本發(fā)明涉及制造物聯(lián)網(wǎng)絡(luò)領(lǐng)域，更具體地說(shuō)，涉及一種制造物聯(lián)網(wǎng)面向不確定數(shù)據(jù)流的復(fù)雜事件檢測(cè)方法及系統(tǒng)。

背景技術(shù)：

隨著制造物聯(lián)技術(shù)的廣泛應(yīng)用，在制造物聯(lián)網(wǎng)中產(chǎn)生大量的數(shù)據(jù)。由于在數(shù)據(jù)采集過(guò)程中受到周圍環(huán)境和硬件設(shè)備等客觀因素的影響，而產(chǎn)生的數(shù)據(jù)具有一定的不確定性。因此增加了復(fù)雜事件檢測(cè)過(guò)程的負(fù)擔(dān)，并且隨著數(shù)據(jù)量指數(shù)倍的增加，復(fù)雜事件檢測(cè)的實(shí)時(shí)性和內(nèi)存大量占用受到威脅。

由傳感器網(wǎng)絡(luò)等事件發(fā)生器直接產(chǎn)生的事件是原子事件，在應(yīng)用中僅靠原子事件來(lái)提供信息是幾乎沒(méi)用的，必須通過(guò)一些規(guī)則從原子事件中讀取到復(fù)雜事件的信息。例如，對(duì)實(shí)驗(yàn)室的各個(gè)設(shè)備都貼有讀取標(biāo)簽，在實(shí)驗(yàn)室中布置多個(gè)傳感器節(jié)點(diǎn)，使得覆蓋所有設(shè)備，當(dāng)有設(shè)備進(jìn)入實(shí)驗(yàn)室時(shí)，門口的節(jié)點(diǎn)會(huì)讀取到這一信息，并產(chǎn)生原子事件，然后該設(shè)備被放置于實(shí)驗(yàn)室的某個(gè)位置，覆蓋到該位置的RFID會(huì)產(chǎn)生原子事件，表明設(shè)備放置于某區(qū)中。這一系列的信息并不是我們想要的，而通過(guò)一定的規(guī)則組合后的事件，即該設(shè)備被放入到實(shí)驗(yàn)室的某一個(gè)區(qū)域中才是我們想要的，也就是復(fù)雜事件。

因此，如何檢測(cè)制造物聯(lián)網(wǎng)中不確定數(shù)據(jù)流的復(fù)雜事件是本領(lǐng)域技術(shù)人員需要解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種制造物聯(lián)網(wǎng)面向不確定數(shù)據(jù)流的復(fù)雜事件檢測(cè)方法及系統(tǒng)，以實(shí)現(xiàn)檢測(cè)制造物聯(lián)網(wǎng)中不確定數(shù)據(jù)流的復(fù)雜事件。

為實(shí)現(xiàn)上述目的，本發(fā)明實(shí)施例提供了如下技術(shù)方案：

一種制造物聯(lián)網(wǎng)面向不確定數(shù)據(jù)流的復(fù)雜事件檢測(cè)方法，包括：

依次從不確定數(shù)據(jù)流中讀取帶有概率值的目標(biāo)原子事件，并輸入NFA匹配模型；

檢測(cè)到NFA狀態(tài)轉(zhuǎn)移時(shí)，判斷是否存在與所述目標(biāo)原子事件的事件類型對(duì)應(yīng)的匹配樹(shù)；若存在，則以已存在的匹配樹(shù)為左節(jié)點(diǎn)，以所述目標(biāo)原子事件為右節(jié)點(diǎn)，生成以NFA轉(zhuǎn)移后的狀態(tài)為根的匹配樹(shù)；

若不存在，則以NFA的初始狀態(tài)為左葉子節(jié)點(diǎn)，所述目標(biāo)原子事件為右葉子節(jié)點(diǎn)，生成以NFA轉(zhuǎn)移后的狀態(tài)為根的匹配樹(shù)；

若檢測(cè)到匹配樹(shù)的根節(jié)點(diǎn)為NFA的終止?fàn)顟B(tài)，且匹配樹(shù)的時(shí)間戳大小在滑動(dòng)窗口時(shí)間內(nèi)，則深度優(yōu)先遍歷根節(jié)點(diǎn)為NFA的終止?fàn)顟B(tài)的匹配樹(shù)的右葉子節(jié)點(diǎn)，并逆序輸出復(fù)雜事件。

