馮建周 宋沙沙 孔令富

物聯(lián)網(wǎng)語(yǔ)義關(guān)聯(lián)和決策方法的研究

馮建周1,2宋沙沙1,2孔令富1,2

物聯(lián)網(wǎng)系統(tǒng)包含大量的感知設(shè)備,產(chǎn)生大量孤立和異構(gòu)的感知數(shù)據(jù),形成數(shù)據(jù)孤島.如何將不同感知設(shè)備產(chǎn)生的數(shù)據(jù)進(jìn)行有效的語(yǔ)義關(guān)聯(lián)、構(gòu)建跨域的數(shù)據(jù)關(guān)聯(lián)模型、屏蔽數(shù)據(jù)異構(gòu)性、實(shí)現(xiàn)綜合智能決策是物聯(lián)網(wǎng)研究的關(guān)鍵問(wèn)題.本文以物聯(lián)網(wǎng)系統(tǒng)為研究對(duì)象,從語(yǔ)義入手,構(gòu)建以環(huán)境–資源–行為為核心的物聯(lián)網(wǎng)本體模型;基于關(guān)聯(lián)數(shù)據(jù)方法構(gòu)建以行為關(guān)聯(lián)模型和資源關(guān)聯(lián)模型為核心的物聯(lián)網(wǎng)語(yǔ)義關(guān)聯(lián)網(wǎng)絡(luò);提出一種基于事件的推理算法實(shí)現(xiàn)語(yǔ)義推理,從而更好地實(shí)現(xiàn)對(duì)物聯(lián)網(wǎng)系統(tǒng)的智能決策;最后,通過(guò)兩個(gè)智能家居系統(tǒng)的實(shí)例驗(yàn)證了本文方法的可行性,通過(guò)構(gòu)建不同方法的查詢(xún)實(shí)例驗(yàn)證了本文方法的優(yōu)越性.

物聯(lián)網(wǎng),數(shù)據(jù)孤島,領(lǐng)域本體,語(yǔ)義關(guān)聯(lián),數(shù)據(jù)推理

隨著物聯(lián)網(wǎng)應(yīng)用的不斷發(fā)展,物聯(lián)網(wǎng)系統(tǒng)的規(guī)模越來(lái)越龐大,不同系統(tǒng)間的關(guān)系也越來(lái)越復(fù)雜.越來(lái)越多的智能設(shè)備產(chǎn)生了海量、多源和異構(gòu)的感知數(shù)據(jù),給系統(tǒng)內(nèi)和系統(tǒng)間的資源交互、數(shù)據(jù)關(guān)聯(lián)和推理等帶來(lái)了極大困難.以智能家居為例,室內(nèi)的燈光、空調(diào)、暖氣、電視、冰箱以及光強(qiáng)傳感器、溫度傳感器、紅外蜂鳴報(bào)警器、開(kāi)關(guān)繼電器等設(shè)備隨時(shí)產(chǎn)生大量的異構(gòu)多源數(shù)據(jù),在表現(xiàn)形式、衡量單位、組織結(jié)構(gòu)等方面均不相同,彼此之間毫無(wú)關(guān)聯(lián).繼而以智能家居為中心,還涉及到智能電力系統(tǒng)、智能供暖系統(tǒng)、智能娛樂(lè)系統(tǒng)、智能安防系統(tǒng)、智能醫(yī)療系統(tǒng)、智能交通系統(tǒng)等不同的物聯(lián)網(wǎng)系統(tǒng),不同系統(tǒng)的設(shè)備連接方式、通信協(xié)議、數(shù)據(jù)產(chǎn)生格式等方面均有較大差別.但是,以智能家居為紐帶,各個(gè)系統(tǒng)間在實(shí)際應(yīng)用過(guò)程中是互相聯(lián)系和影響的.如何屏蔽感知數(shù)據(jù)的異構(gòu)性和孤立性,實(shí)現(xiàn)數(shù)據(jù)互聯(lián)和融合成為業(yè)內(nèi)研究的熱點(diǎn)問(wèn)題.

針對(duì)以上問(wèn)題,日益成熟的語(yǔ)義Web技術(shù)[1?2]提供了新的解決思路.語(yǔ)義Web被看作是解決異構(gòu)系統(tǒng)集成和協(xié)作問(wèn)題的關(guān)鍵技術(shù).Sheth等[3]提出語(yǔ)義傳感器網(wǎng)絡(luò)(Semantic sensor web,SSW)的概念,采用語(yǔ)義Web技術(shù)描述傳感器網(wǎng)絡(luò),實(shí)現(xiàn)各種感知數(shù)據(jù)的有效集成.Coccoli等[4]提出了語(yǔ)義物聯(lián)網(wǎng)(Semantic web of things,SWOT)的概念,試圖以語(yǔ)義Web的方式描述物聯(lián)網(wǎng)系統(tǒng).De等[5]提出一種關(guān)于物聯(lián)網(wǎng)服務(wù)的語(yǔ)義建模方法,采用OWL-DL[6]建模物聯(lián)網(wǎng)資源,采用OWL-S[7]建模物聯(lián)網(wǎng)服務(wù),實(shí)現(xiàn)服務(wù)間的交互.W3C語(yǔ)義傳感器網(wǎng)絡(luò)孵化群開(kāi)發(fā)一個(gè)語(yǔ)義傳感器網(wǎng)絡(luò)(Semantic sensor net,SSN)本體[8],采用一個(gè)高層模型表示傳感器設(shè)備、能力、觀測(cè)和采集數(shù)據(jù)等內(nèi)容,但其對(duì)感知設(shè)備、觀察和測(cè)量數(shù)據(jù)及平臺(tái)方面的描述不能直接擴(kuò)展到物聯(lián)網(wǎng)領(lǐng)域的具體組件.總之,基于物聯(lián)網(wǎng)系統(tǒng)的具體應(yīng)用構(gòu)建適合的本體模型,從而屏蔽多源感知數(shù)據(jù)的語(yǔ)義異構(gòu)性,實(shí)現(xiàn)各種智能設(shè)備的互操作是當(dāng)前研究物聯(lián)網(wǎng)數(shù)據(jù)融合問(wèn)題的一個(gè)重要的解決思路.但是,物聯(lián)網(wǎng)系統(tǒng)遠(yuǎn)比無(wú)線(xiàn)傳感器系統(tǒng)復(fù)雜:1)物聯(lián)網(wǎng)系統(tǒng)往往跨多個(gè)應(yīng)用領(lǐng)域,擁有更多的智能設(shè)備,除了大量的傳感器,還有RFID、智能儀器、智能家電、智能機(jī)械等多種情況.2)物聯(lián)網(wǎng)是一個(gè)高度動(dòng)態(tài)的環(huán)境,每時(shí)每刻都有新的節(jié)點(diǎn)加入或者原有節(jié)點(diǎn)離開(kāi).隨時(shí)會(huì)有新的不可預(yù)知的數(shù)據(jù)格式或者協(xié)議需要被系統(tǒng)支持和處理.3)物聯(lián)網(wǎng)系統(tǒng)是一個(gè)高度受限的網(wǎng)絡(luò),除了像傳統(tǒng)的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)一樣受到時(shí)空等限制,智能設(shè)備本身對(duì)系統(tǒng)的限制更加多樣化、復(fù)雜化,給物聯(lián)網(wǎng)系統(tǒng)的語(yǔ)義建模帶來(lái)了更多的挑戰(zhàn).同時(shí),僅僅為物聯(lián)網(wǎng)系統(tǒng)增加語(yǔ)義信息并不能完全解決各種智能物體間復(fù)雜的交互方式、行為預(yù)測(cè)、智能響應(yīng)等問(wèn)題.為了能夠?qū)崿F(xiàn)智能交互和決策,李戈等提出了一種基于環(huán)境的物聯(lián)網(wǎng)服務(wù)建模方法,充分考慮環(huán)境對(duì)物聯(lián)網(wǎng)資源的影響,將環(huán)境因素作為物聯(lián)網(wǎng)服務(wù)的一部分進(jìn)行建模[9].徐楊等提出一個(gè)基于語(yǔ)義覆蓋網(wǎng)的物聯(lián)網(wǎng)信息資源描述、推理和應(yīng)用模型,以多智能體系統(tǒng)決策支持為應(yīng)用基礎(chǔ),研究新型物聯(lián)網(wǎng)環(huán)境下的多智能體決策信息支持技術(shù)[10].文獻(xiàn)[11]為了實(shí)現(xiàn)人–機(jī)–物的動(dòng)態(tài)協(xié)同,進(jìn)一步將面向服務(wù)的體系架構(gòu)SOA和事件驅(qū)動(dòng)架構(gòu)EDA進(jìn)行結(jié)合,以服務(wù)的形式對(duì)物聯(lián)網(wǎng)系統(tǒng)進(jìn)行松散建模,基于發(fā)布訂閱機(jī)制實(shí)現(xiàn)感知信息的按需分發(fā)和事件驅(qū)動(dòng)的服務(wù)動(dòng)態(tài)協(xié)同.以上方法雖然都考慮了物聯(lián)網(wǎng)系統(tǒng)的環(huán)境影響等因素,但是大多停留在時(shí)空環(huán)境等因素上,對(duì)設(shè)備間的影響因素及對(duì)跨域物聯(lián)網(wǎng)系統(tǒng)的數(shù)據(jù)關(guān)聯(lián)等因素缺乏考慮.

