원활한 데이터 교환을 위한 머신러닝 기반 프레임워크를 사용하여 표준화된 IoT 온톨로지를 향하여

요약

이 연구는 실시간 IoT 온톨로지 정렬을 위한 기계 학습 기반 프레임워크를 제시하여 이기종 시스템 전반에 걸쳐 원활한 데이터 교환을 가능하게 합니다. 시맨틱 모델링과 적응형 최적화를 통합함으로써 이 접근 방식은 상호 운용성을 향상시키고 대기 시간을 줄이며 높은 정확도를 달성합니다. 실제 환경에서 검증된 이 솔루션은 확장 가능하고 표준화된 IoT 통합 솔루션을 제공합니다.

초록

사물 인터넷(IoT) 장치의 이질성이 증가함에 따라 실시간 상호 운용성과 원활한 데이터 교환을 달성하는 데 심각한 어려움이 발생했습니다. 기존 IoT 생태계는 다양한 데이터 모델, 통신 프로토콜 및 의미 표현을 사용하여 작동하는 경우가 많기 때문에 통합을 방해하는 단편화된 시스템이 발생합니다. 이 문제를 해결하기 위해 우리는 표준화된 적응형 IoT 통합을 위해 기계 학습 기반 온톨로지 정렬을 사용하는 통합 프레임워크를 제안합니다. 이 연구를 안내하는 가설은 의미론적 모델링과 지능형 최적화 기술을 결합하면 이기종 IoT 환경에서 데이터 교환의 일관성과 효율성을 크게 향상시킬 수 있다는 것입니다. 제안된 프레임워크는 실시간 데이터 스트림 처리, 의미론적 유사성 분석 및 적응형 온톨로지 매핑을 통합하여 장치 온톨로지를 동적으로 정렬합니다. 스마트 홈 및 의료 시스템을 포함한 시뮬레이션된 실제 환경을 사용하여 프레임워크는 정확성, 대기 시간 및 상호 운용성과 같은 주요 성능 지표에 대해 테스트되었습니다. 결과는 제안된 방법이 97%의 높은 온톨로지 정렬 정확도를 달성하고, 대기 시간을 20ms 미만으로 줄이며, 다양한 장치 유형 간에 95% 이상의 상호 운용성을 유지한다는 것을 보여줍니다. 연구 결과는 기계 학습 알고리즘과 시맨틱 모델링의 통합이 IoT 시스템의 성능, 확장성 및 적응성을 크게 향상시킨다는 것을 확인시켜 줍니다. 이 프레임워크는 의미론적 불일치를 성공적으로 해결하고 수동 개입 없이 동적 장치 온보딩을 지원합니다. 이 연구는 IoT 상호 운용성을 위한 강력하고 확장 가능한 솔루션을 제시하여 진화하는 장치 및 데이터 표준에 적응할 수 있는 실시간 지능형 온톨로지 정렬을 제공합니다. 이 작업은 다양한 애플리케이션 전반에 걸쳐 표준화되고 효율적이며 자동화된 통신을 지원할 수 있는 차세대 IoT 아키텍처 개발에 기여합니다.

서론

사물 인터넷(IoT)은 의료, 스마트 시티, 농업 및 산업 자동화와 같은 다양한 영역에서 작동하는 다양한 이기종 장치를 연결하는 스마트 환경을 위한 핵심 인프라로 빠르게 발전하고 있습니다 ^1,2,3. 이러한 장치는 대량의 데이터를 생성하고 의미 있는 통신을 위해 의미론적 이해에 의존합니다 ^4,5,6,7. 그러나 표준화된 의미 구조의 부족은 원활한 데이터 교환의 주요 장벽으로 나타났습니다 8,9,10,11,12. 다양한 온톨로지, 다양한 프로토콜, 일관되지 않은 데이터 모델로 인해 상호 운용성이 제한되어 장치가 실시간으로 효율적으로 협업하기 어렵습니다. 이러한 의미론적 단편화는 종종 시스템 확장성과 성능을 손상시키는 오해, 대기 시간 증가 및 통합 실패로 이어집니다 ^5,12,13. 따라서 IoT 환경의 동적 특성에 적응하면서 의미론적 표현을 표준화할 수 있는 통합 접근 방식이 절실히 필요합니다(6,10,11,12).

