نحو أنطولوجيا إنترنت الأشياء الموحدة باستخدام إطار عمل قائم على التعلم الآلي لتبادل البيانات بسلاسة

Simmi Chawla; Parul Tomar; Sapna Gambhir

doi:10.3791/68635

مقالة بحثية

نحو أنطولوجيا إنترنت الأشياء الموحدة باستخدام إطار عمل قائم على التعلم الآلي لتبادل البيانات بسلاسة

DOI:

10.3791/68635

⸱

أكتوبر 7, 2025

Simmi Chawla¹ , Parul Tomar¹ , Sapna Gambhir²

¹Department of Computer Engineering, J. C. Bose University of Science & Technology, YMCA Faridabad, ²Department of Computer Science, George Mason University

في هذه المقالة

ملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقدم هذه الدراسة إطارا قائما على التعلم الآلي لمحاذاة أنطولوجيا إنترنت الأشياء في الوقت الفعلي ، مما يتيح تبادل البيانات بسلاسة عبر أنظمة غير متجانسة. من خلال دمج النمذجة الدلالية والتحسين التكيفي ، يعزز النهج قابلية التشغيل البيني ويقلل من زمن الوصول ويحقق دقة عالية. تم التحقق من صحتها في إعدادات العالم الحقيقي ، ويوفر حلا قابلا للتطوير وموحد لتكامل إنترنت الأشياء.

الملخص

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

أدى عدم التجانس المتزايد لأجهزة إنترنت الأشياء (IoT) إلى تحديات كبيرة في تحقيق قابلية التشغيل البيني في الوقت الفعلي وتبادل البيانات بسلاسة. غالبا ما تعمل النظم البيئية الحالية لإنترنت الأشياء باستخدام نماذج بيانات متنوعة وبروتوكولات اتصال وتمثيلات دلالية ، مما يؤدي إلى أنظمة مجزأة تعيق التكامل. لمعالجة هذه المشكلة ، نقترح إطارا موحدا يستخدم محاذاة الأنطولوجيا القائمة على التعلم الآلي لتكامل إنترنت الأشياء القياسي والتكيفي. الفرضية التي توجه هذا البحث هي أن الجمع بين النمذجة الدلالية وتقنيات التحسين الذكية يمكن أن يحسن بشكل كبير اتساق وكفاءة تبادل البيانات عبر بيئات إنترنت الأشياء غير المتجانسة. يدمج الإطار المقترح معالجة دفق البيانات في الوقت الفعلي ، وتحليل التشابه الدلالي ، ورسم خرائط الأنطولوجيا التكيفية لمحاذاة أنطولوجيا الجهاز ديناميكيا. باستخدام بيئات محاكاة وواقعية ، بما في ذلك المنازل الذكية وأنظمة الرعاية الصحية ، تم اختبار إطار العمل مقابل مقاييس الأداء الرئيسية مثل الدقة وزمن الوصول ومعدل التشغيل البيني. تظهر النتائج أن الطريقة المقترحة تحقق دقة محاذاة أنطولوجيا عالية تبلغ 97٪ ، وتقلل من زمن الوصول إلى أقل من 20 مللي ثانية ، وتحافظ على قابلية التشغيل البيني لأكثر من 95٪ بين أنواع الأجهزة المتنوعة. تؤكد النتائج أن تكامل خوارزميات التعلم الآلي مع النمذجة الدلالية يعزز بشكل كبير الأداء وقابلية التوسع والقدرة على التكيف لأنظمة إنترنت الأشياء. يعالج إطار العمل بنجاح التناقضات الدلالية ويدعم الإعداد الديناميكي للجهاز دون تدخل يدوي. تقدم هذه الدراسة حلا قويا وقابلا للتطوير لقابلية التشغيل البيني لإنترنت الأشياء ، حيث تقدم محاذاة أنطولوجيا ذكية في الوقت الفعلي قابلة للتكيف مع الأجهزة المتطورة ومعايير البيانات. يساهم هذا العمل في تطوير بنى إنترنت الأشياء من الجيل التالي القادرة على دعم الاتصالات الموحدة والفعالة والآلية عبر التطبيقات المتنوعة.

