اینترنت هوش معنوی و هوش مصنوعی

اینترنت هوش معنوی و هوش مصنوعی در یک شهر هوشمند محور U شهر هوشمند (SC)، به‌عنوان روند آتی توسعه شهر، خدمات مناسب را برای افراد فراهم می‌کند. SC شامل بسیاری از حوزه‌هایی مانند زیرساخت‌های شهری، محیط زندگی ساکنین، مدیریت حمل‌ونقل، درمان پزشکی، خرید، تضمین امنیت و غیره است. شایان‌ذکر است که مطالعه SC شروع می‌شود به خانه هوشمند (SH)، که اغلب به‌عنوان واحد اصلی SC شناخته می‌شود. در ابتدای کار SH، مفهوم محصول هوشمند پیشنهادشده است و این محصولات اغلب بدون شبکه و اتصال به اینترنت کار می‌کنند. (اینترنت هوش معنوی مبتنی بر هوش مصنوعی در یک شهر هوشمند محور)

مقدمه

امروزه تعداد زیادی از دستگاه‌های هوشمند در حال پیوستن به اینترنت هستند و فناوری‌های IoT در توانمندسازی برنامه‌های کاربردی مختلف در SC بیش از SH [8] هستند. علاوه بر دستگاه‌های فیزیکی، برخی از اشیاء مجازی نیز در SCs (به‌عنوان‌مثال، خواص اشیاء، داده‌های تولیدشده توسط دستگاه‌ها و ویژگی‌های انسانی) گنجانده‌شده است. SC ممکن است از سناریوهای مختلفی مانند شکل ۱ نشان داده شود، ازجمله Smart Grid (SG)، سیستم حمل‌ونقل هوشمند (ITS)، تشخیص هوشمند (IMD)، سیستم توصیه‌کننده خرید (SRS) و غیره. برای توضیح بیشتر، SG می‌تواند منبع تغذیه را برای کاهش مصرف کل انرژی بهینه‌سازی کند. ITS می‌تواند بهترین مسیر سفر برای مسافران را فراهم کند. IMD، از سوی دیگر، می‌تواند برنامه‌های پزشکی مناسب را مطابق با وضعیت بیمار ارائه دهد. درنهایت SRS می‌تواند محصولات مناسب را با توجه به تقاضای کاربران توصیه کند. لازم به ذکر است که این سناریوهای کاربردی در SC بر مبنای انتقال هوشمند و پردازش داده‌های عظیم داده‌های جمع‌آوری‌شده از دستگاه‌ها / اشیاء مختلف در SC استوار است. علاوه بر این، خدمات هوشمند که به کاربران کمک می‌کند تا تصمیمات دقیق‌تری را اتخاذ کنند، به‌طور فزاینده‌ای محبوب هستند، زیرا کیفیت تجربه (QoE) در برنامه‌های کاربردی SC به‌طور فزاینده‌ای اهمیت دارد. بااین‌حال، تقاضا برای خدمات هوشمند نیاز به یک قابلیت پردازش بسیار قوی داده است که باعث تقویت سیستم قدرتمند هوش مصنوعی (AI) در SH می‌شود.

اینترنت هوش معنوی و هوش مصنوعی

شهر هوشمند

 

 

به طور خاص، AI از تکنیک های مختلف یادگیری برای تسهیل منابع خودکار و تصمیم گیری قاطع استفاده می کند. بنابراین انتظار می رود که SC دارای هوش مصنوعی دارای هوش مصنوعی باشد. در دانشگاه ها، AI برای بیش از ۶۰ سال مورد مطالعه قرار گرفته است و در سال های اخیر، کاربرد های عملی و کاربردی بیشتری در حال گسترش است. یکی از کاربردهای کلیدی این است که تصمیمات سریع و مطلوب را مطابق با شرایط واقعی در نظر بگیریم و اخیرا نشان داده‌شده است که AI میتواند انسانها را در بسیاری از منافع، از جمله آلفا برو  . به طور کلی، نرم افزار AI را می توان به دو بخش تقسیم کرد. اولين و مهمترين آن، ماژول يادگيري مدل است که عمدتا مسئول جمع آوري اطلاعات مؤثر، آموزش داده ها و مدل سازي است. به عنوان مثال، ماژول یادگیری مدل از برنامه آلفا برو باید یاد بگیرد که چگونه برنده شدن در بازی. این باید با یادگیری تعداد زیادی از موقعیت / راه حل های بازی در مرحله جمع آوری داده ها و آموزش آموزش داده شود. راه حل ها / استراتژی های مربوطه خلاصه می شوند و مدل یادگیری و تصمیم گیری مربوطه در مرحله مدل سازی ساخته شده است. از سوی دیگر، یک ماژول دیگر ماژول پیش بینی است که مسئول ایجاد اقدامات برای پاسخ به وضعیت فعلی است. به عنوان مثال، ماژول پیش بینی Alpha GO می تواند وضعیت بازی فعلی را با توجه به مدل های موجود موجود، تجزیه و تحلیل کند، سپس بهترین نتیجه بر اساس نتیجه تجزیه و تحلیل اجرا می شود.

اینترنت هوش معنوی و هوش مصنوعی

برنامه‌های معمول AI معمولا برای سناریوها یا اشیا های کاربردی خاص توسعه می یابند، علاوه بر این، آنها نیاز به عمق سفارشی سازی دارند. بنابراین، برنامه‌های کاربردی متعارف AI ممکن است دشوار باشد به انطباق با یک سناریوی عمومی که متشکل از اشیاء متعدد است. با این حال، بسیاری از انواع مختلف اشیاء در SC وجود دارد و آنها احتمالا فراتر از محدوده / قابلیت برنامه‌های سنتی AI است. برای این منظور، تکنیک های AI جدید باید برای ایجاد برنامه‌های کاربردی عمومی طراحی شوند. این اشیاء به بسته های مختلف دستگاه ها و توابع دسترسی دارند که ممکن است استانداردها و الگوهای مختلفی را دنبال کنند. بنابراین، با هدف اطمینان از اینکه AI مشکلات موقت سرویس SC با استفاده از فناوری IoT را به طور موثر حل می کند، ساخت و ساز یک پلت فرم است که رفتارهای مختلف اشیا را به یک مدل واحد متصل می کند. به طور خاص، مدل یکپارچه می تواند از تلفیق اشیاء ناهمگن پشتیبانی کند و درنهایت پردازش سیستم AI را تسهیل می کند. به طور خاص، پلت فرم و مدل یکپارچه توسط تکنولوژی معنایی پشتیبانی می شود، که قادر به توصیف ویژگی های اشیاء برای درک بهتر دستگاه و پیاده سازی قابلیت همکاری در میان چندین سیستم ناهمگن است.

اینترنت هوش معنوی و هوش مصنوعی

در این مقاله، یک معماری خدمات ترکیبی IOT معنایی مبتنی بر AI (AI-SIoT) با استفاده از فن‌آوری‌های کلیدی پیشنهادشده است. انتظار می‌رود معماری به چالش‌های فوق‌الذکر، پشتیبانی از دستگاه‌های ناهمگن و پیدا کردن برنامه‌های کاربردی در سناریوهای عملی بپردازد. روش جاسازی AI به IoT معناشناختی در جزئیات شرح داده‌شده است و الگوی اجرای AI-SIoT نیز توضیح داده‌شده است. درنهایت، ما برخی از موارد استفاده معمولی را که بر اساس معماری سرویس AI-SIoT ما است توصیف می‌کنیم.

