机器学习的轻量级物联网动态本体

⃝可在www.sciencedirect.com在线获取ScienceDirectICTExpress 7（2021）355www.elsevier.com/locate/icte基于机器学习的轻量级物联网动态本体Hafizur Rahman，马里兰州伊夫泰哈尔·侯赛因印度东北希尔大学信息技术系接收日期：2020年4月22日;接收日期：2020年8月13日;接受日期：2020年12月3日2020年12月9日网上发售摘要由于物联网的异构性和不断增长的规模，确保未来物联网中的语义互操作性可能是一项具有挑战性的任务。本体被广泛用于实现物联网应用和服务之间的语义互操作性。但是，现有的本体非常复杂，静态或无法满足物联网的要求。为了解决这个问题，我们提出了一个轻量级的动态本体，只有最重要的概念和聚类技术。它使用机器学习技术自动提供动态语义以包含额外的概念。与现有本体相比，该模型减少了查询响应时间和内存消耗一定程度上c2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：物联网;本体;语义;轻量级;动态1. 介绍信息和通信技术时代的下一波浪潮物联网（IoT）是最新的ICT浪潮，它将我们周围的现实生活中的物体连接到网络上，使它们以许多不同的方式变得更加智能[1，2]和[3]。各种设备、协议、技术、数据类型和格式是物联网不可或缺的一部分。为了在多样性中提供一致性，物联网将它们结合在一起，并将它们放在一个保护伞下。异构性可以被认为是物联网最突出的特征之一。它包括各种类型的设备、不同的协议、通信技术、各种软件、传感器数据的语法、类型和格式[4]和[1]。同样，认识到设备和应用程序之间对所交换的内容的含义没有共同的理解是令人着迷的。语义模型推荐了一种适当的方法来提供物联网的各种设备和应用程序之间的互操作性[5]。∗ 通讯作者。电子邮件地址： hafizjec@gmail.com（H. Rahman）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2020.12.002语义模型通常非常复杂，并且以非常详细的方式描述概念。虽然这些模型可以回答几乎所有关于对象的查询，但实现和利用这些模型非常具有挑战性。此外，它们需要大量的处理能力、存储和处理时间，因此不适合物联网等约束和动态环境。物联网的语义模型应该是简单和轻量级的，以便它们适合物联网网关等受限设备。同时，这些模型应该以这样一种方式表示概念和关系，即不同物联网设备和应用程序之间的互操作性可以发生。在本文中，我们提出了一个动态本体，以实现异构设备和应用程序之间的语义互操作性。它支持动态传感器、执行器和RFID设备。我们的本体从各种物联网设备中获取数据，将其转换为统一格式，并将其表示给应用程序用户，以便更好地理解。它通过基于相似性对不同概念进行分组来提供动态语义。在查询响应时间方面，将所提出方案的分析性能与流行的现有SSN和IOT-Lite本体进行比较。其余本文的结构如下：第二部分介绍了基于本体的相关工作。第3章节解释提出的语义模型具有动态性。形成2405-9595/2021韩国通信和信息科学研究所（KICS）。出版社：Elsevier B.V.这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。H. Rahman和Md. I.HussainICT Express 7（2021）355356我--=奥吉吉K=∑=聚类和新颖性检测在第3节中进行了讨论和分析。在第4节和第5节中给出了所提出的方案相对于其他相关模型的性能评估。2. 相关作品最近，一些工作正在进行，通过重用，合并和抽象现有的本体，提出一个新的物联网领域。SSN本体[6]是最重要和最广泛的模型之一，它提供了关于传感器的详细描述，例如输出、观测值、观测特征、观测时间、准确度、精度、部署配置等。然而，它引入了不必要的概念和关系，如果我们按原样使用本体，则使得本体非常繁重和复杂。同样，在SSN本体中使用的概念本质上是静态的。另一个基于本体的模型OneM2M [7]是为家庭自动化、电子健康和工业自动化开发的。