المقدمة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يتطور إنترنت الأشياء (IoT) بسرعة إلى بنية تحتية أساسية للبيئات الذكية ، حيث يربط مجموعة واسعة من الأجهزة غير المتجانسة التي تعمل عبر مجالات متنوعة مثل الرعاية الصحية والمدن الذكية والزراعة والأتمتة الصناعية¹^،²^،³. تولد هذه الأجهزة كميات كبيرة من البيانات وتعتمد على الفهم الدلالي للتواصل بشكل هادف⁴^،⁵^،⁶^،⁷. ومع ذلك ، فقد برز الافتقار إلى بنية دلالية موحدة كعائق رئيسي أمام تبادل البيانات السلس⁸^،⁹^،¹⁰^،¹¹^،¹². تحد الأنطولوجيات المتنوعة والبروتوكولات المختلفة ونماذج البيانات غير المتسقة من قابلية التشغيل البيني ، مما يجعل من الصعب على الأجهزة التعاون بكفاءة في الوقت الفعلي. غالبا ما يؤدي هذا التجزئة الدلالية إلى سوء التفسير وزيادة زمن الوصول وفشل التكامل الذي يضر بقابلية توسع النظام وأدائه⁵^،¹²^،¹³. لذلك ، هناك حاجة ماسة لنهج موحد يمكنه توحيد التمثيلات الدلالية مع التكيف مع الطبيعة الديناميكية لبيئات إنترنت الأشياء⁶^،¹⁰^،¹¹^،¹².

تقترح هذه الدراسة إطارا جديدا قائما على التعلم الآلي لمحاذاة الأنطولوجيا في الوقت الفعلي لمواجهة تحديات قابلية التشغيل البيني^{هذه 4}^،⁸^،⁹^،¹¹^،¹⁴. يجمع إطار العمل بين النمذجة الدلالية المتقدمة ورسم خرائط الأنطولوجيا التكيفية وتكامل تدفق البيانات⁹^،¹⁰^،¹³ لمواءمة أنطولوجيا إنترنت الأشياء ديناميكيا. يمكن أن تؤدي الاستفادة من تقنيات التعلم الآلي لمحاذاة الأنطولوجيا إلى تحسين الاتساق الدلالي وكفاءة التكامل بشكل كبير في أنظمة إنترنت الأشياء غير المتجانسة⁸^،⁹^،¹⁴^،¹⁵. على عكس الأساليب التقليدية القائمة على القواعد⁴^،⁵^،⁷^،⁸^،⁹^،¹⁰^،¹³ ، يستخدم النهج المقترح مقاييس التشابه المرجحة ، والتعيينات الهيكلية والمعجمية ، وخوارزميات التحسين التي تتكيف مع البيانات الواردة¹⁵^،¹⁶^،¹⁷. تم إجراء التحقق التجريبي في كل من البيئات المحاكاة والواقعية ، بما في ذلك المنازل الذكية وأنظمة الرعاية الصحية. توضح النتائج أن إطار العمل يحقق دقة محاذاة أنطولوجيا تبلغ 97٪ ، ويقلل متوسط زمن الوصول إلى أقل من 20 مللي ثانية ، ويحافظ على معدلات التشغيل البيني أعلى من 95٪ عبر أنواع الأجهزة⁸.

وقدرة الإطار المقترح على التكيف تميزه عن الحلول^{القائمة 9} ^و ¹³ ^و ¹⁵. مع انضمام الأجهزة الجديدة إلى الشبكة ، يقوم النظام تلقائيا بتحديث العلاقات الدلالية دون الحاجة إلى إعادة التكوين اليدوي⁵^،⁶^،⁸^،⁹^،¹³^،¹⁵. أصبح هذا ممكنا من خلال دمج التحسين القائم على التعلم الذي يقلل من عدم التطابق الدلالي والنفقات الحسابية⁸^،⁹. يظهر النظام أيضا أداء محسنا في استخدام الذاكرة ووحدة المعالجة المركزية ، مما يجعله مناسبا للبيئات المحدودة الموارد¹^،²^،³^،¹¹^،¹². من خلال معالجة التناقض الدلالي وزمن الانتقال وقابلية التوسع في بنية موحدة ، يضع هذا العمل الأساس لنموذج اتصالات إنترنت الأشياء الموحد والذكي والجاهز للمستقبل¹³^،¹⁸.

الهدف من هذه الدراسة هو تطوير والتحقق من صحة إطار عمل قائم على التعلم الآلي لمحاذاة الأنطولوجيا في الوقت الفعلي لتسهيل قابلية التشغيل البيني الدلالي في بيئات إنترنت الأشياء غير المتجانسة. تتضمن الدراسة المراحل التالية: (1) جمع وتحليل الأنطولوجيا ، (2) النمذجة الدلالية والمحاذاة ، (3) التحسين القائم على التعلم الآلي ، و (4) التحقق من الصحة في العالم الحقيقي في سياقات محاكاة إنترنت الأشياء الحية. تم اختبار الإطار التجريبي باستخدام مجموعات البيانات العامة والبيئات المحاكاة والنشر المباشر في بيئات المنزل الذكي والرعاية الصحية. يتم توفير تمثيل تخطيطي لإطار محاذاة أنطولوجيا إنترنت الأشياء القائم على التعلم الآلي في الشكل 1.

