Построение онтологии для систематизации характеристик сети интернета вещей

Построение онтологии для систематизации характеристик сети интернета вещей

Автор: Исаева О.С.

Журнал: Онтология проектирования @ontology-of-designing

Рубрика: Прикладные онтологии проектирования

Статья в выпуске: 2 (52) т.14, 2024 года.

Бесплатный доступ

Представлена формализация модели сети Интернета вещей, предназначенной для мониторинга технологических помещений с телекоммуникационным оборудованием в Федеральном исследовательском центре «Красноярский научный центр СО РАН». Сеть включает измерительные устройства, телекоммуникационную среду, серверы для сбора данных и прикладное программное обеспечение. Для информационного взаимодействия используется схема «издатель-подписчик» и облегчённый протокол с невысокой нагрузкой на каналы связи. Создана онтология, описывающая архитектуру сети и свойства устройств, которые собирают, передают, хранят и обрабатывают данные. Онтология содержит классы, представляющие понятия предметной области, отношения, свойства данных, диапазоны их изменения, критические значения, ограничивающие атрибуты элементов онтологии. Объекты онтологии имеют собственное цифровое представление в базах данных, включая результаты измерений, получаемые датчиками сети Интернета вещей, прецеденты аномальных данных, их статистические и частотные характеристики. Формализация позволила выявить неявные зависимости между объектами, связать их с характеристиками процессов, наблюдаемых устройствами сети Интернета вещей, и решать практические задачи. Рассмотрена задача выбора характеристик, влияющих на изменение схем информационного взаимодействия. Выполнен опрос экспертов и построена модель Кано для приоритизации характеристик, влияющих на принятие решений об организации схемы информационного взаимодействия в сети Интернета вещей.

Еще

Интернет вещей, издатель, брокер, подписчик, онтология, анализ задержек, частотный анализ, модель кано, реинжиниринг сети

Короткий адрес: https://sciup.org/170205619

IDR: 170205619   |   DOI: 10.18287/2223-9537-2024-14-2-243-255

Список литературы Построение онтологии для систематизации характеристик сети интернета вещей

