一種基于知識圖譜的實時系統(tǒng)語義約束性實現(xiàn)方法

劉 暢,王 彬 ,薛 潔,程 序,詹威威,熊 新

1(昆明理工大學 信息工程與自動化學院,昆明 650500)2(云南警官學院 信息網絡安全學院,昆明 650223)3(提升政府治理能力大數(shù)據(jù)應用技術國家工程實驗室,貴陽 550000)4(中電科大數(shù)據(jù)研究院有限公司,貴陽 550000)

1 引 言

在使用模型驅動軟件開發(fā)(Model Driven Development,MDD)[1]方法進行實時系統(tǒng)的軟件開發(fā)過程中,一般要建立實時領域內抽象的源模型,即平臺無關模型(Platform Independent Model,PIM),然后通過模型映射技術將平臺無關源模型轉換到平臺相關的目標模型(Platform Specific Model,PSM)[2],即可執(zhí)行的實時軟件源代碼.在PIM到PSM的模型轉換過程中,由于源模型與目標模型在模型表示形式、語法、語義等方面差距很大,因此如何實現(xiàn)模型的映射具有較大的技術難度,也是研究者們一直致力于解決的主要核心問題[3-6].尤其是實時系統(tǒng)的語義較為復雜,且無論在PIM還是在PSM中,都沒有辦法具體描述出來,在從源模型到目標模型的轉換過程中,如何實現(xiàn)語義約束性,以達到模型映射過程中的語義一致性是保證實時系統(tǒng)模型驅動方法有效性的關鍵問題.

很多學者對如何保證模型轉換過程的映射準確性和完整性問題展開了研究,Freund M等人提出了一種通用轉換算法,該算法能夠通過分析目標元模型的結構來執(zhí)行未指定此類擴展信息的映射,使模型轉換更精確[7].Gang W等人對計算獨立模型和平臺無關模型中的元本體進行了抽象,并基于本體映射技術的相似性,建立了它們之間的本體映射關系[8].侯金奎等人為構件式軟件模型的描述及轉換過程構建了一種統(tǒng)一的語義描述框架,解決模型驅動軟件開發(fā)過程中語義特性的描述和驗證等方面的問題[9].

在采用模型驅動方法進行實時系統(tǒng)設計的過程中,由于實時語義知識更加豐富、復雜,并且各種行為關系更加錯綜繁瑣,因此對其模型映射過程中的語義準確性要求更加嚴格.這也為實時語義的構建技術提出了更高的要求.近年來知識圖譜(Knowledge Graph)技術的出現(xiàn)為語義的描述提供了一種新的解決方案.知識圖譜以語義網為基礎,是一種圖譜組織形式,通過語義關聯(lián)把各種實體關聯(lián)起來,知識圖譜把結構化、非結構化的數(shù)據(jù)通過數(shù)據(jù)抽取、融合在一起,體現(xiàn)了數(shù)據(jù)治理、語義連接的思想[10-12].知識圖譜通過圖論和可視化技術描述知識資源及其載體,挖掘、分析、構建、繪制和顯示知識及它們之間的相互聯(lián)系[13],現(xiàn)已廣泛應用于各個領域的知識體系構建及可視化[14-16].齊斌等人提取信息熵和模糊集中的知識,構建了各行業(yè)領域系統(tǒng)化的知識庫,提出了一種基于知識圖譜的信息選擇技術[17].Marino K用知識圖譜的形式研究了結構化先驗知識的使用,并表明使用這些知識可以提高圖像分類的性能[18].Hakkanitur D等人提出從語義網提取的語義知識圖譜用于無監(jiān)督訓練模型的方法[19].李文鵬等人面向開源軟件項目,構建了可以對軟件知識進行檢索的軟件知識圖譜[20].

