情境计算中间件及其在校园节能中的应用(6)

[7]CHEN Haiming,SHI Hailong,LI Meng,et middleware for internet of things:Challenges and approaches[J].Chinese Journal of Computers,2017,40(8):1725-1727(in Chinese).[陈海明,石海龙,李勐,等.物联网服务中间件:挑战与研究进展[J].计算机学报,2017,40(8):1725-1727.]

[8]CHANG Liang,LIU Jin,GU Tianlong,et Web service composition based on dynamic description logics[J].Chinese Journal of Computers,2013,36(12):2469-2471(in Chinese).[常亮,刘进,古天龙,等.基于动态描述逻辑的语义Web服务组合[J].计算机学报,2013,36(12):2469-2471.]

[9]JIN Guiyang,Lü Fuzai,XIANG information integration based on knowledge graph and semantic web technology[J].Journal of Southeast University(Natural Science Edition),2014,44(2):251-254(in Chinese).[金贵阳,吕福在,项占琴.基于知识图谱和语义网技术的企业信息集成方法[J].东南大学学报(自然科学版),2014,44(2):251-254.]

[10]LIU Tingyu,WANG Huifen,BEN Kecun,et business artifact recommending approach for product development processes based on context ontology matching[J].Computer Integrated Manufacturing Systems,2016,22(12):2729-2733(in Chinese).[刘庭煜,汪惠芬,贲可存,等.基于多维情境本体匹配的产品开发过程业务产物智能推荐技术[J].计算机集成制造系统,2016,22(12):2729-2733.]

[11]LI Weiping,WANG Wusheng,MO Tong,et of contextual computing[J].Journal of Computer Research and Development,2015,52(2):544-548(in Chinese).[李伟平,王武生,莫同,等.情境计算研究综述[J].计算机研究与发展,2015,52(2):544-548.]

[12]XU on key techniques of context-aware computing based on ontology[D].Dalian:Dalian Maritime University,2015:80-81(in Chinese).[许楠.基于本体的上下文感知计算关键技术研究[D].大连:大连海事大学,2015:80-81.]

0引 言近年来国家对教育的重视渐渐提上日程，高校招生规模也日益增大，需要解决的问题越来越多。其中，资源利用率较低是普遍高校存在的问题[1]。如果高校不能智能化地控制和管理资源，就有可能造成资源的浪费。下面举几个常见的例子。在校园的草坪上，如果用于自动灌溉植物的喷灌漏水了但未能及时被发现，就很容易造成水资源的浪费，但是如果喷灌在漏水的时候能自动报警或通知工作人员，就能对损坏的喷灌进行维修从而减少水资源的浪费。在图书馆里，一楼用于自习且白天和晚上都开放，二、三楼用于借阅却只有白天开放，如果人来控制灯的开闭，则会浪费很多人力资源，如果图书馆可以根据白天还是晚上来智能化地控制灯的开闭，则会节省大量人工劳动。在教室里，如果某天天气很热，但因为正值冬天所以学校还在供暖，则这不但造成热能的浪费，而且会因为环境过热而导致师生感到不适，如果教室能智能地感应室外温度，就能通过调整供暖量来避免这种问题的发生。因此，智能化地解决上述的问题是当今高校从数字校园向智慧校园转型的重要环节，本文主要针对上述问题提出了解决的框架。1智慧校园中间件智慧校园的定义很多，但是表示的意思基本类似。其主要是指校园通过智能信息收集设备对校园各方信息进行采集和处理，并通过多维信息的融合(时间信息、空间信息、自然条件信息、外部事件信息等)来达到提高资源利用效率的目标，并使其具有自动控制，智能预测和自我修复的能力，最终实现对资源的科学管理和为师生提供智能化服务[2]。