figure-introduction-1
الشكل 1: إطار محاذاة أنطولوجيا إنترنت الأشياء القائم على التعلم الآلي. يقدم هذا الشكل رؤية عالية المستوى للإطار المقترح الذي يدمج تقنيات التعلم الآلي لمواءمة الأنطولوجيا عبر أنظمة إنترنت الأشياء غير المتجانسة. يتضمن خط الأنابيب تقييم التشابه الدلالي ، والتحسين باستخدام تقليل الخسارة ، والتحسين التكراري لتحسين قابلية التشغيل البيني. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

البروتوكول

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

لم يشمل هذا البحث مواضيع بشرية أو فقارية أو أخذ عينات من الأنسجة. تم إجراء جميع التجارب وفقا لإرشادات البحث الحسابي المؤسسي في جامعة جي سي بوز للعلوم والتكنولوجيا ، جمعية الشبان المسيحيين ، فريد أباد.

جمع وتقييم الأنطولوجيا
تم الحصول على الأنطولوجيات العامة ذات الصلة بالرعاية الصحية والمنازل الذكية والمراقبة الصناعية من المستودعات القائمة ، بما في ذلك المفردات المفتوحة المرتبطة (LOV) والبوابات الخاصة بالمجال ، بتنسيقات RDF / OWL¹^،²^،³. تم فحص كل أنطولوجيا في محرر أنطولوجيا (على سبيل المثال ، Protégé) وتم تحليلها برمجيا لاستخراج التسلسلات الهرمية للفئة وخصائص الكائن والبيانات والبيانات الوصفية المرتبطة بها وفقا لمواصفات RDF / OWL¹^،².

بالنسبة للمقارنات الزوجية ، تم حساب التشابه المعجمي بين تسميات الفئة باستخدام تشابه السلسلة القائم على مسافة التحرير⁴. تم اشتقاق التشابه الهيكلي من خلال اجتياز علاقات الفئة الفرعية والطبقة الفائقة وحساب نسب التداخل في الأحياء المحلية. تم تقييم تشابه المثيل من خلال اكتشاف المثيلات المشتركة أو المتوافقة عبر الأنطولوجيات والتحقق من توافق نوع البيانات. تم تعريف الدرجة المجمعة على أنها المعادلة (1):

_{S total} = w1S_معجمي + w2S_هيكلي + w3S_مثيلمعادلة (1)

مع الأوزان الأولية W1 = 0.5 ، W2 = 0.3 ، W3 = 0.2 ، وعتبة محددة من مجموعة فرعية للتحقق من الصحة معلقة. تم تسجيل مراسلات المرشحين ذات الدرجات المجمعة عند العتبة أو أعلى منها في سجل CSV مع معرفات الأنطولوجيا ، وIRIs للكيان ، ودرجات المكونات ، ونتيجة القرار لمحاذاة المصب.

النمذجة الدلالية وتكامل البيانات
لتحويل تدفقات إنترنت الأشياء الخام إلى تمثيلات متوافقة مع الأنطولوجيا ، تم إنشاء أنطولوجيا موحدة تغطي بيانات التعريف الثابتة (مثل الطالب ، الدورة التدريبية ، الجهاز) والملاحظات الديناميكية (مثل المستشعر ، الملاحظة ، الطابع الزمني) ، بما يتماشى مع أفضل ممارسات RDF / OWL¹⁰ وأنشأت IoT Semantic⁵^،⁶^،¹³. تم تعريف التحويل الدلالي بواسطة وظيفة رسم الخرائط:

D_{الدلالي} =_{f خريطة} (D_خام ، O) المعادلة (2)

حيث يشير O إلى الأنطولوجيا التطبيقية f_map يجسد ثلاثة أضعاف مع IRIs المستقرة. تم تخزين البيانات المحولة كRDF والتحقق من صحتها من أجل الاتساق باستخدام استعلامات SPARQL. تم تكوين نقطة نهاية SPARQL لدعم الاستعلامات الدلالية عبر المصادر¹⁹. تم أرشفة أداة RDF الناتجة ك semantic_data.rdf ، وتم إنتاج تصدير جدولي متزامن (جدول عريض طبيعي) لمهام التعلم ، بما في ذلك عمود مصدر البيانات الذي يشير إلى أصل الميزة وأي إسناد أو تحجيم مطبق.