  • Internet of Things Global Standards Initiative [Электронный ресурс]. https://www.itu.int/en/ITUT/gsi/iot/Pages/default.aspx.
  • Росляков А.В., Ваняшин С.В., Гребешков А.Ю. Интернет вещей. Самара: Поволжский государственный университет телекоммуникаций и информатики, 2015. 200 c.
  • Лоднева, О.Н., Ромасевич Е.П. Анализ трафика устройств Интернета вещей. Современные информационные технологии и ИТ-образование. 2018. Т.14, №1. С.149-169. DOI: 10.25559/SITITO.14.201801.149-169.
  • Javed A., Heljanko K., Buda A., Främling K. CEFIoT: A Fault-Tolerant IoT Architecture for Edge and Cloud // 2018 IEEE 4th World Forum on Internet of Things. 2018. P. 813-818. DOI: 10.1109/WF-IoT.2018.8355149.
  • Haripriya A., Kulothungan K. Secure-MQTT: An efficient fuzzy logic-based approach to detect dos attack in MQTT protocol for Internet of Things. EURASIP Journal on Wireless Communications and Networking. 2019, N90. DOI: 10.1186/s13638-019-1402-8.
  • Cook A.A., Mısırlı G., Fan Z. Anomaly detection for IoT time-series data: a survey. IEEE Internet of Things Journal. 2020. Vol. 7. P.6481-6494. DOI:10.1109/JIOT.2019.2958185.
  • Vaccari I., Chiola G., Aiello M., Mongelli M. MQTTset, a New Dataset for Machine Learning Techniques on MQTT. Sensors. 2020. Vol. 20(22). P.6578. DOI: 10.3390/s20226578.
  • Isaev S.V., Kononov D.D. Analysis of the dynamics of Internet threats for corporate network web services. CEUR Workshop Proceedings. 2021. Vol. 3047. P.71-78.
  • Кононов Д.Д., Исаев С.В. Анализ киберугроз корпоративной сети на основе параллельной обработки данных Netflow. Сибирский аэрокосмический журнал. 2023. Т. 24, № 4. С.663-672. DOI: 10.31772/2712-8970-2023- 24-4-663-672.
  • Bhattacharyya D.K., Kalita J.K. Network anomaly detection: A machine learning perspective. Boca Raton: CRC Press, 2013. 376 p.
  • Nassif A.B., Talib M.A., Nasir Q., Dakalbab F.M. Machine learning for anomaly detection: A systematic review. IEEE Access. 2021. Vol. 9. P.78658-78700. DOI: 10.1109/ACCESS.2021.3083060.
  • Omar S., Ngadi A., Jebur H. Machine learning techniques for anomaly detection: an overview. International Journal of Computer Applications. 2013. Vol.79(2). P.32-41. DOI: 10.5120/13715-1478.
  • Микони С.В. Методика построения многоуровневой модели оценивания сложного объекта. Онтология проектирования. 2022. Т.12(3). С.380-392. DOI: 10.18287/2223-9537-2022-12-3-380-392.
  • Моисеев А. Онтологии в информационной безопасности [Электронный ресурс]. https://www.kaspersky.ru/blog/cybersecurity-ontology/30977.
  • Куликов И.А., Жукова Н.А. Интеграция телекоммуникационных сетей в системе мониторинга с использованием доменных онтологий. Онтология проектирования. 2022. Т.12(3). С.353-366. DOI:10.18287/2223-9537-2022-12-3-353-366.
  • Исаева О.С., Кулясов Н.В., Исаев С.В. Создание инструментов сбора данных для анализа аспектов безопасности Интернета вещей. Информационные и математические технологии в науке и управлении. 2022. № 3(27). С.113-125. DOI: 10.38028/ESI.2022.27.3.011.
  • Vigo M., Matentzoglu N., Jay C., Stevens R. Comparing ontology authoring workflows with Protégé: In the laboratory, in the tutorial and in the „wild‟. Journal of Web Semantics. 2019. Vol. 57(12). DOI: 10.1016/j.websem.2018.09.004.
  • Dizdarević J., Carpio F., Jukan A., Masip-Bruin X. A Survey of communication protocols for Internet of Things and related challenges of fog and cloud computing integration. ACM Computing Surveys. 2019. Vol. 51(6). P.1-29. DOI: 10.1145/3292674.
  • Munshi A. Improved MQTT secure transmission flags in smart homes. Sensors. 2022. Vol. 22(6). P.2-15. DOI: 10.3390/s22062174.
  • Eclipse Mosquitto. An open source MQTT broker [Электронный ресурс]. https://mosquitto.org.
  • Татаринов В.И., Комашинский В.И., Иванов А.Ю. Маршрутизация в гибридных самоорганизующихся беспроводных сетях связи пятого поколения. Известия ТулГУ. Технические науки. 2023. № 3. С.283-290. DOI: 10.24412/2071-6168-2023-3-283-290.
  • Marutschke M., Hayashi Y. Kano model-based macro and micro shift in feature perception of short-term online courses. Collaboration Technologies and Social Computing, 2022. P.112-125. DOI: 10.1007/978-3-031-20218-6_8.
  • Hmissi F., Ouni S. An MQTT brokers distribution based on mist computing for real-time IoT communications. July 2021. [Preprint]. DOI: 10.21203/rs.3.rs-695717/v1.
  • Исаева О.С., Исаев С.В., Кулясов Н.В. Формирование адаптивных рассылок брокера данных Интернета вещей. Информационно-управляющие системы. 2022. T. 5, Вып. 120. С. 23-31. DOI: 10.31799/1684–8853-2022-5–23–31.
  • Исаева О.С. Построение цифрового профиля устройств Интернета вещей. Информационные и математические технологии в науке и управлении. 2023. № 2(30). С. 36-44. DOI: 10.25729/ESI.2023.30.2.004.
  • Николаева Н.Г., Исмаилова Р.Н. Модель Н. Кано: выбор направлений развития испытательной лаборатории. Компетентность. 2021. №1. С. 44-51. DOI: 10.24411/1993-8780-2021-10107.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp