李紅偉 高鴻斌

摘 要：為了對微環(huán)境監(jiān)測平臺上的傳感器所捕獲的異構(gòu)、大量、連續(xù)的數(shù)據(jù)流進行語義注釋，從而及時地根據(jù)語義上下文推理出新的或隱含的知識，以實現(xiàn)微環(huán)境監(jiān)測平臺的實時監(jiān)測，對SASML映射語言和SDRM算法進行了研究和改進，設(shè)計了S-SASML映射語言和SDS2R算法，用于將傳感器原始數(shù)據(jù)流轉(zhuǎn)換為符合SOSA/SSN本體的RDF數(shù)據(jù)流;并利用線程池技術(shù)實現(xiàn)方法的高并發(fā)處理，提高了方法的實時性能。改進后的映射語言和算法實現(xiàn)了微環(huán)境監(jiān)測平臺對連續(xù)、大量的數(shù)據(jù)流的實時語義注釋，不僅解決了動態(tài)傳感器數(shù)據(jù)流語義注釋的問題，而且避免了高頻數(shù)據(jù)流導致的系統(tǒng)過載現(xiàn)象，具有穩(wěn)定高效的處理能力，基本滿足了微環(huán)境監(jiān)測平臺的需求，具有一定的應(yīng)用價值。

關(guān)鍵詞：計算機感知;語義注釋;實時性;傳感器數(shù)據(jù)流;SOSA/SSN本體;RDF

中圖分類號：TP399?文獻標志碼：A

文章編號：1008-1542（2018）06-0559-08

隨著傳感器技術(shù)的高速發(fā)展，傳感器的數(shù)量和傳感器產(chǎn)生的數(shù)據(jù)正在急劇增加。傳感器網(wǎng)絡(luò)的發(fā)展為各個領(lǐng)域提供了廣泛的機遇，如環(huán)境監(jiān)測、醫(yī)療保健、商業(yè)智能、城市交通管理等[1-8]。微環(huán)境監(jiān)測平臺是基于物聯(lián)網(wǎng)傳感技術(shù)的系統(tǒng)平臺，其上部署了用于對周圍環(huán)境進行實時監(jiān)測的各種傳感器。這些傳感器產(chǎn)生大量的原始數(shù)據(jù)，并且以快速、連續(xù)和時變的流形式出現(xiàn)。由于傳感器數(shù)據(jù)流的這些特點，為如何實時地接收、分析以及處理這些數(shù)據(jù)流帶來了一系列重大研究挑戰(zhàn)。目前，豐富傳感器描述的主要方法是利用語義技術(shù)，向傳感器數(shù)據(jù)流中添加語義，將觀測的底層原始數(shù)據(jù)流轉(zhuǎn)化為更高層次的數(shù)據(jù)流，可以及時地促進自動信息發(fā)現(xiàn)[9]。對傳感器數(shù)據(jù)流進行語義注釋能夠使機器理解它，并且，利用語義注釋的傳感器數(shù)據(jù)流，用戶可以導出新的或隱含的知識，有助于微環(huán)境監(jiān)測平臺的智能決策和實時監(jiān)測。

