Vers des ontologies IoT standardisées à l’aide d’un cadre basé sur l’apprentissage automatique pour un échange de données transparent

Résumé

Cette étude présente un cadre basé sur l’apprentissage automatique pour l’alignement de l’ontologie IoT en temps réel, permettant un échange de données transparent entre des systèmes hétérogènes. En intégrant la modélisation sémantique et l’optimisation adaptative, l’approche améliore l’interopérabilité, réduit la latence et atteint une grande précision. Validé dans des contextes réels, il offre une solution d’intégration IoT évolutive et standardisée.

Résumé

L’hétérogénéité croissante des appareils de l’Internet des objets (IoT) a entraîné des défis importants pour parvenir à une interopérabilité en temps réel et à un échange de données sans faille. Les écosystèmes IoT existants fonctionnent souvent à l’aide de modèles de données, de protocoles de communication et de représentations sémantiques divers, ce qui entraîne des systèmes fragmentés qui entravent l’intégration. Pour résoudre ce problème, nous proposons un cadre unifié qui utilise l’alignement des ontologies basé sur l’apprentissage automatique pour une intégration IoT standardisée et adaptative. L’hypothèse qui guide cette recherche est que la combinaison de la modélisation sémantique avec des techniques d’optimisation intelligentes peut améliorer considérablement la cohérence et l’efficacité de l’échange de données entre des environnements IoT hétérogènes. Le cadre proposé intègre le traitement des flux de données en temps réel, l’analyse de similarité sémantique et le mappage d’ontologie adaptative pour aligner dynamiquement les ontologies des appareils. À l’aide d’environnements simulés et réels, y compris des maisons intelligentes et des systèmes de santé, le cadre a été testé par rapport à des indicateurs de performance clés tels que la précision, la latence et le taux d’interopérabilité. Les résultats démontrent que la méthode proposée permet d’atteindre une précision d’alignement d’ontologie élevée de 97 %, de réduire la latence à moins de 20 ms et de maintenir une interopérabilité de plus de 95 % entre divers types de dispositifs. Les résultats confirment que l’intégration d’algorithmes d’apprentissage automatique avec la modélisation sémantique améliore considérablement les performances, l’évolutivité et l’adaptabilité des systèmes IoT. Le cadre résout avec succès les incohérences sémantiques et prend en charge l’intégration dynamique des appareils sans intervention manuelle. Cette étude présente une solution robuste et évolutive pour l’interopérabilité de l’IoT, offrant un alignement intelligent de l’ontologie en temps réel, adaptable à l’évolution des appareils et des normes de données. Ce travail contribue au développement d’architectures IoT de nouvelle génération capables de prendre en charge une communication standardisée, efficace et automatisée entre diverses applications.

Introduction

L’Internet des objets (IoT) évolue rapidement pour devenir une infrastructure centrale pour les environnements intelligents, connectant un large éventail d’appareils hétérogènes qui fonctionnent dans divers domaines tels que les soins de santé, les villes intelligentes, l’agriculture et l’automatisation industrielle ^1,2,3. Ces appareils génèrent de grands volumes de données et s’appuient sur la compréhension sémantique pour communiquer de manière significative 4,5,6,7. Cependant, l’absence d’une structure sémantique standardisée est apparue comme un obstacle majeur à un échange de données transparent 8,9,10,11,12. Des ontologies diverses, des protocoles variés et des modèles de données incohérents limitent l’interopérabilité, ce qui rend difficile la collaboration efficace des appareils en temps réel. Cette fragmentation sémantique conduit souvent à des erreurs d’interprétation, à une latence accrue et à des échecs d’intégration qui compromettent l’évolutivité et les performances du système ^5,12,13. Par conséquent, il est essentiel de disposer d’une approche unificatrice capable de normaliser les représentations sémantiques tout en s’adaptant à la nature dynamique des environnements IoT 6,10,11,12.