محاذاة الأنطولوجيا باستخدام التعلم الآلي
يجمع النهج الهجين بين إشارات التشابه القائمة على القواعد والتعلم الخاضع للإشراف لاختيار مراسلات عالية الثقة¹⁴^،¹⁵. تألفت مجموعة التدريب من 2,500 زوج من عناصر الأنطولوجيا المشروحة يدويا (مطابقة أو غير مطابقة) لإنشاء مجموعة بيانات متوازنة. تضمنت الميزات مكونات التشابه الثلاثة جنبا إلى جنب مع الإحصائيات المساعدة مثل اختلاف طول الملصق. تم تدريب مجموعة شجرة القرار (الغابة العشوائية) مع 100 شجرة ، وأقصى عمق 10 ، class_weight = "متوازنة" ، وبذرة عشوائية ثابتة (42) وفقا للممارسة المعمول بها¹⁴. تم إضفاء الطابع الرسمي على هدف التعلم على أنه المعادلة (3):

figure-protocol-1 المعادلة (3)

حيث y_i هي تسمية الحقيقة الأساسية ، و y_i ^{^} هي التسمية المتوقعة ، و λ تمثل معلمة التنظيم.

بعد معايرة الاحتمالات ، تم الاحتفاظ بأزواج ذات احتمالية متوقعة ≥ 0.50 ، وتم فرض قيود واحد لواحد لتجنب التعيينات متعددة إلى واحد. تم تسلسل ملف التعيين النهائي ، بما في ذلك IRs المصدر والهدف ، ودرجات الثقة ، ومساهمات الميزات ، على أنه alignment_results.json ؛ تم تخزين القطعة الأثرية النموذجية المدربة ك alignment_model.pkl. تم الإبلاغ عن جودة النموذج في مجموعة اختبار معلقة باستخدام الدقة والدقة والاستدعاء ودرجة F1 ومصفوفة الارتباك مع فترات ثقة 95٪ محسوبة من خلال التحقق المتبادل بخمسة أضعاف¹⁴^،¹⁵.

النشر والتقييم في العالم الحقيقي
تم إنشاء بيئة محاكاة تمثل 1,000 جهاز غير متجانس لاختبار الإجهاد والاستيعاب والمحاذاة ، تليها تدفقات في العالم الحقيقي من إعدادات المنزل الذكي^{والرعاية الصحية 5}^،¹¹. تم دمج البيانات المتوافقة مع علم الوجود في طبقة البرامج الوسيطة السحابية للاستيعاب والاستعلام في الوقت الفعلي¹¹^،¹². تم إعداد الأجهزة الجديدة تلقائيا عن طريق فحص رؤوس البيانات الواردة وتطبيق التصنيف الدلالي الديناميكي باستخدام نموذج المحاذاة المدرب¹⁴^،¹⁵.

تم تقييم أداء النظام على أربعة محاور: (1) جودة المحاذاة (مقاييس التصنيف أعلاه) ، (2) معدل التشغيل البيني (التفاعلات الناجحة عبر المصادر كنسبة مئوية من محاولات التفاعلات) ، (3) زمن انتقال شامل معرف بأنه المعادلة (4) ، و (4) استخدام الموارد (وحدة المعالجة المركزية والذاكرة).

L =_{استجابة} T -_{معادلة طلب}T (4)

تم أرشفة ملفات التكوين والسجلات والمخرجات بأسماء ملفات مستقرة وملف تمهيدي لتسهيل النسخ المتماثل المستقل¹⁹. مكن الإطار المكتمل باستمرار قابلية التشغيل البيني الدلالي في إعدادات إنترنت الأشياء غير المتجانسة. يتم تجميع مخرجات البيانات وسجلات الأداء والتكوينات لدعم قابلية التكرار والتحقق الخارجي¹¹^،¹²^،¹⁹.

تفاصيل التنفيذ للنسخ المتماثل
تم تنفيذ خط الأنابيب في Python (الإصدار 3.10 أو أحدث) باستخدام rdflib و owlready2 لمعالجة RDF / OWL ، و scikit-learn للتدريب على النموذج وتقييمه ، ومكتبات البيانات القياسية للمعالجة المسبقة⁸^،¹⁴^،¹⁵. تم إصلاح البذور العشوائية ، وتم تثبيت إصدارات المكتبة في ملف requirements.txt ، وتم استخدام بنية دليل أساسي: الأنطولوجيا / ، البيانات / الخام / ، البيانات / المعالجة / ، النماذج / ، والنتائج /. أسماء الملفات المشار إليها في النص هي دقيقة: semantic_data.rdf و alignment_results.json و alignment_model.pkl¹⁹.

