[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,130 +2,148 @@
|
||||
id: wiki-2026-0508-complex-event-processing-cep
|
||||
title: Complex Event Processing (CEP)
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [P-REINFORCE-WIKI-CD492DA6]
|
||||
aliases: [CEP, Event Stream Processing, 복합 이벤트 처리]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.95
|
||||
tags: [complex-event-processing-(cep), event-driven-architecture, simple-event-processing, event-stream-processing, internet-of-things-(iot), architecture-principles]
|
||||
confidence_score: 0.88
|
||||
verification_status: applied
|
||||
tags: [cep, streaming, event-driven, flink, esper]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-02
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: java
|
||||
framework: flink
|
||||
---
|
||||
|
||||
# [[Complex Event Processing (CEP)]]
|
||||
# Complex Event Processing (CEP)
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
Complex Event Processing (CEP)는 다수의 단순하거나 일상적인 이벤트의 패턴을 분석하여, 보다 복잡한 이벤트가 발생했음을 추론하고 평가하는 이벤트 처리 방식이다 [1]. 인과적, 시간적, 공간적 상관관계를 바탕으로 여러 이벤트의 융합을 파악한 후 적절한 조치를 취하는 데 사용된다 [1]. 시간 창(time window)에 걸친 데이터 집계 및 패턴 매칭 등 실시간으로 고도화된 이벤트 처리가 요구될 때 핵심적인 역할을 한다 [2].
|
||||
## 매 한 줄
|
||||
> **"매 stream of simple events → meaningful complex pattern"**. David Luckham (Stanford, 2002) 가 정의한 paradigm. 2026 현재 Apache Flink CEP, Kafka Streams, Esper NEsper 가 main implementation; fraud detection, IoT anomaly, algorithmic trading 의 backbone.
|
||||
|
||||
## 📖 Core 소스에 기반한 Core Content
|
||||
CEP는 성숙한 이벤트 기반 아키텍처(Event-Driven Architecture)에서 단순 이벤트 처리(Simple event processing), 이벤트 스트림 처리(Event stream processing)와 함께 흔히 사용되는 세 가지 주요 이벤트 처리 스타일 중 하나이다 [3].
|
||||
## 매 핵심
|
||||
|
||||
* **패턴 식별 및 집계:** CEP는 여러 이벤트 유형을 넘나들며 장기간에 걸쳐 발생하는 일련의 이벤트를 분석하여 패턴을 식별한다 [1]. 예를 들어, Azure Stream Analytics와 같은 기술을 사용하여 임베디드 디바이스에서 특정 시간 창(time window) 동안 수집된 판독값을 집계하고, 그 이동 평균이 임계값을 초과할 때 알림을 생성하는 방식으로 활용된다 [4].
|
||||
* **다차원적 상관관계 분석:** 이벤트 간의 상관관계는 인과적(causal), 시간적(temporal), 또는 공간적(spatial)일 수 있다 [1]. 여러 이벤트의 융합을 평가하여 복잡한 이벤트를 추론하며, 이를 위해 정교한 이벤트 해석기(interpreter), 이벤트 패턴 정의 및 매칭, 그리고 상관관계 기법의 적용이 필수적이다 [1].
|
||||
* **주요 활용 목적:** 주로 시스템이나 비즈니스상의 이상 징후(anomalies), 위협(threats), 그리고 기회(opportunities)를 감지하고 이에 즉각적으로 대응하기 위해 사용된다 [1].
|
||||
### 매 개념
|
||||
- **Event**: timestamped 의 fact (transaction, sensor reading, click).
|
||||
- **Pattern**: temporal/causal relationship 의 events (A followed by B within 5s).
|
||||
- **Window**: sliding/tumbling/session 시간 frame.
|
||||
- **Aggregation**: count, sum, avg over window.
|
||||
- **Correlation**: 다중 stream 매 join (e.g., trades + market data).
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
* **제약 사항 및 기술적 복잡성:** CEP는 단순한 이벤트 처리와 달리, 복잡한 인과적/시간적/공간적 상관관계를 분석해야 하므로 정교한 이벤트 인터프리터와 이벤트 패턴 정의, 매칭 및 상관관계 분석 기술을 반드시 구현하고 도입해야 한다는 기술적 부담이 존재한다 [1].
|
||||
* **적합성의 한계:** 패턴 매칭이나 시간 단위의 데이터 집계와 같이 고도화된 복잡한 이벤트 처리가 필요한 경우에 적합하며 [2], 이러한 처리 방식이 불필요한 단순한 워크플로우를 가진 시스템에서는 아키텍처의 운영 오버헤드와 복잡성만 가중시킬 위험이 있다 [5].
|
||||
### 매 pattern operator
|
||||
- **Sequence**: A → B → C (in order).
|
||||
- **Conjunction**: A AND B (any order, in window).
|
||||
- **Negation**: A NOT followed by B.
|
||||
- **Iteration**: A repeated N times.