傳感器數(shù)據(jù)流的語義注釋和推理是實時應(yīng)用領(lǐng)域中傳感器數(shù)據(jù)的知識提取，信息檢索和數(shù)據(jù)挖掘的基本要求。目前，已經(jīng)提出了幾種基于語義的傳感器數(shù)據(jù)管理與集成的方法，能夠從大量的數(shù)據(jù)中導出有用的信息[10-15]，但是這些方法主要針對靜態(tài)的傳感器數(shù)據(jù)比較有效，而對于大量、連續(xù)到達的傳感器數(shù)據(jù)流卻力不從心。迄今為止，也有少數(shù)的研究集中于解決傳感器數(shù)據(jù)流的語義注釋[16-19]。在這些研究中，盡管在語義注釋和表示模型方面有大量的工作，但是，很少關(guān)注如何創(chuàng)建高效和靈活的方案來描述傳感器數(shù)據(jù)流以及通過這些數(shù)據(jù)流對環(huán)境進行實時監(jiān)測。因此，本文設(shè)計了一種方法用于微環(huán)境監(jiān)測平臺的傳感器數(shù)據(jù)流的實時語義注釋。通過自定義映射語言和算法，將傳感器數(shù)據(jù)流轉(zhuǎn)換為符合SOSA/SSN[20]本體的RDF[21]數(shù)據(jù)流;并且，利用線程池技術(shù)，實現(xiàn)了系統(tǒng)的高并發(fā)處理，提高了系統(tǒng)的實時性能。本文主要研究以下內(nèi)容：1）擴展SASML[14]映射語言，設(shè)計了S-SASML（stream-sensors annotation and semantic mapping language）映射語言，它提供了一種對傳感器數(shù)據(jù)流進行注釋的模式，S-SASML的元素可以映射到 SOSA/SSN本體的相關(guān)類和屬性;2）設(shè)計了一種SDS2R（sensor data stream to RDF）算法，根據(jù)S-SASML映射文件中對傳感器流的標注，可以將微環(huán)境監(jiān)測平臺上不同傳感器數(shù)據(jù)流自動轉(zhuǎn)換為符合SOSA/SSN本體的RDF數(shù)據(jù)流;3）利用線程池技術(shù)提升系統(tǒng)高并發(fā)處理能力，實時接收、處理微環(huán)境監(jiān)測平臺上傳感器觀測的原始數(shù)據(jù)流，并且利用隊列機制使得接收的數(shù)據(jù)流不易丟失。

1?傳感器數(shù)據(jù)流實時語義注釋框架

本文研究的目標是及時為大規(guī)模傳感器數(shù)據(jù)流進行語義注釋。為了實現(xiàn)這一目標，通過擴展SASML映射語言以及設(shè)計SDS2R算法對傳感器數(shù)據(jù)流進行語義注釋，利用線程池技術(shù)實現(xiàn)高并發(fā)處理，提高實時性。所設(shè)計的方法框架主要包括接收和分析數(shù)據(jù)流，創(chuàng)建S-SASML映射文件，語義注釋3部分，如圖1所示。

1）接收和分析數(shù)據(jù)流?主要分析了微環(huán)境監(jiān)測平臺上傳感器觀測的數(shù)據(jù)流的格式，以及設(shè)計監(jiān)聽器用來實時偵聽傳感器觀測的數(shù)據(jù)流。監(jiān)聽器用來實時偵聽和管理微環(huán)境監(jiān)測平臺上傳感器觀測的數(shù)據(jù)流。由于高頻繁的采樣率，傳感器可能在短時間內(nèi)產(chǎn)生大量的數(shù)據(jù)流，所以本文采用隊列機制，用來緩存數(shù)據(jù)流，防止數(shù)據(jù)的丟失。為了提高系統(tǒng)的實時性，即短時間內(nèi)處理大量的數(shù)據(jù)流，利用線程池技術(shù)實現(xiàn)高并發(fā)處理。當監(jiān)聽器偵聽到數(shù)據(jù)時，將數(shù)據(jù)添加到數(shù)據(jù)緩存隊列中。管理線程Manager不斷的從數(shù)據(jù)緩存隊列中取走數(shù)據(jù)，分配給工作線程來執(zhí)行任務(wù)。當工作線程沒有空閑時，管理線程Manager就會讓數(shù)據(jù)在隊列中暫時等待空閑線程。這樣既防止了數(shù)據(jù)的丟失，也最大限度地提高了系統(tǒng)的實時性。

