基于知识图谱和大模型的非智能传感器的实体发现方法

doi:10.11772/j.issn.1001-9081.2025020238

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (2): 354-360.DOI: 10.11772/j.issn.1001-9081.2025020238

• 人工智能 • 上一篇

基于知识图谱和大模型的非智能传感器的实体发现方法

何金栋¹^,², 及宇轩¹, 陈天赐¹, 许恒铭³, 耿技¹, 曹明生¹(), 梁员宁⁴

^1.网络与数据安全四川省重点实验室（电子科技大学），成都 610054
^2.国网福建省电力有限公司电力科学研究院数字研究所，福州 350007
^3.武汉理工大学法学与人文社会学院，武汉 430070
^4.中国人民解放军31680部队，成都 610000

收稿日期:2025-03-20 修回日期:2025-04-22 接受日期:2025-04-28 发布日期:2025-05-16 出版日期:2026-02-10
通讯作者: 曹明生
作者简介:何金栋（1982—），男，福建福州人，正高级工程师，博士研究生，主要研究方向：网络安全
及宇轩（2000—），男，内蒙古呼和浩特人，硕士研究生，主要研究方向：强化学习、网络资源调度
陈天赐（2003—），男，四川达州人，主要研究方向：网络安全、人工智能
许恒铭（2006—），男，四川成都人，主要研究方向：网络安全、人工智能
耿技（1963—），男，安徽合肥人，教授，博士，主要研究方向：系统软件、信息安全
曹明生（1986—），男，江苏盐城人，副研究员，博士，CCF会员，主要研究方向：网络安全、人工智能 Emai:cms@uestc.edu.cn
梁员宁（1986—），男，广西贵港人，工程师，硕士，CCF会员，主要研究方向：网络安全、人工智能。
基金资助:
国家自然科学基金资助项目(62372083);连云港市科学技术局项目(CG2322)

Entity discovery method for non-intelligent sensors by integrating knowledge graph and large models

Jindong HE¹^,², Yuxuan JI¹, Tianci CHEN¹, Hengming XU³, Ji GENG¹, Mingsheng CAO¹(), Yuanning LIANG⁴

^1.Key Laboratory of Network and Data Security of Sichuan Province （University of Electronic Science and Technology of China），Chengdu Sichuan 610054，China
^2.Digital Institute，Electric Power Research Institute，State Grid Fujian Electric Power Company Limited，Fuzhou Fujian 350007，China
^3.School of Law，Humanities and Sociology，Wuhan University of Technology，Wuhan Hubei 430070，China
^4.Unit 31680 of the People’s Liberation Army，Chengdu Sichuan 610000，China

Received:2025-03-20 Revised:2025-04-22 Accepted:2025-04-28 Online:2025-05-16 Published:2026-02-10
Contact: Mingsheng CAO
About author:HE Jindong， born in 1982， Ph. D. candidate， senior engineer. His research interests include network security.
JI Yuxuan， born in 2000， M. S. candidate. His research interests include reinforcement learning， network resource scheduling.
CHEN Tianci， born in 2003. His research interests include network security， artificial intelligence.
XU Hengming， born in 2006. His research interests include network security， artificial intelligence.
GENG Ji， born in 1963， Ph. D.， professor. His research interests include system software， information security.
CAO Mingsheng， born in 1986， Ph. D.， associate research fellow. His research interests include network security， artificial intelligence. Emai:cms@uestc.edu.cn
LIANG Yuanning， born in 1986， M.S.， engineer. His research interests include network security， artificial intelligence.
Supported by:
National Natural Science Foundation of China(62372083);Project of Lianyungang Science and Technology Bureau(CG2322)

摘要/Abstract

摘要：

在工业物联网（IoT）领域，设备实体发现构成了设备管理的关键组成部分。相较于智能传感器，非智能传感器由于缺少内在的通信协议，它们的发现过程尤为复杂，这让高效且准确地识别非智能设备成为亟待解决的技术难题。因此，提出一种基于知识图谱和大模型的非智能传感器识别方法。首先，通过提取非智能传感器的属性值，构建三层知识图谱；其次，从知识图谱中提取传感器的特征向量；最后，将特征向量信息输入大模型中进行微调，并通过系列实验优化，得到最佳模型微调参数。实验结果表明，在公开的IoT传感器数据集SensorData上，所提方法的识别准确率高达96.2%，显著提升了识别效率。

关键词: 物联网, 知识图谱, 大模型, 微调, 非智能传感器, 实体发现

Abstract:

In the field of industrial Internet of Things （IoT）， device entity discovery constitutes a critical component of device management. Compared to intelligent sensors， the discovery process of non-intelligent sensors is particularly complex due to their lack of inherent communication protocols， making efficient and accurate recognition of non-intelligent devices a technical challenge urgent to be solved. Therefore， a knowledge graph and Large Language Model （LLM）-based efficient recognition method for non-intelligent sensors was proposed. Firstly， a three-layer knowledge graph was constructed by extracting attribute values from non-intelligent sensors. Secondly， the feature vectors of sensors were extracted from the knowledge graph. Finally， the feature vector information was fed into LLM for fine-tuning， and the optimal fine-tuning parameters for the model were obtained through optimization via a series of experiments. Experimental results demonstrate that the proposed method achieves a recognition accuracy of 96.2% on the public IoT sensor dataset SensorData， enhancing recognition efficiency significantly.

