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

Summary

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.

Abstract

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.

Introduction

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 seman....

Protocol

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

Results

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.......

Discussion

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 .......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
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.