Este estudo apresenta uma estrutura baseada em aprendizado de máquina para alinhamento de ontologias de IoT em tempo real, permitindo a troca contínua de dados entre sistemas heterogêneos. Ao integrar modelagem semântica e otimização adaptativa, a abordagem aprimora a interoperabilidade, reduz a latência e alcança alta precisão. Validado em configurações do mundo real, ele oferece uma solução de integração de IoT escalável e padronizada.
É necessária uma assinatura do JoVE para visualizar este conteúdo. Faça login ou inicie seu teste gratuito.
Artigo de investigação
Rumo a ontologias IoT padronizadas usando uma estrutura baseada em aprendizado de máquina para troca de dados perfeita
Neste artigo
Resumo
Resumo
A crescente heterogeneidade dos dispositivos da Internet das Coisas (IoT) levou a desafios significativos para alcançar a interoperabilidade em tempo real e a troca contínua de dados. Os ecossistemas de IoT existentes geralmente operam usando diversos modelos de dados, protocolos de comunicação e representações semânticas, resultando em sistemas fragmentados que dificultam a integração. Para resolver esse problema, propomos uma estrutura unificada que emprega alinhamento de ontologia baseado em aprendizado de máquina para integração de IoT padronizada e adaptável. A hipótese que orienta esta pesquisa é que a combinação de modelagem semântica com técnicas de otimização inteligente pode melhorar significativamente a consistência e a eficiência da troca de dados em ambientes IoT heterogêneos. A estrutura proposta integra processamento de fluxo de dados em tempo real, análise de similaridade semântica e mapeamento de ontologia adaptativa para alinhar dinamicamente ontologias de dispositivos. Usando ambientes simulados e do mundo real, incluindo casas inteligentes e sistemas de saúde, a estrutura foi testada em relação às principais métricas de desempenho, como precisão, latência e taxa de interoperabilidade. Os resultados demonstram que o método proposto atinge uma alta precisão de alinhamento de ontologia de 97%, reduz a latência para menos de 20 ms e mantém mais de 95% de interoperabilidade entre diversos tipos de dispositivos. Os resultados confirmam que a integração de algoritmos de aprendizado de máquina com modelagem semântica melhora significativamente o desempenho, a escalabilidade e a adaptabilidade dos sistemas IoT. A estrutura aborda com êxito as inconsistências semânticas e oferece suporte à integração dinâmica de dispositivos sem intervenção manual. Este estudo apresenta uma solução robusta e escalável para interoperabilidade de IoT, oferecendo alinhamento de ontologia inteligente em tempo real que é adaptável a dispositivos e padrões de dados em evolução. Este trabalho contribui para o desenvolvimento de arquiteturas IoT de próxima geração capazes de suportar comunicação padronizada, eficiente e automatizada em diversas aplicações.
Introdução
A Internet das Coisas (IoT) está evoluindo rapidamente para uma infraestrutura central para ambientes inteligentes, conectando uma ampla gama de dispositivos heterogêneos que operam em diversos domínios, como saúde, cidades inteligentes, agricultura e automação industrial 1,2,3. Esses dispositivos geram grandes volumes de dados e dependem da compreensão semântica para se comunicar de forma significativa 4,5,6,7. No entanto, a falta de uma estrutura semântica padronizada emergiu como uma barreira fundamental para a troca contínua de dados 8,9,10,11,12. Ontologias diversas, protocolos variados e modelos de dados inconsistentes limitam a interoperabilidade, dificultando a colaboração eficiente dos dispositivos em tempo real. Essa fragmentação semântica geralmente leva a interpretações errôneas, aumento da latência e falhas de integração que comprometem a escalabilidade e o desempenho do sistema 5,12,13. Portanto, há uma necessidade crítica de uma abordagem unificadora que possa padronizar as representações semânticas enquanto se adapta à natureza dinâmica dos ambientes IoT 6,10,11,12.
