לקראת אונטולוגיות IoT סטנדרטיות באמצעות מסגרת מבוססת למידת מכונה להחלפת נתונים חלקה

Simmi Chawla; Parul Tomar; Sapna Gambhir

doi:10.3791/68635

מאמר מחקר

לקראת אונטולוגיות IoT סטנדרטיות באמצעות מסגרת מבוססת למידת מכונה להחלפת נתונים חלקה

DOI:

10.3791/68635

⸱

7 באוקטובר 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

במאמר זה

סיכום

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

מחקר זה מציג מסגרת מבוססת למידת מכונה ליישור אונטולוגיה של IoT בזמן אמת, המאפשרת חילופי נתונים חלקים בין מערכות הטרוגניות. על ידי שילוב מודלים סמנטיים ואופטימיזציה אדפטיבית, הגישה משפרת את יכולת הפעולה ההדדית, מפחיתה את ההשהיה ומשיגה דיוק גבוה. מאומת בהגדרות בעולם האמיתי, הוא מציע פתרון אינטגרציה IoT סטנדרטי וניתן להרחבה.

תקציר

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

ההטרוגניות הגוברת של התקני האינטרנט של הדברים (IoT) הובילה לאתגרים משמעותיים בהשגת יכולת פעולה הדדית בזמן אמת וחילופי נתונים חלקים. מערכות אקולוגיות קיימות של IoT פועלות לרוב באמצעות מודלים מגוונים של נתונים, פרוטוקולי תקשורת, וייצוגים סמנטיים, וכתוצאה מכך מערכות מפוצלות המעכבות את האינטגרציה. כדי לטפל בבעיה זו, אנו מציעים מסגרת מאוחדת המשתמשת ביישור אונטולוגי מבוסס למידת מכונה לאינטגרציה סטנדרטית ואדפטיבית של IoT. ההשערה המנחה מחקר זה היא ששילוב של מודלים סמנטיים עם טכניקות אופטימיזציה חכמות יכול לשפר משמעותית את העקביות והיעילות של חילופי נתונים בסביבות IoT הטרוגניות. המסגרת המוצעת משלבת עיבוד זרם נתונים בזמן אמת, ניתוח דמיון סמנטי ומיפוי אונטולוגי אדפטיבי כדי ליישר באופן דינמי אונטולוגיות מכשירים. באמצעות סביבות מדומות ובעולם האמיתי, כולל בתים חכמים ומערכות בריאות, המסגרת נבדקה מול מדדי ביצועים מרכזיים כגון דיוק, חביון וקצב פעולה הדדית. התוצאות מראות כי השיטה המוצעת משיגה דיוק יישור אונטולוגי גבוה של 97%, מפחיתה את ההשהיה מתחת ל-20 אלפיות השנייה ושומרת על יכולת פעולה הדדית של למעלה מ-95% בין סוגי מכשירים מגוונים. הממצאים מאשרים כי השילוב של אלגוריתמים של למידת מכונה עם מודלים סמנטיים משפר משמעותית את הביצועים, המדרגיות, ויכולת ההסתגלות של מערכות IoT. המסגרת מטפלת בהצלחה בחוסר עקביות סמנטית ותומכת בקליטת מכשירים דינמית ללא התערבות ידנית. מחקר זה מציג פתרון חזק וניתן להרחבה עבור יכולת פעולה הדדית של IoT, המציע יישור אונטולוגי חכם בזמן אמת הניתן להתאמה למכשירים ותקני נתונים מתפתחים. עבודה זו תורמת לפיתוח ארכיטקטורות IoT מהדור הבא המסוגלות לתמוך בסטנדרטיזציה, יעילה, ותקשורת אוטומטית על פני יישומים מגוונים.

