Using a relational database for the management of contextualized knowledge graphs for air traffic management in the time-critical setting of the AWARE project

Das AWARE-Projekt zielt darauf ab, ein fortschrittliches künstliches Situationsbewusstseinssystem zu entwickeln, indem es auf der grundlegenden Arbeit des AISA-Projekts aufbaut, bei dem Modelle für den Austausch von Luftfahrtdaten zur Erstellung eines Wissensgraphen verwendet wurden. Der Wissensgraph wurde dann verwendet, um regelbasierte Schlussfolgerungen zu ziehen und maschinelles Lernen zum Trainieren von Vorhersagemodellen einzusetzen. Während AISA die Machbarkeit der Automatisierung von Überwachungsaufgaben mit Hilfe einer Prolog-basierten Reasoning Engine und Java-Modulen demonstrierte, war die Leistung für Echtzeitanwendungen nicht ausreichend. AWARE stellt neue Anforderungen, einschließlich höherer Datenaktualisierungsfrequenzen und der Fähigkeit, erheblich größere Datenmengen zu verarbeiten, was eine Neugestaltung der Systemarchitektur erforderlich macht. In AWARE werden zwei technologische Ansätze für die Verwaltung des Wissensgraphen untersucht: ein kommerzielles, natives RDF-basiertes System und ein Open-Source-System für die Verwaltung relationaler Datenbanken (PostgreSQL). Beide Ansätze werden durch Leistungsexperimente sowie eine qualitative Analyse der Entwicklungskomplexität und des erforderlichen Wartungsaufwands bewertet. Diese Arbeit konzentriert sich auf die relationale Implementierung des Wissensgraphen für das AWARE-Projekt. Zu diesem Zweck stellt diese Arbeit Regeln für repräsentative Aufgaben des AWARE-Projekts vor und untersucht die Leistung bei steigenden Datenmengen. Die Ergebnisse sollen den Projektpartnern bei der Auswahl der am besten geeigneten Architektur für AWARE helfen.

The AWARE project aims to develop an advanced artificial situational awareness system by building on the foundational work of the AISA project, which utilized aeronautical data exchange models to create a knowledge graph (KG). The KG was then used to perform rule-based reasoning and use machine learning to train predictive models. While AISA demonstrated the feasibility of automating monitoring tasks using a Prolog-based reasoning engine and Java modules, its performance was insufficient for real-time applications. AWARE introduces new requirements, including higher data update frequencies and the ability to handle larger data volumes, necessitating a redesign of the system architecture. In AWARE, two technological approaches for KG management are explored: a commercial native RDF-based system and an open-source relational database management system (PostgreSQL). Both approaches are evaluated through performance experiments as well as a qualitative analysis of development complexity and required maintenance effort. This thesis focuses on the relational implementation of KG management for the AWARE project. To this end, this thesis presents an implementation of rules for representative tasks of the AWARE project and investigates performance under increasing data volumes. The findings aim to guide project partners in selecting the most suitable architecture for AWARE.