Este estudo propõe uma nova estrutura baseada em aprendizado de máquina para alinhamento de ontologias em tempo real para enfrentar esses desafios de interoperabilidade 4,8,9,11,14. A estrutura combina modelagem semântica avançada, mapeamento de ontologia adaptativa e integração de fluxo de dados 9,10,13 para alinhar dinamicamente as ontologias de IoT. Aproveitar as técnicas de aprendizado de máquina para alinhamento de ontologias pode aumentar significativamente a consistência semântica e a eficiência da integração em sistemas IoT heterogêneos 8,9,14,15. Ao contrário dos métodos tradicionais baseados em regras 4,5,7,8,9,10,13, a abordagem proposta emprega medidas de similaridade ponderada, mapeamentos estruturais e lexicais e algoritmos de otimização que se adaptam aos dados recebidos 15,16,17 . A validação experimental foi realizada em ambientes simulados e do mundo real, incluindo casas inteligentes e sistemas de saúde. Os resultados demonstram que a estrutura atinge uma precisão de alinhamento de ontologia de 97%, reduz a latência média para menos de 20 ms e mantém as taxas de interoperabilidade acima de 95% entre os tipos de dispositivos8.
A adaptabilidade da estrutura proposta a distingue ainda mais das soluções existentes 9,13,15. À medida que novos dispositivos ingressam na rede, o sistema atualiza automaticamente as relações semânticas sem exigir reconfiguração manual 5,6,8,9,13,15. Isso é possível por meio da integração da otimização baseada em aprendizado que minimiza incompatibilidades semânticas e sobrecarga computacional 8,9. O sistema também apresenta desempenho aprimorado no uso de memória e CPU, tornando-o adequado para ambientes com recursos limitados 1,2,3,11,12. Ao abordar a inconsistência semântica, latência e escalabilidade em uma arquitetura unificada, este trabalho estabelece as bases para um modelo de comunicação IoT padronizado, inteligente e pronto para o futuro13,18.
O objetivo deste estudo é desenvolver e validar uma estrutura baseada em aprendizado de máquina para alinhamento de ontologias em tempo real para facilitar a interoperabilidade semântica em ambientes IoT heterogêneos. O estudo inclui as seguintes fases: (1) Coleta e análise de ontologias, (2) Modelagem e alinhamento semântico, (3) Otimização baseada em aprendizado de máquina e (4) Validação do mundo real em contextos de IoT simulados e ao vivo. A estrutura experimental foi testada usando conjuntos de dados públicos, ambientes simulados e implantações ao vivo em ambientes domésticos e de saúde inteligentes. Uma representação esquemática de uma estrutura de alinhamento de ontologia de IoT baseada em aprendizado de máquina é fornecida na Figura 1.
Figura 1: Estrutura de alinhamento de ontologias de IoT baseada em aprendizado de máquina. Esta figura apresenta uma visão de alto nível da estrutura proposta que integra técnicas de aprendizado de máquina para alinhar ontologias em sistemas IoT heterogêneos. O pipeline inclui avaliação de similaridade semântica, otimização usando minimização de perdas e refinamento iterativo para interoperabilidade aprimorada. Clique aqui para ver uma versão maior desta figura.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Protocolo
Esta pesquisa não envolveu seres humanos ou vertebrados ou amostragem de tecido. Todos os experimentos foram realizados em conformidade com as diretrizes institucionais de pesquisa computacional na J. C. Bose University of Science & Technology, YMCA, Faridabad.
Coleta e avaliação de ontologias
Ontologias públicas relevantes para saúde, casas inteligentes e monitoramento industrial foram obtidas de repositórios estabelecidos, incluindo Linked Open Vocabularies (LOV) e portais específicos de domínio, nos formatos RDF/OWL 1,2,3. Cada ontologia foi inspecionada em um editor de ontologias (por exemplo, Protégé) e analisada programaticamente para extrair hierarquias de classe, propriedades de objetos e dados e metadados associados de acordo com as especificações RDF / OWL 1,2.