其中，若所述目標(biāo)原子事件輸入NFA匹配模型后，根據(jù)NFA檢測(cè)圖判斷NFA狀態(tài)是否轉(zhuǎn)移；

若轉(zhuǎn)移，則執(zhí)行判斷是否存在與所述目標(biāo)原子事件的事件類型對(duì)應(yīng)的匹配樹(shù)的步驟；若沒(méi)有轉(zhuǎn)移，則繼續(xù)從所述不確定數(shù)據(jù)流中讀取原子事件，作為目標(biāo)原子事件。

其中，輸出復(fù)雜事件之后，還包括：

生成與所述復(fù)雜事件對(duì)應(yīng)的復(fù)雜事件報(bào)告。

其中，所述依次從不確定數(shù)據(jù)流中讀取帶有概率值的目標(biāo)原子事件之后，還包括：

判斷讀取的目標(biāo)原子事件的概率值是否大于預(yù)定閾值；

若是，則將所述目標(biāo)原子事件輸入NFA匹配模型；若否，則繼續(xù)從所述不確定數(shù)據(jù)流中讀取原子事件，作為目標(biāo)原子事件。

一種制造物聯(lián)網(wǎng)面向不確定數(shù)據(jù)流的復(fù)雜事件檢測(cè)系統(tǒng)，包括：

目標(biāo)原子事件獲取模塊，用于依次從不確定數(shù)據(jù)流中讀取帶有概率值的目標(biāo)原子事件；

目標(biāo)原子事件輸入模塊，用于將所述目標(biāo)原子事件輸入NFA匹配模型；

匹配樹(shù)判斷模塊，用于檢測(cè)到NFA狀態(tài)轉(zhuǎn)移時(shí)，判斷是否存在與所述目標(biāo)原子事件的事件類型對(duì)應(yīng)的匹配樹(shù)；若存在，則觸發(fā)第一匹配樹(shù)生成模塊；若不存在，則觸發(fā)第二匹配樹(shù)生成模塊；

所述第一匹配樹(shù)生成模塊，用于以已存在的匹配樹(shù)為左節(jié)點(diǎn)，以所述目標(biāo)原子事件為右節(jié)點(diǎn)，生成以NFA轉(zhuǎn)移后的狀態(tài)為根的匹配樹(shù)；

所述第二匹配樹(shù)生成模塊，用于以NFA的初始狀態(tài)為左葉子節(jié)點(diǎn)，所述目標(biāo)原子事件為右葉子節(jié)點(diǎn)，生成以NFA轉(zhuǎn)移后的狀態(tài)為根的匹配樹(shù)；

復(fù)雜事件輸出模塊，用于檢測(cè)到匹配樹(shù)的根節(jié)點(diǎn)為NFA的終止?fàn)顟B(tài)，且匹配樹(shù)的時(shí)間戳大小在滑動(dòng)窗口時(shí)間內(nèi)，則深度優(yōu)先遍歷根節(jié)點(diǎn)為NFA的終止?fàn)顟B(tài)的匹配樹(shù)的右葉子節(jié)點(diǎn)，并逆序輸出復(fù)雜事件。

其中，所述匹配樹(shù)判斷模塊包括：

狀態(tài)轉(zhuǎn)移判斷單元，用于將所述目標(biāo)原子事件輸入NFA匹配模型后，根據(jù)NFA檢測(cè)圖判斷NFA狀態(tài)是否轉(zhuǎn)移；

若轉(zhuǎn)移，則觸發(fā)匹配樹(shù)判斷單元判斷是否存在與所述目標(biāo)原子事件的事件類型對(duì)應(yīng)的匹配樹(shù)；若沒(méi)有轉(zhuǎn)移，則觸發(fā)所述目標(biāo)原子事件獲取模塊。

其中，還包括：

復(fù)雜事件報(bào)告生成模塊，用于生成與所述復(fù)雜事件對(duì)應(yīng)的復(fù)雜事件報(bào)告。

其中，還包括：

概率判斷模塊，用于判斷讀取的目標(biāo)原子事件的概率值是否大于預(yù)定閾值；若是，則將觸發(fā)所述目標(biāo)原子事件輸入模塊；若否，則觸發(fā)所述目標(biāo)原子事件獲取模塊。