이 연구는 이러한 상호 운용성 문제를 해결하기 위해 실시간 온톨로지 정렬을 위한 새로운 기계 학습 기반 프레임워크를 제안합니다 4,8,9,11,14. 이 프레임워크는 고급 시맨틱 모델링, 적응형 온톨로지 매핑 및 데이터 스트림 통합 ^9,10,13을 결합하여 IoT 온톨로지를 동적으로 정렬합니다. 온톨로지 정렬을 위해 기계 학습 기술을 활용하면 이기종 IoT 시스템에서 의미론적 일관성과 통합 효율성을 크게 향상시킬 수 있습니다 8,9,14,15. 기존의 규칙 기반 방법⁽4,5,7,8,9,10,13)과 달리 제안된 접근 방식은 가중 유사성 측정, 구조 및 어휘 매핑, 들어오는 데이터에 적응하는 최적화 알고리즘 을 사용합니다 15,16,17 . 실험적 검증은 스마트 홈 및 의료 시스템을 포함한 시뮬레이션 환경과 실제 환경 모두에서 수행되었습니다. 결과는 프레임워크가 97%의 온톨로지 정렬 정확도를 달성하고, 평균 대기 시간을 20ms 미만으로 줄이고, 장치 유형⁸에서 95% 이상의 상호 운용성을 유지한다는 것을 보여줍니다.

제안된 프레임워크의 적응성은 기존 솔루션 ^9,13,15와 더욱 구별됩니다. 새로운 장치가 네트워크에 연결되면 시스템은 수동 재구성 없이 의미 관계를 자동으로 업데이트합니다 5,6,8,9,13,15. 이는 의미론적 불일치와 계산 오버헤드를 최소화하는 학습 기반 최적화의 통합을 통해 가능해집니다 ^8,9. 이 시스템은 또한 메모리 및 CPU 사용량에서 향상된 성능을 나타내므로 리소스가 제한된 환경 1,2,3,11,12에 적합합니다. 통합 아키텍처에서 의미론적 불일치, 대기 시간 및 확장성을 해결함으로써 이 작업은 표준화되고 지능적이며 미래 지향적인 IoT 통신 모델의 토대를 마련합니다^13,18.

이 연구의 목표는 이기종 IoT 환경에서 의미론적 상호 운용성을 촉진하기 위해 실시간 온톨로지 정렬을 위한 기계 학습 기반 프레임워크를 개발하고 검증하는 것입니다. 이 연구에는 (1) 온톨로지 수집 및 분석, (2) 의미론적 모델링 및 정렬, (3) 기계 학습 기반 최적화, (4) 시뮬레이션 및 라이브 IoT 컨텍스트에서의 실제 검증 단계가 포함됩니다. 실험 프레임워크는 공개 데이터 세트, 시뮬레이션 환경, 스마트 홈 및 의료 환경의 실시간 배포를 사용하여 테스트되었습니다. 기계 학습 기반 IoT 온톨로지 정렬 프레임워크의 개략적인 표현은 그림 1에 나와 있습니다.

그림 1: 기계 학습 기반 IoT 온톨로지 정렬 프레임워크. 이 그림은 기계 학습 기술을 통합하여 이기종 IoT 시스템 전반에 걸쳐 온톨로지를 정렬하는 제안된 프레임워크에 대한 높은 수준의 보기를 제공합니다. 파이프라인에는 의미론적 유사성 평가, 손실 최소화를 사용한 최적화, 향상된 상호 운용성을 위한 반복적인 개선이 포함됩니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

프로토콜

이 연구에는 인간 또는 척추동물 피험자 또는 조직 샘플링이 포함되지 않았습니다. 모든 실험은 J. C. Bose, University of Science & Technology, YMC, Faridabad의 기관 전산 연구 지침에 따라 수행되었습니다.

온톨로지 수집 및 평가
의료, 스마트 홈 및 산업 모니터링과 관련된 공개 온톨로지는 LOV(Linked Open Vocabulary) 및 도메인별 포털을 포함하여 RDF/OWL 형식 ^1,2,3으로 확립된 저장소에서 얻었습니다. 각 온톨로지는 온톨로지 편집기(예: Protégé)에서 검사되고 프로그래밍 방식으로 구문 분석되어 RDF/OWL 사양 ^1,2에 따라 클래스 계층 구조, 객체 및 데이터 속성, 관련 메타데이터를 추출했습니다.

쌍별 비교의 경우, 클래스 레이블 간의 어휘적 유사성은 정규화된 편집 거리 기반 문자열 유사성⁴을 사용하여 계산되었습니다. 구조적 유사성은 하위 클래스와 수퍼 클래스 관계를 순회하고 지역 이웃의 중첩 비율을 계산하여 도출되었습니다. 인스턴스 유사성은 온톨로지 전반에 걸쳐 공유 또는 호환되는 인스턴스를 감지하고 데이터 유형 호환성을 확인하여 평가되었습니다. 결합된 점수는 방정식 (1)으로 정의되었습니다.

S_합계=w1S_어휘+w2S_구조+w3S_인스턴스 방정식 (1)

초기 가중치 W1 = 0.5, W2 = 0.3, W3 = 0.2 및 보류된 검증 하위 집합에서 선택된 임계값. 임계값 이상의 결합 점수를 가진 후보 서신은 온톨로지 식별자, 엔터티 IRI, 구성 요소 점수 및 다운스트림 정렬에 대한 결정 결과와 함께 CSV 레지스터에 기록되었습니다.

시맨틱 모델링 및 데이터 통합
원시 IoT 스트림을 온톨로지 호환 표현으로 변환하기 위해 RDF/OWL 모범 사례¹⁰ 및 확립된 IoT 시맨틱 ^5,6,13에 따라 정적 메타데이터(예: 학생, 코스, 장치) 및 동적 관찰(예: 센서, 관찰, 타임스탬프)을 포괄하는 통합 온톨로지가 구성되었습니다. 의미 체계 변환은 매핑 함수에 의해 정의되었습니다.

D_의미론=f_맵 (D_원시, O) 방정식 (2)

여기서 O는 적용된 온톨로지를 나타내고 f_map 안정적인 IRI로 트리플을 구체화합니다. 변환된 데이터는 RDF로 저장되고 SPARQL 쿼리를 사용하여 일관성을 검증했습니다. SPARQL 엔드포인트는 소스¹⁹에서 시맨틱 쿼리를 지원하도록 구성되었습니다. 결과 RDF 아티팩트는 semantic_data.rdf로 보관되었고, 기능 출처 및 적용된 대치 또는 스케일링을 나타내는 데이터 출처 열을 포함하여 학습 작업을 위해 동기화된 테이블 형식 내보내기(정규화된 와이드 테이블)가 생성되었습니다.

기계 학습을 사용한 온톨로지 정렬
하이브리드 접근 방식은 규칙 기반 유사성 신호와 지도 학습을 결합하여 신뢰도가 높은 대응을 선택했습니다^14,15. 훈련 세트는 균형 잡힌 데이터 세트를 생성하기 위해 수동으로 주석이 달린 2,500개의 온톨로지 요소 쌍(일치 또는 비일치)으로 구성되었습니다. 기능에는 레이블 길이 차이와 같은 보조 통계와 함께 세 가지 유사성 구성 요소가 포함되었습니다. 100그루의 나무, 최대 깊이 10, class_weight = "균형", 고정된 랜덤 시드(42)가 있는 의사결정 트리 앙상블(랜덤 포레스트)은 확립된 관행에 따라 훈련되었습니다¹⁴. 학습 목표는 방정식 (3)으로 공식화되었습니다.