中间件可以屏蔽底层的数据复杂性和数据结构多样性，实现底层和上层的流畅对接[3]，应用于智慧校园可大大提升智慧校园在数据处理方面的能力[4]。为此本文针对校园节能方面设计了智慧校园中间件。该中间件利用情境计算作为辅助手段，并建立相应的知识库为中间件的推理运算提供规则和本体支持，是智慧校园的核心组件，具体架构如图1所示。这个架构图主要分为资源层、适配层、服务层和应用层。其中，情境计算技术和知识库会协助各层间的运作和服务层的推理，从而让校园可以主动地提供智慧化的服务。下面将详细介绍这4层以及它们之间的关系。图1 智慧校园中间件的实现架构2资源层资源层属于中间件的最低层，主要利用传感器和计算机等物理设备获取资源(即数据)并将其传输到适配层[5]。因为数据是实现智慧校园的基础，所以资源层采集到的数据对后续的推理和服务的生成具有重要影响。对于本文来说需要用到的数据信息主要包括：通过Web Service采集到的天气预报和时间信息、通过光敏传感器收集到的亮度信息、通过位置传感器(GPS)获取的定位和追踪信息，通过温度传感器收集到的温度信息、通过水流量传感器收集到的水流量信息、设备自身状态信息和日志信息等。本文将对设备名称、设备编号、设备所在位置以及设备测量的信息类型建立一个对应关系表，即设备信息表(DeviceInfo)，其中设备测量的信息类型(对应适配层提到的InfoType)有3个可选项，分别为time(时间)、space(空间)、Nature(自然条件)；并将此表提前存储在数据库中，供适配层查找设备所在位置和设备测量的信息类型。比如，水流量传感器(名称)、405(编号)、1号草坪(设备所在位置)、Nature(自然条件)就可以作为设备信息表中的一条记录。3适配层适配层是物理层的上层，同时也是服务层的下层，因此其主要作用是解决因物理层的异构特性造成与服务层信息沟通不便的问题，并降低物理层和服务层的耦合度，提升系统的稳定性、可扩展性和跨平台性[6]。这里需要对来自不同传感器和互联网设备(包括手机互联网设备和计算机互联网设备)的数据用下面的接口格式进行存放：(DeviceName，DeviceNum，&InfoArr，&Receipt Time，&Device-Location，InfoType)。其中DeviceName表示设备名称；DeviceNum表示设备编号；&InfoArr表示设备采集到的情境信息；&ReceiptTime表示接收到这个信息的时刻；&DeviceLocation表示设备所处的空间信息；InfoType表示信息类型，有3个可选项：time(时间)，space(空间)，Nature(自然条件)。通过接收来自传感器或互联网设备传输过来的事件和查找资源层建立好的设备信息表(DeviceInfo)，适配层就可以将情境信息按上述格式转化成记录。记录分为传感器记录和互联网记录，这两种记录的处理方式有所不同。对于传感器记录，从传感器中接收的数据格式为(下面以温度传感器为例进行说明)：{"name":"温度传感器"， "ID":"304"，"timestamp":"2018-03-11T20:16:30"， "value":15}value=15表示当前的温度值为15℃。Timestamp表示时间戳。因此，适配层只要根据传感器设备ID找到设备信息表中所对应的设备编号，就可以找出该设备所在位置以及设备测量的信息类型，最后按上述接口格式把剩余相关信息填入对应位置即可形成传感器记录。对于互联网记录，由于互联网设备只需要接收天气预报和时间信息，而从Web Service中接收的天气预报数据格式(以北京某一时刻的天气预报为例进行说明)为：{"weatherinfo":{"city":"北京"， "cityid":""， "temp":"18"， "WD":"东南风"， "WS":"1级"， "SD":"17%"， "WSE":"1"， "time":"17:05"， "isRadar":"1"， "Radar":"JC_RADAR_AZ9010_JB"， "njd":"暂无实况"， "qy":"1011"， "weather":"晴"}}。因此适配层需要对天气预报数据进行切分和提取，本文根据实际需要提取了temp(当前温度)、WS(风速)、SD(相对湿度)、WSE(风力)、njd(能见度)和weather(天气)信息并把这些信息封装成数组作为当前自然情境信息，把此信息类型标记为Nature，最后形成记录。同时适配层可以直接从互联网获取当前时间信息，并把此信息类型标记为Time而形成记录。4服务层服务层位于适配层和应用层之间，是中间件的关键一层，因为其中涉及了对数据的推理和计算进而智能生成服务。