W kierunku ustandaryzowanych ontologii IoT wykorzystujących platformę opartą na uczeniu maszynowym do bezproblemowej wymiany danych

Podsumowanie

W tym badaniu przedstawiono platformę opartą na uczeniu maszynowym do dostosowywania ontologii IoT w czasie rzeczywistym, umożliwiając bezproblemową wymianę danych między heterogenicznymi systemami. Integrując modelowanie semantyczne i optymalizację adaptacyjną, podejście to zwiększa interoperacyjność, zmniejsza opóźnienia i osiąga wysoką dokładność. Sprawdzona w warunkach rzeczywistych, oferuje skalowalne, ustandaryzowane rozwiązanie do integracji IoT.

Streszczenie

Rosnąca heterogeniczność urządzeń Internetu rzeczy (IoT) doprowadziła do poważnych wyzwań związanych z osiągnięciem interoperacyjności w czasie rzeczywistym i bezproblemowej wymiany danych. Istniejące ekosystemy IoT często działają przy użyciu różnych modeli danych, protokołów komunikacyjnych i reprezentacji semantycznych, co skutkuje fragmentarycznymi systemami, które utrudniają integrację. Aby rozwiązać ten problem, proponujemy ujednoliconą strukturę, która wykorzystuje dostosowanie ontologii oparte na uczeniu maszynowym w celu ustandaryzowanej, adaptacyjnej integracji IoT. Hipoteza przyświecająca tym badaniom jest taka, że połączenie modelowania semantycznego z inteligentnymi technikami optymalizacji może znacznie poprawić spójność i wydajność wymiany danych w heterogenicznych środowiskach IoT. Proponowana struktura integruje przetwarzanie strumienia danych w czasie rzeczywistym, analizę podobieństwa semantycznego i adaptacyjne mapowanie ontologii w celu dynamicznego dopasowywania ontologii urządzeń. Korzystając z symulowanych i rzeczywistych środowisk, w tym inteligentnych domów i systemów opieki zdrowotnej, platforma została przetestowana pod kątem kluczowych wskaźników wydajności, takich jak dokładność, opóźnienia i współczynnik interoperacyjności. Wyniki pokazują, że proponowana metoda osiąga wysoką dokładność dopasowania ontologii wynoszącą 97%, zmniejsza opóźnienia do poziomu poniżej 20 ms i utrzymuje ponad 95% interoperacyjność między różnymi typami urządzeń. Wyniki potwierdzają, że integracja algorytmów uczenia maszynowego z modelowaniem semantycznym znacznie zwiększa wydajność, skalowalność i zdolność adaptacji systemów IoT. Struktura z powodzeniem rozwiązuje niespójności semantyczne i obsługuje dynamiczne dołączanie urządzeń bez ręcznej interwencji. Badanie to przedstawia solidne i skalowalne rozwiązanie do interoperacyjności IoT, oferujące inteligentne dostosowanie ontologii w czasie rzeczywistym, które można dostosować do zmieniających się urządzeń i standardów danych. Prace te przyczyniają się do rozwoju architektur IoT nowej generacji, które są w stanie obsługiwać ustandaryzowaną, wydajną i zautomatyzowaną komunikację między różnymi aplikacjami.

Wprowadzenie

Internet rzeczy (IoT) szybko ewoluuje w kierunku podstawowej infrastruktury dla inteligentnych środowisk, łącząc szeroką gamę heterogenicznych urządzeń, które działają w różnych dziedzinach, takich jak opieka zdrowotna, inteligentne miasta, rolnictwo i automatyka przemysłowa ^1,2,3. Urządzenia te generują duże ilości danych i opierają się na zrozumieniu semantycznym, aby komunikować się sensownie 4,5,6,7. Jednak brak ustandaryzowanej struktury semantycznej okazał się kluczową przeszkodą w bezproblemowej wymianie danych 8,9,10,11,12. Różne ontologie, różne protokoły i niespójne modele danych ograniczają interoperacyjność, utrudniając urządzeniom efektywną współpracę w czasie rzeczywistym. Ta fragmentacja semantyczna często prowadzi do błędnych interpretacji, zwiększonych opóźnień i niepowodzeń integracji, które zagrażają skalowalności i wydajności systemu ^5,12,13. W związku z tym istnieje pilna potrzeba ujednolicenia podejścia, które może ustandaryzować reprezentacje semantyczne, jednocześnie dostosowując się do dynamicznego charakteru środowisk IoT 6,10,11,12.

