馮建周 宋沙沙 孔令富

物聯網語義關聯和決策方法的研究

馮建周1,2宋沙沙1,2孔令富1,2

物聯網系統(tǒng)包含大量的感知設備,產生大量孤立和異構的感知數據,形成數據孤島.如何將不同感知設備產生的數據進行有效的語義關聯、構建跨域的數據關聯模型、屏蔽數據異構性、實現綜合智能決策是物聯網研究的關鍵問題.本文以物聯網系統(tǒng)為研究對象,從語義入手,構建以環(huán)境–資源–行為為核心的物聯網本體模型;基于關聯數據方法構建以行為關聯模型和資源關聯模型為核心的物聯網語義關聯網絡;提出一種基于事件的推理算法實現語義推理,從而更好地實現對物聯網系統(tǒng)的智能決策;最后,通過兩個智能家居系統(tǒng)的實例驗證了本文方法的可行性,通過構建不同方法的查詢實例驗證了本文方法的優(yōu)越性.

物聯網,數據孤島,領域本體,語義關聯,數據推理

隨著物聯網應用的不斷發(fā)展,物聯網系統(tǒng)的規(guī)模越來越龐大,不同系統(tǒng)間的關系也越來越復雜.越來越多的智能設備產生了海量、多源和異構的感知數據,給系統(tǒng)內和系統(tǒng)間的資源交互、數據關聯和推理等帶來了極大困難.以智能家居為例,室內的燈光、空調、暖氣、電視、冰箱以及光強傳感器、溫度傳感器、紅外蜂鳴報警器、開關繼電器等設備隨時產生大量的異構多源數據,在表現形式、衡量單位、組織結構等方面均不相同,彼此之間毫無關聯.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)等不同的物聯網系統(tǒng),不同系統(tǒng)的設備連接方式、通信協(xié)議、數據產生格式等方面均有較大差別.但是,以智能家居為紐帶,各個系統(tǒng)間在實際應用過程中是互相聯系和影響的.如何屏蔽感知數據的異構性和孤立性,實現數據互聯和融合成為業(yè)內研究的熱點問題.

針對以上問題,日益成熟的語義Web技術[1?2]提供了新的解決思路.語義Web被看作是解決異構系統(tǒng)集成和協(xié)作問題的關鍵技術.Sheth等[3]提出語義傳感器網絡(Semantic sensor web,SSW)的概念,采用語義Web技術描述傳感器網絡,實現各種感知數據的有效集成.Coccoli等[4]提出了語義物聯網(Semantic web of things,SWOT)的概念,試圖以語義Web的方式描述物聯網系統(tǒng).De等[5]提出一種關于物聯網服務的語義建模方法,采用OWL-DL[6]建模物聯網資源,采用OWL-S[7]建模物聯網服務,實現服務間的交互.W3C語義傳感器網絡孵化群開發(fā)一個語義傳感器網絡(Semantic sensor net,SSN)本體[8],采用一個高層模型表示傳感器設備、能力、觀測和采集數據等內容,但其對感知設備、觀察和測量數據及平臺方面的描述不能直接擴展到物聯網領域的具體組件.總之,基于物聯網系統(tǒng)的具體應用構建適合的本體模型,從而屏蔽多源感知數據的語義異構性,實現各種智能設備的互操作是當前研究物聯網數據融合問題的一個重要的解決思路.但是,物聯網系統(tǒng)遠比無線傳感器系統(tǒng)復雜:1)物聯網系統(tǒng)往往跨多個應用領域,擁有更多的智能設備,除了大量的傳感器,還有RFID、智能儀器、智能家電、智能機械等多種情況.2)物聯網是一個高度動態(tài)的環(huán)境,每時每刻都有新的節(jié)點加入或者原有節(jié)點離開.隨時會有新的不可預知的數據格式或者協(xié)議需要被系統(tǒng)支持和處理.3)物聯網系統(tǒng)是一個高度受限的網絡,除了像傳統(tǒng)的無線傳感器網絡一樣受到時空等限制,智能設備本身對系統(tǒng)的限制更加多樣化、復雜化,給物聯網系統(tǒng)的語義建模帶來了更多的挑戰(zhàn).同時,僅僅為物聯網系統(tǒng)增加語義信息并不能完全解決各種智能物體間復雜的交互方式、行為預測、智能響應等問題.為了能夠實現智能交互和決策,李戈等提出了一種基于環(huán)境的物聯網服務建模方法,充分考慮環(huán)境對物聯網資源的影響,將環(huán)境因素作為物聯網服務的一部分進行建模[9].徐楊等提出一個基于語義覆蓋網的物聯網信息資源描述、推理和應用模型,以多智能體系統(tǒng)決策支持為應用基礎,研究新型物聯網環(huán)境下的多智能體決策信息支持技術[10].文獻[11]為了實現人–機–物的動態(tài)協(xié)同,進一步將面向服務的體系架構SOA和事件驅動架構EDA進行結合,以服務的形式對物聯網系統(tǒng)進行松散建模,基于發(fā)布訂閱機制實現感知信息的按需分發(fā)和事件驅動的服務動態(tài)協(xié)同.以上方法雖然都考慮了物聯網系統(tǒng)的環(huán)境影響等因素,但是大多停留在時空環(huán)境等因素上,對設備間的影響因素及對跨域物聯網系統(tǒng)的數據關聯等因素缺乏考慮.