Key words: Internet of Things (IoT), knowledge graph, large model, fine-tuning, non-intelligent sensor, entity discovery

中图分类号:

TP181

何金栋, 及宇轩, 陈天赐, 许恒铭, 耿技, 曹明生, 梁员宁. 基于知识图谱和大模型的非智能传感器的实体发现方法[J]. 计算机应用, 2026, 46(2): 354-360.

Jindong HE, Yuxuan JI, Tianci CHEN, Hengming XU, Ji GENG, Mingsheng CAO, Yuanning LIANG. Entity discovery method for non-intelligent sensors by integrating knowledge graph and large models[J]. Journal of Computer Applications, 2026, 46(2): 354-360.

图/表 10

图1 本文方法的整体架构

Fig. 1 Overall architecture of proposed method

图2 非智能传感器知识图谱

Fig. 2 Knowledge graph of non-intelligent sensors

图3 传感器的数据特征表示过程

Fig. 3 Sensor data feature representation process

图4 LoRA微调原理

Fig. 4 LoRA fine-tuning principle

表1 实验方法的性能对比

Tab. 1 Performance comparison of experimental methods

方法	F1分数	精确率	召回率	准确率
SVM	0.758	0.818	0.718	0.718
KNN	0.445	0.824	0.312	0.343
DT	0.765	0.812	0.719	0.735
RF	0.788	0.852	0.733	0.742
HGAT	0.868	0.873	0.852	0.876
fastGTN	0.860	0.876	0.845	0.862
MAGNN	0.858	0.869	0.848	0.872
本文方法	0.947	0.961	0.934	0.962

表2 参数设置

Tab. 2 Parameter setting

参数	值
epoch	13
cutoff_len	2 048
learning_rate	5E-5
batch_size	1
gradient_accumulation	4/8