為了實(shí)現(xiàn)異構(gòu)物聯(lián)網(wǎng)系統(tǒng)間的語(yǔ)義一致性和消除數(shù)據(jù)孤島,本文采用語(yǔ)義建模的方法構(gòu)建了一種基于環(huán)境–資源–行為的領(lǐng)域本體模型,實(shí)現(xiàn)了高度受限的行為和資源的語(yǔ)義描述.采用Linked data思想實(shí)現(xiàn)物聯(lián)網(wǎng)域內(nèi)和域間的數(shù)據(jù)語(yǔ)義關(guān)聯(lián).設(shè)計(jì)基于多種事件觸發(fā)機(jī)制的物聯(lián)網(wǎng)推理決策方法,實(shí)現(xiàn)智能決策.本文第1節(jié)闡述物聯(lián)網(wǎng)領(lǐng)域本體模型的構(gòu)建方式;第2節(jié)講述基于行為和資源的數(shù)據(jù)關(guān)聯(lián)模型的構(gòu)建方法;第3節(jié)設(shè)計(jì)多種事件機(jī)制及其基于事件的推理過(guò)程;最后構(gòu)建兩個(gè)智能家居實(shí)例和多個(gè)查詢(xún)實(shí)例,測(cè)試本文算法的可行性和優(yōu)越性.

1 物聯(lián)網(wǎng)領(lǐng)域本體模型的構(gòu)建

領(lǐng)域本體是對(duì)特定領(lǐng)域中概念和概念之間關(guān)系的精確描述,通過(guò)將不同機(jī)構(gòu)或組織對(duì)領(lǐng)域內(nèi)概念及關(guān)系的異構(gòu)描述映射到相同的領(lǐng)域本體,提供互相理解的語(yǔ)義基礎(chǔ).構(gòu)建物聯(lián)網(wǎng)系統(tǒng)的領(lǐng)域本體模型是實(shí)現(xiàn)物聯(lián)網(wǎng)感知數(shù)據(jù)關(guān)聯(lián)和語(yǔ)義融合的首要任務(wù).

1.1 繼承高層本體

為了提高領(lǐng)域本體模型的通用性和可識(shí)別度,快速構(gòu)建領(lǐng)域模型,充分利用現(xiàn)有本體是值得推薦的方法.尤其是業(yè)內(nèi)得到公認(rèn)的現(xiàn)有本體模型,已經(jīng)在很多項(xiàng)目中得到應(yīng)用,往往在關(guān)聯(lián)數(shù)據(jù)云(Linked data cloud)中與其他本體實(shí)現(xiàn)了很好的語(yǔ)義關(guān)聯(lián),用其作為新建領(lǐng)域本體的基礎(chǔ),有助于新建本體模型與其他領(lǐng)域本體的關(guān)聯(lián),快速構(gòu)建自己的領(lǐng)域本體模型.

目前物聯(lián)網(wǎng)(或傳感器網(wǎng)絡(luò))本體較為權(quán)威的有W3C語(yǔ)義傳感器網(wǎng)絡(luò)孵化群構(gòu)建的SSN本體、CSIRO本體、MMI本體、CESN本體、A3ME本體和OntoSensor本體等,以粗粒度方式描述物聯(lián)網(wǎng)領(lǐng)域的基本概念,屬于高層本體范疇,不適合直接應(yīng)用在特定的物聯(lián)網(wǎng)系統(tǒng),但為具體領(lǐng)域的物聯(lián)網(wǎng)本體建模提供很好的高層概念定義.具體的領(lǐng)域本體完全可以繼承這些本體中的概念,從而實(shí)現(xiàn)更好的通用性.例如在SSN本體中定義了14個(gè)模塊(Module),包括41個(gè)類(lèi)和39個(gè)對(duì)象屬性,并從DUL頂層本體直接繼承了11個(gè)類(lèi)和14個(gè)屬性. SSN中定義的類(lèi)和屬性具有很好的通用性,例如skeleton模塊中定義的Sensor、FeatureOfInterest、Observation、Stimulus等類(lèi)和hasProperty、observedBy等屬性;MeasuringCapability模塊中定義的Accuracy、Frequency、Latency、Measurement-Range等類(lèi)和hasMeasurementCapability等屬性.本文的物聯(lián)網(wǎng)領(lǐng)域本體構(gòu)建在DUL頂層本體和SSN等行業(yè)高層本體的基礎(chǔ)之上,如圖1所示.

圖1 物聯(lián)網(wǎng)領(lǐng)域本體的層次結(jié)構(gòu)Fig.1 The hierarchical structure of IoT domain ontology

1.2 構(gòu)建以環(huán)境?資源?行為為核心的物聯(lián)網(wǎng)本體模型

物聯(lián)網(wǎng)中的感知數(shù)據(jù)是在高度受限的環(huán)境中獲取的,本文從環(huán)境(Environment)、資源(Resource)和行為(Behavior)三個(gè)方面定義語(yǔ)義本體模型,簡(jiǎn)稱(chēng)E-R-B模型.

環(huán)境包括三種類(lèi)型:1)時(shí)空環(huán)境,包括感知信息所處的具體時(shí)間和位置,例如采樣時(shí)間、經(jīng)緯度值等.2)自然環(huán)境,即自然因素對(duì)感知信息的影響,例如感知信息采集時(shí)的風(fēng)速、溫度、濕度、氣壓等自然因素.3)物理環(huán)境,指感知信息所處的物理?xiàng)l件的影響,例如設(shè)備之間的相互影響,感知設(shè)備的性能因素等.

資源是物聯(lián)網(wǎng)系統(tǒng)中所有具有感知能力或者提供各種智能服務(wù)的物理實(shí)體,第一個(gè)特征是類(lèi)型(Type),分為Sensor和SmartDevice,前者泛指各種感知設(shè)備,可以有多個(gè)子類(lèi)繼承,例如TemperatureSensor、SpeedSensor等.后者泛指各種智能設(shè)備,往往既具有感知能力又具有其他行為能力,例如智能家居中的智能冰箱、智能打印機(jī)、智能空調(diào)等,也對(duì)應(yīng)多個(gè)子類(lèi);第二個(gè)特征是功能,泛指該資源具有的各種具體功能,定義Function類(lèi)及相關(guān)屬性hasFunction,以動(dòng)名詞的形式定義具體功能,例如一臺(tái)智能洗衣機(jī)具有洗衣(washClothes)、甩干(dryClothes)和定時(shí)(fixTime)等功能;第三個(gè)特征是性能(Performance),SSN定義了Measuring-Capability模塊,包括精度(Accuracy)、頻率(Frequency)等類(lèi),本文增加accuracyValue、frequency-Value等屬性配合相關(guān)的類(lèi)描述資源的性能.

