На пути к стандартизированным онтологиям IoT с использованием фреймворка на основе машинного обучения для бесшовного обмена данными

Краткое содержание

В этом исследовании представлена платформа на основе машинного обучения для согласования онтологий IoT в режиме реального времени, обеспечивающая бесшовный обмен данными между гетерогенными системами. Благодаря интеграции семантического моделирования и адаптивной оптимизации этот подход улучшает совместимость, сокращает задержки и обеспечивает высокую точность. Проверенный в реальных условиях, он предлагает масштабируемое стандартизированное решение для интеграции Интернета вещей.

Аннотация

Растущая гетерогенность устройств Интернета вещей (IoT) привела к серьезным проблемам в достижении функциональной совместимости в режиме реального времени и бесшовного обмена данными. Существующие экосистемы IoT часто работают с использованием различных моделей данных, коммуникационных протоколов и семантических представлений, что приводит к фрагментации систем, препятствующих интеграции. Чтобы решить эту проблему, мы предлагаем унифицированную платформу, которая использует выравнивание онтологий на основе машинного обучения для стандартизированной, адаптивной интеграции IoT. Гипотеза, лежащая в основе этого исследования, заключается в том, что сочетание семантического моделирования с интеллектуальными методами оптимизации может значительно повысить согласованность и эффективность обмена данными между гетерогенными средами IoT. Предлагаемая структура объединяет обработку потоков данных в режиме реального времени, семантический анализ сходства и адаптивное картирование онтологий для динамического выравнивания онтологий устройств. Используя смоделированные и реальные среды, включая умные дома и системы здравоохранения, платформа была протестирована по ключевым показателям производительности, таким как точность, задержка и уровень совместимости. Результаты показывают, что предложенный метод обеспечивает высокую точность выравнивания онтологий в 97%, снижает задержку до менее чем 20 мс и поддерживает более 95% совместимости между различными типами устройств. Полученные результаты подтверждают, что интеграция алгоритмов машинного обучения с семантическим моделированием значительно повышает производительность, масштабируемость и адаптивность систем IoT. Фреймворк успешно устраняет семантические несоответствия и поддерживает динамическую адаптацию устройств без ручного вмешательства. В этом исследовании представлено надежное и масштабируемое решение для взаимодействия IoT, предлагающее интеллектуальное согласование онтологий в режиме реального времени, которое можно адаптировать к развивающимся устройствам и стандартам данных. Эта работа вносит вклад в разработку архитектур IoT следующего поколения, способных поддерживать стандартизированную, эффективную и автоматизированную связь между различными приложениями.

Введение

Интернет вещей (IoT) быстро превращается в базовую инфраструктуру для умных сред, объединяющую широкий спектр разнородных устройств, работающих в различных областях, таких как здравоохранение, умные города, сельское хозяйство и промышленная автоматизация ^1,2,3. Эти устройства генерируют большие объемы данных и полагаются на семантическое понимание для осмысленной коммуникации 4,5,6,7. Тем не менее, отсутствие стандартизированной семантической структуры стало ключевым препятствием для бесшовного обмена данными 8,9,10,11,12. Различные онтологии, различные протоколы и несогласованные модели данных ограничивают совместимость, затрудняя эффективную совместную работу устройств в режиме реального времени. Эта семантическая фрагментация часто приводит к неправильной интерпретации, увеличению задержек и сбоям интеграции, которые ставят под угрозу масштабируемость и производительность системы ^5,12,13. Таким образом, существует острая потребность в унифицирующем подходе, который может стандартизировать семантические представления и в то же время адаптироваться к динамическому характеру сред IoT 6,10,11,12.

В этом исследовании предлагается новая структура на основе машинного обучения для выравнивания онтологий в реальном времени для решения этих проблем совместимости 4,8,9,11,14. Фреймворк сочетает в себе расширенное семантическое моделирование, адаптивное отображение онтологий и интеграцию потоков данных ^9,10,13 для динамического выравнивания онтологий IoT. Использование методов машинного обучения для выравнивания онтологий может значительно повысить семантическую согласованность и эффективность интеграции в гетерогенных системах IoT 8,9,14,15. В отличие от традиционных методов, основанных на правилах 4,5,7,8,9,10,13, в предлагаемом подходе используются взвешенные меры сходства, структурные и лексические отображения, а также алгоритмы оптимизации, которые адаптируются к поступающим данным 15,16,17 . Экспериментальная валидация проводилась как в смоделированных, так и в реальных средах, включая умные дома и системы здравоохранения. Результаты показывают, что платформа достигает точности выравнивания онтологий на уровне 97%, снижает среднюю задержку до менее чем 20 мс и поддерживает уровень совместимости выше 95% между типами устройств⁸.