為了實現異構物聯網系統(tǒng)間的語義一致性和消除數據孤島,本文采用語義建模的方法構建了一種基于環(huán)境–資源–行為的領域本體模型,實現了高度受限的行為和資源的語義描述.采用Linked data思想實現物聯網域內和域間的數據語義關聯.設計基于多種事件觸發(fā)機制的物聯網推理決策方法,實現智能決策.本文第1節(jié)闡述物聯網領域本體模型的構建方式;第2節(jié)講述基于行為和資源的數據關聯模型的構建方法;第3節(jié)設計多種事件機制及其基于事件的推理過程;最后構建兩個智能家居實例和多個查詢實例,測試本文算法的可行性和優(yōu)越性.

1 物聯網領域本體模型的構建

領域本體是對特定領域中概念和概念之間關系的精確描述,通過將不同機構或組織對領域內概念及關系的異構描述映射到相同的領域本體,提供互相理解的語義基礎.構建物聯網系統(tǒng)的領域本體模型是實現物聯網感知數據關聯和語義融合的首要任務.

1.1 繼承高層本體

為了提高領域本體模型的通用性和可識別度,快速構建領域模型,充分利用現有本體是值得推薦的方法.尤其是業(yè)內得到公認的現有本體模型,已經在很多項目中得到應用,往往在關聯數據云(Linked data cloud)中與其他本體實現了很好的語義關聯,用其作為新建領域本體的基礎,有助于新建本體模型與其他領域本體的關聯,快速構建自己的領域本體模型.

目前物聯網(或傳感器網絡)本體較為權威的有W3C語義傳感器網絡孵化群構建的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網領域的基本概念,屬于高層本體范疇,不適合直接應用在特定的物聯網系統(tǒng),但為具體領域的物聯網本體建模提供很好的高層概念定義.具體的領域本體完全可以繼承這些本體中的概念,從而實現更好的通用性.例如在SSN本體中定義了14個模塊(Module),包括41個類和39個對象屬性,并從DUL頂層本體直接繼承了11個類和14個屬性. SSN中定義的類和屬性具有很好的通用性,例如skeleton模塊中定義的Sensor、FeatureOfInterest、Observation、Stimulus等類和hasProperty、observedBy等屬性;MeasuringCapability模塊中定義的Accuracy、Frequency、Latency、Measurement-Range等類和hasMeasurementCapability等屬性.本文的物聯網領域本體構建在DUL頂層本體和SSN等行業(yè)高層本體的基礎之上,如圖1所示.

