Методы построения информационных структур для программ когнитивного мониторинга тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Климов Николай Васильевич

• Климов Николай Васильевич
• кандидат наук
• 2019

Оглавление диссертации кандидат наук Климов Николай Васильевич

Реферат

Synopsis

Введение

Глава 1. Анализ процесса информационного обеспечения когнитивного мониторинга Интернета Вещей и

постановка задачи

1.1 Цели, задачи и возможности информационного обеспечения когнитивного мониторинга Интернета Вещей

1.2 Анализ известных систем мониторинга Интернета Вещей

1.2.1 Классические системы мониторинга

1.2.2 Адаптивные системы мониторинга

1.2.3 Реконфигурируемые системы мониторинга

1.2.4 Когнитивные системы мониторинга

1.2.5 Выводы по анализу систем мониторинга Интернета Вещей

1.3 Анализ известных методов синтеза моделей, процессов и программ мониторинга

1.3.1 Анализ известных методов синтеза моделей и процессов мониторинга

1.3.2 Анализ известных методов синтеза программ мониторинга

1.4 Анализ известных методов синтеза автоматных моделей программ когнитивного мониторинга

1.4.1 Автоматные модели программ когнитивного мониторинга

1.4.2 Методы синтеза автоматных моделей программ когнитивного мониторинга

1.5 Постановка задачи и логическая схема исследования

1.6 Выводы по главе

Стр.

Глава 2. Модели информационного обеспечения когнитивного

мониторинга Интернета Вещей

2.1 Обобщённая модель систем когнитивного мониторинга Интернета Вещей

2.2 Информационные модели систем когнитивного мониторинга Интернета Вещей

2.2.1 Уровень подстситем и модулей

2.2.2 Уровень коммуникационных связей

2.2.3 Уровень сценариев поведения

2.2.4 Уровень физического представления

2.3 Нотация для формализации информационных структур когнитивного мониторинга Интернета Вещей

2.4 Выводы по главе

Глава 3. Методы и алгоритмы построения информационных

структур когнитивного мониторинга Интернета Вещей

3.1 Метод разработки информационных структур когнитивного мониторинга Интернета Вещей

3.1.1 Модели объектов когнитивного мониторинга

3.1.2 Алгоритм генерации моделей наблюдаемых объектов

3.1.3 Алгоритм генерации процессов мониторинга

3.1.4 Типовая схема когнитивного мониторинга

3.2 Метод адаптации информационных структур когнитивного мониторинга Интернета Вещей под конкретную предметную область

3.3 Выводы по главе

Глава 4. Экспериментальные исследования и методические рекомендации по повышению эффективности информационного обеспечения когнитивного мониторинга Интернета Вещей

4.1 Прототип программной платформы когнитивного мониторинга

Интернета Вещей

Стр.

4.2 Экспериментальные исследования алгоритмов генерации моделей объектов и процессов когнитивного мониторинга Интернета Вещей

4.2.1 Исследование алгоритма генерации моделей наблюдаемых объектов

4.2.2 Исследование алгоритма генерации процессов когнитивного мониторинга Интернета Вещей

4.3 Практические рекомендации по использованию и повышению эффективности когнитивного мониторинга Интернета Вещей

4.4 Выводы по главе

Заключение

Список сокращений

Список литературы

Список рисунков

Список таблиц

Приложение А. Тексты публикаций

Реферат Общая характеристика работы

Введение диссертации (часть автореферата) на тему «Методы построения информационных структур для программ когнитивного мониторинга»

Актуальность темы.

На сегодняшний день большинство технических объектов, используемых в различных предметных областях, объединены в локальные и глобальные сети. Подобные сети строятся в соответствии с принципами, определяемыми концепцией Интернета Вещей (1оТ) и обладают следующими особенностями:

1. Разнородность типов устройств и используемых информационных протоколов;

2. Разнородность среды, в которой функционируют устройства;

3. Большой объём генерируемой и обрабатываемой информации.

Мониторинг сетей Интернета Вещей, как правило, осуществляется с применением классических методов, фреймворков и систем. В таких системах делается акцент на подключение разнообразных источников данных, в то время как обработка и анализ поступающих данных реализуются при помощи простейших методов. Классические системы пригодны для мониторинга объектов с жёсткой, мало подверженной изменениям во времени информационной структурой, к которым сети Интернета Вещей отнесены быть не могут.

В случае наличия сложных внутренних закономерностей и механизмов обратной связи, а также высокой степени влияния окружающей среды на функционирование как наблюдаемых объектов, так и систем мониторинга, задача мониторинга становится нетривиальной и требует привлечения экспертов предметной области. При таком подходе мониторинг масштабных распределённых сетей требует больших материальных затрат. Необходимы новые когнитивные системы, способные решать задачи мониторинга Интернета Вещей без участия экспертов или с минимальным их привлечением. Для этого новые системы должны позволять обрабатывать получаемые от наблюдаемых объектов данные и строить на их основе формальные модели объектов, в частности, структурно-логические, функциональные и поведенческие.

Сети 1оТ могут содержать тысячи и десятки тысяч объектов, на каждом их которых измеряются сотни параметров. В этих условиях сбор и обработка

всех данных оказывается невозможной в силу нехватки технических ресурсов. Становится актуальной задача построения такого управления процессом мониторинга, которое позволяло бы учитывать текущие потребности в получаемых данных исходя из поставленных задач мониторинга и текущего состояния сети 1оТ.

На сегодняший день одним из перспективных подходов к построению систем когнитивного мониторинга является подход на основе программного синтеза моделей наблюдаемых объектов. В соответствии с этим подходом модели объектов мониторинга должны строится на основе поступающих от них данных, синтезируемые модели должны отражать структуру наблюдаемых объектов, учитывать взаимосвязи между их элементами, а также изменения этих взаимосвязей в пространстве и во времени, методы синтеза должны иметь относительно невысокую сложность.

В настоящее время теоретический и методологический аппарат синтеза моделей объектов мониторинга хорошо проработан. Имеются модели проблемно- и предметно-ориентированных систем мониторинга, предложена методология их разработки. Применение таких систем в ряде предметных областей показало эффективность аппарата синтеза моделей объектов мониторинга.

Однако, с учетом особенностей 1оТ, для применения имеющихся решений при построении систем когнитивного мониторинга сетей Интернета Вещей требуется дальнейшее развитие этих решений. В частности, для построения систем когнитивного мониторинга 1оТ необходимо разработать новые информационные структуры, а также методы и алгоритмы их построения.

Целью диссертационной работы является снижение сложности построения информационых структур программ когнитивного мониторинга.

Для достижения поставленной цели было необходимо решить следующие задачи:

1. Анализ процесса информационного обеспечения когнитивного мониторинга Интернета Вещей.

2. Разработка моделей информационного обеспечения когнитивного мониторинга Интернета Вещей.

3. Разработка методов и алгоритмов построения информационных структур когнитивного мониторинга Интернета Вещей

4. Реализация программной системы когнитивного мониторинга Интернета Вещей

5. Анализ и оценка предложенных методов и алгоритмов построения информационных структур когнитивного мониторинга интернета вещей. Разработка предложений по повышению эффективности информационного обеспечения когнитивного мониторинга Интернета Вещей.

Объект исследования. Процессы информационного обеспечения когнитивного мониторинга.

Предмет исследования. Модели, методы и алгоритмы построения информационных структур систем когнитивного мониторинга.

Научные положения, выносимые на защиту:

1. Модели информационного обеспечения когнитивного мониторинга Интернета Вещей, позволяющие адаптироваться к изменяющимся условиям среды за счёт построения программ наблюдения за объектами.

2. Метод построения информационных структур программ когнитивного мониторинга, адаптированных к изменяющимся условиям мониторинга за счёт реконфигурации графовых моделей с учётом условий Интернета Вещей.

3. Рекомендации по повышению эффективности информационного обеспечения когнитивного мониторинга Интернета Вещей, которые обеспечивают возможность применения новых решений на практике за счёт полученных количественных оценок сложности генерации процессов когнитивного мониторинга.

Теоретическая и практическая значимость состоит в разработке новых моделей, методов и средств, повышающих эффективность информационного обеспечения когнитивного мониторинга Интернета Вещей.

Достоверность. Достоверность научных положений, результатов и практических рекомендаций, представленных в настоящей научно-квалификационной работе, подтверждается корректной и обоснованной постановкой задач, экспертной оценкой и результатами экспериментальных исследований.

Апробация работы. Результаты работы были представлены на внут-ривузовских, всероссийских и международных конференциях: Proceedings of the 24th Conference of Open Innovations Association FRUCT (Санкт-Петербург, Россия, 2019); 9th IEEE International Conference on Internet of Things (iThings 2016); Proceedings of the 18th Conference of Open Innovations Association FRUCT (Санкт-Петербург, Россия, 2016); International Conference on Knowledge Engineering and Semantic Web (Москва, Россия, 2015).

Личный вклад автора. Автором лично проведён анализ существующих подходов и систем мониторинга, анализ существующих методов и алгоритмов построения реконфигурируемых процессов мониторинга. На основе проведённого анализа предложена обобщённая схема индуктивно-дедуктивного метода синтеза моделей и процессов мониторинга. Автором лично разработан набор информационных моделей для построения программ когнитивного мониторинга, разработан прототип программной реализации системы когнитивного мониторинга, а также проведена экспериментальная оценка прототипа. Подготовка основных публикаций проводилась с соавторами, при этом вклад автора был одним из основных.

Публикации. Основные результаты по теме научно-квалификационной работы изложены в 9 публикациях. Из них 4 изданы в журналах, рекомендованных ВАК, 4 опубликованы в изданиях, индексируемых в базе цитирования Scopus. Также имеется 3 свидетельства о государственной регистрации программ для ЭВМ.

Структура и объем диссертации. Диссертация состоит из введения, четырех глав, заключения и приложения. Полный объём диссертации составляет 228 страниц, включая 21 рисунок и 1 таблицу. Список литературы содержит 89 наименований.

Содержание работы

Во введении обосновывается актуальность проводимых исследований в рамках диссертационной работы. Сформулированы цель, поставленые задачи, научная новизна и положения, выносимые на защиту.