W niniejszym badaniu zaproponowano nowatorskie ramy oparte na uczeniu maszynowym do dostosowywania ontologii w czasie rzeczywistym w celu sprostania tym wyzwaniom związanym z interoperacyjnością 4,8,9,11,14. Struktura łączy zaawansowane modelowanie semantyczne, adaptacyjne mapowanie ontologii i integrację strumienia danych ^9,10,13 w celu dynamicznego dopasowywania ontologii IoT. Wykorzystanie technik uczenia maszynowego do dostosowania ontologii może znacznie zwiększyć spójność semantyczną i efektywność integracji w heterogenicznych systemach IoT 8,9,14,15. W przeciwieństwie do tradycyjnych metod opartych na regułach 4,5,7,8,9,10,13, proponowane podejście wykorzystuje ważone miary podobieństwa, mapowania strukturalne i leksykalne oraz algorytmy optymalizacyjne, które dostosowują się do napływających danych 15,16,17 . Walidację eksperymentalną przeprowadzono zarówno w środowiskach symulowanych, jak i rzeczywistych, w tym w inteligentnych domach i systemach opieki zdrowotnej. Wyniki pokazują, że platforma osiąga dokładność dopasowania ontologii na poziomie 97%, zmniejsza średnie opóźnienie do poniżej 20 ms i utrzymuje wskaźniki interoperacyjności powyżej 95% między typami urządzeń⁸.

Zdolność adaptacji proponowanych ram dodatkowo odróżnia je od istniejących rozwiązań ^9,13,15. Gdy nowe urządzenia dołączają do sieci, system automatycznie aktualizuje relacje semantyczne bez konieczności ręcznej rekonfiguracji 5,6,8,9,13,15. Jest to możliwe dzięki integracji optymalizacji opartej na uczeniu się, która minimalizuje niedopasowania semantyczne i obciążenie obliczeniowe ^8,9. System wykazuje również lepszą wydajność w zakresie wykorzystania pamięci i procesora, dzięki czemu nadaje się do środowisk o ograniczonych zasobach 1,2,3,11,12. Rozwiązując problem niespójności semantycznej, opóźnień i skalowalności w ujednoliconej architekturze, prace te stanowią podstawę dla ustandaryzowanego, inteligentnego i przyszłościowego modelu komunikacji IoT ^13,18.

Celem tego badania jest opracowanie i walidacja platformy opartej na uczeniu maszynowym do dostosowywania ontologii w czasie rzeczywistym w celu ułatwienia interoperacyjności semantycznej w heterogenicznych środowiskach IoT. Badanie obejmuje następujące fazy: (1) gromadzenie i analiza ontologii, (2) modelowanie i dopasowywanie semantyczne, (3) optymalizacja oparta na uczeniu maszynowym oraz (4) walidacja w świecie rzeczywistym w symulowanych i rzeczywistych kontekstach IoT. Platforma eksperymentalna została przetestowana przy użyciu publicznych zestawów danych, symulowanych środowisk i wdrożeń na żywo w środowiskach inteligentnego domu i opieki zdrowotnej. Schematyczne przedstawienie struktury dopasowania ontologii IoT opartej na uczeniu maszynowym przedstawiono na rysunku 1.