通過(guò)以上方案可知，本發(fā)明實(shí)施例提供的一種制造物聯(lián)網(wǎng)面向不確定數(shù)據(jù)流的復(fù)雜事件檢測(cè)方法及系統(tǒng)，包括：依次從不確定數(shù)據(jù)流中讀取帶有概率值的目標(biāo)原子事件，并輸入NFA匹配模型；檢測(cè)到NFA狀態(tài)轉(zhuǎn)移時(shí)，判斷是否存在與所述目標(biāo)原子事件的事件類型對(duì)應(yīng)的匹配樹(shù)；若存在，則以已存在的匹配樹(shù)為左節(jié)點(diǎn)，以所述目標(biāo)原子事件為右節(jié)點(diǎn)，生成以NFA轉(zhuǎn)移后的狀態(tài)為根的匹配樹(shù)；若不存在，則以NFA的初始狀態(tài)為左葉子節(jié)點(diǎn)，所述目標(biāo)原子事件為右葉子節(jié)點(diǎn)，生成以NFA轉(zhuǎn)移后的狀態(tài)為根的匹配樹(shù)；若檢測(cè)到匹配樹(shù)的根節(jié)點(diǎn)為NFA的終止?fàn)顟B(tài)，且匹配樹(shù)的時(shí)間戳大小在滑動(dòng)窗口時(shí)間內(nèi)，則深度優(yōu)先遍歷根節(jié)點(diǎn)為NFA的終止?fàn)顟B(tài)的匹配樹(shù)的右葉子節(jié)點(diǎn)，并逆序輸出復(fù)雜事件；

可見(jiàn)，在本實(shí)施例中，通過(guò)采用閾值過(guò)濾低概率值的原子事件，并使用自動(dòng)機(jī)NFA結(jié)合匹配樹(shù)來(lái)實(shí)現(xiàn)不確定數(shù)據(jù)流的復(fù)雜事件檢測(cè)，從而提高了事件檢測(cè)效率，并且節(jié)省了低概率值占用空間的問(wèn)題。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例公開(kāi)的一種制造物聯(lián)網(wǎng)面向不確定數(shù)據(jù)流的復(fù)雜事件檢測(cè)方法流程示意圖；

圖2為本發(fā)明實(shí)施例公開(kāi)的復(fù)雜事件檢測(cè)方法的組成示意圖；

圖3為本發(fā)明實(shí)施例公開(kāi)的復(fù)雜事件檢測(cè)算法的流程示意圖；

圖4為本發(fā)明實(shí)施例公開(kāi)的原子事件概率示意圖；

圖5為本發(fā)明實(shí)施例公開(kāi)的NFA檢測(cè)示意圖；

圖6為本發(fā)明實(shí)施例公開(kāi)的構(gòu)建匹配樹(shù)的復(fù)雜事件檢測(cè)示意圖；

圖7為本發(fā)明實(shí)施例公開(kāi)的一種制造物聯(lián)網(wǎng)面向不確定數(shù)據(jù)流的復(fù)雜事件檢測(cè)系統(tǒng)結(jié)構(gòu)框圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明實(shí)施例公開(kāi)了一種制造物聯(lián)網(wǎng)面向不確定數(shù)據(jù)流的復(fù)雜事件檢測(cè)方法及系統(tǒng)，以實(shí)現(xiàn)檢測(cè)制造物聯(lián)網(wǎng)中不確定數(shù)據(jù)流的復(fù)雜事件。

參見(jiàn)圖1，本發(fā)明實(shí)施例提供的一種制造物聯(lián)網(wǎng)面向不確定數(shù)據(jù)流的復(fù)雜事件檢測(cè)方法，包括：

S101、依次從不確定數(shù)據(jù)流中讀取帶有概率值的目標(biāo)原子事件，并輸入NFA匹配模型；

其中，若所述目標(biāo)原子事件輸入NFA匹配模型后，根據(jù)NFA檢測(cè)圖判斷NFA狀態(tài)是否轉(zhuǎn)移；

若轉(zhuǎn)移，則執(zhí)行判斷是否存在與所述目標(biāo)原子事件的事件類型對(duì)應(yīng)的匹配樹(shù)的步驟；若沒(méi)有轉(zhuǎn)移，則繼續(xù)從所述不確定數(shù)據(jù)流中讀取原子事件，作為目標(biāo)原子事件。