服务层提供的服务具有主动性，主要分为基础型服务和组合型服务。其中基础性服务是指系统提供的常规化服务，是对单一情境信息的分析推理得出的服务。而组合型服务是指对多维情境信息进行融合及分析推理得出的服务[7]。因为在校园生活中，用户和环境都会受到多种因素的影响，因此本文主要讲述组合型服务。首先，服务层要进行语义网建模并利用这些模型构建情境推理模型和规则库，再进行情境推理，最后得出组合型服务。下面将详细接镆逋Ｓ镆鍂eb是一种通过语义技术和web技术融合后得到的新技术，通过给web信息添加一定的语义，从而使计算机可以认识和理解web上的数据[8]。语义推理是语义web的重要功能，其作用主要是通过建立一个基于主、谓、宾三元组形式的语义模型对不同数据结点建立关联关系，利用已知信息和关联关系推导出未知信息，从而为用户提供更好服务[9]。由于资源层采集了大量不同的数据信息，如果服务层想对这些信息进行处理就必须要理解这些信息及其它们之间的关系，因此本文将采用语义网技术来全面建立相关模型。限于篇幅仅给出下面3个主要的RDF模型以说明情境数?自然条件RDF模型情境的不同会导致需求的不同，进而导致实体服务的不同，比如文献[7]所述，红外传感器放室内可以用于防盗和检测是否有人，放室外则可以用于距离的测量。由于自然条件是可以描述各种各样的情境，从而在一定程度上影响实体服务的生成。所以本文建立的自然条件RDF模型(如图2所示)能够清晰反映在一定时间和空间下个体所处的情境，并显示了不同自然情境信息之间的关系，为之后多维情境信息的融合和分析提供很大的帮助。图2 自然条件RDF模型本模型说明了自然条件(Nature)主要分为物理条件(Physical)、天气状况(Weather)和其它条件(Other)。包括温度(Temperature)、亮度(luminance)和水流量(waterFlow)。天气状况(Weather)分为下雨(rainy)、下雪(snowy)、晴天(sunny)、有风(windy)、阴天(cloudy)。其它条件(Other)包括了学生反馈情况(StudentFeedback)、课程表安排情况(ClassSchedule)、节假日(Holiday)和校园活动(CampusActivity)。比如，如果温度为0℃，就需要自动?空间RDF模型实体服务都发生在特定的时间和地点中，因此与其相关的信息和操作控制都具有时空特性。在文献[7]中提到了一个与PM2.5有关的情境感知服务，它表明一个特定地点和这个特定地点相近的地点具有相关性，且在当前环境不可测时，可以利用离现在时间较近的过去或未来几个时间点的数据信息来推断出当前的环境状况，从而提供近似服务。因此，本文将建立一个空间RDF模型(如图3所示)用于有效地表达出了智慧校园空间的全部信息，方便以后对智慧校园设备的定位、控制和维护。图3 空间RDF模型本模型说明了位置(space)是由区域(region)和地理位置(GeographicalLocation)组成的。不同的固定位置(fixed)组成了一个区域(region)，固定位置(fixed)又分室内(indoor)和室外(outdoor)。同时，区域(region)也是由地理位置(GeographicalLocation)组成(consistOf)的，不同的地理位置(GeographicalLocation)又具有不同的定位编号(VHPN)。比如，当用于灌溉的水龙头出现故障且需要及时维修时，智慧校园就需要给出该水龙头开关的具体位置以加?时间RDF模型时间RDF模型(如图4所示)的提出对服务层理解时间情境和时间信息有很大的帮助，让服务层更清楚地理解各类时间信息之间的相互关系以及所代表的具体含义，为之后的时间情境推理和计算做好充分的准备。图4 时间RDF模型本模型说明了时间(time)是由白天(daytime)和夜晚(night)组成；而且时间具有瞬间(instant)和间隔(interval)两种属性。其中间隔(interval)是开始于某一瞬间(instant)并结束于某一瞬间(instant)；间隔的持续时间(duration)又可以换算成时间总量(timeQuantity)。在校园里，间隔(interval)还可以分为日常在校时间(DailySchoolTime)和假期(holiday)。比如，如果已知时间为20∶30，智慧校园系统就可以识别出当前时刻属于晚上，则路灯就会自动打壳榫辰Ｍ评砑胺袂榫晨梢悦枋鲇胧堤逵泄氐乃行畔ⅲㄊ堤遄陨淼淖刺畔10]。情境计算是一种通过对获取的情境信息进行处理从而得出用户所需服务并主动向用户提供相应服务的计算模式[11]。