Rysunek 1: Struktura dostosowania ontologii IoT opartej na uczeniu maszynowym. Na tym rysunku przedstawiono ogólny widok proponowanej struktury, która integruje techniki uczenia maszynowego w celu dostosowania ontologii w heterogenicznych systemach IoT. Potok obejmuje ocenę podobieństwa semantycznego, optymalizację przy użyciu minimalizacji strat i iteracyjne udoskonalanie w celu zwiększenia interoperacyjności. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Protokół

W badaniu tym nie brali udziału ludzie ani kręgowce ani pobieranie próbek tkanek. Wszystkie eksperymenty zostały przeprowadzone zgodnie z wytycznymi instytucjonalnych badań obliczeniowych na Uniwersytecie J. C. Bose University of Science & Technology, YMCA, Faridabad.

Gromadzenie i ocena ontologii
Publiczne ontologie związane z opieką zdrowotną, inteligentnymi domami i monitorowaniem przemysłowym uzyskano z uznanych repozytoriów, w tym Linked Open Vocabularies (LOV) i portali specyficznych dla danej dziedziny, w formatach RDF/OWL ^1,2,3. Każda ontologia została sprawdzona w edytorze ontologii (na przykład Protégé) i programowo przetworzona w celu wyodrębnienia hierarchii klas, właściwości obiektów i danych oraz powiązanych metadanych zgodnie ze specyfikacją RDF/OWL ^1,2.

W przypadku porównań parami podobieństwo leksykalne między etykietami klas zostało obliczone przy użyciu znormalizowanego podobieństwa ciągu opartego na odległości edycji⁴. Podobieństwo strukturalne uzyskano poprzez przechodzenie relacji między podklasami i nadklasami oraz obliczanie współczynników nakładania się lokalnych dzielnic. Podobieństwo instancji oceniano, wykrywając współdzielone lub kompatybilne instancje w różnych ontologiach i weryfikując zgodność typów danych. Łączny wynik zdefiniowano jako równanie (1):

S_total=w1S_leksykalny+w2S_strukturalny+w3S_instancja Równanie (1)

Z początkowymi wagami W1 = 0,5, W2 = 0,3, W3 = 0,2 i progiem wybranym z podzbioru walidacji wstrzymanej. Korespondencje kandydatów z łącznymi wynikami na poziomie lub powyżej progu były rejestrowane w rejestrze CSV z identyfikatorami ontologii, IRI jednostek, wynikami komponentów i wynikiem decyzji dotyczącej dalszego dostosowania.

Modelowanie semantyczne i integracja danych
Aby przekształcić surowe strumienie IoT w reprezentacje zgodne z ontologią, skonstruowano ujednoliconą ontologię, która obejmuje statyczne metadane (np. Uczeń, Kurs, Urządzenie) i dynamiczne obserwacje (np. Czujnik, Obserwacja, Znacznik czasu), zgodnie z najlepszymi praktykami RDF/OWL¹⁰ i ustanowiono semantyczną IoT ^5,6,13. Transformacja semantyczna została zdefiniowana przez funkcję mapowania:

D_semantic=f_map (D_raw, O) Równanie (2)

gdzie O oznacza zastosowaną ontologię, a f_map materializuje trójki ze stabilnymi IRI. Przekształcone dane były przechowywane jako RDF i weryfikowane pod kątem spójności za pomocą zapytań SPARQL; Punkt końcowy SPARQL został skonfigurowany do obsługi zapytań semantycznych w różnych źródłach¹⁹. Wynikowy artefakt RDF został zarchiwizowany jako semantic_data.rdf, a zsynchronizowany eksport tabelaryczny (znormalizowana szeroka tabela) został utworzony dla zadań edukacyjnych, w tym kolumny pochodzenia danych, która wskazuje pochodzenie cechy i wszelkie zastosowane imputacje lub skalowanie.