מבוא

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

האינטרנט של הדברים (IoT) מתפתח במהירות לתשתית ליבה עבור סביבות חכמות, המחברת מגוון רחב של מכשירים הטרוגניים הפועלים בתחומים מגוונים כגון שירותי בריאות, ערים חכמות, חקלאות ואוטומציה תעשייתית ^1,2,3. מכשירים אלה מייצרים כמויות גדולות של נתונים ומסתמכים על הבנה סמנטית כדי לתקשר בצורה משמעותית 4,5,6,7. עם זאת, היעדר מבנה סמנטי סטנדרטי התגלה כמחסום מרכזי לחילופי נתונים חלקים 8,9,10,11,12. אונטולוגיות מגוונות, פרוטוקולים משתנים ומודלי נתונים לא עקביים מגבילים את יכולת הפעולה ההדדית, ומקשים על מכשירים לשתף פעולה ביעילות בזמן אמת. פיצול סמנטי זה מוביל לעתים קרובות לפרשנויות שגויות, חביון מוגבר וכשלים באינטגרציה שפוגעים במדרגיות ובביצועים של המערכת ^5,12,13. לכן, יש צורך קריטי בגישה מאחדת שיכולה לתקנן ייצוגים סמנטיים תוך התאמה לאופי הדינמי של סביבות IoT 6,10,11,12.

מחקר זה מציע מסגרת חדשה מבוססת למידת מכונה ליישור אונטולוגי בזמן אמת כדי להתמודד עם אתגרי הפעולה ההדדית^הללו 4,8,9,11,14. המסגרת משלבת מודלים סמנטיים מתקדמים, מיפוי אונטולוגי אדפטיבי ושילוב זרם נתונים ^9,10,13 כדי ליישר באופן דינמי אונטולוגיות IoT. מינוף טכניקות למידת מכונה ליישור אונטולוגי יכול לשפר משמעותית את העקביות הסמנטית ויעילות האינטגרציה במערכות IoT הטרוגניות 8,9,14,15. בניגוד לשיטות מסורתיות מבוססות כללים 4,5,7,8,9,10,13, הגישה המוצעת משתמשת במדדי דמיון משוקללים, מיפויים מבניים ולקסיקליים ואלגוריתמי אופטימיזציה המותאמים לנתונים נכנסים 15,16,17 . אימות ניסיוני נערך הן בסביבות מדומות והן בעולם האמיתי, כולל בתים חכמים ומערכות בריאות. התוצאות מדגימות כי המסגרת משיגה דיוק יישור אונטולוגי של 97%, מפחיתה את ההשהיה הממוצעת מתחת ל-20 אלפיות השנייה ושומרת על שיעורי פעולה הדדית מעל 95% על פני סוגי מכשירים⁸.

יכולת ההסתגלות של המסגרת המוצעת מבדילה אותה עוד יותר מהפתרונות הקיימים ^9,13,15. כאשר מכשירים חדשים מצטרפים לרשת, המערכת מעדכנת באופן אוטומטי קשרים סמנטיים מבלי לדרוש הגדרה מחדש ידנית 5,6,8,9,13,15. זה מתאפשר באמצעות שילוב של אופטימיזציה מבוססת למידה הממזערת אי התאמות סמנטיות ותקורה חישובית ^8,9. המערכת מציגה גם ביצועים משופרים בשימוש בזיכרון ובמעבד, מה שהופך אותה למתאימה לסביבות מוגבלות במשאבים 1,2,3,11,12. על ידי טיפול בחוסר עקביות סמנטית, חביון ומדרגיות בארכיטקטורה מאוחדת, עבודה זו מניחה את היסודות לסטנדרטי, אינטליגנטי, ומוכן לעתיד, מודל תקשורת IoT^13,18.

מטרת מחקר זה היא לפתח ולתקף מסגרת מבוססת למידת מכונה ליישור אונטולוגי בזמן אמת כדי להקל על יכולת פעולה הדדית סמנטית בסביבות IoT הטרוגניות. המחקר כולל את השלבים הבאים: (1) איסוף וניתוח אונטולוגיה, (2) מידול ויישור סמנטי, (3) אופטימיזציה מבוססת למידת מכונה, ו-(4) אימות בעולם האמיתי בהקשרי IoT מדומים וחיים. המסגרת הניסיונית נבדקה באמצעות מערכי נתונים ציבוריים, סביבות מדומות ופריסות חיות בסביבות בית חכם ובריאות. ייצוג סכמטי של מסגרת יישור אונטולוגיה של IoT מבוססת למידת מכונה מסופק באיור 1.

figure-introduction-1
איור 1: מסגרת יישור אונטולוגיה של IoT מבוססת למידת מכונה. איור זה מציג תצוגה ברמה גבוהה של המסגרת המוצעת המשלבת טכניקות למידת מכונה כדי ליישר אונטולוגיות על פני מערכות IoT הטרוגניות. הצינור כולל הערכת דמיון סמנטי, אופטימיזציה באמצעות מזעור הפסדים וליטוש איטרטיבי לשיפור יכולת הפעולה ההדדית. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

פרוטוקול

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

מחקר זה לא כלל נבדקים אנושיים או בעלי חוליות או דגימת רקמות. כל הניסויים בוצעו בהתאם להנחיות מחקר חישוביות מוסדיות באוניברסיטת J. C. Bose למדע וטכנולוגיה, YMCA, פארידבאד.