Cette étude propose un nouveau cadre basé sur l’apprentissage automatique pour l’alignement des ontologies en temps réel afin de relever ces défis d’interopérabilité 4,8,9,11,14. Le cadre combine la modélisation sémantique avancée, le mappage d’ontologie adaptative et l’intégration de flux de données ^9,10,13 pour aligner dynamiquement les ontologies IoT. L’utilisation de techniques d’apprentissage automatique pour l’alignement d’ontologies peut améliorer considérablement la cohérence sémantique et l’efficacité de l’intégration dans les systèmes IoT hétérogènes 8,9,14,15. Contrairement aux méthodes traditionnelles basées sur des règles 4,5,7,8,9,10,13, l’approche proposée utilise des mesures de similarité pondérées, des mappages structurels et lexicaux et des algorithmes d’optimisation qui s’adaptent aux données entrantes 15,16,17. La validation expérimentale a été menée dans des environnements simulés et réels, y compris des maisons intelligentes et des systèmes de soins de santé. Les résultats démontrent que le cadre atteint une précision d’alignement d’ontologie de 97 %, réduit la latence moyenne à moins de 20 ms et maintient des taux d’interopérabilité supérieurs à 95 % sur tous les types d’appareils⁸.

L’adaptabilité du cadre proposé le distingue davantage des solutions existantes ^9,13,15. Au fur et à mesure que de nouveaux appareils rejoignent le réseau, le système met automatiquement à jour les relations sémantiques sans nécessiter de reconfiguration manuelle 5,6,8,9,13,15. Ceci est rendu possible grâce à l’intégration d’une optimisation basée sur l’apprentissage qui minimise les incohérences sémantiques et la surcharge de calcul ^8,9. Le système présente également des performances améliorées en matière d’utilisation de la mémoire et du processeur, ce qui le rend adapté aux environnements aux ressources limitées 1,2,3,11,12. En corrigeant l’incohérence sémantique, la latence et l’évolutivité dans une architecture unifiée, ce travail jette les bases d’un modèle de communication IoT standardisé, intelligent et prêt pour l’avenir^13,18.

L’objectif de cette étude est de développer et de valider un cadre basé sur l’apprentissage automatique pour l’alignement des ontologies en temps réel afin de faciliter l’interopérabilité sémantique dans des environnements IoT hétérogènes. L’étude comprend les phases suivantes : (1) la collecte et l’analyse d’ontologies, (2) la modélisation sémantique et l’alignement, (3) l’optimisation basée sur l’apprentissage automatique et (4) la validation dans le monde réel dans des contextes IoT simulés et en direct. Le cadre expérimental a été testé à l’aide d’ensembles de données publics, d’environnements simulés et de déploiements en direct dans des environnements de maison intelligente et de soins de santé. La figure 1 présente une représentation schématique d’un cadre d’alignement d’ontologie IoT basé sur l’apprentissage automatique.

Figure 1 : Cadre d’alignement de l’ontologie IoT basé sur l’apprentissage automatique. Cette figure présente une vue d’ensemble du cadre proposé qui intègre des techniques d’apprentissage automatique pour aligner les ontologies entre des systèmes IoT hétérogènes. Le pipeline comprend l’évaluation de la similarité sémantique, l’optimisation à l’aide de la minimisation des pertes et le raffinement itératif pour une interopérabilité améliorée. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Protocole

Cette recherche n’a pas impliqué de sujets humains ou vertébrés ni d’échantillonnage de tissus. Toutes les expériences ont été réalisées conformément aux directives institutionnelles de recherche informatique à l’Université J. C. Bose des sciences et de la technologie, YMCA, Faridabad.

Collecte et évaluation d’ontologies
Les ontologies publiques pertinentes pour les soins de santé, les maisons intelligentes et la surveillance industrielle ont été obtenues à partir de référentiels établis, y compris les Linked Open Vocabularies (LOV) et les portails spécifiques à un domaine, aux formats RDF/OWL ^1,2,3. Chaque ontologie a été inspectée dans un éditeur d’ontologie (par exemple, Protégé) et analysée par programmation pour extraire les hiérarchies de classes, les propriétés d’objet et de données et les métadonnées associées conformément aux spécifications RDF/OWL ^1,2.