其中，所述依次從不確定數(shù)據(jù)流中讀取帶有概率值的目標(biāo)原子事件之后，還包括：

判斷讀取的目標(biāo)原子事件的概率值是否大于預(yù)定閾值；

若是，則將所述目標(biāo)原子事件輸入NFA匹配模型；若否，則繼續(xù)從所述不確定數(shù)據(jù)流中讀取原子事件，作為目標(biāo)原子事件。

參見(jiàn)圖2和圖3，在本方案中，本方案的檢測(cè)方法包括讀取原子事件序列、概率值事件過(guò)濾、NFA檢測(cè)、構(gòu)建匹配樹(shù)以及輸出復(fù)雜事件這五個(gè)步驟。

具體的，由制造物聯(lián)技術(shù)應(yīng)用中產(chǎn)生大量的原子事件，形成一種不確定數(shù)據(jù)流，并根據(jù)要檢測(cè)的復(fù)雜事件建立相應(yīng)的NFA匹配模型，并初始化所有狀態(tài)；制造物聯(lián)數(shù)據(jù)的準(zhǔn)確性受到環(huán)境以及硬件設(shè)備影響而產(chǎn)生不確定性的概率事件，概率值小于閾值T的事件幾乎都是臟數(shù)據(jù)流，因此針對(duì)原子事件的概率確定閾值T，以過(guò)濾掉概率值小于閾值T的原子事件，即從不確定數(shù)據(jù)流中依次讀取每一個(gè)概率值大于閾值T的原子事件，判斷能否能被NFA接受，若能接受，則執(zhí)行S102，若不能接受則重復(fù)執(zhí)行S101。

具體的，在本方案中的閾值T的大小會(huì)影響事件檢測(cè)的時(shí)效性和準(zhǔn)確性。比如：兩個(gè)帶有概率值的事件，e1概率值為0.94，e2的概率值為0.04，e1和e2的概率之差為0.9，閾值T設(shè)為兩個(gè)概率值的平均值的一半0.245，0.245>0.9，因此忽略掉事件e2。

具體的，參見(jiàn)圖4，為本實(shí)施例中提供的原子事件概率圖；參見(jiàn)圖5，在本方案中判斷能否被NFA接受，是通過(guò)圖5提供的檢測(cè)圖決定的。

S102、檢測(cè)到NFA狀態(tài)轉(zhuǎn)移時(shí)，判斷是否存在與所述目標(biāo)原子事件的事件類型對(duì)應(yīng)的匹配樹(shù)；

若存在，則執(zhí)行S103、以已存在的匹配樹(shù)為左節(jié)點(diǎn)，以所述目標(biāo)原子事件為右節(jié)點(diǎn)，生成以NFA轉(zhuǎn)移后的狀態(tài)為根的匹配樹(shù)；

若不存在，則執(zhí)行S104、以NFA的初始狀態(tài)為左葉子節(jié)點(diǎn)，所述目標(biāo)原子事件為右葉子節(jié)點(diǎn)，生成以NFA轉(zhuǎn)移后的狀態(tài)為根的匹配樹(shù)；

具體的，在本方案中，參見(jiàn)圖6，為本實(shí)施例提供的復(fù)雜事件檢測(cè)示意圖，狀態(tài)發(fā)生轉(zhuǎn)移后，判斷是否存在該事件類型的匹配樹(shù)，若不存在，則建立一棵該原子事件類型的匹配樹(shù)，并以NFA的初始狀態(tài)為左葉子節(jié)點(diǎn)，該原子事件為右葉子節(jié)點(diǎn)，生成以NFA轉(zhuǎn)移后的狀態(tài)為根的一棵樹(shù)；若存在，在以已經(jīng)存在的樹(shù)為左節(jié)點(diǎn)，以該原子事件為右節(jié)點(diǎn)，生成以NFA轉(zhuǎn)移后的狀態(tài)為根的一棵樹(shù)。

可見(jiàn)，利用匹配樹(shù)存儲(chǔ)和查找原子事件，并利用NFA的狀態(tài)，將轉(zhuǎn)移前的狀態(tài)作為左節(jié)點(diǎn)，狀態(tài)轉(zhuǎn)移的事件作為右節(jié)點(diǎn)，向上延伸的根節(jié)點(diǎn)為轉(zhuǎn)移后的狀態(tài)，用一棵樹(shù)來(lái)存儲(chǔ)原子事件以及其轉(zhuǎn)移狀態(tài)，可以清晰快速的查找事件的位置。