Адаптивность предлагаемой структуры еще больше отличает ее от существующих решений ^9,13,15. По мере присоединения новых устройств к сети система автоматически обновляет семантические отношения, не требуя ручной перенастройки 5,6,8,9,13,15. Это стало возможным благодаря интеграции оптимизации на основе обучения, которая сводит к минимуму семантические несоответствия и вычислительные издержки ^8,9. Система также демонстрирует улучшенную производительность в использовании памяти и процессора, что делает ее пригодной для сред с ограниченными ресурсами 1,2,3,11,12. Устраняя семантическую несогласованность, задержки и масштабируемость в единой архитектуре, эта работа закладывает основу для стандартизированной, интеллектуальной и готовой к будущему^{модели коммуникации IoT.}

Целью данного исследования является разработка и валидация основанной на машинном обучении структуры для выравнивания онтологий в реальном времени для облегчения семантической интероперабельности в гетерогенных средах IoT. Исследование включает в себя следующие этапы: (1) сбор и анализ онтологий, (2) семантическое моделирование и выравнивание, (3) оптимизация на основе машинного обучения и (4) реальная проверка в смоделированных и реальных контекстах IoT. Экспериментальная среда была протестирована с использованием общедоступных наборов данных, смоделированных сред и реальных развертываний в умных домах и здравоохранении. Схематическое представление структуры выравнивания онтологий IoT на основе машинного обучения представлено на рисунке 1.

Рисунок 1: Фреймворк выравнивания онтологий IoT на основе машинного обучения. На этом рисунке представлено высокоуровневое представление предлагаемой структуры, которая интегрирует методы машинного обучения для согласования онтологий в гетерогенных системах IoT. Конвейер включает в себя оценку семантического сходства, оптимизацию с использованием минимизации потерь и итеративное уточнение для улучшения совместимости. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Протокол

В этом исследовании не участвовали люди или позвоночные, а также не брались образцы тканей. Все эксперименты проводились в соответствии с руководящими принципами вычислительных исследований в Университете науки и технологии им. Дж.

Сбор и оценка онтологий
Публичные онтологии, относящиеся к здравоохранению, умным домам и промышленному мониторингу, были получены из установленных репозиториев, включая Linked Open Vocabularies (LOV) и порталы, специфичные для предметной области, в форматах RDF/OWL ^1,2,3. Каждая онтология была проверена в редакторе онтологий (например, Protégé) и программно проанализирована для извлечения иерархий классов, свойств объектов и данных, а также связанных метаданных в соответствии со спецификациями RDF/OWL ^1,2.

Для попарных сравнений лексическое сходство между метками классов вычислялось с использованием нормализованного сходства строк на основе расстояния редактирования⁴. Структурное сходство было получено путем обхода отношений подклассов и суперклассов и вычисления коэффициентов перекрытия локальных окрестностей. Сходство экземпляров оценивалось путем обнаружения общих или совместимых экземпляров в онтологиях и проверки совместимости типов данных. Комбинированный балл был определен как уравнение (1):

S_всего=w1S_{лексический}+w2S_{структурный}+w3S_{экземпляр} Уравнение (1)

с начальными весами w1 = 0,5, w2 = 0,3, w3 = 0,2 и пороговым значением, выбранным из непроверенного валидационного подмножества. Соответствия кандидатов с совокупными баллами на уровне или выше порогового значения регистрировались в регистре CSV с идентификаторами онтологий, IRIs сущностей, оценками компонентов и результатом решения для выравнивания по нисходящей цепочке.

Семантическое моделирование и интеграция данных
Для преобразования необработанных потоков IoT в онтологически совместимые представления была создана единая онтология, охватывающая статические метаданные (например, Student, Course, Device) и динамические наблюдения (например, Sensor, Observation, Timestamp), в соответствии с лучшими практиками RDF/OWL¹⁰ и установленной IoT Semantic ^5,6,13. Семантическое преобразование определялось функцией отображения:

D_{семантическая карта} = f (D_raw, O) Уравнение (2)

где O обозначает прикладную онтологию, а f_map материализует тройки со стабильными IRI. Преобразованные данные сохранялись в формате RDF и проверялись на согласованность с помощью запросов SPARQL; конечная точка SPARQL была сконфигурирована для поддержки семантических запросов между источниками¹⁹. Полученный RDF-артефакт был заархивирован как semantic_data.rdf, а для задач обучения был создан синхронизированный табличный экспорт (нормализованная широкая таблица), включая столбец происхождения данных, указывающий происхождение функции и любую примененную импутацию или масштабирование.