图5 训练轮次与准确率的关系

Fig. 5 Relationship between training epoch and accuracy

图6 截断长度与平均准确率的关系

Fig. 6 Relationship between cutoff length and average accuracy

图7 学习率与平均准确率的关系

Fig. 7 Relationship between learning rate and average accuracy

图8 模型的LoRA微调损失

Fig. 8 Model’s LoRA fine-tuning loss

参考文献 31

[1]	张普宁，亢旭源，刘宇哲，等. 相似度自适应估计的物联网实体高效搜索方法［J］. 电子与信息学报， 2020， 42（7）： 1702-1709.
	ZHANG P N， KANG X Y， LIU Y Z， et al. Efficient search method for IoT entities with similarity adaptive estimation［J］. Journal of Electronics and Information Technology， 2020， 42（7）：1702-1709.
[2]	蒋栋年，李炜，王君，等. 基于故障可诊断性量化评价的传感器优化配置方法研究［J］. 自动化学报， 2018， 44（6）： 1128-1137.
	JIANG D N， LI W， WANG J， et al. Research on sensor optimal placement method using quantitative evaluation of fault diagnosability［J］. Acta Automatica Sinica， 2018， 44（6）： 1128-1137.
[3]	何曙光，石枚弘. 考虑生产任务的制造设备关键部件的机会维修优化［J］. 控制与决策， 2023， 38（3）： 715-720.
	HE S G， SHI M H. Opportunistic maintenance optimization for key components of manufacturing equipment considering production tasks［J］. Control and Decision， 2023， 38（3）： 715-720.
[4]	伊德尔昆，孙锴，王滨，等. 无线传感器网络时钟同步中节点之间的延时分布［J］. 计算机应用， 2020， 40（S2）： 85-89.
	YI D E K， SUN K， WANG B， et al. Delay distribution between nodes in clock synchronization of wireless sensor networks［J］. Journal of Computer Applications， 2020， 40（S2）： 85-89.
[5]	CHEN D， ZHAO Z， QIN X， et al. MAGLeak： a learning-based side-channel attack for password recognition with multiple sensors in IIoT environment［J］. IEEE Transactions on Industrial Informatics， 2022， 18（1）： 467-476.
[6]	袁牧，张兰，姚云昊，等. 面向智能物联网的资源高效模型推理综述［J］. 计算机学报， 2024， 47（10）： 2247-2273.
	YUAN M， ZHANG L， YAO Y H， et al. Resource-efficient model inference for AIoT： a survey［J］. Chinese Journal of Computers， 2024， 47（10）： 2247-2273.
[7]	DENG H， HUANG J， LIU Q， et al. BGSD： a SBERT and GAT-based service discovery framework for heterogeneous distributed IoT［J］. Computer Networks， 2023， 220： No.109488.
[8]	李鸣，许善智，尹雨晴，等. WiFi与ZigBee双向移动跨网通信方法研究［J］. 电子学报， 2024， 52（11）： 3858-3864.
	LI M， XU S Z， YIN Y Q， et al. Research on bidirectional mobile cross-technology communication method between WiFi and ZigBee［J］. Acta Electronica Sinica， 2024， 52（11）： 3858-3864.
[9]	何蓉，方旭明. 蓝牙Ad hoc网络形成算法的性能评价［J］. 计算机应用， 2005， 25（5）： 1173-1176.
	HE R， FANG X M. Performance evaluation of Bluetooth Ad hoc network formation algorithms［J］. Journal of Computer Applications， 2005， 25（5）： 1173-1176.
[10]	GÖRGÜ L， KROON B， O’GRADY M J， et al. Sensor discovery in ambient IoT ecosystems［J］. Journal of Ambient Intelligence and Humanized Computing， 2018， 9（2）： 447-458.
[11]	韩蓓，盛戈皞，江秀臣，等. 基于ZigBee无线传感网络的导线接头在线测温系统［J］. 电力系统自动化， 2008， 32（16）： 72-77.
	HAN B， SHENG G H， JIANG X C， et al. An online thermal condition monitoring system with wireless sensor network based on ZigBee technology for transmission line joints［J］. Automation of Electric Power Systems， 2008， 32（16）： 72-77.
[12]	AMIN S I， KHALED Y Y， AHMED H， et al. Adaptive aggregation based IoT traffic patterns for optimizing smart city network performance［J］. Alexandria Engineering Journal， 2022， 61（12）： 9553-9568.
[13]	SAGAR S， MAHMOOD A， WANG K， et al. Trust⁃SIoT： toward trustworthy object classification in the social internet of things［J］. IEEE Transactions on Network and Service Management， 2023， 20（2）： 1210-1223.
[14]	RODRIGUEZ-MIER P， PEDRINACI C， LAMA M， et al. An integrated semantic web service discovery and composition framework［J］. IEEE Transactions on Services Computing， 2016， 9（4）： 537-550.
[15]	WAN Y， XU K， WANG F， et al. IoTAthena： unveiling IoT device activities from network traffic［J］. IEEE Transactions on Wireless Communications， 2022， 21（1）： 651-664.
[16]	秦臻，庄添铭，朱国淞，等. 面向人工智能模型的安全攻击和防御策略综述［J］. 计算机研究与发展， 2024， 61（10）： 2627-2648.
	QIN Z， ZHUANG T M， ZHU G S， et al. Survey of security attack and defense strategies for artificial intelligence model［J］. Journal of Computer Research and Development， 2024， 61（10）： 2627-2648.
[17]	田玲，张谨川，张晋豪，等. 知识图谱综述：表示、构建、推理与知识超图理论［J］. 计算机应用， 2021， 41（8）： 2161-2186.
	TIAN L， ZHANG J C， ZHANG J H， et al. Knowledge graph survey： representation， construction， reasoning and knowledge hypergraph theory［J］. Journal of Computer Applications， 2021， 41（8）： 2161-2186.
[18]	焦守龙，段友祥，孙歧峰，等. 融合实体描述信息和邻居节点特征的知识表示学习方法［J］. 计算机应用， 2022， 42（4）： 1050-1056.
	JIAO S L， DUAN Y X， SUN Q F， et al. Knowledge representation learning method incorporating entity description information and neighbor node features［J］. Journal of Computer Applications， 2022， 42（4）： 1050-1056.
[19]	XIE C， YU B， ZENG Z， et al. Multilayer Internet-of-Things middleware based on knowledge graph［J］. IEEE Internet of Things Journal， 2021， 8（4）： 2635-2648.
[20]	ZENG Z， XIE C， TAO W， et al. Knowledge-graph-based IoTs entity discovery middleware for nonsmart sensor［J］. IEEE Transactions on Industrial Informatics， 2024， 20（2）： 2551-2563.
[21]	KHOKHLOV I， REZNIK L. Knowledge graph in data quality evaluation for IoT applications［C］// Proceedings of the 2020 IEEE 6th World Forum on Internet of Things （WF-IoT）. Piscataway： IEEE， 2020： 1-6.
[22]	YIM H J， SON Y H， LEE K C. A data distribution service quality of services policy configuration for data/events/services in the internet of things［J］. Advanced Science Letters， 2016， 22（11）： 3612-3617.
[23]	ZHANG N， SHANG F， LI X. Knowledge graph construction method for mobile IOT management platform device anomaly［C］// Proceedings of the 2023 12th International Conference of Information and Communication Technology （ICTech）. Piscataway： IEEE， 2023： 376-382.
[24]	HUANG Y， XUE X， JIANG C. Semantic integration of sensor knowledge on artificial Internet of things［J］. Wireless Communications and Mobile Computing， 2020， 25： 1-8.
[25]	LU Y， WANG H， XU X. ManuService ontology： a product data model for service-oriented business interactions in a cloud manufacturing environment［J］. Journal of Intelligent Manufacturing， 2019， 30（1）： 317-334.
[26]	LIU J， LI T， JI S， et al. Urban flow pattern mining based on multi-source heterogeneous data fusion and knowledge graph embedding［J］. IEEE Transactions on Knowledge and Data Engineering， 2023， 35（2）： 2133-2146.
[27]	VELIČKOVIĆ P， CUCURULL G， CASANOVA A， et al. Graph attention networks［EB/OL］. ［2024-12-15］..
[28]	justZZY. Model data sensor of knowledge graph based adaptive IoTs middleware［EB/OL］. ［2024-12-15］..
[29]	YANG T， HU L， SHI C， et al. HGAT： heterogeneous graph attention networks for semi-supervised short text classification［J］. ACM Transactions on Information Systems， 2021， 39（3）： No.32.
[30]	YUN S， JEONG M， YOO S， et al. Graph Transformer networks： learning meta-path graphs to improve GNNs［J］. Neural Networks， 2022， 153： 104-119.
[31]	CHEN J， SHI L， CHEN B. RSEA-MVGNN： multi-view graph neural network with reliable structural enhancement and aggregation［J］. Information Fusion， 2025， 121： No.103143.

