| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 课题背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 研究目的 | 第14-15页 |
| 1.4 本文贡献及创新点 | 第15-16页 |
| 1.5 论文结构 | 第16-17页 |
| 1.6 本章小结 | 第17-18页 |
| 第2章 背景技术 | 第18-27页 |
| 2.1 知识图谱 | 第18页 |
| 2.2 语义Web技术 | 第18-23页 |
| 2.2.1 语义Web体系结构 | 第19-20页 |
| 2.2.2 RDF与RDFS | 第20-22页 |
| 2.2.3 OWL | 第22页 |
| 2.2.4 SWRL | 第22-23页 |
| 2.3 语义推理技术 | 第23-24页 |
| 2.4 分布式大数据技术 | 第24-26页 |
| 2.4.1 Hadoop与MapReduce | 第24-25页 |
| 2.4.2 Spark | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 推理引擎总体架构与设计 | 第27-37页 |
| 3.1 总体功能与要求 | 第27-29页 |
| 3.1.1 功能性需求 | 第27-28页 |
| 3.1.2 非功能性需求 | 第28-29页 |
| 3.2 系统总体架构及分层 | 第29-32页 |
| 3.2.1 推理规则层 | 第29-30页 |
| 3.2.2 分布式推理算法层 | 第30页 |
| 3.2.3 分布式推理执行层 | 第30-32页 |
| 3.2.4 数据存储层 | 第32页 |
| 3.3 系统全局流程 | 第32-36页 |
| 3.3.1 规则配置与解析流程 | 第33-34页 |
| 3.3.2 分布式推理执行流程 | 第34-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第4章 基于Spark的推理引擎方案实现 | 第37-55页 |
| 4.1 分布式RDFS推理 | 第37-43页 |
| 4.1.1 RDFS规则和依赖顺序 | 第37-39页 |
| 4.1.2 RDFS分布式推理算法 | 第39-43页 |
| 4.1.3 基于Spark广播变量的优化 | 第43页 |
| 4.2 分布式OWL Horst推理 | 第43-52页 |
| 4.2.1 OWL Horst规则与划分 | 第44-46页 |
| 4.2.2 传递性规则推理算法 | 第46-47页 |
| 4.2.3 两个实例三元组连接类规则推理算法 | 第47-50页 |
| 4.2.4 sameAs类规则推理算法 | 第50-52页 |
| 4.3 分布式通用规则的推理 | 第52-54页 |
| 4.3.1 通用规则的表示模型 | 第52页 |
| 4.3.2 通用规则分布式推理在Spark上的实现 | 第52-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第5章 实验与分析 | 第55-62页 |
| 5.1 实验环境 | 第55页 |
| 5.2 数据准备 | 第55-56页 |
| 5.3 实验结果与分析 | 第56-61页 |
| 5.3.1 推理效率实验 | 第56-58页 |
| 5.3.2 可扩展性实验 | 第58-60页 |
| 5.3.3 通用规则推理测试 | 第60页 |
| 5.3.4 实验结论 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第6章 基于Spark的推理引擎在物联网领域的应用 | 第62-77页 |
| 6.1 应用背景 | 第62-63页 |
| 6.2 应用系统架构设计 | 第63-68页 |
| 6.2.1 oneM2M标准功能架构 | 第63-64页 |
| 6.2.2 环境监控场景下的系统架构 | 第64-68页 |
| 6.3 应用系统实现 | 第68-71页 |
| 6.3.1 传感器数据建模 | 第68-69页 |
| 6.3.2 语义数据流处理引擎模块 | 第69-70页 |
| 6.3.3 语义数据流上的规则推理 | 第70-71页 |
| 6.4 测试实验 | 第71-76页 |
| 6.4.1 测试环境 | 第71-72页 |
| 6.4.2 测试结果与分析 | 第72-76页 |
| 6.5 本章小结 | 第76-77页 |
| 第7章 总结与展望 | 第77-80页 |
| 7.1 工作总结 | 第77-78页 |
| 7.2 研究展望 | 第78-80页 |
| 参考文献 | 第80-85页 |
| 攻读硕士学位期间主要的研究成果 | 第85-87页 |
| 致谢 | 第87页 |