綜上所述,本文以保證實時系統(tǒng)語義約束性為目標,采用知識圖譜技術,構建面向實時領域的語義體系.實時語義知識圖譜由實時語義體系的本體語言作為實體,并通過實時語義模型中本體語言之間的關系連接構成圖譜.本文首先提取實時領域中語義模型的本體知識,構建實時語義知識體系,以實時語義知識體系作為框架構建實時語義知識圖譜.實時語義知識圖譜通過對實時語義知識中實體及其關聯(lián)的定義,實現(xiàn)了實時領域的語義約束.通過在模型驅動設計方法中的具體事例驗證證明了該方法的有效性.本文方法不但可以完整準確地描述實時領域隱含的語義約束,還可以在社會過程中保證其符合語義約束,為后續(xù)模型映射過程中的語義一致性的實現(xiàn)具有重要的意義.

2 實時領域的知識體系及schema構建

本體(ontology)是對某對特定領域內知識的概念及其相互之間關系的形式化表達[21],是用于描述知識的有力工具.實時領域本體體系是指對并行任務交互機制的實時系統(tǒng)領域內完整本體知識的識別和描述,是對實時領域系統(tǒng)內概念和關系的匯總.本體是使用抽象的概念集合來描述實時領域內的一切事物的共有特征,然后分析這些概念間存在的一定的關系集合,兩個集合共同構成實時領域內一個具有層級、屬性和特征的體系結構.知識圖譜則在這些概念和關系的基礎上增加了更多的信息,為知識的推理奠定了基礎,而本體描述了知識圖譜的數(shù)據(jù)模式,為實時領域知識圖譜構建schema的過程相當于為實時領域內的知識建立本體體系的過程.

2.1 實時領域特征及語義約束

通過對典型實時系統(tǒng)中同步與通信機制的研究和歸納,可以得到實時系統(tǒng)的運行機制是多個任務并行,其基本的功能單元是任務,主要關系是多個任務之間的協(xié)調合作過程中存在的實時通信和同步,即中斷、郵箱、信號量等和任務的交互,任務之間以及任務與通信和同步服務單元之間的協(xié)調動作是實時系統(tǒng)正常運行的基本保證[22,23].

在實時領域內,其語義體系通常包括定義、規(guī)則與資源等不同層次,構建實時領域本體體系的目標是為了保證在模型轉換過程中保持語義一致性及嚴格的語義約束.語義一致性可以描述如下:若語言A的模型定義為Model_A,Model_A模型的語義體系為Sa;語言B的模型定義為Model_B,Model_B模型的語義體系為Sb,若Sa?Sb,那么稱在模型轉換映射過程中(Model_A,Model_B)保持了語義一致.

2.2 實時領域的概念本體

實時系統(tǒng)領域的概念本體可分為對象本體、行為本體和算法本體三類.

在實時控制系統(tǒng)中,對象本體={任務,中斷,郵箱,事件,資源,警報,信號量}.根據(jù)對象本體是否具有發(fā)出行為的能力分為進程對象和目標對象兩種.其中具有發(fā)出行為能力的對象本體稱為進程對象,進程對象={任務,中斷,事件,警報};具有被動接受行為的對象本體稱為目標本體,目標對象={郵箱,資源,信號量}.

對象本體之間的交互行為稱為行為本體,行為本體={任務類行為,資源類行為,中斷類行為,報警類行為,信號類型行為,事件類行為}.另有創(chuàng)建行為和刪除行為可以通用,所以不對其進行分類.在行為本體中,其中任務類行為={延遲,懸掛,恢復,鎖起,解鎖,訪問};資源類行為={讀,寫,釋放};中斷類行為={等待,激活,有效,無效};報警類行為={懸掛,恢復,激活};信號類行為={發(fā)送,等待};事件類行為={發(fā)信號,清楚,等待};創(chuàng)建類行為={創(chuàng)建};刪除類行為={刪除}.

程序算法本體為在實時系統(tǒng)設計中的程序算法,任務可以對算法進行選擇.算法={if-then,while,repeat}.

2.3 實時領域的關系本體

上述概念之間均存在各種關系,在實時領域知識體系中,這些關系用來表示在多任務領域中各概念本體之間的相互作用,這些關系錯綜復雜,具有方向性,每一個關系的發(fā)生具有明確的關聯(lián)定義,且不可替代和混淆.本文用有向圖描述部分本體之間關系的約束性,如圖1所示.