В первой главе дано определение мониторинга и процесса мониторинга в контексте систем Интернета Вещей. Выделены следующие особенности систем класса Интернета Вещей:

— Диверсифицированный и гетерогенный состав систем и инфраструктуры функционирования; большое количество подключаемых типов устройств;

— Большое количество аппаратных платформ, коммуникационных протоколов транспортного и прикладного уровня;

— Ярко выраженная иерархичность: базовые элементы системы объединяются в группы устройств, группы — в подсистемы, подсистемы — в сети и т. д;

— Высокая степень динамизма протекающих процессов; состав, количественные и качественные параметры функционирования элементов системы постоянно меняются;

— Большой масштаб. Десятки тысяч исполнительных устройств в одной системе, сотни гигабайт передаваемой по коммуникационным каналам информации.

Собранные данные об объектах и окружающей среде функционирования могут быть использованы для построения моделей объектов, отражающих состояние последних в текущий момент времени. Требования к строящимся моделям определяются исходя из целевых моделей наблюдаемых объектов. Данные целевые модели могут учитывать предзаданные существующие ограничения, такие, как допустимое время моделирования, точность и надежность моделей, количество доступных ресурсов на момент построения и т. д. Процессы и программы мониторинга объектов должны позволять достичь целеве модели объектов с учетом текущих моделей объектов.

В главе 1.2 приведён анализ типов современных подходов к построению систем мониторинга: классических, адаптивных, реконфигурируемых и когнитивных.

В классических системах мониторинга в роли агентов по сбору данных выступают отдельные сервисы, выполняемые на информационных элементах системы мониторинга. Сбор данных осуществляется по таким протоколам, как SNMP и SSH при помощи специализированных агентов. Собранные агентами данные отправляются на серверную часть системы мониторинга, где они обрабатываются, частично сохраняются в базе данных, анализируются на предмет событий и частично выводятся в подсистему взаимодействия с пользователем.

Процессы сбора данных и мониторинга в классических системах зачастую носят предзаданный характер. При помощи экспертов предметной области осуществляется формирование структуры наблюдаемого объекта. Любое изменение состава элементов наблюдаемого объекта влечёт за собой ручную "донастройку"системы мониторинга.

Адаптивные системы мониторинга могут быть построены с использованием различных так называемых "гибких" моделей обработки данных или

путем определения набора бизнес-правил при построении процессов [1]. Уровень способности адаптации системы мониторинга к изменяющимся условиям функционирования наблюдаемого объекта в разных случаях зависит от состава бизнес-правил и настраиваемых параметров моделей обработки. На сегодняшний день существует большое количество систем мониторинга, разработанных с учётом данных концепций [2].

В области Интернета Вещей современный уровень развития систем мониторинга в целом позволяет разрабатывать адаптивные системы. В частности, модель мониторинга, а также различные условия и способы предоставления услуг в сфере телекоммуникации рассматриваются в [3]. В данных системах широко используются методы статистического анализа данных, машинного обучения, в частности, деревья решений, байесовские сети и другие [4]. Для апробации предложенных решений на практике было разработано несколько систем [5].

В главе 1.2.3 рассматриваются реконфигурируемые системы мониторинга. Операция реконфигурации в системах мониторинга предполагает изменение процесса сбора и обработки данных и может выполняться на разных уровнях; в частности, это могут быть классические уровни архитектуры 1оТ-сети:

— Уровень датчика;

— Уровень встроенной системы;

— Уровень совокупности систем;

— Уровень сети.

На уровне датчиков задачи реконфигурации решаются путем разработки новых программируемых датчиков, с возможностью загрузки и исполнения произвольных программ — например, на различных скриптовых языках [6], что позволяет при необходимости изменить способ их функционирования для адаптации к изменившемуся контексту. В случае реконфигурации на уровне встроенной системы осуществляется частичная замена или обновление функциональных подмодулей предварительной обработки данных [7].

Методы реализации реконфигурируемых систем с использованием сервис-ориентированных архитектур, в частности, в задачах маршрутизации сообщений и управления сервисами, рассматриваются в [8]. Пример технического решения для построения реконфигурируемой системы представлен в [9].

Задача реконфигурации может также заключаться в перераспределении вычислительных ресурсов. Во время создания нового модуля мониторинга

вычислительные узлы, на которых он будет выполняться, могут выбираться исходя из текущей нагрузки компьютерной сети, что обеспечивает необходимую степень балансировки нагрузки системы в целом. Данный подход на базе динамического связывания процессов вычисления и процессов мониторинга позволяет адаптировать систему к новым источникам данных и новым методам обработки.

В главе 1.2.4 приведено понятие когнитивности применительно к информационным системам и к системам мониторинга в частности, способным функционировать условиях слабой структурированности либо неполноты получаемой информации.

Реализация самих когнитивных моделей в системах мониторинга обеспечивается за счет разработки и использования когнитивных технологий. Использование аппарата синтеза обеспечивает:

— Формирование представления о структурно-логической схеме наблюдаемого объекта. По аналогии с экспертом-человеком, система когнитивного мониторинга способна за счёт анализа поступаемых показаний от элементов наблюдаемого объекта выносить суждения о его структуре и возможных внутренних связях, осуществляя переход от частной информационной модели к общей — то есть осуществлять индуктивный синтез моделей.

— Контекстный анализ ситуации на основе накопленного ранее опыта: получая частичное представление об объекте в форме тех же показаний, система когнитивного мониторинга способна "достроить"общую картину с учётом уже сформированных связей. В данном случае осуществляется переход от общего представления к частному, то есть дедуктивный синтез, позволяющий решить конкретную задачу актуальной перестройки процесса мониторинга для достижения поставленной задачи.

Использование предложенных методов синтеза обеспечивается за счёт следующих описаний:

— Генерализованное формальное описание рассматриваемой предметной области. Такое описание должно содержать информацию о составе информационных элементов, допустимые значения параметров, граничные условия функционирования и т. д.

— Описание различных алгоритмов и способов обработки, агрегации и нормализации получаемых данных.

— Описание правил, ограничивающих круг возможных логических и структурных связей между элементами разных моделей.

Таким образом, задача синтеза процессов сводится к нахождению такой последовательности переходов, которая позволяла бы достичь целевой модели объекта из известной текущей. При этом, данная последовательность может быть сформулирована на абстрактном уровне и в дальнейшем использоваться как верхнеуровневый алгоритм, или схема действий для дальнейшей трансляции в конкретный программный код (например, на скриптовом языке).

Для построения систем когнитивного мониторинга и соответствующих моделей наблюдаемых объектов возможно применение моделей и методов, разрабатываемых в рамках трех направлений: эмерджентного, символического и гибридного [10]. Первый тип характеризуется использованием различных моделей знаний (в частности, графовых). Для второго типа характерно использование различных подходов на основе нейросетей. Гибридные архитектуры предусматривают совместное использование моделей знаний и нейросетевых методов, что позволяет реализовывать системы с более широкими возможностями.

В главе 1.2.5 приведён результат обзора существующих подходов к построению программ мониторинга. Имеющиеся подходы не позволяют в полной мере решать задачи построения моделей объектов с учетом их особенностей и имеющихся ограничений. Кроме того, искусственные системы, по большей части, продолжают оставаться только экспериментальными. Однако, символические искусственные системы, способные к слиянию данных, имеют большие потенциальные возможности. Создание на их основе новых символических систем, способных к моделированию реальных объектов, возможно за счет применения в них аппарата автоматического синтеза.

В главе 1.3 рассматриваются известные подходы к синтезу моделей, программ и процессов мониторинга.

Один из способов синтеза моделей — использование предзаданных формальных спецификаций, в качестве которых могут использоваться математические функции или логические выражения. При описании логических функций, как правило, используется логика первого порядка. В качестве входных данных могут использоваться совокупные пары входов и выходов, а также референсные структуры. Последние примечательны тем, что помимо логической структу-

ры содержат в себе примеры необходимых способов преобразования данных. Кроме того, в качестве входных данных могут выступать примеры самих синтезируемых структур. В главе рассматриваются классические методы синтеза: дедуктивный синтез (предполагает построение модели на основе спецификации и множества предзаданных аксиом), индуктивный синтез (предполагает последовательный поиск заданных структур на основе входных данных и позволяет использовать менее строгие спецификации), подход к синтезу на основе трансформаций (позволяет постепенно изменять описание требуемой структуры, осуществляя её последовательную формализацию), методы разрешения ограничений (предполагают генерацию ограничений, накладываемых на синтезируемые структуры, с последующим их разрешением).

Для преодоления ограниченной сферы применимости классических методов синтеза был разработан ряд новых методов. В работе рассматриваются управляемый нисходящий поиск (предполагает использование различных численных методов с использованием обратной связи), построение скетчей структур (синтез искомых структур предваряет этап синтеза верхнеуровневых скетчей, при этом для синтеза скетчей и самих структур могут использоваться разные вероятностные модели), использование нейронных сетей, поиск, управляемый конфликтами (предусматривает управление поиском на основе данных о предшествующих неудачных попытках синтеза).

В контексте задач когнитивного мониторинга при выборе методов синтеза формальных структур для построения моделей объектов учитывается их способность строить новые структуры и возможность перестраивать имеющиеся, а также вычислительная сложность методов [11; 12]. Требование к способности построения новых структур и перестройке существующих вызвано структурной сложностью моделируемых объектов, возможностью изменения структур объектов и их поведения. Для таких объектов нет возможности построить множество всех возможных структур. Требование к низкой сложности определяется большим числом возможных состояний объектов и переходов между ними.

Сами по себе существующие методы не предоставляют возможности для построения динамических моделей объектов мониторинга. по исходным потокам данных. Индуктивный синтез позволяет лишь организовать поступающие потоки данных в соответствии с набором предзаданных схем синтеза [13]. Дедуктивный синтез, в свою очередь, отталкивается от набора предзаданных формальных спецификаций и не применим для построения моделей на основе

потоков данных, а также зачастую имеет высокую вычислительную сложность за счёт необходимости проверки большого количества кортежей элементов на этапе связывания.