基于知识图谱和大模型的非智能传感器的实体发现方法

Entity discovery method for non-intelligent sensors by integrating knowledge graph and large models

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 31

相关文章 15

编辑推荐

Metrics

[1]	王雪, 张丽萍, 闫盛, 李娜, 张学飞. 多模态知识图谱补全方法综述[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 341-353.
[2]	王菲, 陶冶, 刘家旺, 李伟, 秦修功, 张宁. 面向智慧家庭空间的时空知识图谱的双模态融合构建方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 52-59.
[3]	翟社平, 朱鹏举, 杨锐, 刘佳一腾. 基于区块链的物联网身份管理系统[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2873-2881.
[4]	刘超, 余岩化. 融合降噪策略与多视图对比学习的知识感知推荐模型[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2827-2837.
[5]	赵小阳, 许新征, 李仲年. 物联网应用中的可解释人工智能研究综述[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2169-2179.
[6]	孙雨阳, 张敏婕, 胡婕. 基于语义前缀微调的零样本对话状态跟踪领域迁移模型[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2221-2228.
[7]	张立孝, 马垚, 杨玉丽, 于丹, 陈永乐. 基于命名实体识别的大规模物联网二进制组件识别[J]. 《计算机应用》唯一官方网站, 2025, 45(7): 2288-2295.
[8]	刘爽, 刘大庆, 孟佳娜, 赵迪. 融合噪声过滤的超关系知识图谱补全方法[J]. 《计算机应用》唯一官方网站, 2025, 45(6): 1817-1826.
[9]	徐春, 吉双焱, 马欢, 孙恩威, 王萌萌, 苏明钰. 基于知识图谱和对话结构的问诊推荐方法[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1157-1168.
[10]	徐梓芯, 易修文, 鲍捷, 李天瑞, 张钧波, 郑宇. 面向流行病学调查的知识图谱构建与应用[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1340-1348.
[11]	孙熠衡, 刘茂福. 基于知识提示微调的标书信息抽取方法[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1169-1176.
[12]	翟社平, 杨晴, 黄妍, 杨锐. 融合有向关系与关系路径的层次注意力的知识图谱补全[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1148-1156.
[13]	王利琴, 耿智雷, 李英双, 董永峰, 边萌. 基于路径和增强三元组文本的开放世界知识推理模型[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1177-1183.
[14]	马灿, 黄瑞章, 任丽娜, 白瑞娜, 伍瑶瑶. 基于大语言模型的多输入中文拼写纠错方法[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 849-855.
[15]	曹鹏, 温广琪, 杨金柱, 陈刚, 刘歆一, 季学纯. 面向测试用例生成的大模型高效微调方法[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 725-731.