Social media and social networks are now used extensively for information and news sharing. They provide ability to convey news and information much faster than conventional media for sharing weather conditions, tra c accidents and other unexpected events and situations. For this reason, event detection from social media messages is an intensively studied research topic. In this work, we examined the usability and performance of a streaming data processing platform, the Apache Storm, for event detection problem. We used two techniques used in the literature for event detection. Both alternatives are coded on Apache Storm. Apache Cassandra is used as the intermediate data storage medium. The rst method of event detection is based on tracking the frequency of the
words in the messages, and it is based on the assumption that the words with a sudden increase in the frequency rate indicate an event. The second method is a clustering-based method and it uses a version of the hierarchical clustering algorithms adapted for the event detection problem. We elaborated on the use of the features provided by Apache Storm for both methods, and discussed the facilities and limitations provided. In addition, information on how to use the system created for simulation purposes for experimental analysis is also provided.
Anahtar Kelimeler: Olay tespiti Akan veri isleme platformu Gercek zamanl analiz
1
Sosyal medya ve mikroblog hizmetlerinin yukselisi, internette paylas m n etkin bir yolu olarak baslad ve ozellikle ak ll telefonlar n, tabletlerin, vb. yayg n kullan m yla, sosyal medya erisilebilir buyuk bir veri kaynag haline geldi. Gunumuzde sosyal medya insanlar n dusuncelerini ifade ettigi ve guncel sorunlara tepki verdigi ana platform durumundad r. I_nsanlar etra ar nda meydana gelen olaylar veya durumlar n yay nlamak icin s kl kla sosyal medyay kullanmaktad rlar. Bu durum, sosyal medyan n olay tespit ve analizinde onemli bir yer almas na olanak vermektedir.
Twitter, gunde yaklas k 340 milyon tweet yay nlayan 300 milyondan fazla
aktif kullan c ya sahip en populer mikroblog sosyal ag hizmetidir. Tweet ad
verilen mesajlar n cogunukla erisilebilir olmas nedeniyle akademik cal smalarda
yogun olarak Twitter verileri kullan lmaktad r [
Literaturdeki cal smalarda, olay, belirli bir zamanda ve yerde gerceklesen ve
k sa zamanda dikkat ceken bir etkinlik olarak tan mlan r [
Bu cal sma, olay tespitini bir ak s isleme problemi olarak ele almaktad r.
Dusuk gecikmeli, yuksek verimli ak s isleme platformlar y llard r kullan lmaktad r
ve olgun seviyede bircok platform mevcuttur [
Cal smam zda h zl art s tespiti (burst detection) mant g na dayanan iki olay tespit yontemini ele ald k. I_lk yontem, mesajlarda gecen kelimelerin s kl g n n takibine dayal d r, s kl k oran ani art s gosteren kelimelerin bir olay isaret ettigi varsay m na dayanmaktad r. I_kinci yontem kumeleme tabanl bir yontemdir ve olay tespit problemi icin uyarlanm s bir hiyerarsik kumeleme algoritmas kullan r. Bu bildiride Apache Storm'un sundugu ozelliklerin olay tespit yontemlerinin kodlanmas nda nas l kullan ld g detayland r larak, saglanan kolayl klar ve k s tlar irdelenmistir. Buna ek olarak, deneysel analiz s ras nda, olusturulan sistemin uzerinde ak s simulasyonun nas l yap ld g konusunda da bilgi sunulmaktad r.
Bildirinin icerigi soyledir. K s m 2'de, benzer cal smalar ozetlenmistir. K s m 3'te cal smada kullan lan temel teknolojiler olan Apache Storm ve Twitter API hakk nda ozet bilgi verilmektedir. Olay tespit yontemleri ve Storm uzerinde nas l olusturulduklar K s m 4'de detayl olarak anlat lmaktad r. K s m 5'te durum cal smas ve yap lan degerlendirmeler verilmektedir. K s m 6'da genel bir degerlendirme ile bildiri sonland r lmaktad r. 2
I_lgili Cal smalar
Bilgi erisimi konusundaki cesitli cal smalarda veri kaynag olarak Twitter
kullan lmaktad r [
Literaturde, cal smam zla benzer sekilde olay tespiti problemi icin akan veri
isleme platformu kullanan oldukca s n rl say da cal sma bulunmaktad r. [
Bu k s mda, cal smam zda kulland g m z Twitter API ve Apache Storm hakk nda bilgi sunulmaktad r. 3.1
Twitter, herkese ac k mesajlar n (tweet) belirli bir yuzdesini paylasan REST ve Streaming API'ler sunmaktad r. REST API ile mesajlar, kullan c lar, konumlar veya Twitter verilerinin diger nitelikleri hakk nda bilgi talebi gonderilebilir. Yan tlar JSON veya XML formatl objeler olarak iletilir. O te yandan, Streaming API, istenen bir kritere gore ltrelenebilen Twitter verisi ak s saglar.