如圖1所示,本體間通過對關系的定義具有了嚴格的方向性,圖中包含部分對象本體,行為本體,算法本體,所屬類別與兩者間關系.例如,“任務”可以發(fā)出“刪除”的行為,也可以發(fā)出“懸掛”的行為,“任務”與兩者間關系均為“可以發(fā)出”,但是“資源”和“警報”只可以作為“刪除”與“懸掛”的對象,對應關系為“可以刪除”與“可以懸掛”;“任務”可以發(fā)出“恢復”的行為,關系為“可以發(fā)出”,恢復可以作用于任務,但因關系方向改變,關系發(fā)生變化,不可原路返回,需另做一條關系,關系為“作用于”;“任務”具有“if-then”,表示“任務”與“if-then”之間關系為“具有”.同時在實時本體體系中,本體具有自身屬性,如圖1中所屬類別.

圖1 概念本體和關系本體的有向圖模型Fig.1 Directed graph model of conceptual ontology and relational ontology

綜上所述,通過對實時領域知識概念和關系的分析與總結,得到了實時語義知識圖譜的schema,在這些工作的基礎上,我們將開始構建實時系統(tǒng)語義的知識圖譜.

3 實時語義知識圖譜的實體及關系構建

3.1 實時系統(tǒng)語義知識圖譜中實體的構建

實時語義知識圖譜中,每個節(jié)點對應一個實時語義知識實體,兩個節(jié)點的邊對應它們之間的語義關聯(lián).本文將實時語義中的對象本體,行為本體與算法本體提取為實時語義知識實體,具體內容如圖2.

智能診斷軟件方案通過有效的引導式專家故障排除軟件和機器學習能力，可提升一次性修復率，避免錯誤診斷和過度維修，與此同時，車載健康監(jiān)控和云端預測性診斷工具可在故障問題發(fā)生前提供預警，并從實際案例中汲取經驗及規(guī)則，改進未來的車輛健康性能。

圖2 實時語義知識Fig.2 Real-time semantic knowledge

3.2 實時系統(tǒng)語義知識圖譜中關系的構建

實時語義知識圖譜的邊表達了節(jié)點之間的語義關聯(lián),這些關聯(lián)包含了節(jié)點之間的特定關系,這些關系根據(jù)實時建模系統(tǒng)中本體之間的關系所構建.在語義三元組<實體,關系,實體>中,根據(jù)實體與實體之間特定的關聯(lián).我們構建關系集={CAN,Work on,HAS},在三元組<實體,屬性,屬性值>中,構建類型集={Name,Class}.具體信息如表1所示.表1中括號內表達的是兩者之間的對應關系及所屬類別,即由左至右對應,關系方向與類別方向也為由左至右,例如 CAN中包含<任務,CAN,延遲>代表任務實體與延遲實體間關系為CAN,關系方向為任務至延遲.Class中<讀,所屬類別,資源類行為>代表讀實體所屬資源類行為.

表1 實時語義知識圖譜部分實體之間關系表
Table 1 Real-time semantic knowledge map part of the relationship between entities

關系<實體,關系,實體>CAN<任務,CAN,延遲>;<任務,CAN,懸掛>;<任務,CAN,恢復>;<任務,CAN,鎖起>;<任務,CAN,解鎖>;<任務,CAN,讀>;<任務,CAN,無效>;<任務,CAN,懸掛>,<任務,CAN,等待>;Work on<讀,Work on,資源>;<激活,Work on,中斷>;<恢復,Work on,報警>;<創(chuàng)建,Work on,中斷>;<創(chuàng)建,Work on,資源>;<創(chuàng)建,Work on,信號量>;<刪除,Work on,事件>;<刪除,Work on,資源>;<延遲,Work on,任務>;<恢復,Work on,任務>;<訪問,Work on,任務>HAS<任務,HAS,if-then>;<任務,HAS,while>;<任務,HAS,repeat>屬性<實體,屬性,屬性值>Name<任務,Name,Task1>;<任務,Name,MainTask>;<事件,Name,Event1>;<資源,Name,Resource1>;<郵箱,Name,Mailbox1>Class<讀,Class,資源類行為>;<讀,Class,資源類行為>;<寫,Class,資源類行為>;<無效,Class,中斷類行為>;<懸掛,Class,報警類行為>;<刪除,Class,刪除行為>;<創(chuàng)建,Class,創(chuàng)建行為>;