 

2. کار مرتبط

به‌تازگی، مطالعه معماری SC توجه زیادی را از دانشگاه و صنعت به خود جلب کرده است. هدف اصلی SC به درک الزامات کاربران و ارائه خدمات مناسب بر این اساس است. الزامات کاربران را می‌توان با تجزیه‌وتحلیل فعالیت‌های کاربر به دست آورد. به‌عنوان‌مثال، الزامات مراقبت‌های بهداشتی می‌تواند بر اساس برخی فعالیت‌های خاص بیماران کشف شود، برای مثال افرادی که از بیماری آلزایمر رنج می‌برند یک سندرم معمولی را نشان می‌دهد. بیماری به فعالیت‌های روزمره مردم آسیب می‌رساند، و برخی از برنامه‌های کاربردی SC جدید باید برای کمک به بیماران توسعه یابد. دامادی و همکاران یک روش ارزیابی بالینی با توجه به داده‌های رفتاری در یک‌خانه هوشمند ارائه کرد . این روش، یک مدل ارزیابی فعالیت را ایجاد می‌کند که فعالیت‌های زندگی روزانه را بر مبنای نمرات ارزیابی شناختی ارائه‌شده توسط پزشکان مرتبط ارزیابی می‌کند. فعالیت غیرطبیعی می‌تواند کشف شود و بیماری‌های مرتبط با آن بر اساس نمرات ارزیابی پیش‌بینی می‌شود. به‌طور مشابه، عبدالسلام و همکاران مدل فعالیت بیزی را بر اساس الگوی مصرف انرژی زمانی کاربردی در خانه‌های هوشمند پیشنهاد کرد . جالب‌توجه است که فعالیت غیرمعمول می‌تواند با تحلیل تغییرات مصرف انرژی شناخته شود و خدمات بهداشتی را می‌توان بر اساس آن ارائه کرد. جیمز و همکاران روش اختراع الگوی رفتار بر اساس برگ خرید زمان و فضا در خانه هوشمند پیشنهادشده است. ارتباط بین الگوهای رفتاری مختلف در نظر گرفته می‌شود و انتقال الگوی توسط زنجیره مارکوف سوم مرتب‌شده است.

اینترنت هوش معنوی و هوش مصنوعی

الزامات ایمنی نیز می‌تواند با تجزیه‌وتحلیل اطلاعات محیط‌زیست شناسایی و جمع‌آوری‌شده از فعالیت‌های مردم، برنامه‌های کاربردی هوشمند و مانیتورهای ساخت‌وساز موردتوجه قرار گیرد. هواسنگ و همکاران پیشنهاد رویکردی برای پشتیبانی تصمیم محکم برای خدمات ایمنی بر اساس مدل هستی‌شناسی معنایی در یک شبکه حسگر بی‌سیم. این رویکرد قادر به کشف زمینه هدف و شناسایی عوامل خطر از طریق استدلال است و مجموعه‌ای از مدل‌های هستی‌شناسی ساخته‌شده است.

در خصوص مقررات سرویس هوشمند، برخی از معماری IoT و SC در ادبیات اخیر پیشنهادشده است. پر و همکاران معماری IoT را پیشنهاد داد که خانه‌های هوشمند و شهرهای هوشمند را از طریق ابرهای (CoT) [] ادغام می‌کند. معماری اطلاعات را از دستگاه‌های IoT به ابر به‌روزرسانی می‌کند و سرویس هوشمند از طریق سیستم AI ارائه می‌شود. Bharti et al یک چارچوب تحقیق منابع هوشمند را با سه لایه پیشنهاد می‌کند که شامل ادراک، کشف و کاربرد هستند. معماری می‌تواند به اطلاعات متنی دسترسی پیدا کند و خدمات را از طریق موتور منطقی بر اساس مدل‌های هستی‌شناسی ارائه دهد. پائولو و همکاران پیشنهاد یک معماری ساده که خدمات را از طریق یک مدل پردازش اطلاعات ترکیبی ازجمله تجزیه‌وتحلیل داده‌های تاریخی و تحلیل زمان واقعی ارائه می‌دهد. این معماری از پذیرش داده‌ها، بازیابی داده‌ها و یادگیری ماشین‌ها برای تعیین خدمات ارائه‌شده پشتیبانی می‌کند. Charbel و همکاران (SRE) برای دروازه‌های صنعتی پیشنهادشده است. SRE می‌تواند از نمایش‌های معنایی برخوردار باشد و خدمات موردنیاز را به دست آورد.

اینترنت هوش معنوی و هوش مصنوعی

 

در جنبه‌ی سنجش جمعیت تلفن همراه برای SC، Guo و همکاران. یک بررسی در موردسنجش جمعیت تلفن همراه (MCS) را ارائه کرد و یک چارچوب جدید از سنجش و محاسبه جمعیت تلفن همراه (MCSC) را پیشنهاد کرد که کاربران تلفن همراه را قادر می‌سازد اطلاعات شخصی خود را به اشتراک بگذارد. این چارچوب می‌تواند سنجش صریح / ضمنی و داده‌های ناهمگن داده‌های متقاطع فضا را درک کند. گو و همکاران همجوشی انسان و ماشین هوشمند را برای انتخاب مناسب انسان برای برآورده ساختن نیازهای خاص ارائه داد. Zappatore و همکاران  یک پلت فرم MCS را در SC پیشنهاد کرد تا فعالیت و نظرات کاربران را مدنظر قرار دهد، پیشنهاد‌ها مربوط به مداخلات کاهش سروصدای را به مدیران شهرستان ارائه دهد و ابزار کمکی برای نظارت بر خطر بالقوه آلودگی صوتی را فراهم کند. الوار و همکاران  تجزیه‌وتحلیل فن‌آوری‌های نامشخص برای معماری‌های حسگر جمعیت ارائه می‌دهد و طراحی یک حس‌گر محیطی تلفن همراه را که می‌تواند نیازهای مانیتورینگ کیفیت هوا را برآورده نماید. لانگی و همکاران  پلتفرمی را به نام Urban Mobile Sensing به‌عنوان یک سرویس برای نظارت بر سروصدا، هوا، میدان الکترومغناطیسی ساخته است. این پلتفرم بر اساس پارادایم MCS است و می‌تواند از SC اطلاعات را جمع‌آوری کند تا کیفیت زندگی شهروندان را بهبود بخشد و به تصمیم مدیران شهر کمک کند. کراآدی و همکاران  یک پلت فرم MCS ارائه کرده و جوامع را برای افزایش مشارکت مردم در کمپین های MCS با استفاده از الگوریتم k-CLIQUE ارائه می‌دهد. حبیب زاده و همکاران استفاده از شبکه های حسگر توزیع شده برنامه‌های کاربردی شهر را مورد تجزیه‌وتحلیل قرار داد و سیستم های حسگر SC را که شامل حس‌گر های اختصاصی و غیر اختصاصی هستند را ارائه می‌دهد . سنسورهای اختصاصی برای برنامه‌های خاص طراحی شده اند و سنسورهای غیر اختصاصی توسط دستگاه‌های هوشمند متصل ساخته‌شده اند. Panichpapiboon و همکاران رویکرد حسگر تلفن همراه برای تخمین تراکم ترافیک پیشنهادشده است. این روش از وسایل نقلیه به‌عنوان سنسورهای تلفن همراه استفاده می‌کند و داده‌های ترافیکی را می‌توان از طریق آن جمع‌آوری کرد