تصميم البحث
تدمج هذه الدراسة الحسابية ذات الأساليب المختلطة النمذجة الدلالية مع وحدة محاذاة الأنطولوجيا الخاضعة للإشراف لتحسين قابلية التشغيل البيني عبر مصادر إنترنت الأشياء غير المتجانسة. يسير البروتوكول على النحو التالي باختصار: يتم جمع الأنطولوجيات العامة وتحليلها. يتم تعيين جداول إنترنت الأشياء الخام إلى مخطط RDF / OWL موحد¹⁰ ؛ يتم إنشاء مراسلات المرشحين من إشارات المعجمية والهيكلية ومثيل¹⁵^،¹⁶ ؛ يتم تدريب مجموعة شجرة القرار المدمجة على مجموعة مصنفة يدويا لقبول المباريات الفردية عند عتبة ثابتة^14,15; يتم دمج الرسوم البيانية / الجداول المحاذاة ؛ ويتم تقييم الأداء من خلال مقاييس مستوى المراسلات (الدقة ، الدقة ، الاستدعاء ، F1 ، مصفوفة الارتباك) وسلوك النظام (معدل التشغيل البيني ، زمن الوصول من طرف إلى طرف ، وحدة المعالجة المركزية / الذاكرة) ¹⁴^،¹⁵. تعمل طريقة التشابه المرجح للقواعد فقط كخط أساس¹⁶. يتم إصلاح البذور العشوائية وإصدارات المكتبات ، وتستخدم القطع الأثرية أسماء مستقرة (semantic_data.rdf و alignment_results.json و alignment_model.pkl) لدعم النسخ المتماثل. يوضح الشكل 2 الإطار العام لتصميم الأنطولوجيا الموحد في بيئات إنترنت الأشياء.

figure-protocol-2
الشكل 2: تصميم الأنطولوجيا الموحد في بيئات إنترنت الأشياء. يوضح الشكل الطبقات المعمارية الأساسية للأنطولوجيا الموحدة ، ويعرض النمذجة الدلالية ، وتكامل الذكاء الذكاء الاصطناعي ، وتجريد معرفة المجال من أجل التشغيل البيني السلس لبيانات إنترنت الأشياء. يدعم إطار العمل كلا من الهياكل الأنطولوجية عبر المجالات والخاصة بالمجال. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

جمع البيانات
تم جمع البيانات على مرحلتين متميزتين.

تقييم الأنطولوجيا: تم إجراء تحليل نقدي لأنطولوجيا إنترنت الأشياء الحالية والنماذج الدلالية لتحديد الفجوات في استراتيجيات التكامل الحالية. تم فحص مجموعات بيانات إنترنت الأشياء المتاحة للجمهور والأنطولوجيات الخاصة بالمجال لتقييم قيود المحاذاة الهيكلية والدلالية⁵^،⁶^،¹⁰^،¹¹.

المصادقة على المحاكمة: تم استخدام أنظمة إنترنت الأشياء في العالم الحقيقي (على سبيل المثال ، المنازل الذكية وتطبيقات الرعاية الصحية والأتمتة الصناعية) لجمع البيانات للتحقق من صحة إطار العمل. بالإضافة إلى ذلك ، تم إنشاء مجموعات بيانات محاكاة لتقييم أداء النظام في ظل ظروف خاضعة للرقابة وقابلة للتكرار⁸^،⁹^،¹¹^،¹².

تحليل البيانات
استخدمت مرحلة التحليل مزيجا من التقنيات الدلالية والإحصائية والقائمة على الذكاء الاصطناعي للتحقق من صحة الإطار المقترح.

تشمل التقويم العملي مطابقات السلسلة المعجمية باستخدام مسافة Levenshtein الطبيعية (NLD) للملصقات / المرادفات¹⁶ ؛ الأساليب القائمة على الرسم البياني الهيكلي التي تنشر أو تجمع التشابه الفيضانات التي تنشر التشابه على أحياء الفئة الفرعية / الطبقة الفائقة^12,15 ؛ تقنيات مدركة للمنطق / الحفاظ على التماسك تجمع بين المطابقة والمنطق للحفاظ على اتساق التعيينات¹⁵^،¹⁹ ؛ النهج المستندة إلى المثيل / الاحتمالية التي تستفيد من الأدلة من الحالات المشتركة أو المتوافقة¹⁷ ؛ والمطابقات الهجينة / المجموعة التي تدمج إشارات وقواعد^{متعددة 12}^،¹⁴^،¹⁵. تستخدم المتغيرات العصبية الحديثة تضمين الجملة السياقية لتسجيل أوجه التشابه بين المرشحين¹²^،¹⁴.

