RFID数据管理要求
    结合两个国家示范项目的实践经验, 我们为一个有效的RFID数据管理系统定义了若干关键要求。需要注意的是, 一条 EPCIS 记录中的传统日志是一个随机事件流,数据流存在于该公司的所有EPCIS记录中。由于供应链(如FM. CG供应链)的运营是面向全球的, 于是 EPCglobal 的核心服务被用于数据分享而EPCIS的使用, 可实现所有地点发生的事件数据的分享和交换。成功的关键效在于恰当地构建 RFID 数据以支持这些服务。

1、 RFID 数据质量
     RFID数据管理的整个过程以数据为中心。由于RFID设备可能会产生错误。增加了 RFID 数据的预处理和清洗流程的难度。相比其他传统关系的数据, RFID数据具有以下独特的特征。
   1)原始数据元组结构简单:RFID数据元组结构为(EPC, 时间, 地点)。一个RFID元组代表着某一物品对象的时间和空间信息。给定应用的元组是唯一的。
   2)隐含语义:同一个EPC编号在不同 RFID元组中的语义可能不同。例如, 同一超市内, 不同时间或地点阅读的同一个EPC, 读取的数据可能代表不同的事件背景, 如店铺盗窃、结账离开或物品在货架上。
   3)重复读数或漏读:贴有 RFID 标签的物品因被同一阅读器反复读数多次或不能被阅读器正确读取, 导致数据的错误多读或错误漏读。
   4)噪声和不一致性:对RFID数据质量而言, 对指定 RFID标记物品的路径追踪是要解决的首要问题。RFID 数据序列可能是错乱的, 或读数不一致(例如, 在相同时间、不同地点读取/发现同一个EPC)。在特定时间内, 对指定的一组物品的位置跟踪是一个难题。在RFID的应用中, 由于贴有RFID 标签的物品被大型集装箱、货车、船舶和托盘等交通工具进行批量运输, 因此多个RFID标签标记物品被一起读取。那么如何有效、高效地处理和管理这些读取数据成为一个难题。理解批处理与物品之间的
关系是实现时间和空间这两个维度跟踪的关键。要野(NDP项目中, 全球EPCIS 都开发了订单修正功能, 能够成功读取EPCs, 并建立与特定运输工具内运载的集装箱或货盘之间的链接。
    结果表明, 当货物通过Metcash 仓库出 入口时, 并不能达到100%的识读率。但是, 由于所有物品被全部打包并强制执行登记, 因此对全球EPCIS而言, 可利用一些成功的读数将丢失的EPC与装运订单联系起来。某船只运载了13件货物, 并且都在货位挑选程序中进行了登记。在仓库出入口阅读点处, 除货盘标签iteam 13 和产品标签iteam“5之外, 其他的标签至部被成功识读, 并利用订单整合功能将成功的读数修正为一个装运订单。相比GRAI标签可能出现的读数而言, SGTIN标签成功识读可能性更大。各表明, 一些数据处理规则应该支持处理数据, 例如, 对RFDD 数据质量不准确的数据进行修正。

2、 乱序事件流(UnES)

      序列和序列长度是处理复杂事件的两个重要特征。然而, 通常情况下到达事件的顺序可能与物理世界中发生的事件顺序不一致。我们以NDP中的一个实例进谷
举例说明。事件的 EPC 记录为 urn: epc:id:sgtin. 0041333. 141501. 27900731。紧跟其后是拣选货位和包装中心处的记录信息, 该物品在仓库出入口处被记录了3次。这此事件都在短时间内(4分钟以内)发生。人们不禁会问:实际发生了什么? 该货物是人库还是出库? 发生时间为11:44:20的事件记录是否意味着货物在该时刻被装运离开现场? 发生在 19/06/2006 的最后 一个事件和下一个事件之间的中间时刻, EPC到底发生了什么变化?
    说明了一种现象, 即乱序事件流(UnES)。UnES 可能由网络路由延迟导致, 也可能是由于一个标签被多个阅读器同时阅读时的任意记录选择引起的, 这与因特网通信过程中数据包无序到达系统应用层的情形类似。UnES就是对那些乱序到达系统的事件记录进行管理。目前, 解决UnES问题的方法有两种。一种方法是假设录入系统的事件记录的顺序与其在物理世界发生的顺序是一致的, 通过这种假设可以简单忽略 UnES问题, 如SASE。另一种方法是根据提取复杂事件模型之前的事件时间戳, 如 Cayuga, 使用 Srivastava 和 Widom 提出的方法对事件数据进行整理和分类。然而, 这两种方法都存在缺点。对于第一种方法, 由于RFID读写器分布广之且存在一定的时延, 事件记录被存人 RFID 系统的顺序不能总是与这些事件发生的先后顺序相一致。此外, RFID 标签可被不同的阅读器同时阅读, 但是阅读器可能在不同的时间将这些原始事件发送至系统。同时, 即使事件记录被送至系统后, 它们可能还需要在不同的进程中排队等候。显然, 对大多数RFID应用而言, 忽视 UnES问题是不切实际的。第二种方法要求事件记录进入系统的时间点必须不超过界定的时间延迟范围。同时, 该方法利用同一时间延迟界限处理所有的应用。如果系统同时处理多个应用, 那么单一的界定范围就不足以应对所有输入数据造成的综合影响。