它表示物联网设备之间的概念和关系，以实现语义互操作性。但是，该模型对于资源受限的IoT应用是语义静态的和重权重的。一个轻量级的本体，IoT- Lite [8]和[9]包括传感器信息和位置，图1.一、所 提出的本体的概要。用于多个IoT设备之间的动态交互。本体论被认为是语义域不可或缺的组成部分。它们作为共享术语用于语义注释Web资源，并允许从中提取知识性信息。机器学习技术可以在这种情况下有效使用。 它利用本体中的信息量来检测本体中的新奇事物（新概念或设备），并发现隐藏的知识模式。为了检测新的概念或节点，从本体的概念形成聚类使其适用于受限的IoT环境。但是，它无法描述一系列具体的观察，如执行器和标签的定义。此外，它没有提供物联网内分隔问题空间的任何详细描述[10]。此外，本体中可用的概念是静态的，因此不太适合动态IoT环境。文献中报道了各种实时项目的语义描述工作，以提供物联网的语义互操作性。OpenIoT [11]通过扩展SSN本体来实现云中物联网服务的语义互操作性。City- Pulse项目[12]通过整合物联网和人联网进行语义发现、数据分析和大规模数据解释来IoT-A [13]模型扩展了SSN本体，以表示除物联网设备之外的对象和服务。现有的基于本体的语义模型非常复杂，权重很大，本质上是静态的，不适合受限和动态的物联网环境。如何在异构物联网环境中实现语义级的互操作性和带注释的传感器数据的发现，同时具有更少的计算时间、快速的注释、低复杂度和动态语义仍然是一个悬而未决的问题。3. 动态本体论3.1. LiO-IoT本体一个轻量级的静态本体，如图所示。1是在我们的论文中设计的[14]。本文提出并分析了一种基于机器学习技术的动态本体。 动态本体可以自动检测新的概念和个体，并可以将它们添加到本体本身。它有聚类技术加快了搜索和发现新概念的任务。它还提出了对检索到的资源进行排序的标准。3.1.1. 集群的形成为了自动检测到新的节点，提出的本体，本体应该被转换为一些集群的个人。K-means聚类技术是机器学习中常用的聚类技术之一。算法1通过将k个聚类作为考虑所有个体的输入来实现分区方法。然后，它将个体集合划分为不同的k个聚类。这导致了类内个体的相似性高，而类间个体的相似性低。通过使用对应于质心节点的距离度量来测量相似性。其导致对应于如算法1中所解释的级别的数目的聚类的数目。算法的时间复杂度为（m c ）K（）），其中mc是迭代次数，是概念的总数（在我们的例子中是用户集）。每一个新的集群都由它的一个个体（称为质心）来识别。质心是集群内所有个体对于给定的群集，c1，c2，c3，. . . . ck与距离函数d，质心可被定义为-Cc1+c2+c3+···+ckK在每次迭代中，基于个体的内部相异性来选择新的聚类。计算每个聚类的新质心，并使用以下公式进行相应更新-Ci从数据源结构的变化上改变了实时通信的特点。动态本体包括模型C新w1（C）（1）Cii=1H. Rahman和Md. I.HussainICT Express 7（2021）355357←←NVRN←= 0;=== 0;←←V R我R==DN=OI−COD11√算法1本体聚类算法Cold←随机选择簇Cnew←新选择的群集质心lev el←本体中的级别数输入：I个体总数k期望的聚类数K-MEANS-CLUSTERING（I， k）return0;3.2.1. 查询处理延迟本体上的SPARQL查询处理时间可以定义为本体的复杂度。这也取决于系统的处理能力。让我们考虑一下概念总数和定义所提出的本体的关系的总数。如果η给出本体的三元组的数量，则复杂度可以是-=V×R×η（3）现在，假设系统的处理能力ρ，本体的查询处理时间可以写为-return0;第1节（4）[1]←一个本体的所有个体的集合一曰： forindiv←0 toIdo2：使用等式2计算d（I i，C iold）。（二）3：分配（Ciold）（Ii），使得Ii更接近Ciold4：使用等式重新计算C old。（一）5：更新C新与C旧6：分配（Cinew）（Ii），使得Ii更接近CinewCnewCold7：迭代18：lev el lev el19：重复步骤1-8，直到形成所需数量的簇qp=ρ×延迟可以随着和的值的变化而变化。