Рассмотренные требования приводят к необходимости совместного использования индуктивных и дедуктивных методов синтеза при синтезе моделей объектов. Индуктивный синтез может позволить строить модели объектов по потокам исходных данных или их фрагментам. Множество построенных индуктивных моделей определяет пространство, в котором объекты имеют формальное описание. В этом пространстве возможно применение методов дедуктивного синтеза.

В разделе 1.4 рассматриваются существующие методы синтеза автоматных моделей программ когнитивного мониторинга.

Модель статичной системы мониторинга представима в виде конечного автомата. Реконфигурируемые системы мониторинга предполагают динамическое изменение своей внутренней структуры в соответствии с текущими условиями функционирования. Для формализации моделей когнитивного мониторинга могут использоваться относительно-конечногые автоматы (ОКА).

На момент времени ^ каждый автомат представим в виде следующего набора элементов:

1. Вектор входных данных;

2. Вектор внутренних параметрв;

3. Вектор выходных данных;

4. Функции перехода из одного внутреннего состояния в другое;

5. Функции выходов.

Каждый из описанных элементов на момент времени ^ может принадлежать соответствующему множеству допустимых элементов. В другие моменты времени данные множества могут быть другими; причём, имеется зависимость от предыдущего ОКА: например, текущее состояние может быть функцией от предыдущего, и т. д.

Каждый такой автомат описывает наблюдаемый объект на одном из рассматриваемых уровней. Как правило, автоматы более высоких уровней могут быть построены на базе автоматов более низких уровней. Формируется иерархия взаимосвязанных автоматных моделей, репрезентирующая многоуровневую структуру наблюдаемого объекта.

Кроме того, может иметь место зависимость между двумя автоматами за различные промежутки времени: ОКАОКА^ 1. Группы автоматов, соответствующих моделям объекта на статичный интервал времени, может быть связана с другими группами. Совокупность связанных ОКА представляет собой динамическую структурно-функциональную модель наблюдаемого объекта.

Отличительной особенностью рассмотренного относительно-конечного операционного автомата является то, что набор разрешенных параметров справедлив только на одной стадии (переходе), а сами параметры определены относительно предыдущего состояния. В полной автоматной модели можно изменять не только набор разрешенных входных, выходных и внутренних состояний, но также наборы транзакций и выходных функций автомата. В отдельных случаях один автомат может быть сведён к другому с допустимым наборами параметров, которые не зависят от предыдущих внутренних состояний.

Приведённый автомат можно рассматривать как модель полностью рекон-фигурируемой программы. Также его можно рассматривать в качестве модели системы, которая работает в соответствии с этой программой.

Каждый такой автомат можно признать комплексом сопряженных автоматов более низкого уровня. Переход между уровнями с формальной точки зрения может рассматриваться как процесс настройки или изменения набора разрешенных параметров. Компактность представления одной и той же функциональности в форме относительно-конечного операционного автомата существенно зависит от уровня иерархии, используемого для описания операции реконфигурации.

Процесс построения программ когнитивного мониторинга состоит из следующих шагов:

1. Сбор данных о наблюдаемом объекте и обработка собранных данных. Исходные данные, полученные от объектов представляются в виде потоков данных. Обработка данных предполагает приведение исходных разнородных данных к некоему унифицированному представлению, позволяющему идентифицировать и описать составные информационные элементы наблюдаемого объекта. Так как сложность оценки качества полученных после обработки данных может быть высокой, то предполагается наличие некоторого дополнительного процесса оценки, основанного на заданных информационных критериях, который может быть использован для обеспечения обратной связи по результатам обра-

ботки. В результате такой обратной связи, процессы обработки данных могут быть перестроены.

2. Построение локальных, или статических моделей объекта посредством связывания полученных информационных элементов. Элементы данных и выявленные связи между ними представляются при помощи использования формальных структур.

3. Построение глобальных, или динамических моделей объекта. Данные модели строятся на основе полученных локальных моделей посредством их связывания.

В разделе 1.5 сформулированы поставленные в работе задачи.

Во второй главе описаны основные модели информационного обеспечения систем когнитивного мониторинга.

Состав компонентов таких систем приведён ниже.

— Для работы с полученными посредством адаптеров данными, а также для обработки иных данных, связанных с изменением состояния объектов мониторинга, в системе мониторинга и управления должна быть реализована соответствующая подсистема получения и обработки данных (шина данных). Данная подсистема выступает в роли единого брокера циркулирующих в системе данных, нормализованных и приведённых к единообразию: после первичной фильтрации осуществляется перенаправление данных потоков в подсистему накопления и хранения данных, а также в подсистему формирования локальных информационных моделей наблюдаемых технических объектов и в подсистему генерации процессов мониторинга.

Список литературы диссертационного исследования кандидат наук Климов Николай Васильевич, 2019 год

Литература

1. Encyclopedia of Management. [Электронный ресурс]. URL: http://www.enotes.com/management-encyclopedia/management-thought (дата обращения 15.10.2018).

2. Osipov V. Yu., Zhukova N. A., Vodyaho A. I., Kalmatsky A., Mustafin N. G. Towards Building of Cable TV Content-Sensitive Adaptive Monitoring and Management Systems / International Journal of Computers and Communications. Vol. 11, 2017, pp. 75-81

3. Glodek M., Honold F., Geier T., Krell G., Nothdurft F., Reuter S., Schüssel F., Hörnle T., Dietmayer K., Minker W., Biundo S., Weber M., Palm G., Schwenker F. Fusion paradigms in cognitive technical systems for human -computer interaction // Journal Neurocomputing archive. Vol. 161. Issue C, 2015, P. 17-37.

4. Goertzel B., Lian R., Arel I., Garis H., Chen S. World survey of artificial brains, Part II: Biologically inspired cognitive architectures // Journal Neurocomputing archive. 74, 2010, P. 30-49.

5. Madla T., Chena K., Montaldi D., Trappl R. Computational cognitive models of spatial memory in navigation space: A review // Neural Networks. 65, 2015, P.18-43.

6. Haikonen P. The Role of Associative Processing in Cognitive Computing // Cognitive Computation. 1(1), 2009, P. 42-49.

7. Загоруйко, Н. Г. Когнитивный анализ данных. - Академическое издательство «ГЕО», 2012. 203 с.

8. Axelrod R. The cognitive mapping approach to decision making. In: Structure of Decision. The Cognitive Maps of Political Elites. - Princeton: Princeton University Press, 1976. P. 3-17.

9. Авдеева З.К. Сравнительный анализ выборочных когнитивных карт по степени формализации // Когнитивный анализ и управление развитием ситуаций (CASC'2009): Труды Международной конференции. М.: ИПУ РАН, 2009. С.11-22.

10. Duch W., Oentaryo R., Pasquier M., Cognitive architectures: where do we go from here? // Frontiers in Artificial Intelligence and Applications, 2008.

11. Gardner K. M., Rush A., Crist M. K., Teegarden B., Konitzer R. K. Cognitive Patterns: Problem-Solving Frameworks for Object Technology. Zurich, Switzerland, 2011. 166 p.

12. Perlovsky L. I. Cognitive high level information fusion // Information Sciences. 177, 2007, pp. 2099-2118.

13. Kotseruba J., Tsotsos J. K. 40 years of cognitive architectures: core cognitive abilities and practical applications. Artificial Intelligence Review, 2018. https://doi.org/10.1007/s10462-018-9646-y (дата обращения 15.10.2018).

14. Laird J., Rosenbloom P., Newell A. SOAR: an architecture for general intelligence // Artificial Intelligence. 33(1), 1987, pp. 1-64.

15. Langley P. An adaptive architecture for physical agents // Proceedings of the 2005 IEEE/WIC/ACM International Conference on Intelligent Agent Technology. 2005. DOI:10.1109/WI.2005.24.

16. Anderson J. R., Lebiere C. The newell test for a theory of cognition // Behavioral and Brain Sciences. 26, 2003, pp. 587-640.

17. Osipov V. Y. Automatic synthesis of action programs for intelligent robots /Programming and Computer Software. Volume 42, Issue 3, 1 April 2016, pp. 155-160/

18. Osipov, V.Y., Vodyaho, A.I., Zhukova, N.A., Glebovsky, P.A. Multilevel Automatic Synthesis of Behavioral Programs for Smart Devices / Proceedings - 2017 International Conference on Control, Artificial Intelligence, Robotics and Optimization, ICCAIRO 2017 Volume 2018-January, 9 January 2018, pp 335-340.

References

1. Encyclopedia of Management. [Электронный ресурс]. URL: http://www.enotes.com/management-encyclopedia/management-thought (date of the application 15.10.2018).

2. Osipov V. Yu., Zhukova N. A., Vodyaho A. I., Kalmatsky A., Mustafin N. G. Towards Building of Cable TV Content-Sensitive Adaptive Monitoring and Management Systems, International Journal of Computers and Communications. Vol. 11, 2017, pp. 75-81

3. Glodek M., Honold F., Geier T., Krell G., Nothdurft F., Reuter S., Schüssel F., Hörnle T., Dietmayer K., Minker W., Biundo S., Weber M., Palm G., Schwenker F. Fusion paradigms in cognitive technical systems for human -computer interaction, Journal Neurocomputing archive. Vol. 161. Issue C, 2015, pp. 17-37.

4. Goertzel B., Lian R., Arel I., Garis H., Chen S. World survey of artificial brains, Part II: Biologically inspired cognitive architectures, Journal Neurocomputing archive. 74, 2010, pp. 30-49.

5. Madla T., Chena K., Montaldi D., Trappl R. Computational cognitive models of spatial memory in navigation space: A review, Neural Networks. 65, 2015, P.18-43.

6. Haikonen P. The Role of Associative Processing in Cognitive Computing, Cognitive Computation. 1(1), 2009, pp. 42-49.

7. Zagorujko, N. G. Kognitivnyj analiz dannykh, Akademicheskoe izdatel'stvo «GEO», 2012, 203 s.

8. Axelrod R. The cognitive mapping approach to decision making. In: Structure of Decision. The Cognitive Maps of Political Elites, Princeton: Princeton University Press, 1976, pp. 3-17.

