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

Summary

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.

Abstract

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.

Introduction

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 структ....

Protocol

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 провер....

Results

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.......

Discussion

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.

<.......

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
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.