방정식 (3)

여기서 y_i 는 실측 레이블이고, y_i^{^} 는 예측 레이블이며, λ는 정규화 매개변수를 나타냅니다.

확률 보정 후 예측 확률이 0.50인 쌍≥ 유지되고 다대일 매핑을 피하기 위해 일대일 제약 조건이 적용되었습니다. 소스 및 대상 IRI, 신뢰도 점수 및 기능 기여도를 포함한 최종 매핑 파일은 alignment_results.json로 직렬화되었습니다. 훈련된 모델 아티팩트는 alignment_model.pkl로 저장되었습니다. 모델 품질은 정확도, 정밀도, 재현율, F1 점수 및 5배 교차 검증^14,15에 의해 계산된 95% 신뢰 구간의 혼동 행렬을 사용하여 보류된 테스트 세트에서 보고되었습니다.

배포 및 실제 평가
1,000개의 이기종 장치를 나타내는 시뮬레이션 환경을 만들어 수집 및 정렬을 스트레스 테스트한 다음 스마트 홈 및 의료 환경에서 실제 스트림을 테스트했습니다 ^5,11. 온톨로지 정렬 데이터는 실시간 수집 및 쿼리를 위해 클라우드 미들웨어 계층에 통합되었습니다^11,12. 새로운 장치는 들어오는 데이터 헤더를 검사하고 훈련된 정렬 모델^(14,15)을 사용하여 동적 의미론적 분류를 적용함으로써 자동으로 온보딩되었습니다.

시스템 성능은 (i) 정렬 품질(위의 분류 지표), (ii) 상호 운용성(시도된 상호 작용의 백분율로 성공적인 소스 간 상호 작용), (iii) 방정식 (4)로 정의된 종단 간 대기 시간, (iv) 리소스 활용도(CPU 및 메모리)의 네 축을 따라 평가되었습니다.

L= T_응답-T_요청 방정식 (4)

구성 파일, 로그 및 출력은 독립적인 복제를 용이하게 하기 위해 안정적인 파일 이름 및 README로 보관되었습니다¹⁹. 완성된 프레임워크는 이기종 IoT 설정에서 의미론적 상호 운용성을 일관되게 가능하게 했습니다. 데이터 출력, 성능 로그 및 구성은 재현성 및 외부 검증을 지원하기 위해 번들로 제공됩니다 11,12,19.

복제에 대한 구현 세부 정보
파이프라인은 RDF/OWL 처리를 위한 rdflib 및 owlready2, 모델 훈련 및 평가를 위한 scikit-learn,^전처리를 위한 표준 데이터 라이브러리를 사용하여 Python(버전 3.10 이상)으로 구현되었습니다 ^8,14,15. 임의의 시드가 고정되었고, 라이브러리 버전이 requirements.txt 파일에 고정되었으며, 온톨로지/, data/raw/, data/processed/, models/ 및 results/와 같은 표준 디렉토리 구조가 사용되었습니다. 텍스트에서 참조되는 파일 이름은 semantic_data.rdf, alignment_results.json 및 alignment_model.pkl¹⁹와 같이 정확합니다.