9. Avdeeva Z.K. Sravnitel'nyj analiz vyborochnykh kognitivnykh kart po stepeni formalizatsii, Kognitivnyj analiz i upravlenie razvitiem situatsij (CASC'2009): Trudy Mezhdunarodnoj konferentsii. M.: IPU RAN, 2009, pp.11-22.

10. Duch W., Oentaryo R., Pasquier M., Cognitive architectures: where do we go from here?, Frontiers in Artificial Intelligence and Applications, 2008.

11. Gardner K. M., Rush A., Crist M. K., Teegarden B., Konitzer R. K. Cognitive Patterns: Problem-Solving Frameworks for Object Technology, Zurich, Switzerland, 2011, 166 p.

12. Perlovsky L. I. Cognitive high level information fusion. Information Sciences. 177, 2007, pp. 2099-2118.

13. Kotseruba J., Tsotsos J. K. 40 years of cognitive architectures: core cognitive abilities and practical applications. Artificial Intelligence Review, 2018. https://doi.org/10.1007/s10462-018-9646-y (date of the application 15.10.2018).

14. Laird J., Rosenbloom P., Newell A. SOAR: an architecture for general intelligence, Artificial Intelligence. 33(1), 1987, pp. 1-64.

15. Langley P. An adaptive architecture for physical agents, Proceedings of the 2005 IEEE/WIC/ACM International Conference on Intelligent Agent Technology. 2005. D0I:10.1109/WI.2005.24.

16. Anderson J. R., Lebiere C. The newell test for a theory of cognition, Behavioral and Brain Sciences. 26, 2003, P. 587-640.

17. Osipov V. Y. Automatic synthesis of action programs for intelligent robots, Programming and Computer Software. Volume 42, Issue 3, 1 April 2016, pp. 155-160

18. Osipov, V.Y., Vodyaho, A.I., Zhukova, N.A., Glebovsky, P.A. Multilevel Automatic Synthesis of Behavioral Programs for Smart Devices, Proceedings - 2017 International Conference on Control, Artificial Intelligence, Robotics and Optimization, ICCAIRO 2017 Volume 2018-January, 9 January 2018, pp. 335-340.

УДК 004.415.2.043, 004.656, 004.75 DOI: 10.17586/0021-3454-2015-58-11-945-951

МЕТОД АГРЕГАЦИИ И НОРМАЛИЗАЦИИ ДАННЫХ ГЕТЕРОГЕННОЙ СЕНСОРНОЙ СЕТИ

М. А. Колчин, И. А. Шилин, Н. В. Климов, Д. С. Гарайзуев, Д. И. Муромцев, Д. А. Заколдаев

Университет ИТМО, 197101, Санкт-Петербург, Россия E-mail: [e-mail]

Представлен метод агрегации данных сенсорной сети, включающей в себя электронные устройства, работающие на основе различных протоколов и моделей данных. Метод заключается в применении модульной архитектуры программной системы и верхнеуровневых онтологий. Описаны архитектура программной системы и инструмент для полуавтоматической генерации RDF-описаний электронных устройств.

Ключевые слова: сенсорные сети, Интернет вещей, онтологический инжиниринг, технологии семантического веба, архитектура OSGi, верхнеуровневые онтологии, интеграция данных.

Введение. В настоящее время повышается доступность электронных устройств с ограниченными вычислительными ресурсами, в которых реализована поддержка передачи данных по беспроводным или проводным сетям. Кроме того, появление новых протоколов идентификации и передачи данных, таких как IPv6, RFID, 6L0WPAN, ZigBee и т.д., привело к формированию и развитию концепции Интернета вещей [1]. Такие электронные устройства применяются для создания огромного количества сенсорных сетей и внедрения их в различных областях производства и жизнедеятельности человека, например, таких как сельское хозяйство, пищевая и перерабатывающая промышленность, экологический мониторинг, системы безопасности, энергоснабжение и многих других [2—5]. Использование технологий Интернета вещей обеспечивает возможность получения городскими и муниципальными органами информации о состоянии окружающей среды (воздух и вода) [6] и различных элементов городской инфраструктуры, что позволяет прогнозировать пути развития города и принимать обоснованные решения по их реализации.

К данному моменту существует большое количество разработок в области обеспечения взаимодействия на коммуникационном уровне электронных устройств с ограниченными вычислительными ресурсами, а также их взаимодействия с программными системами, однако на прикладном уровне, где объединение различных устройств от разных производителей образует небольшие и обособленные кластеры со своим набором форматов, моделей и стандартов, по-прежнему существуют нерешенные задачи. Одной из задач является отсутствие механизмов обеспечения семантической интероперабельности (от англ. interoperability — способность системы к взаимодействию) на уровне моделей и понятий, что затрудняет разработку информационных систем, использующих разные типы и модели устройств.

В настоящей статье рассматривается метод решения проблемы агрегации данных сенсорной сети, включающей в себя электронные устройства, работающие с использованием различных протоколов передачи данных и разнородных структур данных. Решение состоит из двух шагов: 1) агрегация данных, которая подразумевает применение модульной архитектуры системы, 2) нормализация данных, которая основана на применении верхнеуровневых онто-логий.

Агрегация данных гетерогенной сенсорной сети. Текущей проблемой сенсорных сетей является многообразие программного и аппаратного обеспечения, используемого для их

построения. Эта проблема решается путем построения модульной архитектуры программной системы для сбора данных сенсорных сетей. Модульная архитектура содержит модули, каждый из которых реализует алгоритм сбора данных для определенного типа электронных устройств. Такая программная система, пример которой описан в работе [7], позволяет декларативным способом (с использованием XML-файлов) конфигурировать процесс сбора данных, поступающих с различных устройств. Однако данная система поддерживает только ограниченный набор типов устройств, так как для реализации алгоритма работы с новым типом устройства необходимо перепрограммирование всей системы. В отличие от существующих, предлагаемый в настоящей статье метод агрегации данных сенсорной сети позволяет реализовать поддержку новых типов устройств в виде самостоятельного модуля, который подключается к системе без необходимости ее перепрограммирования или даже остановки.

Метод агрегации данных гетерогенной сенсорной сети заключается в использовании модульной архитектуры, основанной на стандарте OSGi*. На рис. 1 представлена диаграмма архитектуры программной системы SemIoT Platform, которая реализует данный метод. Система состоит из 5 модулей, 2 баз данных и набора драйверов устройств:

Drivers — набор драйверов A—D, реализующих алгоритмы сбора данных с использованием определенных протоколов передачи данных и моделей данных;

Driver Manager — модуль, отвечающий за контроль жизненного цикла электронного устройства; предоставляет драйверам устройств программный интерфейс для регистрации, изменения статуса соединения и т. д.;

Configuration Manager — модуль, отвечающий за конфигурирование драйверов устройств;

Metadata Writer — модуль, предоставляющий программный интерфейс для записи метаданных (например, местоположения, времени установки, измеряемых показаний и т.д.) электронных устройств в Triplestore — специализированную базу данных для хранения RDF"-данных;

Observation Writer — модуль, предоставляющий программный интерфейс для записи метаданных электронных устройств в Time Series Database*** (TSBD) — специализированную базу данных для хранения данных, привязанных ко времени (например, измерение температуры вохдуха в некоторый момент времени); в качестве такой базы данных в программной системе SemIoT Platform используется база данных OpenTSDB****;

Hydra/REST API — REST-подобный программный интерфейс доступа к данным электронных устройств: метаданным устройства и его показаниям; Hydra — это стандарт проектирования REST-интерфейсов, использующий верхнеуровневые онтологии для его аннотирования и не требующий дополнительного программирования (подробнее об этом стандарте см. работу [8]).

Драйвер устройства — это файл в формате JAR (Java Archive), содержащий его исходный код и MANIFEST.MF-файл, в котором прописано название драйвера, его версия и полное имя класса, реализующего специальный интерфейс Activator, описанный в стандарте OSGi. На рис. 2 представлены интерфейсы классов, используемые для работы драйвера устройства. Каждый из драйверов A—D реализует интерфейс Driver, и модуль Driver Manager реализует соответствующий интерфейс, который используется для регистрации устройства, изменения его статуса, публикации показаний и т. д.

OSGi — стандарт построения модульной архитектуры программного обеспечения, работающей на платформе Java Virtual Machine, подробнее см.: <http://www.osgi.org>.

** Resource Description Framework, см.: <http://www.w3.org/TR/rdf-primer>.

*** Time Series Database, см.: <https://en.wikipedia.org/wiki/Time_series_database>.

**** OpenTSDB, см.: <http://opentsdb.org>.

Один драйвер используется для работы с несколькими устройствами, каждое из устройств представлено с помощью класса Device, а его показания — с помощью класса Observation. Особенностью архитектуры OSGi является возможность загрузки и выгрузки любого из модулей без остановки всей системы, соответственно драйвер устройства можно конфигурировать и подключать в любое время ее работы.

Рис. 1

Driver □ river Manager

+ listDevices(j: UskDeviws t remove Device [Device): void t configure [Dictionary}: void t slar1() void * stopf): void t register Device): void f updateStetus (Device. Dev¡wS№s):vo¡d t publishOtiservalloniDevioe. Observation): void + starlQ: void + stop(): void

DeviceStatus

■-ONLINE: DevlceSlalus н OFFLINE; OevlceStatiis

Device Observation

+ geiftOFDescnpttorio: Model 4 geiiDj): Siring + getSiakisii OertceS-tatus + getiO():Strtng + getRDFDesenpiioii(): Model + getTlme(): DateTlme

Рис. 2

Метаданные устройства и показаний представляются в модели данных RDF с использованием верхнеуровневых онтологий, что позволяет преобразовать модели и структуры данных, используемые различными электронными устройствами, в универсальную модель.

Нормализация данных гетерогенной сенсорной сети. Если с помощью описанного выше подхода можно решить проблему агрегации данных гетерогенной сенсорной сети на коммуникационном уровне, то для обеспечения семантической интероперабельности на уровне модели и понятий предлагается использовать верхнеуровневые OWL-онтологии [9]. OWL-онтологии предназначены для декларативного описания концептов (понятий) предметной области на основе логики первого порядка и дискрипционной логики.