3.3 基于Neo4j和cypher的實時語義知識圖譜實現(xiàn)

Neo4j[25]是由java語言實現(xiàn)的圖數(shù)據(jù)庫,將數(shù)據(jù)以圖的數(shù)據(jù)結構進行存儲和管理,并且能高效準確的表示不同種類的數(shù)據(jù),是基于屬性圖模型的數(shù)據(jù)庫.本文用Neo4j對實時語義知識圖譜構建進行儲存,便于知識圖譜的繪制與查詢.我們將提取到的實體和實體關系存入Neo4j圖數(shù)據(jù)庫中.cypher語言[26]是一種聲明式的圖查詢語言,可以用于高效查詢和更新圖數(shù)據(jù)庫.對所查詢的關系進行檢索.我們利用Neo4j中提供的cypher查詢語言對實時領域知識圖譜的知識進行查詢.

圖3 實時語義知識圖譜構建流程圖Fig.3 Real-time semantic knowledge graph construction flow chart

在構建知識圖譜中由于行為本體間有重復字符比如中斷類行為中的“等待”與信號類行為中的“等待”字符相同,在構建知識圖譜中無法形成唯一約束,所以我們在構建時候相同字符后加上后綴,比如中斷類行為中等待行為記為“等待.中斷”;信號類行為中等待行為記為“等待.信號”.基于Neo4j構建的實時語義知識圖譜中部分截圖效果展示如圖4所示.圖中呈現(xiàn)了實時領域內的知識及其之間的關聯(lián)性與約束性,關系清晰明確且具有嚴格的方向性.

圖4 實時知識圖譜展現(xiàn)圖Fig.4 Real-time knowledge graph

圖5 實時領域知識圖譜中的語義約束Fig.5 Semantic restriction in Real-time knowledge graph

4 基于知識圖譜的語義約束實現(xiàn)

在實時領域知識圖譜中,完整描述了各實體及其關系之間的關聯(lián),由于在構建過程中,對這些關聯(lián)的約束給出了明確的定義,因此,所有實體與所有關系之間的關聯(lián)即描述了實時領域的語義約束.如圖5(a)所示,圖中描述了一個與“郵箱”節(jié)點的知識及關系描述,從圖中可以看出實時系統(tǒng)的語義約束如下:“郵箱”可以與“創(chuàng)建”與“刪除”兩種行為有關聯(lián),且“創(chuàng)建”與“刪除”兩種行為只能有“任務”發(fā)出;“郵箱”所屬目標對象類別,目標對象同時還包含“資源”與“信號量”兩種.而圖5(b)則給出了與“資源”節(jié)點有直接關聯(lián)的所有實體.

實時領域知識圖譜清晰表達了節(jié)點之間的關系有無以及關系之間的方向性,嚴格地給出了對象及行為之間的語義約束.在實時語義知識圖譜中,可以采用cypher語言查詢并獲取各節(jié)點之間的關系和關聯(lián)情況,因此在使用模型驅動方法進行實時系統(tǒng)設計時,根據(jù)所獲取的關聯(lián)情況的有無和方向即可完成實時領域中的語義約束.

以圖6為例,我們在采用模型驅動設計方法時,有任務main、資源resource1和郵箱mailbox1三個對象本體,分別對應于知識圖譜中任務、資源和郵箱三個實體,這里要使用模型驅動的方法對這三個模型之間進行進一步的具體行為關聯(lián).而由于屬性不同,其背后的語義約束較為復雜.