|
||||
- **Within**: temporal constraint.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
### Related Concepts
|
||||
### 매 응용
|
||||
1. Fraud detection — card swipes 매 different countries within 1h.
|
||||
2. IoT — sensor reading exceeds threshold for 3 consecutive readings.
|
||||
3. Trading — bid/ask spread anomaly detection.
|
||||
4. Network security — port scan pattern (many SYN, few ACK).
|
||||
5. SLA monitoring — 5xx error rate spike correlated with deploy event.
|
||||
|
||||
#### [관계 유형 A (아키텍처/기반 기술)]
|
||||
* [[Event-Driven Architecture]]
|
||||
* 연결 이유: CEP는 이벤트 기반 아키텍처(EDA)가 제공하는 환경 내에서 활용되는 핵심적인 이벤트 처리 스타일 중 하나이기 때문이다 [3, 4].
|
||||
* 이 개념을 통해 더 깊게 이해할 수 있는 부분: 이벤트의 생성자(Producer), 소비자(Consumer), 이벤트 채널 등의 분산 통신 인프라가 CEP의 패턴 매칭을 어떻게 뒷받침하는지 전체 구조를 파악할 수 있다 [4, 6].
|
||||
## 💻 패턴
|
||||
|
||||
#### [관계 유형 B (이벤트 처리 유형)]
|
||||
* [[Simple event processing]]
|
||||
* 연결 이유: CEP와 함께 성숙한 이벤트 기반 아키텍처를 구성하는 또 다른 주요 이벤트 처리 방식이기 때문이다 [3].
|
||||
* 이 개념을 통해 더 깊게 이해할 수 있는 부분: 상태 변화에 대한 단순하고 즉각적인 다운스트림 조치(Simple)와, 장기간에 걸친 다수의 이벤트를 분석하는 방식(Complex) 간의 기능적 차이를 비교할 수 있다 [1, 3].
|
||||
* [[Event stream processing]]
|
||||
* 연결 이유: CEP와 병행하여 사용되는 방식으로, 일상적인 이벤트와 중요한 이벤트를 필터링하고 정보 구독자에게 스트리밍하는 역할을 수행한다 [7].
|
||||
* 이 개념을 통해 더 깊게 이해할 수 있는 부분: 실시간 정보의 흐름이 CEP의 복잡한 상관관계 분석을 위한 데이터 파이프라인으로 어떻게 작용할 수 있는지 이해할 수 있다 [4, 7].
|
||||
### Flink CEP — 3 failed login pattern
|
||||
```java
|
||||
Pattern<LoginEvent, ?> failedLogins = Pattern
|
||||
.<LoginEvent>begin("first")
|
||||
.where(e -> !e.success)
|
||||
.next("second").where(e -> !e.success)
|
||||
.next("third").where(e -> !e.success)
|
||||
.within(Time.minutes(5));
|
||||
|
||||
### Deeper Research Questions
|
||||
* CEP에서 다수의 이벤트를 처리할 때 발생하는 '시간적(temporal)' 및 '공간적(spatial)' 상관관계 매칭은 내부적으로 어떤 방식과 알고리즘을 통해 최적화되는가?
|
||||
* Event-Driven Architecture의 Broker 토폴로지와 Mediator 토폴로지 중 어떤 구조가 CEP의 정교한 패턴 분석 및 에러 핸들링에 더 유리하게 작용하는가?
|
||||
* 비즈니스 이상 징후나 보안 위협을 감지하기 위해 CEP 기술을 적용한 실제 산업 사례에서 아키텍처 구성과 이벤트 페이로드는 어떻게 설계되어 있는가?
|
||||
* Azure Stream Analytics와 같은 스트림 프로세서가 CEP를 구현할 때, 분산 환경에서의 '이벤트 순서 보장(Event ordering)'과 '최종 일관성(Eventual consistency)' 문제는 어떻게 해결되는가?
|
||||
* 이벤트 스트림 처리(Event stream processing)를 거친 대량의 데이터가 CEP 엔진으로 유입될 때 병목 현상을 방지하기 위한 큐(Queue) 관리 전략은 무엇인가?
|
||||
|
||||
### Practical Application Contexts
|
||||
* **Implementation:** Azure Stream Analytics와 같은 기술을 사용하여, 임베디드 디바이스에서 스트리밍되는 이벤트 데이터를 시간 창(time window) 기준으로 집계하고 특정 임계값 초과 여부를 감지하는 로직으로 구현한다 [4].
|
||||
* **System Design:** 다양한 형태의 단순/일상적 이벤트가 교차하고 장기간에 걸쳐 발생하는 시스템 환경에서, 이벤트 간의 인과적, 시간적, 공간적 상관관계를 평가할 수 있도록 설계에 반영해야 한다 [1].
|
||||
* **Operation / Maintenance:** 비즈니스 운영 시나리오에서 발생하는 이상 징후나 보안 위협을 식별하기 위해 정교한 이벤트 패턴을 지속적으로 정의, 매칭 및 최적화하는 유지보수 작업이 요구된다 [1].
|
||||
* **Learning Path:** 이벤트 기반 아키텍처의 기본 통신 원리를 익힌 후, 단일 이벤트 처리(Simple Event Processing)와 스트림 처리(Event Stream Processing)의 개념을 학습하고, 최종적으로 가장 복잡한 상관관계를 다루는 CEP 설계 기법으로 확장하는 경로가 적합하다 [1, 3, 7].
