چارچوب معماری میان لایه ای MKEF برای استخراج هوشمند دانش از کلان داده های تصویری با رویکرد ایزوله سازی لایه ۳ و یادگیری عمیق

رشد فزاینده کلان داده های تصویری در سامانه های پایش هوشمند، سازمان ها را با دو چالش اساسی مواجه ساخته است: ناپایداری زیرساخت شبکه که منجر به ازدحام ترافیک و افت داده می شود (Pyun et al., ۲۰۲۴)، و ناتوانی مدل های ادراکی رایج در تبدیل داده های خام بصری به دانش قابل استنتاج، به ویژه در شرایط انسداد و رخدادهای پیچیده. برای رفع این مشکلات، این پژوهش چارچوب MKEF (چارچوب میان لایه ای استخراج دانش) را ارائه می کند؛ یک معماری سازمانی که لایه های زیرساخت شبکه، ادراک بصری و استخراج دانش را یکپارچه می سازد. در لایه زیرساخت، ایزولاسیون لایه ۳ مبتنی بر استانداردهای سیسکو (Cisco, ۲۰۲۳)، تاخیر شبکه را از ۱۲۰ میلی ثانیه به ۱۸ میلی ثانیه (بهبود ۸۵ درصدی) و نرخ افت بسته را از ۱۲ درصد به کمتر از ۰.۵ درصد کاهش می دهد. لایه ادراک بصری با ترکیب مدل YOLOv۱۰ و الگوریتم ردیابی ByteTrack (Wang et al., ۲۰۲۴; Zhang et al., ۲۰۲۲)، به دقت ۹۱.۴ درصد mAP@۰.۵ بر روی مجموعه داده MOT۱۷ دست می یابد. بر روی مجموعه داده چالش برانگیز MOT۲۰ که حاوی میانگین ۱۷۰ شیء در هر فریم است، چارچوب به نرخ ردیابی ۷۱.۹ درصد MOTA و نرخ حفظ هویت ۷۰.۸ درصد IDF۱ دست می یابد که بهبودی قابل توجه نسبت به روش های پایه (به ترتیب ۶۷.۷ و ۶۴.۹ درصد) محسوب می شود (Cao and Wang, ۲۰۲۲; Zhang et al., ۲۰۲۲). سرعت پردازش به ۶۵ فریم بر ثانیه می رسد که بهبودی ۸۶ درصدی نسبت به روش های سنتی دارد (Wang et al., ۲۰۲۴; Zhang et al., ۲۰۲۲). لایه دانش با بهره گیری از مدل سازی هستی شناختی (Chen et al., ۲۰۲۳) و موتور استنتاج معنایی (Dikhanbayev and Serek, ۲۰۲۵)، فراداده های خام را به دانش عملیاتی تبدیل کرده و نرخ هشدارهای کاذب را از ۱۸.۵ درصد به ۴.۲ درصد (کاهش ۷۷ درصدی) کاهش می دهد. نتایج تجربی بر روی مجموعه داده های MOT۱۷ و MOT۲۰ نشان می دهد که MKEF شکاف میان زیرساخت شبکه، بینایی ماشین و استدلال معنایی را پر کرده و دقت تشخیص رخدادهای بحرانی را در محیط های حساس امنیتی به طور قابل توجهی افزایش می دهد.

کلیدواژه ها:

معماری سازمانی ، کلان داده تصویری ، ایزولاسیون لایه ۳ ، MOT۲۰ ، استخراج دانش