Para comparações em pares, a semelhança lexical entre os rótulos de classe foi calculada usando uma similaridade de string baseada em distância de edição normalizada4. A similaridade estrutural foi derivada atravessando as relações de subclasse e superclasse e calculando as taxas de sobreposição dos bairros locais. A similaridade de instância foi avaliada detectando instâncias compartilhadas ou compatíveis entre ontologias e verificando a compatibilidade do tipo de dados. Uma pontuação combinada foi definida como Equação (1):
Stotal = w1Sléxico + w2Sestrutural +w3S instância Equação (1)
com pesos iniciais w1 = 0,5, w2 = 0,3, w3 = 0,2 e um limite selecionado em um subconjunto de validação mantido. As correspondências candidatas com pontuações combinadas iguais ou superiores ao limite foram registradas em um registro CSV com identificadores de ontologia, IRIs de entidade, pontuações de componentes e o resultado da decisão para alinhamento downstream.
Modelagem semântica e integração de dados
Para converter fluxos brutos de IoT em representações compatíveis com ontologias, foi construída uma ontologia unificada que abrange metadados estáticos (por exemplo, Aluno, Curso, Dispositivo) e observações dinâmicas (por exemplo, Sensor, Observação, Carimbo de data/hora), alinhando-se com as melhores práticas RDF/OWL10 e estabeleceu a IoT Semântica 5,6,13. A transformação semântica foi definida pela função de mapeamento:
Dsemântica=fmapa (Dbruto, O) Equação (2)
onde O denota a ontologia aplicada e f_map materializa triplos com IRIs estáveis. Os dados transformados foram armazenados como RDF e validados para consistência usando consultas SPARQL; um endpoint SPARQL foi configurado para suportar consultas semânticas entre fontes19. O artefato RDF resultante foi arquivado como semantic_data.rdf, e uma exportação tabular sincronizada (uma tabela larga normalizada) foi produzida para tarefas de aprendizado, incluindo uma coluna de proveniência de dados que indica a origem do recurso e qualquer imputação ou dimensionamento aplicado.
Alinhamento de ontologias usando aprendizado de máquina
Uma abordagem híbrida combinou sinais de similaridade baseados em regras com aprendizado supervisionado para selecionar correspondências de alta confiança14,15. O conjunto de treinamento compreendia 2.500 pares de elementos de ontologia anotados manualmente (correspondência ou não correspondência) para criar um conjunto de dados balanceado. Os recursos incluíram os três componentes de similaridade junto com estatísticas auxiliares, como diferença de comprimento de etiqueta. Um conjunto de árvore de decisão (Random Forest) com 100 árvores, profundidade máxima 10, class_weight = "balanceado" e uma semente aleatória fixa (42) foi treinado seguindo a prática estabelecida14. O objetivo de aprendizagem foi formalizado como Equação (3):
Equação (3)
onde yi é o rótulo de verdade fundamental, yi^ é o rótulo previsto e λ representa o parâmetro de regularização.
Após a calibração de probabilidade, os pares com probabilidade prevista ≥ 0,50 foram mantidos e as restrições de um para um foram aplicadas para evitar mapeamentos de muitos para um. O arquivo de mapeamento final, incluindo IRIs de origem e destino, pontuações de confiança e contribuições de recursos, foi serializado como alignment_results.json; O artefato do modelo treinado foi armazenado como alignment_model.pkl. A qualidade do modelo foi relatada em um conjunto de testes mantidos usando exatidão, precisão, revocação, pontuação F1 e uma matriz de confusão com intervalos de confiança de 95% calculados por validação cruzada quíntupla14,15.
Implantação e avaliação do mundo real
Um ambiente simulado representando 1.000 dispositivos heterogêneos foi criado para testar a ingestão e o alinhamento, seguido por fluxos do mundo real de ambientes domésticos e de saúde inteligentes 5,11. Os dados alinhados à ontologia foram integrados em uma camada de middleware em nuvem para ingestão e consulta em tempo real11,12. Novos dispositivos foram integrados automaticamente inspecionando cabeçalhos de dados recebidos e aplicando classificação semântica dinâmica usando o modelo de alinhamento treinado14,15.
