در راستای طبقه بندی داده های اینترنت اشیا از طریق مشخصه های معنایی
دنیای فناوری با بهره مندی از بیلیون ها دستگاه حسگر کوچک، جمع آوری و به اشتراک گذاری حجم های بالایی از داده های متنوع رشد کرده است. با رشد تعداد چنین دستگاه ها، مدیریت تمام این منابع داده جدید به طور روز افزون سخت تر می گردد. امروزه، هیچ روش یکنواختی برای نمایش، به اشتراک گذاری و درک داده های اینترنت اشیا وجود ندارد که منجر به انبارهای اطلاعاتی می شود که مانع تحقق سناریوهای پیچیده IoT/M2M می شود. سناریوهای IoT/M2M تنها زمانی به پتانسیل کامل شان دست خواهند یافت که دستگاه ها با یکدیگر کار کرده و با حداقل مداخله انسان یاد گیرند. در این مقاله، در مورد محدودیت های راه حل های ذخیره سازی و تحلیلی امروزی بحث می کنیم، به مزایای راهکارهای معنایی برای سازماندهی محتوا اشاره کرده و مدل نظارت نشده مان را جهت یادگیری خودکار دسته بندی های کلمات بسط می دهیم. راه حل ما با مجموعه داده میلر – چارلز و یک مجموعه داده معنایی اینترنت اشیای استخراج شده از پلتفرم اینترنت اشیای متداول ارزیابی می شود که به همبستگی 0.63 دست می یابد.
کلمات کلیدی: اینترنت اشیا، ماشین به ماشین، اطلاعات محتوا، شباهت معنایی
Towards IoT data classification through semantic features
Future Generation Computer Systems Volume 86, September 2018, Pages 792-798
The technological world has grown by incorporating billions of small sensing devices, collecting and sharing huge amounts of diversified data. As the number of such devices grows, it becomes increasingly difficult to manage all these new data sources. Currently there is no uniform way to represent, share, and understand IoT data, leading to information silos that hinder the realization of complex IoT/M2M scenarios. IoT/M2M scenarios will only achieve their full potential when the devices work and learn together with minimal human intervention. In this paper we discuss the limitations of current storage and analytical solutions, point the advantages of semantic approaches for context organization and extend our unsupervised model to learn word categories automatically. Our solution was evaluated against Miller–Charles dataset and a IoT semantic dataset extracted from a popular IoT platform, achieving a correlation of 0.63.
Keywords: IoT, M2M, Context information, Semantic similarity