Auf dem Weg zu standardisierten IoT-Ontologien unter Verwendung eines auf maschinellem Lernen basierenden Frameworks für einen nahtlosen Datenaustausch

Zusammenfassung

In dieser Studie wird ein auf maschinellem Lernen basierendes Framework für die Echtzeit-Ausrichtung der IoT-Ontologie vorgestellt, das einen nahtlosen Datenaustausch zwischen heterogenen Systemen ermöglicht. Durch die Integration von semantischer Modellierung und adaptiver Optimierung verbessert der Ansatz die Interoperabilität, reduziert die Latenz und erreicht eine hohe Genauigkeit. Es wurde in der Praxis validiert und bietet eine skalierbare, standardisierte IoT-Integrationslösung.

Zusammenfassung

Die zunehmende Heterogenität von IoT-Geräten (Internet of Things) hat zu erheblichen Herausforderungen bei der Erreichung von Echtzeit-Interoperabilität und nahtlosem Datenaustausch geführt. Bestehende IoT-Ökosysteme arbeiten oft mit unterschiedlichen Datenmodellen, Kommunikationsprotokollen und semantischen Repräsentationen, was zu fragmentierten Systemen führt, die die Integration behindern. Um dieses Problem anzugehen, schlagen wir ein einheitliches Framework vor, das auf maschinellem Lernen basierende Ontologieausrichtung für eine standardisierte, adaptive IoT-Integration verwendet. Die Hypothese, die dieser Forschung zugrunde liegt, ist, dass die Kombination von semantischer Modellierung mit intelligenten Optimierungstechniken die Konsistenz und Effizienz des Datenaustauschs in heterogenen IoT-Umgebungen erheblich verbessern kann. Das vorgeschlagene Framework integriert die Verarbeitung von Echtzeit-Datenströmen, semantische Ähnlichkeitsanalyse und adaptives Ontologie-Mapping, um Geräteontologien dynamisch auszurichten. Anhand simulierter und realer Umgebungen, einschließlich Smart Homes und Gesundheitssystemen, wurde das Framework anhand wichtiger Leistungskennzahlen wie Genauigkeit, Latenz und Interoperabilitätsrate getestet. Die Ergebnisse zeigen, dass die vorgeschlagene Methode eine hohe Ontologie-Alignment-Genauigkeit von 97 % erreicht, die Latenz auf unter 20 ms reduziert und eine Interoperabilität von über 95 % zwischen verschiedenen Gerätetypen aufrechterhält. Die Ergebnisse bestätigen, dass die Integration von Algorithmen des maschinellen Lernens mit semantischer Modellierung die Leistung, Skalierbarkeit und Anpassungsfähigkeit von IoT-Systemen erheblich verbessert. Das Framework behebt erfolgreich semantische Inkonsistenzen und unterstützt das dynamische Onboarding von Geräten ohne manuelle Eingriffe. Diese Studie stellt eine robuste und skalierbare Lösung für die IoT-Interoperabilität vor, die eine intelligente Ontologieausrichtung in Echtzeit bietet, die an sich entwickelnde Geräte und Datenstandards angepasst werden kann. Diese Arbeit trägt zur Entwicklung von IoT-Architekturen der nächsten Generation bei, die in der Lage sind, eine standardisierte, effiziente und automatisierte Kommunikation über verschiedene Anwendungen hinweg zu unterstützen.

Einleitung

Das Internet der Dinge (IoT) entwickelt sich rasant zu einer Kerninfrastruktur für intelligente Umgebungen, die eine Vielzahl heterogener Geräte miteinander verbindet, die in verschiedenen Bereichen wie Gesundheitswesen, Smart Cities, Landwirtschaft und industrieller Automatisierung eingesetzt werden ^1,2,3. Diese Geräte generieren große Datenmengen und sind auf semantisches Verständnis angewiesen, um sinnvoll zu kommunizieren 4,5,6,7. Das Fehlen einer standardisierten semantischen Struktur hat sich jedoch als Haupthindernis für einen nahtlosen Datenaustausch erwiesen 8,9,10,11,12. Unterschiedliche Ontologien, unterschiedliche Protokolle und inkonsistente Datenmodelle schränken die Interoperabilität ein und erschweren eine effiziente Zusammenarbeit von Geräten in Echtzeit. Diese semantische Fragmentierung führt häufig zu Fehlinterpretationen, erhöhter Latenz und Integrationsfehlern, die die Skalierbarkeit und Leistung des Systems beeinträchtigen ^5,12,13. Daher besteht ein dringender Bedarf an einem vereinheitlichenden Ansatz, der semantische Darstellungen standardisieren und sich gleichzeitig an die dynamische Natur von IoT-Umgebungen anpassen^kann 6,10,11,12.