איסוף והערכה אונטולוגית
אונטולוגיות ציבוריות רלוונטיות לשירותי בריאות, בתים חכמים וניטור תעשייתי התקבלו ממאגרים מבוססים, כולל אוצר מילים פתוח מקושר (LOV) ופורטלים ספציפיים לתחום, בפורמטים של RDF/OWL ^1,2,3. כל אונטולוגיה נבדקה בעורך אונטולוגיה (לדוגמה, Protégé) ונותחה באופן פרוגרמטי כדי לחלץ היררכיות מחלקות, מאפייני אובייקטים ונתונים, ומטא-נתונים משויכים בהתאם למפרטי RDF/OWL ^1,2.

עבור השוואות זוגיות, הדמיון הלקסיקלי בין תוויות המחלקה חושב באמצעות דמיון מחרוזת מנורמל המבוסס על מרחק עריכה⁴. הדמיון המבני נגזר על ידי חציית יחסי תת-מחלקה וסופר-מעמד וחישוב יחסי חפיפה של שכונות מקומיות. דמיון המופע הוערך על ידי זיהוי מופעים משותפים או תואמים בין אונטולוגיות ואימות תאימות סוגי נתונים. ציון משולב הוגדר כמשוואה (1):

_סה"כ S=w1S_{לקסיקלי}+w2S_מבני+w3S_{מופע משוואה}(1)

עם משקלים התחלתיים W1 = 0.5, W2 = 0.3, W3 = 0.2 וסף שנבחר מתוך תת-קבוצה של אימות מוחזק. התכתבויות מועמדים עם ציונים משולבים בסף או מעל נרשמו במרשם CSV עם מזהים אונטולוגיים, IRI של ישויות, ציוני רכיבים ותוצאת ההחלטה עבור יישור במורד הזרם.

מידול סמנטי ושילוב נתונים
כדי להמיר זרמי IoT גולמיים לייצוגים תואמי אונטולוגיה, נבנתה אונטולוגיה מאוחדת המכסה מטא נתונים סטטיים (למשל סטודנט, קורס, מכשיר) ותצפיות דינמיות (למשל חיישן, תצפית, חותמת זמן), בהתאם לשיטות העבודה המומלצות של RDF/OWL¹⁰ ו-IoT סמנטי^מבוסס ^5,6,13. טרנספורמציה סמנטית הוגדרה על ידי פונקציית המיפוי:

D_סמנטי = f_מפת (D_raw, O) משוואה (2)

כאשר O מציין את האונטולוגיה המיושמת ו-f_map מתממש פי שלושה עם IRI יציב. נתונים שעברו טרנספורמציה אוחסנו כ-RDF ואומתו לעקביות באמצעות שאילתות SPARQL; נקודת קצה של SPARQL הוגדרה לתמוך בשאילתות סמנטיות במקורות¹⁹. תוצר ה-RDF שנוצר אוחסן בארכיון כ-semantic_data.rdf, וייצוא טבלאי מסונכרן (טבלה רחבה מנורמלת) הופק עבור משימות למידה, כולל עמודת מקור נתונים המציינת את מקור התכונה וכל חישוב או שינוי קנה מידה שהוחל.

יישור אונטולוגי באמצעות למידת מכונה
גישה היברידית שילבה אותות דמיון מבוססי כללים עם למידה מפוקחת כדי לבחור התכתבויות בביטחון גבוה^14,15. ערכת ההדרכה כללה 2,500 זוגות אלמנטים אונטולוגיים עם הערות ידניות (התאמה או אי התאמה) ליצירת מערך נתונים מאוזן. התכונות כללו את שלושת מרכיבי הדמיון יחד עם סטטיסטיקות עזר כגון הבדל אורך תווית. אנסמבל עצי החלטה (יער אקראי) עם 100 עצים, עומק מקסימלי 10, class_weight = "מאוזן", וזרע אקראי קבוע (42) הוכשר בעקבות תרגול מבוסס¹⁴. מטרת הלמידה נוסחה כמשוואה (3):

figure-protocol-1 משוואה (3)

כאשר y_i היא תווית האמת הקרקעית, y_i^{^} היא התווית החזויה, ו-λ מייצג את פרמטר הרגולציה.