O desempenho do sistema foi avaliado em quatro eixos: (i) qualidade do alinhamento (as métricas de classificação acima), (ii) taxa de interoperabilidade (interações bem-sucedidas entre fontes como porcentagem de tentativas de interação), (iii) latência de ponta a ponta definida como Equação (4) e (iv) utilização de recursos (CPU e memória).
L =resposta T −Equação de solicitação T (4)
Arquivos de configuração, logs e saídas foram arquivados com nomes de arquivos estáveis e um README para facilitar a replicação independente19. A estrutura concluída permitiu consistentemente a interoperabilidade semântica em configurações heterogêneas de IoT; Saídas de dados, logs de desempenho e configurações são agrupados para oferecer suporte à reprodutibilidade e validação externa 11,12,19.
Detalhes de implementação para replicação
O pipeline foi implementado em Python (versão 3.10 ou posterior) usando rdflib e owlready2 para manipulação de RDF/OWL, scikit-learn para treinamento e avaliação de modelos e bibliotecas de dados padrão para pré-processamento 8,14,15. Sementes aleatórias foram corrigidas, versões de bibliotecas foram fixadas em um arquivo requirements.txt e uma estrutura de diretório canônica foi usada: ontologies/, data/raw/, data/processed/, models/ e results/. Os nomes dos arquivos referenciados no texto são exatos: semantic_data.rdf, alignment_results.json e alignment_model.pkl19.
Projeto de pesquisa
Este estudo computacional de métodos mistos integra modelagem semântica com um módulo de alinhamento de ontologia supervisionado para melhorar a interoperabilidade entre fontes heterogêneas de IoT. O protocolo procede da seguinte forma: ontologias públicas são coletadas e analisadas; as tabelas IoT brutas são mapeadas para um esquema RDF/OWL unificado10; as correspondências candidatas são geradas a partir de sinais lexicais, estruturais e de instância15,16; um conjunto compacto de árvore de decisão é treinado em um conjunto rotulado manualmente para aceitar correspondências um-para-um em um limite fixo14,15; gráficos/tabelas alinhados são fundidos; e o desempenho é avaliado por métricas de nível de correspondência (exatidão, precisão, recall, F1, matriz de confusão) e comportamento do sistema (taxa de interoperabilidade, latência de ponta a ponta, CPU/memória)14,15. Um método de similaridade ponderada apenas com regras serve como linha de base16. Sementes aleatórias e versões de biblioteca são corrigidas e os artefatos usam nomes estáveis (semantic_data.rdf, alignment_results.json, alignment_model.pkl) para dar suporte à replicação. A Figura 2 ilustra a estrutura geral do Unified Ontology Design em ambientes de IoT.
Figura 2: Design de ontologia unificada em ambientes IoT. A figura ilustra as principais camadas arquitetônicas da ontologia unificada, apresentando modelagem semântica, integração de IA e abstração de conhecimento de domínio para interoperabilidade perfeita de dados de IoT. A estrutura suporta estruturas ontológicas entre domínios e específicas de domínio. Clique aqui para ver uma versão maior desta figura.
Recolha de dados
A coleta de dados foi realizada em duas fases distintas.
Avaliação de Ontologias: Uma análise crítica das ontologias e modelos semânticos de IoT existentes foi conduzida para identificar lacunas nas estratégias de integração atuais. Conjuntos de dados de IoT disponíveis publicamente e ontologias específicas de domínio foram examinados para avaliar as limitações de alinhamento estrutural e semântico 5,6,10,11.
Endosso de teste: Sistemas IoT do mundo real (por exemplo, casas inteligentes, aplicativos de saúde, automação industrial) foram utilizados para coletar dados para validar a estrutura. Além disso, conjuntos de dados simulados foram gerados para avaliar o desempenho do sistema sob condições controladas e repetíveis 8,9,11,12.