Pour les comparaisons par paires, la similarité lexicale entre les étiquettes de classe a été calculée à l’aide d’une^{similarité de} chaîne 4 basée sur la distance d’édition normalisée. La similarité structurelle a été dérivée en traversant les relations de sous-classe et de superclasse et en calculant les rapports de chevauchement des quartiers locaux. La similarité des instances a été évaluée en détectant les instances partagées ou compatibles entre les ontologies et en vérifiant la compatibilité des types de données. Un score combiné a été défini comme l’équation (1) :

S_total=w1S_lexical+w2S_structurel+w3S_instance Équation (1)

avec des poids initiaux W1 = 0,5, W2 = 0,3, W3 = 0,2 et un seuil sélectionné à partir d’un sous-ensemble de validation retenue. Les correspondances des candidats avec des scores combinés égaux ou supérieurs au seuil ont été enregistrées dans un registre CSV avec des identifiants d’ontologie, des IRI d’entité, des scores de composant et le résultat de la décision pour l’alignement en aval.

Modélisation sémantique et intégration des données
Pour convertir les flux IoT bruts en représentations conformes à l’ontologie, une ontologie unifiée a été construite qui couvre les métadonnées statiques (par exemple, Étudiant, Cours, Appareil) et les observations dynamiques (par exemple, Capteur, Observation, Horodatage), en s’alignant sur les meilleures pratiques RDF/OWL¹⁰ et IoT Semantic ^5,6,13 établi. La transformation sémantique a été définie par la fonction de mappage :

_{Équation D sémantique}=f₍D_brut, O) (2)

où O désigne l’ontologie appliquée et f_map matérialise les triplets avec des IRI stables. Les données transformées ont été stockées au format RDF et validées pour leur cohérence à l’aide de requêtes SPARQL ; un point de terminaison SPARQL a été configuré pour prendre en charge les requêtes sémantiques entre les sources¹⁹. L’artefact RDF résultant a été archivé sous le nom semantic_data.rdf, et une exportation tabulaire synchronisée (une table large normalisée) a été produite pour les tâches d’apprentissage, y compris une colonne data-provenance qui indique l’origine de la caractéristique et toute imputation ou mise à l’échelle appliquée.

Alignement d’ontologies à l’aide de l’apprentissage automatique
Une approche hybride a combiné des signaux de similarité basés sur des règles avec un apprentissage supervisé pour sélectionner des correspondances à haut niveau de confiance^14,15. L’ensemble d’apprentissage comprenait 2 500 paires d’éléments d’ontologie annotées manuellement (correspondance ou non) pour créer un ensemble de données équilibré. Les caractéristiques comprenaient les trois composants de similarité ainsi que des statistiques auxiliaires telles que la différence de longueur d’étiquette. Un ensemble d’arbres de décision (forêt aléatoire) avec 100 arbres, profondeur maximale 10, class_weight = « équilibré », et une graine aléatoire fixe (42) a été entraîné selon la pratique établie¹⁴. L’objectif d’apprentissage a été formalisé sous la forme de l’équation (3) :

Équation (3)

où y_i est l’étiquette de vérité terrain, y_i^{^} est l’étiquette prédite et λ représente le paramètre de régularisation.

Après l’étalonnage des probabilités, les paires avec une probabilité prédite ≥ 0,50 ont été conservées, et des contraintes un-à-un ont été appliquées pour éviter les mappages plusieurs-à-un. Le fichier de mappage final, y compris les IRI source et cible, les scores de confiance et les contributions aux fonctionnalités, a été sérialisé comme alignment_results.json ; L’artefact du modèle entraîné a été stocké sous le nom alignment_model.pkl. La qualité du modèle a été rapportée sur un ensemble de tests retenus à l’aide de l’exactitude, de la précision, du rappel, du score F1 et d’une matrice de confusion avec des intervalles de confiance à 95 % calculés par validation croisée quintuple^14,15.

Déploiement et évaluation en conditions réelles
Un environnement simulé représentant 1 000 appareils hétérogènes a été créé pour tester l’ingestion et l’alignement, suivis de flux réels provenant de maisons intelligentes et de soins de santé ^5,11. Les données alignées sur l’ontologie ont été intégrées dans une couche middleware cloud pour l’ingestion et l’interrogation en temps réel^11,12. Les nouveaux appareils ont été automatiquement intégrés en inspectant les en-têtes de données entrants et en appliquant une classification sémantique dynamique à l’aide du modèle d’alignement entraîné^14,15.