圖1 物聯網領域本體的層次結構Fig.1 The hierarchical structure of IoT domain ontology

1.2 構建以環(huán)境?資源?行為為核心的物聯網本體模型

物聯網中的感知數據是在高度受限的環(huán)境中獲取的,本文從環(huán)境(Environment)、資源(Resource)和行為(Behavior)三個方面定義語義本體模型,簡稱E-R-B模型.

環(huán)境包括三種類型:1)時空環(huán)境,包括感知信息所處的具體時間和位置,例如采樣時間、經緯度值等.2)自然環(huán)境,即自然因素對感知信息的影響,例如感知信息采集時的風速、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條件的影響,例如設備之間的相互影響,感知設備的性能因素等.

資源是物聯網系統(tǒng)中所有具有感知能力或者提供各種智能服務的物理實體,第一個特征是類型(Type),分為Sensor和SmartDevice,前者泛指各種感知設備,可以有多個子類繼承,例如TemperatureSensor、SpeedSensor等.后者泛指各種智能設備,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、智能空調等,也對應多個子類;第二個特征是功能,泛指該資源具有的各種具體功能,定義Function類及相關屬性hasFunction,以動名詞的形式定義具體功能,例如一臺智能洗衣機具有洗衣(washClothes)、甩干(dryClothes)和定時(fixTime)等功能;第三個特征是性能(Performance),SSN定義了Measuring-Capability模塊,包括精度(Accuracy)、頻率(Frequency)等類,本文增加accuracyValue、frequency-Value等屬性配合相關的類描述資源的性能.

行為(Behavior)是指感知設備每次獲取信息的過程或者智能設備每次執(zhí)行某個功能的過程,例如溫度傳感器獲取了一個溫度值,稱為一個行為,智能洗衣機甩干了衣服也是一次行為.物聯網中資源的行為是在高度受限的環(huán)境中產生的,因此定義行為為一個五元組.

式(1)中,Environment是行為環(huán)境,包括時空環(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型,而是具體的資源實例.Theme是行為主題,與資源的功能值等同. Object是行為對象,即該行為的作用對象.Result是行為結果,對于傳感器等資源的觀測行為,其結果是獲得一個感知信息,對于智能設備的行為結果則基于不同的功能有所不同.環(huán)境、資源和行為構成物聯網領域本體的核心,其相互關系如圖2所示.

圖2 E-R-B模型Fig.2 E-R-B model

2 感知數據的語義標注與關聯

物聯網感知設備的監(jiān)測頻率往往很高,每隔幾秒甚至更短的時間就會獲取一次感知數據,從而形成海量數據,這些數據一般都是基于數據庫存儲.如何為數據庫存儲的各種數據進行有效的語義標注以及如何構建各種孤立數據間的語義關聯是實現數據融合的兩個關鍵問題.

2.1 基于D2R技術的語義標注和關聯

2.1.1 語義標注

當前的語義標注技術包括手工標注、半自動標注和自動標注[12?13]等,D2R作為一種從數據庫到RDF三元組映射的半自動語義標注技術已經得到業(yè)內廣泛關注.D2R是一種將關系數據庫數據發(fā)布為語義Web數據的工具,主要包括D2R Server、D2RQ Engine以及D2RQ Mapping語言[14].D2R Server是一個HTTP Server,主要功能是提供對RDF數據的查詢訪問接口.D2RQ Engine的主要功能是使用一個可定制的D2RQ Mapping文件將關系型數據庫中的數據轉換成RDF格式.D2RQ Mapping語言的主要功能是定義將關系型數據轉換成RDF格式的Mapping規(guī)則[15].為了能夠將關系數據庫中的各種數據進行語義標注,本文采用自定義的Mapping文件方法,將數據庫的表名和字段名映射為自建領域本體中的類和屬性,實現物聯網系統(tǒng)的語義標注,為數據的語義關聯和進一步的語義推理奠定基礎.