연구 설계
이 혼합 방법의 계산 연구는 의미 체계 모델링을 지도 온톨로지 정렬 모듈과 통합하여 이기종 IoT 소스 간의 상호 운용성을 개선합니다. 프로토콜은 간략하게 다음과 같이 진행됩니다. 공개 온톨로지가 수집되고 구문 분석됩니다. 원시 IoT 테이블은 통합 RDF/OWL 스키마⁽¹⁰)에 매핑됩니다. 후보 대응은 어휘적, 구조적 및 인스턴스 신호(^15,16)로부터 생성된다. 컴팩트한 의사결정 트리 앙상블은 고정된 임계값^(14,15)에서 일대일 일치를 허용하도록 수동으로 레이블이 지정된 세트에서 훈련됩니다. 정렬된 그래프/테이블이 융합됩니다. 성능은 대응 수준 메트릭(정확도, 정밀도, 재현율, F1, 혼동 행렬) 및 시스템 동작(상호 운용성 속도, 종단 간 대기 시간, CPU/메모리)^14,15에 의해 평가됩니다. 규칙 전용 가중 유사성 방법은 기준선^{역할을 합니다(16}). 임의 시드 및 라이브러리 버전은 고정되어 있으며 아티팩트는 안정적인 이름(semantic_data.rdf, alignment_results.json, alignment_model.pkl)을 사용하여 복제를 지원합니다. 그림 2는 IoT 환경에서 통합 온톨로지 설계를 위한 전체 프레임워크를 보여줍니다.

그림 2: IoT 환경의 통합 온톨로지 설계. 이 그림은 원활한 IoT 데이터 상호 운용성을 위한 의미론적 모델링, AI 통합 및 도메인 지식 추상화를 보여주는 통합 온톨로지의 핵심 아키텍처 계층을 보여줍니다. 프레임워크는 교차 도메인 및 도메인별 온톨로지 구조를 모두 지원합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

데이터 수집
데이터 수집은 두 단계로 수행되었습니다.

온톨로지 평가: 기존 IoT 온톨로지 및 의미론적 모델에 대한 비판적 분석을 수행하여 현재 통합 전략의 격차를 식별했습니다. 공개적으로 사용 가능한 IoT 데이터 세트와 도메인별 온톨로지를 조사하여 구조적 및 의미론적 정렬 한계를 평가했습니다 5,6,10,11.

시험 승인: 실제 IoT 시스템(예: 스마트 홈, 의료 애플리케이션, 산업 자동화)을 활용하여 프레임워크 검증을 위한 데이터를 수집했습니다. 또한, 제어되고 반복 가능한 조건에서 시스템의 성능을 평가하기 위해 시뮬레이션된 데이터 세트가 생성되었습니다 8,9,11,12.

데이터 분석
분석 단계에서는 제안된 프레임워크를 검증하기 위해 의미론적, 통계적, AI 기반 기술의 조합을 사용했습니다.

실용적인 정렬기에는 레이블/동의어에 대해 정규화된 Levenshtein 거리(NLD)를 사용하는 어휘 문자열 매처가 포함됩니다¹⁶; 유사성을 전파하거나 집계하는 구조적 그래프 기반 방법 하위 클래스/수퍼 클래스 이웃에 유사성을 전파하는 플러딩^12,15; 매핑을 일관되게 유지하기 위해 매칭과 추론을 결합하는 논리 인식/일관성 보존 기술^15,19; 공유 또는 호환 가능한 인스턴스의 증거를 활용하는 인스턴스 기반/확률적 접근 방식¹⁷; 여러 신호와 규칙 12,14,15를 융합하는 하이브리드/앙상블 매처. 최근의 신경 변이체는 후보 유사성을 점수화하기 위해 문맥적 문장 임베딩을 사용합니다 ^12,14.

온톨로지 정렬: 높은 수준의 정렬 알고리즘은 이기종 IoT 온톨로지 간의 의미론적 불일치를 해결하는 데 사용되었습니다. 이러한 알고리즘은 휴리스틱 규칙과 기계 학습(ML) 방법을 활용하여 정확한 매핑을 계산하고 일관성 제약 조건을 유지합니다^15,17. 그림 3은 IoT 디바이스 간의 상호 운용성을 달성하기 위한 온톨로지 정렬 프로세스를 보여줍니다.

