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

Summary

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.

Abstract

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.

Protocol

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

Results

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.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
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.