圖6 任務、資源和郵箱的模型圖Fig.6 Model graph of tasks,resources,and mailboxes

在設計過程中,在使用發(fā)送到郵箱命令時,如果誤將其指向資源本體resource1,使用上文構建的實時語義知識圖譜,可通過cypher語言查詢到與“資源”節(jié)點有直接關聯(lián)的節(jié)點,如圖5(b)所示.可以看到“資源”所屬類別,以及與“資源”節(jié)點直接關聯(lián)的所有行為本體,在這里,并沒有“發(fā)送到郵箱”這個行為,因此在語義上判別出盡管資源是一個目標對象,但是當前這個動作是不能與之發(fā)生關聯(lián)的,因此盡管在語法上沒有錯誤,但是識別出這是一個語義錯誤,報錯并停止執(zhí)行,如圖7(a)所示.

圖7 “資源”語義約束及建模實現(xiàn)Fig.7 "resource" semantic constraints and modeling implementation

而當“發(fā)送到郵箱”這個行為作用到郵箱mailbox1時,通過使用實時語義知識圖譜查詢到與“郵箱”節(jié)點有直接關聯(lián)的節(jié)點,如圖5(a)所示.因此驗證了符合語義規(guī)則,可以完成當前動作,得到的結果如圖7(b)所示.

由上述例子可見,實時語義知識圖譜包含了所有實時領域知識內的知識及知識之間的語義約束,可通過可視化圖譜方式呈現(xiàn),不僅具體清晰,還可以通過cypher語言對節(jié)點之間的關聯(lián)性進行查詢,檢驗當前的語義是否符合實時語義的規(guī)定,從而實現(xiàn)了對實時領域語義嚴格的約束.

為了進一步驗證使用知識圖譜后實時系統(tǒng)語義約束性的效果,我們以基于模型驅動方法的實時系統(tǒng)設計平臺為實驗環(huán)境,針對各種設計中存在的語義映射問題進行了多次測試實驗.使用原有的語義約束方法[27]和基于知識圖譜的語義約束方法,分別對語義約束的準確度、誤識別度和漏識別度三方面進行了統(tǒng)計,結果顯示,無論是對象類語義、行為類語義還是算法類語義,在以上三種指標上都得到了明顯的改善,具體的統(tǒng)計結果如表2所示.

表2 指標對比
Table 2 Index comparison

準確率誤識別率漏識別率對象類原方法84%7%9%語義本文方法92%4%4%行為類原方法78%8%14%語義本文方法90%6%4%算法類原方法81%13%6%語義本文方法91%6%3%

由實驗結果可見,基于知識圖譜的實時語義約束方法能夠更好地保證在模型映射過程中語義的保持和映射,尤其對于相對復雜的行為類語義有更好的效果.

5 總結與展望

針對在采用于模型驅動實時系統(tǒng)設計方法過程中語義約束難以實現(xiàn)的問題,本文構建了實時領域內的知識圖譜,重點針對該領域內語義關系錯綜復雜的特點,首先完成了對實時領域內知識本體及各種關系的識別和提取,構造了基于知識實體的本體屬性模型,并在此基礎上采用圖數(shù)據(jù)庫技術實現(xiàn)了實時語義體系的知識圖譜.

本文提取了實時語義中的對象本體與關系本體之間的相關性作為構建實時語義知識圖譜的主要框架,分別通過實體,屬性,關聯(lián)的設置實現(xiàn)實時語義知識圖譜的構建.所得到的實時語義知識圖譜的可視化能夠清晰具體地表達實時語義體系中各個實體與關系之間的關聯(lián)性,同時完成了嚴格的語義定義.具體的例子和實驗統(tǒng)計結果表明,將該知識圖譜應用于模型驅動的實時系統(tǒng)設計過程中時,通過與知識圖譜的實時交互,可以檢驗當前設計動作是否符合語義約束,并且明顯改善了模型驅動設計過程中隱含的語義約束性能指標.

采用本文方法不但可以實現(xiàn)不同建模本體之間交互的語義約束,還可以為進一步實現(xiàn)實時語義的關聯(lián)、檢索和推理提供基礎,從而為實時系統(tǒng)模型轉換過程中的語義一致性問題提供更有效的解決方案.下一步將結合知識圖譜的推理算法展開研究,以繼續(xù)完善和提高實時語義一致性的性能.