В области сенсорных сетей уже существуют работы по созданию верхнеуровневых онтологий, которые позволяют описать базовые концепты данной предметной области. В 2011 г. рабочей группой W3C Semantic Sensor Network Incubator Group была представлена верхне-уровневая онтология для описания таких концептов, как сенсор, показание, точность показания, рабочие условия сенсора, предельные показания сенсора и т.д. Эта онтология получила название Semantic Sensor Network Ontology (SSN) [10].

Метод нормализации данных гетерогенной сенсорной сети основан на использовании онтологии SSN как одного из элементов архитектуры программной системы. В отличие от существующих подходов, которые исследуются в работе [11], данная онтология служит инструментом не только для публикации данных сенсорной сети, который позволяет реализовать бесшовную интеграцию информационных систем, но и для хранения показаний сенсоров.

Структура данных, используемая в OpenTSDB, не поддерживает возможность записи RDF-данных, поэтому был разработан модуль Observation Writer, предназначенный для преобразования метаданных показаний в структуру OpenTSDB. Данное преобразование основано на том, что все показания сенсоров аннотированы с помощью онтологии SSN или других он-тологий, которые расширяют ее. Концепты онтологии SSN используются как „метки" для выделения из набора триплов, описывающих какое-либо показание, тех, в которых записана информация для хранения в OpenTSDB. Если же показания аннотированы с помощью других онтологий, то для преобразования используется дополнительный шаг, на котором выполняется логический вывод (reasoning). На рис. 3 представлен пример метаданных показания сенсора температуры окружающей среды. В этом примере используется онтология, расширяющая онтологию SSN путем введения следующих концептов:

ex:AirTemperatureObservation (является подклассом ssn:Observation), ex:AirTemperatureSensorOutput (подкласс — ssn:SensorOutput), ex:AirTemperatureValue (подкласс — ssn:ObservationValue), ex:hasOucmtity Value.

(SpreFixex: <http://example.org/ontology#>.

@prefixssn: <http://purl.0clc.0rg/NET/ssnx/ssn#> .

(SpreFix xsd: <http://www.w3.Org/2001/XMLSchema#>.

:143491 6797482 a ex:AirTemperatureObservation ; ssn:observationResultTime

'201 5-02-05T13:1 5:30Z'AAxsd:dateTime ; ssn:observedBy <coap://10.0.0.7:60000/sensor> ; ssmobservationResult :143491 6797482-result.

:143491 6797482-result a ex:AirTemperatureSensorOutput; ssmisProducedBy <coap://10.0.0.7:60000/sensor> ; ssmhasValue :143491 6797482-resultvalue .

:143491 6797482-resultvalue a ex:AirTemperatureValue ; ex:hasQuantityValue '0.636'AAxsd:Float.

Рис. 3

После того как аннотация показания приведена с помощью логического вывода к концептам онтологии SSN, происходит преобразование расширенной аннотации в структуру данных OpenTSDB на основе следующих правил:

— в поле metric_uid записывается строка, являющая результатом замены знаков „/" и „:" (слэш и двоеточие) на знак „." (точка) в URI сенсора, заданном свойством ssn:observedBy: например, coap://10.0.0.7:60000/sensor преобразуется в 10.0.0.7.60000.sensor;

— в поле timestamp записываются дата и время регистрации показания в системе, которые задаются свойством ssn:observationResultTime и преобразуются в формат POSIX-времени*: например, '2015-02-05T13:15:30Z' преобразуется в 1423142130;

— если присутствует свойство ex:hasQuantityValue, тогда его значение записывается в поле value; иначе, в тег с именем value записывается полный URI класса, являющегося подклассом ssn:ObservationValue;

— в тег с именем type записывается полный URI класса, являющегося подклассом ssn:Observation.

* POSIX-время, см. <https://ru.wikipedia.org/wiki/UNIX-%D0%B2%D1%80%D0%B5%D0%BC%D1%8F>.

Например, для показания, приведенного на рис. 3, RDF-данные будут преобразованы в следующий вид:

metric_uid = 10.0.0.7.60000.sensor, timestamp = 1434916797482, value = 0.636, type = = http://example.Org/ontology#AirTemperatureObservation.

В работе [12] приведены результаты исследования существующих онтологий для представления концептов сенсорной сети, где показано, что несмотря на большое количество верхнеуровневых онтологий для этой области качество их публикации и отсутствие инструментов автоматической или полуавтоматической генерации RDF-описаний для электронных устройств затрудняет их широкое применение. Поэтому в рамках данного исследования было разработано веб-приложение WoT SemDesc Helper для полуавтоматической генерации таких RDF-описаний. На рис. 4 представлен скриншот его пользовательского интерфейса. WoT SemDesc Helper предоставляет набор веб-форм, используя которые, пользователь вводит необходимую информацию о своем электронном устройстве, и в результате заполнениях этих форм генерируется соответствующее RDF-описание.

Рис. 4

Веб-приложение разделено на три части: генератор RDF-описания для модели устройства, генератор RDF-описания конкретного устройства на базе существующей модели и каталоги моделей устройств. Каждая модель устройства имеет свой URI, который позволяет встраивать в устройство не полное его описание, а краткую версию с указанием этого URI. Впоследствии по данному URI может быть получено более полное описание из каталога WoT SemDesc Helper.

Заключение. Предложенный метод агрегации и нормализации данных гетерогенной сенсорной сети основан на применении элементов архитектуры OSGi и верхнеуровневых онтологий, цель которых предоставить универсальную модель и структуру данных. Описаны архитектура программной системы SemloT Platform, в которой применяется данный метод, и инструмент для полуавтоматической генерации RDF-описаний электронных устройств.

Исходные коды программной системы SemloT Platform и веб-приложения WoT SemDesc Helper являются открытыми и опубликованы в сети Интернет: http://github.com/ semiotproject/semiot-platform и https://github.com/semiotproject/wot-semdesc-helper соответственно.

Статья подготовлена по результатам работы, выполненной при поддержке Министерства образования и науки Российской Федерации, грант № RFMEFI57514X0101.

список литературы

1. Ashton K. The Internet of things // RFiD Journal. 2009. N 50.

2. Atzori L. et al. The Internet of things: A survey // Computer Networks. 2010. Vol. 54, N 15. P. 2787—2805.

3. Liu D. L., Zhu X. B., Xu K. L., Fang D. M. The design of modern agriculture control system based on Internet of things // Applied Mechanics and Materials. 2014. Vol. 517. P. 1519—1522.

4. Bainbridge S., Steinberg C., Furnas M. GBROOS—an ocean observing system for the Great Barrier Reef // Proc. of the Intern. Coral Reef Symposium. 2010. P. 529—533.

5. Колчин М. А., Фенцель А., Муромцев Д. И., Попов С. О., Павлов Д. С., Климов Н. В., Андреев А. А., Гарайзуев Д. С. Мониторинг потребления энергии в умных сетях электроснабжения (Smart grid) на основе семантического анализа потоковых данных // Научно-технический вестник информационных технологий, механики и оптики. 2015. № 2 (96). С. 285—292.

6. Oliveira L., Rodrigues J. Wireless sensor networks: A survey on environmental monitoring // J. of Communications 2011. Vol. 6, N 2. P. 143—151.

7. Aberer K., Hauswirth M., Salehi A. A middleware for fast and flexible sensor network deployment // Proc. of the 32th Intern. Conf. on Very Large Data Bases, Seoul, Korea, 12—15 Sept. 2006. P. 1199—1202.

8. Lanthaler M., Guetl C. Hydra: A vocabulary for hypermedia-driven Web APIs // Proc. of the WWW2013 Workshop on Linked Data on the Web, Rio de Janeiro, Brazil, 14 May 2013.

9. Barnaghi P. et al. Semantics for the Internet of things // Intern. J. on Semantic Web & Information Systems. 2012. Vol. 8, N 1. P. 1—21.

10. Compton M., Barnaghi P., Bermudez L. et al. The SSN ontology of the W3C semantic sensor network incubator group // Web Semantics: Science, Services and Agents on the World Wide Web. 2012. Vol. 17. P. 25—32.

11. Noy N. Semantic integration: A survey of ontology-based approaches // SIGMOD Rec. 2004. Vol. 33, N. 4. P. 65—70.

12. Kolchin M., Klimov N., Andreev A., Shilin I., Garayzuev D., Mouromtsev D., Zakoldaev D. Ontologies for Web of things: a pragmatic review // Proc. of Knowledge Engineering and Semantic Web Conf., Moscow, Russia, 30 Sept. — 2 Oct. 2015.

Сведения об авторах

Максим Александрович Колчин — Университет ИТМО; кафедра информатики и прикладной математи-

ки-1; ассистент; E-mail: [e-mail] Иван Андреевич Шилин — Университет ИТМО; кафедра информатики и прикладной математи-

ки-1; инженер; E-mail: [e-mail] Николай Васильевич Климов — Университет ИТМО; кафедра информатики и прикладной математи-

ки-1; инженер; E-mail: [e-mail] Даниил Сергеевич Гарайзуев — Университет ИТМО; кафедра информатики и прикладной математи-

ки-1; инженер; E-mail: [e-mail] Дмитрий Ильич Муромцев — канд. техн. наук, доцент; Университет ИТМО; кафедра информатики и

прикладной математики-1; E-mail: [e-mail] Данил Анатольевич Заколдаев — канд. техн. наук, доцент; Университет ИТМО; кафедра проектирования и безопасности компьютерных систем; E-mail: [e-mail]

Рекомендована кафедрой Поступила в редакцию

информатики и прикладной математики-1 31.08.15 г.

Ссылка для цитирования: Колчин М. А., Шилин И. А., Климов Н. В., Гарайзуев Д. С., Муромцев Д. И., Заколдаев Д. А. Метод агрегации и нормализации данных гетерогенной сенсорной сети // Изв. вузов. Приборостроение. 2015. Т. 58, № 11. С. 945—951.