由于ρ的值取决于系统，因此考虑83，000 MIPS是系统的处理速度，17，20和η4，单个节点为0.81 ms。3.2.2. 聚类时延层次聚类算法对本体概念进行聚类的时间复杂度依赖于概念的总数概念的数量（k）、期望的聚类数量（k）和最大迭代次数（mc）。计算相异度矩阵所需的时间是O（k≠（I）），其中（I）个其中，ci是每个聚类中的个体数。质心到每个个体之间的距离使用欧几里德距离公式计算为-d（Ci（x，y），Ci（x，y））=（|x−x1|）2+（|y − y1|第二章（二）其中，是质心，c是特定集群的个体。3.1.2. 新节点检测新引入到本体中的设备被认为是新的个体。如果特征的新个体与现有传感器、致动器和RFID集群中的任何一个相似，则新个体将基于相似性指数自动地被添加到该特定集群。在将新个体添加到集群之后，该特定集群的质心相应地更新。然而，如果新设备的出现，本体与现有概念不相似，则该个体被视为新节点。这个新节点然后被添加到具有新概念的本体3.2. 查询响应时间分析基于本体的静态系统的查询响应时间取决于本体的复杂性。为了给本体提供动态支持，对本体进行聚类和检测新节点的处理延迟。表1显示了所提出的系统与现有模型的分析与模拟结果的比较理念的对于质心计算，需要（k（k））时间。现在，mc迭代的总时间复杂度可以计算为-O（mck（I））。因此，所提出的本体的聚类延迟Dcl将被发现为：Dcl=mck（I）现在，考虑到最大迭代次数m c为2，k = 3，且I= 300，则形成聚类概念所需的时间为Dcl= 0。021小姐3.2.3. 新概念检测和添加延迟添加新概念或新奇事物所需的时间取决于本体的高度。为了向本体中添加新的概念，它首先遍历所有的概念 ， 并在 本 体 的 末 尾添 加 新 的 概念 。 为 此 ，它 需 要（d），其中d是现有本体的深度。对于所提出的本体，n是4ms。因此，动态本体的总RTT可以被定义为：Drtt=Dqp+Dcl+Dn= 4。81毫秒（5）4. 绩效评价使用Protege 5.2.0 Alpha [15]、Eclipse和spyder 3.2.8 IDE工具对所提出的模型的性能进行了分析，以进行模拟并提供动态语义支持4.1. 进行的实验我们模拟了我们提出的方案，并通过以下实验将其性能与现有的本体（如SSN，IoT-Lite）进行了我们选择了SSN和IoT-Lite本体H. Rahman和Md. I.HussainICT Express 7（2021）355358NR−表1查询服务时间：分析[A] VS模拟[S]（概念-17，三元组-4，ρ=83，000，k= 3，mc=2）。协议A/S节点=40节点=80节点=120节点=160节点=200一32.463.997.2129.6162拟议模型（静态）S33.169.7105.9137.5168.2一21.243.963.2684.35106.43物联网精简版S22.944.167.4588.32110.53一197.2392.4591.6788.8986.1SSNS200.2398.2603.63795.87994.4一36.467.9101.2133.6166.0拟议模型（动态）S42.573.3109.9140.1172.9表2模拟和分析中使用的参数。参数本体LiO-IoT物联网精简版SSN号传感器200 200号致动器200 **号RFID 200 **概念数（ 17 11 41亲属数目（）20 18 39三重数（η）132 116 356处理器速度（mips）83，000第（k）组3 **迭代次数（mc）2 ***> 表示本体不考虑执行器、RFID、集群数量和迭代。因为这两个是最相关和最广泛使用的。为了获得更好的结果，我们执行查询10次，平均值表2总结了模拟和分析中使用的参数。4.1.1. 查询响应时间随节点数的变化而变化，无动态性从图2a可以看出，给定查询随着节点数量的增加而增加。当节点数为200时，本体的查询响应时间为162ms，与仿真结果非常接近。可以看出，所提出的本体中的查询服务时间在所有情况下都比SSN本体少，因为SSN包括几个不必要的概念，如果按原样使用，则这些概念使得本体对于查询来说繁重且复杂。