2）創(chuàng)建S-SASML映射文件?通過擴展SASML映射語言設(shè)計了S-SASML映射語言，然后根據(jù)S-SASML模式創(chuàng)建XML映射文件，最后利用DOM4J解析生成的S-SASML映射文件，從中提取出該映射文件中元素的內(nèi)容。

3）語義標注?首先，通過分析SOSA/SSN本體的結(jié)構(gòu)，標注了S-SASML映射文件中的元素和SOSA/SSN本體中的類的對應(yīng)關(guān)系，然后，利用Jena解析SOSA/SSN本體，從中抽取出相關(guān)的類和屬性。最后，根據(jù)設(shè)計的SDS2R算法自動將傳感器觀測的數(shù)據(jù)流轉(zhuǎn)換為符合SOSA/SSN本體的RDF流。

2?映射語言S-SASML的定義

SASML是一種對傳感器和數(shù)據(jù)源進行注釋的映射語言，根據(jù)該語言可以將不同數(shù)據(jù)源的傳感器數(shù)據(jù)轉(zhuǎn)換為符合SSN本體的RDF數(shù)據(jù)，但是該映射語言僅僅局限于數(shù)據(jù)庫中的傳感器數(shù)據(jù)，對于動態(tài)的傳感器數(shù)據(jù)流不能很好的支持。因此，本文對SASML映射語言進行了擴展，從而，設(shè)計了S-SASML映射語言，用于對微環(huán)境監(jiān)測平臺上不同的傳感器數(shù)據(jù)流進行語義注釋。

S-SASML分為2部分：1）SourceInf。這一部分用來描述傳感器數(shù)據(jù)流中所包含信息的索引。這些索引信息能夠很好地分割接收的數(shù)據(jù)流。其中，AreaID_Index，NodeID_Index，DeviceID_Index，TypeID_Index，Data_Index，Time_Index分別表明微環(huán)境監(jiān)測平臺區(qū)域編號、節(jié)點編號、設(shè)備編號、傳感器類型、觀測具體數(shù)據(jù)和觀測時間的索引信息。2）SensorInf。這一部分用來標注所接收的數(shù)據(jù)流中的傳感器的一些屬性信息，包括傳感器類型、觀測的事件（例如，大棚環(huán)境監(jiān)測）和傳感器所在的位置。其中，Type_name代表傳感器的類型，依據(jù)TypeID_Index所截取的內(nèi)容來確定。Event代表的是觀測事件，依據(jù)NodeID_Index和DeviceID_Index所截取的內(nèi)容共同決定。Location代表的是傳感器所在的區(qū)域位置，它由AreaID_Index所截取的內(nèi)容決定。S-SASML模式如圖2所示。

由于S-SASML僅僅提供的數(shù)據(jù)流和傳感器屬性信息不足以實現(xiàn)傳感器數(shù)據(jù)流到SOSA/SSN本體的映射。因此，在S-SASML和SOSA/SSN本體之間，應(yīng)該定義一些關(guān)系作為映射過程中的隱藏線索，如表1所示。

根據(jù)表1的描述以及S-SASML映射文件中對數(shù)據(jù)流和傳感器屬性的標注，得到傳感器數(shù)據(jù)流、S-SASML映射文件中的元素和SOSA/SSN本體中的類的對應(yīng)關(guān)系，如圖3所示。

