Using Semantic Modeling to Improve the Processing Efficiency of Big Data in the Internet of Things Domain

Abstract

The purpose of the article is to use deep machine learning, based on convolutional neural networks because this model of machine learning corresponds to processing of unstructured and complex nature of the IoT domain. Results. Proposed approach increases the efficiency of IoT Big Data processing and differs from traditional processing systems by using NoSQL database, distributed architectures and semantic modeling.

Метою статті є використання глибокого машинного навчання, основаного на згорткових нейронних мережах, оскільки ця модель машинного навчання відповідає обробленню неструктурованого та складного домену IoT. Результати. Запропонований підхід підвищує ефективність оброблення великих даних IoT і відрізняється від традиційних систем оброблення за допомоги бази даних NoSQL, розподілених архітектур і семантичного моделювання. Запропоновано використовувати глибоке машинне навчання, що базується на нейронних мережах, пристосованих для неструктурованих даних IoT.Запропоновану концептуальну архітектуру системи оброблення великих даних для IoT описано на прикладі бази даних NoSQL для Smart Home.

Рассмотрена специфика Big Data, которые генерирует технология Интернет вещей, а также представлена методология их обработки семантического моделирования (онтологий) на всех этапах жизненного цикла больших данных. Семантическое моделирование позволяет устранить такие противоречия в технологиях, как гетерогенность устройств и данных. Предлагается использование машинное обучение для анализа Big Data, создаваемых информационной системой умного дома. Предложено использовать глубокое машинное обучение, базирующееся на сверточных нейронных сетях, приспособленных для неструктурированных данных IoT. Представлены новые подходы для обработки больших данных, которые повышают эффективность обработки Big Data в IoT. Представлена концептуальная архитектура системы обработки больших данных для Интернета вещей на примере сгенерированной базы данных NoSQL для умного дома. Данная архитектура состоит из пяти независимых уровней, каждый из которых может использовать семантическое моделирование.