同样，IoT-Lite的性能比所提出的模型好一点，因为它非常抽象（仅定义传感器概念），不适合智能物联网应用。特别是，在大量设备的情况下，所提出的方案的查询响应时间比SSN小6倍。因此，可以得出结论，所提出的本体表现更好的大规模网络比SSN。4.1.2. 查询响应时间随节点数的变化具有动态性图2b示出了所提出的具有动态语义的本体的分析和实验结果。在此方面，响应时间随着数量的增加而增加的节点。在40个节点下，响应时间约为36.4ms，与仿真结果基本一致。而当节点数增加到200时，查询响应时间为166.0 ms。由于聚类的开销和新的节点检测和包含，具有动态性的整个系统的平均响应时间比没有动态语义的系统稍长（图）如图3a）和（3b）所示，可以观察到，随着节点数量的增加，K-MEDOIDS聚类比K-MEANS聚类获得更多的响应时间，这是由于medoid计算的更多计算成本。图2b还展示了与证明我们提出的模型的理论结果相匹配的模拟结果。4.1.3. 使用和不使用群集的从图2b中可以清楚地观察到，所提出的模型的响应时间在两种情况下都随着节点数量的增加而增加。没有集群的响应时间小于具有较少节点数的集群的响应时间。但是，当节点的数量增加（从80到200），系统与集群技术比没有集群技术的表现更好。这是因为，随着节点数量的增加，系统需要将新到达的概念与本体中的所有其他概念进行这个过程比聚类算法更耗时。因此，所提出的系统与聚类技术比没有聚类的查询响应时间。4.1.4. 无动态性的从表3中可以注意到，SSN比其他两个本体需要更多的存储器，即，IoT Lite和LiO-IoT。它的最小主内存需求是19.7 KB. SSN的二级内存需求也明显高于IoT-Lite和LiO-IoT。SSN表现出最差的性能和更高的内存使用。这说明了所涉及的开销，因为它使用非必要的组件，使本体非常复杂和沉重，并导致更多的内存使用。IoT-Lite的内存消耗最低，主内存约为3.7 KB，辅助内存为12 KB。LiO-IoT需要4.1 kB的主内存和15 kB的辅助内存。它需要比IoT-Lite多一点的内存使用，因为它定义了执行器和RFID标签的新概念，这对物联网使其更智能非常重要。H. Rahman和Md. I.HussainICT Express 7（2021）355359图二. （a）在没有动态性的情况下，在不同数量的节点上的查询响应时间，（b）具有和不具有聚类的查询响应时间，（c）IoT设备组的分类准确性。图三. （a）使用K-MEANS在不同数量的节点上的查询响应时间，（b）使用K-MEDOIDS在不同数量的节点上的查询响应时间，（c）混淆矩阵。表3内存使用的比较。主内存使用辅助内存使用SSN 19.7 kB 74 kBLiO-IoT 4.1 kB 15 kBIoT-Lite 3.7 kB 12 kB4.1.5. 聚类算法为了计算算法的准确性，我们使用了一个混淆矩阵与测试数据集，其中真实值是已知的。图3c中示出了具有实际类别和预测类别的混淆矩阵。聚类算法的准确性可以定义为预测总数中正确预测的数量。图2c显示，由于使用了中心点，K-MEDOIDS算法比K-MEANS算法给出了更高的精度。5. 结论在本文中，我们提出了一个轻量级的本体与动态语义，解决语义互操作性问题的各种物联网解决方案。它大大降低了查询响应延迟和内存需求，现有的重量级和复杂的本体，而只包括物联网中最常用的概念。所提出的本体是IoT Lite的扩展和SSN的抽象本体，适用于实时物联网环境。此外，为了识别新的个体或节点，我们使用机器学习技术将本体转换为三个不同的聚类这比非聚类方法的查询响应时间更短，同时加快了搜索和发现新概念的速度。此外，该模型根据相似性指数自动连接特定簇下的新节点，使其适用于动态环境。设计一个轻量级的动态语义的通用本体是留给未来的工作。竞合利益作者声明，他们没有已知的可能影响本文所报告工作引用[1] 古比河Buyya，S. Marusic，M. Palaniswami，物联网（IoT）：愿景，架构元素和未来方向，FutureGener。Comput. 系统29（7）（2013）1645[2] A.富卡哈先生吉扎尼，M。穆罕默迪，M。