Wyrównanie ontologii przy użyciu uczenia maszynowego
Podejście hybrydowe połączyło sygnały podobieństwa oparte na regułach z uczeniem nadzorowanym w celu wybrania korespondencji o wysokim poziomie ufności^14,15. Zestaw treningowy składał się z 2 500 ręcznie opisanych par elementów ontologii (dopasowanych lub niedopasowanych) w celu utworzenia zrównoważonego zestawu danych. Funkcje obejmowały trzy składowe podobieństwa wraz ze statystykami pomocniczymi, takimi jak różnica w długości etykiety. Zespół drzew decyzyjnych (Losowy Las) ze 100 drzewami, maksymalną głębokością 10, class_weight = "zrównoważony" i ustalonym losowym ziarnem (42) został wyszkolony zgodnie z ustaloną praktyką¹⁴. Cel nauczania został sformalizowany jako równanie (3):

Równanie (3)

Gdzie y_i jest etykietą prawdy podstawowej, y_i^{^} jest etykietą przewidywaną, a λ reprezentuje parametr regularyzacji.

Po kalibracji prawdopodobieństwa pary z przewidywanym prawdopodobieństwem ≥ 0,50 zostały zachowane, a ograniczenia jeden do jednego zostały wymuszone, aby uniknąć mapowań wiele do jednego. Ostateczny plik mapowania, w tym źródłowe i docelowe IRI, oceny ufności i współczynniki funkcji, został serializowany jako alignment_results.json; Wytrenowany artefakt modelu był przechowywany jako alignment_model.pkl. Jakość modelu została opisana na wytrzymałym zestawie testowym przy użyciu dokładności, precyzji, kompletności, wyniku F1 i macierzy pomyłek z 95% przedziałami ufności obliczonymi za pomocą pięciokrotnej walidacji krzyżowej^14,15.

Wdrożenie i ocena w warunkach rzeczywistych
Stworzono symulowane środowisko reprezentujące 1000 heterogenicznych urządzeń w celu przetestowania warunków skrajnych przyjmowania i dostosowania, a następnie strumieni ze świata rzeczywistego z inteligentnych domów i placówek opieki zdrowotnej ^5,11. Dane zgodne z ontologią zostały zintegrowane z warstwą oprogramowania pośredniczącego w chmurze w celu pozyskiwania i wykonywania zapytań w czasie rzeczywistym^11,12. Nowe urządzenia były automatycznie dołączane przez sprawdzanie przychodzących nagłówków danych i stosowanie dynamicznej klasyfikacji semantycznej przy użyciu wytrenowanego modelu wyrównania^14,15.

Wydajność systemu oceniano na czterech osiach: (i) jakości dopasowania (powyższe wskaźniki klasyfikacji), (ii) wskaźnika interoperacyjności (udane interakcje między źródłami jako procent prób interakcji), (iii) opóźnienia typu end-to-end zdefiniowane jako równanie (4) oraz (iv) wykorzystanie zasobów (procesor i pamięć).

L=_Odpowiedź T−T_żądanie Równanie (4)

Pliki konfiguracyjne, dzienniki i dane wyjściowe zostały zarchiwizowane ze stabilnymi nazwami plików i plikiem README, aby ułatwić niezależną replikację¹⁹. Ukończona struktura konsekwentnie umożliwiała interoperacyjność semantyczną w heterogenicznych ustawieniach IoT; Dane wyjściowe, dzienniki wydajności i konfiguracje są powiązane w celu obsługi odtwarzalności i zewnętrznej walidacji 11,12,19.

Szczegóły implementacji replikacji
Potok został zaimplementowany w języku Python (wersja 3.10 lub nowsza) przy użyciu rdflib i owlready2 do obsługi RDF/OWL, scikit-learn do trenowania i oceny modelu oraz standardowych bibliotek danych do wstępnego przetwarzania ^8,14,15. Ustalono losowe nasiona, wersje bibliotek zostały przypięte do pliku requirements.txt i użyto kanonicznej struktury katalogów: ontologie/, data/raw/, data/processed/, models/, i results/. Nazwy plików, do których odwołuje się tekst, są dokładne: semantic_data.rdf, alignment_results.json i alignment_model.pkl¹⁹.