Les performances du système ont été évaluées selon quatre axes : (i) la qualité de l’alignement (les mesures de classification ci-dessus), (ii) le taux d’interopérabilité (interactions intersources réussies en pourcentage des interactions tentées), (iii) la latence de bout en bout définie par l’équation (4), et (iv) l’utilisation des ressources (CPU et mémoire).

L=_Réponse T−T_demande Équation (4)

Les fichiers de configuration, les journaux et les sorties ont été archivés avec des noms de fichiers stables et un fichier README pour faciliter la réplication indépendante¹⁹. Le cadre achevé a permis de manière cohérente l’interopérabilité sémantique dans des environnements IoT hétérogènes ; Les sorties de données, les journaux de performances et les configurations sont regroupés pour prendre en charge la reproductibilité et la validation externe 11,12,19.

Détails de l’implémentation de la réplication
Le pipeline a été implémenté en Python (version 3.10 ou ultérieure) à l’aide de rdflib et owlready2 pour la gestion RDF/OWL, scikit-learn pour l’entraînement et l’évaluation des modèles, et des bibliothèques de données standard pour le prétraitement ^8,14,15. Des graines aléatoires ont été corrigées, des versions de bibliothèque ont été épinglées dans un fichier requirements.txt et une structure de répertoire canonique a été utilisée : ontologies/, data/raw/, data/processed/, models/ et results/. Les noms de fichiers référencés dans le texte sont exacts : semantic_data.rdf, alignment_results.json et alignment_model.pkl¹⁹.

Conception de la recherche
Cette étude computationnelle à méthodes mixtes intègre la modélisation sémantique à un module d’alignement d’ontologies supervisé afin d’améliorer l’interopérabilité entre les sources IoT hétérogènes. Le protocole procède comme suit en bref : les ontologies publiques sont collectées et analysées ; les tables IoT brutes sont mappées à un schéma RDF/OWL¹⁰ unifié ; les correspondances candidates sont générées à partir de signaux lexicaux, structurels et d’instance^15,16 ; un ensemble compact d’arbres de décision est entraîné sur un ensemble étiqueté manuellement pour accepter des correspondances individuelles à un seuil fixe^14,15 ; les graphiques/tableaux alignés sont fusionnés ; et les performances sont évaluées par des métriques au niveau de la correspondance (exactitude, précision, rappel, F1, matrice de confusion) et du comportement du système (taux d’interopérabilité, latence de bout en bout, CPU/mémoire^)14,15. Une méthode de similarité pondérée basée uniquement sur des règles sert de référence¹⁶. Les valeurs initiales aléatoires et les versions de bibliothèque sont corrigées, et les artefacts utilisent des noms stables (semantic_data.rdf, alignment_results.json, alignment_model.pkl) pour prendre en charge la réplication. La figure 2 illustre le cadre général de la conception d’ontologies unifiées dans les environnements IoT.

Figure 2 : Conception d’ontologie unifiée dans les environnements IoT. La figure illustre les couches architecturales de base de l’ontologie unifiée, mettant en valeur la modélisation sémantique, l’intégration de l’IA et l’abstraction des connaissances du domaine pour une interopérabilité transparente des données IoT. Le cadre prend en charge à la fois les structures ontologiques interdomaines et spécifiques à un domaine. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Collecte de données
La collecte des données s’est déroulée en deux phases distinctes.

Évaluation de l’ontologie : Une analyse critique des ontologies et des modèles sémantiques IoT existants a été menée afin d’identifier les lacunes dans les stratégies d’intégration actuelles. Des ensembles de données IoT accessibles au public et des ontologies spécifiques à un domaine ont été examinés pour évaluer les limites d’alignement structurel et sémantique 5,6,10,11.

Avenant d’essai : Des systèmes IoT du monde réel (par exemple, les maisons intelligentes, les applications de soins de santé, l’automatisation industrielle) ont été utilisés pour collecter des données afin de valider le cadre. De plus, des ensembles de données simulés ont été générés pour évaluer les performances du système dans des conditions contrôlées et reproductibles 8,9,11,12.