3?轉(zhuǎn)換算法SDS2R的定義

為了將微環(huán)境監(jiān)測平臺上的傳感器觀測的連續(xù)、大量數(shù)據(jù)流實時轉(zhuǎn)換為符合SOSA/SSN本體的RDF數(shù)據(jù)流，設(shè)計了一種名為SDS2R的算法。該算法以微環(huán)境監(jiān)測平臺傳感器數(shù)據(jù)流、S-SASML映射文件以及S-SASML和SOSA/SSN本體的對應(yīng)關(guān)系作為輸入。首先，初始化監(jiān)聽器，在初始化過程中使用DOM4J解析S-SASML映射文件，從映射文件中得到SourceInf節(jié)點和SensorInf節(jié)點。然后，根據(jù)SourceInf節(jié)點信息對接收的數(shù)據(jù)流進行截取得到數(shù)據(jù)流中的信息;再根據(jù)SensorInf節(jié)點的信息判斷傳感器的屬性（傳感器類型、傳感器位置、傳感器觀察事件）。最后，利用Jena解析SOSA/SSN本體，從SOSA/SSN本體中得到本體類的集合和本體屬性的集合。根據(jù)S-SASML映射文件和SOSA/SSN本體對應(yīng)關(guān)系，為每一條數(shù)據(jù)流創(chuàng)建實例，并且使用對應(yīng)的屬性將它們進行連接。如此便可將微環(huán)境監(jiān)測平臺上不同傳感器數(shù)據(jù)流自動轉(zhuǎn)換為符合SOSA/SSN本體的RDF數(shù)據(jù)流。SDS2R算法在表2中進行描述。

如表2所示，SDS2R轉(zhuǎn)換算法首先對監(jiān)聽器進行初始化（第1行），在初始化過程中使用DOM4J解析S-SASML映射文件并且得到SourceInf節(jié)點和SensorInf節(jié)點以及節(jié)點下子元素的內(nèi)容信息（第2～3行）。接著創(chuàng)建數(shù)據(jù)緩存隊列將接收的數(shù)據(jù)暫存到隊列中，然后設(shè)計線程池，從隊列中取出數(shù)據(jù)并分配任務(wù)線程（第4行）。在算法的第5～7行，根據(jù)映射文件SourceInf節(jié)點截取的數(shù)據(jù)流信息和SensorInf節(jié)點下元素的內(nèi)容進行判斷來確定一些傳感器屬性信息。在算法的第8行，根據(jù)對應(yīng)關(guān)系列表L從SOSA/SSN本體模型中得到本體類的集合和本體屬性的集合。然后對于每一條數(shù)據(jù)流而言，創(chuàng)建實例IPlatform，Isensor，IFeatureOfInterestr，和IObservableProperty，并且使用對應(yīng)的對象屬性將它們進行連接（第9～12行）。更進一步來說，對于數(shù)據(jù)源的每一個觀測，創(chuàng)建實例IObservation，然后，將IObservation與IFeatureOfInterestr 和IObservableProperty連接，將Isensor和IObservation連接（第13～15行），并且為IObservation添加hasSimpleResult 和 resultTime。最后，傳感數(shù)據(jù)流就會被自動轉(zhuǎn)換為SOSA/SSN本體的實例并且存儲在OWL文件中。

4?實?驗

4.1?實例分析

本部分利用微環(huán)境監(jiān)測平臺上的傳感器觀察的真實數(shù)據(jù)流來驗證本文方法的正確性和可行性，微環(huán)境監(jiān)測平臺上部署的傳感器可以實時地生成各種傳感器數(shù)據(jù)流，包括空氣溫度、空氣濕度、土壤溫度、土壤濕度、光照等。這些傳感器數(shù)據(jù)流主要包括AreaID，NodeID，DeviceID，Type，Data，Time等信息，如表3所示。

其中，AreaID，NodeID，DeviceID分別表示傳感器的區(qū)域編號、節(jié)點編號和設(shè)備編號，這3個信息能夠表示微環(huán)境監(jiān)測平臺所監(jiān)測的區(qū)域和所要監(jiān)測的事件信息。TypeID表示傳感器類型，同時它還代表著傳感器編號。Data和Time分別表示傳感器觀測的具體數(shù)據(jù)和時間。