Projekt badawczy
To badanie obliczeniowe oparte na metodach mieszanych integruje modelowanie semantyczne z nadzorowanym modułem dopasowywania ontologii w celu poprawy interoperacyjności między heterogenicznymi źródłami IoT. Protokół przebiega w skrócie w następujący sposób: publiczne ontologie są zbierane i analizowane; surowe tabele IoT są mapowane na ujednolicony schemat RDF/OWL¹⁰; Korespondencje kandydujące są generowane na podstawie sygnałów leksykalnych, strukturalnych i instancji^15,16; Kompaktowy zespół drzewa decyzyjnego jest trenowany na ręcznie oznaczonym zestawie, aby akceptować dopasowania jeden do jednego przy ustalonym progu ^14,15; wyrównane wykresy/tabele są połączone; a wydajność jest oceniana na podstawie wskaźników na poziomie korespondencji (dokładność, precyzja, kompletność, F1, macierz pomyłek) i zachowania systemu (szybkość interoperacyjności, opóźnienia typu end-to-end, procesor/pamięć)^14,15. Metoda podobieństwa ważonego oparta wyłącznie na regułach służy jako punkt odniesienia¹⁶. Losowe inicjatory i wersje bibliotek są stałe, a artefakty używają stabilnych nazw (semantic_data.rdf, alignment_results.json, alignment_model.pkl) do obsługi replikacji. Rysunek 2 przedstawia ogólne ramy projektowania ujednoliconej ontologii w środowiskach IoT.

Rysunek 2: Ujednolicony projekt ontologii w środowiskach IoT. Rysunek ilustruje podstawowe warstwy architektury ujednoliconej ontologii, prezentując modelowanie semantyczne, integrację sztucznej inteligencji i abstrakcję wiedzy domenowej w celu bezproblemowego współdziałania danych IoT. Struktura obsługuje zarówno międzydomenowe, jak i specyficzne dla danej dziedziny struktury ontologiczne. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Gromadzenie danych
Gromadzenie danych przeprowadzono w dwóch odrębnych fazach.

Ocena ontologii: Przeprowadzono krytyczną analizę istniejących ontologii i modeli semantycznych IoT w celu zidentyfikowania luk w obecnych strategiach integracji. Zbadano publicznie dostępne zestawy danych IoT i ontologie specyficzne dla danej dziedziny w celu oceny ograniczeń dopasowania strukturalnego i semantycznego 5,6,10,11.

Poparcie dla próby: Rzeczywiste systemy IoT (np. inteligentne domy, aplikacje opieki zdrowotnej, automatyka przemysłowa) zostały wykorzystane do zebrania danych w celu walidacji ramy. Dodatkowo wygenerowano symulowane zestawy danych w celu oceny wydajności systemu w kontrolowanych i powtarzalnych warunkach 8,9,11,12.

Analiza danych
W fazie analizy wykorzystano kombinację technik semantycznych, statystycznych i opartych na sztucznej inteligencji w celu walidacji proponowanych ram.

Praktyczne alignery obejmują leksykalne dopasowania ciągów wykorzystujące znormalizowaną odległość Levenshteina (NLD) dla etykiet/synonimów¹⁶; metody oparte na grafach strukturalnych, które propagują lub agregują podobieństwo: Flooding, które propagują podobieństwo w sąsiedztwach podklas/nadklas^12,15; techniki uwzględniające logikę/zachowujące spójność, które łączą dopasowywanie z rozumowaniem w celu utrzymania spójności mapowań^15,19; podejścia oparte na instancjach/probabilistyczne, które wykorzystują dowody ze współdzielonych lub kompatybilnych instancji¹⁷; oraz dopasowania hybrydowe/zespołowe, które łączą wiele sygnałów i reguł 12,14,15. Najnowsze warianty neuronalne wykorzystują kontekstowe osadzanie zdań w celu oceny podobieństw kandydatów^12,14.

