ВИРТУАЛИЗАЦИЯ СЕМАНТИЧЕСКИХ ДАННЫХ С УЧЕТОМ ДОВЕРИЯ ДЛЯ ДЕЦЕНТРАЛИЗОВАННЫХ СИСТЕМ С КОНТЕКСТНОАДАПТИВНОЙ ОРКЕСТРАЦИЕЙ ЗАПРОСОВ

УДК 004.056
DOI: 10.36871/26189976.2026.05-5.010

Авторы

Тхи Тху Нгуен,
Университет Шао-До, Чу Ван Ан, Хайфон, Вьетнам
Фук Хау Нгуен,
Университет Электроэнергетики, Ханой, Вьетнам
Рифат Рашатович Шарипов,
Казанский национальный исследовательский технический университет им. А.Н. Туполева-КАИ, Казань, Россия

Аннотация

Разработка децентрализованных интеллектуальных систем представляет собой серьезную проблему в интеграции и обработке данных из разнородных и ненадежных источников. В данной статье предлагается структура семантической виртуализации данных с учетом доверия (T-DV), которая объединяет оценку доверия в реальном времени и механизм адаптивного планирования запросов с учетом контекста. Система использует слой семантической абстракции на основе онтологии для обеспечения совместимости между различными источниками данных без необходимости жесткой синхронизации схем. Одновременно разработана облегченная модель оценки доверия для непрерывного обновления достоверности источников данных на основе поведения и статистики. Предложенный механизм планирования запросов выбирает оптимальный источник данных на основе достоверности, задержки, стоимости и контекстной релевантности. Экспериментальные результаты в смоделированной распределенной среде показали, что система повысила надежность запросов примерно на 28% и снизила количество несогласованных результатов на 35% по сравнению с традиционными методами.

Ключевые слова

виртуализация данных
семантическая интеграция
системы с учетом доверия
оптимизация запросов
децентрализованные системы
контекстно-ориентированные
вычисления

Список литературы

[1] Abadi D. et al. The Design of the Borealis Stream Processing Engine // Proceedings of the 2005 CIDR Conference, 2005.

[2] Akavova A. How AI and machine learning can drive sustainable development / A. Akavova, S. Beguyev, R. Zaripova // E3S Web of Conferences, St. Petersburg, 2023. Vol. 460. St. Petersburg: EDP Sciences, 2023. P. 04018. DOI 10.1051/e3sconf/202346004018. EDN VVTJFB.

[3] Akyildiz I. F. et al. Wireless Sensor Networks: A Survey // Computer Networks, 2002. Vol. 38, Iss. 4, pp. 393-422. ISSN 1389-1286. DOI 10.1016/S1389-1286(01)00302-4.

[4] Bonomi L., R. Milito, J. Zhu, and S. Addepalli. Fog computing and its role in the internet of things // Proceedings of the first edition of the MCC workshop on Mobile cloud computing (MCC ‘12). Association for Computing Machinery, New York, NY, USA, pp. 13–16. DOI 10.1145/2342509.2342513.

[5] Chaudhuri S. An Overview of Query Optimization in Relational Systems // Proceedings of the seventeenth ACM SIGACT-SIGMOD-SIGART symposium on Principles of database systems (PODS ‘98). Association for Computing Machinery, New York, NY, USA, 1980. pp. 34–43. DOI 10.1145/275487.275492.

[6] Chen G., D. Kotz. A Survey of Context-Aware Mobile Computing Research // Dartmouth College, 2000.

[7] Dagaeva M. Fuzzy rules reduction in knowledge bases of decision support systems by objects state evaluation / M. Dagaeva, A. Katasev // Studies in Systems, Decision and Control. 2021. Vol. 338. P. 113-123. DOI 10.1007/978-3-030-66077-2_9. EDN KAIUAK.

[8] Doan A., A. Halevy, Z. Ives. Principles of Data Integration // Morgan Kaufmann, 2012. 520 р.

[9] Gruber T. A Translation Approach to Portable Ontology Specifications // Knowledge Acquisition, 1993. Vol. 5, Iss. 2, pp. 199-220. ISSN 1042-8143, DOI 10.1006/knac.1993.1008.

[10] Halevy A. Answering Queries Using Views: A Survey // VLDB Journal, 2001. Vol. 10, № 4, pp. 270–294. DOI 10.1007/s007780100054.

[11] Marsh S. Formalising Trust as a Computational Concept // Ph.D. dissertation, Univ. of Stirling, 1994. 184 p.

[12] Noy N. F. Semantic Integration: A Survey of Ontology-Based Approaches // SIGMOD Record, 2004. Vol. 33, Iss. 4, pp. 65–70. DOI 10.1145/1041410.1041421.

[13] Nuriev M. Enhancing database performance through SQL optimization, parallel processing and GPU integration / M. Nuriev, R. Zaripova, A. Sinicin [et al.] // BIO Web of Conferences. 2024. Vol. 113. P. 04010. DOI 10.1051/bioconf/202411304010. EDN WLASCJ.

[14] Sabater J. Review on Computational Trust and Reputation Models / J. Sabater, C. Sierra // Artificial Intelligence Review. 2005. Vol. 24, №1, pp. 33-60. DOI 10.1007/s10462-004-0041-5. EDN SFNARF.

[15] Samarati P., de Vimercati S.C. Access Control: Policies, Models, and Mechanisms // Focardi, R., Gorrieri, R. (eds) Foundations of Security Analysis and Design. FOSAD 2000. Lecture Notes in Computer Science, vol. 2171. Springer, Berlin, Heidelberg, 2001. DOI 10.1007/3-540-45608-2_3.

[16] Stonebraker M. et al. Data Curation at Scale: The Data Tamer System // CIDR 2013, Sixth Biennial Conference on Innovative Data Systems Research, Asilomar, CA, USA, 2013, Online Proceedings.

[17] Towards human-guided machine learning / Y. Gil, S. Gupta, Y. Ma [et al.] // International Conference on Intelligent User Interfaces, Proceedings IUI: 24, Marina del Ray, CA, Vol. Part F147615. Marina del Ray, CA, 2019. Pp. 614-624. DOI 10.1145/3301275.3302324. EDN RXURMX.

[18] Zaripova R. Unlocking the potential of artificial intelligence for big data analytics / R. Zaripova, V. Kosulin, M. Shkinderov, I. Rakhmatullin // E3S Web of Conferences, St. Petersburg, 2023. Vol. 460. St. Petersburg: EDP Sciences, 2023. P. 04011. DOI 10.1051/e3sconf/202346004011. EDN LTBFXJ.