本文将利用情境计算技术，通过多维情境信息的融合，实现校园智慧管理和智慧预测，从而达到对电、水、气的智慧化节能的目 情境建模本文根据本体库建立了如下几个离散型的情境模型：(1)路灯管理情境模型：<RoadLightContext>=(time， nature(weather)， VHPN)因为不同的天气对应不同的校道能见度，在不同时间段里校道的亮度也会有所不同，所以设计了关于时间、天气状况和地点的路灯管理情境模型。不直接安装光敏传感器测亮度的原因是室外很容易导致光敏传感器的老化。(2)教室管理情境模型：<ClassroomContext>=(time， nature(classSchedule)， nature(luminance)， VHPN)上课的教室能自动把教室设备开启，如果亮度足够的情况下教室灯是关闭的，只有当亮度低于某阈值才打开，因此建立了关于时间、课程表、亮度和地点的教室灯管理情境模型。(3)草坪喷灌管理情境模型：<WaterIntelligentSwitchContext>=(time， lawn， water-Flow)由于草坪上灌溉用的喷灌出现问题很难被发现，即使被发现很多学生也不知道开关的位置，因此需要用流量传感器监测流量是否出现异常，出现异常需要及时进行维修和处理。所以本文建立关于时间、地点(这里是草坪)和水流量的草坪喷灌管理情境模型。(4)暖气管理情境模型：<HeatingContext>=(time， nature(weather)， tempe-rature)暖气受天气(外部温度)，季节(时间)，室内温度影响，虽然在冬天，天气晴朗有可能导致室内温度升高，在这种情况下就可以停止供暖。因此本文建立了关于时间、天气和室内温度的暖气管理情境模型。(5)图书馆管理情境模型：<LibraryContext>=(time， VHPN)因为图书馆每层的用途都有所不同，开放时间也有差异，所以影响图书馆管理的情境因素主要是时间和图书馆属于第几层。为此建立了关于时间和位置的图书馆管理情?情境推理4.2.2.1 情境推理的规则对情境进行推理必须制定一种统一的推理规则。本文将采用If-Then模式的推理规则：If <Context> Then <ContextService>Context表示情境信息，ContextService表示服务。这里情境和服务之间的关系可以用二维坐标(<Context>，<ContextService>)表示出来以表示对应关系。比如具体的路灯管理情境推理可表示为：(<RoadLightContext>，<RoadLightContextService>) 规则库的构建现在根据上面的情境模型和推理规则来建立一些基本的语义规则库，先用自然语言编写规则，再转化为SWRL规则[12]。下面以路灯管理情境模型的规则库为例作说明，其它规则库也可按同样方法构建。规则一：如果从互联网上采集到的当日时间信息里的时间点是晚上，则路灯打开。即?(night)?(turnOn)night→roadLight(turnOn)，用斯克林范式化成子句集：①night∨roadLight(turnOn)规则二：如果从互联网上采集到的当日天气状况为下雨，则路灯打开。即?(rainy)?(turnOn)weather(rainy)→roadLight(turnOn)，用斯克林范式化成子句集：②weather(rainy)∨roadLight(turnOn)规则三：如果从互联网上采集到的当日天气状况为下雪，则路灯打开。即?(snowy)?(turnOn)weather(snowy)→roadLight(turnOn)，用斯克林范式化成子句集：③weather(snowy)∨roadLight(turnOn)规则四：如果阴天且有风，则会下雨的可信度为0.6。④?(rainy)?(windy)?(cloudy)weather(windy)∧weather(cloudy)→weather(rainy)， CF(weather(rainy)，weather(windy)∧weather(cloudy))=0.6规则五：如果阴天且温度很低，则会下雨的可信度为0.55。⑤?(low)?(cloudy)?(rainy)Temperature(low)∧weather(cloudy)→weather(rainy)， CF(weather(rainy)， Temperature(low)∧weather(cloudy))=0.55规则六：如果有风，则会阴天的可信度为0.6。⑥?(windy)?(cloudy)weather(windy)→weather(cloudy)， CF(weather(cloudy)， weather(windy))= 情境推理及服务生成本节首先对信息进行采集，再利用情境推理模型与规则库分析当前情境状态， 并进行推理和计算。下面以路灯管理模块的情境推理为例， 举两个例子分别说明确定性推理和不确定性推理的过程。(1)确定性推理假设从互联网接收到的时间数据为早上8点，且从互联网上采集到的当日天气状况为下雪，下面将对这种情境进行推理并得出路灯该提供什么样的服务。先把上面事实化为子句：⑦time(night)⑧weather(snowy)假设路灯需要提供的服务为u，即roadLight(u)→answer(u)，用斯克林范式化成子句集：⑨roadLight(u)∨answer(u)对③⑧进行归结，得⑩roadLight(turnOn)对⑨⑩进行归结，σ={turnOn/u}(合一置换)，得：answer(turnOn)即路灯需要提供的服务为turnOn，即在这种情境下路灯需要自动开启。(2)不确定性推理假设已知事实：校道温度低且有风，但还有阳光。下面本文将预测过一段时间以后会下雨的概率。首先计算过一段时间会出现阴天的可信度。由事实可知，初始证据为CF(Temperature(low))=1， CF(weather(windy))=1，根据规则⑥知：CF(weather(cloudy)， weather(windy))=0.6再利用上述可信度CF即可计算出一段时间以后晴转阴的可信度：CF(weather(cloudy))=CF(weather(cloudy)， weather(windy))·bmax{0，CF(weather(windy))}=0.6同时计算出有风并且阴天的可信度和低温并且阴天的可信度：CF(weather(windy)∧weather(cloudy))=min{CF(weather(windy))， CF(weather(cloudy))}=0.6， CF(Temperature(low)∧weather(cloudy))=min{CF(Temperature(low))， CF(weather(cloudy))}=0.6因为根据规则④和⑤可知一段时间后是否会下雨受两个因素的影响，一个是有风且阴天的情境，另一个是低温且阴天的情境，所以下面分别计算这两种情境下一段时间后会下雨的可信度，根据规则④和⑤知CF(weather(rainy)， weather(windy)∧weather(cloudy))=0.6， CF(weather(rainy)， Temperature(low)∧weather(cloudy))=0.55，则：CF1(weather(rainy))=CF(weather(rainy)，weather(windy)∧weather(cloudy))·bmax{0，CF(weather(windy)∧weather(cloudy))}=0.36CF2(weather(rainy))=CF(weather(rainy)，Temperature(low)∧weather(cloudy))·bmax{0，CF(Temperature(low)∧weather(cloudy))}=0.33下面利用CF1(weather(rainy))和CF2(weather(rainy))求综合下雨可信度，因为：CF1(weather(rainy))>0， CF2(weather(rainy))>0，所以：CF(weather(rainy))=CF1(weather(rainy))+CF2(weather(rainy))-CF1(weather(rainy))*CF2(weather(rainy))=0.5712即过一段时间以后可能下雨的概率大约为57.12%。如果本文设定的阈值为0.5，因为CF(weather(rainy))>0.5，所以系统认为过一段时间会下雨，需要提前做好应对下雨的准备，比如由规则②可知，下雨需要打开路灯，因此路灯可以在一段时间以后提前开启。5应用层由于应用层是中间件的最顶层，因此它用于处理与实际应用和服务相关的工作，并具有与用户直接交互的接口，通过适配层和服务层的数据处理后，应用层也可以利用特定接口与物理层进行交互。图5为应用层的系统功能示意图，这里应用层实现的功能都是前面讨论到需要进行资源节约的重要方面。图5 智慧校园节能管理系统功能6实验设计以笔者所在学校为例，对软件实验平台进行搭建。本次实验所采用的设备主要有：ZigBee网关-以太网ENC28J60、ZigBee网关-WiFi、温湿度传感器DHT11、光敏传感器TEMT6000、ZigBee路由、水流量传感器YF-B9/B10、用于远距离水泵灌溉的智能物联网控制器、计算机以及手机等。实验将设置传感器每5 min发送一次传感器事件，并随机选取5个教室、3个草坪以及图书馆的每一层的随机3个房间作为实验样本。在每个教室或房间中，同一类型传感器会被放置3个，且分布在房间的3个不同的角落，比如，教室A的3个角落分别都放置了一个温度传感器，测量后房间的温度取值等于这3个温度传感器测量值的平均值。