Análise de dados
A fase de análise empregou uma combinação de técnicas semânticas, estatísticas e baseadas em IA para validar a estrutura proposta.
Os alinhadores práticos incluem correspondências de cordas lexicais usando distância de Levenshtein normalizada (NLD) para rótulos/sinônimos16; métodos baseados em grafos estruturais que propagam ou agregam similaridade Inundações que propagam similaridade em bairros de subclasse/superclasse12,15; técnicas de consciência lógica/preservação de coerência que combinam correspondência com raciocínio para manter os mapeamentos consistentes15,19; abordagens probabilísticas/baseadas em instâncias que aproveitam evidências de instâncias compartilhadas ou compatíveis17; e matchers híbridos/ensemble que fundem múltiplos sinais e regras 12,14,15. Variantes neurais recentes empregam incorporações de frases contextuais para pontuar semelhanças candidatas12,14.
Alinhamento de ontologias: Algoritmos de alinhamento de alto nível foram usados para resolver discrepâncias semânticas entre ontologias heterogêneas de IoT. Esses algoritmos utilizaram regras heurísticas e métodos de aprendizado de máquina (ML) para calcular mapeamentos precisos e manter restrições de consistência15,17. A Figura 3 apresenta o processo de alinhamento de ontologias para alcançar a interoperabilidade entre dispositivos IoT.
Figura 3: Processo de alinhamento de ontologias para interoperabilidade de dispositivos IoT. Este diagrama demonstra o processo de alinhamento que resolve incompatibilidades sintáticas e semânticas entre dispositivos em um ecossistema de IoT heterogêneo. Ele enfatiza o papel das métricas de similaridade lexicais, estruturais e baseadas em instâncias usadas no algoritmo de alinhamento. Clique aqui para ver uma versão maior desta figura.
Modelagem semântica: Uma estratégia de modelagem semântica orientada por IA foi aplicada para desenvolver uma ontologia unificada que captura semântica específica de domínio e entre domínios. Este modelo integra fluxos de dados IoT estáticos e dinâmicos e está em conformidade com as melhores práticas RDF/OWL e semântica de IoT estabelecida 5,6,10,13, suportando aplicativos em tempo real.
Avaliação de desempenho: A configuração experimental avaliou as principais métricas de desempenho, incluindo taxa de interoperabilidade, latência, eficiência do sistema e escalabilidade 11,12. A análise comparativa foi conduzida em relação às técnicas de integração de linha de base para demonstrar a flexibilidade e resiliência da solução proposta 12,14,15,16. A Figura 4 mostra o fluxo computacional e os componentes críticos dos processos de alinhamento de ontologias e modelagem semântica.
Figura 4: Modelo semântico para aplicativos de IoT em tempo real. Esta figura destaca a estratégia de modelagem semântica que integra configurações de dispositivos estáticos e fluxos de dados de sensores dinâmicos na ontologia unificada. A arquitetura oferece suporte ao enriquecimento semântico em tempo real para tomada de decisão com reconhecimento de contexto. Clique aqui para ver uma versão maior desta figura.
Equações-chave
Equação para alinhamento de ontologias usando métricas de similaridade: Para alinhar ontologias heterogêneas de IoT, a similaridade agregada é calculada como uma mistura ponderada de sinais lexicais, estruturais e baseados em instâncias, de acordo com a Equação 1 acima, onde Stotal é a similaridade agregada entre dois elementos de ontologia, Slexical é a semelhança da correspondência lexical (por exemplo, distância de string normalizada), Sstructural é a similaridade baseada em relacionamentos subjacentes (por exemplo, hierarquia pai-filho), Sinstance é a comparabilidade com base em dados de instância (por exemplo, sobreposição em exemplos de uso) e w1, w2, w3 são coeficientes de peso, ajustados com base no contexto do aplicativo.