اینترنت هوش معنوی و هوش مصنوعی

در جنبه‌های کاربردی مبتنی بر IoT برای SC، Hsu و همکاران. یک سیستم ردیابی در محیط داخلی مبتنی بر RFID برای افراد مسن پیشنهادشده است. این سیستم اطلاعات قدرت سیگنال RFID خواننده را جمع‌آوری می‌کند و با گره حسگر بی‌سیم یک شتاب سنج سه محور برای محاسبه مکان‌های کاربران، اطلاعات را جمع‌آوری می‌کند. Purri et al سیستم مراقبت بهداشتی مبتنی بر IoT را در بیمارستان‌ها شرح داده و سیستم می‌تواند بیماران را با استفاده از حس‌گرها نظارت کند و اجازه می‌دهد که اشیاء از راه دور شناسایی و کنترل شوند. مارتینی و همکاران سیستم ردیابی اطلاعات مبتنی بر فنّاوری RFID برای بیماران را توسعه داد و سیستم را از برخی شاخص‌های کلیدی مانند مناسب بودن، هزینه، کارایی، قابلیت استفاده، ردیابی پزشکی، ردیابی بیمار و ایمنی  ارزیابی کرد. Catarinucci و همکاران زیرساخت‌های هوشمند متناسب با زمینه و برنامه‌های مرتبط هوشمند مبتنی بر فن‌آوری RFID با فرکانس فوق‌العاده بالا (UHF) را پیشنهاد می‌کند که پیشنهاد می‌کند برچسب‌های RFID جدید دارای قابلیت انتقال داده‌ها توسط حس‌گرها باشند  Amendola و همکاران دستگاه‌های RFID مبتنی بر فناوری فعلی برای مراقبت‌های بهداشتی IOT مانند دستگاه‌های بدن محور (تشخیص حرکات کاربران) و دستگاه‌های مانیتورینگ محیطی (تشخیص دما، رطوبت و سایر گازها) را مورد تجزیه‌وتحلیل قراردادند. تالاری و همکاران فن‌آوری‌های IoT برای SC، مانند RFID، ارتباطات نزدیکی میدان (NFC)، شبکه محلی شبکه بی‌سیم کم‌سرعت (LWPAN)، شبکه‌های حس‌گر بی‌سیم (WSNs)، Dash7، ۳G و Long Term Evolution (LTE) و غیره را مورد تجزیه‌وتحلیل قرارداد. آن‌ها همچنین برنامه‌های کاربردی بالقوه IOT را در برخی زمینه‌های SC پیشنهاد دادند، مانند شهرهای هوشمند و جوامع، خانه‌های هوشمند و ساختمان‌ها، مشتری‌های پاسخگو، انرژی هوشمند و شبکه‌های هوشمند. Esposito و همکاران چارچوب آگاهانه بافتی را برای نسل هشدار با استفاده از بازنویسی زمینه‌های هستی شناختی، که می‌تواند استدلال مبتنی بر قاعده را تحقق بخشد، پیشنهاد کرد. بانگ و همکاران یک‌راه‌حل سلامت فراگیر و پیشگیرانه برای عدم رعایت دارو و نظارت روزانه را پیشنهاد کرد. این راه‌حل، بسته‌های هوشمند مبتنی بر RFID و فنّاوری‌های محاسباتی چندهسته‌ای را اجرا می‌کند. Majumder et al سیستم تحقیق و توسعه فعلی در دستگاه‌های پوشیدنی برای نظارت بر سلامت، نظیر سیستم نظارت قلب و عروق، سیستم نظارت بر فعالیت، سیستم مانیتورینگ دمای بدن، سیستم نظارت بر واکنش گالوانی پوست، سیستم نظارت بر اشباع اکسیژن خون و غیره، مورد تجزیه‌وتحلیل قرار گرفت. یانگ و همکاران پلت فرم مراقبت بهداشتی مبتنی بر IoT مبتنی بر Io ارائه‌شده است، که اطلاعات را از حسگرهای هوشمند متصل به بدن انسان جمع‌آوری می‌کند و اطلاعات را به ابر برای مدیریت روزانه دارو به‌روز می‌کند.

اینترنت هوش معنوی و هوش مصنوعی

در مورد خدمات محاسباتی لبه برای SC، Song و همکاران. یک برنامه ذخیره هوشمند همکاری در IoT از طریق سطح بالا اطلاعات اصول شبکه‌ای اطلاعاتی (ICN) ساخته‌شده است. از طریق تجزیه‌وتحلیل سناریوهای معمولی، نتیجه‌گیری می‌شود که این طرح به‌طورکلی تعداد بسته‌های بسته و متوسط ​​تأخیر انتقال را بهینه می‌کند. هوو همکاران برای تعبیه شبکه‌های مجازی سبز (GSVNE) برای محاسبه لبه مشترک در SC پیشنهادشده است تا تداوم قابلیت شبکه را تضمین کند. در این روش، تعداد و مکان جغرافیایی دستگاه‌های پشتیبان لبه با روش‌های منابع تقسیم‌بر اساس استراتژی‌های اکتشافی تعیین می‌شود و GSVNE میزان حداکثر میزان تقسیم منابع پشتیبان را تضمین می‌کند. Higashino و همکاران  ذکرشده است که فناوری ارتباطات اطلاعاتی (ICT) برای کاهش آسیب‌پذیری و مشکلات تحقیقاتی SC که در ده سال آینده انتظار می‌رود توسعه یابد، به‌عنوان یک شهر امن و هوشمند در برابر بلایای ثبت‌شده است. توسعه اینترنت، گوشی‌های هوشمند، دستگاه‌های IoT باعث تغییرات زیادی در گردآوری و توزیع اطلاعات مربوط به فاجعه شده است، بااین‌وجود هنوز هم برای توسعه وجود دارد اگر ما از فنّاوری‌های متعدد برای پشتیبانی از فاجعه استفاده کنیم. Sapienza و همکارانش یک مدل معماری SC با محاسبات لبه‌های تلفن همراه و محاسبات مه را پیشنهاد کرده‌اند که مفهوم Mobile Edge Computing (MEC) [را مورداستفاده قرار می‌دهد. این رویکرد، بار محاسباتی را بر روی تجهیزات شبکه توزیع می‌کند و برنامه‌ای که گره‌های بهره‌برداری برای راه‌اندازی سرویس برای SC بهبود تجربه کاربر را افزایش می‌دهد. سانتوس و همکاران چارچوب محاسبات مه را پیشنهاد می‌کند که امکان فعال سازی ۵G SC را با توابع مدیریت و توابع ارگونومی مستقل فراهم می‌کند. چارچوب یک سیستم مدیریت گره مگس کاملا یکپارچه و یک پروتکل مسیریابی Open Shortest Path First (OSPF) برای تبادل اطلاعات بین گره‌های مه است. نتایج ارزیابی نشان می‌دهد که استفاده از پهنای باند شبکه و تأخیر زمانی به‌طور چشمگیری کاهش می یابد. مرجع  یک رویکرد Cloud-cloudlet دنباله را در شبکه‌های دسترسی رادیویی مبتنی بر رایانه برای SC ارائه داد که می‌تواند تأخیر انتقال داده‌ها را در SC کاهش دهد.

اشاره شده است که رویه های مورد بحث در بالا، AI و مدل های معنایی بر مبنای زبان طبیعی را یکپارچه نمی کنند. علاوه بر این، مدل های هستی شناسی با ساختار فرموله محدود می شوند و بنابراین انعطاف پذیری مناسب نسبت به سیستم AI ندارند. در این مقاله با انگیزه های این مشاهدات، ما AI-SIoT را پیشنهاد دادیم تا به چالش هایی که با exi

 

۳٫ AI-SIoT معماری

معماری AI-SIoT کلی در شکل ۲ نشان داده شده و از سه لایه تشکیل شده است: لایه زیربنایی، لایه مدیریت سرویس و لایه تهیه منابع.

اینترنت اشیاع

 

۳٫۱ لایه زیرساخت

 

لایه زیرساخت شامل انواع دستگاه‌های هوشمند در SC IoT، از قبیل لوازم هوشمند در SHS، دستگاه‌های روشنایی هوشمند، موارد برچسب‌گذاری شده RFID، وسایل نقلیه هوشمند، دستگاه‌های هوشمند نظارت، دستگاه‌های پزشکی هوشمند، دستگاه‌های پوشیدنی، گوشی‌های هوشمند و موارد دیگر. دستگاه هوشمند IoT دسترسی به پایه‌ای برای ساخت IoT است. دستگاه هوشمند را می‌توان به سه نوع مختلف تقسیم کرد، ازجمله حس‌گرها، اعمال کننده‌ها و دستگاه‌های ترکیبی. حس‌گرها عمدتاً برای سنجش محیط‌زیست استفاده می‌شوند و می‌توانند به‌عنوان سانسورهای دما، سانسورهای رطوبت، سانسورهای نور، دوربین‌ها، باندهای هوشمند، خوانندگان RFID و غیره طبقه‌بندی شوند. در سیستم حس‌گر ساده، محرک زمانی عمل می‌کند که فرمان دریافت می‌کند. در سیستم حس‌گر پیشرفته‌تر، دستگاه‌های هیبریدی مجهز به ماژول‌های حساس و فعال و انجام کارهای پیچیده‌تر. به‌عنوان‌مثال، در محیط‌های زندگی و کار ما، بیشتر دستگاه‌ها دستگاه‌های ترکیبی ازجمله تلویزیون، یخچال و یخ‌زن، گوشی‌های هوشمند و ساعت‌های هوشمند هستند. ازآنجاکه تمام دستگاه‌های هوشمند برای خدمت به انسان طراحی‌شده‌اند، در طی تعامل میان کاربران، مقدار زیادی از اطلاعات می‌تواند تولید شود. داده‌ها همچنین می‌توانند برای تجزیه‌وتحلیل بیشتر در لایه مدیریت خدمات ثبت‌شده و ارسال شوند.