Analyse des données
La phase d’analyse a utilisé une combinaison de techniques sémantiques, statistiques et basées sur l’IA pour valider le cadre proposé.

Les aligneurs pratiques comprennent les apparieurs de chaînes lexicales utilisant la distance de Levenshtein normalisée (NLD) pour les étiquettes/synonymes¹⁶ ; méthodes basées sur des graphes structurels qui propagent ou agrègent la similarité Inondation qui propagent la similitude sur les voisinages de sous-classe/superclasse^12,15 ; des techniques sensibles à la logique et préservant la cohérence qui combinent l’appariement et le raisonnement pour maintenir la cohérence des correspondances^15,19 ; les approches probabilistes fondées sur les instances qui s’appuient sur des données probantes provenant d’instances partagées ou compatibles¹⁷ ; et les matchers hybrides/d’ensemble qui fusionnent plusieurs signaux et règles 12,14,15. Les variantes neuronales récentes utilisent des plongements de phrases contextuels pour noter les similitudes candidates^12,14.

Alignement de l’ontologie : Des algorithmes d’alignement de haut niveau ont été utilisés pour résoudre les divergences sémantiques entre les ontologies IoT hétérogènes. Ces algorithmes utilisaient des règles heuristiques et des méthodes d’apprentissage automatique (ML) pour calculer des mappages précis et maintenir des contraintes de cohérence^15,17. La figure 3 présente le processus d’alignement des ontologies pour réaliser l’interopérabilité entre les appareils IoT.

Figure 3 : Processus d’alignement des ontologies pour l’interopérabilité des appareils IoT. Ce diagramme illustre le processus d’alignement qui résout les incohérences syntaxiques et sémantiques entre les appareils dans un écosystème IoT hétérogène. Il met l’accent sur le rôle des métriques de similarité lexicales, structurelles et basées sur les instances utilisées dans l’algorithme d’alignement. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Modélisation sémantique : Une stratégie de modélisation sémantique basée sur l’IA a été appliquée pour développer une ontologie unifiée capturant à la fois la sémantique spécifique au domaine et la sémantique inter-domaines. Ce modèle intègre des flux de données IoT statiques et dynamiques et est conforme aux meilleures pratiques RDF/OWL et à la sémantique IoT établie 5,6,10,13, prenant en charge les applications en temps réel.

Évaluation du rendement : La configuration expérimentale a évalué les indicateurs de performance clés, notamment le taux d’interopérabilité, la latence, l’efficacité du système et l’évolutivité ^11,12. Une analyse comparative a été menée par rapport aux techniques d’intégration de base afin de démontrer la flexibilité et la résilience de la solution proposée 12,14,15,16. La figure 4 présente le flux de calcul et les composants critiques des processus d’alignement de l’ontologie et de modélisation sémantique.

Figure 4 : Modèle sémantique pour les applications IoT en temps réel. Cette figure met en évidence la stratégie de modélisation sémantique qui intègre des configurations de périphériques statiques et des flux de données de capteurs dynamiques dans l’ontologie unifiée. L’architecture prend en charge l’enrichissement sémantique en temps réel pour une prise de décision contextuelle. Veuillez cliquer ici pour voir une version agrandie de cette figure.

Équations clés
Équation d’alignement d’ontologie à l’aide de métriques de similarité : Pour aligner des ontologies IoT hétérogènes, la similarité agrégée est calculée comme un mélange pondéré de signaux lexicaux, structurels et basés sur l’instance, conformément à l’équation 1 ci-dessus, où Stotal est la similarité agrégée entre deux éléments d’ontologie, Slexical est la similitude de l’appariement lexical (par exemple, la distance de chaîne normalisée), Sstructural est la similarité basée sur les relations sous-jacentes (par exemple, la hiérarchie parent-enfant), Sinstance est la comparabilité basée sur les données d’instance (par exemple, chevauchement dans les exemples d’utilisation), et W1, W2, W3 sont des coefficients de poids, ajustés en fonction du contexte d’application.