그림 3: IoT 디바이스 상호 운용성을 위한 온톨로지 정렬 프로세스. 이 다이어그램은 이기종 IoT 에코시스템에서 디바이스 간의 구문 및 의미 불일치를 해결하는 정렬 프로세스를 보여 줍니다. 정렬 알고리즘에 사용되는 어휘적, 구조적 및 인스턴스 기반 유사성 지표의 역할을 강조합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

시맨틱 모델링: AI 기반 시맨틱 모델링 전략을 적용하여 도메인별 및 교차 도메인 시맨틱을 모두 캡처하는 통합 온톨로지를 개발했습니다. 이 모델은 정적 및 동적 IoT 데이터 스트림을 통합하고 RDF/OWL 모범 사례 및 확립된 IoT 의미^{체계 5,6,10,13}을 준수하여 실시간 애플리케이션을 지원합니다.

성능 평가: 실험 설정은 상호 운용성, 대기 시간, 시스템 효율성 및 확장성을 포함한 주요 성능 지표를 평가했습니다 ^11,12. 제안된 솔루션 12,14,15,16의 유연성과 탄력성을 입증하기 위해 기본 통합 기술에 대한 비교 분석을 수행했습니다. 그림 4는 온톨로지 정렬 및 의미론적 모델링 프로세스의 계산 흐름과 중요한 구성 요소를 보여줍니다.

그림 4: 실시간 IoT 애플리케이션을 위한 의미 체계 모델. 이 그림은 정적 장치 구성과 동적 센서 데이터 스트림을 통합 온톨로지에 통합하는 의미론적 모델링 전략을 강조합니다. 이 아키텍처는 컨텍스트 인식 의사 결정을 위한 실시간 의미 체계 강화를 지원합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

키 방정식
유사성 메트릭을 사용한 온톨로지 정렬 방정식: 이기종 IoT 온톨로지를 정렬하기 위해 집계 유사성은 위의 방정식 1에 따라 어휘, 구조 및 인스턴스 기반 신호의 가중치 혼합으로 계산되며, 여기서 Stotal은 두 온톨로지 요소 간의 집계 유사성이고, Slexical은 어휘 일치의 유사성(예: 정규화된 문자열 거리), Sstructical은 기본 관계(예: 부모-자녀 계층 구조)에 기반한 유사성, Sinstance는 인스턴스 데이터(예: 사용 예제에서 겹치는 경우), w1, w2, w3은 애플리케이션 컨텍스트에 따라 조정된 가중치 계수입니다.

온톨로지 매핑을 위한 기계 학습 기반 최적화를 위한 방정식: 매핑의 향상은 불행 기능을 사용하여 비용 최소화 문제로 공식화할 수 있습니다.

여기서 L은 매핑 예측을 위한 불행 기능, yi는 i번째 매핑에 대한 실측 레이블, y^i는 i번째 매핑에 대한 예측 레이블, ||Θ|| 과적합을 방지하기 위한 정규화 항이고, λ는 정규화 매개변수입니다.

IoT 데이터 스트림의 의미론적 모델링을 위한 방정식: 의미 체계 강화는 위의 방정식 2에 따라 온톨로지 기반 데이터 변환으로 표현되며, 여기서 D_의미론 은 의미적으로 주석이 달린 데이터 세트, D_원시 는 원시 IoT 데이터, O는 주석에 사용되는 온톨로지, f_map 은 통합 온톨로지에서 파생된 매핑 함수입니다.

성능 메트릭(상호 운용성 및 대기 시간)에 대한 방정식
상호 운용성 지수(성공적인 소스 간 상호 작용의 백분율):

I_index = (성공적인 상호 작용 / 총 상호 작용) x 100 방정식 (5)

대기 시간(완전성을 위해 여기에 재현됨)은 위의 방정식 4에 따라 계산되며, 여기서 I_index는 상호 운용성 지수(%), L은 대기 시간(ms), T_response는 응답 타임스탬프, T_request는 요청 타임스탬프입니다.

IoT 생태계의 확장성 분석을 위한 방정식
장치 및 온톨로지 요소의 수와 관련된 계산 복잡성:

C = O(n · m) 방정식 (6)

여기서 C는 계산 복잡성, n은 IoT 장치 수, m은 온톨로지 요소 수입니다.

