Χρήση γνωσιακών πρακτόρων με επίγνωση πλαισίου για τη δημιουργία Κοινωνικού Διαδικτύου των Πραγμάτων

Κασνέσης, Παναγιώτης; Kasnesis, Panagiotis

dc.contributor.author	Κασνέσης, Παναγιώτης	el
dc.contributor.author	Kasnesis, Panagiotis	en
dc.date.accessioned	2018-04-20T10:07:19Z
dc.date.available	2018-04-20T10:07:19Z
dc.date.issued	2018-04-20
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/46852
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.2925
dc.rights	Default License
dc.subject	Κοινωνικό Διαδίκτυο των Πραγμάτων	el
dc.subject	Βαθιά Μάθηση	el
dc.subject	Γνωσιακοί Πράκτορες Λογισμικού	el
dc.subject	Οντολογίες	el
dc.subject	Σημασιολογικοί Κανόνες	el
dc.subject	Social Internet of Things	en
dc.subject	Deep Learning	el
dc.subject	Cognitive Software Agents	el
dc.subject	Ontologies	el
dc.subject	Semantic Rules	el
dc.title	Χρήση γνωσιακών πρακτόρων με επίγνωση πλαισίου για τη δημιουργία Κοινωνικού Διαδικτύου των Πραγμάτων	el
dc.contributor.department	Intelligent Communications and Broadband Networks Laboratory	el
heal.type	doctoralThesis
heal.classification	Computer Science	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-02-08
heal.abstract	Η έννοια του Διαδικτύου των Πραγμάτων (Internet of Things; IoT) είναι ήδη ώριμη, ώστε να ξεκινήσει να εξελίσσεται προς το Διαδίκτυο των Πάντων (Internet of Everything; IoE), μέσω του οποίου μπορούν να διασυνδεθούν άνθρωποι, αντικείμενα, ακόμη και εικονικά αντικείμενα ή εφαρμογές. Όμως για να καταστεί αυτό εφικτό, υπάρχει η ανάγκη για ένα πλαίσιο λογισμικού που θα στηρίζει όχι μόνο τη διασύνδεση μεταξύ των οντοτήτων του Διαδικτύου, αλλά θα επιτρέπει και την ουσιαστική αλληλεπίδραση μεταξύ τους. Συγκεκριμένα, οι διάφορες οντότητες μπορούν να ανταλλάσσουν δεδομένα και πληροφορίες έχοντας ως στόχο να καλύψουν τις ανάγκες των χρηστών τους. Λύση σε αυτό το πρόβλημα αποτελεί το Κοινωνικό Διαδίκτυο των Πραγμάτων (Social Internet of Things; SIoT), το οποίο αποτελεί σύγκλιση των Κοινωνικών Δικτύων και του Διαδικτύου των Πραγμάτων, και επιτρέπει το σχηματισμό σχέσεων φιλίας μεταξύ των αντικειμένων. Στην παρούσα διδακτορική διατριβή παρουσιάζεται μία κατανεμημένη πλατφόρμα που αποτελείται από γνωσιακούς πράκτορες λογισμικού, οι οποίοι εκπροσωπούν τις οντότητες του ΙοΕ. Οι προτεινόμενοι πράκτορες λογισμικού έχουν ως στόχο την κάλυψη των ανθρώπινων αναγκών. Για αυτό το λόγο αποτελούνται από συστατικά στοιχεία λογισμικού ικανά να: (α) εξάγουν πληροφορίες πλαισίου από ακατέργαστα δεδομένα του ΙοΤ, και (β) να διαχειρίζονται γνωσιακά τις κοινωνικές τους σχέσεις με βάση τις ανάγκες τους, οι οποίες προκύπτουν από την ανάλυση των στόχων τους. Τα παραπάνω συστατικά στοιχεία λογισμικού βασίζονται αντιστοίχως σε: (α) ένα μοντέλο Βαθιάς Μάθησης (Deep Learning) για την αναγνώριση των ανθρώπινων δραστηριοτήτων, (β) έναν ευφυή κατανεμημένο μηχανισμό που κάνει χρήση των τεχνολογιών του Σημασιολογικού Ιστού και του προτύπου Δημοσίευσης-Συνδρομής (Publish-Subscribe pattern). Για την υλοποίηση της προτεινόμενης λύσης για το Κοινωνικό Διαδίκτυο των Πραγμάτων, αναπτύχθηκαν δύο εργαλεία λογισμικού. Το πρώτο ονομάζεται Sem-SHUI και αποτελεί τη διεπαφή του χρήστη (δηλ., τον Πράκτορα Χρήστη) με το οικοσύστημα του SIoT, καθώς μπορεί να στείλει εντολές και να εισάγει σημασιολογικούς κανόνες που θα καθορίσουν τη συμπεριφορά των γνωσιακών πρακτόρων λογισμικού. Το δεύτερο είναι ένας προσομοιωτής του προτεινόμενου SIoT περιβάλλοντος και ονομάζεται ASSIST. Στόχος του ASSIST είναι να απεικονίσει γραφικά τις κοινωνικές σχέσεις των οντοτήτων του SIoT και να δώσει τη δυνατότητα στους προγραμματιστές να πειραματιστούν, αλλάζοντας τους κανόνες των πρακτόρων λογισμικού σχετικά με την ανακάλυψη υπηρεσιών και την πλοήγηση δικτύου. Τέλος, για την αξιολόγηση της SIoT πλατφόρμας και των επιμέρους συστατικών της στοιχείων χρησιμοποιήθηκαν δεδομένα από αισθητήρες φορετών/κινητών συσκευών, καθώς επίσης και τρία σενάρια χρήσης, τα οποία υποστηρίζονται από τα αναπτυχθέντα εργαλεία λογισμικού.	el