محاذاة الأنطولوجيا: تم استخدام خوارزميات المحاذاة عالية المستوى لحل التناقضات الدلالية بين أنطولوجيا إنترنت الأشياء غير المتجانسة. استخدمت هذه الخوارزميات القواعد الإرشادية وطرق التعلم الآلي (ML) لحساب التعيينات الدقيقة والحفاظ على قيود الاتساق¹⁵^،¹⁷. يعرض الشكل 3 عملية محاذاة الأنطولوجيا لتحقيق قابلية التشغيل البيني بين أجهزة إنترنت الأشياء.

figure-protocol-3
الشكل 3: عملية محاذاة الأنطولوجيا لقابلية التشغيل البيني لجهاز إنترنت الأشياء. يوضح هذا الرسم البياني عملية المحاذاة التي تحل عدم التطابق النحوي والدلالي بين الأجهزة في نظام بيئي غير متجانس لإنترنت الأشياء. يؤكد على دور مقاييس التشابه المعجمية والهيكلية والقائمة على المثيل المستخدمة في خوارزمية المحاذاة. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

النمذجة الدلالية: تم تطبيق استراتيجية النمذجة الدلالية المستندة إلى الذكاء الاصطناعي لتطوير أنطولوجيا موحدة تلتقط كلا من الدلالات الخاصة بالمجال وعبر المجالات. يدمج هذا النموذج تدفقات بيانات إنترنت الأشياء الثابتة والديناميكية ويتوافق مع أفضل ممارسات RDF / OWL ودلالات إنترنت الأشياء^{الراسخة 5}^،⁶^،¹⁰^،¹³ ، التي تدعم التطبيقات في الوقت الفعلي.

تقييم الأداء: قام الإعداد التجريبي بتقييم مقاييس الأداء الرئيسية ، بما في ذلك معدل التشغيل البيني وزمن الوصول وكفاءة النظام وقابلية التوسع ¹¹^،¹². تم إجراء تحليل مقارن مقابل تقنيات التكامل الأساسية لإثبات مرونة ومرونة الحل المقترح¹²^،¹⁴^،¹⁵^،¹⁶. يعرض الشكل 4 التدفق الحسابي والمكونات الحاسمة لمحاذاة الأنطولوجيا وعمليات النمذجة الدلالية.

figure-protocol-4
الشكل 4: النموذج الدلالي لتطبيقات إنترنت الأشياء في الوقت الفعلي. يسلط هذا الشكل الضوء على استراتيجية النمذجة الدلالية التي تدمج تكوينات الجهاز الثابت وتدفقات بيانات المستشعر الديناميكية في الأنطولوجيا الموحدة. تدعم البنية الإثراء الدلالي في الوقت الفعلي لاتخاذ القرارات المدركة للسياق. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

المعادلات الرئيسية
معادلة محاذاة الأنطولوجيا باستخدام مقاييس التشابه: لمحاذاة أنطولوجيا إنترنت الأشياء غير المتجانسة ، يتم حساب التشابه الكلي كمزيج مرجح من الإشارات المعجمية والهيكلية والمستندة إلى المثيل وفقا للمعادلة 1 أعلاه ، حيث Stotal هو التشابه الكلي بين عنصرين من عناصر الأنطولوجيا ، Slexical هو التشابه من المطابقة المعجمية (على سبيل المثال ، مسافة السلسلة الطبيعية) ، Sstructureal هو التشابه بناء على العلاقات الأساسية (على سبيل المثال ، التسلسل الهرمي بين الوالدين والطفل) ، Sinstance هو قابلية المقارنة بناء على بيانات المثيل (على سبيل المثال ، التداخل في أمثلة الاستخدام) ، و W1 و W2 و W3 هي معاملات وزن ، يتم تعديلها بناء على سياق التطبيق.

معادلة التحسين القائم على التعلم الآلي لرسم خرائط الأنطولوجيا: يمكن صياغة تحسين التعيينات كمشكلة في تقليل النفقات باستخدام قدرة سوء الحظ:

figure-protocol-5

حيث L هي قدرة سوء الحظ للتنبؤ برسم الخرائط ، yi هي تسمية الحقيقة الأرضية لرسم الخرائط ith ، y ^ i هي التسمية المتوقعة لرسم الخرائط ith ، ||Θ|| هو مصطلح التنظيم لمنع الإفراط في التجهيز ، λ هي معلمة التنظيم.

معادلة النمذجة الدلالية لتدفقات بيانات إنترنت الأشياء: يتم التعبير عن الإثراء الدلالي على أنه تحويل بيانات قائم على الأنطولوجيا وفقا للمعادلة 2 أعلاه ، حيث D_{الدلالي} هو مجموعة البيانات المشروحة دلاليا ، و D_raw هي بيانات إنترنت الأشياء الأولية ، و O هي الأنطولوجيا المستخدمة للتعليق التوضيحي ، و f_mapهي وظيفة رسم الخرائط المشتقة من الأنطولوجيا الموحدة.