۳٫۲ لایه مدیریت خدمات

 

لایه مدیریت خدمات عمدتاً مسئول مدیریت دستگاه، تجزیه‌وتحلیل داده‌ها و ارائه خدمات هست. این در Cloud و منطقه سرویس مستقرشده است. این کاربر را با Cloud مرتبط می‌کند. سه ماژول جداگانه مهم وجود دارد: پلت فرم IoT، ماژول AI و ماژول تجزیه‌وتحلیل معنایی.

۳٫۲٫۱ پلت فرم IoT

پلت فرم IoT ورودی قابل‌دسترسی IoT برای دستگاه‌های هوشمند است. مثال‌ها شامل اما نه‌تنها به پلت فرم oneM2M، پلت فرم Alljoyn، چیزهای Google Android و Apps HomeKit محدود نمی‌شوند. oneM2M یک سازمان استانداردسازی بین‌المللی درزمینهٔ IoT است و پلت فرم oneM2M یک چارچوب منابع جهانی فراهم می‌کند که به دستگاه‌های oneM2M اجازه می‌دهد تا در استخر منابع ثبت‌نام کنند. Alljoyn یک چارچوب نرم‌افزاری منبع باز است که در اصل توسط Qualcomm توسعه داده‌شده است و پلت فرم Alljoyn یک‌راه حل کامل و جامع P2P را فراهم می‌کند که به پروتکل ارتباطی خاص بستگی ندارد. گوگل آن دروید چیزهای یک سیستم‌عامل IoT است و می‌تواند سرعت بخشیدن به توسعه دستگاه‌های IoT بر اساس سیستم‌عامل Android و برنامه‌های مربوطه را افزایش دهد. HomeKit اپل بر روی میدان SH تمرکز می‌کند و دستگاه‌های هوشمند SH را می‌توان توسط دستیار مجازی اپل سیری اداره کرد. این سیستم‌عامل IOT دستگاه‌های دسترسی شده را کنترل می‌کند و داده‌های دستگاه را جمع‌آوری می‌کند. پلت فرم IoT معمولاً به دو زیرموایل وابسته تقسیم می شود. یک زیرموایل در اطراف دستگاه‌های هوشمند به منظور اطمینان از دسترسی آنها به IoT مستقرشده و همچنین نقاط دسترسی را فراهم می‌کند. به‌عنوان یک زیرمجموعه از پلت فرم IoT، یک دروازه هوشمند می‌تواند به دستگاه‌های هوشمند برای دسترسی به IoT کمک کند، و معمولاً به‌عنوان پل بین لایه زیرساخت و لایه مدیریت خدمات دیده می شود. زیرموایل دیگر در Cloud مستقرشده است و مدیریت راه دور، تجزیه‌وتحلیل داده‌ها و سایر سرویس های گسترده را فراهم می‌کند. در معماری AI-SIoT، رابط کاربری AI برای پیوند پلت فرم IoT و ماژول AI ساخته شده است. تمام سیستم‌عامل ها می‌توانند رابط کاربری AI را برای دسترسی به ماژول AI برای تجزیه‌وتحلیل داده‌ها استفاده کنند. اگرچه استانداردهای IoT تمایل به یکپارچه سازی دارند، انواع استانداردها و سیستم‌عامل های مختلف برای مدت زمان زیادی در طول سال های آینده همکاری خواهند داشت. برای این منظور لازم است رابطهای مشابه برای تعاملات هوشمند بین سیستم‌عاملهای مختلف ارائه شود.

 

۳٫۲٫۲ ماژول AI

ماژول AI دارای پنج زیر مولکول است: تجزیه‌وتحلیل داده‌ها، شناسایی کاربر، شناخت رفتار، ساخت خدمات و ارائه خدمات. در ماژول AI، زیرموایل ها می‌توانند رابط تجزیه‌وتحلیل معنایی را برای تحقق تجزیه‌وتحلیل معنایی استفاده کنند. پلت فرم IoT داده‌ها را به ماژول AI از طریق رابط AI بارگذاری می‌کند و زیرمودل تجزیه‌وتحلیل داده‌ها داده‌های جمع‌آوری‌شده را از زیرساخت دریافت می‌کند و تجزیه‌وتحلیل می‌کند. در زیرگروه تجزیه‌وتحلیل داده‌ها، ویژگی های داده‌ها خلاصه می‌شوند و الگوهای تغییر داده‌ها از طریق تجزیه‌وتحلیل سری زمانی برای مدل‌سازی رفتاری استخراج می‌شوند.

فنّاوری تجزیه‌وتحلیل داده‌ها اساس AI است. در سناریوهای SC مبتنی بر IoT، تعداد زیادی از داده‌های کاربر هرروز تولید می‌شود. داده‌های کاربر نشان‌دهنده زندگی روزانه کاربر یا یک دوره زندگی است.. فنّاوری تجزیه‌وتحلیل داده‌ها می‌تواند داده‌های گسترده‌ای را که مدل الگوی زندگی یک کاربر را نشان می‌دهد، به دست آورد. چهار مرحله مهم برای تجزیه‌وتحلیل داده‌ها، ازجمله جمع‌آوری داده‌ها، آموزش داده‌ها، مدل‌سازی داده‌ها و پیش‌بینی داده‌ها وجود دارد. در جنبه‌های آموزش داده‌ها و مدل‌سازی داده‌ها، بسیاری از الگوریتم‌های مفید مانند مدل مخفی مارس وHMM)8]، نائب بیشین (NB)]، ماشین پشتیبانی بردار (SVM) [3]، Decision Tree (DT) [14]، شبکه عصبی مصنوعی (ANN) [47]، آموزش عمیق (DL) [9] و غیره. Forkan و همکاران روش HMM برای تشخیص ناهنجاری‌ها در فعالیت‌های روزانه استفاده می‌شود. در رویکرد، یک مدل آماری برای درک بی‌نظمی‌ها در روال‌های روزانه ساخته‌شده است، یک مدل پیش‌بینی بیماری برای اندازه‌گیری روند حالت‌های فیزیولوژیکی و یک مدل مبتنی بر قاعده فازی برای کشف آنومالی واقعی استفاده‌شده است. بی‌سو و همکاران یک سامانه هوشمند مبتنی بر محیط اطمینان محیطی را برای نظارت بر بیماران مبتلابه محدودیت‌های جسمی و روانی ساخته‌شده است. SVM مبتنی بر روش تشخیص فعالیت برای ارزیابی رفتار کاربر، هرچند تجزیه‌وتحلیل اطلاعات کاربران در مورد صوتی، محلی سازی و جنبش است. Bourobou و همکاران. الگوریتم خوشه‌بندی الگوریتم K را برای به دست آوردن مناسبات زمانی دقیق و ساخت مدل‌های فعالیت کاربر پیشنهاد کرد. سپس ANN به‌منظور تشخیص و پیش‌بینی فعالیت‌های بعدی کاربران بر اساس مدل‌های فعال موجود، که بر اساس داده‌های تاریخی است، استفاده می‌شود. او و همکاران پیشنهادشده تا تأکید بر الزامات QoE کاربران برای بهبود خدمات داده بزرگ، مانند شبکه هوشمند، مراقبت‌های بهداشتی هوشمند و گردشگری هوشمند. الگوریتم هذیانی مبتنی بر یادگیری عمیق برای به دست آوردن الزامات QoE کاربران و افزایش خدمات هوشمند پیشنهادشده است.

به‌طور خاص، HMM معمولاً برای سنجش اهداف کاربران با توجه به رفتارهای شناخته‌شده اجرا می‌شود. به‌عنوان‌مثال، یک رفتار که کاربر یک فنجان را جمع می‌کند، ممکن است نشان دهد که او می‌خواهد نوشیدنی بخورد. NB برای استخراج توالی رفتار یک کاربر استفاده می‌شود. به‌عنوان‌مثال، تماشای تلویزیون ممکن است یک توالی رفتاری مانند رفتن به اتاق نشیمن، روشن کردن تلویزیون و نشستن روی مبل باشد. SVM، DT، ANN و DL می‌توانند داده‌های مشخص‌شده جمع‌آوری‌شده را برای ساختن مدل پیش‌بینی رفتاری استفاده کنند.