行為(Behavior)是指感知設(shè)備每次獲取信息的過(guò)程或者智能設(shè)備每次執(zhí)行某個(gè)功能的過(guò)程,例如溫度傳感器獲取了一個(gè)溫度值,稱(chēng)為一個(gè)行為,智能洗衣機(jī)甩干了衣服也是一次行為.物聯(lián)網(wǎng)中資源的行為是在高度受限的環(huán)境中產(chǎn)生的,因此定義行為為一個(gè)五元組.

式(1)中,Environment是行為環(huán)境,包括時(shí)空環(huán)境和其他環(huán)境影響因素.Resource是行為主體,即資源.這里的資源不再是資源類(lèi)型,而是具體的資源實(shí)例.Theme是行為主題,與資源的功能值等同. Object是行為對(duì)象,即該行為的作用對(duì)象.Result是行為結(jié)果,對(duì)于傳感器等資源的觀測(cè)行為,其結(jié)果是獲得一個(gè)感知信息,對(duì)于智能設(shè)備的行為結(jié)果則基于不同的功能有所不同.環(huán)境、資源和行為構(gòu)成物聯(lián)網(wǎng)領(lǐng)域本體的核心,其相互關(guān)系如圖2所示.

圖2 E-R-B模型Fig.2 E-R-B model

2 感知數(shù)據(jù)的語(yǔ)義標(biāo)注與關(guān)聯(lián)

物聯(lián)網(wǎng)感知設(shè)備的監(jiān)測(cè)頻率往往很高,每隔幾秒甚至更短的時(shí)間就會(huì)獲取一次感知數(shù)據(jù),從而形成海量數(shù)據(jù),這些數(shù)據(jù)一般都是基于數(shù)據(jù)庫(kù)存儲(chǔ).如何為數(shù)據(jù)庫(kù)存儲(chǔ)的各種數(shù)據(jù)進(jìn)行有效的語(yǔ)義標(biāo)注以及如何構(gòu)建各種孤立數(shù)據(jù)間的語(yǔ)義關(guān)聯(lián)是實(shí)現(xiàn)數(shù)據(jù)融合的兩個(gè)關(guān)鍵問(wèn)題.

2.1 基于D2R技術(shù)的語(yǔ)義標(biāo)注和關(guān)聯(lián)

2.1.1 語(yǔ)義標(biāo)注

當(dāng)前的語(yǔ)義標(biāo)注技術(shù)包括手工標(biāo)注、半自動(dòng)標(biāo)注和自動(dòng)標(biāo)注[12?13]等,D2R作為一種從數(shù)據(jù)庫(kù)到RDF三元組映射的半自動(dòng)語(yǔ)義標(biāo)注技術(shù)已經(jīng)得到業(yè)內(nèi)廣泛關(guān)注.D2R是一種將關(guān)系數(shù)據(jù)庫(kù)數(shù)據(jù)發(fā)布為語(yǔ)義Web數(shù)據(jù)的工具,主要包括D2R Server、D2RQ Engine以及D2RQ Mapping語(yǔ)言[14].D2R Server是一個(gè)HTTP Server,主要功能是提供對(duì)RDF數(shù)據(jù)的查詢(xún)?cè)L問(wèn)接口.D2RQ Engine的主要功能是使用一個(gè)可定制的D2RQ Mapping文件將關(guān)系型數(shù)據(jù)庫(kù)中的數(shù)據(jù)轉(zhuǎn)換成RDF格式.D2RQ Mapping語(yǔ)言的主要功能是定義將關(guān)系型數(shù)據(jù)轉(zhuǎn)換成RDF格式的Mapping規(guī)則[15].為了能夠?qū)㈥P(guān)系數(shù)據(jù)庫(kù)中的各種數(shù)據(jù)進(jìn)行語(yǔ)義標(biāo)注,本文采用自定義的Mapping文件方法,將數(shù)據(jù)庫(kù)的表名和字段名映射為自建領(lǐng)域本體中的類(lèi)和屬性,實(shí)現(xiàn)物聯(lián)網(wǎng)系統(tǒng)的語(yǔ)義標(biāo)注,為數(shù)據(jù)的語(yǔ)義關(guān)聯(lián)和進(jìn)一步的語(yǔ)義推理奠定基礎(chǔ).

2.1.2 語(yǔ)義關(guān)聯(lián)

語(yǔ)義標(biāo)注后的物聯(lián)網(wǎng)系統(tǒng)并沒(méi)有完全解決數(shù)據(jù)孤島問(wèn)題,要想解決該問(wèn)題,需要基于語(yǔ)義標(biāo)注實(shí)現(xiàn)相關(guān)數(shù)據(jù)的有效語(yǔ)義關(guān)聯(lián).關(guān)聯(lián)數(shù)據(jù)理論為不同系統(tǒng)間的數(shù)據(jù)語(yǔ)義互聯(lián)提供了新的解決思路.關(guān)聯(lián)數(shù)據(jù)(Linked data)[16]是一種利用Web在不同數(shù)據(jù)源之間創(chuàng)建語(yǔ)義關(guān)聯(lián)的實(shí)踐方法.這里的不同數(shù)據(jù)源,可以來(lái)自一個(gè)組織內(nèi)部的不同系統(tǒng),也可以來(lái)自不同組織的不同系統(tǒng),它們的內(nèi)容、存儲(chǔ)地點(diǎn)以及存儲(chǔ)方式都可以完全不同,但它們很可能存在著語(yǔ)義關(guān)聯(lián).Linked data最大的特點(diǎn)是將不同的數(shù)據(jù)關(guān)聯(lián)起來(lái).Linked data將任何事物都理解為資源,用URIs為資源命名,用戶(hù)可以利用HTTP URIs查找資源,通過(guò)鏈接到其他的URIs,可以發(fā)現(xiàn)更多的資源.資源可以有多種描述,例如HTML、XML、RDF以及JPEG.其中Web數(shù)據(jù)主要通過(guò)RDF格式表示. RDF將一個(gè)資源描述成一組三元組(主語(yǔ)、謂語(yǔ)、賓語(yǔ)).

通過(guò)將各種物聯(lián)網(wǎng)設(shè)備感知的數(shù)據(jù)描述為L(zhǎng)inked data形式,可以屏蔽不同設(shè)備、不同系統(tǒng)間的數(shù)據(jù)鴻溝,將各種數(shù)據(jù)孤島有效關(guān)聯(lián),形成了統(tǒng)一的語(yǔ)義數(shù)據(jù)模型,為進(jìn)一步的數(shù)據(jù)挖掘和推理奠定基礎(chǔ).D2R提供了數(shù)據(jù)關(guān)聯(lián)的實(shí)現(xiàn)方法,利用d2rq:refersToClassMap等元素實(shí)現(xiàn)不同數(shù)據(jù)集之間的關(guān)聯(lián)關(guān)系.

2.2 基于行為和資源的數(shù)據(jù)關(guān)聯(lián)模型

數(shù)據(jù)庫(kù)中的感知數(shù)據(jù)經(jīng)過(guò)D2R的Mapping映射后,會(huì)以RDF三元組的形式出現(xiàn),三元組的主語(yǔ)是采用URI表示的資源1例如:http://smartcollege.duapp.com/resource/city/Beijing,謂語(yǔ)是映射到本體的屬性,賓語(yǔ)是具體值或者指向另外一個(gè)資源.為了體現(xiàn)感知數(shù)據(jù)的高度受限性和系統(tǒng)的廣泛互聯(lián)性,以行為和資源(物聯(lián)網(wǎng)資源)兩個(gè)概念為核心構(gòu)建行為關(guān)聯(lián)模型和資源關(guān)聯(lián)模型.

行為關(guān)聯(lián)模型是以具體行為為主語(yǔ)構(gòu)造的三元組集合,以式(1)為參照,從行為的環(huán)境、資源、對(duì)象、主題等多個(gè)角度構(gòu)建語(yǔ)義關(guān)聯(lián).除此之外,行為之間也可以構(gòu)建語(yǔ)義關(guān)聯(lián)關(guān)系,例如相同主題的行為、相同時(shí)間發(fā)生的行為、相同資源產(chǎn)生的行為等.一個(gè)具體的行為模型如圖3所示.