软件设计方面会采用android studio 2.3.3.0开发工具和SQL server 2008数据库对智慧校园节能管理系统进行开发与设计，其中采用了MVC的设计模式，其中M层(Model层)用于情境数据和知识库存储，V层(View层)用于处理数据的显示，C层(Controller层)是软件跟传感器与用户交互的部分，主要负责数据处理、情境计算、逻辑推理、服务生成。软件平台会实时接收来自传感器发送进来的信息，先对信息进行过滤，然后对过滤后的信息根据时间、空间以及传感器类型进行分类，再对多维数据进行融合、推理和预测，最后对设备进行节能控制。下面是对一个星期内随机时刻智慧校园的情境信息和设备状态的部分记录数据，见表1(注：表1所述的图书馆一层用于自习，开放时间为8∶00-22∶00，图书馆二三层用于借阅，开放时间为8∶00-11∶40，14∶30-17∶40)。实验数据表明，软件基本可以正确地根据不同的情境对设备做出正确的控制，对草坪喷灌设备是否损坏做出正确的判断，从而可以为师生提供智能化服务并达到了校园的节约用电、用水、用气的目的。应用层移动APP系统相关界面如下：图6为系统主界面，主要显示了通过传感器和互联网设备收集到的当前情境信息和服务设备的工作状态；图7为点击了设备状态中的“教室：有课教室的设备已开启”行以后进入的页面，其中系统会优先显示正在上课的教室的设备状态，其中室内亮度是由光敏传感器收集的当前亮度数据决定的，但开启的前提是该教室需要上课，需要上课的教室都要把计算机和投影仪设备打开；图8为点击了设备状态中的“路灯关闭”行以后进入的页面，该页面会显示路灯的当前开启情况，并利用当前天气、时间等情境信息通过不确定性推理方法推理出3小时后路灯的预备操作。若推测情况异常，系统管理员可以手动设置路灯的开闭。表1实验数据记录情境信息设备状态时间天气室内温度课程表草坪水流量路灯教室暖气图书馆灯草坪喷灌周一 6∶45∶13多云0℃无课正常打开不开打开关正常周一 14∶18∶32多云2℃有课正常关闭上课教室打开打开三层都开正常周二 19∶17∶26多云5℃有课异常打开上课教室打开打开第一层打开, 其它关闭异常并正确定位维修周四 13∶50∶30晴15℃无课正常关闭不开关闭第一层打开, 其它关闭正常周五 16∶11∶27有风6℃有课正常关闭上课教室打开打开三层都开正常周日 10∶01∶40大雨3℃无课正常打开不开打开三层都开正常图6 系统主界面 图7 教室状态界面 图8 路灯状态界面7结束语针对传统校园的浪费问题，本文以笔者所在学校作为实验平台，提出了智慧校园中间件的设计方案并针对节能领域进行了情境的推理和计算，根据路灯、教室、图书馆、灌溉用水、暖气等方面进行了智慧化节能设计并完成相关软硬件的测试。与传统数字校园相比，本文融入了情境融合技术、物联网技术和智能推理和预测等相关技术，实现了时间信息、空间信息、自然条件信息和外部事件信息等多维信息的融合和智能化管理，提高了校园的资源利用效率。但推理的可信度还未实现根据过去的历史经验反向修正和更新的功能，需要后续进一步完善。参考文献：[1]HOU Xinghua,LI Jian,HE retrofitting for energy conservation design of a college dormitory[J].Building Energy Efficiency,2016,44(11):114-116(in Chinese).[侯兴华,李健,何飞.某高校宿舍楼综合节能改造设计方案研究[J].建筑节能,2016,44(11):114-116.][2]HU Qintai,ZHENG Kai,LIN transformation of educational informatization:From “Digital Campus” to “Smart Campus”[J].China Educational Technology,2014(1):36-37(in Chinese).[胡钦太,郑凯,林南晖.教育信息化的发展转型:从“数字校园”到“智慧校园”[J].中国电化教育,2014(1):36-37.][3]ZHAO Qi, LIU Xuanzhe, WANG Xudong, et al.Rich client middleware for runtime self-adaption[J].Journal of Software,2013,24(7):1421-1423 (in Chinese).[赵祺,刘譞哲,王旭东,等.一种面向富客户端应用的运行时自适应中间件[J].