Выравнивание онтологий с помощью машинного обучения
Гибридный подход сочетает в себе сигналы сходства на основе правил с контролируемым обучением для выбора соответствий с высокой степенью достоверности^14,15. Обучающий набор состоял из 2500 вручную аннотированных пар онтологий-элементов (совпадающих или несовпадающих) для создания сбалансированного набора данных. Функции включали в себя три компонента подобия вместе со вспомогательной статистикой, такой как разница в длине метки. Ансамбль дерева принятия решений (Random Forest) со 100 деревьями, максимальной глубиной 10, class_weight = «сбалансированным» и фиксированным случайным семенем (42) был обучен в соответствии с установленной практикой¹⁴. Цель обучения была формализована в виде уравнения (3):

Уравнение (3)

где y_i — наземная истинная метка, y_i^{^} — прогнозируемая метка, а λ представляет параметр регуляризации.

После калибровки вероятностей пары с прогнозируемой вероятностью ≥ 0,50 были сохранены, а ограничения «один к одному» были применены, чтобы избежать сопоставлений «многие к одному». Окончательный файл сопоставления, включающий исходные и целевые IRI, оценки достоверности и вклад функций, был сериализован как alignment_results.json; Артефакт обученной модели хранился как alignment_model.pkl. Качество модели было оценено на тестовом наборе с использованием точности, прецизионности, полноты, F1-оценки и матрицы неточности с 95% доверительными интервалами, рассчитанными с помощью пятикратной перекрестной проверки^14,15.

Развертывание и оценка в реальных условиях
Для стресс-тестирования приема и выравнивания была создана симулированная среда, представляющая 1000 гетерогенных устройств, за которыми последовали реальные потоки из умного дома и ^{здравоохранения.} Данные, выровненные по онтологии, были интегрированы в облачный промежуточный слой для приема и запроса в режиме реального времени^11,12. Новые устройства были автоматически подключены путем проверки заголовков входящих данных и применения динамической семантической классификации с использованием обученной модели выравнивания^14,15.

Производительность системы оценивалась по четырем параметрам: (i) качество выравнивания (приведенные выше классификационные метрики), (ii) коэффициент совместимости (успешные взаимодействия между источниками в процентах от попыток взаимодействия), (iii) сквозная задержка, определенная как уравнение (4), и (iv) использование ресурсов (ЦП и памяти).

L = T_ответ−T_запрос Уравнение (4)

Конфигурационные файлы, журналы и выходные данные архивировались со стабильными именами файлов и файлом README для облегчения независимой репликации¹⁹. Завершенная структура последовательно обеспечивала семантическую совместимость в гетерогенных условиях IoT; Выходные данные, журналы производительности и конфигурации объединены для поддержки воспроизводимости и внешней проверки 11,12,19.

Сведения о реализации репликации
Конвейер был реализован на Python (версия 3.10 или более поздняя) с использованием rdflib и owlready2 для обработки RDF/OWL, scikit-learn для обучения и оценки моделей, а также стандартных библиотек данных для предварительной обработки ^8,14,15. Были исправлены случайные затравки, версии библиотеки были закреплены в файле requirements.txt, а также использована каноническая структура директории: ontologies/, data/raw/, data/processed/, models/, и results/. Имена файлов, указанные в тексте, точны: semantic_data.rdf, alignment_results.json и alignment_model.pkl¹⁹.

Дизайн исследования
Это компьютерное исследование со смешанными методами объединяет семантическое моделирование с контролируемым модулем онтологического выравнивания для улучшения совместимости между гетерогенными источниками IoT. Вкратце протокол выглядит следующим образом: собираются и анализируются публичные онтологии; необработанные таблицы IoT сопоставляются с унифицированной схемой RDF/OWL¹⁰; Соответствия кандидатов генерируются из лексических, структурных и экземплярных сигналов ^15,16; Компактный ансамбль дерева принятия решений обучается на вручную помеченном наборе для приема совпадений «один к одному» при фиксированном пороге^14,15; выровненные графики/таблицы объединяются; а производительность оценивается по метрикам на уровне соответствия (точность, прецизионность, полнота, F1, матрица несоответствий) и поведению системы (уровень совместимости, сквозная задержка, ЦП/память)^14,15. Метод взвешенного подобия, основанный только на правилах, служит в качестве базового уровня¹⁶. Случайные начальные значения и версии библиотек исправлены, а артефакты используют стабильные имена (semantic_data.rdf, alignment_results.json, alignment_model.pkl) для поддержки репликации. На рисунке 2 показана общая структура для проектирования унифицированных онтологий в средах IoT.