METHOD OF AGGREGATION AND NORMALIZATION OF HETEROGENEOUS SENSOR NETWORK DATA

M. A. Kolchin, I. A. Shilin, N. V. Klimov, D. S. Garayzuev, D. I. Muromtsev, D. A. Zakoldaev

ITMO University, 197101, St. Petersburg, Russia E-mail: [e-mail]

A method is proposed for aggregation of sensor networks data that includes electronic devices, using different protocols and data models. The method is based on application of module architecture of the program system and upper ontologies. The program system architecture is presented; an instrument for semi-automatic generation of RDF- description of electronic devices is characterized.

Keywords: sensor networks, Internet of things, ontology engineering, semantic web technologies, OSGI architecture, upper ontologies, data integration.

Data on authors

Maxim A. Kolchin — ITMO University, Department of Computer Science and Applied Mathe-

matics-1; Engineer; E-mail: [e-mail] Ivan A. Shilin — ITMO University, Department of Computer Science and Applied Mathe-

matics-1; Engineer; E-mail: [e-mail] Nikolay V. Klimov — ITMO University, Department of Computer Science and Applied Mathe-

matics-1; Engineer; E-mail: [e-mail] Daniil S. Garaysuev — ITMO University, Department of Computer Science and Applied Mathe-

matics-1; Engineer; E-mail: [e-mail] Dmitry I. Muromtsev — PhD, Associate Professor; ITMO University, Department of Computer

Science and Applied Mathematics-1; E-mail: [e-mail] Danil A. Zakoldaev — PhD, Associate Professor; ITMO University, Department of Computer

System Design and Security; E-mail: [e-mail]

For citation: Kolchin M. A, Shilin I. A, Klimov N. V., Garayzuev D. S., Muromtsev D. I., Zakoldaev D. A. Method of aggregation and normalization of heterogeneous sensor network data // Izvestiya Vysshikh Uchebnykh Zavedeniy. Priborostroenie. 2015. Vol. 58, N 11. P. 945—951 (in Russian).

DOI: 10.17586/0021-3454-2015-58-11-945-951

НАУЧНО-ТЕХНИЧЕСКИМ ВЕСТНИК ИНФОРМАЦИОННЫХ ТЕХНОЛОГИИ, МЕХАНИКИ И ОПТИКИ март-апрель 2015 Том 15 № 2 ISSN 2226-1494 http://ntv.ifmo.ru/

SCIENTIFIC AND TECHNICAL JOURNAL OF INFORMATION TECHNOLOGIES, MECHANICS AND OPTICS March-April 2015 Vol. 15 No 2 ISSN 2226-1494 http://ntv.ifmo.ru/en

УДК 004.042

МОНИТОРИНГ ПОТРЕБЛЕНИЯ ЭНЕРГИИ В УМНЫХ СЕТЯХ ЭЛЕКТРОСНАБЖЕНИЯ (SMART GRID) НА ОСНОВЕ СЕМАНТИЧЕСКОГО

АНАЛИЗА ПОТОКОВЫХ ДАННЫХ

М.А Колчин", А. Фенцельь, Д.И. Муромцев", С.О. Попов", Д.С. Павлов", Н.В. Климов",

А.А. Андреев", Д.С. Гарайзуев"

" Университет ИТМО, Санкт-Петербург, 197101, Российская Федерация b Семантический технологический институт, Университет Инсбрука, Инсбрук, 6020, Австрия Адрес для переписки: [e-mail] Информация о статье

Поступила в редакцию 11.02.15, принята к печати 24.02.15 doi:10.17586/2226-1494-2015-15-2-285-292 Язык статьи - русский

Ссылка для цитирования: Колчин М.А., Фенцель А., Муромцев Д.И., Попов С.О., Павлов Д.С., Климов Н.В., Андреев А. А., Гарайзуев Д.С. Мониторинг потребления энергии в умных сетях электроснабжения (Smart grid) на основе семантического анализа потоковых данных // Научно-технический вестник информационных технологий, механики и оптики. 2015. Том 15. № 2. С. 285-292.

Аннотация

Постановка проблемы. В настоящий момент задачи повышения энергоэффективности решаются, главным образом, за счет создания более экономичных устройств и приборов, использования нетрадиционных источников энергии, применением специального дополнительного оборудования для контроля над энергопотреблением и другими технологическими способами. Все эти решения достаточно дорогостоящи и зачастую экономически трудноокупаемы. В то же время вопросы автоматизированного интегрального анализа существующих данных контрольно-измерительного оборудования изучены мало. Но именно эти данные содержат всю необходимую информацию для поиска узких мест и сбоев в работе оборудования, приводящих к росту энергопотребления.

Методы. Рассмотрены методы построения веб-сервисов для мониторинга текущего состояния электрической сети, используя CQELS для интеграции статических и потоковых данных интеллектуальных счетчиков. В качестве основного способа представления данных используется модель данных RDF.

Результаты. Предложена архитектура системы мониторинга энергопотребления на основе семантического анализа потоковых данных Smart grid. Для построения информационной модели предметной области разработана онтология, описывающая данные измерений и возможные ситуации для отслеживания системой с помощью семантических запросов. Показан пример работы системы и описание интерфейсов визуализации потоковых данных и журнала сообщений.

Практическая значимость. Промышленное внедрение предложенного подхода позволит добиться значимого повышения энергоэффективности за счет интегрального анализа данных умных счетчиков на существующей инфраструктуре контрольно-измерительного оборудования. Дополнительным эффектом является возможность построения гибкой системы мониторинга интеллектуальных электрических сетей и визуализации их состояний за счет применения онтологического подхода к моделированию предметной области.

Ключевые слова: онтологии, RDF, семантический анализ потоковых данных, интеллектуальный счетчик, интеграция данных, визуализация, Smart grid.

Благодарности. Работа выполнена при государственной финансовой поддержке ведущих университетов Российской Федерации (субсидия 074-U01).

ENERGY CONSUMPTION MONITORING OF SMART GRID BASED ON SEMANTIC STREAM DATA ANALYSIS M.A. Kolchin", A. Fenselb, D.I. Mouromtsev", S.O. Popov", D.S. P"vlov", N.V. Klimov",

A.A. Andreev", D.S. Garayzueva

" ITMO University, Saint Petersburg, 197101, Russian Federation b Semantic Technology Institute, University of Innsbruck, Innsbruck, 6020, Austria Corresponding author: [e-mail] Article info

Received 11.02.15, accepted 24.02.15 doi:10.17586/2226-1494-2015-15-2-285-292 Article in Russian

For cation: Kolchin M.A., Fensel A., Mouromtsev D.I., Popov S.O., Pavlov D.S., Klimov N.V., Andreev A.A., Garayzuev D.S. Energy consumption monitoring of Smart grid based on semantic stream data analysis. Scientific and Technical Journal of Information Technologies, Mechanics and Optics, 2015, vol.15, no. 2, pp. 285-292. (in Russian)

Abstract.

Problem statement. Currently, the task of improving energy efficiency are addressed mainly through the creation of more efficient devices and appliances, the use of alternative energy sources, application of special additional equipment for power consumption control and other technological methods. All these solutions are quite expensive and often economically difficult to payback. At the same time, the issues of automated integrated analysis of existing data measuring equipment have been poorly known. But just these data contain all the necessary information for finding bottlenecks and failures in the equipment, leading to increased energy consumption.

Methods. Methods of web services creation are considered for current state monitoring of electrical networks using CQELS for static and streaming data integration of smart meters. RDF data model is used as the main way of data representation. Results. The architecture of the energy monitoring system (Smart grid) based on semantic analysis of the streaming data is proposed. Ontology has been worked out, aimed at information domain model creation, which describes the measurement data and the possible situations for tracking by the system using semantic queries. An example of system operation is shown, and description of the visualization interfaces for streaming data and log of messages is given.

Practical relevance. Industrial application of the proposed approach will give the possibility to achieve significant energy efficiency through integrated analysis of smart meters data based on existing infrastructure of test and measurement equipment. An additional effect lies in the ability to create flexible Smart grid monitoring system and visualization of their states by an ontological approach to the domain modeling.

Keywords: ontologies, RDF, stream data semantic analysis, smart meter, data integration, visualization, Smart grid. Acknowledgements. This work was partially financially supported by the Government of the Russian Federation (Grant 074-U01).

Введение

Энергоэффективность к настоящему времени превратилась в актуальную и требующую незамедлительного решения проблему. Согласно отчету1, подготовленному Всемирным банком в сотрудничестве с Центром по эффективному использованию энергии (ЦЭНЭФ), Россия может сэкономить до 45% своего полного потребления первичной энергии и уменьшить эмиссию CO2 до 20% к 2030 г. по сравнению к уровню 1990 г. С ростом интереса к энергоэффективности растут и соответствующие рынки по автоматизации зданий, умные дома и т.п. Эти факторы ведут к появлению огромного количества данных и следующей за ними необходимости в их управлении и анализе.

С технической стороны, так как интеграция Интернета и «физической реальности» (например, как в Интернете вещей) растет, аналитические и сенсорные системы и сервисы проявляют тенденцию к использованию моделей представления знаний с общими и широко известными структурами для улучшения интероперабельности. Эти данные могут служить основой для разработки различных новых сервисов и услуг. На данный момент эти данные, как правило, собираются, обрабатываются и анализируются вручную и по отдельности каждой компанией, в то время как автоматизация, оптимизация и обмен не только могли бы иметь место, но также имели бы огромное значение для такого большого и важного рынка, как рынок энергоэффективности. Будущее умных сетей электроснабжения (Smart grid) - в постепенном переходе от централизованной модели сети к новой децентрализованной модели с огромным количеством распределенного оборудования [1]. В этом случае потребители и предприятия будут использовать генерирующее оборудование небольшой мощности. Системы управления такими сетями будут получать доступ к данным по энергоснабжению и энергопотреблению в реальном времени посредством публичной, взаимосвязанной и взаимодействующей инфраструктуры, а затем унифицированным способом распределять электроэнергию из различных источников в предприятия и дома. В связи с этим основой Smart grid будет значительное количество интеллектуальных счетчиков (Smart meters) и сенсоров для более точного определения текущего и необходимого энергопотребления и последующего рационального перераспределения потребления и хранения энергии. Таким образом, упростится подключение новых возобновляемых источников энергии, появится возможность снижать негативное влияние пиковых нагрузок на сеть.

