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

Sommario

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.

Introduzione

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 struttura semantica standardizzata è emersa come un ostacolo chiave allo scambio di dati senza soluzione di continuità 8,9,10,11,12. Ontologie diverse, protocolli variabili e modelli di dati incoerenti limitano l'interoperabilità, rendendo difficile per i dispositivi collaborare in modo efficiente in tempo reale. Questa frammentazione semantica spesso porta a interpretazioni errate, aumento della latenza e errori di integrazione che compromettono la scalabilità e le prestazioni del sistema ^5,12,13. Pertanto, c'è un bisogno critico di un approccio unificante in grado di standardizzare le rappresentazioni semantiche adattandosi alla natura dinamica degli ambienti IoT 6,10,11,12.

Questo studio propone un nuovo framework basato sull'apprendimento automatico per l'allineamento delle ontologie in tempo reale per affrontare queste sfide di interoperabilità 4,8,9,11,14. Il framework combina la modellazione semantica avanzata, la mappatura adattiva delle ontologie e l'integrazione del flusso di dati ^9,10,13 per allineare dinamicamente le ontologie IoT. L'utilizzo di tecniche di apprendimento automatico per l'allineamento delle ontologie può migliorare significativamente la coerenza semantica e l'efficienza dell'integrazione in sistemi IoT eterogenei 8,9,14,15. A differenza dei tradizionali metodi basati su regole 4,5,7,8,9,10,13, l'approccio proposto impiega misure di somiglianza ponderate, mappature strutturali e lessicali e algoritmi di ottimizzazione che si adattano ai dati in arrivo 15,16,17. La convalida sperimentale è stata condotta sia in ambienti simulati che reali, comprese le case intelligenti e i sistemi sanitari. I risultati dimostrano che il framework raggiunge un'accuratezza dell'allineamento dell'ontologia del 97%, riduce la latenza media a meno di 20 ms e mantiene tassi di interoperabilità superiori al 95% tra i tipi di dispositivi⁸.

L'adattabilità del quadro proposto lo distingue ulteriormente dalle soluzioni esistenti ^9,13,15. Man mano che nuovi dispositivi si uniscono alla rete, il sistema aggiorna automaticamente le relazioni semantiche senza richiedere la riconfigurazione manuale 5,6,8,9,13,15. Ciò è reso possibile grazie all'integrazione dell'ottimizzazione basata sull'apprendimento che riduce al minimo le discrepanze semantiche e il sovraccarico computazionale ^8,9. Il sistema mostra anche prestazioni migliorate nell'utilizzo della memoria e della CPU, rendendolo adatto per ambienti con risorse limitate 1,2,3,11,12. Affrontando l'incoerenza semantica, la latenza e la scalabilità in un'architettura unificata, questo lavoro getta le basi per un modello di comunicazione IoT standardizzato, intelligente e pronto per il futuro^13,18.

L'obiettivo di questo studio è sviluppare e convalidare un framework basato sull'apprendimento automatico per l'allineamento di ontologie in tempo reale per facilitare l'interoperabilità semantica in ambienti IoT eterogenei. Lo studio include le seguenti fasi: (1) Raccolta e analisi delle ontologie, (2) Modellazione e allineamento semantico, (3) Ottimizzazione basata sull'apprendimento automatico e (4) Convalida del mondo reale in contesti IoT simulati e live. Il framework sperimentale è stato testato utilizzando set di dati pubblici, ambienti simulati e implementazioni dal vivo in ambienti domestici e sanitari intelligenti. Nella Figura 1 viene fornita una rappresentazione schematica di un framework di allineamento dell'ontologia IoT basato sull'apprendimento automatico.

Figura 1: Framework di allineamento delle ontologie IoT basato sull'apprendimento automatico. Questa figura presenta una visione di alto livello del framework proposto che integra tecniche di apprendimento automatico per allineare le ontologie tra sistemi IoT eterogenei. La pipeline include la valutazione della somiglianza semantica, l'ottimizzazione utilizzando la minimizzazione delle perdite e il perfezionamento iterativo per una maggiore interoperabilità. Clicca qui per visualizzare una versione più grande di questa figura.

Protocollo

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. Ogni ontologia è stata ispezionata in un editor di ontologie (ad esempio, Protégé) e analizzata programmaticamente per estrarre gerarchie di classi, proprietà di oggetti e dati e metadati associati in conformità con le specifiche RDF/OWL ^1,2.