علاوه بر این، برخی از روش‌های مدل‌سازی ترکیبی برای مدل‌سازی رفتاری وجود دارد. جن و همکاران مدل فعالیت بر اساس رویکردهای مبتنی بر دانش و داده‌ها ارائه‌شده است .. این مدل می‌تواند برای تشخیص فعالیت‌های کاربران در مرحله اولیه بر اساس مدل‌های موجود مبتنی بر هستی‌شناسی موجود استفاده شود. با افزایش داده‌های فعالیت، الگوهای فعالیت‌های جدید نیز از طریق داده‌کاوی کشف خواهد شد. کوک و همکاران یک روش کشف الگویی فعالیت پیچیده را بر اساس مدل فعالیت‌های از پیش تعریف‌شده پیشنهاد کرد .. این روش روابط بین مدل‌های فعالیت‌های از پیش تعریف‌شده و داده‌های فعالیت‌های بدون برچسب را برای ساخت الگوهای جدید فعالیت بررسی می‌کند. شباهت، Azkune et al. یک روش خوشه‌بندی فعالیت بر اساس مدل‌های اولیه فعالیت ساده ارائه می‌دهد که از طریق مهندسی دانش ساخته می‌شوند . این مدل‌های فعالیت مبتنی بر دانش دقیق هستند و آن‌ها را به‌عنوان نمونه‌های کامل و تخصصی فعالیت‌ها از طریق معدن الگو بهبود می‌یابد.

این روش‌ها معمولاً برای پیش‌بینی فعالیت‌های کاربران استفاده می‌شود. به‌عنوان‌مثال، ضربان قلب نظارت می‌شود و الگوی تغیر نرخ می‌تواند فعالیت کاربر را نشان دهد که در شکل ۳ نشان داده‌شده است.

 

داده هوشمند

 

به طور کلی، گوشی های هوشمند به‌موقع و به صورت دوره ای مکان های کاربران را گزارش می دهند. داده‌های موقعیت مکانی را می توان به عنوان یک رخداد محرک برای سرویس خودکار مبتنی بر مکان یا به عنوان یک مرجع منطقی برای سرویس توصیه استفاده کرد. علاوه بر داده‌های موقعیت مکانی، رفتار و اقدامات کاربران گزارش شده است. این داده ها پایه مهمی برای ساختن مدل رفتاری کاربران است که می‌تواند الگوهای رفتاری را که از طریق تکنیک های یادگیری ماشین مشخص شده است، نشان دهد. مدل رفتاری معمولا شامل زمان، مکان ها، اشیاء و محتویات است. محتوای رفتاری بیانگر تعامل با شیء هدف فعلی است.

مدل‌سازی رفتاری می‌تواند به انسان‌ها و دستگاه‌های هوشمند اشاره کند. در مدل‌سازی دو نوع داده وجود دارد: داده‌های ثبت‌نام و داده‌های خدمات. داده‌های ثبت‌نام هنگام تولید دستگاه‌های هوشمند در پلت فرم IoT ثبت می‌شوند. این ممکن است شامل اطلاعات اولیه در مورد دستگاه‌های ثبت‌شده مانند نام، نوع، شناسه دستگاه، سازنده و غیره باشد. داده‌های خدمات توسط دستگاه‌های هوشمند به‌موقع تولید می‌شود و می‌تواند وضعیت کار دستگاه را نشان دهد. حالت کار می‌تواند وضعیت روشن / خاموش، و یا برخی از حالت‌های عملکردی دیگر باشد. علاوه بر این، داده‌های عملکرد می‌توانند پارامترهای محیطی حساس و مدت‌زمان کار محاسبه‌شده و غیره باشند.

در زیرمودل شناسایی کاربر، هویت کاربر می‌تواند شناسایی و تایید شود. به طور کلی، گوشی های هوشمند، دستگاه‌های پوشیدنی و یا دیگر دستگاه‌های شخصی می‌تواند به عنوان ورود به SC از طریق ورود به سیستم کاربر استفاده می‌شود. از طریق رابط کاربر، این دستگاه می‌تواند چندین کار را انجام دهد، مانند قرار دادن کاربران، کنترل دستگاه‌های دیگر، ضبط مشخصات کاربر و غیره. از ویژگی های کاربر می توان برای توصیف کاربران و تسهیل مقررات خدمات مناسب استفاده کرد. زیرمویل توسط تجزیه و تحلیل معنایی از طریق رابط متناظر توانمند است. ماژول تجزیه و تحلیل معنایی می‌تواند اطلاعات کاربر دقیق را در ابعاد مختلف بدست آورد. در زیرگروه شناخت رفتاری، رفتار کاربر و رفتار دستگاه از طریق پشتیبانی از زیرمودل تجزیه و تحلیل داده ها و ماژول تجزیه و تحلیل معنایی به رسمیت شناخته شده و تایید می‌شود. رفتار کاربر نشان دهنده یک سری از فعالیت های کاربر برای یک هدف خاص است، و ترکیب و توالی این فعالیت ها به طور منظم است. هدف اصلی زیرموالد شناخت رفتار، کشف الگوی رفتاری و ساخت مدل رفتاری است. به عنوان مثال، یک کاربر اغلب شیر را در قهوه بدون شکر قرار می دهد. شیر و قهوه می‌تواند عناصر کلیدی برای الگوی رفتاری قهوه نوشیدنی باشد و قند ممکن است در الگوی رفتاری دیگر گنجانده شود. به رسمیت شناختن رفتار کاربر می‌تواند در زندگی روزمره کاربر کمک کند. به طور مشابه، رفتار دستگاه نشان می دهد که یک دستگاه یا برخی از دستگاه ها یک سری فعالیت ها را در یک دوره زمانی خاص اجرا می کنند. این فعالیت ها از طریق عملیات دستی یا عملیات خودکار انجام می‌شود. عملیات اتوماتیک به طور کلی از برخی حوادث ماشه حاصل می‌شود. برای مثال، هنگامی که درجه حرارت داخلی بالاتر از ۳۰ درجه سانتی گراد است، یک تهویه مطبوع تنظیم می‌شود تا خنک شود. دمای محیط یک نمونه از رویداد ماشه است. ارتباط بین دو رفتار مختلف مانند باز کردن درب و روشن کردن تهویه مطبوع این است که رفتار کاربر با دستگاهها تعامل دارد، اما رفتار دستگاه با پارامترهای محیطی یا حوادث کنترل شده تعامل دارد. تغییر پارامترهای محیط زیست یا برخی رویدادها هدف اصلی کاربران است که از دستگاه استفاده می کنند. رفتار کاربر می‌تواند رفتار دستگاه مربوطه را تحریک کند. به عنوان مثال، افراد کنترل کننده تهویه مطبوع را کنترل می کنند و تهویه مطبوع می‌تواند دمای را کاهش دهد. برخی رفتارهای مختلف دستگاه ممکن است نتایج مشابهی داشته باشند. بنابراین، در بعضی موقعیت های خاص ممکن است قابل تعویض باشند. به عنوان مثال، در تابستان، سیستم های تهویه مطبوع و طرفداران برق می‌توانند هر دو دمای را کاهش دهند. سیستم تهویه مطبوع ممکن است ترجیح داده شود، اما هنگامی که خراب شود، فن برق می‌تواند انتخاب بعدی باشد. علاوه بر این، نتایج رفتار دستگاه را می توان برای سنجش اهداف کاربر ثبت کرد. بنابراین خدمات اتوماسیون می‌تواند بر اساس اهداف کاربر ساخته و ارائه شود. زیرمویل ساخت و ساز خدمات عمدتا مسئول تهیه خدمات در دسترس است، از جمله خدمات اصلی و خدمات آموخته شده. Submodule ارائه خدمات می‌تواند خدمات آماده شده را به کاربران ارائه دهد.

