语义物联网中事件驱动的服务发现关键问题研究

发布时间：2020-08-25 04:51

【摘要】：随着物联网应用的普及与发展,物联网的智能化已成为业界的热点议题。语义物联网将语义网技术应用于物联网中,为物联网信息的语义化表示和处理奠定了基础,并被认为是物联网向智能化迈进的重要趋势。此外,为进一步增强智能物联网中异构设备的互操作性以及提升敏捷反应的能力,事件驱动的面向服务架构(Event-drivent Serviceoriented Architecture,EDSOA)被应用于智能物联网中。在该架构下,设备的功能被封装成语义物联网服务的形式,为设备间的数据共享和互操作提供支持。同时,事件作为消息的载体,可以反映物理环境中实体的状态变化,对智能物联网应用与物理环境之间的交互起到了促进作用。当物理环境中感兴趣的事件被捕获时,通过对事件的深入分析,智能物联网应用可调用相应的服务进行响应处理。在这种需求的促使下,针对事件的准确识别以及高效的服务发现成为重点和难点问题。一方面,由于物联网环境复杂多变,以及网络和设备的诸多不稳定因素,事件识别所需的传感数据存在一定程度的不确定性和动态性。而且,在一些复杂的场景中,仅利用传感数据往往不足以全面地刻画事件。另一方面,事件驱动的服务发现不仅需要充分考虑服务的功能需求,还应当尽可能地满足性能需求。从功能角度出发,需借助事件和服务的描述信息,通过服务匹配得到足以响应事件的服务。从性能角度出发,则应尽量考虑对服务质量(Quality of Service,QoS)的需求,选择优质的服务来响应事件。因此,无论在理论研究还是实际应用上,物联网环境中的事件识别以及事件驱动的服务发现都是具有重要意义且极具挑战的课题。本文针对语义物联网中事件驱动的服务发现展开研究,着重解决“事件识别问题”、“事件驱动的服务匹配问题”、“面向QoS的服务选择问题”这三个关键问题,旨在促进事件的准确识别和敏捷反应,为智能物联网对环境的监控提供有力支撑。本文的主要研究内容和创新点归纳如下:(1)为应对传感数据在事件刻画中的局限性,以及数据本身的不确定性和动态性,达到提升事件识别准确率的目的,本文将上下文信息引入到事件识别中,提出一种基于马尔科夫逻辑网的事件识别方法。在该方法中,提出了一种多层次信息融合模型,采用一阶逻辑公式构建传感数据、上下文信息和事件的关系,使得信息可以被综合利用。以此为基础,该方法通过对一阶逻辑规则附加权重来应对信息的不确定性,继而基于带权规则的推理进行事件识别。其中,规则的权重通过统计学习方法和提出的自适应权重更新算法来得到,以此减弱数据不确定性和动态性对事件识别的负面影响,提高复杂物联网环境中事件识别的准确率。实验结果表明,该事件识别方法可以有效地利用传感数据和上下文信息,应对数据的不确定性和动态性,提升事件识别的准确率、召回率和精确度,有助于智能物联网应用对环境的有效监测以及后续的响应处理。(2)为提升事件和服务的匹配效率和准确率,本文提出了一种混合词向量训练算法,进而提出了一种基于词向量的事件驱动的语义物联网服务自动匹配方法。在该方法中,定义了两种与事件相关的服务:事件识别服务和事件处理服务,并且基于词向量提出了一种语义物联网服务自动匹配模型,该模型根据词向量来计算两个服务的匹配度,当服务的匹配度高于给定阈值,则判定服务间具有匹配关系。此外,该混合词向量训练算法以语料库和知识库为训练资料,首先利用连续词袋模型(Continuous Bag of Words,CBOW)和提出的语义生成模型(Semantic Generation Model,SGM)分别对高频词和低频词进行处理,训练得到高频词和低频词对应的词向量,然后提出的余弦相似度改装(Cosine Similarity Retrofitting,CSR)模型对高、低频词向量进行联合优化,从而通过优化词向量的质量来提高服务匹配的准确率。实验结果表明,该服务匹配方法可以有效解决事件驱动的服务自动化匹配问题,并且提出的混合词向量训练算法能够获得高质量的词向量,在皮尔森相关系数和斯皮尔曼等级相关系数上表现出更好的效果,而且提升了服务匹配的准确率,为智能物联网应用针对事件的敏捷反应提供强有力的支撑。(3)所匹配的单个服务的功能有限,可以将若干子服务进行组合得到功能更加强大的复合服务,为提升复合服务选择的性能,以及服务需求方对QoS的满意度,本文兼顾QoS偏好和约束条件,提出一种面向QoS的复合服务选择方法。该方法包括局部优化和全局优化两个阶段,在局部优化阶段提出了QoS的属性比例(相当于对属性Q进行标准化)与平衡系数(用来反映候选服务集对QoS约束的影响力),根据属性比例和平衡系数,建立局部QoS评估模型,对候选服务进行QoS评估,并以此为标准对服务进行初步筛选,通过减少候选服务的数量提高复合服务选择的性能;在全局优化阶段采用模糊层次分析法对QoS偏好进行评估,并且结合QoS约束将复合服务选择问题转化为整数规划进行求解,以更好提升需求方对QoS的满意度。实验结果表明,该方法能够充分考虑QoS偏好和约束条件,通过获得高QoS评价的复合服务来提升服务的满意度,且具有较高的服务选择性能,有助于提升智能物联网应用对事件的响应效果。
【学位授予单位】：华南理工大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：TP391.44;TN929.5
【图文】：