В настоящей работе описано применение семантического анализа потоковых данных для организации мониторинга энергопотребления распределенных интеллектуальных систем унифицированного сбора и анализа данных из гетерогенных источников, как статических (например, базы данных) так и динамических (например, сенсоры). Ранее данный подход был использован в таких областях, как управление инфраструктурой облачных вычислений [2], анализ социальных сетей [3, 4], мониторинг состояния окружающей среды [5-7], мониторинг движения транспорта [8], обнаружение событий в контексте умного города [9, 10] и др.

Дано описание архитектуры программной системы, приведено описание использованных верхнеуровневых онтологий, а также описана онтология интеллектуальных электрических счетчиков. Представлены примеры событий предметной области, которые система должна обнаруживать, показан пользовательский интерфейс системы.

1 Энергоэффективность в России: скрытый резерв, http://www.cenef.ru/file/FINAL_EE_report_rus.pdf

Архитектура системы мониторинга энергопотребления

Семантические веб-технологии уже доказали [11, 12], что они могут стать инструментом для решения проблем синтаксической и семантической интеграции данных в гетерогенных средах и в различных форматах. Resource Description Framework (RDF) и Ontology Web Language (OWL) обеспечивают общую модель и словарь для такого типа данных, а язык SPARQL и механизмы логического вывода позволяют динамически формировать специфическую и полностью новую информацию на основе интегрированного массива данных. Более того, технологии обработки потоковых данных RDF [13] позволяют объединять формализованные знания (онтологии) и анализ потоковых данных вместе.

Этот подход может быть применен и к данным так называемых интеллектуальных счетчиков, осуществляющих первичную обработку результатов измерений и передачу информации на сервер по стандартным протоколам. Это делает возможным построение системы мониторинга на существующей инфраструктуре без существенных изменений в конфигурации оборудования за счет интеграции статических и потоковых данных счетчиков, объединенных в сеть, для автоматического реагирования на аварийные ситуации и нештатные события.

Архитектура системы показана на рис. 1. Потоковые данные (текущие показания), поступающие от интеллектуальных счетчиков, преобразуются в модель данных RDF и образуют массив упорядоченных во времени RDF-триплов, который называется RDF-потоком. Для публикации RDF-потоков используется шина сообщений, работающая по протоколу Advanced Messaging Queuing Protocol (AMQP)1. Каждый RDF-поток имеет уникальный идентификатор в виде Uniform Resource Identifier (URI), по которому с помощью протокола AMQP можно получать данные в режиме реального времени. Пример уникального идентификатора RDF-потока:

amqp ://example.com:10000/vhost?exchangeName=exchange&routingKey=mercury230_13534128.

Рис. 1. Архитектура системы: приложение, интеллектуальные счетчики, SPARQL-точки доступа

и RDF-потоки

Статические RDF-данные, получаемые от SPARQL-точки доступа, представляют такую информацию об интеллектуальном счетчике, как тип, серийный номер, место установки, точность, дальность действия и т.д. Интеграция статических и потоковых источников RDF-данных осуществляется модулем Continuous Query Evaluation over Linked Stream (CQELS) с помощью SPARQL-подобного языка запросов. Описание системы CQELS и языка запросов к статическим и потоковым RDF-данным представлено в работе [14].

В системе используются две SPARQL-точки доступа для хранения информации об интеллектуальных счетчиках и хранения исторических показаний, которые позже используются для визуализации. Необходимость в наличии двух отдельных хранилищ связана с различием требований. Например, новые исторические показания добавляются в хранилище регулярно с определенной частотой, что увеличивает время доступа к данным на чтение, а данные о счетчиках меняются редко, но к ним осуществляется регулярный доступ на чтение.

Разработанное авторами веб-приложение [15] позволяет визуализировать текущие и исторические показания интеллектуальных счетчиков в виде графиков в режиме реального времени и регистрировать

1 Advanced Messaging Queuing Protocol, http://en.wikipedia.org/wiki/Advanced_Message_Queuing_Protocol

CQELS-запросы, которые необходимы для идентификации нештатных или аварийных ситуации. Например, простейшей формой такой ситуации может быть появление данных о слишком высоких значениях напряжения, измеренного, по крайней мере, в одном из подключенных к системе мониторинга интеллектуальных счетчиков.

Результатом запроса является набор RDF-триплов, описывающих сообщение о нештатной или аварийной ситуации с помощью верхнеуровневых и предметных онтологий. Пример запроса и сообщения приводятся в следующих разделах.

Описание онтологической модели

Для представления показаний интеллектуальных счетчиков и сообщений о нештатных или аварийных ситуациях используются несколько верхнеуровневых и предметных онтологий:

- верхнеуровневая онтология сети семантических сенсоров SSN (Semantic Sensor Networks Ontology)1;

- предметная онтология электрических счетчиков EM (ElectricMeter Ontology)2, являющаяся расширением SSN;

- верхнеуровневая онтология событий DUL (DOLCE+DnS Ultralite ontology)3.

На рис. 2 показан фрагмент данных об интеллектуальном счетчике и его показаниях, аннотированных с помощью перечисленных выше онтологий.

Рис. 2. Онтология интеллектуального счетчика и его показаний

Онтология ЕМ расширяет несколько классов и свойств онтологии SSN, например:

- ет:Е1есйс^РеаШге является подклассом ssn:FeatureOfInterest для описания свойства, которое данный сенсор наблюдает. В данном случае это электричество;

- em:PolyphaseVoltageObservation является подклассом ssn:Observation для описания показания сенсора;

- em:hasStream - объектное свойство для представления уникального идентификатора RDF-потока;

- em:hasPhaseNumber - строковое свойство для представления номера электрической фазы.

В общей сложности онтология ЕМ включает в себя 2 объектных свойства, 6 строковых свойств, 22 класса и 3 экземпляра.

Пример семантического запроса обработки нештатных ситуаций

Семантические запросы на основе языка запросов CQELS, описанные в работе [14], влияют как на аспекты онтологического моделирования данных, так и на обработку потоковых данных и связанных статических данных в рамках одной теоретической основы, которая соответственно определяет два типа источников данных - RDF-потоки и RDF-триплы, а также классы операторов для обработки этих типов источников данных. Операторы, используемые в запросе, организованы в потоке данных в соответствии с определенной семантикой запросов, определение которой задано в онтологической модели. Основным

1 Semantic Sensor Network Ontology, http://purl.oclc.org/NET/ssnx/ssn#

2 ElectricMeter Ontology, http://purl.org/NET/ssnext/electricmeters#

3 DOLCE+DnS Ultralite ontology, http://www.loa-cnr.it/ontologies/DUL.owl#

классом операторов обработки потоковых данных являются оконные операторы. Эти операторы извлекают RDF-триплы из RDF-потока или набора RDF-данных, которые соответствуют заданному шаблону, и действительны в течение определенного временного интервала (окна). Также в запросах могут быть использованы такие операторы, как реляционный оператор, который схож с реляционным оператором в реляционных базах данных, а также потоковый оператор, который позволяет создавать новые RDF-триплы на основе набора результатов запроса.

Ниже показан пример запроса, формирующего сообщение каждый раз, когда значение напряжения в любой из фаз электрической сети, измеренных одним из интеллектуальных счетчиков, превышает 220В+10%. Все оповещения отправляются в предопределенных RDF-форматах и используются веб-приложением для визуализации.

CONSTRUCT {

?alert a :TooHighVoltage ;

dul:hasEventDate ?time ; dul:involvesAgent ?meter .

}

FROM NAMED <http://ex.com/sparql> WHERE {

GRAPH <http://ex.com/SmartMeters/> { ?meter em:hasStream ?stream

}

STREAM ?stream [NOW] {

?observation a em:PolyphaseVoltageObservation ;

ssn:observationResultTime ?time . ?output a em:PolyphaseVoltageSensorOutput ;

ssn:isProducedBy ?meter ; ssn:hasValue ?value . ?value em:hasQuantityValue ?qvalue .

}

FILTER(?qvalue >= (220 + 220*0.1))

BIND (URI(CONCAT("http://ex.com/alerts/", ?time)) AS

?alert)

}

Представленный выше запрос состоит из пяти частей. Выражение CONSTRUCT является реализацией потокового оператора, который создает новые RDF-триплы. В данном случае при появлении новых результатов запроса создаются три новых RDF-трипла, которые описывают событие предметной области.

CONSTRUCT {

?alert a :TooHighVoltage ;

dul:hasEventDate ?time ; dul:involvesAgent ?meter .

}

Выражения FROM NAMED и GRAPH являются подзапросом, который отправляется в удаленную базу данных для извлечения соответствующих RDF-триплов.

FROM NAMED <http://ex.com/sparql> WHERE {

GRAPH <http://ex.com/SmartMeters/> { ?meter em:hasStream ?stream

}

}

В данном случае запрашивается список уникальных идентификаторов потока для каждого умного счетчика.

Далее выражение STREAM <...> [NOW] является реализацией оконного оператора, который извлекает описанный RDF-шаблон из текущего временного окна в рамках RDF-потока умного счетчика.

STREAM ?stream [NOW] {

?observation a em:PolyphaseVoltageObservation ;

ssn:observationResultTime ?time . ?output a em:PolyphaseVoltageSensorOutput ;

ssn:isProducedBy ?meter ; ssn:hasValue ?value . ?value em:hasQuantityValue ?qvalue .

}

Следующая часть отвечает за фильтрацию результатов запроса по определенному значению, в данном случае по уровню напряжения в сети.

FILTER(?qvalue >= (220 + 220*0.1))

Последняя часть запроса реализует механизм создания уникального идентификатора для события предметной области:

BIND (URI(CONCAT("http://ex.com/alerts/", ?time)) AS ?alert)

В более сложном случае максимально возможная величина напряжения для различных интеллектуальных счетчиков может изменяться непосредственно в онтологической модели, и вместо создания отдельного оповещения для каждого типа счетчиков эта величина может быть получена из SPARQL-точки доступа отдельным дополнительным запросом, что делает данный подход адаптивным к изменениям параметров мониторинга сети.

