文摘

互联网的快速发展的医学(IoMT)是显著的。然而,IoMT面临着许多问题,包括隐私披露,长期拖延的服务订单,医疗数据检索效率低,雾计算的高能源成本。对于这些,本文提出了一种数据隐私保护和高效检索方案IoMT雾基于低成本计算。首先,雾计算系统位于云服务器和医务人员之间,处理数据检索请求的医务工作者和订单控制医疗设备。同时,预处理IoMT病人的生理数据上传,整理成不同的数据集,以这种方式,将他们传输到医疗机构。这使得整个执行过程的低延迟和高效。第二,多维生理数据是很有价值的,我们使用密文检索来保护病人的隐私数据。此外,本文使用范围树建立索引存储生理数据向量,同时一系列检索方法也提出了提高数据的搜索效率。最后,蝙蝠算法(BA)的目的是分配成本的雾服务器组重要的能源成本降低。广泛的实验进行证明该方案的效率。

1。介绍

直到现在,世界上有超过1.5亿的人患有COVID-19,导致超过300万人死亡。全世界死亡率COVID-19是不同的。在贫穷和缺乏医疗资源的地区,更多的死亡事件,因为医疗资源的枯竭对健康和安全构成重大威胁的医务工作者。保护医务工作者,他们是特别重要的使用IoMT管理、远程诊断、和为病人提供治疗建议。医疗器械或医疗检测传感器与电脑然后连接到云服务器通过网络。等生理数据的患者血糖、血压、心率、和中性粒细胞被上传到电脑,云服务器进行存储。检索相关数据在云服务器远程使卫生保健工作者与患者病理诊断分析和有效。

目前,工业物联网的医疗水平已经提高,新兴快速和技术创新。这些个性化医疗越来越受欢迎。医务人员能够分析病人的生理数据远程在他们自己的环境。这种远程方法的发展取决于发展传感、监测和数据处理技术。本文利用物联网的医疗处理的挑战。保护隐私的前提下的病人的数据,病人的数据检索和分析,通过远程监控病人的诊断、分析,提供远程医疗建议。显然,物联网的医疗涉及大量的检测设备或传感器。它们广泛分布并创建大量数据。

为了更有效地管理这些IoMT设备和组织数据,一些医疗机构和医务人员将大规模数据外包给云服务器(1- - - - - -4]。然而,医务工作者和云服务器之间的“距离”可能会导致延迟很高医务人员诊断和分析疾病。同时,智能医疗的发展,医务人员需要立即和有效检索病人的数据。这是合理的考虑到某些疾病,如心脏病和中风发病迅速,要求医务人员直接和快速诊断。现有解决方案很难满足所有上述实际需要。

为了减少网络延迟,他et al。5)使用雾计算网络中有效地利用云资源,将可持续性在IoMT数据处理。雾计算是由哥伦比亚大学的斯多夫教授首次提出。思科重新定义雾计算和提出了一个应用程序的方法,使雾计算著名。雾计算系统坐落在云服务和医疗工作者,低延迟的特性,计算效率高,权力下放。雾计算系统的体系结构是接近边缘的网络和分布的特点。因为雾计算是“接近”医务工作者比云服务,雾计算预处理由医务人员发送请求,然后上传他们云服务器检索。因此,效率和延时都考虑。它比检索仅基于云服务。因此,雾计算基于IoMT出现(6- - - - - -9]。

因为云服务器是“好奇的和诚实的”[10),传统检索通常是基于明文检索。然而,直接上传病人的生理数据或索引到云服务器导致隐私披露的病人。如果加密的数据上传到云服务器和基于密文检索不处理,那么医务工作者需要解密密文检索之前。开发基于多个关键字的密文检索提高检索的效率和准确性(11,12]。这也保证了医务人员的隐私和安全,促进基于IoMT检索服务在一定程度上。