Diese Studie schlägt ein neuartiges, auf maschinellem Lernen basierendes Framework für die Echtzeit-Ontologieausrichtung vor, um diese Interoperabilitätsherausforderungen zu bewältigen 4,8,9,11,14. Das Framework kombiniert fortschrittliche semantische Modellierung, adaptives Ontologie-Mapping und Datenstromintegration ^9,10,13, um IoT-Ontologien dynamisch auszurichten. Die Nutzung von Techniken des maschinellen Lernens für die Ontologieausrichtung kann die semantische Konsistenz und Integrationseffizienz in heterogenen IoT-Systemen erheblich verbessern ^8,9,14,15. Im Gegensatz zu herkömmlichen regelbasierten Methoden 4,5,7,8,9,10,13 verwendet der vorgeschlagene Ansatz gewichtete Ähnlichkeitsmaße, strukturelle und lexikalische Zuordnungen sowie Optimierungsalgorithmen, die sich an eingehende Daten anpassen 15,16,17 . Die experimentelle Validierung wurde sowohl in simulierten als auch in realen Umgebungen durchgeführt, einschließlich Smart Homes und Gesundheitssystemen. Die Ergebnisse zeigen, dass das Framework eine Ontologie-Alignment-Genauigkeit von 97 % erreicht, die durchschnittliche Latenz auf unter 20 ms reduziert und Interoperabilitätsraten von über 95 % hinweg über Gerätetypen hinweg aufrechterhält⁸.

Die Anpassungsfähigkeit des vorgeschlagenen Rahmens unterscheidet ihn weiter von bestehenden Lösungen ^9,13,15. Wenn neue Geräte dem Netzwerk beitreten, aktualisiert das System automatisch semantische Beziehungen, ohne dass eine manuelle Neukonfiguration erforderlich^ist 5,6,8,9,13,15. Möglich wird dies durch die Integration von lernbasierter Optimierung, die semantische Diskrepanzen und Rechenaufwand minimiert ^8,9. Das System weist auch eine verbesserte Leistung bei der Speicher- und CPU-Auslastung auf, wodurch es für Umgebungen mit eingeschränkten Ressourcen geeignet^ist 1,2,3,11,12. Durch die Behebung semantischer Inkonsistenz, Latenz und Skalierbarkeit in einer einheitlichen Architektur legt diese Arbeit den Grundstein für ein standardisiertes, intelligentes und zukunftsfähiges IoT-Kommunikationsmodell^13,18.

Das Ziel dieser Studie ist es, ein auf maschinellem Lernen basierendes Framework für die Echtzeit-Ontologieausrichtung zu entwickeln und zu validieren, um die semantische Interoperabilität in heterogenen IoT-Umgebungen zu erleichtern. Die Studie umfasst die folgenden Phasen: (1) Ontologieerfassung und -analyse, (2) Semantische Modellierung und Ausrichtung, (3) auf maschinellem Lernen basierende Optimierung und (4) Validierung in der realen Welt in simulierten und Live-IoT-Kontexten. Das experimentelle Framework wurde anhand von öffentlichen Datensätzen, simulierten Umgebungen und Live-Bereitstellungen in Smart-Home- und Gesundheitsumgebungen getestet. Eine schematische Darstellung eines auf maschinellem Lernen basierenden IoT-Ontologie-Alignment-Frameworks ist in Abbildung 1 dargestellt.