Equação para otimização baseada em aprendizado de máquina para mapeamento de ontologias: O aprimoramento de mapeamentos pode ser formulado como um problema de minimização de despesas usando um recurso de infortúnio:
onde L é a capacidade de infortúnio para previsão de mapeamento, yi é o rótulo de verdade fundamental para o i-ésimo mapeamento, y^i é o rótulo previsto para o i-ésimo mapeamento, ||Θ|| é o termo de regularização para evitar o sobreajuste, λ é o parâmetro de regularização.
Equação para modelagem semântica de fluxos de dados IoT: O enriquecimento semântico é expresso como uma transformação de dados baseada em ontologia de acordo com a equação 2 acima, onde Dsemântica é o conjunto de dados semanticamente anotado, Dbruto são os dados brutos de IoT, O é a ontologia usada para anotação e fmap é a função de mapeamento derivada da ontologia unificada.
Equações para métricas de desempenho (interoperabilidade e latência)
Índice de interoperabilidade (porcentagem de interações entre fontes bem-sucedidas):
I_index = (interações bem-sucedidas / total de interações) x 100 Equação (5)
A latência (reproduzida aqui para fins de integridade) é calculada de acordo com a equação 4 acima, em que I_index é o índice de interoperabilidade (em %), L é a latência (ms), T_response é o carimbo de data/hora da resposta e T_request é o carimbo de data/hora da solicitação.
Equação para análise de escalabilidade do ecossistema IoT
Complexidade computacional em relação ao número de dispositivos e elementos de ontologia:
C = O(n · m) Equação (6)
onde C é a complexidade computacional, n é o número de dispositivos IoT e m é o número de elementos de ontologia.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Resultados
Coleta e avaliação de ontologias
A análise de ontologias revelou inconsistências substanciais entre ontologias de IoT específicas de domínio em termos de hierarquia de classes, rótulos semânticos e definições de propriedades de dados. Essas inconsistências foram mais pronunciadas entre os conjuntos de dados de saúde e casa inteligente, demonstrando uma taxa de incompatibilidade estrutural de 28%. A identificação dessas variações validou a hipótese inicial de que a falta de padronização prejudica a int...
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Discussão
A estrutura baseada em aprendizado de máquina desenvolvida demonstra sua eficácia em lidar com os desafios de interoperabilidade semântica em ambientes heterogêneos de IoT. Por meio de um protocolo estruturado que integra modelagem semântica, alinhamento de ontologia baseado em aprendizado de máquina e implantação de middleware baseado em nuvem, o sistema alcançou alta precisão de alinhamento de ontologia e integração consistente de dados em vários dispositivos.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Divulgações
Os autores declaram não ter conflitos de interesse a relatar em relação ao presente estudo.
Agradecimentos
Este estudo não recebeu financiamento.
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.
Materiais
| Nome | Empresa | Número de catálogo | Comentários |
|---|---|---|---|
| Plataforma de middleware baseada em nuvem | Código aberto/proprietário (por exemplo, Firebase) | N/A | Facilita a ingestão e o armazenamento de dados em tempo real. |
| Ontologias de entrada | Repositórios públicos (por exemplo, LOV) | N/A | Ontologias OWL/RDF específicas de domínio para ambientes IoT. |
| Biblioteca de aprendizado de máquina | Código aberto (por exemplo, scikit-learn) | N/A | Usado para treinamento supervisionado do modelo de classificação. |
| Ferramenta de simulação de rede | Código aberto / comercial (por exemplo, NetSim) | N/A | Gera conjuntos de dados de dispositivos IoT heterogêneos simulados. |
| Software de edição de ontologias | Fontes abertas (por exemplo, Proté gé) | N/A | Usado para análise, edição e visualização de ontologias. |
| Ambiente de Programação | Código aberto (por exemplo, Python) | N/A | Implementa modelos de aprendizado de máquina e processamento de dados. |
| Fluxos de dados brutos de IoT | Fontes de conjuntos de dados públicos/personalizados | N/A | CSV ou JSON contendo dados brutos do dispositivo IoT. |
| Arquivos de saída RDF | Gerado no estudo | N/A | Arquivos RDF/XML que representam dados de IoT semanticamente enriquecidos. |
| Biblioteca de análise semântica | Código aberto (por exemplo, RDFLib) | N/A | Converte dados de IoT em triplos RDF para modelagem semântica. |
| Mecanismo de consulta SPARQL | Código aberto | N/A | Valida a consistência dos dados RDF usando consultas SPARQL. |
Referências
- Al-Fuqaha, A., Guizani, M., Mohammadi, M., Aledhari, M., Ayyash, M. Internet of Things: A survey on enabling technologies, protocols, and applications. IEEE Commun Surv Tutor. 17 (4), 2347-2376 (2015).