根據(jù)表3中微環(huán)境監(jiān)測平臺上的數(shù)據(jù)流的格式和圖2中S-SASML模式，可以手動編輯S-SASML映射文件。生成的S-SASML映射文件的片段如圖4所示。標簽表示微環(huán)境監(jiān)測平臺觀察的數(shù)據(jù)流的索引信息。其中，每個標簽分別代表字節(jié)流截取的索引位置。標簽表示傳感器的一些屬性信息。其中，，，，元素的內(nèi)容分別對應(yīng)中截獲的數(shù)據(jù)流的信息，，，根據(jù)微環(huán)境監(jiān)測平臺上傳感器的信息由用戶自己定義。

根據(jù)圖4中生成的S-SASML映射文件和圖3中標注的對應(yīng)關(guān)系，使用表2中的SDS2R算法將傳感器數(shù)據(jù)流轉(zhuǎn)換為符合SOSA/SSN本體的RDF數(shù)據(jù)流，如圖5所示。

為了驗證生成的RDF流的正確性，將其暫時存儲在OWL文件中。將生成的OWL文件在protégé中檢查，顯示如圖6所示。

4.2?性能評估

為了測試本文方法的有效性，分別從最佳線程數(shù)、高并發(fā)處理能力以及系統(tǒng)穩(wěn)定性3個方面進行了測試。本文搭建測試環(huán)境具體配置如下。1）終端采集設(shè)備：微環(huán)境監(jiān)測平臺上用于采集數(shù)據(jù)的一系列傳感器，如溫度傳感器等;2）LoRa網(wǎng)關(guān)與LoRa通信模塊，網(wǎng)關(guān)與上位機采用RS485串口交互環(huán)境;3）上位機環(huán)境：CPU為Intel（R） Core（TM）i3-2370，內(nèi)存大小8 GB，VS2015，Windows 7操作系統(tǒng);4）服務(wù)器環(huán)境：Windows8.1操作系統(tǒng)，處理器為Intel Core 2.2 GHz， 四核CUP和12 GB內(nèi)存，Tomcat 8.0服務(wù)器，Java1.8開發(fā)語言 My Eclipse 10集成開發(fā)環(huán)境。

為了測試線程池中的最佳線程數(shù)，將傳感器節(jié)點數(shù)量固定為1 200個，來評估線程池中不同線程數(shù)時的系統(tǒng)性能，并且對比了利用線程池和不利用線程池系統(tǒng)所用的時間。測試過程中對每種情況做10次測試，然后通過求平均值得到圖7的測試結(jié)果。可以看出，隨著線程池中線程數(shù)目的不斷增加，系統(tǒng)所用的時間會逐漸減少，但是當它再變大時，所用時間反而增加。這種現(xiàn)象是由于如果容量過小且并發(fā)請求數(shù)量超過該容量，請求將會加入數(shù)據(jù)緩存隊列，若隊列中已包含大量的緩存請求，則對系統(tǒng)的響應(yīng)時間影響巨大。同時若線程池容量過大，線程的上下文切換也會造成巨大的系統(tǒng)開銷。所以線程池容量要避免設(shè)置太小或太大，太小不能充分發(fā)揮CPU 的性能，太大會造成頻繁的上下文切換，帶來巨大的系統(tǒng)開銷。所以線程池容量需要根據(jù)負載和部署條件動態(tài)改變。

為了測試本文方法的高并發(fā)處理性能，分別對單線程、多線程和線程池技術(shù)進行大量數(shù)據(jù)處理測試。設(shè)定線程池中的線程數(shù)目固定為12，傳感器節(jié)點數(shù)分別為400，800，1 200，1 600，2 000來測試系統(tǒng)性能，測試過程中對每種情況做測試10次，然后通過求平均值得到如圖8的測試結(jié)果?？梢钥闯鰺o論是單線程、多線程還是線程池，隨著傳感器節(jié)點的增加系統(tǒng)處理的時間都呈現(xiàn)線性增長，說明該注釋方法具有較好的可擴展性。并且單線程處理時間明顯高于多線程和線程池很多，而線程池的性能最優(yōu)。這是由于多線程提高了系統(tǒng)的并發(fā)處理能力，所以處理時間明顯高于單線程。而線程池的性能最優(yōu)是由于線程的創(chuàng)建和銷毀的開銷是巨大的，而通過線程池的重用大大減少了這些不必要的內(nèi)存開銷，所以處理速度優(yōu)于多線程。所以本文方法在處理巨大的任務(wù)數(shù)目時效率還是比較理想的。

為了測試本文方法的穩(wěn)定性，設(shè)定傳感器節(jié)點數(shù)固定為1 200，線程池中的線程數(shù)目固定為12，持續(xù)運行30 min，統(tǒng)計每分鐘系統(tǒng)吞吐量。從圖9中看出在30 min內(nèi)，系統(tǒng)每分鐘處理傳感器數(shù)據(jù)的條數(shù)在3 600上下波動。波動的原因主要與測試機器硬件設(shè)備和網(wǎng)絡(luò)有關(guān)，但是波動范圍不大，在可接收的范圍之內(nèi)。所以，本文方法在處理大量傳感器節(jié)點產(chǎn)生的數(shù)據(jù)流時相對穩(wěn)定，不會因為傳感器的高頻到達率出現(xiàn)系統(tǒng)過載現(xiàn)象。

上述實驗結(jié)果表明，本文設(shè)計的方法在處理海量的傳感器數(shù)據(jù)流時具有較好的性能。首先，在單線程的情況下，隨著傳感器節(jié)點數(shù)的增加，語義注釋時間呈線性增長，可見本文設(shè)計的映射語言S-SASML和SDS2R的算法具有較好的可擴展性;其次，引入線程池技術(shù)以后，處理時間顯著下降，并且處理時間增長緩慢，說明了本文方法處理海量數(shù)據(jù)的能力;最后，在實驗過程中隨著傳感器節(jié)點數(shù)的增大沒有出現(xiàn)系統(tǒng)過載的現(xiàn)象，證明了本系統(tǒng)相對穩(wěn)定，而且，根據(jù)不同傳感器節(jié)點數(shù)可以選擇不同的線程數(shù)，不但增加了系統(tǒng)的靈活性，還節(jié)省了系統(tǒng)的資源。

5?結(jié)?語

提出了一種針對微環(huán)境監(jiān)測平臺上的傳感器數(shù)據(jù)流進行實時語義注釋的方法。通過擴展SASML映射語言設(shè)計了S-SASML映射語言，并且設(shè)計了SDS2R算法，實現(xiàn)了將傳感器數(shù)據(jù)流自動轉(zhuǎn)換為符合SOSA/SSN本體的RDF數(shù)據(jù)流。利用隊列緩存機制和線程池技術(shù)解決了傳感器數(shù)據(jù)流易丟失和高并發(fā)處理的問題。實驗結(jié)果表明，本文的方法基本滿足微環(huán)境監(jiān)測平臺的需求，能夠有效地處理大規(guī)模的傳感器數(shù)據(jù)流，具有一定的通用性和處理效率。有關(guān)S-SASML的通用性和SDS2R算法的高效性方面的研究尚未開展，今后將對此作進一步的探索，使其適用于更多場景。

參考文獻/References：

[1]?MARINAKIS V， DOUKAS H. An advanced IoT-based system for intelligent energy management in buildings[J].Sensors，2018，18（2）：610.

[2]?FOTOPOULOU E， ZAFEIROPOULOS A， TERROSOSáENZ F， et al. Providing personalized energy management and awareness services for energy efficiency in smart buildings[J]. Sensors， 2017， 17（9）：2054.

[3]?JAYARAMAN P P， YAVARI A， GEORGAKOPOULOS D， et al. Internet of things platform for smart farming： Experiences and lessons learnt[J]. Sensors， ?2016， 16（11）：1884.

[4]?SUSEL F， RAFIK H， TAKAYUKI I， et al. Ontology-based architecture for intelligent transportation systems using a traffic sensor network[J]. Sensors， ? ?2016， 16（8）：1287.

[5]?YI Weiying， LO K M， MAK T， et al. A survey of wireless sensor network based air pollution monitoring systems[J]. Sensors， 2015， 15（12）：31392-31427.

[6]?ALIREZAIE M， RENOUX J， KARLSSON L， et al. An ontology-based context-aware system for smart homes： E-care@home[J]. Sensors， 2017， 17（7）：1586.

[7]?CHANG Jingkun， YAO Wenbin， LI Xiaoyong. A context-aware S-health service system for drivers[J]. Sensors， 2017， 17（3）：609.

[8]?CALAVIA L， BALADRóN C， AGUIAR J M， et al. A semantic autonomous video surveillance system for dense camera networks in smart cities[J]. Sensors， 2012， 12（8）：10407-10429.

[9]?SHETH A， HENSON C， SAHOO S S. Semantic sensor web[J]. IEEE Internet Computing， 2008， 12（4）：78-83.

[10]DUTTA R， MORSHED A. Performance evaluation of south esk hydrological sensor web： unsupervised machine learning and semantic linked data ?approach[J]. IEEE Sensors Journal， 2013， 13（10）：3806-3815.

[11]MORARU A， FORTUNA C， MLADENIC D. A system for publishing sensor data on the semantic web[J]. Journal of Computing & Information Technology， 2011， 19（4）：239-245.

[12]FERNANDEZ S， ITO T. Semantic integration of sensor data with SSN ontology in a multi-agent architecture for intelligent transportation systems[J]. Ieice Transactions on Information & Systems， 2017， 100（12）：2915-2922.

[13]李申沛.本體標注和命名實體結(jié)合的傳感器語義強化系統(tǒng)[D].大連：大連海事大學， 2017.

LI Shenpei. Ontology Annotations and Named Entity Combined Sensor Semantic Enhancement System [D]. Dalian ：Dalian Maritime University， 2017.

[14]ZHANG Xiaoming， ZHAO Yunping， LIU Wanming. A method for mapping sensor data to SSN ontology[J]. International Journal of u-?and e-?Service， ? ?Science and Technology， 2015， 8（6）： 303-316.

[15]吳學華. 語義物聯(lián)網(wǎng)中基于本體和LOD的互操作方法[D]. 大連：大連海事大學， 2016.

WU Xuehua. Interoperability Method based on Ontologies and LOD in Semantic Web of Thing [D]. Dalian： Dalian Maritime University， 2016.

[16]KAMLESH H. Real Time Semantic Analysis of Streaming Sensor Data[D]. Dayton： Wright State University，2011.

[17]BARNAGHI P， WANG Wei， DONG Lijun， et al. A linked-data model for semantic sensor streams[C]// Green Computing and Communications. Beijing： IEEE， 2013： 468-475.

[18]KOLOZALI S， BERMUDEZEDO M， PUSCHMANN D， et al. A knowledge-based approach for real-time IoT data stream annotation and processing[C]// ?Internet of Things. Taipei： IEEE， 2015：215-222.

[19]PACHA S， MURUGAN S R， SETHUKARASI R. Semantic annotation of summarized sensor data stream for effective query processing[J]. Journal of ?Supercomputing， 2017（1）：1-23.

[20]HALLER A，JANOWICZ K，TAYLOR K， et al. Semantic Sensor Network Ontology[EB/OL]. https：//www.w3.org/TR/vocab-ssn/， 2018-04-25.

[21]柳亞琴， 溫彩玲， 余雪麗，等. RDF在語義Web知識表示中的作用[J]. 太原理工大學學報， 2006， 37（2）：146-149.

LIU Yaqin， WEN Cailing， YU Xueli， et al. The role of RDF in semantic web knowledge representation[J]. Journal of Taiyuan University of Technology， 2006， ?37（2）： 146-149.