Bu cal smada, Twitter Streaming API'sinin Java kutuphanesi olan Twitter4j
[
Akan veri islemede performans k s tlamalar n iyilestirmek amac yla Nathan Marz
ve BackType [
Cal sman n baslang c nda, gercek zamanl dag t k bilgi isleme platformlar gozden gecirilerek, cal sma amac na en uygun iki aday olarak Apache Storm ve Apache Spark secildi ve kars last rmal olarak incelendi. Gerek Apache Storm gerekse Apache Spark, klasik isleme ve tasar m gercek zamanl dag t k bir sistem olarak tan mlayabildiginden, gercek zamanl olarak is zekas ve analitigi uygulamak icin tum gereksinimleri saglamaktad r. Ancak Spark genel amacl dag t k bir bilgi isleme platformu iken Storm ak s odakl bir dag t k hesaplama platformudur. Bu nedenle, cal smada Apache Storm kullan lm st r.
Storm'da uc cesit temel yap tas bulunur: spout (musluk), bolt (c vata) ve topoloji.
{ Storm, bir hesaplamada ak slar n kaynag olarak spout ad verilen yap lar kullan r. Spout, Kafka veya RabbitMQ gibi bir dag t k mesajlasma sistemiden verileri okuyabilir veya kendi ak s n Twitter Streaming API'si veya Apache Cassandra gibi bir veritaban kullanarak olusturabilir. { Storm, herhangi bir say daki giris ak s n islemek ve herhangi bir say da yeni c kt ak s n uretmek icin bolt ad verilen yap lar kullan r. I_slevler, ltreler, ak s kat st rmalar , toplu ak slar, veri tabanlar ile iletisim gibi hesaplama mant g n n cogu boltlarda uygulan r. { Storm, spout ve bolt'lar aras ndaki baglant ve veri ak s n topoloji ad verilen bir ag yap s seklinde tan mlar. Topoloji, karmas k ve cok asamal bir ak s hesaplamas d r.
Her spout ve bolt, topoloji icinde cesitli gorevler yurutur. Her gorev, bir is parcac g na kars l k gelir. Ak s gruplamalar , verinin bir gorev kumesinden baska bir gorev kumesine nas l gonderilecegini tan mlar. Her spout ve bolt icin paralel gorev say s gelistirici taraf ndan belirlenir.
Apache Storm bes farkl gruplama turu sunmaktad r: { Kar s k gruplama: Bu grupland rma turunde, ak s, bolt gorevleri aras nda rastgele ve esit sekilde dag t l r. Dag t m Apache Storm taraf ndan yurutulur. { Tum gruplama: Bu gruplama turu ak s tum bolt gorevlerine aktar r. { Alana gore gruplama: Bu grupland rma cesidi ise ak s , kullan c taraf ndan belirtilen bir alana gore dag t r. { Genel gruplama: Bu tur grupland rma tum ak s tek bir goreve toplar. { Dogrudan gruplama: Bu ozel bir grupland rma turudur. Bu gruplamada veri gruplar kullan c lar taraf ndan belirli bir bolt gorevine aktar l r. Bu nedenle, veri gruplar n gorevler aras nda dag tmak, gelistiricinin tercihine bagl d r. 4
Bu bolumde, olay tespiti icin kulland g m z anahtar kelime tabanl olay tespiti, ve kumeleme tabanl olay tespiti teknikleri icin olusturulan Apache Storm topolojileri ve topolojilerin bilesenleri ayr nt l bir sekilde anlat lmakta ve tart s lmaktad r. Olay tespiti tekniklerinden once her iki teknikte de ortak olarak kullan lan konum tabanl farkl ak slar olusturma ve veritaban kullan m konular hakk nda bilgi verilmektedir.
