¡progress ¡in ¡FZI&AIFB ¡[1,2] ¡DERI ¡[3], ¡UPM ¡[4] ¡
• Reasoning ¡on ¡Streams ¡
• Theory ¡:-­‑) ¡work ¡in ¡progress ¡in ¡Potsdam&DERI ¡[9,10] ¡ ¡
• Efficiency ¡:-­‑) ¡work ¡in ¡progress ¡in ¡ISTI-­‑Innsbruck ¡[5] ¡
• Scalability ¡:-­‑| ¡work ¡in ¡progress ¡in ¡IBM&VUA ¡[6] ¡
• Dealing ¡with ¡incomplete ¡& ¡noisy ¡data ¡ ¡
• Even ¡more ¡than ¡on ¡the ¡current ¡Web ¡of ¡Data ¡:-­‑( ¡some ¡ini@al ¡joint ¡work ¡with ¡

SIEMENS ¡only ¡[IEEE-­‑IS2010] ¡

• Distributed ¡and ¡parallel ¡processing ¡
• Streams ¡are ¡parallel ¡in ¡nature, ¡… ¡ ¡:-­‑| ¡work ¡in ¡progress ¡in ¡IBM&VUA ¡[6] ¡
• Engineering ¡Stream ¡Reasoning ¡Applica@ons ¡
• Demonstra@ve ¡applica@ons ¡in ¡Social ¡Media ¡and ¡Sensor ¡Networks ¡:-­‑) ¡ ¡
• Development ¡Environment ¡:-­‑) ¡work ¡in ¡progress ¡in ¡UPM ¡[7] ¡
• Benchmarks ¡:-­‑P ¡work ¡in ¡progress ¡in ¡CWI&UPM ¡[8], ¡DERI ¡[12] ¡

49 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Conclusions

• The Semantic Web community positively answered to

the call at investigating stream reasoning

• A number of work in progress are rapidly developing

this field, but we are only at the very beginning

50 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Credits

• Politecnico di Milano’s colleagues
• Prof. Stefano Ceri who had the initial intuition about the value of

introducing data streams to the semantic Web community

• Marco Balduini, Davide Barbieri, Daniele Braga, Stefano Ceri

and Michael Grossniklaus who helped concieving the C-SPARQL Engine and the Streaming Linked Data Framework

• People I directly worked with on the topic
• CEFRIEL: Irene Celino, and Danile Dell’Aglio
• Saltlux: Seonho Kim, and Tony Lee
• SIEMENS: Yi Huang, and Volker Tresp
• STI-Innsbruck: prof. Dieter Fensel and Srdjan Komazec
• UO: prof. Ian Horrocks and Markus ¡Krötzsch
• VUA: prof. Frank ¡van ¡Harmelen ¡and ¡Stefan Schlobach ¡ ¡
• The broader research community that showed interest in stream

reasoning

51 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Downloads

• C-SPARQL Engine (no reasoning support)
• A ready to go pack for eclipse
• http://streamreasoning.org/download
• Source code available on request

52 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

References

My papers

• [IEEE-IS2009] E. Della Valle, S. Ceri, F. van Harmelen, D. Fensel

It's a Streaming World! Reasoning upon Rapidly Changing Information. IEEE Intelligent Systems 24(6): 83-89 (2009)

• [EDBT2010] D.F. Barbieri, D.Braga, S. Ceri and M. Grossniklaus.

An Execution Environment for C-SPARQL Queries. EDBT 2010

• [WWW2009] D.F. Barbieri, D. Braga, S. Ceri, E. Della Valle, M. Grossniklaus:

C-SPARQL: SPARQL for continuous querying. WWW 2009: 1061-1062

• [SIGMODRec2010] D.F. Barbieri, D.Braga, S. Ceri and M. Grossniklaus. :

Querying RDF streams with C-SPARQL. SIGMOD Record 39(1): 20-26 (2010)

• [IEEE-IS2010] D. Barbieri, D. Braga, S. Ceri, E. Della Valle, Y. Huang, V. Tresp, A.Rettinger, H.