2.1.2 語義關聯

語義標注后的物聯網系統(tǒng)并沒有完全解決數據孤島問題,要想解決該問題,需要基于語義標注實現相關數據的有效語義關聯.關聯數據理論為不同系統(tǒng)間的數據語義互聯提供了新的解決思路.關聯數據(Linked data)[16]是一種利用Web在不同數據源之間創(chuàng)建語義關聯的實踐方法.這里的不同數據源,可以來自一個組織內部的不同系統(tǒng),也可以來自不同組織的不同系統(tǒng),它們的內容、存儲地點以及存儲方式都可以完全不同,但它們很可能存在著語義關聯.Linked data最大的特點是將不同的數據關聯起來.Linked data將任何事物都理解為資源,用URIs為資源命名,用戶可以利用HTTP URIs查找資源,通過鏈接到其他的URIs,可以發(fā)現更多的資源.資源可以有多種描述,例如HTML、XML、RDF以及JPEG.其中Web數據主要通過RDF格式表示. RDF將一個資源描述成一組三元組(主語、謂語、賓語).

通過將各種物聯網設備感知的數據描述為Linked data形式,可以屏蔽不同設備、不同系統(tǒng)間的數據鴻溝,將各種數據孤島有效關聯,形成了統(tǒng)一的語義數據模型,為進一步的數據挖掘和推理奠定基礎.D2R提供了數據關聯的實現方法,利用d2rq:refersToClassMap等元素實現不同數據集之間的關聯關系.

2.2 基于行為和資源的數據關聯模型

數據庫中的感知數據經過D2R的Mapping映射后,會以RDF三元組的形式出現,三元組的主語是采用URI表示的資源1例如:http://smartcollege.duapp.com/resource/city/Beijing,謂語是映射到本體的屬性,賓語是具體值或者指向另外一個資源.為了體現感知數據的高度受限性和系統(tǒng)的廣泛互聯性,以行為和資源(物聯網資源)兩個概念為核心構建行為關聯模型和資源關聯模型.

行為關聯模型是以具體行為為主語構造的三元組集合,以式(1)為參照,從行為的環(huán)境、資源、對象、主題等多個角度構建語義關聯.除此之外,行為之間也可以構建語義關聯關系,例如相同主題的行為、相同時間發(fā)生的行為、相同資源產生的行為等.一個具體的行為模型如圖3所示.

圖3中,橢圓形表示關聯數據中定義的資源,矩形表示文字或者數值信息,連線上的內容是RDF三元組的謂語,指領域本體中的屬性.behavior1是一個行為實例,以其為主語構建了9個RDF三元組,關聯到其類型(type,指向本體類Behavior)、所處環(huán)境(location,指向位置實例location1和measure-Time,指向一個具體的測量時刻2015-11-05T17:00: 06)、行為對象(featureOfInterest,指向一個房子的實例house3)、主題(theme,指向一個功能本體類MeasureTemperature)、結果(measureValue,指向一個具體數值12)和資源(isMeasureBy,指向實施此次行為的資源主體,是一個傳感器實例sensor4).同時,還基于不同的關系關聯到其他行為,例如基于atSameTime關系關聯到behavior9,基于bySameResource關系關聯到behavior6.

圖3 行為關聯模型Fig.3 Behavior association model

資源關聯模型是以具體物聯網資源為主語構造的三元組集合.資源關聯到屬性type、function和performance,同時,資源又是產生行為的主體,因此和行為具有關聯關系,另外,資源之間由于功能相同,或者位置臨近等關系也可以構造多種關聯關系.一個具體的資源關聯模型如圖4所示.

圖4 資源關聯模型Fig.4 Resources association model

圖4構造了6個RDF三元組,以資源實例sensor1為主語,關聯到其類型(hasType,指向一個本體類Sensor)、功能(hasFunction,指向一個功能本體類MeasureTemperature)、測量精度(accuracy-Value,指向一個具體精度值0.1)、數值單位(has-Unit,指向一個本體類CentigradeDegree).此外,還與資源sensor7和sensor6基于關系nearby和hasSameFunction進行了關聯.