圖3中,橢圓形表示關(guān)聯(lián)數(shù)據(jù)中定義的資源,矩形表示文字或者數(shù)值信息,連線(xiàn)上的內(nèi)容是RDF三元組的謂語(yǔ),指領(lǐng)域本體中的屬性.behavior1是一個(gè)行為實(shí)例,以其為主語(yǔ)構(gòu)建了9個(gè)RDF三元組,關(guān)聯(lián)到其類(lèi)型(type,指向本體類(lèi)Behavior)、所處環(huán)境(location,指向位置實(shí)例location1和measure-Time,指向一個(gè)具體的測(cè)量時(shí)刻2015-11-05T17:00: 06)、行為對(duì)象(featureOfInterest,指向一個(gè)房子的實(shí)例house3)、主題(theme,指向一個(gè)功能本體類(lèi)MeasureTemperature)、結(jié)果(measureValue,指向一個(gè)具體數(shù)值12)和資源(isMeasureBy,指向?qū)嵤┐舜涡袨榈馁Y源主體,是一個(gè)傳感器實(shí)例sensor4).同時(shí),還基于不同的關(guān)系關(guān)聯(lián)到其他行為,例如基于atSameTime關(guān)系關(guān)聯(lián)到behavior9,基于bySameResource關(guān)系關(guān)聯(lián)到behavior6.

圖3 行為關(guān)聯(lián)模型Fig.3 Behavior association model

資源關(guān)聯(lián)模型是以具體物聯(lián)網(wǎng)資源為主語(yǔ)構(gòu)造的三元組集合.資源關(guān)聯(lián)到屬性type、function和performance,同時(shí),資源又是產(chǎn)生行為的主體,因此和行為具有關(guān)聯(lián)關(guān)系,另外,資源之間由于功能相同,或者位置臨近等關(guān)系也可以構(gòu)造多種關(guān)聯(lián)關(guān)系.一個(gè)具體的資源關(guān)聯(lián)模型如圖4所示.

圖4 資源關(guān)聯(lián)模型Fig.4 Resources association model

圖4構(gòu)造了6個(gè)RDF三元組,以資源實(shí)例sensor1為主語(yǔ),關(guān)聯(lián)到其類(lèi)型(hasType,指向一個(gè)本體類(lèi)Sensor)、功能(hasFunction,指向一個(gè)功能本體類(lèi)MeasureTemperature)、測(cè)量精度(accuracy-Value,指向一個(gè)具體精度值0.1)、數(shù)值單位(has-Unit,指向一個(gè)本體類(lèi)CentigradeDegree).此外,還與資源sensor7和sensor6基于關(guān)系nearby和hasSameFunction進(jìn)行了關(guān)聯(lián).

通過(guò)構(gòu)建行為關(guān)聯(lián)模型,將感知數(shù)據(jù)放到一個(gè)動(dòng)態(tài)的行為活動(dòng)中,與行為的對(duì)象、主題、資源、環(huán)境關(guān)聯(lián)到一起,大大豐富了數(shù)據(jù)的語(yǔ)義內(nèi)涵,構(gòu)建了數(shù)據(jù)的動(dòng)態(tài)關(guān)聯(lián)關(guān)系(例如數(shù)據(jù)在同一時(shí)刻產(chǎn)生等).同時(shí),將產(chǎn)生數(shù)據(jù)的資源通過(guò)各種屬性和關(guān)聯(lián)關(guān)系進(jìn)行關(guān)聯(lián),進(jìn)一步延伸了數(shù)據(jù)關(guān)聯(lián)的背景,豐富了數(shù)據(jù)的語(yǔ)義內(nèi)涵(例如通過(guò)關(guān)聯(lián)資源屬性,可知感知數(shù)據(jù)的監(jiān)測(cè)精度等).從而可以構(gòu)造跨系統(tǒng)的語(yǔ)義關(guān)聯(lián)模型,屏蔽數(shù)據(jù)孤島現(xiàn)象,為推理決策奠定基礎(chǔ).

3 事件觸發(fā)的推理機(jī)制

在將數(shù)據(jù)庫(kù)中的數(shù)據(jù)構(gòu)建了語(yǔ)義標(biāo)注和數(shù)據(jù)關(guān)聯(lián)之后,已經(jīng)形成了一個(gè)統(tǒng)一的語(yǔ)義數(shù)據(jù)模型,如何充分利用該模型為用戶(hù)決策服務(wù)是亟待解決的問(wèn)題.本文構(gòu)建一種基于事件觸發(fā)的推理決策模型.事件是推理的前提,也為推理提供信息資源,一切推理皆圍繞事件展開(kāi).

3.1 事件模型的定義

定義一個(gè)事件模型Event為一個(gè)4元組.

甲狀旁腺腺瘤:超過(guò)90% 的患者合并原發(fā)性甲狀旁腺功能亢進(jìn)癥⑸。與原發(fā)性甲狀旁腺功能亢進(jìn)患者相比,甲狀旁腺偶發(fā)瘤以及甲狀旁腺癌的發(fā)病率無(wú)差別,但復(fù)發(fā)率較高,起病較早(20余歲),男女發(fā)病率無(wú)差異,在病理上為多個(gè)甲狀旁腺增生,大小可不一致。甲狀旁腺功能亢進(jìn)癥所致高鈣血癥可加重同時(shí)并存的胃泌素瘤患者癥狀及血胃泌素升高水平,并增加胃酸生成引起多發(fā)消化道潰瘍⑹。

其中,Environment是事件所處的環(huán)境,包括時(shí)間、地點(diǎn)和其他環(huán)境影響因素;Content是事件的內(nèi)容,可以用三元組的形式表示為{subject,predicate, object},subject是事件的主語(yǔ),predicate是事件的謂詞,表示行為動(dòng)作,object是事件的觸發(fā)對(duì)象; Result是事件帶來(lái)的結(jié)果或影響;Expect是事件的期望.事件(Event)和行為(Behavior)有很多相似的特性,但是事件不等同于行為,事件的概念更加寬泛,任何作用于物聯(lián)網(wǎng)系統(tǒng)的內(nèi)部或者外部影響都可以理解為事件,行為是事件的子集.

物聯(lián)網(wǎng)中的事件分為兩種情況:既定事件和非既定事件.對(duì)于既定事件,系統(tǒng)已經(jīng)構(gòu)建了相應(yīng)的業(yè)務(wù)流程,只要既定事件一發(fā)生,就會(huì)觸動(dòng)預(yù)定義好的業(yè)務(wù)流程進(jìn)行推理和決策.對(duì)于非既定事件,系統(tǒng)并未設(shè)計(jì)相應(yīng)的業(yè)務(wù)流程,只能以事件本身為事實(shí)因素查找可以調(diào)用的關(guān)聯(lián)數(shù)據(jù)和推理規(guī)則.非既定事件分為兩種,有期望的非既定事件和無(wú)期望的非既定事件.對(duì)于有期望的非既定事件,可以將期望內(nèi)容作為查詢(xún)內(nèi)容,進(jìn)行反向推理,查看是否能夠推理出預(yù)期結(jié)果;對(duì)于無(wú)期望的非既定事件,只能進(jìn)行前向推理,希望挖掘出更多有意義的因素輔助決策.

3.2 基于事件的推理模型

物聯(lián)網(wǎng)系統(tǒng)中的事件必然導(dǎo)致系統(tǒng)狀態(tài)的變化,例如一個(gè)關(guān)閉繼電器開(kāi)關(guān)的事件會(huì)導(dǎo)致燈光的熄滅,但是這些都屬于直觀的狀態(tài)變化,由于物聯(lián)網(wǎng)系統(tǒng)中各個(gè)不同組件的相互關(guān)聯(lián)性,一個(gè)事件的發(fā)生往往會(huì)導(dǎo)致一些隱式的狀態(tài)變化,產(chǎn)生蝴蝶效應(yīng),但是這些隱式的狀態(tài)變化需要構(gòu)建推理機(jī)制才能發(fā)現(xiàn).當(dāng)前的本體推理機(jī)有racer、FaCT、pellet和jena等,本文采用jena作為推理引擎,jena是美國(guó)HP實(shí)驗(yàn)室開(kāi)發(fā)的一個(gè)開(kāi)源java框架,用來(lái)構(gòu)建語(yǔ)義Web和Linked data應(yīng)用,可以實(shí)現(xiàn)RDF數(shù)據(jù)的讀取和寫(xiě)入,RDFS、OWL等本體的操作,基于SPARQL的數(shù)據(jù)查詢(xún)和基于規(guī)則的推理等工作[17].為了實(shí)現(xiàn)基于事件的推理,本文從四種情況入手來(lái)設(shè)計(jì)推理算法.