معادلات مقاييس الأداء (قابلية التشغيل البيني وزمن الانتقال)
مؤشر قابلية التشغيل البيني (النسبة المئوية للتفاعلات الناجحة عبر المصادر):

I_index = (التفاعلات الناجحة / إجمالي التفاعلات) × 100 معادلة (5)

يتم حساب زمن الانتقال (المستنسخ هنا من أجل الاكتمال) وفقا للمعادلة 4 أعلاه ، حيث I_index هو مؤشر قابلية التشغيل البيني (٪) ، و L هو زمن الانتقال (مللي ثانية) ، T_response هو الطابع الزمني للاستجابة ، و T_request هو الطابع الزمني للطلب.

معادلة تحليل قابلية التوسع للنظام البيئي لإنترنت الأشياء
التعقيد الحسابي فيما يتعلق بعدد الأجهزة وعناصر الأنطولوجيا:

C = O (n · m) المعادلة (6)

حيث C هو التعقيد الحسابي ، و n هو عدد أجهزة إنترنت الأشياء ، و m هو عدد عناصر الأنطولوجيا.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

النتائج

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

جمع وتقييم الأنطولوجيا
كشف تحليل الأنطولوجيا عن تناقضات كبيرة عبر أنطولوجيا إنترنت الأشياء الخاصة بالمجال من حيث التسلسل الهرمي للفئة والتسميات الدلالية وتعريفات خصائص البيانات. كانت هذه التناقضات أكثر وضوحا بين مجموعات بيانات الرعاية الصحية والمنزل الذكي ، مما يدل على معدل عدم تطابق هيكلي بنسبة 28٪. أثبتت حدة تحديد هذه الاختلافات الفرضية الأولية القائلة بأن الافتقار إلى التوحيد القياسي يضعف قابلية التشغيل البيني عبر بيئات إنترنت الأشياء. وكانت حالات عدم التطابق هذه بمثابة عنصر تحكم أساسي لتقييم التحس...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المناقشة

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يوضح إطار العمل المطور القائم على التعلم الآلي فعاليته في مواجهة تحديات قابلية التشغيل البيني الدلالي في بيئات إنترنت الأشياء غير المتجانسة. من خلال بروتوكول منظم يدمج النمذجة الدلالية ومحاذاة الأنطولوجيا القائمة على التعلم الآلي ونشر البرامج الوسيطة المستندة إلى السحابة ، حقق النظام دقة عالية في محاذاة الأنطولوجيا وتكاملا متسقا للبيانات عبر الأجهزة المتنوعة.

خطوات البروتوكول الهامة
وهناك عدة خطوات في إطار البروتوكول المقترح ضرورية لنجاحه ا...

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

الإفصاحات

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يعلن المؤلفون أنه ليس لديهم تضارب في المصالح للإبلاغ عن الدراسة الحالية.

شكر وتقدير

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

لم تتلق هذه الدراسة أي تمويل.

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

المواد

قائمة المواد المستخدمة في هذه المقالة
الاسم	الشركة	رقم فهرسي	التعليقات
منصة البرامج الوسيطة المستندة إلى السحابة	مفتوح المصدر / مملوك (على سبيل المثال ، Firebase)	غير متاح	يسهل استيعاب البيانات وتخزينها في الوقت الفعلي.
أنطولوجيا المدخلات	المستودعات العامة (على سبيل المثال، LOV)	غير متاح	أنطولوجيا OWL/RDF الخاصة بالمجال لبيئات إنترنت الأشياء.
مكتبة التعلم الآلي	مفتوح المصدر (على سبيل المثال ، scikit-learn)	غير متاح	تستخدم للتدريب على نموذج التصنيف الخاضع للإشراف.
أداة محاكاة الشبكة	مفتوح المصدر / تجاري (على سبيل المثال ، NetSim)	غير متاح	إنشاء مجموعات بيانات محاكاة غير متجانسة لأجهزة إنترنت الأشياء.
برنامج تحرير الأنطولوجيا	مفتوح المصدر (على سبيل المثال ، Prot & eacute; ز é)	غير متاح	تستخدم لتحليل الأنطولوجيا وتحريرها وتصورها.
بيئة البرمجة	مفتوح المصدر (على سبيل المثال ، بايثون)	غير متاح	ينفذ نماذج التعلم الآلي ومعالجة البيانات.
تدفقات بيانات إنترنت الأشياء الخام	مصادر مجموعة البيانات العامة / المخصصة	غير متاح	ملفات CSV أو JSON التي تحتوي على بيانات جهاز IoT الأولية.
ملفات إخراج RDF	تم إنشاؤه أثناء الدراسة	غير متاح	ملفات RDF/XML تمثل بيانات إنترنت الأشياء الغنية دلاليا.
مكتبة التحليل الدلالي	مفتوح المصدر (على سبيل المثال ، RDFLib)	غير متاح	يحول بيانات إنترنت الأشياء إلى ثلاثة أضعاف RDF للنمذجة الدلالية.
محرك الاستعلام SPARQL	مفتوح المصدر	غير متاح	التحقق من صحة تناسق بيانات RDF باستخدام استعلامات SPARQL.