Vurgulanmas gereken onemli bir nokta her iki olay tespiti yonteminde de verilerin belli zaman penceresi icinde kalan bloklar seklinde isleniyor olmas d r. Bloklar aras nda zamansal ortusme bulunmaz, zaman s ras na gore birbirini takip eder. Burada amac, ard s k bloklar aras ndaki degisimlerin takibi ile olay tespiti yap lmas d r. Her bir turda topoloji bir mesaj blogunu isler. Zaman pencereleri (bloklar) akmaya devam ettigi surece islem turlar devam eder. Zaman penceresinin buyuklugu veri isleme ihtiyac na gore belirlenebilir. Deneylerimizde pencerler 6 dakikal k bloklar olarak belirlenmistir. 4.1
Tum dunya uzerinde kullan lan Twitter verileri, dunya cap nda bilinen bir sanatc taraf ndan duyurulan yeni album gibi global bir olay ya da yerel bir etkinligi icerebilir. Bu nedenle, gelen tweetler ulkeyi, sehri veya tum dunyay ilgilendiren olaylar seklinde etiketlenebilir. Twitter'da konum verisi mevcut ve erisime ac ksa, Twitter API uzerinden bu bilgiye ulas labilir. Bu cal smada Twitter Streaming API'n n konum ltreleme secenegi kullan larak, Kanada ve ABD'den gonderilen tweet ak s uzerinde cal s lm st r. O nerilen sistemde, iki farkl ulke ayn isleme ad mlar yla iki paralel ak sa bolunmustur ve veri hacimlerindeki farklardan dolay farkl paralelizm say lar na sahiplerdir. Sekillerde goruldugu gibi, (Sekil 1 ve Sekil 2), ak s kaynag , tweetin gonderilecegi boltu, konum bilgilerine bagl olarak belirleyebilir. Bu sayede, olaylar gerceklestigi konum bilgileriyle tespit edilir. Bu cal sman n sadece konum ltrelemesi ac s ndan Kanada ve ABD'den gonderilen mesajlara odaklanmas na ragmen, farkl ulkeler icin yeni isleme hatt n n entegre edilmesi oldukca kolayd r. 4.2
Gerek akan veri parcalar n n, gerekse ara c kt lar n saklanmas icin veri saklama alan gereksinimi olusmaktad r. Cal smam zda bu ihtiyac icin Apache Cassandra kullan lm st r. Apache Cassandra, olceklenebilirlik ve yuksek kullan labilirlik Veri Akışı Olay Tespiti İş Parçaları
(x2) Olay Tespiti İş Parçaları (x2)
Kanada
Genel Gruplama
Sonlandırma İş Parçası
(x1) Genel Gruplama saglayan bir NoSQL veritaban d r. Veriler coklu dugumlere kopyaland g ndan, sistem hata tolerans saglar. Apache Cassandra'n n sisteme entegre edildigi iki kullan m durumu vard r. Birincisi, islem sonunda tespit edilen olaylar veya tweetler gibi sistemde kullan lan veya sistemin olusturdugu verileri depolamakt r. I_kincisi, durum bilgisi iceren ak s islemesi saglamak icin kelimelerin veya kuresel kumelerin say s gibi mevcut blok icinde olusturulan veriyi depolamakt r. I_s parcalar n n mevcut blok icin isini bitirip bitirmedigi veya surecini tamamlamak icin ne kadar surdugu gibi durum bilgileri de Cassandra'da saklan r. 4.3
Anahtar kelime tabanl olay tespiti yonteminin Apache Storm topolojisi, Sekil 1'de sunulmakt r. Bu yontemdeki ana ad mlar soyledir: Spout'tan bir bir blok kapsam nda gelen her tweet kelimelere ayr larak on isleme tabi tutulur. Sonraki bolt'ta kelime say lar ndaki art s takip edilerek o turdaki olay ifade eden kelimeler belirlenir.
Bu yontemde iki parametre kullan l r: { Tf-Idf Art s Oran : Bu parametre, bir kelimenin olay olarak tespit edilmesi icin son iki tur aras ndaki tf-idf degerinin art s oran esigini tan mlamak icin kullan l r. O rnegin, bu parametre 10 olarak belirlenmis ve bir kelimenin son iki turdaki tf-idf degerleri s ras yla 0.001 ve 0.015 ise, bu anahtar kelimenin bir olay ifade ettigi tespit edilir (0.015/0.001 > 10). { Kelime S kl k Esigi: Bu parametre, bir sozcugu cok rastlanan bir kelime olarak varsaymak icin kullan lan esigi tan mlar. Sadece cok rastlanan kelimeler anahtar kelime tabanl olay tespit algoritmas na tabi tutulur.
