Araştırma makalesi

Sorunsuz Veri Alışverişi için Makine Öğrenimi Tabanlı Bir Çerçeve Kullanarak Standartlaştırılmış IoT Ontolojilerine Doğru

DOI:

10.3791/68635

⸱

7 Ekim 2025

 ,  , 
1Department of Computer Engineering, J. C. Bose University of Science & Technology, YMCA Faridabad, 2Department of Computer Science, George Mason University

Bu makalede

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma, gerçek zamanlı IoT ontoloji hizalaması için makine öğrenimi tabanlı bir çerçeve sunarak heterojen sistemler arasında kesintisiz veri alışverişine olanak tanıyor. Yaklaşım, anlamsal modelleme ve uyarlanabilir optimizasyonu entegre ederek birlikte çalışabilirliği artırır, gecikmeyi azaltır ve yüksek doğruluk elde eder. Gerçek dünya ortamlarında doğrulanmış, ölçeklenebilir, standartlaştırılmış bir IoT entegrasyon çözümü sunar.

Özet

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nesnelerin İnterneti (IoT) cihazlarının artan heterojenliği, gerçek zamanlı birlikte çalışabilirlik ve kesintisiz veri alışverişinin sağlanmasında önemli zorluklara yol açmıştır. Mevcut IoT ekosistemleri genellikle çeşitli veri modelleri, iletişim protokolleri ve anlamsal temsiller kullanarak çalışır ve bu da entegrasyonu engelleyen parçalanmış sistemlere neden olur. Bu sorunu çözmek için standartlaştırılmış, uyarlanabilir IoT entegrasyonu için makine öğrenimi tabanlı ontoloji uyumunu kullanan birleşik bir çerçeve öneriyoruz. Bu araştırmaya rehberlik eden hipotez, anlamsal modellemeyi akıllı optimizasyon teknikleriyle birleştirmenin, heterojen IoT ortamları arasında veri alışverişinin tutarlılığını ve verimliliğini önemli ölçüde artırabileceğidir. Önerilen çerçeve, cihaz ontolojilerini dinamik olarak hizalamak için gerçek zamanlı veri akışı işlemeyi, anlamsal benzerlik analizini ve uyarlanabilir ontoloji haritalamasını entegre eder. Akıllı evler ve sağlık sistemleri de dahil olmak üzere simüle edilmiş ve gerçek dünya ortamları kullanılarak çerçeve, doğruluk, gecikme ve birlikte çalışabilirlik oranı gibi temel performans ölçümlerine göre test edildi. Sonuçlar, önerilen yöntemin %97'lik yüksek bir ontoloji hizalama doğruluğuna ulaştığını, gecikmeyi 20 ms'nin altına düşürdüğünü ve çeşitli cihaz türleri arasında %95'in üzerinde birlikte çalışabilirliği koruduğunu göstermektedir. Bulgular, makine öğrenimi algoritmalarının anlamsal modellemeyle entegrasyonunun IoT sistemlerinin performansını, ölçeklenebilirliğini ve uyarlanabilirliğini önemli ölçüde artırdığını doğrulamaktadır. Çerçeve, anlamsal tutarsızlıkları başarıyla giderir ve manuel müdahale olmadan dinamik cihaz katılımını destekler. Bu çalışma, gelişen cihazlara ve veri standartlarına uyarlanabilen gerçek zamanlı, akıllı ontoloji hizalaması sunan, IoT birlikte çalışabilirliği için sağlam ve ölçeklenebilir bir çözüm sunmaktadır. Bu çalışma, çeşitli uygulamalar arasında standartlaştırılmış, verimli ve otomatik iletişimi destekleyebilen yeni nesil IoT mimarilerinin geliştirilmesine katkıda bulunuyor.