Abbildung 1: Auf maschinellem Lernen basierendes Framework für die Ausrichtung der IoT-Ontologie. Diese Abbildung zeigt einen Überblick über das vorgeschlagene Framework, das Techniken des maschinellen Lernens integriert, um Ontologien über heterogene IoT-Systeme hinweg auszurichten. Die Pipeline umfasst die Bewertung der semantischen Ähnlichkeit, die Optimierung durch Verlustminimierung und die iterative Verfeinerung für eine verbesserte Interoperabilität. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Protokoll

Diese Forschung umfasste weder Menschen noch Wirbeltiere oder Gewebeproben. Alle Experimente wurden in Übereinstimmung mit den Richtlinien der institutionellen computergestützten Forschung an der J. C. Bose University of Science & Technology, YMCA, Faridabad, durchgeführt.

Sammlung und Auswertung von Ontologien
Öffentliche Ontologien, die für das Gesundheitswesen, Smart Homes und industrielle Überwachung relevant sind, wurden aus etablierten Repositorien bezogen, einschließlich Linked Open Vocabularies (LOV) und domänenspezifischer Portale, in den RDF/OWL-Formaten ^1,2,3. Jede Ontologie wurde in einem Ontologie-Editor (z. B. Protégé) überprüft und programmgesteuert analysiert, um Klassenhierarchien, Objekt- und Dateneigenschaften sowie zugehörige Metadaten in Übereinstimmung mit den RDF/OWL-Spezifikationen ^1,2 zu extrahieren.

Für paarweise Vergleiche wurde die lexikalische Ähnlichkeit zwischen Klassenbeschriftungen unter Verwendung einer normalisierten Zeichenfolgenähnlichkeit auf Bearbeitungsdistanz berechnet⁴. Die strukturelle Ähnlichkeit wurde durch das Durchlaufen von Subklassen- und Superklassenbeziehungen und die Berechnung von Überlappungsverhältnissen lokaler Nachbarschaften abgeleitet. Die Ähnlichkeit der Instanzen wurde bewertet, indem gemeinsam genutzte oder kompatible Instanzen über Ontologien hinweg erkannt und die Datentypkompatibilität überprüft wurde. Eine kombinierte Punktzahl wurde als Gleichung (1) definiert:

S_gesamt=w1S_lexikalisch+w2S_strukturell+w3S_Instanz Gleichung (1)

mit den Anfangsgewichtungen w1 = 0,5, w2 = 0,3, w3 = 0,2 und einem Schwellenwert, der aus einer Teilmenge der zurückgehaltenen Validierung ausgewählt wurde. Kandidatenkorrespondenzen mit kombinierten Punktzahlen bei oder über dem Schwellenwert wurden in einem CSV-Register mit Ontologie-Identifikatoren, Entitäts-IRIs, Komponentenbewertungen und dem Entscheidungsergebnis für die nachgelagerte Ausrichtung protokolliert.

Semantische Modellierung und Datenintegration
Um rohe IoT-Streams in ontologiekonforme Darstellungen umzuwandeln, wurde eine einheitliche Ontologie erstellt, die statische Metadaten (z. B. Student, Kurs, Gerät) und dynamische Beobachtungen (z. B. Sensor, Beobachtung, Zeitstempel) abdeckt und sich an den Best Practices von RDF/OWL¹⁰ und der etablierten IoT-Semantik ^5,6,13 orientiert. Die semantische Transformation wurde durch die Mapping-Funktion definiert:

D_semantisch=f_map (D_raw, O) Gleichung (2)

wobei O die angewandte Ontologie bezeichnet und f_map Tripel mit stabilen IRIs materialisiert. Transformierte Daten wurden als RDF gespeichert und mit SPARQL-Abfragen auf Konsistenz validiert. ein SPARQL-Endpunkt wurde konfiguriert, um semantische Abfragen über Quellen¹⁹ hinweg zu unterstützen. Das resultierende RDF-Artefakt wurde als semantic_data.rdf archiviert, und es wurde ein synchronisierter tabellarischer Export (eine normalisierte breite Tabelle) für Lernaufgaben erstellt, einschließlich einer Datenprovenienzspalte, die den Ursprung des Merkmals und alle angewendeten Imputationen oder Skalierungen angibt.