3.2.1 既定事件推理

算法如下.

算法1.既定事件推理步驟1.設(shè)定既定事件

步驟2.構(gòu)建推理規(guī)則集

步驟3.設(shè)定業(yè)務(wù)流程BusinessProcess,業(yè)務(wù)流程由一系列活動(dòng)及其相互關(guān)系組成,本文將業(yè)務(wù)流程描述為一個(gè)活動(dòng)集合和一個(gè)關(guān)系集合的形式:

其中,

步驟4. 當(dāng)既定事件發(fā)生時(shí),整個(gè)事件以RDF三元組的形式進(jìn)行表示,并存入jena的模型(Model)中.

步驟5.觸發(fā)業(yè)務(wù)流程,將事件本身作為事實(shí)信息進(jìn)行前向推理,采用RETE算法[18]獲取各種預(yù)定義的結(jié)果信息.具體步驟可參考算法3.

步驟6.如果既定事件中存在期望Expect,則從Expect出發(fā)進(jìn)行反向鏈推理.具體步驟可參考算法2.

3.2.2 有期望的非既定事件推理

事件中的期望指事件希望得到的某種預(yù)期效果,例如發(fā)生一個(gè)事件“小張約小王下午2:00去A電影院看電影”,在這個(gè)事件中,“下午2:00”和“A電影院”是Environment,“小張約小王看電影”是Content,其中“小張”是subject,“小王”是object,“約會(huì)看電影”是predicate.這個(gè)事件其實(shí)還可以添加一個(gè)期望(Expect),即“小王下午2:00空閑”.對(duì)于事件期望信息,采用RDF三元組形式表示,并作為查詢(xún)內(nèi)容調(diào)用jena的反向推理機(jī)制,推理算法如下.

算法2.有期望的非既定事件推理

步驟1.將事件期望Expect轉(zhuǎn)化為RDF三元組表示,并構(gòu)建查詢(xún)字符串queryString;

步驟2.將本體文件存入jena模型ontModel;

步驟3.將事實(shí)信息RDF文件存入jena模型rdfModel;

步驟4.構(gòu)建推理引擎infModel,裝入推理規(guī)則集rules、本體模型ontModel和事實(shí)信息集rdf-Model;

步驟5.基于推理引擎和查詢(xún)字符串實(shí)現(xiàn)LP算法反向鏈推理.

步驟6.得到驗(yàn)證結(jié)果,推導(dǎo)出期望的真實(shí)性.

3.2.3 無(wú)期望的非既定事件推理

對(duì)于無(wú)期望的非既定事件,只能調(diào)用前向推理規(guī)則進(jìn)行推理,推理算法如下.

算法3.無(wú)期望的非既定事件推理

步驟1.基于事件本身和相關(guān)事實(shí)構(gòu)建RDF描述的事實(shí)庫(kù),并存入jena模型;

步驟2.將領(lǐng)域本體存入jena本體模型;

步驟3.創(chuàng)建jena的推理引擎,裝入事實(shí)庫(kù)、本體模型和規(guī)則集.

步驟4.采用RETE算法進(jìn)行推理,生成新的事實(shí)信息,存入事實(shí)庫(kù),重復(fù)執(zhí)行該步驟直到不再產(chǎn)生新的推理結(jié)果,推理結(jié)束;

3.2.4 多事件聯(lián)合推理

除了上述由單獨(dú)事件導(dǎo)致的推理過(guò)程,還存在多個(gè)事件聯(lián)合構(gòu)造推理過(guò)程的情況.例如上文的“小張約小王下午2:00去A電影院看電影”事件,期望是“小王下午2:00空閑”,但是在事實(shí)庫(kù)中存在一條事實(shí)是“小王下午2:00有算法課”,規(guī)則集中存在一條規(guī)則:[rule:(?a smartcollege:hasNoLesson ?b)→(?a smartcollege:hasFreeTime?b)],a指學(xué)生,b是具體的時(shí)間,即如果學(xué)生a在時(shí)間b沒(méi)有課,則a在時(shí)間b有空閑時(shí)間.顯然,小王是學(xué)生,基于反向鏈推理從(?a smartcollege:hasFreeTime?b)出發(fā),會(huì)要求證實(shí)(?a smartcollege:hasNoCourse ?b)的存在,而事實(shí)庫(kù)中不存在該事實(shí),所以,僅從該單一事件出發(fā),此期望不能實(shí)現(xiàn).但是再加入一個(gè)事件“心臟監(jiān)測(cè)器發(fā)現(xiàn)宋老師心臟出現(xiàn)異?！?該事件驅(qū)動(dòng)前向推理,得到一系列事實(shí):“宋老師需要臥床休息”,“宋老師取消了下午的算法課”等.因此事實(shí)庫(kù)中更新了內(nèi)容,加入了“算法課取消”的事實(shí),經(jīng)過(guò)再次推理,可知之前的期望變成了現(xiàn)實(shí).由以上分析可見(jiàn),對(duì)于多事件聯(lián)合推理情況,可以綜合運(yùn)用之前的三種推理算法實(shí)現(xiàn).

4 系統(tǒng)實(shí)現(xiàn)和評(píng)估

為了驗(yàn)證本文方法的可行性,模擬構(gòu)建一個(gè)多領(lǐng)域協(xié)作的智能家居系統(tǒng),包括智能供暖、智能交通、智能醫(yī)療等多個(gè)獨(dú)立系統(tǒng),并以智能家居為紐帶關(guān)聯(lián)起來(lái).通過(guò)本文構(gòu)建的領(lǐng)域本體、數(shù)據(jù)關(guān)聯(lián)和推理理論,屏蔽了數(shù)據(jù)孤島,實(shí)現(xiàn)了智能決策.

4.1 智能溫控系統(tǒng)案例分析

本文首先構(gòu)建了一個(gè)多領(lǐng)域協(xié)作的智能家居供暖溫控系統(tǒng).該系統(tǒng)結(jié)合智能供暖和智能交通兩大系統(tǒng),設(shè)定當(dāng)主人在家時(shí)溫度保持在22°C,當(dāng)主人出門(mén)工作時(shí)供暖系統(tǒng)低溫運(yùn)行,當(dāng)主人下班返回家時(shí),溫度要及時(shí)提升到人體適宜的22°C.在這個(gè)過(guò)程中,室內(nèi)的供暖系統(tǒng)配有水溫傳感器、水壓傳感器、室內(nèi)溫度傳感器,用于控制供暖流量的自動(dòng)電磁閥等.在智能交通系統(tǒng)中,主人從公司到家的路上要經(jīng)過(guò)3個(gè)測(cè)速傳感器,測(cè)速傳感器可以獲取實(shí)時(shí)的車(chē)流速度.假設(shè)主人每天17:00準(zhǔn)時(shí)下班,從公司到家有60km的車(chē)程,希望綜合各種因素實(shí)現(xiàn)智能溫度調(diào)節(jié),確保主人回家前室溫剛好提升到22°C.為了實(shí)現(xiàn)以上目標(biāo),綜合本文所提的方法開(kāi)展如下工作.

1)構(gòu)建智能家居領(lǐng)域本體模型.本文采用protege5.0開(kāi)發(fā)智能家居領(lǐng)域本體,通過(guò)Imported ontologies模塊輸入高層本體SSN2URI為http://www.w3.org/2005/Incubator/ssn/ssnx/ssn和其他相關(guān)高層本體.新建智能家居系統(tǒng)相關(guān)的多個(gè)資源本體類(lèi)(Class)、對(duì)象屬性(ObjectProperty)和數(shù)據(jù)(DataProperty)屬性.該本體已經(jīng)發(fā)布到Webprotege項(xiàng)目3URI為http://webprotege.stanford.edu/#Edit:projectId=6d7b0a34-a7c3-4fe8-95ed-2f464b3dad58,相關(guān)的智能家居系統(tǒng)部分本體類(lèi)和屬性關(guān)系如圖5所示.