Aledhari，M. Ayyash，物联网：关于使能技术，协议和应用的调查，IEEE Commun。监视器家教17（4）（2015）2347[3] D.米奥兰迪河，西-地Sicari，F.D.佩莱格里尼岛Chlamtac，物联网：愿景，应用和研究挑战，Ad Hoc Netw。10（7）（2012）1497-1516。H. Rahman和Md. I.HussainICT Express 7（2021）355360[4] J. Mineraud，O. Mazhelis，X. Su，S. Tarkoma，物联网平台的差距分析，Comput。Commun. 89（9）（2016）5[5] V. Gazis，M. Goertz，M.胡贝尔A. Leonardi，K. Mathioudakis，A.Wiesmaier，F. Zeiger，Short paper：Iot：Challenges，projects，architectures ， in ： International Conference on Intelligence in NextGenerationNetworks（ICIN），2015，pp. 145比147[6] M. Compton，P.巴纳吉湖阿尔库德兹河加西亚-卡斯特罗岛科乔S.作者：J.豪斯曼角Henson，A. Herzog等人，W3C语义传感器网络孵化器组的SSN本体，在：Web语义：科学，万维网上的服务和代理，卷。17，Elsevier，2012，pp.25比32[7] H.帕克，H。Kim，H. Joo，J. Song，物联网相关标准的最新进展：一个2 m的视角，ICT Express 2（3）（2016）126-129。[8] P.B.玛丽亚·埃杜，T. Elsaleh，K. Taylor，IoT-lite：物联网的轻量级语义模型，在：国际泛在智能计算会议&上，IEEE，2016年，第103页。一比八[9] M.埃多-埃多，T. Elsaleh，P. Barnaghi，K. Taylor，IoT-lite：物联网的轻量级语义模型及其与动态语义的结合使用。无处不在的计算机。21（3）（2017）475[10] M. Ganzha ， M. Paprzycki ， W. Pawkenowski ， P. Szmeja ， K.Wasielewska ， Towards Common Vocabulary for IoT ecosystems-preliminary considerations，载于：亚洲智能信息和数据库系统会议，施普林格国际出版社，2017年，pp. 35比45[11] J. Soldatos，N.Kefalakis，M.Hausbeth，M.Serrano，J.P. 卡比蒙特M. Riahi，K. 作者声明：A. Zaslavsky，I.P. Zarko，例如，OpenIoT ： Open Source Internet-of-Things in the Cloud ， in ：Interoperability and Open-Source Solutions for the Internet of Things，Springer，2015，pp. 13-25[12] CityPulse：智能城市应用的实时物联网流处理和大规模数据分析，2020，最后访问：2020年4月19日，http：//www. ICT-CITYPULSE.eu/page/.[13] S.克尔科湾Pokric，F. Carrez，Designing IoT architecture（s）：AEuropean perspective，in：IEEE World Forum on Internet of Things（WF-IoT），IEEE，2014，pp. 79比84[14] H. M.I. Rahman Hussain，LiO-IoT：一个轻量级本体，以提供物联网中的语义互操作性，Int. J. Comput。内特尔物联网2（74）（2018）571-575。[15] 一个用于构建智能系统的免费开源本体编辑器和框架，2020，最后访问时间：2020年4月20日，http：//protege。这是一个很好的选择。edu/.