不同于现有的密文检索方案的云计算,本文构造了一个基于密文检索方案雾计算系统。我们计划采用向量空间模型。每个生理数据被认为是一个高维空间中的一个点,和一个相应的数据向量是由医疗机构。同时,数据预处理向量来构造一系列树索引,以提高检索的效率。最后,数据集和区间树索引加密和发送到云服务器进行存储。医疗机构的医务人员被授权后,查询向量是上传到雾计算系统。雾计算系统是“安全可靠”,它与医务人员共享安全的关键。它还负责加密查询向量由医务人员发出。雾计算系统发送一个查询活板门和检索范围向量到云服务器。通过云服务器上检索范围,密文数据返回到雾计算系统。 Finally, the fog computing server sends decrypted data to medical workers for disease diagnosis and analysis.

本文采用一个两层雾计算架构。第一层是由高端智能设备,如路由器、交换机、网关,用于从IoMT设备收集数据。第二层是一个雾计算服务器组由多个高性能服务器处理数据和执行订单发送的卫生保健工作者和IoMT。然而,高效率、低延迟、管理资源成为挑战面对频繁的从医务工作者和IoMT命令请求。此外,雾计算系统的风险高能源成本在执行订单。能源成本主要来自于执行环境,制冷设备,功率调节。雾计算系统,高能源成本是一个关键问题。部署系统成本大量的能量。能源是化石燃料的主要来源,这可能会导致严重的温室效应。因此,优化订单配置的服务器提高雾计算系统的效率。

总结了本文的主要贡献如下:(1)本文提出基于雾IoMT检索服务计算,使医务人员有效地获取IoMT数据。雾计算系统使得IoMT设备的数据传输和医务人员高效的检索请求与低延迟。(2)采用一系列树构建的索引数据,大大提高了检索效率。为了防止隐私泄露的医务工作者在检索过程中,一个密文检索方案提出了基于多体特征数据。同时,该方案也提高了检索精度。(3)在雾中计算系统,调度算法旨在减少能源成本。该算法不仅能保证高效的检索方案,但也显著降低系统的能量消耗。(4)深入分析检索的效率和精度数据提供的方案。此外,我们实际数据集进行仿真。仿真结果表明,该方案实现了高效率和准确性,同时大大降低能源成本。

本文的其余部分组织如下:在部分2,介绍了相关的研究,说明了本文的创新方案。节3,IoMT的体系结构和系统模型,并介绍了各部分的功能。最后,介绍了威胁模型和符号描述。节4,该算法基于密文检索详细介绍。树索引范围的施工方法和函数的应用程序层IoMT通过使用范围检索。部分5提出了蝙蝠算法(BA),订单在雾中计算系统分配资源。节6、安全、检索效率,能源成本的方案进行了仿真和分析,并证明了该方案的合理性和有效性。最后,本文总结了部分7。

2。相关工作

以前IoMT研究专注于应用程序的物理测试设备。例如,Hijazi et al。13)采用IoMT心音检测,通过信号处理和辅助诊断,但他们没有提到如何检索数据的患者,和数据隐私保护。Redlarski et al。14)提出了一种机器学习算法来过滤和分析病人IoMT上传的数据实现疾病的警告。然而,这个计划,如果没有雾计算系统,提供了隐私保护效率较低和长时间的延误。Rizk et al。15阐述了隐私保护,但他们并没有提出如何检索数据。Mishra et al。16)提出了一个雾计算服务调度算法并讨论如何减少能源成本计算系统的雾,但它不是IoMT结合检索方案。

之前的研究在病人的数据分析和检索通常基于明文,这侵犯了病人的隐私权。因此,当前的研究方向转向密文检索。目前,密文检索的研究主要基于云服务,还有一些密文检索研究基于雾计算系统IoMT密文检索研究的就更少了。曹et al。17)首次提出保护隐私multikeyword排名搜索加密的数据在云计算(MRSE)。在这种情况下,安全资讯算法用于检索,和一个可逆矩阵和随机分裂指示器是用来加密数据向量和向量检索请求,从而实现密文检索。然而,该指数不是有效地处理在这个方案中,从而导致检索效率低。傅et al。12通过加密和外包数据)实现个性化搜索。方案,指数划分为块,然后索引树是由块。此外,医务工作者的兴趣模型添加到提高检索效率。然而,它们的检索精度很低,因为截断索引树。夏et al。10)提出了一个安全的基于云的数据动态multikeyword排序搜索方案。方案设计基于聚类算法,集群的数据,然后构建一棵树来提高检索效率。然而,由于不同的值的聚类算法,聚类和检索结果是不同的,导致不准确的检索。