Équation pour l’optimisation basée sur l’apprentissage automatique pour le mappage d’ontologie : L’amélioration des mappages peut être formulée comme un problème de minimisation des dépenses à l’aide d’une capacité de malheur :

où L est la capacité de malheur pour la prédiction de la cartographie, yi est l’étiquette de vérité terrain pour la ie cartographie, y^i est l’étiquette prédite pour la ie cartographie, ||Θ|| est un terme de régularisation pour éviter le surapprentissage, λ est un paramètre de régularisation.

Équation pour la modélisation sémantique des flux de données IoT : L’enrichissement sémantique est exprimé sous la forme d’une transformation de données basée sur une ontologie, conformément à l’équation 2 ci-dessus, où D_sémantique est l’ensemble de données sémantiquement annotées, D_raw est les données IoT brutes, O est l’ontologie utilisée pour l’annotation et f_map est la fonction de mappage dérivée de l’ontologie unifiée.

Équations pour les mesures de performance (interopérabilité et latence)
Indice d’interopérabilité (pourcentage d’interactions inter-sources réussies) :

I_index = (interactions réussies / interactions totales) x 100 Équation (5)

La latence (reproduite ici par souci d’exhaustivité) est calculée selon l’équation 4 ci-dessus, où I_index est l’indice d’interopérabilité (en %), L est la latence (ms), T_response est l’horodatage de la réponse et T_request est l’horodatage de la demande.

Équation pour l’analyse de l’évolutivité de l’écosystème IoT
Complexité de calcul en ce qui concerne le nombre de dispositifs et d’éléments d’ontologie :

C = O(n · m) Équation (6)

où C est la complexité de calcul, n est le nombre d’appareils IoT et m est le nombre d’éléments d’ontologie.

Résultats

Collecte et évaluation d’ontologies
L’analyse des ontologies a révélé des incohérences substantielles entre les ontologies IoT spécifiques à un domaine en termes de hiérarchie de classes, d’étiquettes sémantiques et de définitions des propriétés de données. Ces incohérences étaient plus prononcées entre les ensembles de données de santé et de maison intelligente, démontrant un taux d’inadéquation structurelle de 28 %. L’identification de ces variations a validé l’hypothèse initiale selon laquelle l’ab...

Discussion

Le cadre développé basé sur l’apprentissage automatique démontre son efficacité à relever les défis d’interopérabilité sémantique dans des environnements IoT hétérogènes. Grâce à un protocole structuré intégrant la modélisation sémantique, l’alignement d’ontologie basé sur l’apprentissage automatique et le déploiement d’un middleware basé sur le cloud, le système a atteint une grande précision d’alignement d’ontologie et une intégration cohérente des données sur divers appareils.

Matériaux

Liste des matériaux utilisés dans cet article

Nom	Entreprise	Numéro de catalogue	Commentaires
Plate-forme middleware basée sur le cloud	Open-source / Propriétaire (par exemple, Firebase)	N/A	Facilite l’ingestion et le stockage des données en temps réel.
Ontologies d’entrée	Dépôts publics (p. ex., LOV)	N/A	Ontologies OWL/RDF spécifiques au domaine pour les environnements IoT.
Bibliothèque d’apprentissage automatique	Open-source (par exemple, scikit-learn)	N/A	Utilisé pour l’entraînement supervisé du modèle de classification.
Outil de simulation de réseau	Open-source / Commercial (par exemple, NetSim)	N/A	Génère des ensembles de données d’appareils IoT hétérogènes simulés.
Logiciel d’édition d’ontologies	Open-source (par exemple, Proté ; gé ;)	N/A	Utilisé pour l’analyse, l’édition et la visualisation d’ontologies.
Environnement de programmation	Open-source (par exemple, Python)	N/A	Implémente des modèles d’apprentissage automatique et le traitement des données.
Flux de données IoT bruts	Sources de jeux de données publiques / personnalisées	N/A	Fichiers CSV ou JSON contenant des données brutes d’appareils IoT.
Fichiers de sortie RDF	Généré en cours d’étude	N/A	Fichiers RDF/XML représentant des données IoT enrichies sémantiquement.
Bibliothèque d’analyse sémantique	Open-source (par exemple, RDFLib)	N/A	Convertit les données IoT en triplets RDF pour la modélisation sémantique.
Moteur de requête SPARQL	Logiciel libre	N/A	Valide la cohérence des données RDF à l’aide de requêtes SPARQL.