体系结构图,语义网,体系结构,本体

图 1-1 语义网体系结构图[26]域本体范畴内，本体可以定义为关于领域知识的概念化、领域的本体研究和应用已取得一定的成果，主要集涉及传感器的类型、定义、部署、配置、观测等。会（OpenGISconsortium,OGC）提出的一套传感网赋[30]标准，它可以支持异构传感器、传感数据库在 W。其中，传感器建模语言（SensorModelLanguage，统中的处理过程提供了描述规范。OntoSensor 本体一个更通用的传感器访问和推理的知识库，甚至能O 本体[33]针对传感器的部署需求，可用于数据集成、作（MarineMetadataInteroperability，MMI）本体[34]

逻辑网,组织关系,识别方法,事件

第三章基于马尔科夫逻辑网的事件识别研究息融合模型；（2）规则权重的统计学习方法；（3）自适应权重的事件识别方法。各部分的组织关系如图 3-1 所示。针对不同型的目的是促进领域知识的建模，辅助构建一阶逻辑知识库则针对知识库中的规则，通过对历史数据的训练获取规则的针对数据的分布特征变化，通过权重更新来予以处理。基于已获取的马尔科夫逻辑网的基础上，通过推理来识别事件。

示意图,信息融合,事件,谓词

图 3-2 针对事件识别的三层信息融合模型示意图事件层中的结点代表eV 集合中的谓词。也就是说，该层的谓词均表示具有高层抽义的状态变化。根据复杂程度的不同，简单事件和复杂事件分别对应谓词ep 和cep 图 3-2 中，1ep 和2ep 表示简单事件，它们是由传感器提供的信息和其他上下文信息就明确捕捉到的基本状态变化。而复杂事件表示则是建立在简单事件的基础上，如图中1cep ，由上下文信息和其他事件共同反映的事件。在面对具体领域的事件识别时，需利用领域知识对该领域建立相适应的信息融合。根据上述对模型的描述，易得到领域中谓词集V 的元素。接下来，针对谓词间结组织，本节进一步给出五种关系构建策略。给定谓词结点集SV ，CV ，EV 分别表示传感层谓词结点，上下文层谓词结点和事谓词结点，并且，f 表示构造合式公式的函数。该函数可以利用一阶逻辑联结词子公式构造合式公式。

【相似文献】