通過構建行為關聯模型,將感知數據放到一個動態(tài)的行為活動中,與行為的對象、主題、資源、環(huán)境關聯到一起,大大豐富了數據的語義內涵,構建了數據的動態(tài)關聯關系(例如數據在同一時刻產生等).同時,將產生數據的資源通過各種屬性和關聯關系進行關聯,進一步延伸了數據關聯的背景,豐富了數據的語義內涵(例如通過關聯資源屬性,可知感知數據的監(jiān)測精度等).從而可以構造跨系統(tǒng)的語義關聯模型,屏蔽數據孤島現象,為推理決策奠定基礎.

3 事件觸發(fā)的推理機制

在將數據庫中的數據構建了語義標注和數據關聯之后,已經形成了一個統(tǒng)一的語義數據模型,如何充分利用該模型為用戶決策服務是亟待解決的問題.本文構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.

3.1 事件模型的定義

定義一個事件模型Event為一個4元組.

甲狀旁腺腺瘤:超過90% 的患者合并原發(fā)性甲狀旁腺功能亢進癥⑸。與原發(fā)性甲狀旁腺功能亢進患者相比,甲狀旁腺偶發(fā)瘤以及甲狀旁腺癌的發(fā)病率無差別,但復發(fā)率較高,起病較早(20余歲),男女發(fā)病率無差異,在病理上為多個甲狀旁腺增生,大小可不一致。甲狀旁腺功能亢進癥所致高鈣血癥可加重同時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,包括時間、地點和其他環(huán)境影響因素;Content是事件的內容,可以用三元組的形式表示為{subject,predicate, object},subject是事件的主語,predicate是事件的謂詞,表示行為動作,object是事件的觸發(fā)對象; Result是事件帶來的結果或影響;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,任何作用于物聯網系統(tǒng)的內部或者外部影響都可以理解為事件,行為是事件的子集.

物聯網中的事件分為兩種情況:既定事件和非既定事件.對于既定事件,系統(tǒng)已經構建了相應的業(yè)務流程,只要既定事件一發(fā)生,就會觸動預定義好的業(yè)務流程進行推理和決策.對于非既定事件,系統(tǒng)并未設計相應的業(yè)務流程,只能以事件本身為事實因素查找可以調用的關聯數據和推理規(guī)則.非既定事件分為兩種,有期望的非既定事件和無期望的非既定事件.對于有期望的非既定事件,可以將期望內容作為查詢內容,進行反向推理,查看是否能夠推理出預期結果;對于無期望的非既定事件,只能進行前向推理,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

物聯網系統(tǒng)中的事件必然導致系統(tǒng)狀態(tài)的變化,例如一個關閉繼電器開關的事件會導致燈光的熄滅,但是這些都屬于直觀的狀態(tài)變化,由于物聯網系統(tǒng)中各個不同組件的相互關聯性,一個事件的發(fā)生往往會導致一些隱式的狀態(tài)變化,產生蝴蝶效應,但是這些隱式的狀態(tài)變化需要構建推理機制才能發(fā)現.當前的本體推理機有racer、FaCT、pellet和jena等,本文采用jena作為推理引擎,jena是美國HP實驗室開發(fā)的一個開源java框架,用來構建語義Web和Linked data應用,可以實現RDF數據的讀取和寫入,RDFS、OWL等本體的操作,基于SPARQL的數據查詢和基于規(guī)則的推理等工作[17].為了實現基于事件的推理,本文從四種情況入手來設計推理算法.

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.設定既定事件

步驟2.構建推理規(guī)則集

步驟3.設定業(yè)務流程BusinessProcess,業(yè)務流程由一系列活動及其相互關系組成,本文將業(yè)務流程描述為一個活動集合和一個關系集合的形式:

其中,

步驟4. 當既定事件發(fā)生時,整個事件以RDF三元組的形式進行表示,并存入jena的模型(Model)中.

步驟5.觸發(fā)業(yè)務流程,將事件本身作為事實信息進行前向推理,采用RETE算法[18]獲取各種預定義的結果信息.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期效果,例如發(fā)生一個事件“小張約小王下午2:00去A電影院看電影”,在這個事件中,“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,“約會看電影”是predicate.這個事件其實還可以添加一個期望(Expect),即“小王下午2:00空閑”.對于事件期望信息,采用RDF三元組形式表示,并作為查詢內容調用jena的反向推理機制,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轉化為RDF三元組表示,并構建查詢字符串queryString;

步驟2.將本體文件存入jena模型ontModel;

步驟3.將事實信息RDF文件存入jena模型rdfModel;

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

步驟5.基于推理引擎和查詢字符串實現LP算法反向鏈推理.

步驟6.得到驗證結果,推導出期望的真實性.

3.2.3 無期望的非既定事件推理

對于無期望的非既定事件,只能調用前向推理規(guī)則進行推理,推理算法如下.

算法3.無期望的非既定事件推理

步驟1.基于事件本身和相關事實構建RDF描述的事實庫,并存入jena模型;

步驟2.將領域本體存入jena本體模型;

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

步驟4.采用RETE算法進行推理,生成新的事實信息,存入事實庫,重復執(zhí)行該步驟直到不再產生新的推理結果,推理結束;

3.2.4 多事件聯合推理

除了上述由單獨事件導致的推理過程,還存在多個事件聯合構造推理過程的情況.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”,但是在事實庫中存在一條事實是“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指學生,b是具體的時間,即如果學生a在時間b沒有課,則a在時間b有空閑時間.顯然,小王是學生,基于反向鏈推理從(?a smartcollege:hasFreeTime?b)出發(fā),會要求證實(?a smartcollege:hasNoCourse ?b)的存在,而事實庫中不存在該事實,所以,僅從該單一事件出發(fā),此期望不能實現.但是再加入一個事件“心臟監(jiān)測器發(fā)現宋老師心臟出現異?！?該事件驅動前向推理,得到一系列事實:“宋老師需要臥床休息”,“宋老師取消了下午的算法課”等.因此事實庫中更新了內容,加入了“算法課取消”的事實,經過再次推理,可知之前的期望變成了現實.由以上分析可見,對于多事件聯合推理情況,可以綜合運用之前的三種推理算法實現.

4 系統(tǒng)實現和評估

為了驗證本文方法的可行性,模擬構建一個多領域協(xié)作的智能家居系統(tǒng),包括智能供暖、智能交通、智能醫(yī)療等多個獨立系統(tǒng),并以智能家居為紐帶關聯起來.通過本文構建的領域本體、數據關聯和推理理論,屏蔽了數據孤島,實現了智能決策.

4.1 智能溫控系統(tǒng)案例分析

本文首先構建了一個多領域協(xié)作的智能家居供暖溫控系統(tǒng).該系統(tǒng)結合智能供暖和智能交通兩大系統(tǒng),設定當主人在家時溫度保持在22°C,當主人出門工作時供暖系統(tǒng)低溫運行,當主人下班返回家時,溫度要及時提升到人體適宜的22°C.在這個過程中,室內的供暖系統(tǒng)配有水溫傳感器、水壓傳感器、室內溫度傳感器,用于控制供暖流量的自動電磁閥等.在智能交通系統(tǒng)中,主人從公司到家的路上要經過3個測速傳感器,測速傳感器可以獲取實時的車流速度.假設主人每天17:00準時下班,從公司到家有60km的車程,希望綜合各種因素實現智能溫度調節(jié),確保主人回家前室溫剛好提升到22°C.為了實現以上目標,綜合本文所提的方法開展如下工作.

1)構建智能家居領域本體模型.本文采用protege5.0開發(fā)智能家居領域本體,通過Imported ontologies模塊輸入高層本體SSN2URI為http://www.w3.org/2005/Incubator/ssn/ssnx/ssn和其他相關高層本體.新建智能家居系統(tǒng)相關的多個資源本體類(Class)、對象屬性(ObjectProperty)和數據(DataProperty)屬性.該本體已經發(fā)布到Webprotege項目3URI為http://webprotege.stanford.edu/#Edit:projectId=6d7b0a34-a7c3-4fe8-95ed-2f464b3dad58,相關的智能家居系統(tǒng)部分本體類和屬性關系如圖5所示.