Пример работы веб-приложения

Как уже было отмечено выше, для визуализации семантической обработки данных разработано веб-приложение. Исходный код опубликован под открытой лицензией: https://github.com/ailabitmo/DAAFSE.

На рис. 3 приведен интерфейс вывода текущих и исторических потоковых данных показаний интеллектуальных счетчиков в заданный промежуток времени. Информация о счетчике предоставляется SPARQL-точкой доступа из RDF-хранилища статических данных.

Рис. 3. Интерфейс вывода текущих и исторических показаний: слева расположен график напряжения, а

справа - график мощности

По мере формирования сообщений при обработке SPARQL-запросов, аналогичных приведенным в следующем разделе, выполняется их запись в системный журнал (рис. 4). Каждое сообщение содержит в себе информацию о событии и ссылках на интеллектуальный счетчик. При необходимости эта информация может быть использована для выполнения дополнительного SPARQL для получения детальной информации о событии.

Заключение

В настоящей работе приведена архитектура и примеры работы системы мониторинга потребления энергии в умных сетях электроснабжения (Smart grid) на основе семантического анализа потоковых данных. Архитектура позволяет работать как со статическими данными о параметрах оборудования (интеллектуальных счетчиках), так и с потоковыми данными показаний. Для построения информационной модели предметной области разработана онтология, описывающая данные измерений и возможные ситуации для отслеживания системой с помощью семантических запросов. Приведены примеры семантических запросов для определения нештатных ситуаций. Наконец, показан пример работы системы и описание интерфейсов визуализации потоковых данных и журнала сообщений. Система проходила опытную эксплуатацию на предприятии «Ленполиграфмаш», где показала высокую эффективность при минимальных затратах на ее внедрение.

DAAFSE Л Ногте Ф Settings

9 Location code s Meter (model and serial number) О Alert name О Time

1-2-3-50 Mercury 230 №13092162 Too high voltage value Oct 16 17

1-2-3-50 Mercury 230 №13092162 Power value is below zero Oct 16 17

1-2-3-12 Mercury 230 №13050321 Too high voltage value Oct1617

1-2-3-35 Mercury 230 №13050479 Too high voltage value Oct 16 17

1 -2-3-35 Mercury 230 №130S0479 Power value is below zero Oct 16 17

1-2-3-34 Mercury 230 №13080991 Too high voltage value Oct 16 17

1-1-1-32 Mercury 230 №13530324 Power value is below zero Oct 16 17

1-2-3-34 Mercury 230 №13080991 Power value is below zero Oct 16 17

1-2-3-03 Mercury 230 №10192867 Too high voltage value Oc11617

1-2-3-03 Mercury 230 №10192867 Power value is below zero Oct 16 17

1-1-1-19 Mercury 230 №14759537 Power value is below zero Oct 16 17

1 -2-3-41 Mercury 230 №13048004 Too high voltage value Oct 16 17

1 -1 -2-49 Mercury 230 №16824583 Power value is below zero Oct 16 17

1-1-1-04 Mercury 230 №13534126 Power value is below zero Oct 16 17

Рис. 4. Журнал сообщений о нештатных и аварийных ситуациях

Литература

1. Brown R.E. Impact of smart grid on distribution system design // Proc. IEEE Power and Energy Society General Meeting: Conversion and Delivery of Electrical Energy in 21th Century. Pittsburgh, USA, 2008. Art. 4596843. doi: 10.1109/PES.2008.4596843

2. Dautov R., Paraskakis I., Stannett M. Towards a framework for monitoring cloud application platforms as sensor networks // Cluster Computing. 2014. V. 17. P. 1203-1213. doi: 10.1007/s10586-014-0389-5

3. Barbieri D., Braga D., Ceri S., Della Valle E., Huang Y., Tresp V., Rettinger A., Wermser H. Deductive and inductive stream reasoning for semantic social media analytics // IEEE Intelligent Systems. 2010. V. 25. N 6. P. 32-41. doi: 10.1109/MIS.2010.142

4. Celino I., DelFAgilo D., Della Valle E., Huang Y., Lee T., Kim S., Tresp V. Towards BOTTARI: using stream reasoning to make sense of location-based micro-posts // Lecture Notes in Computer Science. 2012. V. 7117. P. 80-87. doi: 10.1007/978-3-642-25953-1_7

5. Wetz P., Trinh T.D., Do B.L., Anjomshoaa A., Kiesling E., Tjoa A.M. Towards an environmental information system for semantic stream data // Proc. 28th Conf. on Environmental Informatics - Informatics for Environmental Protection, Sustainable Development and Risk Management. Oldenburg, Germany, 2014. P. 637-644.

6. Taylor K., Leidinger L. Ontology-driven complex event processing in heterogeneous sensor networks // Lecture Notes in Computer Science. 2011. V. 6643. P. 285-299. doi: 10.1007/978-3-642-21064-8_20

7. Gray A., Sadler J., Kit O., Kyzirakos K., Karpathiotakis M., Calbimonte J.-P., Page K. et. al. A semantic sensor web for environmental decision support applications // Sensors. 2011. V. 11. N 9. P. 8855-8887. doi: 10.3390/s110908855

8. Heintz F., Kvarnstrom J., Doherty P. Bridging the sense-reasoning gap: DyKnow - stream-based middleware for knowledge processing // Advanced Engineering Informatics. 2010. V. 24. N 1. P. 14-26. doi: 10.1016/j.aei.2009.08.007

9. Baneijee S., Mukherjee D., Misra P. 'What affects me?' A smart public alert system based on stream reasoning // Proc. 7th Int. Conf. on Ubiquitous Information Management and Communication (ICUIMC 2013). Kota Kinabalu, Malaysia, 2013. Art. 22. doi: 10.1145/2448556.2448578

10. Ruta M., Scioscia F., Di Sciascio E., Rotondi D., Piccione S. Semantic-based knowledge dissemination and extraction in smart environments // Proc. 27th Int. Conf. on Advanced Information Networking and Applications Workshops (WAINA 2013). Barcelona, Spain, 2013. P. 1289-1294. doi: 10.1109/WAINA.2013.249

11. Tallevi-Diotallevi S., Kotoulas S., Foschini L., Lecue F., Corradi A. Real-time urban monitoring in Dublin using semantic and stream technologies // Lecture Notes in Computer Science. 2013. V. 8219. P. 178-194. doi: 10.1007/978-3-642-41338-4_12

12. Balduini M., Della Valle E., DelFAglio D., Tsytsarau M., Palpanas T., Confalonieri C. Social listening of city scale events using the streaming linked data framework // Lecture Notes in Computer Science. 2013. V. 8219. P. 1-16. doi: 10.1007/978-3-642-41338-4_1

13. Calbimonte J., Corcho O., Gray A. Enabling ontology-based access to streaming data sources // Lecture Notes in Computer Science. 2010. V. 6496. P. 96-111. doi: 10.1007/978-3-642-17746-0_7

09:29- 17:09:29 09:29- 17:09:29 09:29- 17:09:29 09:29- 17:09:29 09:29- 17:09:29 09:34- 17:09:34 09:33- 17:09:33 09:34- 17:09:34 09:34- 17:09:34 09:34- 17:09:34 09:36 ■ 17:09:36 09:37- 17:09:37 09:38 ■ 17:09:38 09:38- 17:09:38

II Substation 1.1 H Substation 1.2 HI Substation 2.3 H Substation 2.4

1-2-4-30-№13112319 1-2-4-24 - №13530804

14. Le-Phuoc D., Dao-Tran M., Xavier Parreira J., Hauswirth M. A native and adaptive approach for unified processing of linked streams and linked data // Lecture Notes in Computer Science. 2011. V. 7031. P. 370-388.

15. Kolchin M., Mouromtsev D., Arustamov S. Demonstration: web-based visualisation and monitoring of smart meters using CQELS // Proc. 7th Int. Workshop on Semantic Sensor Network. Trentino, Italy, 2014. P. 1-4.

Колчин Максим Александрович Фенцель Анна

Муромцев Дмитрий Ильич Попов Сергей Олегович Павлов Дмитрий Сергеевич Климов Николай Васильевич Андреев Алексей Андреевич Гарайзуев Даниил Сергеевич

Maxim A. Kolchin Anna Fensel

Dmitry I. Mouromtsev Sergei O. Popov Dmitry S. Pavlov Nikolai V. Klimov Alexei A. Andreev Daniil S. Garayzuev

аспирант, Университет ИТМО, Санкт-Петербург, 197101, Российская Федерация, [e-mail]

PhD, старший научный сотрудник, Семантический технологический институт, Университет Инсбрука, Инсбрук, 6020, Австрия, anna. fensel@sti2. at

кандидат технических наук, доцент, доцент, Университет ИТМО, Санкт-Петербург, 197101, Российская Федерация, [e-mail] инженер, Университет ИТМО, Санкт-Петербург, 197101, Российская Федерация, [e-mail]

лаборант-исследователь, Университет ИТМО, Санкт-Петербург, 197101, Российская Федерация, [e-mail]

студент, Университет ИТМО, Санкт-Петербург, 197101, Российская Федерация, [e-mail]

студент, Университет ИТМО, Санкт-Петербург, 197101, Российская Федерация, [e-mail]

студент, Университет ИТМО, Санкт-Петербург, 197101, Российская Федерация, [e-mail]

postgraduate, ITMO University, Saint Petersburg, 197101, Russian Federation, [e-mail]

PhD, senior researcher and lecturer, senior researcher and lecturer, Semantic Technology Institute, University of Innsbruck, Innsbruck, 6020, Austria, anna. fensel@sti2. at

PhD, Associate professor, Associate professor, ITMO University, Saint Petersburg, 197101, Russian Federation, [e-mail] engineer, ITMO University, Saint Petersburg, 197101, Russian Federation, [e-mail]

laboratory researcher, ITMO University, Saint Petersburg, 197101, Russian Federation, [e-mail]

student, ITMO University, Saint Petersburg, 197101, Russian Federation, [e-mail]

student, ITMO University, Saint Petersburg, 197101, Russian Federation, [e-mail]

student, ITMO University, Saint Petersburg, 197101, Russian Federation, [e-mail]