Yontemdeki her ad m asag daki gibi detayland rabiliriz.
Kelime Sayma Boltu. Ak stan gelen mesajlar ilk olarak kelimelere bolunur ve kelimeler ilgili bolta saymak uzere gonderilir. Kelime sayma boltunun is parcalar n n temel gorevi o turda gecen kelimelerin say lar n belirlemektir. Kelimelerin say s , kelimenin bir olay temsil edip edemeyecegine karar vermek icin kullan l r. Performans, buyuk veri analizi icin onemli oldugundan, nadir gecen kelimeler bu boltta elenir ve ilerleyen islemlere tabi tutulmaz. Nadir gecen kelimeleri belirlemek icin Kelime S kl k Esigi parametresinde tan mlanan esik kullan l r. Bu on eleme, mevcut turda en s k kullan lan kelimeleri tan mlamakta ve nadir kelimeler icin gereksiz hesaplamalar onlemektedir.
Olay Tespit Boltu. Bu boltta son iki tur icin her kelimenin tf-idf degeri hesaplan r. Bir kelimenin bir olay temsil edip etmedigine tf-idf degerleri kontrol edilerek karar verilir. Tf-idf degerinin hesaplanmas icin Denklem 1, Denklem 2 ve Denklem 3'te verilen formuller kullan l r. (1) (2) (3) { ft;d: t kelimesinin d dokuman nda kac kez gectigini gosterir. { jft0 2 dgj: d dokuman nda bulunan toplam kelime say s .
tf(t; d) =
ft;d jft0 2 dgj idf(t; D) = log
N 1 + jfd 2 D : t 2 dgj { N : Sistemde bulunan toplam dokuman say s N = fjDjg { jfd 2 D : t 2 dgj: t kelimesinin gectigi toplam dokuman say s .
tf-idf(t; d; D) = tf(t; d) idf(t; D) Sonland rma Boltu. Bu bolt iki basit gorev yerine getirir. Olaylar temsil eden kelimelerini Apache Cassandra veri taban na kaydeder, ve her olay kelimesinin son 10 tur icerisindeki say lar n gosteren cizgi gra gi cizer. 4.4
Bu yaklas m, her bir blok icindeki tweet'lerin kumenlenmesi (clustering) ve kumelerdeki buyumenin takibi ad mlar na dayanmaktad r. Yaklas m, ani buyume gosteren tweet kumelerinin bir olay ifade ettigi krine dayanmaktad r. Kumeleme islemi kelime vektorlerin kosinus benzerliklerine dayal cal st g icin, spout, tweetleri kelime vektorlerine cevirir ve bir sonraki bolta gonderir. Tweet vektorleri, bir tweet icindeki kelimeleri normalize edilmis ag rl klar yla birlikte icerir. O rnegin "RIP Muhammed Ali RIP" tweet'inin vektoru f"RIP": 0.5, "Muhammed": 0.25, Veri Akışı Olay Tespiti İş Parçası
(x1) Olay Tespiti İş Parçası (x1)
Kanada
Apache Cassandra Veri Tabanı Oluşan Kümeler
Sekil 2: Kumeleme Tabanl Storm Topolojisi "Ali": 0.25 g seklinde gosterilir. Bu vektor temsili, tweetler ve kumeler aras ndaki kosinus benzerligini hesaplamak icin kullan l r.
Kumeleme tabanl olay tespiti yontemi icin olusturulan Apache Storm topolojisi Sekil 2'de sunulmaktad r. Topoloji, kumeleme ve olay tespiti boltlar ndan olusmaktad r.
Kumeleme Boltu. Bu bolt, kosinus benzerligi kullanarak tweet'leri kumelere atar. Verimlilik ac s ndan belli bir esik degerinin alt ndaki say da mesaj iceren kumeler silinir. Performans iyilestirmesi icin iki asamal bir kumeleme kullan l r. Bu bolt, yaln zca ilk asamadaki, yerel kumeleme ad m ndan sorumludur. Bir turun baslang c nda is parcalar nda hicbir yerel kume yoktur. Her is parcas , ak s kaynag taraf ndan dag t lan tweet vektorleriyle kendi kumelerini olusturur ve kumeleri gunceller. I_slemin sonunda her kumeleme is parcas , kume listesini, degerlendirme icin bir sonraki bolta aktar r. Kume atamas icin bu bolt, tweet vektoru ile mevcut yerel kumeler aras ndaki kosinus benzerligini hesaplar ve kosinus benzerligi belirtilen esikten daha yuksekse, tweet o kumeye atan r. Her kume vektoru buna gore guncellenir. Herhangi bir tweet icin kosinus benzerlik k s tlamas kars lanmazsa, tweet vektoru icin yeni kume olusturulur. Turun sonunda, veri ak s s ras nda olusturulan tum kumeler, olay tespit boltuna gonderilir.