Wyrównanie ontologii: Algorytmy dopasowania wysokiego poziomu zostały wykorzystane do rozwiązania rozbieżności semantycznych między heterogenicznymi ontologiami IoT. Algorytmy te wykorzystywały reguły heurystyczne i metody uczenia maszynowego (ML) do obliczania dokładnych mapowań i utrzymywania ograniczeń spójności^15,17. Rysunek 3 przedstawia proces dostosowywania ontologii w celu osiągnięcia interoperacyjności między urządzeniami IoT.

Rysunek 3: Proces dostosowania ontologii pod kątem współdziałania urządzeń IoT. Na tym diagramie przedstawiono proces dostosowania, który rozwiązuje niezgodności składniowe i semantyczne między urządzeniami w heterogenicznym ekosystemie IoT. Podkreśla rolę leksykalnych, strukturalnych i opartych na instancjach metryk podobieństwa stosowanych w algorytmie wyrównania. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Modelowanie semantyczne: Strategia modelowania semantycznego oparta na sztucznej inteligencji została zastosowana w celu opracowania ujednoliconej ontologii obejmującej zarówno semantykę specyficzną dla domeny, jak i międzydomenową. Model ten integruje statyczne i dynamiczne strumienie danych IoT i jest zgodny z najlepszymi praktykami RDF/OWL oraz ustaloną semantyką IoT 5,6,10,13, obsługując aplikacje czasu rzeczywistego.

Ocena wydajności: W eksperymentalnej konfiguracji oceniono kluczowe wskaźniki wydajności, w tym szybkość interoperacyjności, opóźnienia, wydajność systemu i skalowalność ^11,12. Przeprowadzono analizę porównawczą z bazowymi technikami integracji, aby wykazać elastyczność i odporność proponowanego rozwiązania 12,14,15,16. Rysunek 4 przedstawia przepływ obliczeniowy i krytyczne komponenty procesów dostosowywania ontologii i modelowania semantycznego.

Rysunek 4: Model semantyczny dla aplikacji IoT w czasie rzeczywistym. Na tym rysunku przedstawiono strategię modelowania semantycznego, która integruje statyczne konfiguracje urządzeń i dynamiczne strumienie danych z czujników w ujednoliconą ontologię. Architektura obsługuje wzbogacanie semantyczne w czasie rzeczywistym w celu podejmowania decyzji z uwzględnieniem kontekstu. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Kluczowe równania
Równanie wyrównania ontologii przy użyciu metryk podobieństwa: Aby dostosować heterogeniczne ontologie IoT, zagregowane podobieństwo jest obliczane jako ważona mieszanka sygnałów leksykalnych, strukturalnych i opartych na instancjach, zgodnie z równaniem 1 powyżej, gdzie Stotal to zagregowane podobieństwo między dwoma elementami ontologii, Slexical to podobieństwo z dopasowania leksykalnego (np. znormalizowana odległość ciągu), Sstructural to podobieństwo oparte na podstawowych relacjach (np. hierarchia rodzic-dziecko), Sinstance to Porównywalność oparta na danych instancji (np. nakładanie się w przykładach użycia), a W1, W2, W3 są współczynnikami wagowymi dostosowanymi w zależności od kontekstu aplikacji.

Równanie do optymalizacji opartej na uczeniu maszynowym na potrzeby mapowania ontologii: Ulepszenie mapowań można sformułować jako problem minimalizacji wydatków przy użyciu funkcji nieszczęścia:

gdzie L jest zdolnością Nieszczęścia do przewidywania mapowania, yi jest etykietą prawdy podstawowej dla i-tego odwzorowania, y^i jest etykietą przewidywaną dla i-tego odwzorowania, ||Θ||to termin regularyzacji, aby zapobiec nadmiernemu dopasowaniu, λ to parametr regularyzacji.

Równanie do modelowania semantycznego strumieni danych IoT: Wzbogacanie semantyczne jest wyrażone jako transformacja danych oparta na ontologii, zgodnie z powyższym równaniem 2, gdzie_semantyka D to semantycznie anotowany zestaw danych, D_raw to surowe dane IoT, O to ontologia używana do adnotacji, a_{f map} to funkcja mapowania wyprowadzona z ujednoliconej ontologii.

