StreamDKG (SNSF)

Wissensmanagementtechniken werden seit langem eingesetzt, um mit Heterogenität umzugehen, auch wenn sie im Allgemeinen nicht in der Lage sind, dynamische Datenströme in dezentralen Umgebungen zu verwalten. Obwohl das Gebiet des Stream Reasoning in den letzten zehn Jahren Fortschritte in Richtung einer kontinuierlichen Verarbeitung semantischer Datenströme gemacht hat [28], gibt es eine große Forschungslücke in Bezug auf dezentralisiertes Reasoning über Datenströme und noch mehr in Bezug auf Organisations- und Kooperationsmechanismen zwischen verschiedenen Stream-Prozessoren. Obwohl es in jüngster Zeit Bestrebungen zur Semantisierung von Datenströmen in Form von dynamischen Wissensgraphen gegeben hat, fehlt es aktuellen Modellen und implementierten Systemen an der Fähigkeit, schnell wechselndes Wissen in einer hochgradig verteilten und vollständig dezentralisierten Umgebung zu verwalten und zu schlussfolgern. Darüber hinaus können Stream Reasoner aufgrund der Vielfalt ihrer zugrunde liegenden Verarbeitungsmodelle und ihrer fehlenden Orchestrierungsfähigkeiten kaum kombiniert werden, um Rechenaufgaben zu teilen oder Streaming-Datenergebnisse zu aggregieren.

Dieses Projekt befasst sich mit diesen Herausforderungen, indem es die theoretischen und technologischen Grundlagen eines Ansatzes zur dezentralen Verarbeitung von Wissensgraphen in Streams vorschlägt, bei dem autonome Reasoner die individuelle und kollektive Verarbeitung kontinuierlicher Daten kombinieren können. Diese dezentralen Stream-Prozessoren sollen in der Lage sein, nicht nur das Wissen über den Datenstrom, sondern auch die Verarbeitungsaufgaben unter Verwendung von Kollaborations- und Verhandlungsprotokollen zu teilen. Darüber hinaus werden gemeinsam vereinbarte semantische Vokabularien verwendet, um der hohen Dynamik des Wissens und der Ziele der Reasoner Rechnung zu tragen. Der in diesem Projekt vorgeschlagene Ansatz geht über frühere Arbeiten zum Stream Reasoning hinaus, indem er die Selbstorganisation und Koordination zwischen verteilten Stream Reasonern ermöglicht, basierend auf Techniken und Prinzipien, die von Multi-Agent Systemen inspiriert sind. Auf der einen Seite bietet er die Möglichkeit, Verarbeitungsziele, -fähigkeiten und -wissen zu explizieren, während er auf der anderen Seite potenzielle Möglichkeiten nutzt, sie auf eine Weise miteinander zu verbinden, die ihre kombinierte Kapazität/Effizienz für die Verwaltung hochdynamischer Wissensströme in Streams erweitert. Durch diesen Ansatz können effiziente lokale Stream-Prozessoren am Rande kooperative Verarbeitungsschemata einrichten und dabei Einschränkungen des Datenschutzes und Anforderungen an die Datenlokalität durch den Austausch von Streaming Knowledge Graphs beachten.

News

• 27.06.2023 Presentation of Gözde Tataroglu: Decentralized Stream Reasoning Agents
• 

Publications

• Bonte, P., Calbimonte, J.-P., de Leng, D., Dell’Aglio, D., Della Valle, E., Eiter, T., Giannini, F., Heintz, F., Schekotihin, K., Le-Phuoc, D., Mileo, A., Schneider, P., Tommasini, R., Urbani, J. & Ziffer, G. (2024). Grounding Stream Reasoning Research. Transactions on Graph Data and Knowledge, 2(1), 2:1–2:47. https://doi.org/10.4230/TGDK.2.1.2     
• Harth, A., Käfer, T., Rula, A., Calbimonte, J.-P., Kamburjan, E. & Giese, M. (2024). Towards Representing Processes and Reasoning with Process Descriptions on the Web. Transactions on Graph Data and Knowledge, 2(1), 1:1–1:32. https://doi.org/10.4230/TGDK.2.1.1 
• Calbimonte, J.-P., Ciortea, A., Kampik, T., Mayer, S., Payne, T. R., Tamma, V. A. M. & Zimmermann, A. (2023). Autonomy in the Age of Knowledge Graphs: Vision and Challenges. Transactions on Graph Data and Knowledge TGDK, 1(1), 13:1–13:22. https://doi.org/10.4230/TGDK.1.1.13 
• Gözde Ayşe Tataroğlu Özbulak. 2023. Decentralized Stream Reasoning Agents. In Proceedings of the 17th ACM International Conference on Distributed and Event-based Systems (DEBS '23). Association for Computing Machinery, New York, NY, USA, 203–206. https://doi.org/10.1145/3583678.3603286