|
||||
* **My Project Relevance:** 실시간으로 발생하는 대규모 트래픽 및 센서 데이터 내에서 특정 행동 패턴이나 이상 징후(예: 금융 사기 탐지, IoT 디바이스 모니터링)를 즉각적으로 감지하고 대응해야 하는 시스템을 기획할 때 직접적으로 도입할 수 있다.
|
||||
|
||||
### Adjacent Topics
|
||||
* [[Internet of Things (IoT)]]
|
||||
* 확장 방향: 임베디드 디바이스 및 센서 등에서 폭발적으로 발생하는 실시간 데이터 스트림을 어떻게 수집하고, CEP를 적용하여 의미 있는 알림으로 변환할 수 있는지 물리적/네트워크 환경 맥락으로 확장이 가능하다 [4].
|
||||
* [[Microservices Architecture (MSA)]]
|
||||
* 확장 방향: 다수의 마이크로서비스 간에 독립적으로 발생하는 이벤트를 조합하여, 분산된 비즈니스 트랜잭션 내에서 발생하는 복잡한 흐름(Saga 패턴 등)을 어떻게 추적하고 패턴화할 수 있는지로 이해를 넓힐 수 있다 [8].
|
||||
|
||||
---
|
||||
*Last updated: 2026-05-02*
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
|
||||
**추출된 패턴:**
|
||||
> *(TODO)*
|
||||
|
||||
**세부 내용:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
CEP.pattern(loginStream.keyBy(e -> e.userId), failedLogins)
|
||||
.select(match -> new Alert(match.get("first").get(0).userId))
|
||||
.addSink(alertSink);
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### Esper EPL — fraud detection
|
||||
```sql
|
||||
-- swipe in different countries within 1 hour
|
||||
SELECT a.cardId, a.country, b.country
|
||||
FROM pattern [
|
||||
every a=Swipe -> b=Swipe(cardId=a.cardId, country!=a.country)
|
||||
where timer:within(1 hour)
|
||||
];
|
||||
```
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
### Kafka Streams — sliding window aggregation
|
||||
```java
|
||||
KStream<String, Click> clicks = builder.stream("clicks");
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
clicks.groupByKey()
|
||||
.windowedBy(SlidingWindows.ofTimeDifferenceWithNoGrace(Duration.ofMinutes(5)))
|
||||
.count()
|
||||
.filter((k, count) -> count > 1000)
|
||||
.toStream()
|
||||
.to("anomalies");
|
||||
```
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
### Flink — session window
|
||||
```java
|
||||
stream.keyBy(e -> e.userId)
|
||||
.window(EventTimeSessionWindows.withGap(Time.minutes(30)))
|
||||
.aggregate(new SessionStats())
|
||||
.addSink(...);
|
||||
```
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
### Pattern with negation (NO heartbeat in 30s)
|
||||
```java
|
||||
Pattern.<HeartbeatEvent>begin("start")
|
||||
.notFollowedBy("missing")
|
||||
.where(e -> true)
|
||||
.within(Time.seconds(30));
|
||||
```
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
### Modern: Materialize / RisingWave (SQL-native streaming)
|
||||
```sql
|
||||
CREATE MATERIALIZED VIEW fraud_alerts AS
|
||||
SELECT user_id, COUNT(*) as failed_count
|
||||
FROM logins
|
||||
WHERE success = false
|
||||
AND ts > NOW() - INTERVAL '5 minutes'
|
||||
GROUP BY user_id
|
||||
HAVING COUNT(*) >= 3;
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| Java/JVM, complex patterns | Flink CEP |
|
||||
| Kafka-centric, simple aggregation | Kafka Streams |
|
||||
| SQL-first, low ops | Materialize / RisingWave |
|
||||
| In-process, low-volume | Esper |
|
||||
| Cloud-native, serverless | AWS Kinesis Data Analytics |
|
||||
|
||||
**기본값**: Flink CEP for complex patterns, Materialize for SQL-native streaming.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Event-Driven Architecture]] · [[Stream Processing]]
|
||||
- 변형: [[Event Sourcing]] · [[CQRS]]
|
||||
- 응용: [[Fraud Detection]] · [[IoT Analytics]] · [[Real-Time Analytics]]
|
||||
- Adjacent: [[Apache Flink]] · [[Kafka Streams]] · [[Apache Pulsar]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: pattern definition 매 natural language → EPL/Flink translation, alert explanation.
|
||||
**언제 X**: micro-second latency hot path (LLM 매 too slow).
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Unbounded state**: window 없이 group-by → memory blowup.
|
||||
- **Wall-clock instead of event-time**: out-of-order event 매 wrong result.
|
||||
- **Pattern explosion**: NFA state count 매 exponential, pattern 너무 복잡.
|
||||
- **No watermark**: late event 매 silently lost.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Luckham 2002 *Power of Events*, Apache Flink CEP docs 2026).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — full content with Flink CEP, Esper, Materialize |
|
||||
|
||||
Reference in New Issue
Block a user