S105、若檢測(cè)到匹配樹(shù)的根節(jié)點(diǎn)為NFA的終止?fàn)顟B(tài)，且匹配樹(shù)的時(shí)間戳大小在滑動(dòng)窗口時(shí)間內(nèi)，則深度優(yōu)先遍歷根節(jié)點(diǎn)為NFA的終止?fàn)顟B(tài)的匹配樹(shù)的右葉子節(jié)點(diǎn)，并逆序輸出復(fù)雜事件。

其中，輸出復(fù)雜事件之后，還包括：

生成與所述復(fù)雜事件對(duì)應(yīng)的復(fù)雜事件報(bào)告。

具體的，在本方案中，實(shí)時(shí)判斷樹(shù)的根節(jié)點(diǎn)是否為NFA的終止?fàn)顟B(tài)，若否，則繼續(xù)執(zhí)行S101；若是，則判斷該樹(shù)的時(shí)間戳大小是否在滑動(dòng)窗口時(shí)間內(nèi)，若否，則繼續(xù)執(zhí)行S101；若是，則深度優(yōu)先遍歷該樹(shù)的右葉子節(jié)點(diǎn)，并逆序輸出，例如圖6中輸出的復(fù)雜事件為：a1f2g3和a2c4e5。

具體的，本方案針對(duì)于制造物聯(lián)網(wǎng)數(shù)據(jù)的特點(diǎn)，采用閾值T過(guò)濾低概率值的原子事件，并使用自動(dòng)機(jī)NFA結(jié)合匹配樹(shù)來(lái)實(shí)現(xiàn)不確定數(shù)據(jù)流的復(fù)雜事件檢測(cè)，解決了現(xiàn)在檢測(cè)中存在的概率值問(wèn)題，提高了事件檢測(cè)效率，同時(shí)也減少了內(nèi)存的消耗，節(jié)省了低概率值占用空間的問(wèn)題，該方法的研究也推動(dòng)了復(fù)雜事件檢測(cè)技術(shù)的發(fā)展。

下面對(duì)本發(fā)明實(shí)施例提供的復(fù)雜事件檢測(cè)系統(tǒng)進(jìn)行介紹，下文描述的復(fù)雜事件檢測(cè)系統(tǒng)與上文描述的復(fù)雜事件檢測(cè)方法可以相互參照。

參見(jiàn)圖7，本發(fā)明實(shí)施例提供的一種制造物聯(lián)網(wǎng)面向不確定數(shù)據(jù)流的復(fù)雜事件檢測(cè)系統(tǒng)，包括：

目標(biāo)原子事件獲取模塊100，用于依次從不確定數(shù)據(jù)流中讀取帶有概率值的目標(biāo)原子事件；

目標(biāo)原子事件輸入模塊200，用于將所述目標(biāo)原子事件輸入NFA匹配模型；

匹配樹(shù)判斷模塊300，用于檢測(cè)到NFA狀態(tài)轉(zhuǎn)移時(shí)，判斷是否存在與所述目標(biāo)原子事件的事件類型對(duì)應(yīng)的匹配樹(shù)；若存在，則觸發(fā)第一匹配樹(shù)生成模塊400；若不存在，則觸發(fā)第二匹配樹(shù)生成模塊500；

所述第一匹配樹(shù)生成模塊400，用于以已存在的匹配樹(shù)為左節(jié)點(diǎn)，以所述目標(biāo)原子事件為右節(jié)點(diǎn)，生成以NFA轉(zhuǎn)移后的狀態(tài)為根的匹配樹(shù)；

所述第二匹配樹(shù)生成模塊500，用于以NFA的初始狀態(tài)為左葉子節(jié)點(diǎn)，所述目標(biāo)原子事件為右葉子節(jié)點(diǎn)，生成以NFA轉(zhuǎn)移后的狀態(tài)為根的匹配樹(shù)；

復(fù)雜事件輸出模塊600，用于檢測(cè)到匹配樹(shù)的根節(jié)點(diǎn)為NFA的終止?fàn)顟B(tài)，且匹配樹(shù)的時(shí)間戳大小在滑動(dòng)窗口時(shí)間內(nèi)，則深度優(yōu)先遍歷根節(jié)點(diǎn)為NFA的終止?fàn)顟B(tài)的匹配樹(shù)的右葉子節(jié)點(diǎn)，并逆序輸出復(fù)雜事件。