לאחר כיול ההסתברות, זוגות עם הסתברות חזויה ≥ 0.50 נשמרו, ואילוצים של אחד לאחד נאכפו כדי להימנע ממיפויים של רבים לאחד. קובץ המיפוי הסופי, כולל IRI מקור ויעד, ציוני ביטחון ותרומות תכונות, סודר כ-alignment_results.json; חפץ המודל המאומן נשמר כ-alignment_model.pkl. איכות המודל דווחה על מערך בדיקות מוחזק באמצעות דיוק, דיוק, זיכרון, ציון F1 ומטריצת בלבול עם רווחי סמך של 95% המחושבים על ידי אימות צולב פי^{חמישה 14,15}.

פריסה והערכה בעולם האמיתי
סביבה מדומה המייצגת 1,000 מכשירים הטרוגניים נוצרה כדי לבחון את הבליעה וההתאמה, ואחריה זרמים מהעולם האמיתי ממסגרות בית חכם ושירותי בריאות ^5,11. נתונים מיושרים אונטולוגיה שולבו בשכבת תווכת ענן לקליטה ושאילתות בזמן אמת^11,12. מכשירים חדשים נקלטו אוטומטית על ידי בדיקת כותרות נתונים נכנסות והחלת סיווג סמנטי דינמי באמצעות מודל היישור המאומן^14,15.

ביצועי המערכת הוערכו בארבעה צירים: (i) איכות היישור (מדדי הסיווג לעיל), (ii) שיעור יכולת פעולה הדדית (אינטראקציות מוצלחות בין מקורות כאחוז מהניסיונות לאינטראקציות), (iii) חביון מקצה לקצה המוגדר כמשוואה (4), ו-(iv) ניצול משאבים (CPU וזיכרון).

L=_תגובת T_−Tמשוואה (4)

קבצי תצורה, יומנים ופלטים אוחסנו בארכיון עם שמות קבצים יציבים ו-README כדי להקל על שכפול עצמאי¹⁹. המסגרת שהושלמה אפשרה באופן עקבי יכולת פעולה הדדית סמנטית בהגדרות IoT הטרוגניות; פלטי נתונים, יומני ביצועים ותצורות מאוגדים כדי לתמוך בשחזור ובאימות חיצוני 11,12,19.

פרטי יישום לשכפול
הצינור יושם ב-Python (גרסה 3.10 ואילך) באמצעות rdflib ו-owlready2 לטיפול ב-RDF/OWL, scikit-learn להדרכה והערכה של מודלים, וספריות נתונים סטנדרטיות לעיבוד מקדים ^8,14,15. זרעים אקראיים תוקנו, גרסאות ספרייה הוצמדו לקובץ requirements.txt, ונעשה שימוש במבנה ספריות קנוני: אונטולוגיות/, נתונים/גולמי/, נתונים/מעובד/, מודלים/ותוצאות/. שמות הקבצים המוזכרים בטקסט הם מדויקים: semantic_data.rdf, alignment_results.json ו- alignment_model.pkl¹⁹.

עיצוב המחקר
מחקר חישובי מעורב זה משלב מודלים סמנטיים עם מודול יישור אונטולוגיה מפוקח כדי לשפר את יכולת הפעולה ההדדית בין מקורות IoT הטרוגניים. הפרוטוקול ממשיך כדלקמן בקצרה: אונטולוגיות ציבוריות נאספות ומנותחות; טבלאות IoT גולמיות ממופות לסכימת RDF/OWL מאוחדת¹⁰; התכתבויות מועמדות נוצרות מאותות לקסיקליים, מבניים ומופע ^15,16; אנסמבל עץ החלטות קומפקטי מאומן על קבוצה מתויגת ידנית כדי לקבל התאמות אחד לאחד בסף קבוע ^14,15; גרפים/טבלאות מיושרים מתמזגים; והביצועים מוערכים על ידי מדדים ברמת ההתאמה (דיוק, דיוק, זיכרון, F1, מטריצת בלבול) והתנהגות המערכת (קצב יכולת פעולה הדדית, חביון מקצה לקצה, מעבד/זיכרון)^14,15. שיטת דמיון משוקלל של כללים בלבד משמשת כקו הבסיס¹⁶. זרעים אקראיים וגרסאות ספרייה קבועים, וחפצים משתמשים בשמות יציבים (semantic_data.rdf, alignment_results.json, alignment_model.pkl) כדי לתמוך בשכפול. איור 2 ממחיש את המסגרת הכוללת לעיצוב אונטולוגיה מאוחד בסביבות IoT.