软件学报,2013,24(7):1421-1423.][4]ZHAO Ying,CHENG of data middleware for mobile campus based on OSGi and RESTful[J].Journal of Huazhong University of Science and Technology(Natural Science Edition),2013,41(S2):128-129 (in Chinese).[赵英,程良.基于OSGi和RESTful技术的移动校园数据中间件的设计[J].华中科技大学学报(自然科学版),2013,41(S2):128-129.][5]WU middleware[J].Journal of Software,2013,24(1):68-73(in Chinese).[吴泉源.网络计算中间件[J].软件学报,2013,24(1):68-73.][6]ZHOU Lingyuan,DUAN oflibrary context awareness middleware based on SOA[J].Library Theory and Practice,2016(2):62-63(in Chinese).[周玲元,段隆振.基于SOA的图书馆情境感知中间件架构研究[J].图书馆理论与实践,2016(2):62-63.][7]CHEN Haiming,SHI Hailong,LI Meng,et middleware for internet of things:Challenges and approaches[J].Chinese Journal of Computers,2017,40(8):1725-1727(in Chinese).[陈海明,石海龙,李勐,等.物联网服务中间件:挑战与研究进展[J].计算机学报,2017,40(8):1725-1727.][8]CHANG Liang,LIU Jin,GU Tianlong,et Web service composition based on dynamic description logics[J].Chinese Journal of Computers,2013,36(12):2469-2471(in Chinese).[常亮,刘进,古天龙,等.基于动态描述逻辑的语义Web服务组合[J].计算机学报,2013,36(12):2469-2471.][9]JIN Guiyang,Lü Fuzai,XIANG information integration based on knowledge graph and semantic web technology[J].Journal of Southeast University(Natural Science Edition),2014,44(2):251-254(in Chinese).[金贵阳,吕福在,项占琴.基于知识图谱和语义网技术的企业信息集成方法[J].东南大学学报(自然科学版),2014,44(2):251-254.][10]LIU Tingyu,WANG Huifen,BEN Kecun,et business artifact recommending approach for product development processes based on context ontology matching[J].Computer Integrated Manufacturing Systems,2016,22(12):2729-2733(in Chinese).[刘庭煜,汪惠芬,贲可存,等.基于多维情境本体匹配的产品开发过程业务产物智能推荐技术[J].计算机集成制造系统,2016,22(12):2729-2733.][11]LI Weiping,WANG Wusheng,MO Tong,et of contextual computing[J].Journal of Computer Research and Development,2015,52(2):544-548(in Chinese).[李伟平,王武生,莫同,等.情境计算研究综述[J].计算机研究与发展,2015,52(2):544-548.][12]XU on key techniques of context-aware computing based on ontology[D].Dalian:Dalian Maritime University,2015:80-81(in Chinese).[许楠.基于本体的上下文感知计算关键技术研究[D].大连:大连海事大学,2015:80-81.]

文章来源：《节能与环保》 网址: http://www.jnyhbzz.cn/qikandaodu/2020/0914/429.html