المراجع

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Al-Fuqaha, A., Guizani, M., Mohammadi, M., Aledhari, M., Ayyash, M. Internet of Things: A survey on enabling technologies, protocols, and applications. IEEE Commun Surv Tutor. 17 (4), 2347-2376 (2015).
Fortino, G., et al. Towards multi-layer interoperability of heterogeneous IoT platforms: The INTER-IoT approach. Integration, Interconnection, and Interoperability of IoT Systems. , 199-232 (2018).
Perera, C., Zaslavsky, A., Christen, P., Georgakopoulos, D. Context aware computing for the Internet of Things: A survey. IEEE Commun Surv Tutor. 16 (1), 414-454 (2014).
Nambi, S. A. U., Sarkar, C., Prasad, R. V., Rahim, A. A. A unified semantic knowledge base for IoT. Proceedings of IEEE World Forum on Internet of Things (WF-IoT). , 575-580 (2014).
Sheth, A., Henson, C., Sahoo, S. S. Semantic sensor web. IEEE Internet Comput. 12 (4), 78-83 (2008).
Compton, M., et al. The SSN ontology of the W3C semantic sensor network incubator group. J Web Semant. 17, 25-32 (2012).
Barnaghi, P., Wang, W., Henson, C., Taylor, K. Semantics for the Internet of Things: Early progress and back to the future. Int J Semant Web Inf Syst. 8 (1), 1-21 (2012).
Agarwal, R., et al. Unified IoT ontology to enable interoperability and federation of testbeds. Proceedings of IEEE 3rd World Forum on Internet of Things (WF-IoT). , 70-75 (2016).
Rahman, H., Hussain, M. I. A comprehensive survey on semantic interoperability for Internet of Things: State-of-the-art and research challenges. Trans Emerg Telecommun Technol. 31 (12), e3902(2020).
Gyrard, A., et al. Semantic web methodologies, best practices and ontology engineering applied to Internet of Things. Int J Web Grid Serv. 10 (3), 244-269 (2014).
Ganzha, M., et al. Semantic interoperability in the Internet of Things: An overview from the INTER-IoT perspective. J Netw Comput Appl. 81, 85-99 (2017).
Gyrard, A., Zimmermann, A., Krishnaswamy, S. Semantic web technologies for the Internet of Things: A comprehensive survey. Semant Web. 9 (5), 513-563 (2018).
Balaji, B., et al. Towards a unified metadata schema for buildings. Proc ACM BuildSys. , 41-50 (2016).
Zhou, Q., et al. Machine learning approaches to ontology alignment: A comprehensive survey. IEEE Access. 7, 151073-151095 (2019).
Paulheim, H. Knowledge graph refinement: A survey of approaches and evaluation methods. Semant Web. 8 (3), 489-508 (2017).
Yujian, L., Bo, L. A normalized Levenshtein distance metric. IEEE Trans Pattern Anal Mach Intell. 29 (6), 1091-1095 (2007).
D'Amato, C., Fanizzi, N., Esposito, F. Inductive learning for the semantic web: What does it buy. Semant Web. 1 (1), 53-59 (2010).
Balaji, B., et al. Towards a unified metadata schema for buildings. Proceedings of ACM BuildSys. , 41-50 (2016).
Poveda-Villalón, M., Suárez-Figueroa, M. C., Gómez-Pérez, A. Validating ontologies with OOPS! (OntOlogy Pitfall Scanner!). Int J Semant Web Inf Syst. 10 (2), 7-34 (2014).

الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.

إعادة الطباعة والأذونات

طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه

طلب إذن

نحو أنطولوجيا إنترنت الأشياء الموحدة باستخدام إطار عمل قائم على التعلم الآلي لتبادل البيانات بسلاسة

في هذه المقالة

ملخص

الملخص

المقدمة

البروتوكول

النتائج

المناقشة

الإفصاحات

شكر وتقدير

المواد

المراجع

إعادة الطباعة والأذونات

الوسوم

مقالات ذات صلة