Рисунок 2: Проектирование унифицированных онтологий в средах IoT. На рисунке показаны основные архитектурные слои унифицированной онтологии, демонстрирующие семантическое моделирование, интеграцию ИИ и абстракцию знаний предметной области для бесшовной совместимости данных IoT. Фреймворк поддерживает как междоменные, так и предметно-ориентированные онтологические структуры. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Сбор данных
Сбор данных проводился в два отдельных этапа.

Оценка онтологии: Был проведен критический анализ существующих онтологий и семантических моделей IoT для выявления пробелов в текущих стратегиях интеграции. Общедоступные наборы данных IoT и предметно-ориентированные онтологии были изучены для оценки структурных и семантических ограничений выравнивания 5,6,10,11.

Одобрение судебного разбирательства: Реальные системы IoT (например, умные дома, приложения для здравоохранения, промышленная автоматизация) использовались для сбора данных для валидации фреймворка. Кроме того, были созданы моделируемые наборы данных для оценки производительности системы в контролируемых и воспроизводимых условиях 8,9,11,12.

Анализ данных
На этапе анализа использовалась комбинация семантических, статистических и основанных на искусственном интеллекте методов для проверки предложенной структуры.

Практические выравниватели включают в себя сопоставители лексических строк с использованием нормализованного расстояния Левенштейна (NLD) для меток/синонимов¹⁶; методы на основе структурного графа, распространяющие или агрегирующие сходство Flooding, распространяющие сходство по окрестностям подкласса/суперкласса^12,15; методы, осознающие логику/сохраняющие когерентность, которые сочетают согласование с рассуждениями для поддержания согласованности отображений^15,19; подходы, основанные на примерах/вероятностные подходы, использующие данные из общих или совместимых примеров¹⁷; и гибридные/ансамблевые матчеры, объединяющие несколько сигналов и правил 12,14,15. В современных нейронных вариантах используются контекстуальные вложения предложений для оценки сходства кандидатов ^12,14.

Выравнивание онтологий: Высокоуровневые алгоритмы выравнивания использовались для устранения семантических расхождений между гетерогенными онтологиями IoT. Эти алгоритмы использовали эвристические правила и методы машинного обучения (ML) для вычисления точных отображений и поддержания ограничений согласованности^15,17. На рисунке 3 представлен процесс выравнивания онтологий для достижения функциональной совместимости между устройствами IoT.

Рисунок 3: Процесс выравнивания онтологий для совместимости устройств IoT. На этой схеме показан процесс выравнивания, который устраняет синтаксические и семантические несоответствия между устройствами в гетерогенной экосистеме Интернета вещей. В нем подчеркивается роль лексических, структурных метрик и метрик сходства на основе экземпляров, используемых в алгоритме выравнивания. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Семантическое моделирование: Стратегия семантического моделирования на основе искусственного интеллекта была применена для разработки единой онтологии, охватывающей как предметно-специфичную, так и междоменную семантику. Эта модель объединяет статические и динамические потоки данных IoT и соответствует передовым практикам RDF/OWL и установленной семантике IoT 5,6,10,13, поддерживая приложения реального времени.

Оценка эффективности: В ходе эксперимента оценивались ключевые показатели производительности, включая уровень совместимости, задержку, эффективность системы и масштабируемость ^11,12. Был проведен сравнительный анализ с методами базовой интеграции, чтобы продемонстрировать гибкость и отказоустойчивость предложенного решения 12,14,15,16. На рисунке 4 показан вычислительный поток и критические компоненты процессов выравнивания онтологий и семантического моделирования.

Рисунок 4: Семантическая модель для приложений IoT реального времени. На этом рисунке показана стратегия семантического моделирования, которая объединяет статические конфигурации устройств и динамические потоки данных датчиков в единую онтологию. Архитектура поддерживает семантическое обогащение в режиме реального времени для принятия решений с учетом контекста. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Ключевые уравнения
Уравнение для выравнивания онтологий с использованием метрик подобия: Для выравнивания гетерогенных онтологий IoT совокупное сходство вычисляется как взвешенная смесь лексических, структурных и основанных на экземплярах сигналов в соответствии с уравнением 1 выше, где Stotal — совокупное сходство между двумя элементами онтологии, Slexical — сходство от лексического соответствия (например, нормализованное расстояние между строками), Sstructural — сходство, основанное на базовых отношениях (например, иерархия родитель-ребенок), Sinstance — сопоставимость, основанная на данных экземпляра (например, перекрытие в примерах использования), а W1, W2, W3 — весовые коэффициенты, скорректированные в зависимости от контекста приложения.