Ontologieausrichtung mithilfe von maschinellem Lernen
Ein hybrider Ansatz kombinierte regelbasierte Ähnlichkeitssignale mit überwachtem Lernen, um Korrespondenzen mit hohem Vertrauen auszuwählen^14,15. Der Trainingssatz umfasste 2.500 manuell annotierte Ontologie-Element-Paare (übereinstimmend oder nicht übereinstimmend), um ein ausgewogenes Dataset zu erstellen. Zu den Merkmalen gehörten die drei Ähnlichkeitskomponenten zusammen mit Hilfsstatistiken wie dem Unterschied zwischen Etikettenlänge. In Anlehnung an die etablierte Praxis¹⁴ wurde ein Entscheidungsbaum-Ensemble (Random Forest) mit 100 Bäumen, einer maximalen Tiefe von 10, class_weight = "balanced" und einem festen Random Seed (42) trainiert. Das Lernziel wurde als Gleichung (3) formalisiert:

Gleichung (3)

Dabei ist y_i das Ground-Truth-Label, y_i^{^} das vorhergesagte Label und λ stellt den Regularisierungsparameter dar.

Nach der Wahrscheinlichkeitskalibrierung wurden Paare mit einer vorhergesagten Wahrscheinlichkeit ≥ 0,50 beibehalten, und Eins-zu-Eins-Einschränkungen wurden erzwungen, um m:eins-Zuordnungen zu vermeiden. Die endgültige Mapping-Datei, einschließlich Quell- und Ziel-IRIs, Konfidenzbewertungen und Feature-Beiträgen, wurde wie folgt serialisiert: alignment_results.json; Das trainierte Modellartefakt wurde als alignment_model.pkl gespeichert. Die Modellqualität wurde an einem Hold-Out-Testsatz unter Verwendung von Genauigkeit, Präzision, Erinnerung, F1-Score und einer Konfusionsmatrix mit 95%-Konfidenzintervallen berichtet, die durch fünffache Kreuzvalidierung berechnet wurden^14,15.

Einsatz und Evaluierung in der Praxis
Eine simulierte Umgebung mit 1.000 heterogenen Geräten wurde erstellt, um die Aufnahme und Ausrichtung einem Stresstest zu unterziehen, gefolgt von realen Streams aus Smart-Home- und Gesundheitseinrichtungen ^5,11. Ontologie-ausgerichtete Daten wurden in eine Cloud-Middleware-Schicht integriert, um die Aufnahme und Abfrage in Echtzeit^{zu ermöglichen 11,12}. Neue Geräte wurden automatisch integriert, indem eingehende Datenheader untersucht und eine dynamische semantische Klassifizierung unter Verwendung des trainierten Ausrichtungsmodells^14,15 angewendet wurde.

Die Systemleistung wurde entlang von vier Achsen bewertet: (i) Ausrichtungsqualität (die oben genannten Klassifizierungsmetriken), (ii) Interoperabilitätsrate (erfolgreiche quellübergreifende Interaktionen als Prozentsatz der versuchten Interaktionen), (iii) End-to-End-Latenz, definiert als Gleichung (4), und (iv) Ressourcennutzung (CPU und Speicher).

L= T_Antwort−T_Anforderung Gleichung (4)

Konfigurationsdateien, Protokolle und Ausgaben wurden mit stabilen Dateinamen und einer README-Datei archiviert, um eine unabhängige Replikation^{zu erleichtern 19}. Das fertiggestellte Framework ermöglichte konsequent semantische Interoperabilität in heterogenen IoT-Umgebungen. Datenausgaben, Leistungsprotokolle und Konfigurationen werden gebündelt, um Reproduzierbarkeit und externe Validierung zu unterstützen 11,12,19.

Implementierungsdetails für die Replikation
Die Pipeline wurde in Python (Version 3.10 oder höher) unter Verwendung von rdflib und owlready2 für die RDF/OWL-Handhabung, scikit-learn für das Modelltraining und die Auswertung sowie Standarddatenbibliotheken für die Vorverarbeitung ^8,14,15 implementiert. Zufällige Startwerte wurden korrigiert, Bibliotheksversionen wurden in einer requirements.txt Datei angeheftet und es wurde eine kanonische Verzeichnisstruktur verwendet: ontologies/, data/raw/, data/processed/, models/ und results/. Die Dateinamen, auf die im Text verwiesen wird, sind genau: semantic_data.rdf, alignment_results.json und alignment_model.pkl¹⁹.