基于上述技術(shù)方案，所述匹配樹(shù)判斷模塊包括：

狀態(tài)轉(zhuǎn)移判斷單元，用于將所述目標(biāo)原子事件輸入NFA匹配模型后，根據(jù)NFA檢測(cè)圖判斷NFA狀態(tài)是否轉(zhuǎn)移；

若轉(zhuǎn)移，則觸發(fā)匹配樹(shù)判斷單元判斷是否存在與所述目標(biāo)原子事件的事件類型對(duì)應(yīng)的匹配樹(shù)；若沒(méi)有轉(zhuǎn)移，則觸發(fā)所述目標(biāo)原子事件獲取模塊。

基于上述技術(shù)方案，還包括：

復(fù)雜事件報(bào)告生成模塊，用于生成與所述復(fù)雜事件對(duì)應(yīng)的復(fù)雜事件報(bào)告。

基于上述技術(shù)方案，還包括：

概率判斷模塊，用于判斷讀取的目標(biāo)原子事件的概率值是否大于預(yù)定閾值；若是，則將觸發(fā)所述目標(biāo)原子事件輸入模塊；若否，則觸發(fā)所述目標(biāo)原子事件獲取模塊。

本發(fā)明實(shí)施例提供的一種制造物聯(lián)網(wǎng)面向不確定數(shù)據(jù)流的復(fù)雜事件檢測(cè)方法及系統(tǒng)，包括：依次從不確定數(shù)據(jù)流中讀取帶有概率值的目標(biāo)原子事件，并輸入NFA匹配模型；檢測(cè)到NFA狀態(tài)轉(zhuǎn)移時(shí)，判斷是否存在與所述目標(biāo)原子事件的事件類型對(duì)應(yīng)的匹配樹(shù)；若存在，則以已存在的匹配樹(shù)為左節(jié)點(diǎn)，以所述目標(biāo)原子事件為右節(jié)點(diǎn)，生成以NFA轉(zhuǎn)移后的狀態(tài)為根的匹配樹(shù)；若不存在，則以NFA的初始狀態(tài)為左葉子節(jié)點(diǎn)，所述目標(biāo)原子事件為右葉子節(jié)點(diǎn)，生成以NFA轉(zhuǎn)移后的狀態(tài)為根的匹配樹(shù)；若檢測(cè)到匹配樹(shù)的根節(jié)點(diǎn)為NFA的終止?fàn)顟B(tài)，且匹配樹(shù)的時(shí)間戳大小在滑動(dòng)窗口時(shí)間內(nèi)，則深度優(yōu)先遍歷根節(jié)點(diǎn)為NFA的終止?fàn)顟B(tài)的匹配樹(shù)的右葉子節(jié)點(diǎn)，并逆序輸出復(fù)雜事件；

可見(jiàn)，在本實(shí)施例中，通過(guò)采用閾值過(guò)濾低概率值的原子事件，并使用自動(dòng)機(jī)NFA結(jié)合匹配樹(shù)來(lái)實(shí)現(xiàn)不確定數(shù)據(jù)流的復(fù)雜事件檢測(cè)，從而提高了事件檢測(cè)效率，并且節(jié)省了低概率值占用空間的問(wèn)題。

本說(shuō)明書中各個(gè)實(shí)施例采用遞進(jìn)的方式描述，每個(gè)實(shí)施例重點(diǎn)說(shuō)明的都是與其他實(shí)施例的不同之處，各個(gè)實(shí)施例之間相同相似部分互相參見(jiàn)即可。

對(duì)所公開(kāi)的實(shí)施例的上述說(shuō)明，使本領(lǐng)域?qū)I(yè)技術(shù)人員能夠?qū)崿F(xiàn)或使用本發(fā)明。對(duì)這些實(shí)施例的多種修改對(duì)本領(lǐng)域的專業(yè)技術(shù)人員來(lái)說(shuō)將是顯而易見(jiàn)的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實(shí)施例中實(shí)現(xiàn)。因此，本發(fā)明將不會(huì)被限制于本文所示的這些實(shí)施例，而是要符合與本文所公開(kāi)的原理和新穎特點(diǎn)相一致的最寬的范圍。