 

۳٫۲٫۳ ماژول تحلیل معنایی

ماژول تجزیه‌وتحلیل معنایی (SA) اطلاعات‌پایه‌ای از تجزیه‌وتحلیل معنایی را برای شناسایی کاربر، شناخت رفتار و ایجاد خدمات در ماژول AI فراهم می‌کند. فنّاوری معنایی می‌تواند یک‌لایه نقشه‌برداری معنایی را از طریق ساخت مدل‌های مختلف معنایی، ازجمله مدل دستگاه، مدل کاربر، مدل دانش و مدل استدلال، بسازد [۵۲،۵۳]. لایه نقشه‌برداری معناشناختی، دستگاه‌های مختلف IoT را قادر می‌سازد تا ناهمگونت خود را پنهان کنند، که در شکل ۴ نشان داده‌شده است.

 

 

 

 

 

 

بسیاری از پلتفرم‌های IoT همکاری برای دسترسی به دستگاه، ازجمله پلت فرم Home-Haier، Apple HomeKit، Google Android Things، پلت فرم Alljoyn، پلت فرم oneM2M و غیره وجود دارد. به‌طور خاص، OneM2M متعهد به ایجاد استانداردهای جهانی برای IoT [] است. این اشاره به حوزه‌های مراقبت‌های بهداشتی، مدیریت انرژی، سرگرمی، امنیت و غیره است. بااین‌حال، استاندارد جهانی برای مدیریت دستگاه هوشمند در IOT هنوز در دست نیست. دستگاه‌های هوشمند از ارائه‌دهندگان مختلف از استانداردهای خود پیروی می‌کنند، ازجمله توضیحات دستگاه، دستورالعمل‌های عملکردی، رابط‌های کنترل. استانداردهای مختلف منجر به پیکربندی IoT غیرقابل انعطاف و گران می‌شود و آن‌ها را توسعه خدمات یکپارچه IoT را کاهش می‌دهد. بنابراین، لازم است که این سیستم‌عامل‌های مختلف IoT به یک module AI یکسان دسترسی داشته باشند تا تعامل بین پلتفرم‌های مختلف IoT را تضمین کند. پس‌ازآن، مردم می‌توانند به‌طور انعطاف‌پذیر از سرویس‌های مختلف سیستم‌عامل IOT برای همان هدف لذت ببرند. علاوه بر این، فناوری‌های معنایی دستگاه‌ها را قادر می‌سازد تا اهداف انسانی را درک کنند. فن‌آوری‌های معنایی محیط زندگی افراد را بر اساس پردازش زبان طبیعی، که همچنین کلید درک ماشین است، توصیف می‌کند. درراه حل‌های سرویس هوشمند سنتی، فنّاوری کنترل صدا به کار گرفته‌شده است و مردم می‌توانند خدمات را با ارائه دستورات و دستورالعمل‌های صوتی به دست آورند. بااین‌حال، این دستورات و دستورالعمل‌ها فقط بخش و هماهنگ با کتابخانه دستورالعمل ذاتی است. سرویس هوشمند سنتی مبتنی بر فهمیدن ماشین نیست و به‌اندازه کافی هوشمند نیست. فنّاوری معنایی نیاز به همه‌چیز دارد تا فعالیت‌های کاربران را درک کند و قصد کاربران را پیش‌بینی کند. محاسبات معنایی را می‌توان از طریق تطبیق معنایی انجام داد، ازجمله محاسبات انجمن و محاسبات شباهت. محاسبات انجمن مجموعه‌ای از خدماتی را که مردم نیاز دارند تعیین می‌کند. محاسبات مشابهی خدمات جایگزین را برای اهداف یکسان تعیین می‌کند. به‌عنوان‌مثال، هنگامی‌که یک سرویس در دسترس نیست، سرویس دیگری می‌تواند همان اثر را به دست آورد.

پنج ماژول تجزیه‌وتحلیل معناشناسی وجود دارد. هنگامی‌که یک دستگاه هوشمند جدید به پلت فرم IoT ثبت می‌شود، داده‌های ثبت‌نام را می‌توان برای مطابقت با مدل‌های معنایی مربوطه در زیرمودل تشخیصشی مورداستفاده قرارداد. این زیرموود Cloud را متصل می‌کند، مدل معنایی دستگاه جدید را از ارائه‌دهنده مدل دستگاه به دست می‌آورد و نمونه را با توجه به مدل معنایی ایجاد می‌کند. نمونه‌هایی از دستگاه‌های جدید در پایگاه داده مدل دستگاه ذخیره می‌شوند. مدل‌های پیشنهادی ما (ازجمله مدل دستگاه و مدل دانش / کاربر) در شکل ۵ نشان داده‌شده است. به‌طور خاص، شکل ۵a نشان می‌دهد که مدل دستگاه دارای دودسته از شاخه‌های اطلاعاتی است. اول، اطلاعات اساسی به‌طور عمده حاوی شناسه دستگاه، نام دستگاه، نوع دستگاه و مکان است. دوم، خواص عموماً شامل نام اموال، ارزش، نوع داده و حاشیه‌نویسی معنایی است. حاشیه‌نویسی معنایی عنصر کلیدی برای ایجاد ارتباط بین دستگاه‌ها است که در شکل ۵c توضیح داده‌شده است.

داده

 

علامت‌گذاری معنایی اطلاعات مربوط به ارتباط دستگاه‌های مختلف را شامل می‌شود، ازجمله اشیاء مرتبط، دستگاه‌های مرتبط، فعالیت‌های مرتبط و غیره. این محتویات معمولاً برای نتیجه‌گیری استفاده می‌شود، زیرا ویژگی‌های دستگاه را از جنبه‌های مختلف شرح می‌دهند. به‌عنوان‌مثال، تهویه هوا دارای ویژگی خنک‌کننده است که می‌تواند دمای محیط را کاهش دهد. یکی دیگر از ویژگی‌های تهویه مطبوع، تشخیص دما است که دمای زمان واقعی محیط را تشخیص می‌دهد. درعین‌حال، حاشیه‌نویسی معنایی خنک‌کننده مالکیت مربوطه را به‌عنوان تشخیص دما ثبت می‌کند و تابع اموال، قاعده را برای اجرای عملکرد خنک‌کننده زمانی که دمای بالاتر از یک مقدار معینی است تعیین می‌کند. سپس، کل فرآیند می‌تواند از طریق همکاری تشخیص خنک‌کننده و دما کار کند. اطلاعات ضبط‌شده از حاشیه‌نویسی معنایی همیشه با داده‌های فعالیت‌های کاربران و سایر دانش‌های در حال تغییر به‌روز می‌شود.

به‌طور مشابه، مدل‌های کاربر و مدل‌های دانش از ارائه‌دهندگان متقابل، که در شکل ۵b نشان داده‌شده است، به دست می‌آیند. مدل‌های کاربر عمدتاً ویژگی‌های کاربر، ترجیحات و الزامات را نشان می‌دهند. مدل‌های دانش نشان‌دهنده روش‌های کلی، دستورالعمل‌ها، حوادث مشترک و غیره هستند. به‌عنوان‌مثال، یک روش پخت‌وپز جدید با استفاده از کوره هوشمند در اینترنت وجود دارد. اگر نوع دستگاه هماهنگ باشد، اطلاعات دانش را می‌توان در حاشیه‌نویسی معنایی دستگاه مربوطه جمع‌آوری و ضبط کرد. سپس، هنگامی‌که کاربر می‌خواهد از اجاق برای آشپزی استفاده کند، روش جدید برای کاربر توصیه می‌شود.

