Rumo a ontologias IoT padronizadas usando uma estrutura baseada em aprendizado de máquina para troca de dados perfeita

Summary

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.

Abstract

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.

Introduction

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 ....

Protocol

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. Ca....

Results

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.......

Discussion

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.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
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.