결과

온톨로지 수집 및 평가
온톨로지 분석은 클래스 계층 구조, 의미 레이블 및 데이터 속성 정의 측면에서 도메인별 IoT 온톨로지 전반에 걸쳐 상당한 불일치를 발견했습니다. 이러한 불일치는 의료 데이터와 스마트 홈 데이터 세트 간에 더 두드러져 28%의 구조적 불일치율을 보여주었습니다. 이러한 변형의 식별은 표준화 부족이 IoT 환경 전반의 상호 운용성을 손상시킨다는 초기 가설을 검증했습니다. 이러한 불일치는 제안된 정렬 프레임워크 ^6,9,10,11에서 얻은 개선을 평가하기 위한 기본 제어 역할을 했습니다.

시맨틱 모델링 및 데이터 통합
시맨틱 모델링 단계에서는 통합 구조를 사용하여 이...

토론

개발된 기계 학습 기반 프레임워크는 이기종 IoT 환경에서 의미론적 상호 운용성 문제를 해결하는 데 효과적임을 보여줍니다. 시맨틱 모델링, 머신 러닝 기반 온톨로지 정렬 및 클라우드 기반 미들웨어 배포를 통합하는 구조화된 프로토콜을 통해 시스템은 다양한 장치에서 높은 온톨로지 정렬 정확도와 일관된 데이터 통합을 달성했습니다.

중요한 프로토콜 단계
제안된 프로토콜의 몇 가지 단계는 운영 성공에 필수적입니다.
온톨로지 수집 및 전처리: 도메인별 온톨로지의 정확한 평가 및 전처리를 통해 의미론적 불일치를 식별하고 정렬을 위한 신뢰할 수 있는 기반을 구축했습니다.
시맨틱 모델링: 원시 IoT 데이터를 RDF 호환 시맨틱 표현으로 변환하여 데이터 균일성을 유지하고 다양한 데이터 스트림에서 일관된 통합을 가능하게 했습니다.
기계 학습을 사용한 온톨로지 정렬: 규칙 기반 유사성 점...

재료

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
클라우드 기반 미들웨어 플랫폼	오픈 소스 / 독점 (예 : Firebase)	해당 사항 없음	실시간 데이터 수집 및 저장을 용이하게 합니다.
입력 온톨로지	공용 저장소(예: LOV)	해당 사항 없음	IoT 환경을 위한 도메인별 OWL/RDF 온톨로지.
기계 학습 라이브러리	오픈 소스(예: scikit-learn)	해당 사항 없음	지도 분류 모델 학습에 사용됩니다.
네트워크 시뮬레이션 도구	오픈 소스/상업용(예: NetSim)	해당 사항 없음	시뮬레이션된 이기종 IoT 디바이스 데이터 세트를 생성합니다.
온톨로지 편집 소프트웨어	오픈 소스(예: Proté gé)	해당 사항 없음	온톨로지 구문 분석, 편집 및 시각화에 사용됩니다.
프로그래밍 환경	오픈 소스(예: Python)	해당 사항 없음	기계 학습 모델 및 데이터 처리를 구현합니다.
원시 IoT 데이터 스트림	공개/사용자 지정 데이터 세트 소스	해당 사항 없음	원시 IoT 디바이스 데이터가 포함된 CSV 또는 JSON 파일입니다.
RDF 출력 파일	연구 중 생성	해당 사항 없음	의미론적으로 강화된 IoT 데이터를 나타내는 RDF/XML 파일입니다.
시맨틱 구문 분석 라이브러리	오픈 소스(예: RDFLib)	해당 사항 없음	시맨틱 모델링을 위해 IoT 데이터를 RDF 트리플로 변환합니다.
SPARQL 쿼리 엔진	오픈 소스	해당 사항 없음	SPARQL 쿼리를 사용하여 RDF 데이터 일관성을 검증합니다.