یک زیر مواد ترکیبی معنایی یک اشاره‌گر معنایی را با یکدیگر با اشاره به مدل دستگاه و مدل دانش مرتبط می‌کند. روند ارتباط توسط محاسبات انجمن معنایی پشتیبانی می‌شود. هر ویژگی از دستگاه ممکن است دارای حاشیه‌نویسی معنایی متعدد باشد تا نشان دهد که چه چیزی می‌تواند این ویژگی را انجام دهد. هنگامی‌که مقدار ارتباط بین دو حاشیه‌نویسی معنایی از دستگاه‌های مختلف بالاتر از آستانه داده‌شده از طریق محاسبات انجمن است، دستگاه‌ها می‌توانند مرتبط شوند، و ویژگی‌های متناظر آن می‌توانند یک دستگاه مجازی جدید (VD) تشکیل دهند. VD به‌عنوان مجموعه‌ای از خواص دستگاه برای رضایت الزامات کاربران تعریف‌شده است و به‌عنوان یک مدل استدلال ساخته‌شده است. این خواص متعلق به دستگاه‌های مختلف است و آن‌ها یک توالی پیاده‌سازی هستند. به‌عنوان‌مثال، کاربر می‌خواهد تخم‌مرغ‌های سرخ‌شده را بخورد. او می‌تواند تخم‌مرغ را از یخچال و یخ‌زن بیرون بیاورد، ظرف را از اتاقک بیرون بیاورد و بطری گاز را روشن کند. یخچال، هیئت‌رئیسه و اجاق‌گاز، VD جدید برای پخت‌وپز را تشکیل می‌دهند. زیرگروه حاشیه‌نویسی معنایی حاوی حاشیه‌نویسی‌های اضافی بر اساس موجودات موجود برای ساخت مدل‌های معنایی مرتبط است. حاشیه‌نویسی معنایی اضافی پویا است و می‌تواند به‌طور مداوم با توجه به رفتار کاربر و رفتار دستگاه، بازنویسی شود. زیرمجموعه‌های استدلال معنوی و تحلیلی می‌توانند مدل‌های استدلال را با توجه به ارتباط بین مدل‌های معنایی، ازجمله مدل‌های کاربر، مدل‌های دستگاه و مدل‌های دانش، بسازند. حاشیه‌نویسی معنایی اساس استدلال معنایی است. مدل سرویس در زیر مدل خدمات مدل با توجه به نتایج تجزیه‌وتحلیل ساخته‌شده است و نشان‌دهنده معرفی آنچه و چه کاربر باید رفتار کند. زیرمودل ساخت مدل خدمات توسط زیرم ویل ساخت‌وساز سرویس در AI از طریق رابط تجزیه‌وتحلیل معنایی نامیده می‌شود.

کل فرایند تجزیه‌وتحلیل معنایی در شکل ۶ نشان داده‌شده است. هنگامی‌که دسترسی به دستگاه‌ها، آن‌ها به پلت فرم ثبت‌نام می‌کنند و اطلاعات‌پایه‌ای آن‌ها برای جستجوی مدل معنایی استفاده می‌شود. سپس نمونه‌های آن‌ها در پایگاه داده مدل محلی ذخیره می‌شود. ترکیبی معنایی این موارد را تجزیه‌وتحلیل و اعمال حاشیه‌نویسی معنایی و ایجاد ارتباط معنایی با توجه به مدل‌های دانش. هنگامی‌که الزامات خدمات شناسایی می‌شوند، استدلال و تجزیه‌وتحلیل معنایی برای جستجوی خدمات مرتبط موردنیاز است. درنهایت، مدل کاربران تجزیه‌وتحلیل خواهد شد و خدمات مناسب ایجاد خواهد شد.

 

5. چالش‌ها و فرصت‌ها

AI-SIoT پتانسیل خوبی برای برنامه‌های آینده ارائه داده است که می‌تواند سرویس‌های هوشمند را به‌راحتی فعال کند و خدمات جدیدی را برای برآورده ساختن نیازهای در حال رشد و متفاوت کاربران فراهم کند. درعین‌حال، AI-SIoT فرصت‌های تجاری زیادی را برای ارائه‌دهندگان خدمات فراهم می‌کند. بااین‌حال، برخی از چالش‌ها نیز وجود دارد.

۵٫۱ محافظت از اطلاعات شخصی

در SC بر اساس AI-SIoT، مردم باید اطلاعات شخصی خود را در Cloud برای خدمات هوشمند به اشتراک بگذارند. لایه مدیریت خدمات باید با توجه به اطلاعات شخصی، نیازهای کاربران را پیش‌بینی کند و خدمات مناسب ارائه دهد. ارائه‌دهندگان منابع باید با توجه به نتایج تحلیلی لایه مدیریت خدمات، خدمات هوشمند متفاوتی را ارائه دهند. بنابراین، جمع‌آوری اطلاعات شخصی کاربران، فرض بر ارائه خدمات هوشمندانه است. از سوی دیگر، بااین‌حال، به اشتراک‌گذاری اطلاعات شخصی ممکن است باعث افشای اطلاعات حریم خصوصی شود. اطلاعات شخصی کاربران می‌توانند توسط هکرها به دست آورد و دست‌کاری شوند و سرویس‌های هوشمند می‌توانند موردحمله و تخریب قرار گیرند. بنابراین، این‌یک چالش بزرگ برای حفاظت از امنیت اطلاعات شخصی تحت فرض تبادل اطلاعات است.

برای اطمینان از به اشتراک‌گذاری اطلاعات در سن IoT، روش‌های رمزگذاری اموال / ویژگی را می‌توان در آینده اجرا شود. اطلاعات حساس شخصی کاربران و اطلاعات دیگر ویژگی‌های آن‌ها به‌طور جداگانه رمزگذاری می‌شوند. ازآنجاکه این خدمات با توجه به خواص، ویژگی‌ها و الزامات کاربران (PFR) ارائه می‌شود، خدماتی که توسط یک کاربر خاص به دست می‌آید، می‌تواند یک‌بار دیگر توسط افرادی با PFR مشابه به دست آید و اطلاعات حساس شخصی دیگر برای دیگران قابل‌خواندن نیست.

۵٫۲ یکپارچه‌سازی داده‌های چندبعدی

در SC سناریو، داده‌های کاربر چندبعدی نسبتاً پیچیده در مقایسه با سناریوی SH ساده است. داده‌های کاربر چندبعدی می‌تواند یکپارچه و یکپارچه مورد تجزیه‌وتحلیل قرار گیرد. بنابراین، سناریو SC می‌تواند شامل بسیاری از راه‌حل‌های هوشمندانه خدمات باشد. این فراهم می‌کند فرصت‌های عالی برای ارائه‌دهندگان منابع، که الزامات کاربران را در انواع مختلف برآورده می‌کند و شیوه زندگی جدید می‌تواند تحریک شود. بااین‌حال، داده‌های چندبعدی چالش‌های جدیدی را در طول ارائه خدمات مناسب از طریق تجزیه‌وتحلیل معنایی ایجاد می‌کنند. به‌طور خاص، تجزیه‌وتحلیل معنایی مبتنی بر فنّاوری تطبیق معنایی بین سرویس‌های هوشمند و قصدهای کاربران است. داده‌های کاربر چندبعدی ممکن است اهداف مختلفی از کاربران را نشان دهد و به‌این‌ترتیب ممکن است خدمات مختلفی برای برنامه‌ریزی دقیق و کارآمد داشته باشند. بنابراین، چگونگی پرداختن به خدمات هم‌زمان و نحوه برنامه‌ریزی سرویس برای کاربران، مسائل مهم در توسعه AI-SIoT است.

سیستم AI بیشترین مشکلات را در تجزیه‌وتحلیل داده‌ها حل خواهد کرد. قصد کاربران، خدمات IoT و داده‌های چندبعدی را می‌توان با زبان طبیعی توصیف کرد. با بهبود عملکرد سرور و بلوغ تدریجی الگوریتم AI، سیستم AI می‌تواند تعداد زیادی از وظایف پردازش زبان طبیعی را در یک دوره کوتاه‌مدت اداره کند. بنابراین، تجزیه‌وتحلیل عمیق و پردازش مدل‌های معنایی بر اساس زبان طبیعی، روند آتی خواهد بود.