Giriş

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Nesnelerin İnterneti (IoT), sağlık hizmetleri, akıllı şehirler, tarım ve endüstriyel otomasyongibi çeşitli alanlarda çalışan çok çeşitli heterojen cihazları birbirine bağlayarak akıllı ortamlar için hızla temel bir altyapıya dönüşüyor 1,2,3. Bu cihazlar büyük hacimli veriler üretir ve anlamlı bir şekilde iletişim kurmak için anlamsal anlayışa dayanır 4,5,6,7. Bununla birlikte, standartlaştırılmış bir anlamsal yapının olmaması, kesintisiz veri alışverişinin önünde önemli bir engel olarak ortaya çıkmıştır 8,9,10,11,12. Çeşitli ontolojiler, değişen protokoller ve tutarsız veri modelleri, birlikte çalışabilirliği sınırlayarak cihazların gerçek zamanlı olarak verimli bir şekilde işbirliği yapmasını zorlaştırır. Bu anlamsal parçalanma genellikle yanlış yorumlamalara, artan gecikmeye ve sistem ölçeklenebilirliğini ve performansını tehlikeye atan entegrasyon hatalarına yol açar 5,12,13. Bu nedenle, IoT ortamlarının dinamik doğasına uyum sağlarken anlamsal temsilleri standartlaştırabilen birleştirici bir yaklaşıma kritik bir ihtiyaç vardır 6,10,11,12.

Bu çalışma, bu birlikte çalışabilirlik zorluklarını ele almak için gerçek zamanlı ontoloji hizalaması için yeni bir makine öğrenimi tabanlı çerçeve önermektedir 4,8,9,11,14. Çerçeve, IoT ontolojilerini dinamik olarak hizalamak için gelişmiş anlamsal modelleme, uyarlanabilir ontoloji haritalama ve veri akışı entegrasyonunu 9,10,13 birleştirir. Ontoloji hizalaması için makine öğrenimi tekniklerinden yararlanmak, heterojen IoT sistemlerinde anlamsal tutarlılığı ve entegrasyon verimliliğini önemli ölçüde artırabilir 8,9,14,15. Geleneksel kural tabanlı yöntemlerden farklı olarak 4,5,7,8,9,10,13, önerilen yaklaşım, ağırlıklı benzerlik ölçüleri, yapısal ve sözcüksel eşlemeler ve gelen verilere uyum sağlayan optimizasyon algoritmaları kullanır 15,16,17

figure-introduction-1

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Protokol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu araştırma, insan veya omurgalı denekleri veya doku örneklemesini içermiyordu. Tüm deneyler, J. C. Bose Bilim ve Teknoloji Üniversitesi, YMCA, Faridabad'daki kurumsal hesaplama araştırma yönergelerine uygun olarak gerçekleştirildi.

Ontoloji toplama ve değerlendirme
Sağlık hizmetleri, akıllı evler ve endüstriyel izleme ile ilgili genel ontolojiler, RDF/OWL formatları1,2,3'te Bağlantılı Açık Sözlükler (LOV) ve alana özgü portallar dahil olmak üzere yerleşik havuzlardan elde edildi. Her ontoloji bir ontoloji düzenleyicisinde (örneğin, Protégé) incelendi ve RDF/OWL spesifikasyonları 1,2'ye uygun olarak sınıf hiyerarşilerini, nesne ve veri özelliklerini ve ilişkili meta verileri çıkarmak için programlı olarak ayrıştırıldı.

İkili karşılaştırmalar için, sınıf etiketleri arasındaki sözcüksel benzerlik, normalleştirilmiş bir düzenleme mesafesi tabanlı dize benzerliği4 kullanılarak hesaplandı. Yapısal benzerlik, alt sınıf ve üst sınıf ilişkilerinin kesişmesi ve yerel mahallelerin örtüşme oranlarının hesaplanmasıyla elde edildi. Örnek benzerliği, ontolojiler arasında paylaşılan veya uyumlu örneklerin tespit edilmesi ve veri türü uyumluluğunun doğrulanmasıyla değerlendirildi. Birleşik puan Denklem (1) olarak tanımlandı:

Stoplam=w1Ssözcüksel+w2Syapısal+w3Sörnek Denklem (1)

başlangıç ağırlıkları w1 = 0,5, w2 = 0,3, w3 = 0,2 ve tutulan bir doğrulama alt kümesinden seçilen bir eşik ile. Eşikte veya üzerinde birleşik puanlara sahip aday yazışmaları, ontoloji tanımlayıcıları, varlık IRI'leri, bileşen puanları ve aşağı akış hizalaması için karar sonucu ile bir CSV kaydına kaydedildi.