2)構建智能供暖系統(tǒng)感知數據的語義標注和數據關聯.智能供暖系統(tǒng)的數據庫采用Mysql5.5創(chuàng)建,并在此基礎上構建傳感器信息表、水壓數據表、水溫數據表、室內溫度數據表、室外溫度數據表、測速信息表等多個數據表.然后采用D2R-Server-0.7處理數據庫數據.構建Mapping文件實現語義標注和基于行為、資源的數據關聯,映射成虛擬的RDF三元組形式.語義標注且關聯后的模型如圖6所示.

從圖6可以看出,原本毫無關聯的室內溫度、供暖水壓、水溫、車速等感知數據由于包含在行為模型中動態(tài)考慮,出現了多條關聯鏈條,將其相互聯系起來.例如水溫和水壓由于來源于相同的測量對象而聯系起來,而三個測速感知數據由于位于同一條路線上而關聯起來.從而構成了一個關聯數據網絡,并且將以RDF三元組事實庫的形式出現在推理過程中.

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

圖6 智能家居數據關聯模型Fig.6 Data association model of smart home

3)設計既定事件的業(yè)務流程.案例涉及的事件是既定事件“時間到達17:00”,即每天系統(tǒng)時間一到17:00就觸發(fā)該事件推理.為了實現以上目標,設計順序的業(yè)務流程如下:

步驟1.預測主人到家時間arriveTime.

其中,Distance是從公司到家的路程距離,ave-Speed是平均車速,為多個測速傳感器所測速度Speedi平均值.

步驟2. 模擬計算當前環(huán)境下的升溫速度incrRate.

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

步驟3.計算開始升溫時間startTime.

4)智能供暖系統(tǒng)的推理過程.本系統(tǒng)安裝jena 2.13版本,結合Eclipse開發(fā)環(huán)境開發(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)構建本體模型,將創(chuàng)建的領域本體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)的升溫時間,調用推理規(guī)則集中的相關規(guī)則,舉例如下.

規(guī)則1:如果位于地址y的速度傳感器s測得該時刻的速度值為m,p在該時刻經過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在某時刻天氣預報溫度為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)則構建GenericRuleReasoner推理機.

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

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

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

圖7 Jena推理結果Fig.7 Jena reasoning result

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

4.2 多事件聯合推理案例分析

上面的案例建立在單事件觸發(fā)的數據關聯模型上,為了證明本文方法的完備性,以上節(jié)提到的“約會看電影”案例為例,構造一個多事件聯合推理模型.在案例中,“小張約小王下午2:00去A電影院看電影”是一個非既定事件,該事件存在一個期望“小王下午2:00空閑”.另外,“心率傳感器于當天12:06監(jiān)測到宋老師的心率為110”觸發(fā)一個事件,“血壓傳感器于當天12:06監(jiān)測到宋老師血壓為160/100”又是一個事件,這兩個事件為非既定事件,且沒有期望信息.

1)基于事件期望的反向推理.對于第一個事件,由于存在期望“小王下午2:00空閑”,將其設置為查詢語句(?a smartcollege:hasFreeTime?b)在事實庫中查詢,由于事實庫中無對應的事實,在規(guī)則庫中發(fā)現一條規(guī)則如下:

規(guī)則3:學生b在某一時間x沒有課,則推理出b在時間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,查詢事實庫中是否存在“小王在下午2:00沒有課”這個事實.結果該事實也不存在,事實庫中只有“小王下午2:00有算法課”的事實.因此可以推理出期望無法實現.

2)基于事件的正向推理.由于另外存在心率和血壓監(jiān)測事件的發(fā)生,觸發(fā)了云端的醫(yī)學診斷系統(tǒng),得到診斷結果是“宋老師生病了,健康狀態(tài)為3級,建議臥床休息”(假設健康狀態(tài)分為5級,其中第5級為正常).從而生成事實:(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)]

由于事實庫中出現了新的事實“宋老師取消了算法課”,觸動了另一條推理規(guī)則:

規(guī)則5:學生b有一門課程y,課程y的上課時間是t,教師a取消了課程y,則推理出學生b在時間t沒有課.