3、 大规模复杂事件的追踪
     通常, 一个RFID阅读器的一次读数被认为是一个原始事件。阅读设备的广泛 部署将产生大量的事件。为检测与终端用户应用相对应的语义层复杂事件, 需要对这些原始事件进行过滤和关联处理。而复杂事件则是对输入的原始事件的一组连续查询。在复杂事件的处理过程中, 所有新输人的原始事件需要记录在序列构建的结构中进行存储。但问题是, 当原始事件输入系统的速度比复杂事件的中间状态输入系统内存的速度快时, 如何有效检索所有复杂事件的中间状态。

      RFID事件管理系统应具备对复杂事件的处理功能。Franklin 等人提出了 HiFi系统结构。HiFi沿着树形结构的网络在不同时间和地点上聚合事件。Mansouri-Sa-
mani和Sloman等人也充分考虑了时间约束限制。然而, 这些时间受限的管理系统不适用于特殊的 RFID 事件模式, 如在事件间隔或否定事件(即不可能发生的事件)间隔上具有时间约束的事件序列。此外, Brenna等人提出了 Cayuga 系统处理发布/订购系统中的复杂事件。Cayuga 语言与 RFID 数据管理系统所要求的语言表达类似。它可以处理多种类型的复杂事件, 包括 Kleene 闭包模式序列。然而, Ca-yuga 不支持两个连续事件之间的时间间隔的限制。
4、基于流数据的模式识别
      根据系统要求, 在EPCIS中, 不同实施方案的过滤规则是不相同的。EPCIS 可根据其中的过滤规则忽略规定时间窗口内的相同标签的信息。通过设置“忽略”时间窗口, 可降低标签被漏读的概率, 而时间窗口长度的设置对尽可能多地捕获标签至关重要。如果时间窗口设置得太长, EPCIS 可能会忽略对很多标签的识读并严重影响识读速度。如果时间窗口设置得太短, 将产生多个事件记录。为保证捕获标签的概率, 项目组决定减少“忽略”时间。
    在NDP项目实践期间, 项目组对不同的窗口时间值进行了反复实验。不采用 过滤规则的情况下, 在1s内最多能对一个标签(周围有100个标签)记录18个阅读事件。对EPC 数据流的研究发现, 同一标签在同一秒内被多次读数, 即同一标签的两个读数事件发生的时间间隔为零。这个过程不会对数据的记录过程造成较大
影响, 但对已经处理过的数据不利。
     因此, 基于RFID数据管理系统的查询, 应能够识别复杂事件模式。给定查询条件下的查询输出结果为对应事件的事件模式。查询的执行过程是对网络上的 RFID 数据流进行搜索。事件模式有多种表示形式, 如联合、关联、集群、序列事件, 或原始事件之间的依赖关系。RFID 数据流的模式识别主要有以下性质:
    1)数据处理的速度必须比数据的到达速度快。因此, 模式识别算法只对数据进行一次扫描。复杂事件模式的构造必须稳定, 以避免重复扫描旧数据。
    2)为保证事件处理过程中事件模式的统计意义, 必须有足够多的数据。
    3)算法必须能够应对模式的变化-一发现的模式可能会随时间的变化而改变。换句话讲, 确定的模式才是真正的模式。因此, 系统必须能够不断地监视数据流的变化。