Forschungsdesign
Diese computergestützte Mixed-Methods-Studie integriert die semantische Modellierung mit einem überwachten Ontologie-Alignment-Modul, um die Interoperabilität zwischen heterogenen IoT-Quellen zu verbessern. Das Protokoll geht kurz wie folgt vor: Öffentliche Ontologien werden gesammelt und geparst; rohe IoT-Tabellen werden auf ein einheitliches RDF/OWL-Schema¹⁰ abgebildet; Kandidatenkorrespondenzen werden aus lexikalischen, strukturellen und Instanzsignalen generiert^15,16; Ein kompaktes Entscheidungsbaum-Ensemble wird auf einem manuell beschrifteten Satz trainiert, um Eins-zu-Eins-Übereinstimmungen bei einem festen Schwellenwert^14,15 zu akzeptieren; ausgerichtete Grafiken/Tabellen werden verschmolzen; und Leistung wird anhand von Metriken auf Korrespondenzebene (Genauigkeit, Präzision, Abruf, F1, Konfusionsmatrix) und Systemverhalten (Interoperabilitätsrate, End-to-End-Latenz, CPU/Speicher) ^{bewertet14,15}. Eine rein regelbasierte gewichtete Ähnlichkeitsmethode dient als Ausgangswert¹⁶. Zufällige Startwerte und Bibliotheksversionen sind festgelegt, und Artefakte verwenden stabile Namen (semantic_data.rdf, alignment_results.json, alignment_model.pkl), um die Replikation zu unterstützen. Abbildung 2 veranschaulicht das Gesamtframework für Unified Ontology Design in IoT-Umgebungen.

Abbildung 2: Einheitliches Ontologiedesign in IoT-Umgebungen. Die Abbildung veranschaulicht die wichtigsten Architekturschichten der einheitlichen Ontologie und zeigt semantische Modellierung, KI-Integration und Domänenwissensabstraktion für eine nahtlose Interoperabilität von IoT-Daten. Das Framework unterstützt sowohl domänenübergreifende als auch domänenspezifische ontologische Strukturen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Datensammlung
Die Datenerhebung erfolgte in zwei verschiedenen Phasen.

Ontologie-Evaluation: Eine kritische Analyse bestehender IoT-Ontologien und semantischer Modelle wurde durchgeführt, um Lücken in den aktuellen Integrationsstrategien zu identifizieren. Öffentlich zugängliche IoT-Datensätze und domänenspezifische Ontologien wurden untersucht, um die Einschränkungen der strukturellen und semantischen Ausrichtung zu bewerten 5,6,10,11.

Befürwortung der Studie: Reale IoT-Systeme (z. B. Smart Homes, Anwendungen im Gesundheitswesen, industrielle Automatisierung) wurden verwendet, um Daten für die Validierung des Frameworks zu sammeln. Zusätzlich wurden simulierte Datensätze generiert, um die Leistung des Systems unter kontrollierten und wiederholbaren Bedingungen zu bewerten 8,9,11,12.

Datenanalyse
In der Analysephase wurde eine Kombination aus semantischen, statistischen und KI-basierten Techniken eingesetzt, um das vorgeschlagene Framework zu validieren.

Zu den praktischen Alignern gehören lexikalische String-Matcher, die den normalisierten Levenshtein-Abstand (NLD) für Beschriftungen/Synonyme verwenden¹⁶; auf Strukturgraphen basierende Methoden, die Ähnlichkeit propagieren oder aggregieren Überflutung, die Ähnlichkeit über Subklassen-/Superklassen-Nachbarschaften propagiert^12,15; logikbewusste/kohärente Techniken, die Matching mit Argumentation kombinieren, um Zuordnungen konsistent zu halten^15,19; instanzbasierte/probabilistische Ansätze, die Beweise aus gemeinsam genutzten oder kompatiblen Instanzen nutzen¹⁷; und Hybrid-/Ensemble-Matcher, die mehrere Signale und Regeln 12,14,15 fusionieren. Neuere neuronale Varianten verwenden kontextuelle Satzeinbettungen, um die Ähnlichkeiten der Kandidaten zu bewerten^12,14.