figure-protocol-2
איור 2: תכנון אונטולוגיה מאוחד בסביבות IoT. האיור ממחיש את שכבות הליבה הארכיטקטוניות של האונטולוגיה המאוחדת, ומציג מודלים סמנטיים, שילוב בינה מלאכותית והפשטת ידע בתחום ליכולת פעולה הדדית חלקה של נתוני IoT. המסגרת תומכת במבנים אונטולוגיים חוצי תחומים וספציפיים לתחום. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

איסוף נתונים
איסוף הנתונים בוצע בשני שלבים נפרדים.

הערכה אונטולוגית: ניתוח ביקורתי של אונטולוגיות IoT קיימות ומודלים סמנטיים נערך כדי לזהות פערים באסטרטגיות האינטגרציה הנוכחיות. מערכי נתונים של IoT זמינים לציבור ואונטולוגיות ספציפיות לתחום נבדקו כדי להעריך מגבלות יישור מבניות וסמנטיות 5,6,10,11.

אישור לניסיון: מערכות IoT בעולם האמיתי (למשל, בתים חכמים, יישומי בריאות, אוטומציה תעשייתית) שימשו לאיסוף נתונים לאימות המסגרת. בנוסף, נוצרו מערכי נתונים מדומים כדי להעריך את ביצועי המערכת בתנאים מבוקרים וניתנים לחזרה 8,9,11,12.

ניתוח נתונים
שלב הניתוח השתמש בשילוב של טכניקות סמנטיות, סטטיסטיות ומבוססות בינה מלאכותית כדי לאמת את המסגרת המוצעת.

קשתיות יישור מעשיות כוללות מתאמי מחרוזות לקסיקליים המשתמשים במרחק לבנשטיין מנורמל (NLD) עבור תוויות/מילים נרדפות¹⁶; שיטות מבוססות גרפים מבניים המפיצות או מצטברות דמיון הצפה המפיצות דמיון על פני שכונות תת-מחלקה/סופר-מחלקה^12,15; טכניקות מודעות להיגיון/שימור קוהרנטיות המשלבות התאמה עם הנמקה כדי לשמור על עקביות המיפויים^15,19; גישות מבוססות מופע/הסתברותיות הממנפות ראיות ממקרים משותפים או תואמים¹⁷; והתאמה היברידית/אנסמבל הממזגת מספר אותות וכללים 12,14,15. גרסאות עצביות אחרונות משתמשות בהטמעות משפטים הקשריות כדי לדרג קווי דמיון של מועמדים^12,14.

יישור אונטולוגי: אלגוריתמי יישור ברמה גבוהה שימשו כדי לפתור פערים סמנטיים בין אונטולוגיות IoT הטרוגניות. אלגוריתמים אלה השתמשו בכללים היוריסטיים ובשיטות למידת מכונה (ML) כדי לחשב מיפויים מדויקים ולשמור על אילוצי עקביות^15,17. איור 3 מציג את תהליך היישור האונטולוגי להשגת יכולת פעולה הדדית בין התקני IoT.

figure-protocol-3
איור 3: תהליך יישור אונטולוגי עבור יכולת פעולה הדדית של התקני IoT. תרשים זה מדגים את תהליך היישור הפותר אי-התאמות תחביריות וסמנטיות בין מכשירים במערכת אקולוגית הטרוגנית של IoT. הוא מדגיש את תפקידם של מדדי דמיון לקסיקליים, מבניים ומבוססי מופע המשמשים באלגוריתם היישור. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

מידול סמנטי: אסטרטגיית מידול סמנטי מונעת בינה מלאכותית יושמה כדי לפתח אונטולוגיה מאוחדת הלוכדת סמנטיקה ספציפית לתחום וחוצה תחומים. מודל זה משלב זרמי נתונים סטטיים ודינמיים של IoT ותואם לשיטות עבודה מומלצות של RDF/OWL וסמנטיקה מבוססת של IoT 5,6,10,13, התומכת ביישומים בזמן אמת.