应用IoMT,先前的研究[5,15,16,18)可能涉及没有密文检索和雾计算。在本文中,我们研究并提出相关方案保护病人的隐私,提高医务人员的检索效率,降低数据传输的延迟。同时,本文采用雾计算系统的调度算法,从而降低整个系统的能量消耗。在检索加密数据方面,曹et al。17)提出multikeyword密文检索的概念,但没有有效的索引处理,导致检索效率低。傅等提出的改进方案。12)将索引分成块,但块简单,结构复杂,导致检索效率低。夏等人的方案。10使用聚类算法,但这个方案会导致较低的搜索精度。在这篇文章中,我们提高检索的效率和精度。

3所示。问题描述

3.1。物联网的医疗体系

图1显示了物联网的医疗使用的体系结构。图中的架构分为三层:感知层、网络层和应用程序层。下面是介绍每一层的功能:(1)感知层是由医学传感器、识别编码、传输路径和网关。患者的血压、血糖、中性粒细胞和其他传感器收集的数据,并通过二维识别代码。最后,被上传到网络层的数据进行进一步的处理从无线和其他传播渠道。(2)网络层由雾计算系统和公共云服务器。雾计算系统负责收集病人的生理数据。首先,云服务器使它们,然后生成一个数据向量规范化每个值代表一个物理特性的病人。最后,云计算系统发送病人的数据向量组医疗机构对加密上传他们云服务器之前,旨在保护病人的隐私。云服务器负责收集和存储病人的生理数据加密和加密的指数。医务工作者检索病人的生理数据的范围和医学分析在云中使用它们。(3)应用程序层负责实现IoMT的特定功能。本文主要提出了三个特定的函数。

首先,应用程序层管理患者信息,通过收集病人的生理数据,建立一个集中管理病人患者信息数据库。

第二,医务工作者从云中获取疑似病人的信息输入范围的生理数据的一种疾病的特点。例如,COVID-19病人的体温是连带上面 ,肌酐值超过100μmol / L和白细胞介素- 6的150 pg / mL。之前的检索方案,如资讯算法,首先检索最相关价值。然而,人体的正常生理指标更有可能一个范围而不是一个特定的值。因此,本文使用范围搜索,要求医务人员输入一个适当的范围内初步筛选出可疑病人,然后进行进一步的详细检查。这使得远程诊断和治疗,感染保护卫生工作者。

第三,应用程序层还实现了病理分析。例如,在一个未知的疾病的情况下,医护人员想知道病人的生理特征与疾病。医务人员识别病人的疾病“着色”病人和寻找某些生理指标的范围。如果有一群彩色的病人在一定范围内,这表明疾病的病理特点相关的生理指标。