Olay Tespit Boltu. Bu bolt, her zaman blogunun sonunda etkinlestirilir. Kume boltunun her bir is parcas , yerel kume listesini olay tespit boltuna gonderir ve olay tespit boltu tum is parcalar ndan gelen bu gorev listelerini biriktirir. O nceki boltun her bir is parcas n n yerel kume listeleri geldiginde, olay tespit boltu yerel kumelerin degerlendirmesini baslat r. Bu degerlendirme iki ad mdan olusur: { Yerel Kume Degerlendirmesi: Bu bolt ilk olarak farkl is parcalar taraf ndan olusturulan yerel kumeleri birlestirir. Birlestirme islemi, iki yerel kumenin temsil vektorunun kosinus benzerligi belirtilen esige esit veya daha yuksekse gerceklesir. Birlestirme islemi s ras nda, her kelimenin ag rl g yeniden hesaplan r ve iki kume vektoru teke indirilerek guncellenir. { Global Kume Degerlendirmesi: Yerel degerlendirmeden sonra, veritaban ndan mevcut kumelerin listesi al n r. Bu kez, is parcalar ndan gelip birlestirilmis yerel kumeleri, veritaban taraf ndan tutulan global kumelerle kars last r r. Bu ad mda, her bir kumenin kosinus benzerligi her bir yerel kume icin tek tek hesaplan r ve gerekli durumda global kume yerel kume ile birlestirilerek guncellenir. Guncellenen global kumenin buyume oran , Denklem 4 kullan larak hesaplan r. Buyume oran belirtilen esigi saglarsa, gecerli tur icin olay olarak isaretlenir. Son ad m olarak, son 3 turda aktif olmayan global kumeler performans icin elimine edilir ve veritaban ndan silinir. jfteklenen 2 Cgj: son turda C kumesine eklenen tweet say s .
jfthepsi 2 Cgj: C kumesindeki toplam tweet say s . 5 5.1
Gelistirilen olay tespit yontemlerini, 31 May s 2016 - 7 Haziran 2016 tarihleri aras ndaki bir hafta icinde toplanm s olan yaklas k 12 milyon tweet iceren veri kumesi uzerinde uygulad k. Daha once bahsedildigi uzere, cogra konum ltrelemesi kullan larak ABD ve Kanada'dan gonderilen mesajlar topland . Bunun d s nda bir ltreleme kullan lmad g icin veri kumesi farkl tipte olaylar icermektedir. Tum deneyler 3.2 GHz i5 islemcili, 16 GB haf za iceren MacOS versiyon 10.13.3 bilgisayar uzerinde cal st r lm st r. 5.2
Deneyler s ras nda, farkl yontem ve kon gurasyonlar aras kars last rma yapabilmek icin ayn veri uzerinde ak s simulasyonu yapma ihtiyac bulunmaktad r. Bu amacla, ak s kaynag (spout) olarak tan mlanm s olan Apache Cassandra veritaban na kaydedilen veriler, 6 dakikal k zaman pencereleri (bloklar) halinde, tweet'lerin zaman s ras na uygun olarak cekilir. Bir blok icindeki mesajlar n ak s bittiginde, spout bir sonraki blogun ak s n hemen baslatmaz. Bir sonraki blok, gecerli zaman blogunun tum islemleri tamam r lm st rlanana kadar ask ya al n r. Sistemin guvenilirligi ve olay tespitinin dogrulugu icin zaman bloklar aras nda ask ya alma islemi gereklidir; cunku, bir sonraki blok hemen baslat l rsa, o anda islenmekte olan bloktaki kelimeler ile bir sonraki blokta islenecek olan kelimeler birbirine kar s r ve yanl s olay tespitlerine neden olur. Bu nedenle, bloklar aras ask ya alma islemini saglayacak bir ak s protokolu tan mlamak gerekir. Apache Storm bu amac icin bir haz r bir yap saglamaz, dolay s yla bu probleme cozum olarak cal smam zda iki farkl yaklas m tan mlad k. Birinci yaklas mda, turlar aras nda, spout, yap lan deneylerle belirlenen bir sure kadar uyutularak bekletilir. I_kincisinde ise Storm taraf ndan tan mlanan dogrudan gruplama teknigini kullanarak mevcut turun bitip bitmedigi kontrol edilir.