הערכת ביצועים: ההגדרה הניסיונית העריכה מדדי ביצועים מרכזיים, כולל קצב יכולת פעולה הדדית, חביון, יעילות מערכת ומדרגיות ^11,12. ניתוח השוואתי נערך מול טכניקות אינטגרציה בסיסיות כדי להדגים את הגמישות והעמידות של הפתרון המוצע 12,14,15,16. איור 4 מציג את הזרימה החישובית והמרכיבים הקריטיים של היישור האונטולוגי ותהליכי המודלים הסמנטיים.

figure-protocol-4
איור 4: מודל סמנטי עבור יישומי IoT בזמן-אמת. איור זה מדגיש את אסטרטגיית המידול הסמנטי המשלבת תצורות מכשירים סטטיים וזרמי נתוני חיישנים דינמיים לתוך האונטולוגיה המאוחדת. הארכיטקטורה תומכת בהעשרה סמנטית בזמן אמת לקבלת החלטות מודעת הקשר. אנא לחץ כאן לצפייה בגרסה גדולה יותר של איור זה.

משוואות מפתח
משוואה ליישור אונטולוגי באמצעות מדדי דמיון: כדי ליישר אונטולוגיות IoT הטרוגניות, הדמיון המצטבר מחושב כתערובת משוקללת של אותות לקסיקליים, מבניים ומבוססי מופע לפי משוואה 1 לעיל, כאשר Stotal הוא הדמיון המצטבר בין שני אלמנטים אונטולוגיה, Slexical הוא דמיון מהתאמה לקסיקלית (למשל, מרחק מחרוזת מנורמל), Sstructural הוא דמיון המבוסס על קשרים בסיסיים (למשל, היררכיה של הורה-ילד), Sinstance הוא יכולת השוואה המבוססת על נתוני מופע (למשל, חפיפה בדוגמאות שימוש), ו-W1, W2, W3 הם מקדמי משקל, המותאמים בהתאם להקשר היישום.

משוואה לאופטימיזציה מבוססת למידת מכונה למיפוי אונטולוגי: ניתן לנסח את שיפור המיפויים כבעיית מזעור הוצאות באמצעות יכולת חוסר מזל:

figure-protocol-5

כאשר L היא יכולת חוסר מזל לחיזוי מיפוי, yi היא תווית אמת קרקעית למיפוי ith, y^i היא תווית חזויה למיפוי ith, ||Θ|| הוא מונח רגולציה למניעת התאמת יתר, λ הוא פרמטר רגולציה.

משוואה למידול סמנטי של זרמי נתונים של IoT: העשרה סמנטית מתבטאת כטרנספורמציה של נתונים מבוססת אונטולוגיה לפי משוואה 2 לעיל, כאשר D_סמנטי הוא מערך הנתונים המבואר סמנטית, D_raw הוא נתוני ה-IoT הגולמיים, O היא האונטולוגיה המשמשת לביאור,_ומפתf היא פונקציית המיפוי הנגזרת מהאונטולוגיה המאוחדת.

משוואות עבור מדדי ביצועים (יכולת פעולה הדדית והשהיה)
מדד יכולת פעולה הדדית (אחוז האינטראקציות המוצלחות בין מקורות):

I_index = (אינטראקציות מוצלחות / סה"כ אינטראקציות) x 100 משוואה (5)

חביון (משוכפל כאן לשלמות) מחושב לפי משוואה 4 לעיל, כאשר I_index הוא מדד יכולת הפעולה ההדדית (ב-%), L הוא חביון (ms), T_response הוא חותמת הזמן של התגובה ו-T_request הוא חותמת הזמן של הבקשה.