3.2。系统模型

图2系统模型的设计方案。下面是一个模型的每个部分的功能介绍:医疗机构医疗机构加密的数据集通过雾计算系统 ,然后根据构造一系列树索引 ,并加密 。然后,医疗机构提供加密的数据集云服务器和加密指数雾计算系统。此外,医疗机构共享密钥转移到信任的医务工作者。医务人员当医务工作者获得共享密钥的医疗机构,医疗工作者将检索范围,关键 ,和查询向量雾计算系统根据自己的检索要求。雾计算系统返回需要的数据后,卫生保健工作者完成云服务器上检索。此外,医务人员发号施令雾计算系统远程控制IoMT设备。IoMT设备或传感器一个IoMT设备或传感器收集从一个病人生理数据并上传雾计算系统。雾计算系统然后预处理数据并将其传输到医疗机构。此外,医务人员通过雾计算系统远程控制IoMT设备,例如添加或删除设备和调整患者的智能医疗设备。雾计算系统雾计算系统“安全可靠”,它负责接收数据上传的IoMT设备或传感器。雾计算系统然后整理数据并将其发送给医疗机构来更新数据集。此外,雾和查询向量计算系统接收检索范围发送的医务工作者。因为雾计算系统是安全可靠的,它与医务人员共享的关键。查询系统加密向量并生成活板门根据共享的医务工作者的关键。同时,雾向量计算系统生成检索范围根据检索范围,然后上传和查询活板门到云服务器进行检索。它还负责接收云服务器返回的结果。最后,雾计算系统使用钥解密数据集和寄给医务人员,减少医务人员的工作量。公共云服务器公共云服务器负责存储加密的数据集和加密范围树索引上传的医疗机构。此外,云服务器接收查询陷阱范围和检索向量根据检索范围。然后,云服务器上传和查询检索范围活板门云服务器的检索,它还负责接收云服务器返回的结果。

3.3。威胁模型

摘要云服务器是“好奇和诚实”,遵循卫生保健工作者的订单。与此同时,他们“好奇”分析医务人员所检索的数据,最终导致披露的医务人员的隐私和数据。云服务器的可用信息的基础上,本文建立了两个威胁模型:已知密文模型云服务器获得加密后的数据集和加密指数从医疗机构发送。他们知道没有别的,只有攻击密文获得隐私。已知的背景知识模型在已知的背景知识模型的条件下,云服务器分析医务工作者的检索过程。然后,它试图找到密文之间的联系和索引统计信息的医务工作者的搜索记录,关键字频率和物理特性数据之间的联系。

3.4。符号描述

为了方便,一些符号的第一个定义如下:(我) :明文数据集 包含病人的生理数据。(2) :数据集加密形式 ,总共加密的数据。(3) :明文数据向量 ,其中每个维度是标准化病人的身体索引数据的价值。(iv) :树索引范围由数据向量 ,然后树索引范围是加密的 。(v) :如果一个查询向量的维度是1,它代表了医务工作者检索生理指标数据。如果该值为0,它表明生理指标没有检索到数据。(vi) :查询向量是加密生成活板门吗 。(七) :病人的生理指标数据的检索范围是雾生成的计算系统根据检索范围由医务人员发送向量生成检索范围 。(八) :雾计算系统是由高性能的服务器, 。(第九) :订单列表发送到雾IoMT计算系统的设备或医疗工作者组成订单。 。

4所示。安全的医疗数据的存储和检索

4.1。密文检索框架

IoMT设备上传数据并将其发送到雾计算系统,负责整理这些数据并生成数据集。然后,雾计算系统将数据集发送到医疗机构更新他们。医疗机构使用随机数;一对可逆矩阵 ;主密钥 ;和关键加密的数据向量集和树索引范围由数据向量。然后,它发送的数据集和索引到云服务器。医务人员提交检索请求雾服务体系。雾服务器加密生成活板门的查询向量和上传它到云范围搜索向量 。最后,结果返回给医务工作者。本文方案框架设计主要包括以下算法:(我)密钥生成 :这一步主要是产生一个主密钥和关键分别对索引和数据加密。(2)构建一个加密指数 :医疗机构第一次使用数据向量组构造一系列树索引,然后用一个安全的加密算法得到指数 。(3)数据加密 :医疗机构使用对称加密算法加密数据集获得密文集 。(iv)活板门的一代 :雾计算系统生成一个查询活板门基于发送的查询向量医务工作者和医务工作者共同的的关键。(v)检索 :在这个过程中,云服务器接收查询活板门向量和检索范围从雾中计算系统,然后检索对应的密文数据在范围内。最后,它发送雾计算系统。(vi)解密 :加密的数据检索的云服务器返回到雾计算系统。雾计算系统解密数据根据键与医务人员共享并将其发送给医务工作者。