Per i confronti a coppie, la somiglianza lessicale tra le etichette di classe è stata calcolata utilizzando una somiglianza di stringa normalizzata basata sulla distanza di modifica⁴. La somiglianza strutturale è stata derivata attraversando le relazioni tra sottoclassi e superclassi e calcolando i rapporti di sovrapposizione dei quartieri locali. La somiglianza delle istanze è stata valutata rilevando istanze condivise o compatibili tra le ontologie e verificando la compatibilità dei tipi di dati. Un punteggio combinato è stato definito come Equazione (1):

S_totale=w1S_lessicale+w2S_strutturale+w3S_istanza Equazione (1)

Con pesi iniziali w1 = 0,5, w2 = 0,3, w3 = 0,2 e una soglia selezionata da un sottoinsieme di convalida trattenuto. Le corrispondenze dei candidati con punteggi combinati pari o superiori alla soglia sono state registrate in un registro CSV con identificatori di ontologie, IRI di entità, punteggi dei componenti e l'esito della decisione per l'allineamento a valle.

Modellazione semantica e integrazione dei dati
Per convertire i flussi IoT grezzi in rappresentazioni conformi all'ontologia, è stata costruita un'ontologia unificata che copre metadati statici (ad es. Studente, Corso, Dispositivo) e osservazioni dinamiche (ad es. Sensore, Osservazione, Timestamp), allineandosi con le migliori pratiche RDF/OWL¹⁰ e stabilita IoT Semantic ^5,6,13. La trasformazione semantica è stata definita dalla funzione di mappatura:

D_semantico =_{f mappa} (D_grezzo, O) Equazione (2)

dove O denota l'ontologia applicata e f_map materializza triple con IRI stabili. I dati trasformati sono stati memorizzati come RDF e convalidati per la coerenza utilizzando query SPARQL; un endpoint SPARQL è stato configurato per supportare le query semantiche tra le fonti¹⁹. L'artefatto RDF risultante è stato archiviato come semantic_data.rdf ed è stata prodotta un'esportazione tabulare sincronizzata (una tabella larga normalizzata) per le attività di apprendimento, inclusa una colonna di provenienza dei dati che indica l'origine della funzionalità e qualsiasi imputazione o ridimensionamento applicato.

Allineamento delle ontologie con l'apprendimento automatico
Un approccio ibrido ha combinato segnali di somiglianza basati su regole con l'apprendimento supervisionato per selezionare corrispondenze ad alta confidenza^14,15. Il set di addestramento comprendeva 2.500 coppie di elementi ontologici annotate manualmente (match o non-match) per creare un set di dati bilanciato. Le caratteristiche includevano i tre componenti di somiglianza insieme a statistiche ausiliarie come la differenza di lunghezza dell'etichetta. Un insieme di alberi decisionali (Random Forest) con 100 alberi, profondità massima 10, class_weight = "bilanciato" e un seme casuale fisso (42) è stato addestrato seguendo la pratica stabilita¹⁴. L'obiettivo di apprendimento è stato formalizzato come Equazione (3):

Equazione (3)

dove y_i è l'etichetta di verità di base, y_i^{^} è l'etichetta prevista e λ rappresenta il parametro di regolarizzazione.

Dopo la calibrazione delle probabilità, sono state mantenute le coppie con probabilità prevista ≥ 0,50 e sono stati applicati vincoli uno-a-uno per evitare mappature molti-a-uno. Il file di mappatura finale, inclusi gli IRI di origine e di destinazione, i punteggi di affidabilità e i contributi alle funzionalità, è stato serializzato come alignment_results.json; L'artefatto del modello addestrato è stato archiviato come alignment_model.pkl. La qualità del modello è stata riportata su un set di test trattenuto utilizzando accuratezza, precisione, richiamo, punteggio F1 e una matrice di confusione con intervalli di confidenza del 95% calcolati mediante convalida incrociata cinque volte^14,15.

Implementazione e valutazione nel mondo reale
È stato creato un ambiente simulato che rappresenta 1.000 dispositivi eterogenei per testare l'ingestione e l'allineamento, seguiti da flussi del mondo reale da ambienti domestici e sanitari ^5,11. I dati allineati all'ontologia sono stati integrati in un livello middleware cloud per l'ingestione e l'interrogazione in tempo reale^11,12. L'onboarding dei nuovi dispositivi è stato eseguito automaticamente ispezionando le intestazioni dei dati in entrata e applicando la classificazione semantica dinamica utilizzando il modello di allineamento addestrato^14,15.

Le prestazioni del sistema sono state valutate lungo quattro assi: (i) qualità dell'allineamento (le metriche di classificazione di cui sopra), (ii) tasso di interoperabilità (interazioni cross-source riuscite come percentuale di interazioni tentate), (iii) latenza end-to-end definita come equazione (4) e (iv) utilizzo delle risorse (CPU e memoria).

