مرکز منطقه ای اطلاع رسانی علوم و فناوری فصلنامه فناوری اطلاعات و ارتباطات ایران 2717-0411 68 68 2026 4 19 Intelligent Framework Based on Machine Learning and Model-Driven Architecture for Optimization of Industrial IoT Systems چارچوب هوشمند مبتنی بر یادگیری ماشین و معماری مدل‌رانده برای بهینه‌سازی سیستم‌های IoT صنعتی fa مریم نورائی حسین شیدل زاده واحد بین المللی اروند، دانشگاه آزاد اسلامی، 2025 10 1 <p>By increasing proliferation of IoT devices, the large volume of unlabeled data, and the need for fast processing and optimal resource management, new challenges have emerged in this field. In the meantime, the importance of semi-supervised methods for prediction and also for extracting key domain features to improve accuracy has become more important. In this research, a new approach to improving the efficiency of industrial IoT systems is presented, in which machine learning is enhanced by using Model-Driven Architecture. In this framework, domain-oriented conceptual models are used as the basis for extracting key features, structuring data, and reducing noise. This integration improves the machine learning process, especially in conditions of lack of labeled data. In the first step, PIM and PSM models are created to separate the system logic from the implementation details and adapt to technological changes. Then, the processed data and extracted features are fed into the semi-supervised learning algorithms Self-training, Label Propagation, and Semi-Supervised SVM to also use unlabeled data in the training process. Evaluation of this approach in an IoT-based industrial simulation environment shows that using MDA as the ML reinforcement layer increases the prediction accuracy by an average of 95%, and the robustness of the model against noisy data is also significantly improved. The results indicate that the combination of MDA and semi-supervised machine learning can improve the efficiency of IoT-based industries.</p> <p>با گسترش روزافزون دستگاه&zwnj;های متصل به اینترنت اشیاء، حجم بالای داده&zwnj;های بدون&zwnj;&zwnj;برچسب و نیاز به پردازش سریع و مدیریت بهینه منابع، چالش&zwnj;های جدیدی در این حوزه ایجاد شده است. در این میان، اهمیت روش&zwnj;های نیمه&zwnj;نظارتی برای پیش&zwnj;بینی و همچنین استخراج وبژگی&zwnj;های کلیدی دامنه برای بهبود دقت، بیش از پیش آشکار شده است. در این پژوهش، رویکردی نوین برای بهبود کارایی سیستم&zwnj;های IoT صنعتی ارائه می&zwnj;شود که در آن یادگیری ماشین با بهره&zwnj;گیری از معماری مدل&zwnj;رانده (MDA<a href="#_ftn1" name="_ftnref1">[1]</a>)&nbsp; تقویت شده است. در این چارچوب، مدل&zwnj;های مفهومی دامنه&zwnj;محور به&zwnj;عنوان پایه&zwnj;ای برای استخراج ویژگی&zwnj;های کلیدی، ساختاردهی داده&zwnj;ها و کاهش نویز به کار می&zwnj;روند. این یکپارچه&zwnj;سازی باعث بهبود فرآیند یادگیری ماشین به ویژه در شرایط کمبود داده&zwnj;های برچسب&zwnj;دار می&zwnj;گردد. در مرحله اول، مدل&zwnj;های PIM و PSM برای جداسازی منطق سیستم از جزئیات پیاده&zwnj;سازی ایجاد شده و با تغییرات فناوری سازگار می&zwnj;شوند. سپس داده&zwnj;های پردازش&zwnj;شده و ویژگی&zwnj;های استخراج&zwnj;شده به الگوریتم&zwnj;های یادگیری نیمه&zwnj;نظارتی Self-training، Label Propagation&nbsp; و Semi-Supervised SVM&nbsp; وارد می&zwnj;شوند تا از داده&zwnj;های بدون برچسب نیز در فرآیند آموزش استفاده شود. ارزیابی این رویکرد در یک محیط شبیه&zwnj;سازی صنعتی مبتنی بر IoT&nbsp; (مانند سامانه پایش و کنترل انرژی) نشان می&zwnj;دهد که استفاده از MDA&nbsp; به&zwnj;عنوان لایه تقویت&zwnj;کننده ML، دقت پیش&zwnj;بینی را به طور میانگین تا ۹۵٪ افزایش داده، همچنین پایداری مدل در برابر داده&zwnj;های نویزی به طور قابل توجهی بهبود یافته است. نتایج نشان می&zwnj;دهد که ترکیب MDA&nbsp; و یادگیری ماشین نیمه&zwnj;نظارتی می&zwnj;تواند به عنوان یک چارچوب مقیاس&zwnj;پذیر و قابل اعتماد برای ارتقاء کارایی صنایع مبتنی بر IoT&nbsp; به کار گرفته شود.</p> <p>&nbsp;</p> <p>&nbsp;</p> http://jour.aicti.ir/fa/Article/Download/51676