Semantik modelleme ve veri entegrasyonu
Ham IoT akışlarını ontoloji uyumlu temsillere dönüştürmek için, statik meta verileri (ör. Öğrenci, Kurs, Cihaz) ve dinamik gözlemleri (ör. Sensör, Gözlem, Zaman Damgası) kapsayan, RDF/OWL en iyi uygulamaları10 ve yerleşik IoT Semantik 5,6,13 ile uyumlu birleşik bir ontoloji oluşturulmuştur. Anlamsal dönüşüm, eşleme işlevi tarafından tanımlandı:

Danlamsal=fharitası (Dham, O) Denklem (2)

burada O, uygulanan ontolojiyi belirtir ve f_map, kararlı IRI'lerle üçlüleri gerçekleştirir. Dönüştürülen veriler RDF olarak saklandı ve SPARQL sorguları kullanılarak tutarlılık açısından doğrulandı; kaynaklar19 arasında anlamsal sorguları desteklemek için bir SPARQL uç noktası yapılandırıldı. Sonuçta elde edilen RDF yapıtı semantic_data.rdf olarak arşivlendi ve özellik kaynağını ve uygulanan herhangi bir atama veya ölçeklendirmeyi gösteren bir veri kaynağı sütunu da dahil olmak üzere öğrenme görevleri için eşitlenmiş bir tablosal dışa aktarma (normalleştirilmiş geniş bir tablo) üretildi.

Makine öğrenimini kullanarak ontoloji hizalaması
Hibrit bir yaklaşım, yüksek güvenilirlikli yazışmaları seçmek için kural tabanlı benzerlik sinyallerini denetimli öğrenme ile birleştirdi14,15. Eğitim seti, dengeli bir veri kümesi oluşturmak için manuel olarak açıklamalı 2.500 ontoloji-öğe çiftinden (eşleşen veya eşleşmeyen) oluşuyordu. Özellikler, etiket uzunluğu farkı gibi yardımcı istatistiklerle birlikte üç benzerlik bileşenini içeriyordu. 100 ağaçlı, maksimum derinliği 10, class_weight = "dengeli" ve sabit bir rastgele tohumdan (42) oluşan bir karar ağacı topluluğu (Rastgele Orman), yerleşik uygulama14'ün ardından eğitildi. Öğrenme hedefi Denklem (3) olarak resmileştirildi:

figure-protocol-1Denklem (3)

burada yi temel gerçek etiketidir, yi^ tahmin edilen etikettir ve λ düzenlileştirme parametresini temsil eder.

Olasılık kalibrasyonundan sonra, tahmin edilen olasılığı 0,50 ≥ olan çiftler korundu ve çoktan bire eşlemeleri önlemek için bire bir kısıtlamalar uygulandı. Kaynak ve hedef IRI'leri, güven puanları ve özellik katkılarını içeren son eşleme dosyası alignment_results.json olarak serileştirildi; Eğitilen model yapıtı alignment_model.pkl olarak depolandı. Model kalitesi, doğruluk, kesinlik, geri çağırma, F1 puanı ve beş kat çapraz doğrulama14,15




figure-protocol-2



figure-protocol-3

figure-protocol-4


figure-protocol-5



Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Sonuçlar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Ontoloji toplama ve değerlendirme
Ontoloji analizi, sınıf hiyerarşisi, anlamsal etiketler ve veri özelliği tanımları açısından alana özgü IoT ontolojileri arasında önemli tutarsızlıklar ortaya çıkardı. Bu tutarsızlıklar sağlık hizmetleri ve akıllı ev veri kümeleri arasında daha belirgindi ve ('lik bir yapısal uyumsuzluk oranı gösterdi. Bu varyasyonların tanımlanması, standardizasyon eksikliğinin IoT ortamları arasında birlikte çalışabilirliği bozduğu yönündeki ilk hipotezi doğruladı. Bu uyumsuzluklar,...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Tartışma

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Geliştirilen makine öğrenimi tabanlı çerçeve, heterojen IoT ortamlarındaki anlamsal birlikte çalışabilirlik zorluklarını ele almadaki etkinliğini göstermektedir. Anlamsal modellemeyi, makine öğrenimi tabanlı ontoloji hizalamasını ve bulut tabanlı ara yazılım dağıtımını entegre eden yapılandırılmış bir protokol sayesinde sistem, çeşitli cihazlar arasında yüksek ontoloji hizalama doğruluğu ve tutarlı veri entegrasyonu elde etti.

