Verso ontologie IoT standardizzate utilizzando un framework basato sull'apprendimento automatico per uno scambio di dati senza soluzione di continuità

Summary

Questo studio presenta un framework basato sull'apprendimento automatico per l'allineamento delle ontologie IoT in tempo reale, consentendo uno scambio di dati senza soluzione di continuità tra sistemi eterogenei. Integrando la modellazione semantica e l'ottimizzazione adattiva, l'approccio migliora l'interoperabilità, riduce la latenza e raggiunge un'elevata precisione. Convalidato in contesti reali, offre una soluzione di integrazione IoT scalabile e standardizzata.

Abstract

La crescente eterogeneità dei dispositivi Internet of Things (IoT) ha portato a sfide significative per raggiungere l'interoperabilità in tempo reale e lo scambio di dati senza interruzioni. Gli ecosistemi IoT esistenti spesso operano utilizzando diversi modelli di dati, protocolli di comunicazione e rappresentazioni semantiche, con conseguente frammentazione dei sistemi che ostacola l'integrazione. Per affrontare questo problema, proponiamo un framework unificato che utilizza l'allineamento delle ontologie basato sull'apprendimento automatico per un'integrazione IoT standardizzata e adattiva. L'ipotesi alla base di questa ricerca è che la combinazione della modellazione semantica con tecniche di ottimizzazione intelligente possa migliorare significativamente la coerenza e l'efficienza dello scambio di dati tra ambienti IoT eterogenei. Il framework proposto integra l'elaborazione del flusso di dati in tempo reale, l'analisi della somiglianza semantica e la mappatura ontologica adattiva per allineare dinamicamente le ontologie dei dispositivi. Utilizzando ambienti simulati e reali, tra cui case intelligenti e sistemi sanitari, il framework è stato testato rispetto a metriche chiave delle prestazioni come precisione, latenza e tasso di interoperabilità. I risultati dimostrano che il metodo proposto raggiunge un'elevata precisione di allineamento dell'ontologia del 97%, riduce la latenza a meno di 20 ms e mantiene un'interoperabilità superiore al 95% tra diversi tipi di dispositivi. I risultati confermano che l'integrazione degli algoritmi di apprendimento automatico con la modellazione semantica migliora significativamente le prestazioni, la scalabilità e l'adattabilità dei sistemi IoT. Il framework risolve con successo le incoerenze semantiche e supporta l'onboarding dinamico dei dispositivi senza intervento manuale. Questo studio presenta una soluzione robusta e scalabile per l'interoperabilità IoT, che offre un allineamento ontologico intelligente e in tempo reale, adattabile all'evoluzione dei dispositivi e degli standard di dati. Questo lavoro contribuisce allo sviluppo di architetture IoT di nuova generazione in grado di supportare una comunicazione standardizzata, efficiente e automatizzata in diverse applicazioni.

Introduction

L'Internet of Things (IoT) si sta rapidamente evolvendo in un'infrastruttura di base per ambienti intelligenti, che collega un'ampia gamma di dispositivi eterogenei che operano in diversi settori come la sanità, le città intelligenti, l'agricoltura e l'automazione industriale ^1,2,3. Questi dispositivi generano grandi volumi di dati e si basano sulla comprensione semantica per comunicare in modo significativo 4,5,6,7. Tuttavia, la mancanza di una str....

Protocol

Questa ricerca non ha coinvolto soggetti umani o vertebrati o campionamenti di tessuti. Tutti gli esperimenti sono stati eseguiti in conformità con le linee guida istituzionali per la ricerca computazionale presso la J. C. Bose University of Science & Technology, YMCA, Faridabad.

Raccolta e valutazione delle ontologie
Le ontologie pubbliche rilevanti per l'assistenza sanitaria, le case intelligenti e il monitoraggio industriale sono state ottenute da archivi consolidati, tra cui vocabolari aperti collegati (LOV) e portali specifici di dominio, nei formati RDF/OWL ^1,2,3....

Results

Raccolta e valutazione delle ontologie
L'analisi delle ontologie ha rivelato sostanziali incongruenze tra le ontologie IoT specifiche del dominio in termini di gerarchia di classi, etichette semantiche e definizioni delle proprietà dei dati. Queste incongruenze erano più pronunciate tra i set di dati sanitari e per la casa intelligente, dimostrando un tasso di discrepanza strutturale del 28%. L'identificazione di queste variazioni ha convalidato l'ipotesi iniziale secondo cui la mancanza di standardiz.......

Discussion

Il framework sviluppato basato sull'apprendimento automatico dimostra la sua efficacia nell'affrontare le sfide dell'interoperabilità semantica in ambienti IoT eterogenei. Attraverso un protocollo strutturato che integra la modellazione semantica, l'allineamento delle ontologie basato sull'apprendimento automatico e l'implementazione di middleware basati su cloud, il sistema ha raggiunto un'elevata precisione di allineamento delle ontologie e un'integrazione coerente dei dati tra vari di.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Piattaforma middleware basata su cloud	Open-source / Proprietario (ad esempio, Firebase)	N/A	Facilita l'acquisizione e l'archiviazione dei dati in tempo reale.
Ontologie di input	Archivi pubblici (ad esempio, LOV)	N/A	Ontologie OWL/RDF specifiche del dominio per ambienti IoT.
Libreria di Machine Learning	Open-source (ad esempio, scikit-learn)	N/A	Usato per il training del modello di classificazione supervisionato.
Strumento di simulazione di rete	Open-source / Commerciale (ad esempio, NetSim)	N/A	Genera set di dati di dispositivi IoT eterogenei simulati.
Ontology Editing Software	L'open source (ad esempio, Proté gé)	N/A	Utilizzato per l'analisi, la modifica e la visualizzazione delle ontologie.
Ambiente di programmazione	Open-source (ad esempio, Python)	N/A	Implementa modelli di apprendimento automatico ed elaborazione dei dati.
Flussi di dati IoT grezzi	Origini di set di dati pubbliche/personalizzate	N/A	File CSV o JSON contenenti dati grezzi del dispositivo IoT.
File di output RDF	Generato durante lo studio	N/A	File RDF/XML che rappresentano dati IoT semanticamente arricchiti.
Libreria di analisi semantica	Open-source (ad esempio, RDFLib)	N/A	Converte i dati IoT in triple RDF per la modellazione semantica.
Motore di query SPARQL	Sorgente aperto	N/A	Convalida la coerenza dei dati RDF utilizzando le query SPARQL.