Wermser: Deductive and Inductive Stream Reasoning for Semantic Social Media Analytics IEEE Intelligent Systems, 30 Aug. 2010.

• [JWS2012] M. Balduini; I.Celino; E. Della Valle; D.Dell'Aglio; Y. Huang; T. Lee; S. Kim; V. Tresp:

BOTTARI: an Augmented Reality Mobile Application to deliver Personalized and Location-based Recommendations by Continuous Analysis of Social Media Streams. JWS. 2012. IN PRESS.

• [ESWC2010] D.F. Barbieri, D. Braga, S. Ceri, E. Della Valle, M. Grossniklaus.

Incremental Reasoning on Streams and Rich Background Knowledge. ESWC 2010

• [SWJ2012] E. Della Valle, S.Schlobach, M. Krötzsch, A. Bozzon, S. Ceri, I. Horrocks.

Order Matters! Harnessing a World of Orderings for Reasoning over Massive Data. Accepted with minor revision to SWJ

53 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

References

Other groups’ papers

[1] ¡ ¡Darko ¡Anicic, ¡Paul ¡Fodor, ¡Sebas@an ¡Rudolph, ¡Nenad ¡Stojanovic: ¡EP-­‑SPARQL: ¡a ¡unified ¡language ¡for ¡ event ¡processing ¡and ¡stream ¡reasoning. ¡WWW ¡2011: ¡635-­‑644 ¡ [2] ¡ ¡Danh ¡Le ¡Phuoc, ¡Minh ¡Dao-­‑Tran, ¡Josiane ¡Xavier ¡Parreira, ¡Manfred ¡Hauswirth: ¡A ¡Na@ve ¡and ¡Adap@ve ¡ Approach ¡for ¡Unified ¡Processing ¡of ¡Linked ¡Streams ¡and ¡Linked ¡Data. ¡Interna@onal ¡Seman@c ¡Web ¡ Conference ¡(1) ¡2011: ¡370-­‑388 ¡ [3] ¡ ¡D. ¡Anicic, ¡S. ¡Rudolph, ¡P. ¡Fodor, ¡N. ¡Stojanovic: ¡Real-­‑Time ¡Complex ¡Event ¡Recogni@on ¡and ¡Reasoning-­‑ a ¡Logic ¡Programming ¡Approach. ¡Applied ¡Ar@ficial ¡Intelligence ¡26(1-­‑2): ¡6-­‑57 ¡(2012) ¡ [4] ¡ ¡Jean-­‑Paul ¡Calbimonte, ¡Óscar ¡Corcho, ¡Alasdair ¡J. ¡G. ¡Gray: ¡Enabling ¡Ontology-­‑Based ¡Access ¡to ¡ Streaming ¡Data ¡Sources. ¡ISWC ¡(1) ¡2010: ¡96-­‑111 ¡ [5] ¡ ¡S. ¡Komazec ¡and ¡D. ¡Cerri: ¡Towards ¡Efficient ¡Schema-­‑Enhanced ¡Pahern ¡Matching ¡over ¡RDF ¡Data ¡

• Streams. ¡First ¡Interna@onal ¡Workshop ¡on ¡Ordering ¡and ¡Reasoning ¡(OrdRing2011) ¡

[6] ¡ ¡Jesper ¡Hoeksema, ¡Spyros ¡Kotoulas: ¡High-­‑performance ¡Distributed ¡Stream ¡Reasoning ¡using ¡S4. ¡First ¡ Interna@onal ¡Workshop ¡on ¡Ordering ¡and ¡Reasoning ¡(OrdRing2011) ¡ [7] ¡ ¡A.J.G. ¡Gray, ¡R.Garcia-­‑Castro, ¡K.Kyzirakos, ¡M.Karpathiotakis, ¡J.Calbimonte, ¡K.R.Page, ¡J.Sadler, ¡ A.Frazer, ¡I.Galpin, ¡A.A.A. ¡Fernandes, ¡N.W. ¡Paton, ¡O.Corcho, ¡M.Koubarakis, ¡D.De ¡Roure, ¡K. ¡Mar@nez, ¡