Kritik protokol adımları<...

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Açıklamalar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Yazarlar, bu çalışma ile ilgili olarak bildirecekleri herhangi bir çıkar çatışması olmadığını beyan ederler.

Teşekkürler

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Bu çalışma herhangi bir fon almadı.

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Bulut Tabanlı Ara Yazılım PlatformuAçık kaynak / Tescilli (örneğin, Firebase)YOKGerçek zamanlı veri alımını ve depolamayı kolaylaştırır.
Giriş OntolojileriGenel Depolar (örneğin, LOV)YOKIoT ortamları için etki alanına özgü OWL/RDF ontolojileri.
Makine Öğrenimi KitaplığıAçık kaynak (örneğin, scikit-learn)YOKDenetimli sınıflandırma modeli eğitimi için kullanılır.
Ağ Simülasyon AracıAçık Kaynak / Ticari (örneğin, NetSim)YOKSanal heterojen IoT cihaz veri kümeleri oluşturur.
Ontology Düzenleme YazılımıAçık kaynaklı (örneğin, Proté gé)YOKOntoloji ayrıştırma, düzenleme ve görselleştirme için kullanılır.
Programlama OrtamıAçık kaynak (örneğin, Python)YOKMakine öğrenimi modellerini ve veri işlemeyi uygular.
Ham IoT Veri AkışlarıGenel / Özel Veri Kümesi KaynaklarıYOKHam IoT cihaz verilerini içeren CSV veya JSON dosyaları.
RDF Çıktı DosyalarıÇalışma İçi OluşturulduYOKAnlamsal olarak zenginleştirilmiş IoT verilerini temsil eden RDF/XML dosyaları.
Anlamsal Ayrıştırma KitaplığıAçık kaynak (örneğin, RDFLib)YOKAnlamsal modelleme için IoT verilerini RDF üçlülerine dönüştürür.
SPARQL Sorgu MotoruAçık kaynakYOKSPARQL sorgularını kullanarak RDF veri tutarlılığını doğrular.

Kaynaklar

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. 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).
  2. 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).
  3. 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).
  4. 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).
  5. Sheth, A., Henson, C., Sahoo, S. S. Semantic sensor web. IEEE Internet Comput. 12 (4), 78-83 (2008).
  6. Compton, M., et al. The SSN ontology of the W3C semantic sensor network incubator group. J Web Semant. 17, 25-32 (2012).
  7. 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).
  8. 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).
  9. 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).
  10. 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).
  11. 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).
  12. Gyrard, A., Zimmermann, A., Krishnaswamy, S. Semantic web technologies for the Internet of Things: A comprehensive survey. Semant Web. 9 (5), 513-563 (2018).
  13. Balaji, B., et al. Towards a unified metadata schema for buildings. Proc ACM BuildSys. , 41-50 (2016).
  14. Zhou, Q., et al. Machine learning approaches to ontology alignment: A comprehensive survey. IEEE Access. 7, 151073-151095 (2019).
  15. Paulheim, H. Knowledge graph refinement: A survey of approaches and evaluation methods. Semant Web. 8 (3), 489-508 (2017).
  16. Yujian, L., Bo, L. A normalized Levenshtein distance metric. IEEE Trans Pattern Anal Mach Intell. 29 (6), 1091-1095 (2007).
  17. D'Amato, C., Fanizzi, N., Esposito, F. Inductive learning for the semantic web: What does it buy. Semant Web. 1 (1), 53-59 (2010).
  18. Balaji, B., et al. Towards a unified metadata schema for buildings. Proceedings of ACM BuildSys. , 41-50 (2016).
  19. 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).

Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.

Yeniden basım ve izinler

Bu JoVE makalesinin metnini veya şekillerini yeniden kullanmak için izin iste

İzin iste

Etiketler

Ontoloji HizalamaSemantik ModellemeMakine renmesi er evesiIoT Birlikte al abilirli iGer ek Zamanl Veri lemeSemantik BenzerlikAdaptif Ontoloji E lemeCihaz Entegrasyonu

İlgili makaleler