Ausrichtung der Ontologie: High-Level-Alignment-Algorithmen wurden verwendet, um semantische Diskrepanzen zwischen heterogenen IoT-Ontologien zu beheben. Diese Algorithmen nutzten heuristische Regeln und Methoden des maschinellen Lernens (ML), um genaue Mappings zu berechnen und Konsistenzbeschränkungen einzuhalten^15,17. Abbildung 3 zeigt den Ontologieausrichtungsprozess zum Erreichen der Interoperabilität zwischen IoT-Geräten.

Abbildung 3: Ontologie-Alignment-Prozess für die Interoperabilität von IoT-Geräten. Dieses Diagramm veranschaulicht den Ausrichtungsprozess, der syntaktische und semantische Diskrepanzen zwischen Geräten in einem heterogenen IoT-Ökosystem aufhebt. Er betont die Rolle lexikalischer, struktureller und instanzbasierter Ähnlichkeitsmetriken, die im Alignment-Algorithmus verwendet werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Semantische Modellierung: Eine KI-gesteuerte semantische Modellierungsstrategie wurde angewendet, um eine einheitliche Ontologie zu entwickeln, die sowohl domänenspezifische als auch domänenübergreifende Semantik erfasst. Dieses Modell integriert statische und dynamische IoT-Datenströme und entspricht den Best Practices von RDF/OWL und der etablierten IoT-Semantik 5,6,10,13 und unterstützt Echtzeitanwendungen.

Leistungsbewertung: Der Versuchsaufbau bewertete wichtige Leistungsmetriken, einschließlich Interoperabilitätsrate, Latenz, Systemeffizienz und Skalierbarkeit ^11,12. Eine vergleichende Analyse wurde anhand von Basisintegrationstechniken durchgeführt, um die Flexibilität und Belastbarkeit der vorgeschlagenen Lösung zu demonstrieren 12,14,15,16. Abbildung 4 zeigt den Rechenfluss und die kritischen Komponenten der Ontologieausrichtung und der semantischen Modellierungsprozesse.

Abbildung 4: Semantisches Modell für Echtzeit-IoT-Anwendungen. Diese Abbildung verdeutlicht die semantische Modellierungsstrategie, die statische Gerätekonfigurationen und dynamische Sensordatenströme in die einheitliche Ontologie integriert. Die Architektur unterstützt die semantische Anreicherung in Echtzeit für eine kontextsensitive Entscheidungsfindung. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.

Schlüsselgleichungen
Gleichung für die Ontologieausrichtung unter Verwendung von Ähnlichkeitsmetriken: Um heterogene IoT-Ontologien aufeinander abzustimmen, wird die aggregierte Ähnlichkeit als gewichtete Mischung aus lexikalischen, strukturellen und instanzbasierten Signalen gemäß Gleichung 1 oben berechnet, wobei Stotal die aggregierte Ähnlichkeit zwischen zwei Ontologieelementen ist, Slexical die Ähnlichkeit aus dem lexikalischen Abgleich (z. B. normalisierter Zeichenfolgenabstand), Sstructural die Ähnlichkeit basierend auf zugrunde liegenden Beziehungen (z. B. Parent-Kid-Hierarchie) und Sinstance die Vergleichbarkeit auf der Grundlage von Instanzdaten (z. B. Überlappung in Anwendungsbeispielen), und w1, w2, w3 sind Gewichtungskoeffizienten, die je nach Anwendungskontext angepasst werden.

Gleichung für die auf maschinellem Lernen basierende Optimierung für das Ontologie-Mapping: Die Erweiterung von Mappings kann als Problem der Kostenminimierung unter Verwendung einer Unglücksfunktion formuliert werden:

wobei L die Unglücksfähigkeit für die Kartierungsvorhersage ist, yi das Ground-Truth-Label für das i-te Mapping, y^i das vorhergesagte Label für das i-te Mapping ist, ||Θ|| ist ein Regularisierungsbegriff, um eine Überanpassung zu verhindern, λ ist ein Regularisierungsparameter.