2)構(gòu)建智能供暖系統(tǒng)感知數(shù)據(jù)的語(yǔ)義標(biāo)注和數(shù)據(jù)關(guān)聯(lián).智能供暖系統(tǒng)的數(shù)據(jù)庫(kù)采用Mysql5.5創(chuàng)建,并在此基礎(chǔ)上構(gòu)建傳感器信息表、水壓數(shù)據(jù)表、水溫?cái)?shù)據(jù)表、室內(nèi)溫度數(shù)據(jù)表、室外溫度數(shù)據(jù)表、測(cè)速信息表等多個(gè)數(shù)據(jù)表.然后采用D2R-Server-0.7處理數(shù)據(jù)庫(kù)數(shù)據(jù).構(gòu)建Mapping文件實(shí)現(xiàn)語(yǔ)義標(biāo)注和基于行為、資源的數(shù)據(jù)關(guān)聯(lián),映射成虛擬的RDF三元組形式.語(yǔ)義標(biāo)注且關(guān)聯(lián)后的模型如圖6所示.

從圖6可以看出,原本毫無(wú)關(guān)聯(lián)的室內(nèi)溫度、供暖水壓、水溫、車(chē)速等感知數(shù)據(jù)由于包含在行為模型中動(dòng)態(tài)考慮,出現(xiàn)了多條關(guān)聯(lián)鏈條,將其相互聯(lián)系起來(lái).例如水溫和水壓由于來(lái)源于相同的測(cè)量對(duì)象而聯(lián)系起來(lái),而三個(gè)測(cè)速感知數(shù)據(jù)由于位于同一條路線(xiàn)上而關(guān)聯(lián)起來(lái).從而構(gòu)成了一個(gè)關(guān)聯(lián)數(shù)據(jù)網(wǎng)絡(luò),并且將以RDF三元組事實(shí)庫(kù)的形式出現(xiàn)在推理過(guò)程中.

圖5 部分智能家居本體圖Fig.5 Part of the smart home ontology figure

圖6 智能家居數(shù)據(jù)關(guān)聯(lián)模型Fig.6 Data association model of smart home

3)設(shè)計(jì)既定事件的業(yè)務(wù)流程.案例涉及的事件是既定事件“時(shí)間到達(dá)17:00”,即每天系統(tǒng)時(shí)間一到17:00就觸發(fā)該事件推理.為了實(shí)現(xiàn)以上目標(biāo),設(shè)計(jì)順序的業(yè)務(wù)流程如下:

步驟1.預(yù)測(cè)主人到家時(shí)間arriveTime.

其中,Distance是從公司到家的路程距離,ave-Speed是平均車(chē)速,為多個(gè)測(cè)速傳感器所測(cè)速度Speedi平均值.

步驟2. 模擬計(jì)算當(dāng)前環(huán)境下的升溫速度incrRate.

其中,wTemp是水溫,wPression是水壓,inTemp是室內(nèi)溫度,outTemp是室外溫度,R是指定系數(shù).

步驟3.計(jì)算開(kāi)始升溫時(shí)間startTime.

4)智能供暖系統(tǒng)的推理過(guò)程.本系統(tǒng)安裝jena 2.13版本,結(jié)合Eclipse開(kāi)發(fā)環(huán)境開(kāi)發(fā)智能供暖推理系統(tǒng).具體流程如下:

步驟1.創(chuàng)建推理模型.

1)創(chuàng)建RDF模型,將生成的Mapping文件smartcollege.n3裝入模型.

ModelD2RQ m=new ModelD2RQ(“file:/D: /smartcollege.n3”).

2)構(gòu)建本體模型,將創(chuàng)建的領(lǐng)域本體smartcollege-ontology.owl裝入模型.

OntModel o=ModelFactory.createOntology-Model();

File myFile=new File(“data/smartcollegeontology.owl”);

o.read(new FileInputStream(myFile),“”).

3)創(chuàng)建OWL推理模型,綁定RDF模型m和本體模型o.

Reasoner reasoner=ReasonerRegistry.get OWLReasoner();

Reasoner screasoner= reasoner.bindSchema(o);

InfModel infmodel=ModelFactory.createInf-Model(screasoner,m).

步驟2.建立推理規(guī)則集.為了能夠順利推理出供暖系統(tǒng)的升溫時(shí)間,調(diào)用推理規(guī)則集中的相關(guān)規(guī)則,舉例如下.

規(guī)則1:如果位于地址y的速度傳感器s測(cè)得該時(shí)刻的速度值為m,p在該時(shí)刻經(jīng)過(guò)y,則推理出p的速度為m.

[r1:(?x1 rdf:type smartcollege:Behavior), (?x1 smartcollege:location?y),(?x1 smartcollege:isMeasureBy?s),(?x1 smartcollege:theme smartcollege:MeasureSpeed),(?x1 smartcollege: featureOfInterest smartcollege:Car),(?x1 smartcollege:measureValue?m),(?x2 rdf:type smartcollege:Event),(?x2 smartcollege:subject?p), (?p rdf:type smartcollege:Car),(?p smartcollege:pass?y),(?x1 smartcollege:atSameTime ?x2)→(?p smartcollege:speedValue?m)]

規(guī)則2:如果地址d位于城市c且城市c在某時(shí)刻天氣預(yù)報(bào)溫度為z,則推理出d的室外溫度為z.

[r2:(?d rdf:type smartcollege:Address), (?d smartcollege:city?c),(?x rdf:type smartcollege:Behavor),(?x smartcollege:location?c), (?x smartcollege:measureTime?t),(?x smartcollege:theme smartcollege:ForecastWeather),(?x smartcollege:temperatureValue?z)→(?d smartcollege:outdoorTemperatureValue?z)]

步驟3.基于推理規(guī)則構(gòu)建GenericRuleReasoner推理機(jī).

Reasoner reasoner=new GenericRuleReasoner(Rule.parseRules(rule));

InfModel infmodel=ModelFactory.createInf-Model(reasoner,m).

步驟4.執(zhí)行推理.獲取主人的平均車(chē)速、供暖系統(tǒng)的加溫速度和加溫時(shí)刻等,推理結(jié)果如圖7所示.

圖7 Jena推理結(jié)果Fig.7 Jena reasoning result

圖7中,計(jì)算出平均車(chē)速aveSpeed為30km/h.由于路程全長(zhǎng)60km,計(jì)算出主人到家時(shí)間arrive-Time為19:00,基于室內(nèi)外溫差和供暖管道水溫水壓計(jì)算得到的升溫速率incrRate是1.2°C/minute,推理出升溫時(shí)間startTime為18:37.

4.2 多事件聯(lián)合推理案例分析

上面的案例建立在單事件觸發(fā)的數(shù)據(jù)關(guān)聯(lián)模型上,為了證明本文方法的完備性,以上節(jié)提到的“約會(huì)看電影”案例為例,構(gòu)造一個(gè)多事件聯(lián)合推理模型.在案例中,“小張約小王下午2:00去A電影院看電影”是一個(gè)非既定事件,該事件存在一個(gè)期望“小王下午2:00空閑”.另外,“心率傳感器于當(dāng)天12:06監(jiān)測(cè)到宋老師的心率為110”觸發(fā)一個(gè)事件,“血壓傳感器于當(dāng)天12:06監(jiān)測(cè)到宋老師血壓為160/100”又是一個(gè)事件,這兩個(gè)事件為非既定事件,且沒(méi)有期望信息.

1)基于事件期望的反向推理.對(duì)于第一個(gè)事件,由于存在期望“小王下午2:00空閑”,將其設(shè)置為查詢(xún)語(yǔ)句(?a smartcollege:hasFreeTime?b)在事實(shí)庫(kù)中查詢(xún),由于事實(shí)庫(kù)中無(wú)對(duì)應(yīng)的事實(shí),在規(guī)則庫(kù)中發(fā)現(xiàn)一條規(guī)則如下:

規(guī)則3:學(xué)生b在某一時(shí)間x沒(méi)有課,則推理出b在時(shí)間x空閑.