- Fortino, G., et al. Towards multi-layer interoperability of heterogeneous IoT platforms: The INTER-IoT approach. Integration, Interconnection, and Interoperability of IoT Systems. , 199-232 (2018).
- Perera, C., Zaslavsky, A., Christen, P., Georgakopoulos, D. Context aware computing for the Internet of Things: A survey. IEEE Commun Surv Tutor. 16 (1), 414-454 (2014).
- Nambi, S. A. U., Sarkar, C., Prasad, R. V., Rahim, A. A. A unified semantic knowledge base for IoT. Proceedings of IEEE World Forum on Internet of Things (WF-IoT). , 575-580 (2014).
- Sheth, A., Henson, C., Sahoo, S. S. Semantic sensor web. IEEE Internet Comput. 12 (4), 78-83 (2008).
- Compton, M., et al. The SSN ontology of the W3C semantic sensor network incubator group. J Web Semant. 17, 25-32 (2012).
- Barnaghi, P., Wang, W., Henson, C., Taylor, K. Semantics for the Internet of Things: Early progress and back to the future. Int J Semant Web Inf Syst. 8 (1), 1-21 (2012).
- Agarwal, R., et al. Unified IoT ontology to enable interoperability and federation of testbeds. Proceedings of IEEE 3rd World Forum on Internet of Things (WF-IoT). , 70-75 (2016).
- Rahman, H., Hussain, M. I. A comprehensive survey on semantic interoperability for Internet of Things: State-of-the-art and research challenges. Trans Emerg Telecommun Technol. 31 (12), e3902(2020).
- Gyrard, A., et al. Semantic web methodologies, best practices and ontology engineering applied to Internet of Things. Int J Web Grid Serv. 10 (3), 244-269 (2014).
- Ganzha, M., et al. Semantic interoperability in the Internet of Things: An overview from the INTER-IoT perspective. J Netw Comput Appl. 81, 85-99 (2017).
- Gyrard, A., Zimmermann, A., Krishnaswamy, S. Semantic web technologies for the Internet of Things: A comprehensive survey. Semant Web. 9 (5), 513-563 (2018).
- Balaji, B., et al. Towards a unified metadata schema for buildings. Proc ACM BuildSys. , 41-50 (2016).
- Zhou, Q., et al. Machine learning approaches to ontology alignment: A comprehensive survey. IEEE Access. 7, 151073-151095 (2019).
- Paulheim, H. Knowledge graph refinement: A survey of approaches and evaluation methods. Semant Web. 8 (3), 489-508 (2017).
- Yujian, L., Bo, L. A normalized Levenshtein distance metric. IEEE Trans Pattern Anal Mach Intell. 29 (6), 1091-1095 (2007).
- D'Amato, C., Fanizzi, N., Esposito, F. Inductive learning for the semantic web: What does it buy. Semant Web. 1 (1), 53-59 (2010).
- Balaji, B., et al. Towards a unified metadata schema for buildings. Proceedings of ACM BuildSys. , 41-50 (2016).
- Poveda-Villalón, M., Suárez-Figueroa, M. C., Gómez-Pérez, A. Validating ontologies with OOPS! (OntOlogy Pitfall Scanner!). Int J Semant Web Inf Syst. 10 (2), 7-34 (2014).
Acesso restrito. Inicie sessão ou comece um teste para visualizar este conteúdo.