L=_Risposta T−_{T richiesta} Equazione (4)

I file di configurazione, i log e gli output sono stati archiviati con nomi di file stabili e un file README per facilitare la replica indipendente¹⁹. Il framework completato ha consentito in modo coerente l'interoperabilità semantica in contesti IoT eterogenei; Gli output dei dati, i registri delle prestazioni e le configurazioni sono raggruppati per supportare la riproducibilità e la convalida esterna 11,12,19.

Dettagli di implementazione per la replica
La pipeline è stata implementata in Python (versione 3.10 o successiva) utilizzando rdflib e owlready2 per la gestione di RDF/OWL, scikit-learn per l'addestramento e la valutazione del modello e librerie di dati standard per la pre-elaborazione ^8,14,15. I semi casuali sono stati corretti, le versioni della libreria sono state bloccate in un file requirements.txt ed è stata utilizzata una struttura di directory canonica: ontologies/, data/raw/, data/processed/, models/ e results/. I nomi dei file a cui si fa riferimento nel testo sono esatti: semantic_data.rdf, alignment_results.json e alignment_model.pkl¹⁹.

Progettazione della ricerca
Questo studio computazionale con metodi misti integra la modellazione semantica con un modulo di allineamento ontologico supervisionato per migliorare l'interoperabilità tra fonti IoT eterogenee. Il protocollo procede in breve come segue: le ontologie pubbliche vengono raccolte e analizzate; le tabelle IoT non elaborate vengono mappate su uno schema RDF/OWL unificato¹⁰; le corrispondenze dei candidati sono generate dai segnali lessicali, strutturali e di istanza ^15,16; Un insieme compatto di alberi decisionali viene addestrato su un set etichettato manualmente per accettare corrispondenze uno-a-uno a una soglia fissa^14,15; i grafici/tabelle allineati sono fusi; e le prestazioni sono valutate in base a metriche a livello di corrispondenza (accuratezza, precisione, richiamo, F1, matrice di confusione) e al comportamento del sistema (tasso di interoperabilità, latenza end-to-end, CPU/memoria)^14,15. Un metodo di somiglianza ponderata basato solo su regole funge da base¹⁶. I semi casuali e le versioni della libreria sono fissi e gli artefatti usano nomi stabili (semantic_data.rdf, alignment_results.json alignment_model.pkl) per supportare la replica. La Figura 2 illustra il quadro generale per la progettazione di ontologie unificate in ambienti IoT.

Figura 2: Progettazione di ontologie unificate in ambienti IoT. La figura illustra i livelli architetturali principali dell'ontologia unificata, mostrando la modellazione semantica, l'integrazione dell'intelligenza artificiale e l'astrazione della conoscenza del dominio per un'interoperabilità dei dati IoT senza soluzione di continuità. Il framework supporta strutture ontologiche sia cross-domain che domain-specific. Clicca qui per visualizzare una versione più grande di questa figura.

Raccolta dei dati
La raccolta dei dati è stata eseguita in due fasi distinte.

Valutazione dell'ontologia: È stata condotta un'analisi critica delle ontologie IoT e dei modelli semantici esistenti per identificare le lacune nelle attuali strategie di integrazione. Sono stati esaminati i set di dati IoT disponibili al pubblico e le ontologie specifiche del dominio per valutare i limiti strutturali e semantici^{dell'allineamento} 5,6,10,11.

Approvazione del processo: I sistemi IoT del mondo reale (ad esempio, case intelligenti, applicazioni sanitarie, automazione industriale) sono stati utilizzati per raccogliere dati per convalidare il framework. Inoltre, sono stati generati set di dati simulati per valutare le prestazioni del sistema in condizioni controllate e ripetibili 8,9,11,12.

Analisi dei dati
La fase di analisi ha impiegato una combinazione di tecniche semantiche, statistiche e basate sull'intelligenza artificiale per convalidare il framework proposto.

Gli allineatori pratici includono i matcher di stringhe lessicali che utilizzano la distanza di Levenshtein normalizzata (NLD) per etichette/sinonimi¹⁶; metodi basati su grafi strutturali che propagano o aggregano la somiglianza Flooding che propagano la somiglianza su quartieri di sottoclassi/superclassi ^12,15; tecniche di conservazione della logica che combinano la corrispondenza con il ragionamento per mantenere coerenti le mappature^15,19; approcci probabilistici basati su istanze che sfruttano le prove provenienti da istanze condivise o compatibili¹⁷; e matcher ibridi/ensemble che fondono più segnali e regole 12,14,15. Le varianti neurali recenti utilizzano l'incorporamento di frasi contestuali per valutare le somiglianze dei candidati ^12,14.

Allineamento dell'ontologia: Sono stati utilizzati algoritmi di allineamento di alto livello per risolvere le discrepanze semantiche tra ontologie IoT eterogenee. Questi algoritmi hanno utilizzato regole euristiche e metodi di apprendimento automatico (ML) per calcolare mappature accurate e mantenere i vincoli di coerenza^15,17. La Figura 3 presenta il processo di allineamento dell'ontologia per ottenere l'interoperabilità tra i dispositivi IoT.