[r3:(?b rdf:type smartcollege:Student),(?x rdf:type smartcollege:Time),(?b smartcollege: hasNoCourse?x)→ (?b smartcollege:hasFree-Time?x)]

因此觸發(fā)反向鏈推理,查詢(xún)事實(shí)庫(kù)中是否存在“小王在下午2:00沒(méi)有課”這個(gè)事實(shí).結(jié)果該事實(shí)也不存在,事實(shí)庫(kù)中只有“小王下午2:00有算法課”的事實(shí).因此可以推理出期望無(wú)法實(shí)現(xiàn).

2)基于事件的正向推理.由于另外存在心率和血壓監(jiān)測(cè)事件的發(fā)生,觸發(fā)了云端的醫(yī)學(xué)診斷系統(tǒng),得到診斷結(jié)果是“宋老師生病了,健康狀態(tài)為3級(jí),建議臥床休息”(假設(shè)健康狀態(tài)分為5級(jí),其中第5級(jí)為正常).從而生成事實(shí):(song smartcollege: healthStatus 3)和(song smartcollege:medical-Advice smartcollege:BedRest).繼而觸發(fā)了一條推理規(guī)則如下:

規(guī)則4:如果課程y由教師a講授并且a的當(dāng)前醫(yī)囑為臥床休息,則推理出a將取消課程y.

[r4:(?a rdf:type smartcollege:Teacher),(?y rdf:type smartcollege:Course),(?b rdf:type smartcollege:Student),(?x1 rdf:type smartcollege:Event),(?x1 smartcollege:subject?b), (?b smartcollege:hasCourse?y),(?y smartcollege:isToughtBy?a),(?x2 rdf:type smartcollege: Event),(?x2 smartcollege:subject?a),(?a smartcollege:medicalAdvice smartcollege:BedRest), (?x1 smartcollege:hasSameDay?x2)→(?a smartcollege:cancelCourse?y)]

由于事實(shí)庫(kù)中出現(xiàn)了新的事實(shí)“宋老師取消了算法課”,觸動(dòng)了另一條推理規(guī)則:

規(guī)則5:學(xué)生b有一門(mén)課程y,課程y的上課時(shí)間是t,教師a取消了課程y,則推理出學(xué)生b在時(shí)間t沒(méi)有課.

[r5:(?b rdf:type smartcollege:Student), (?a rdf:type smartcollege:Teacher),(?y rdf: type smartcollege:Course),(?b smartcollege:has-Course?y),(?y smartcollege:CourseTime?t),(?a smartcollege:cancelCourse?y)→ (?b smartcollege:hasNoCourse?t)]

該規(guī)則生成了新的事實(shí)“小王下午2:00沒(méi)課”.從而觸發(fā)推理規(guī)則3,推出小王下午2:00空閑.事件的期望實(shí)現(xiàn)了.

以上案例涉及的領(lǐng)域本體同樣存在于之前構(gòu)建的智能家居本體中,涉及的數(shù)據(jù)關(guān)聯(lián)模型與案例1類(lèi)似.通過(guò)以上多事件聯(lián)合推理過(guò)程,驗(yàn)證了本文方法的完整性和通用性.

4.3 實(shí)驗(yàn)對(duì)比分析

為了測(cè)試本文方法的優(yōu)越性,在以上實(shí)驗(yàn)的基礎(chǔ)上,以智能家居為實(shí)驗(yàn)背景,引入智能供水、智能電網(wǎng)、智能醫(yī)療等多個(gè)實(shí)例,測(cè)試數(shù)據(jù)基于行業(yè)特征隨機(jī)產(chǎn)生,存儲(chǔ)在多張數(shù)據(jù)表中,存儲(chǔ)數(shù)據(jù)量達(dá)50萬(wàn)條,然后基于語(yǔ)義標(biāo)注實(shí)現(xiàn)數(shù)據(jù)關(guān)聯(lián),設(shè)計(jì)了100條推理規(guī)則,用來(lái)實(shí)現(xiàn)基于事件的推理決策.由于推理問(wèn)題最終可以以查詢(xún)的形式表達(dá),例如上面的推理升溫時(shí)刻的例子可以轉(zhuǎn)化為查詢(xún)語(yǔ)句:“select?arriveTime,?incrRate,heatingTime, ?startTime where?startTime+?heatingTime=?arriveTime”(heatingTime是加熱所需時(shí)間).本文設(shè)計(jì)了50個(gè)查詢(xún)實(shí)例,分別采用本文方法與缺乏數(shù)據(jù)關(guān)聯(lián)或事件推理的方法進(jìn)行查詢(xún)推理,并設(shè)計(jì)了查得率和正確率兩個(gè)性能指標(biāo),查得率是能夠得出查詢(xún)結(jié)果的實(shí)例數(shù)量和總查詢(xún)量的比率,正確率是查詢(xún)得到正確結(jié)果的實(shí)例數(shù)量和總查詢(xún)量的比率.表1從查得率和正確率兩個(gè)方面對(duì)不同方法的性能進(jìn)行了比較.

表1 不同方法的查得率和正確率比較表Table 1 The comparison table of detection rate and accuracy

由表1可知,對(duì)于沒(méi)有設(shè)置數(shù)據(jù)關(guān)聯(lián)和事件推理的查詢(xún)方法,只能基于數(shù)據(jù)表和表間的外鍵關(guān)聯(lián)等少量關(guān)聯(lián)信息進(jìn)行查詢(xún),50個(gè)實(shí)例有18個(gè)得到查詢(xún)結(jié)果(查得率36%),其中12個(gè)實(shí)例的查詢(xún)結(jié)果正確(正確率24%).對(duì)于增加了語(yǔ)義標(biāo)注和數(shù)據(jù)關(guān)聯(lián)的查詢(xún)方法,查得率和正確率得到了較大提高.本文所提的帶有數(shù)據(jù)關(guān)聯(lián)和事件推理方法的查得率達(dá)到98%(只有一個(gè)查詢(xún)實(shí)例沒(méi)有查到結(jié)果),正確率也達(dá)到98%.可見(jiàn)本文方法對(duì)于屏蔽數(shù)據(jù)孤島、提高推理決策效果的優(yōu)越性.

5 結(jié)論

本文旨在解決物聯(lián)網(wǎng)系統(tǒng)異構(gòu)及其產(chǎn)生的大量感知數(shù)據(jù)造成的數(shù)據(jù)孤島問(wèn)題,試圖屏蔽數(shù)據(jù)孤島,實(shí)現(xiàn)跨系統(tǒng)的數(shù)據(jù)關(guān)聯(lián),實(shí)現(xiàn)智能決策.本文從語(yǔ)義Web入手,通過(guò)構(gòu)建領(lǐng)域本體模型實(shí)現(xiàn)物聯(lián)網(wǎng)感知數(shù)據(jù)的語(yǔ)義標(biāo)注,采用Linked data思想實(shí)現(xiàn)數(shù)據(jù)間的語(yǔ)義關(guān)聯(lián),采用基于事件的推理機(jī)制實(shí)現(xiàn)語(yǔ)義推理和決策,最后通過(guò)智能家居領(lǐng)域的兩個(gè)案例,實(shí)現(xiàn)了語(yǔ)義標(biāo)注,數(shù)據(jù)關(guān)聯(lián)和基于jena的推理決策,驗(yàn)證了本文方法的可行性;通過(guò)設(shè)計(jì)多個(gè)測(cè)試實(shí)例,從查得率和正確率兩個(gè)方面驗(yàn)證了本文方法的優(yōu)越性.

致謝

感謝韓露和陳依冰在論文實(shí)驗(yàn)中作出的貢獻(xiàn).