Gleichung für die semantische Modellierung von IoT-Datenströmen: Die semantische Anreicherung wird als ontologiebasierte Datentransformation gemäß Gleichung 2 oben ausgedrückt, wobei D_semantisch das semantisch annotierte Dataset ist, D_raw die IoT-Rohdaten, O die für die Annotation verwendete Ontologie und f_map die Zuordnungsfunktion, die von der einheitlichen Ontologie abgeleitet wird.

Gleichungen für Leistungsmetriken (Interoperabilität und Latenz)
Interoperabilitätsindex (Prozentsatz erfolgreicher quellübergreifender Interaktionen):

I_index = (erfolgreiche Wechselwirkungen / Wechselwirkungen insgesamt) x 100 Gleichung (5)

Die Latenz (hier der Vollständigkeit halber wiedergegeben) wird gemäß Gleichung 4 oben berechnet, wobei I_index der Interoperabilitätsindex (in %), L die Latenz (ms), T_response der Antwortzeitstempel und T_request der Anforderungszeitstempel ist.

Gleichung für die Skalierbarkeitsanalyse des IoT-Ökosystems
Rechenkomplexität in Bezug auf die Anzahl der Geräte und Ontologieelemente:

C = O(n · m) Gleichung (6)

Dabei steht C für die Rechenkomplexität, n für die Anzahl der IoT-Geräte und m für die Anzahl der Ontologieelemente.

Ergebnisse

Sammlung und Auswertung von Ontologien
Die Ontologieanalyse ergab erhebliche Inkonsistenzen zwischen domänenspezifischen IoT-Ontologien in Bezug auf Klassenhierarchie, semantische Bezeichnungen und Definitionen von Dateneigenschaften. Diese Inkonsistenzen waren zwischen den Datensätzen im Gesundheitswesen und im Smart-Home-Bereich ausgeprägter und zeigten eine strukturelle Diskrepanzrate von 28 %. Die Identifizierung dieser Variationen bestätigte die ursprüngliche Hypothese, dass mangelnde Standardisi...

Diskussion

Das entwickelte, auf maschinellem Lernen basierende Framework demonstriert seine Wirksamkeit bei der Bewältigung semantischer Interoperabilitätsherausforderungen in heterogenen IoT-Umgebungen. Durch ein strukturiertes Protokoll, das semantische Modellierung, auf maschinellem Lernen basierende Ontologieausrichtung und Cloud-basierte Middleware-Bereitstellung integriert, erreichte das System eine hohe Genauigkeit der Ontologieausrichtung und eine konsistente Datenintegration über verschied...

Materialien

Liste der in diesem Artikel verwendeten Materialien

Name	Unternehmen	Katalognummer	Kommentare
Cloud-basierte Middleware-Plattform	Open-Source / Proprietär (z. B. Firebase)	N/A	Erleichtert die Aufnahme und Speicherung von Daten in Echtzeit.
Eingabe-Ontologien	Öffentliche Repositories (z. B. LOV)	N/A	Domänenspezifische OWL/RDF-Ontologien für IoT-Umgebungen.
Bibliothek für maschinelles Lernen	Open Source (z.B. scikit-learn)	N/A	Wird für das Training von überwachten Klassifikationsmodellen verwendet.
Netzwerk-Simulationstool	Open-Source / Kommerziell (z.B. NetSim)	N/A	Generiert simulierte heterogene IoT-Gerätedatasets.
Ontologie-Bearbeitungssoftware	Open-Source (z. B. Proté gé)	N/A	Wird für das Parsen, Bearbeiten und Visualisieren von Ontologien verwendet.
Programmierumgebung	Open Source (z. B. Python)	N/A	Implementiert Machine Learning-Modelle und Datenverarbeitung.
IoT-Rohdatenströme	Öffentliche/benutzerdefinierte Datensatzquellen	N/A	CSV- oder JSON-Dateien, die rohe IoT-Gerätedaten enthalten.
RDF-Ausgabedateien	In der Studie generierte	N/A	RDF/XML-Dateien, die semantisch angereicherte IoT-Daten darstellen.
Semantische Parsing-Bibliothek	Open Source (z. B. RDFLib)	N/A	Konvertiert IoT-Daten in RDF-Tripel für die semantische Modellierung.
SPARQL-Abfrage-Engine	Open-Source	N/A	Validiert die RDF-Datenkonsistenz mithilfe von SPARQL-Abfragen.