[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“小王下午2:00沒課”.從而觸發(fā)推理規(guī)則3,推出小王下午2:00空閑.事件的期望實現了.

以上案例涉及的領域本體同樣存在于之前構建的智能家居本體中,涉及的數據關聯模型與案例1類似.通過以上多事件聯合推理過程,驗證了本文方法的完整性和通用性.

4.3 實驗對比分析

為了測試本文方法的優(yōu)越性,在以上實驗的基礎上,以智能家居為實驗背景,引入智能供水、智能電網、智能醫(yī)療等多個實例,測試數據基于行業(yè)特征隨機產生,存儲在多張數據表中,存儲數據量達50萬條,然后基于語義標注實現數據關聯,設計了100條推理規(guī)則,用來實現基于事件的推理決策.由于推理問題最終可以以查詢的形式表達,例如上面的推理升溫時刻的例子可以轉化為查詢語句:“select?arriveTime,?incrRate,heatingTime, ?startTime where?startTime+?heatingTime=?arriveTime”(heatingTime是加熱所需時間).本文設計了50個查詢實例,分別采用本文方法與缺乏數據關聯或事件推理的方法進行查詢推理,并設計了查得率和正確率兩個性能指標,查得率是能夠得出查詢結果的實例數量和總查詢量的比率,正確率是查詢得到正確結果的實例數量和總查詢量的比率.表1從查得率和正確率兩個方面對不同方法的性能進行了比較.

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,對于沒有設置數據關聯和事件推理的查詢方法,只能基于數據表和表間的外鍵關聯等少量關聯信息進行查詢,50個實例有18個得到查詢結果(查得率36%),其中12個實例的查詢結果正確(正確率24%).對于增加了語義標注和數據關聯的查詢方法,查得率和正確率得到了較大提高.本文所提的帶有數據關聯和事件推理方法的查得率達到98%(只有一個查詢實例沒有查到結果),正確率也達到98%.可見本文方法對于屏蔽數據孤島、提高推理決策效果的優(yōu)越性.

5 結論

本文旨在解決物聯網系統(tǒng)異構及其產生的大量感知數據造成的數據孤島問題,試圖屏蔽數據孤島,實現跨系統(tǒng)的數據關聯,實現智能決策.本文從語義Web入手,通過構建領域本體模型實現物聯網感知數據的語義標注,采用Linked data思想實現數據間的語義關聯,采用基于事件的推理機制實現語義推理和決策,最后通過智能家居領域的兩個案例,實現了語義標注,數據關聯和基于jena的推理決策,驗證了本文方法的可行性;通過設計多個測試實例,從查得率和正確率兩個方面驗證了本文方法的優(yōu)越性.

致謝

感謝韓露和陳依冰在論文實驗中作出的貢獻.

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,李力行,金芝,許焱,鄭麗偉.物聯網服務建模:一種基于環(huán)境建模的方法.中國科學:信息科學,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.物聯網環(huán)境下多智能體決策信息支持技術.軟件學報,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.事件驅動、面向服務的物聯網服務提供方法.中國科學:信息科學,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.Rete算法:研究現狀與挑戰(zhàn).計算機科學,2012, 39(11):8?12,33)

馮建周 燕山大學信息科學與工程學院副教授.2013年獲燕山大學計算機應用技術專業(yè)博士學位.主要研究方向為語義Web,服務計算.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 燕山大學信息科學與工程學院碩士研究生.2015年獲得沈陽化工大學計算機科學與技術學院學士學位.主要研究方向為語義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 燕山大學信息科學與工程學院教授.1995年獲得哈爾濱工業(yè)大學機械電子工程專業(yè)博士學位.主要研究方向為智能信息處理,物聯網工程.

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.物聯網語義關聯和決策方法的研究.自動化學報,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

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

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

Recommended by Associate Editor XIA Yuan-Qing

1.燕山大學信息科學與工程學院秦皇島 066004 2.河北省虛擬技術與系統(tǒng)集成重點實驗室秦皇島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