1 Berners-Lee T,Hendler J,Lassila O.The semantic web.Scientific American,2001,284(5):34?43

2 Nebot V,Berlanga R.Finding association rules in semantic web data.Knowledge-Based Systems,2012,25(1):51?62

3 Sheth A,Henson C,Sahoo S S.Semantic sensor web.IEEE Internet Computing,2008,12(4):78?83

4 Coccoli M,Torre I.Interacting with annotated objects in a Semantic Web of Things application.Journal of Visual Languages and Computing,2014,25(6):1012?1020

5 De S,Barnaghi P,Bauer M,Meissner S.Service modelling for the Internet of Things.In:Proceedings of the 2011 Federated Conference on Computer Science and Information Systems(FedCSIS).Szczecin,Poland:IEEE,2011.949?955

6 Grau B C,Horrocks I,Motik B,Parsia B,Patel-Schneider P,Sattler U.OWL 2:the next step for OWL.Web Semantics:Science,Services,and Agents on the World Wide Web, 2008,6(4):309?322

7 OWL-S:semantic markup for web services[Online],available:http://www.w3.org/Submission/OWL-S,November 22,2004

8 Compton M,Barnaghi P,Bermudez L,Garca-Castro R, Corcho O,Cox S,Graybeal J,Hauswirth M,Henson C, Herzog A,Huang V,Janowicz K,Kelsey W D,Le Phuoc D,Lefort L,Leggieri M,Neuhaus H,Nikolov A,Page K, Passant A,Sheth A,Taylor K.The SSN ontology of the W3C semantic sensor network incubator group.Web Semantics:Science,Services,and Agents on the World Wide Web,2012,17:25?32

9 Li Ge,Wei Qiang,Li Li-Xing,Jin Zhi,Xu Yan,Zheng Li-Wei.Environment based modeling approach for services in the Internet of Things.Science China:Information Science, 2013,43(10):1198?1218 (李戈,魏強(qiáng),李力行,金芝,許焱,鄭麗偉.物聯(lián)網(wǎng)服務(wù)建模:一種基于環(huán)境建模的方法.中國(guó)科學(xué):信息科學(xué),2013,43(10):1198?1218)

10 Xu Yang,Wang Xiao-Feng,He Qing-Yi.Internet of Things based information support system for multi-agent decision. Journal of Software,2014,25(10):2325?2345 (徐楊,王曉峰,何清漪.物聯(lián)網(wǎng)環(huán)境下多智能體決策信息支持技術(shù).軟件學(xué)報(bào),2014,25(10):2325?2345)

11 Qiao Xiu-Quan,Zhang Yang,Wu Bu-Dan,Cheng Bo,Zhao Shuai,Ma Hua-Dong,Chen Jun-Liang.An EDSOA-based services provisioning approach for Internet of Things.Science China:Information Science,2013,43(10):1219?1243 (喬秀全,章洋,吳步丹,程渤,趙帥,馬華東,陳俊亮.事件驅(qū)動(dòng)、面向服務(wù)的物聯(lián)網(wǎng)服務(wù)提供方法.中國(guó)科學(xué):信息科學(xué),2013,43(10): 1219?1243)

12 Cuzzola J,JovanoviJ,Bagheria E,GaeviD.Evolutionary fine-tuning of automated semantic annotation systems. Expert Systems with Applications,2015,42(20):6864?6877

13 Tosi D,Morasca S.Supporting the semi-automatic semantic annotation of web services:a systematic literature review. Information and Software Technology,2015,61:16?32

14 The D2R Project[Online],available: http://d2rq.org/, March 12,2012

15 Zhang Jing,Ma Chun-E.How to use D2R to publish linked data[Online],available:http://www.ibm.com/developerworks/cn/web/1003_zhangjing_d2r/index.html,April 25,2010 (張靜,馬春娥.如何利用D2R發(fā)布Linked data[Online],available:http://www.ibm.com/developerworks/cn/web/1003 zhangjing_d2r/index.html,2010年4月25日)

16 The Linked Data Project[Online],available:http://linked data.org/,April 16,2015

17 The Jena Project[Online],available:http://jena.apache. org/,March 23,2015

18 Gu Xiao-Dong,Gao Yang.Rete algorithm:current issues and future challenge.Computer Science,2012,39(11):8?12,33 (顧小東,高陽(yáng).Rete算法:研究現(xiàn)狀與挑戰(zhàn).計(jì)算機(jī)科學(xué),2012, 39(11):8?12,33)

馮建周 燕山大學(xué)信息科學(xué)與工程學(xué)院副教授.2013年獲燕山大學(xué)計(jì)算機(jī)應(yīng)用技術(shù)專(zhuān)業(yè)博士學(xué)位.主要研究方向?yàn)檎Z(yǔ)義Web,服務(wù)計(jì)算.本文通信作者.

E-mail:fjzwxh@ysu.edu.cn

(FENG Jian-Zhou Associate professor at the School of Information Science and Engineering,Yanshan University.He received his Ph.D.degree from computer application technology at Yanshan University in 2013.His research interest covers semantic web and service computing. Corresponding author of this paper.)

宋沙沙 燕山大學(xué)信息科學(xué)與工程學(xué)院碩士研究生.2015年獲得沈陽(yáng)化工大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院學(xué)士學(xué)位.主要研究方向?yàn)檎Z(yǔ)義Web.

E-mail:song@stumail.ysu.edu.cn

(SONG Sha-Sha Master student at the School of Information Science and Engineering,Yanshan University.She received her bachelor degree from the School of Computer Science and Technology,Shenyang University of Chemical Technology in 2015.Her main research interest is semantic web.)

孔令富 燕山大學(xué)信息科學(xué)與工程學(xué)院教授.1995年獲得哈爾濱工業(yè)大學(xué)機(jī)械電子工程專(zhuān)業(yè)博士學(xué)位.主要研究方向?yàn)橹悄苄畔⑻幚?物聯(lián)網(wǎng)工程.

E-mail:lfkong@ysu.edu.cn

(KONG Ling-Fu Professor at the School of Information Science and Engineering,Yanshan University.He received his Ph.D.degree in machinery and electronics engineering at Harbin Institute of Technology in 1995.His research interest covers intelligent information processing and the Internet of Things engineering.)

Research on Semantic Association and Decision Method of the Internet of Things

FENG Jian-Zhou1,2SONG Sha-Sha1,2KONG Ling-Fu1,2

The Internet of Things(IoT)system contains a large number of sensing devices,as a result,massive isolated and heterogeneous data are generated and forming isolated islands of data.It is a key issue how to realize the effective semantic association of data produced by different sensing devices,and to construct a cross-domain data correlation model, so as to solve data heterogeneity and realize intelligent decision making.In this paper,with the IoT system as the research object,an IoT ontology model is built with environment-resource-behavior as the core.Based on linked data method,the IoT semantic linked network is constructed with the behavior linked model and the resource linked model as the core. And a reasoning algorithm based on event has been put forward to realize the semantic reasoning,so as to better realize the intelligent decision-making of the IoT system.At last,its feasibility is verified through two examples of smart home system,and its superiority is verified through building different query instances.

The Internet of Things(IoT),data island,domain ontology,semantic association,data reasoning

馮建周,宋沙沙,孔令富.物聯(lián)網(wǎng)語(yǔ)義關(guān)聯(lián)和決策方法的研究.自動(dòng)化學(xué)報(bào),2016,42(11):1691?1701

Feng Jian-Zhou,Song Sha-Sha,Kong Ling-Fu.Research on semantic association and decision method of the Internet of Things.Acta Automatica Sinica,2016,42(11):1691?1701

2015-12-29 錄用日期2016-05-16

Manuscript received December 29,2015;accepted May 16,2016

河北省自然科學(xué)基金(F2014203192),燕山大學(xué)博士基金(B845)資助

Supported by Natural Science Foundation of Hebei Province (F2014203192)and Doctoral Fund of Yanshan University(B845)本文責(zé)任編委夏元清

Recommended by Associate Editor XIA Yuan-Qing

1.燕山大學(xué)信息科學(xué)與工程學(xué)院秦皇島 066004 2.河北省虛擬技術(shù)與系統(tǒng)集成重點(diǎn)實(shí)驗(yàn)室秦皇島066004

1.School of Information Science and Engineering,Yanshan University,Qinhuangdao 066004 2.Key Laboratory for Computer Virtual Technology and System Integration of Hebei Province,Qinhuangdao 066004

DOI 10.16383/j.aas.2016.c150885