משוואה לניתוח מדרגיות של המערכת האקולוגית של IoT
סיבוכיות חישובית ביחס למספר ההתקנים והאלמנטים האונטולוגיים:

C = O(n · m) משוואה (6)

כאשר C היא הסיבוכיות החישובית, n הוא מספר התקני ה-IoT, ו-m הוא מספר האלמנטים האונטולוגיים.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

תוצאות

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

איסוף והערכה אונטולוגית
ניתוח אונטולוגיה חשף חוסר עקביות משמעותי בין אונטולוגיות IoT ספציפיות לתחום במונחים של היררכיית מחלקות, תוויות סמנטיות והגדרות מאפייני נתונים. חוסר עקביות אלה היה בולט יותר בין מערכי נתונים של שירותי בריאות ובית חכם, והפגין שיעור אי התאמה מבנית של 28%. זיהוי הווריאציות הללו אימת את ההשערה הראשונית שהיעדר סטנדרטיזציה פוגע ביכולת הפעולה ההדדית בין סביבות IoT. אי-התאמות אלה שימשו כבקרה הבסיסית להערכת השיפורים שהושגו ממסגרת היישור המוצעת 6,9,10,11...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

דיון

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

המסגרת המבוססת על למידת מכונה שפותחה מדגימה את יעילותה בהתמודדות עם אתגרי יכולת פעולה הדדית סמנטית בסביבות IoT הטרוגניות. באמצעות פרוטוקול מובנה המשלב מודלים סמנטיים, יישור אונטולוגי מבוסס למידת מכונה ופריסת תווכה מבוססת ענן, המערכת השיגה דיוק יישור אונטולוגי גבוה ושילוב נתונים עקבי על פני מכשירים מגוונים.

שלבי פרוטוקול קריטיים
מספר שלבים בפרוטוקול המוצע חיוניים להצלחתו המבצעית:
איסוף אונטולוגיה ועיבוד מקדים: הערכה מדויקת ועיבוד מקדים של...

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

גילויים

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

המחברים מצהירים כי אין להם ניגודי אינטרסים לדווח על המחקר הנוכחי.

תודות

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

מחקר זה לא קיבל מימון.

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

חומרים

רשימת החומרים שנעשה בהם שימוש במאמר זה
שם	חברה	מספר קטלוג	הערות
פלטפורמת תווכה מבוססת ענן	קוד פתוח / קנייני (למשל, Firebase)	לא ישים	מקל על קליטה ואחסון של נתונים בזמן אמת.
אונטולוגיות קלט	מאגרים ציבוריים (למשל, LOV)	לא ישים	אונטולוגיות OWL/RDF ספציפיות לתחום עבור סביבות IoT.
ספריית למידת מכונה	קוד פתוח (למשל, scikit-learn)	לא ישים	משמש לאימון מודל סיווג בפיקוח.
כלי הדמיית רשת	קוד פתוח / מסחרי (למשל, NetSim)	לא ישים	יוצר מערכי נתונים הטרוגניים מדומים של התקני IoT.
תוכנה לעריכה אונטולוגית	קוד פתוח (למשל, Proté gé)	לא ישים	משמש לניתוח, עריכה והדמיה אונטולוגית.
סביבת תכנות	קוד פתוח (למשל, Python)	לא ישים	מיישם מודלים של למידת מכונה ועיבוד נתונים.
זרמי נתונים גולמיים של IoT	מקורות סל נתונים ציבוריים / מותאמים אישית	לא ישים	קבצי CSV או JSON המכילים נתוני מכשיר IoT גולמיים.
קבצי פלט RDF	נוצר במחקר	לא ישים	RDF/XML המייצגים נתוני IoT מועשרים סמנטית.
ספריית ניתוח סמנטי	קוד פתוח (למשל, RDFLib)	לא ישים	המרת נתוני IoT לשלשות RDF עבור מידול סמנטי.
מנוע שאילתות SPARQL	קוד פתוח	לא ישים	אימות עקביות נתוני RDF באמצעות שאילתות SPARQL.

מקורות

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

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).

הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.

הדפסות חוזרות והרשאות

בקש הרשאה לשימוש חוזר בטקסט או באיורים של מאמר JoVE זה

בקש הרשאה

תגיות

Interoperability IoT

לקראת אונטולוגיות IoT סטנדרטיות באמצעות מסגרת מבוססת למידת מכונה להחלפת נתונים חלקה

במאמר זה

סיכום

תקציר

מבוא

פרוטוקול

תוצאות

דיון

גילויים

תודות

חומרים

מקורות

הדפסות חוזרות והרשאות

תגיות

מאמרים קשורים