Równania dla metryk wydajności (interoperacyjność i opóźnienie)
Wskaźnik interoperacyjności (odsetek udanych interakcji między źródłami):

I_index = (udane interakcje / całkowita liczba interakcji) x 100 Równanie (5)

Opóźnienie (odtworzone tutaj dla kompletności) jest obliczane zgodnie z równaniem 4 powyżej, gdzie I_index jest indeksem interoperacyjności (w %), L jest opóźnieniem (ms), T_response jest znacznikiem czasu odpowiedzi, a T_request jest znacznikiem czasu żądania.

Równanie do analizy skalowalności ekosystemu IoT
Złożoność obliczeniowa w odniesieniu do liczby urządzeń i elementów ontologii:

C = O(n · m) Równanie (6)

gdzie C to złożoność obliczeniowa, n to liczba urządzeń IoT, a m to liczba elementów ontologii.

Wyniki

Gromadzenie i ocena ontologii
Analiza ontologiczna ujawniła znaczne niespójności między ontologiami IoT specyficznymi dla danej dziedziny pod względem hierarchii klas, etykiet semantycznych i definicji właściwości danych. Niespójności te były bardziej wyraźne między zestawami danych dotyczących opieki zdrowotnej i inteligentnego domu, wykazując 28% wskaźnik niedopasowania strukturalnego. Identyfikacja tych różnic potwierdziła początkową hipotezę, że brak standaryzacji pogarsza interoperacyjność między...

Dyskusja

Opracowana struktura oparta na uczeniu maszynowym demonstruje swoją skuteczność w rozwiązywaniu problemów związanych z interoperacyjnością semantyczną w heterogenicznych środowiskach IoT. Dzięki ustrukturyzowanemu protokołowi integrującemu modelowanie semantyczne, dopasowywanie ontologii oparte na uczeniu maszynowym i wdrażanie oprogramowania pośredniczącego w chmurze, system osiągnął wysoką dokładność dopasowania ontologii i spójną integrację danych na różnych urządzeniach.

Krytyczne ...

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Platforma oprogramowania pośredniczącego oparta na chmurze	Open-source / zastrzeżone (np. Firebase)	N/A	Ułatwia pozyskiwanie i przechowywanie danych w czasie rzeczywistym.
Ontologie wejściowe	Repozytoria publiczne (np. LOV)	N/A	Specyficzne dla domeny ontologie OWL/RDF dla środowisk IoT.
Biblioteka uczenia maszynowego	Oprogramowanie typu open source (np. scikit-learn)	N/A	Służy do trenowania nadzorowanego modelu klasyfikacji.
Narzędzie do symulacji sieci	Oprogramowanie typu open source / komercyjne (np. NetSim)	N/A	Generuje symulowane heterogeniczne zestawy danych urządzeń IoT.
Oprogramowanie do edycji ontologii	Oprogramowanie typu open source (np. Proté gé)	N/A	Służy do analizowania, edytowania i wizualizacji ontologii.
Środowisko programistyczne	Oprogramowanie typu open source (np. Python)	N/A	Implementuje modele uczenia maszynowego i przetwarzanie danych.
Nieprzetworzone strumienie danych IoT	Publiczne/niestandardowe źródła zestawów danych	N/A	Pliki CSV lub JSON zawierające nieprzetworzone dane urządzenia IoT.
Pliki wyjściowe RDF	Wygenerowane w badaniu	N/A	Pliki RDF/XML reprezentujące semantycznie wzbogacone dane IoT.
Biblioteka analizy semantycznej	Oprogramowanie typu open source (np. RDFLib)	N/A	Konwertuje dane IoT na trójki RDF na potrzeby modelowania semantycznego.
Silnik zapytań SPARQL	Oprogramowanie typu open source (oprogramowanie typu open source)	N/A	Weryfikuje spójność danych RDF za pomocą zapytań SPARQL.