Op weg naar gestandaardiseerde IoT-ontologieën met behulp van een op machine learning gebaseerd raamwerk voor naadloze gegevensuitwisseling

Summary

Deze studie presenteert een op machine learning gebaseerd raamwerk voor real-time afstemming van IoT-ontologie, waardoor naadloze gegevensuitwisseling tussen heterogene systemen mogelijk is. Door semantische modellering en adaptieve optimalisatie te integreren, verbetert de aanpak de interoperabiliteit, vermindert de latentie en wordt een hoge nauwkeurigheid bereikt. Het is gevalideerd in real-world omgevingen en biedt een schaalbare, gestandaardiseerde IoT-integratieoplossing.

Abstract

De toenemende heterogeniteit van Internet of Things (IoT)-apparaten heeft geleid tot aanzienlijke uitdagingen bij het bereiken van real-time interoperabiliteit en naadloze gegevensuitwisseling. Bestaande IoT-ecosystemen werken vaak met behulp van diverse datamodellen, communicatieprotocollen en semantische representaties, wat resulteert in gefragmenteerde systemen die integratie belemmeren. Om dit probleem aan te pakken, stellen we een uniform raamwerk voor dat gebruikmaakt van op machine learning gebaseerde ontologie-afstemming voor gestandaardiseerde, adaptieve IoT-integratie. De hypothese die aan dit onderzoek ten grondslag ligt, is dat het combineren van semantische modellering met intelligente optimalisatietechnieken de consistentie en efficiëntie van gegevensuitwisseling in heterogene IoT-omgevingen aanzienlijk kan verbeteren. Het voorgestelde raamwerk integreert real-time gegevensstroomverwerking, semantische gelijkenisanalyse en adaptieve ontologiemapping om apparaatontologieën dynamisch op elkaar af te stemmen. Met behulp van gesimuleerde en real-world omgevingen, waaronder slimme huizen en gezondheidszorgsystemen, werd het framework getest aan de hand van belangrijke prestatiestatistieken zoals nauwkeurigheid, latentie en interoperabiliteitspercentage. De resultaten tonen aan dat de voorgestelde methode een hoge ontologie-uitlijningsnauwkeurigheid van 97% bereikt, de latentie vermindert tot minder dan 20 ms en een interoperabiliteit van meer dan 95% tussen verschillende apparaattypen handhaaft. De bevindingen bevestigen dat de integratie van machine learning-algoritmen met semantische modellering de prestaties, schaalbaarheid en het aanpassingsvermogen van IoT-systemen aanzienlijk verbetert. Het framework pakt semantische inconsistenties met succes aan en ondersteunt dynamische onboarding van apparaten zonder handmatige tussenkomst. Deze studie presenteert een robuuste en schaalbare oplossing voor IoT-interoperabiliteit, die realtime, intelligente ontologie-uitlijning biedt die kan worden aangepast aan evoluerende apparaten en gegevensstandaarden. Dit werk draagt bij aan de ontwikkeling van IoT-architecturen van de volgende generatie die in staat zijn om gestandaardiseerde, efficiënte en geautomatiseerde communicatie in diverse toepassingen te ondersteunen.

Introduction

Het Internet of Things (IoT) evolueert snel naar een kerninfrastructuur voor slimme omgevingen, die een breed scala aan heterogene apparaten verbindt die actief zijn in verschillende domeinen, zoals gezondheidszorg, slimme steden, landbouw en industriële automatisering ^1,2,3. Deze apparaten genereren grote hoeveelheden gegevens en vertrouwen op semantisch begrip om zinvol te communiceren 4,5,6,7. Het ontbreken van e....

Protocol

Bij dit onderzoek waren geen menselijke of gewervelde proefpersonen of weefselmonsters betrokken. Alle experimenten werden uitgevoerd in overeenstemming met de richtlijnen voor institutioneel computationeel onderzoek aan de J. C. Bose University of Science & Technology, YMCA, Faridabad.

Ontologie verzamelen en evalueren
Openbare ontologieën die relevant zijn voor de gezondheidszorg, slimme huizen en industriële monitoring werden verkregen uit gevestigde repositories, waaronder Linked Open Vocabularies (LOV) en domeinspecifieke portals, in RDF/OWL-formaten ^1,2....

Results

Ontologie verzamelen en evalueren
Ontologieanalyse bracht substantiële inconsistenties aan het licht tussen domeinspecifieke IoT-ontologieën in termen van klassenhiërarchie, semantische labels en definities van gegevenseigenschappen. Deze inconsistenties waren meer uitgesproken tussen datasets in de gezondheidszorg en smart home, wat een structurele mismatch van 28% aantoonde. De identificatie van deze variaties bevestigde de aanvankelijke hypothese dat een gebrek aan.......

Discussion

Het ontwikkelde op machine learning gebaseerde framework toont zijn effectiviteit aan bij het aanpakken van semantische interoperabiliteitsuitdagingen in heterogene IoT-omgevingen. Door middel van een gestructureerd protocol dat semantische modellering, op machine learning gebaseerde ontologie-uitlijning en cloudgebaseerde middleware-implementatie integreert, bereikte het systeem een hoge nauwkeurigheid van ontologie-uitlijning en consistente gegevensintegratie op verschillende apparaten.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Cloud-based Middleware Platform	Open-source / Proprietair (bijv. Firebase)	N/A	Maakt realtime gegevensinvoer en -opslag mogelijk.
Input Ontologies	Openbare repositories (bijv. LOV)	N/A	Domeinspecifieke OWL/RDF-ontologieën voor IoT-omgevingen.
Machine Learning Library	Open-source (bijv. scikit-learn)	N/A	Wordt gebruikt voor het trainen van gesuperviseerde classificatiemodellen.
Netwerksimulatietool	Open-source / Commercieel (bijv. NetSim)	N/A	Genereert gesimuleerde heterogene IoT-apparatengegevenssets.
Ontologie-bewerkingssoftware	Open-source (bijv. Protégé)	N/A	Wordt gebruikt voor het parseren, bewerken en visualiseren van ontologieën.
Programmeeromgeving	Open-source (bijv. Python)	N/A	Implementeert machine learning-modellen en gegevensverwerking.
Raw IoT-gegevensstromen	Openbare / Aangepaste datasetbronnen	N/A	CSV- of JSON-bestanden met onbewerkte IoT-apparaatgegevens.
RDF-uitvoerbestanden	Gemaakt in studie	N/A	RDF/XML-bestanden die semantisch verrijkte IoT-gegevens vertegenwoordigen.
Semantische parseerbibliotheek	Open-source (bijv. RDFLib)	N/A	Converteert IoT-gegevens naar RDF-triples voor semantisch modelleren.
SPARQL-queryengine	Open-source	N/A	Valideert consistentie van RDF-gegevens met behulp van SPARQL-query's.