Уравнение для оптимизации на основе машинного обучения для отображения онтологий: Улучшение отображений может быть сформулировано как задача минимизации затрат с использованием возможности неудачи:

где L — возможность Misfortune для предсказания отображения, yi — метка основной истины для i-го отображения, y^i — метка предсказания для i-го отображения, ||Θ|| - член регуляризации для предотвращения переобучения, λ - параметр регуляризации.

Уравнение для семантического моделирования потоков данных IoT: Семантическое обогащение выражается в виде преобразования данных на основе онтологии в соответствии с уравнением 2 выше, где D_semantic — это семантически аннотированный набор данных, D_raw — это необработанные данные IoT, O — онтология, используемая для аннотации, а f_map — функция отображения, полученная из единой онтологии.

Уравнения для метрик производительности (совместимость и задержка)
Индекс интероперабельности (процент успешных взаимодействий между источниками):

I_index = (количество успешных взаимодействий / общее количество взаимодействий) x 100 Уравнение (5)

Задержка (воспроизведенная здесь для полноты картины) вычисляется в соответствии с уравнением 4 выше, где I_index — индекс совместимости (в %), L — задержка (мс), T_response — метка времени ответа, T_request — метка времени запроса.

Уравнение для анализа масштабируемости экосистемы IoT
Вычислительная сложность по отношению к количеству устройств и элементов онтологии:

C = O(n · m) Уравнение (6)

где C — вычислительная сложность, n — количество устройств IoT, а m — количество элементов онтологии.

Результаты

Сбор и оценка онтологий
Онтологический анализ выявил существенные несоответствия между онтологиями IoT, специфичными для предметной области, с точки зрения иерархии классов, семантических меток и определений свойств данных. Эти несоответствия были более выражены между наборами данных для здравоохранения и умного дома, демонстрируя 28% структурное несоответствие. Идентификация этих вариаций подтвердила первоначальную гипотезу о том, что отсутствие стандартизации ухудшает функциональную совместимость ме...

Обсуждение

Разработанная среда на основе машинного обучения демонстрирует свою эффективность в решении проблем семантической интероперабельности в гетерогенных средах IoT. Благодаря структурированному протоколу, объединяющему семантическое моделирование, согласование онтологий на основе машинного обучения и развертывание промежуточного программного обеспечения на основе облака, система достигла высокой точности выравнивания онтологий и согласованной интеграции данных на различных устройствах.

<...

Материалы

Список материалов, использованных в этой статье

Имя	Компания	Каталожный номер	Комментарии
Облачная платформа промежуточного ПО	Открытый исходный код / Проприетарный (например, Firebase)	Н/Д	Упрощение приема и хранения данных в режиме реального времени.
Входные онтологии	Публичные репозитории (например, LOV)	Н/Д	Предметно-ориентированные онтологии OWL/RDF для сред IoT.
Библиотека машинного обучения	Открытый исходный код (например, scikit-learn)	Н/Д	Используется для обучения модели классификации с учителем.
Инструмент сетевого моделирования	Открытый исходный код / Коммерческие (например, NetSim)	Н/Д	Создает смоделированные разнородные наборы данных устройств IoT.
Программное обеспечение для редактирования онтологий	Открытый исходный код (например, Proté gé)	Н/Д	Используется для синтаксического анализа, редактирования и визуализации онтологий.
Среда программирования	Открытый исходный код (например, Python)	Н/Д	Реализует модели машинного обучения и обработки данных.
Потоки необработанных данных IoT	Общедоступные / пользовательские источники наборов данных	Н/Д	CSV или JSON-файлы, содержащие необработанные данные об устройствах IoT.
Выходные файлы RDF	Сгенерировано в исследовании	Н/Д	Файлы RDF/XML, представляющие семантически обогащенные данные IoT.
Библиотека семантического разбора	Открытый исходный код (например, RDFLib)	Н/Д	Преобразует данные IoT в RDF-тройки для семантического моделирования.
Движок запросов SPARQL	Открытый исходный код	Н/Д	Проверяет согласованность данных RDF с помощью запросов SPARQL.