Hacia ontologías de IoT estandarizadas utilizando un marco basado en aprendizaje automático para un intercambio de datos sin problemas

Summary

Este estudio presenta un marco basado en el aprendizaje automático para la alineación de ontologías de IoT en tiempo real, lo que permite un intercambio de datos sin problemas entre sistemas heterogéneos. Al integrar el modelado semántico y la optimización adaptativa, el enfoque mejora la interoperabilidad, reduce la latencia y logra una alta precisión. Validado en entornos del mundo real, ofrece una solución de integración de IoT escalable y estandarizada.

Abstract

La creciente heterogeneidad de los dispositivos de Internet de las cosas (IoT) ha llevado a desafíos significativos para lograr la interoperabilidad en tiempo real y el intercambio de datos sin problemas. Los ecosistemas de IoT existentes a menudo operan utilizando diversos modelos de datos, protocolos de comunicación y representaciones semánticas, lo que da como resultado sistemas fragmentados que dificultan la integración. Para abordar este problema, proponemos un marco unificado que emplea la alineación de ontologías basada en el aprendizaje automático para la integración de IoT estandarizada y adaptativa. La hipótesis que guía esta investigación es que la combinación de modelos semánticos con técnicas de optimización inteligente puede mejorar significativamente la consistencia y la eficiencia del intercambio de datos en entornos heterogéneos de IoT. El marco propuesto integra el procesamiento de flujos de datos en tiempo real, el análisis de similitud semántica y el mapeo de ontologías adaptativas para alinear dinámicamente las ontologías de los dispositivos. Utilizando entornos simulados y del mundo real, incluidos hogares inteligentes y sistemas de atención médica, el marco se probó con métricas clave de rendimiento como precisión, latencia y tasa de interoperabilidad. Los resultados demuestran que el método propuesto logra una alta precisión de alineación de ontologías del 97%, reduce la latencia a menos de 20 ms y mantiene una interoperabilidad superior al 95% entre diversos tipos de dispositivos. Los hallazgos confirman que la integración de algoritmos de aprendizaje automático con modelos semánticos mejora significativamente el rendimiento, la escalabilidad y la adaptabilidad de los sistemas de IoT. El marco aborda con éxito las inconsistencias semánticas y admite la incorporación dinámica de dispositivos sin intervención manual. Este estudio presenta una solución robusta y escalable para la interoperabilidad de IoT, que ofrece una alineación de ontología inteligente en tiempo real que se adapta a dispositivos y estándares de datos en evolución. Este trabajo contribuye al desarrollo de arquitecturas de IoT de próxima generación capaces de soportar una comunicación estandarizada, eficiente y automatizada en diversas aplicaciones.

Introduction

El Internet de las cosas (IoT) está evolucionando rápidamente hacia una infraestructura central para entornos inteligentes, conectando una amplia gama de dispositivos heterogéneos que operan en diversos dominios, como la atención médica, las ciudades inteligentes, la agricultura y la automatización industrial ^1,2,3. Estos dispositivos generan grandes volúmenes de datos y se basan en la comprensión semántica para comunicarse de manera significativa 4,5,6,7.

Protocol

Esta investigación no involucró sujetos humanos o vertebrados ni muestras de tejidos. Todos los experimentos se realizaron de acuerdo con las pautas de investigación computacional institucional en la Universidad de Ciencia y Tecnología JC Bose, YMCA, Faridabad.

Recopilación y evaluación de ontologías
Las ontologías públicas relevantes para la atención médica, los hogares inteligentes y el monitoreo industrial se obtuvieron de repositorios establecidos, incluidos Linked Open Vocabularies (LOV) y portales específicos de dominio, en formatos RDF / OWL ^1,2,3

Results

Recopilación y evaluación de ontologías
El análisis de ontologías reveló inconsistencias sustanciales en las ontologías de IoT específicas del dominio en términos de jerarquía de clases, etiquetas semánticas y definiciones de propiedades de datos. Estas inconsistencias fueron más pronunciadas entre los conjuntos de datos de atención médica y hogares inteligentes, lo que demuestra una tasa de desajuste estructural del 28%. La identificación de estas variaciones validó la hipótesis inicial de que la fal.......

Discussion

El marco desarrollado basado en el aprendizaje automático demuestra su eficacia para abordar los desafíos de interoperabilidad semántica en entornos heterogéneos de IoT. A través de un protocolo estructurado que integra el modelado semántico, la alineación de ontologías basada en el aprendizaje automático y la implementación de middleware basada en la nube, el sistema logró una alta precisión de alineación de ontologías y una integración de datos consistente en diversos dispositivos.

.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Plataforma de middleware basada en la nube	Código abierto / Propietario (por ejemplo, Firebase)	N/A	Facilita la ingesta y el almacenamiento de datos en tiempo real.
Ontologías de entrada	Repositorios públicos (por ejemplo, LOV)	N/A	Ontologías OWL/RDF específicas del dominio para entornos IoT.
Biblioteca de aprendizaje automático	Código abierto (por ejemplo, scikit-learn)	N/A	Se utiliza para el entrenamiento del modelo de clasificación supervisado.
Herramienta de simulación de red	Código abierto / comercial (por ejemplo, NetSim)	N/A	Genera conjuntos de datos de dispositivos IoT heterogéneos simulados.
Software de edición de ontologías	Código abierto (por ejemplo, Proté gé)	N/A	Se utiliza para el análisis, la edición y la visualización de ontologías.
Entorno de programación	Código abierto (por ejemplo, Python)	N/A	Implementa modelos de aprendizaje automático y procesamiento de datos.
Flujos de datos de IoT sin procesar	Fuentes de conjuntos de datos públicas / personalizadas	N/A	CSV o JSON que contienen datos de dispositivos IoT sin procesar.
Archivos de salida RDF	Generado en el estudio	N/A	Archivos RDF/XML que representan datos de IoT enriquecidos semánticamente.
Biblioteca de análisis semántico	Código abierto (por ejemplo, RDFLib)	N/A	Convierte los datos de IoT en tripletas RDF para el modelado semántico.
Motor de consultas SPARQL	Código abierto	N/A	Valida la consistencia de los datos RDF mediante consultas SPARQL.