Figura 3: Processo di allineamento dell'ontologia per l'interoperabilità dei dispositivi IoT. Questo diagramma illustra il processo di allineamento che risolve le discrepanze sintattiche e semantiche tra i dispositivi in un ecosistema IoT eterogeneo. Sottolinea il ruolo delle metriche di somiglianza lessicali, strutturali e basate su istanze utilizzate nell'algoritmo di allineamento. Clicca qui per visualizzare una versione più grande di questa figura.

Modellazione semantica: È stata applicata una strategia di modellazione semantica basata sull'intelligenza artificiale per sviluppare un'ontologia unificata che acquisisca sia la semantica specifica del dominio che quella interdominio. Questo modello integra flussi di dati IoT statici e dinamici ed è conforme alle best practice RDF/OWL e alla semantica IoT consolidata 5,6,10,13, supportando applicazioni in tempo reale.

Valutazione delle prestazioni: La configurazione sperimentale ha valutato le metriche chiave delle prestazioni, tra cui il tasso di interoperabilità, la latenza, l'efficienza del sistema e la scalabilità ^11,12. L'analisi comparativa è stata condotta rispetto alle tecniche di integrazione di base per dimostrare la flessibilità e la resilienza della soluzione proposta 12,14,15,16. La Figura 4 mostra il flusso computazionale e i componenti critici dell'allineamento delle ontologie e dei processi di modellazione semantica.

Figura 4: Modello semantico per applicazioni IoT in tempo reale. Questa figura evidenzia la strategia di modellazione semantica che integra configurazioni statiche di dispositivi e flussi di dati dinamici dei sensori nell'ontologia unificata. L'architettura supporta l'arricchimento semantico in tempo reale per un processo decisionale sensibile al contesto. Clicca qui per visualizzare una versione più grande di questa figura.

Equazioni chiave
Equazione per l'allineamento delle ontologie utilizzando metriche di somiglianza: Per allineare ontologie IoT eterogenee, la somiglianza aggregata viene calcolata come una miscela ponderata di segnali lessicali, strutturali e basati su istanze come per l'equazione 1 di cui sopra, dove Stotal è la somiglianza aggregata tra due elementi ontologici, Slexical è la somiglianza dalla corrispondenza lessicale (ad esempio, distanza di stringa normalizzata), Sstructural è la somiglianza basata sulle relazioni sottostanti (ad esempio, gerarchia genitore-figlio), Sinstance è la comparabilità basata sui dati dell'istanza (ad esempio, negli esempi di utilizzo) e w1, w2, w3 sono coefficienti di peso, regolati in base al contesto dell'applicazione.

Equazione per l'ottimizzazione basata sull'apprendimento automatico per la mappatura delle ontologie: Il miglioramento delle mappature può essere formulato come un problema di minimizzazione delle spese utilizzando una capacità di sfortuna:

dove L è la capacità di sfortuna per la previsione della mappatura, yi è l'etichetta di verità di base per la mappatura i-esima, y^i è l'etichetta prevista per la mappatura i-esima, ||Θ|| è il termine di regolarizzazione per evitare l'overfitting, λ è il parametro di regolarizzazione.

Equazione per la modellazione semantica dei flussi di dati IoT: L'arricchimento semantico è espresso come una trasformazione dei dati basata sull'ontologia come per l'equazione 2 sopra, dove D_semantica è il set di dati semanticamente annotato, D_raw sono i dati IoT grezzi, O è l'ontologia utilizzata per l'annotazione e f_map è la funzione di mappatura derivata dall'ontologia unificata.

Equazioni per le metriche delle prestazioni (interoperabilità e latenza)
Indice di interoperabilità (percentuale di interazioni cross-source riuscite):

I_index = (interazioni riuscite / interazioni totali) x 100 Equazione (5)

La latenza (riprodotta qui per completezza) viene calcolata in base all'equazione 4 precedente, dove I_index è l'indice di interoperabilità (in %), L è la latenza (ms), T_response è il timestamp della risposta e T_request è il timestamp della richiesta.

Equazione per l'analisi della scalabilità dell'ecosistema IoT
Complessità computazionale rispetto al numero di dispositivi ed elementi ontologici:

C = O(n · m) Equazione (6)

dove C è la complessità computazionale, n è il numero di dispositivi IoT e m è il numero di elementi dell'ontologia.

Risultati

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...

Discussione

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...

Materiali

Elenco dei materiali utilizzati in questo articolo

Nome	Azienda	Numero di catalogo	Commenti
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.