 

6. نتیجه گیری

در این مقاله پیشنهادشده است که AI را به SIoT در SC اعطا کنیم. ما برای اولین بار در مورد ضرورت معرفی AI به سرویس‌های هوشمند بحث و معرفی فن‌آوری‌های کلیدی، ازجمله فن‌آوری‌های تجزیه‌وتحلیل داده‌ها و فن‌آوری‌های معنایی. سابق به کشف الگوهای زندگی مردم اختصاص دارد. در ضمن، این دستگاه‌ها دستگاه‌های هوشمند را قادر می‌سازد تا فعالیت‌ها و قصدهای مردم را یاد بگیرند. با استفاده از فنّاوری‌های کلیدی بالا، معماری سرویس ترکیبی AI-SIoT را پیشنهاد می‌کنیم. AI-SIoT کاربر محور است و می‌تواند ناهمگونی پلتفرم‌های مختلف IoT را بر اساس مدل‌های مختلف معنایی از ابر، ازجمله مدل‌های کاربر، مدل‌های دستگاه و مدل‌های دانش، پنهان کند. نوع جدید خدمات نیز می‌تواند توسط ارائه‌دهندگان منابع مدل شده و به مردم ارائه شود. ما همچنین برخی از موارد استفاده از سرویس‌های هوشمند اساسی، حاشیه‌نویسی معنایی، استدلال و خدمات را بر اساس ترکیبات مدل‌های معنایی ارائه دادیم. درنهایت، ما فرصت‌ها و چالش‌ها درزمینهٔ مای تجاری و فنی SC را موردبحث قرار داده‌ایم. ما معتقدیم که AI-SIoT با موفقیت از خدمات SC در آینده پشتیبانی خواهد کرد.

 

منابع

1. آلواور O.، Calafate C.T.، Cano J.C.، Manzoni P. Crowdsensing در شهرهای هوشمند: اکتشاف، بسترهای نرم‌افزاری، و مسائل مربوط به محیط‌زیست. حس‌گرها ۲۰۱۸؛ ۱۸: ۴۶۰٫ doi: 10.3390 / s18020460. [مقاله رایگان PMC] [PubMed] [CrossRef] [Google Scholar]
2. Viani F.، Robol F.، Polo A.، Rocca P.، Oliveri G.، Massa A. معماری بی‌سیم برای حسگر ناهمگونی در برنامه‌های کاربردی هوشمند: مفاهیم و اجرای واقعی. Proc IEEE 2013؛ ۱۰۱: ۲۳۸۱-۲۳۹۶٫ doi: 10.1109 / JPROC.2013.2266858. [CrossRef] [Google Scholar]
3. Bisio I.، Lavagetto F.، Marchese M.، Sciarrone A. محيط هوشمند محيطی، زمینه‌ی زندگی را برای بيماران مبتلابه هماهنگی در بیماری‌های مؤثر فراهم می‌آورد. IEEE Commun. مگ ۲۰۱۵؛ ۵۳: ۳۴-۴۱٫ doi: 10.1109 / MCOM.2015.7010513. [CrossRef] [Google Scholar]
4. Corno F.، Razzak F. بهینه‌سازی انرژی هوشمند برای اهداف قابل‌فهم برای کاربر در محیط‌های هوشمند خانه. IEEE Trans. شبکه هوشمند. ۲۰۱۲؛ ۳: ۲۱۲۸-۲۱۳۵٫ انجام: ۱۰٫۱۱۰۹ / TSG.2012.2214407. [CrossRef] [Google Scholar]
5. Chen L.، Nugent C.، Okeyo G. یک روش ترکیبی مبتنی بر هستی‌شناسی به مدل‌سازی فعالیت برای خانه‌های هوشمند. IEEE Trans. هوو مات سیستم ۲۰۱۴؛ ۴۴: ۹۲-۱۰۵٫ doi: 10.1109 / THMS.2013.2293714. [CrossRef] [Google Scholar]
6. کلنگ H.، Chaisit S.، Phuong N.T.M. بهینه‌سازی یک طرح شناسایی مکان RFID بر اساس شبکه عصبی. بین‌المللی J. Commun. سیستم ۲۰۱۵؛ ۲۸: ۶۲۵-۶۴۴٫ doi: 10.1002 / dac.2692. [CrossRef] [Google Scholar]
7. Perera C.، Zaslavsky A.، Christen C.، Georgakopoulos D. حس‌گرایی به‌عنوان یک مدل خدمات برای شهرهای هوشمند پشتیبانی شده توسط اینترنت از همه‌چیز. ترانس. Emerg مخابرات تکنو ۲۰۱۴؛ ۲۵: ۸۱-۹۳٫ doi: 10.1002 / ett.2704. [CrossRef] [Google Scholar]
8. Gil D.، Ferrandez A.، Moramora H.، Peral J. اینترنت چیزهای: خلاصه‌ای از نظرسنجی بر اساس خدمات اطلاعات هوشمند آگاهانه. حس‌گرها ۲۰۱۶؛ ۱۶: ۱۰۶۹٫ doi: 10.3390 / s16071069. [مقاله رایگان PMC] [PubMed] [CrossRef] [Google Scholar]
9. او X.، بانگ K.، هواسنگ H.، لئو B. Qoe معماری داده‌های بزرگ برای شهر هوشمند. IEEE Commun. مگ ۲۰۱۸؛ ۵۶: ۸۸-۹۳٫ doi: 10.1109 / MCOM.2018.1700231. [CrossRef] [Google Scholar]
10. Rasch K. یک سیستم پیشنهادی نامنظم برای خانه‌های هوشمند. J. Ambient Intell. محیط‌زیست هوشمند ۲۰۱۴؛ ۶: ۲۱-۳۷٫ [Google Scholar]
11. Joseph R.، Nugent C.D.، Liu J. از شناخت فعالیت تا تشخیص قصد کمک به زندگی در خانه‌های هوشمند. IEEE Trans. هوو مات سیستم ۲۰۱۷؛ ۴۷: ۳۶۸-۳۷۹٫ [Google Scholar]
12. Silver D.، Huang A.، Maddison C.J. تسلط بر بازی برو با شبکه‌های عصبی عمیق و جستجو درخت. طبیعت ۲۰۱۶؛ ۵۲۹: ۴۸۴-۴۸۹٫ doi: 10.1038 / nature16961. [PubMed] [CrossRef] [Google Scholar]
13. Cosma G.، Brown D.، Archer M.، Khan M.، Pockley A.G. بررسی روش‌های هوشمند محاسباتی برای مدل‌سازی پیش‌بینی در سرطان پروستات. کارشناس سیستم کاربرد ۲۰۱۶؛ ۷۰: ۱-۱۹٫ doi: 10.1016 / j.eswa.2016.11.006. [CrossRef] [Google Scholar]
14. Dawadi N.N.، Cook D.J.، Schmitter-Edgecombe M. خودکار ارزیابی بالینی از داده‌های هوشمند خانه مبتنی بر رفتار. IEEE J. Biomed. اطلاع‌رسانی بهداشتی ۲۰۱۷؛ ۲۰: ۱۱۸۸-۱۱۹۴٫ doi: 10.1109 / JBHI.2015.2445754. [مقاله رایگان PMC] [PubMed] [CrossRef] [Google Scholar
    ۱۵٫ Abdulsalam Y., Singh S., Alamri A. Mining Human Activity Patterns from Smart Home Big Data for Healthcare Applications. IEEE Access. ۲۰۱۷;۵:۱۳۱۳۱–۱۳۱۴۱٫ [Google Scholar]
    ۱۶٫ Jens L., Järpe E., Verikas A. Detecting and exploring deviating behaviour of smart home residents. Expert Syst. Appl. ۲۰۱۶;۵۵:۴۲۹–۴۴۰٫ [Google Scholar]
    ۱۷٫ Huang X., Yi J., Zhu X., Chen S. A Semantic Approach with Decision Support for Safety Service in Smart Home Management. Sensors. ۲۰۱۶;۱۶:۱۲۲۴٫ doi: 10.3390/s16081224. [PMC free article] [PubMed] [CrossRef] [Google Scholar]
    ۱۸٫ Per L., Skouby K. Complex IoT Systems as Enablers for Smart Homes in a Smart City Vision. Sensors. ۲۰۱۶;۱۶:۱۸۴۰٫ [PMC free article] [PubMed] [Google Scholar]
    ۱۹٫ Bharti M., Saxena S., Kumar R. Intelligent Resource Inquisition Framework on Internet-of-Things. Comput. Electr. Eng. ۲۰۱۷;۵۸:۲۶۵–۲۸۱٫ doi: 10.1016/j.compeleceng.2016.12.023. [CrossRef] [Google Scholar]