• A. ¡Gómez-­‑Pérez: ¡A ¡Seman@cally ¡Enabled ¡Service ¡Architecture ¡for ¡Mashups ¡over ¡Streaming ¡and ¡

Stored ¡Data. ¡ESWC ¡(2) ¡2011: ¡300-­‑314 ¡ [8] ¡Ying ¡Zhang, ¡Minh-­‑Duc ¡Pham, ¡Oscar ¡Corcho ¡and ¡Jean ¡Paul ¡Calbimonte. ¡SRBench: ¡A ¡Streaming ¡RDF/ SPARQL ¡Benchmark ¡ISWC ¡2012: ¡IN ¡PRESS ¡ [9] ¡Gebser, ¡M., ¡Sabuncu, ¡O., ¡& ¡Schaub, ¡T. ¡(2011). ¡An ¡incremental ¡answer ¡set ¡programming ¡based ¡system ¡ for ¡finite ¡model ¡computa@on. ¡AI ¡Commun., ¡24(2), ¡195–212. ¡ [10] ¡Gebser, ¡M., ¡Grote, ¡T., ¡Kaminski, ¡R., ¡Obermeier, ¡P., ¡Sabuncu, ¡O., ¡& ¡Schaub, ¡T. ¡(2012). ¡Stream ¡Reasoning ¡with ¡

Answer ¡Set ¡Programming: ¡Preliminary ¡Report. ¡In ¡KR’12, ¡pages ¡613–617. ¡AAAI ¡Press. ¡ [11] ¡Le-­‑phuoc, ¡D., ¡Dao-­‑tran, ¡M., ¡Pham, ¡M.d.: ¡Linked ¡Stream ¡Data ¡Process-­‑ ¡ing ¡Engines ¡: ¡Facts ¡and ¡Figures. ¡In: ¡Cudr ¡́e-­‑Mauroux, ¡P., ¡

Heflin, ¡J., ¡Sirin, ¡E., ¡Tudorache, ¡T., ¡Euzenat, ¡J., ¡Hauswirth, ¡M., ¡Parreira, ¡J.X., ¡Hendler, ¡J., ¡Schreiber, ¡G., ¡Bernstein, ¡A., ¡Blomqvist, ¡

• E. ¡(eds.) ¡Proc. ¡ISWC ¡2012. ¡LNCS, ¡vol. ¡7650, ¡pp. ¡1–12 ¡(2012) ¡

54 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

References

Background papers

• [Babcock2002] Brian Babcock, Shivnath Babu, Mayur Datar, Rajeev Motwani, Jennifer

Widom: Models and Issues in Data Stream Systems. PODS 2002: 1-16

• [Ceri1994] Stefano Ceri, Jennifer Widom: Deriving Incremental Production Rules for

Deductive Data. Inf. Syst. 19(6): 467-490 (1994)

• [Cugola2011] Alessandro Margara, Gianpaolo Cugola:

Processing flows of information: from data stream to complex event processing. DEBS 2011: 359-360

• [Henzinger98] Henzinger, M. R. & Raghavan, P. (1998). Computing on data streams.

Systems Research.

• [Volz2005] Raphael Volz, Steffen Staab, Boris Motik: Incrementally Maintaining

Materializations of Ontologies Stored in Logic Databases. J. Data Semantics 2: 1-34 (2005)

55 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡

Thank You! Questions?

Much More to Come! Keep an eye on http://www.streamreasoning.org

56 ¡ Stream ¡& ¡Complex ¡Event ¡Processing ¡-­‑ ¡Stream ¡Reasoning ¡