RDF是标记万维网语言的技术规范,能够丰富地表达和描述网络资源的结构与内容。语义万维网中的RDF和OWL标准已在各个领域有着广泛的应用,如医疗健康和生命科学,电子交易市场,地理空间分析等。在海量数据快速增长情况下,研究高效可扩展的大规模RDF数据分布式并行推理方法,发现其中的隐含信息己成为一个亟待解决的问题。本文主要研究固定数据集以及流式数据的分布式并行推理解决方案,结合Spark分布式平台以及MapReduce计算框架,进行递进层次研究,提出了新的RDF数据并行推理算法和流式RDF数据并行推理算法。最后将分布式RDF数据并行推理方法研究应用于实际项目中。论文的主要研究内容如下:首先,本文提出了 DPRS(Distributed parallel reasoning algorithm based on Spark)算法。该算法针对固定数据集,首先根据RDF本体数据构建模式三元组对应的alpha寄存器并广播到集群各节点;预先对规则能够被激活做出判断并标记,仅对可激活的规则进行推理,从而在一次的MapReduce任务实现多条规则的分布式并行推理;最后,实时地删除重复三元组以及更新冲突集数据到相应的寄存器中,进一步提高后续迭代推理的效率。通过大规模RDF数据集的实验验证了本算法能够高效正确地实现并行推理。接着,针对DPRS算法处理实时的流数据推理效率低下问题,本文提出了流式 RDF 数据并行推理算法 PRAS(Parallel Reasoning Algorithm for Streaming RDF Data)算法。该算法首先结合OWL Horst规则和RDF本体文件,构建规则的伪双向网络;新数据添加将触发OWL Horst规则推理,算法加载新添加数据及前次推理产生的数据,结合MapReduce计算框架和伪双向网络架构实现流式的推理;对推理产生的三元组去重并且保存于Redis集群,以便作为下次推理输入的数据,从而提高了流式推理的效率和完整性。实验表明PRAS算法相比于DPRS算法能够在Spark平台和Redis集群中更高效地实现大规模流式数据的并行推理。最后,本文将分布式RDF数据并行推理方法研究运用于优化某部队的微激光装备远程故障诊断系统。首先使用本体构建方法并结合项目中故障案例数据库构造微激光装备故障本体文件,并将历史故障数据转换为RDF数据,然后结合本文提出的分布式流式推理算法实现云端微激光装备故障案例的增量推理功能。论文提出的针对固定数据集和流式数据的分布式RDF数据并行推理方法,对于海量数据的OWL Horst规则推理具有良好的借鉴意义。