heal.abstract	The concept of an Internet of Things (IoT) is already mature, enough to start evolving towards an Internet of Everything (IoE), over which humans, objects and virtual items can be inter- connected. For this to be feasible though, there is the need for a framework which not only supports the interconnection between the entities of this Internet, but also allows the meaningful interaction between them. In particular, the smart IoE entities should be able to exchange data and information in order to fulfill their owners’ needs. A solution to this problem constitutes Social Internet of Things (SIoT), which is the convergence of Social Networks and Internet of Things, and enables the creation of social relations between the smart objects. This thesis introduces a distributed SIoT platform that consists of cognitive software agents, which represent the IoE entities. These software agents have as goal to fulfill human needs. As a result, they consist of multiple software components capable of: (a) extracting context information from raw data, and (b) managing cognitively the social relations based on their needs, which are produced by analyzing their goals. The aforementioned components are based, respectively, in the following state-of-the-art technologies: (a) a Deep Learning model for human activity recognition, and (b) a cognitive decentralized mechanism, which utilizes the Semantic Web technologies and the Publish-Subscribe pattern. Furthermore, in order to materialize the proposed SIoT solution, two software tools were developed. The first one is called Sem-SHUI and constitutes the user’s interface (e.g., the User Agent) with the SIoT ecosystem, since it is capable of sending direct orders or injecting semantic rules that will alter the behavior of the software agents. The second one is an agent-based SIoT simulator, called ASSIST, and displays the SIoT ecosystem, i.e., the existing SIoT Agents and all the formed relationships between them. Moreover, ASSIST enables the developers to change the semantic rules concerning the service discovery and the network navigability. Finally, to test the proposed Deep Learning architecture, we used two public available HAR datasets, showing that the proposed model outperforms other state-of-the-art Deep Learning human activity recognition methods. The presented SIoT solution was examined by taking into consideration three use cases, utilizing the developed SIoT tools.	en
heal.advisorName	Βενιέρης, Ιάκωβος	el
heal.committeeMemberName	Βενιέρης, Ιάκωβος	el
heal.committeeMemberName	Κακλαμάνη, Δήμητρα	el
heal.committeeMemberName	Ουζούνογλου, Νικόλαος	el
heal.committeeMemberName	Σταφυλοπάτης, Ανδρέας	el
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Στασινόπουλος, Γεώργιος	el
heal.committeeMemberName	Δουληγέρης, Χρήστος	el
heal.academicPublisher	Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.numberOfPages	184
heal.fullTextAvailability	true