I_lk yaklas m m zda, gorevler aras nda veri dag t m Apache Storm taraf ndan karma gruplama ve alan gruplamalar ile yurutulur. Farkl turlar n kar smas n onlemek icin turlar aras nda uyku aral klar kullan l r. Bu yaklas mda, verinin Storm'un kendi programlama mekanizmas taraf ndan dag t lmas daha verimli bir dag t m ve islem suresi saglamas na ragmen, turlar aras nda kullan lan uyku tamponu bu avantaj dezavantaja donusturmektedir. Bunun sebebi uyku tamponu suresinin en uzun suren tura gore secilmesidir. Turlar n isleme suresi gun icerisindeki 6 dakikal k bloklar n veri hacimlerinin farkl olmas ndan dolay buyuk farkl l klar gostermektedir. Bu durum eylemsiz gecen buyuk zaman aral klar na neden olmaktad r. O zetle; spout, turlar aras nda yap lan deneyler taraf ndan belirlenen bir sure kadar bekletilir ve belirlenen bu sure, her bir tur icin tum gorevlerin islemlerini bitirmesi icin yeterli bir sure olarak secilmistir.
I_kinci yaklas mda ise, Storm'un dag t m ve programlama mekanizmas n n kontrolunun tam olarak gelistiriciye b rak ld g , dogrudan gruplama teknigi kullan l r. Bu yaklas mda veriler, gorevlerin uygunlugu kontrol edilmeden, s rayla her bir goreve tek tek dag t l r. Dolay s yla verilerin dag t m ndaki verimlilik ilk yaklas m kadar iyi saglanmamaktad r, cunku Storm dogrudan gruplama teknigi icin gorevlerin dolulugunu kontrol etme secenegini sunmamaktad r. O te yandan, bu yontemin avantaj , turun bittigi an alg lama yetenegine sahip olunmas d r. Boylece islem yap lmadan gecen uyku aral klar ile zaman kaybedilmemektedir. Performansta saglad g art s sebebiyle, deneylerde ikinci yaklas m kullan lm st r. 5.3
Yontemlerin kodlanmas nda ve cal st r lmas nda gozlemlerimiz soyle ozetlenebilir:
{ Sunulan yontemlerin akan veri platformu uzerinde gelistirilme eforu icin
formal bir efor metrigi kullan larak olcum yap lmad . Ancak daha onceki
cal smalar m zda platform kullanmadan gelistirdigimiz kumeleme tabanl olay
tespiti cozumumuz [
Cal smam zda olay tespiti problemi icin, akan veri isleme platformu olan Apache Storm'un kullan m n inceledik. Olay tespiti icin literaturde kullan lm s olan art s tespitine dayal iki farkl yontemi Storm uzerinde gelistirdik. Her iki yontem icin de akan veriyi belli zaman uzunlugundaki pencereler (bloklar) halinde isledik. I_lk yontem ard s k turlar aras nda tweet'lerde gecen kelimelerin say lar ndaki art s n takibine dayanmaktad r. I_kincisinde ise tweet'ler kumelenmekte, ve kume buyuklugundeki art s takip edilmektedir. Her iki yontem icin algoritmalar n ad mlar Storm boltlar olarak gelistirilerek tum algoritma bir Storm topolojisi olarak tan mland . Akan veri isleme platformu olarak Apache Storm'un, olay tespiti problem icin kullan sl yetenekler saglad g n ve gelistirme eforunu azaltt g n gozlemledik. Gelistirmede zorland g m z iki nokta goze carpmaktad r. Birincisi deneylerde simulasyon yapma ihtiyac s ras nda veri ak s h z n kontrol edecek ve zaman bloklar n ayr k tutacak haz r bir yap n n bulunmamas d r. I_kincisi de Apache Storm icinde yerli bir veritaban bulunmamas ve ozellikle kumeleme tabanl yontemde islemsel (transactional) ihtiyaclar n kars lanmas nda zorluk yasanmas d r. Takip eden cal smalarda, art s takibi tabanl yontemlerin yan s ra, akan veri isleme platformlar n n, daha farkl olay tespiti ve tahmini cozumleri icin kullan m uzerine odaklan lmas olas d r.