下面是详细描述的主要算法,本文的方案架构:密钥生成医疗机构生成一个 维向量分割指标 ,其中每个元素是一个随机的1或0。与此同时,医疗机构生成两个 - - - - - -维可逆矩阵和 ,其中每个元素是一个随机整数。在这篇文章中,主键 。此外,医疗机构选择一个 - - - - - -位pseudosequence生成数据加密密钥 。建立一个加密的指数 根据医疗机构建设范围树索引然后扩展 - - - - - -维向量范围索引树中的每个节点的维向量的 ,的维度 - - - - - -th, - - - - - -是设置为随机整数,和尺寸 - - - - - -设置为1。然后,医疗机构使用分割指标向量分裂 。如果 ,然后 ;如果 ,然后是随机数, 。最后,医疗机构获得加密指数 并将其发送到云服务器。数据加密 例如,对称加密算法(AES加密)是采用医疗机构17)加密明文数据集 ,和加密的密文集是外包到云服务器。生成 通过陷阱门医疗工作者生成查询向量并将其发送给雾计算系统。同样,雾计算系统首先扩展了 - - - - - -空间查询向量到 维向量 。它随机选择值之间的 - - - - - -th维度和 - - - - - -维度和将它们设置为1。它集其余值为0的值 - - - - - -维度一个随机数 。雾计算系统生成 用以前的 维向量的一个随机数然后分裂根据分离向量 。当 , 。当 , 是一个随机数 , 。最后,雾计算系统生成一个加密检索陷阱 并将其发送到云服务器。检索 雾计算系统发送的陷阱和范围检索向量云服务器, 代表病人的生理数据的检索范围的医务工作者。云服务器检索的列表数据所需的医疗工作者在树基于区间树索引 ,查询的陷阱 ,和动态更新检索范围 。检索范围树过程详细描述部分5.2这篇论文。生理数据计算如下:

4.2。树索引结构的范围

范围kd tree的树是一种进步。虽然比kd tree范围树需要更多的存储空间,它有一个显著提高检索效率。因为云服务器有大量的存储空间,没有必要考虑所采取的存储空间范围树。本文方案设计主要考虑效率和准确性医务工作者的数据查询,所以采用区间树构建索引。施工过程如下:(1)的数据集(数据向量组 ),本文构造了一个平衡的二叉搜索树从下到上的第一个生命体征数据向量,所有数据和数据向量存储在叶子节点。(2)在nonleaf节点的子树平衡二叉搜索树 ,相对应的数据向量组下的所有叶节点这个子树形式的一个子集(即, )的 ,叫做常规子集对应和表示 。(3)定期的数据向量nonleaf节点子集组织根据他们的第二个生命体征数据建立第二个尺寸范围树和成立一个联合结构与第一维范围树。Nonleaf节点有一个指针指向新树的根和常规的叶节点子集节点子集之前的一维数据向量组,即 。(4)在递归(2)和(3)步骤,一个 - - - - - -维范围树构造,如图3。

4.3。在高维数据检索范围树

方案设计的检索过程在本文阐述如下:(1)云服务器接收后查询陷阱 ,它根据第一个维度进行检索范围检索范围的向量从根节点的第一个维度指数范围 。如果查询的对应值陷阱门是1,然后检索范围是在第一维的范围进行树找到所需的数据向量(叶子节点)。(2)基于叶节点的集合中发现的第一个维度,本文以他们作为常规子集并找到最低的共同祖先节点很容易通过中间顺序遍历。然后,从这个最低的共同祖先节点平衡二叉搜索树在接下来的维度,这一过程不包括叶节点不包含在第一维度范围搜索。最后,应用中的步骤(1)找到所需的数据集。如果查询 (即医务工作者不检索的物理特性数据维度), - - - - - -th检索维度直接从根节点的树 维度。此外,为了防止太多的检索时间和缩小检索范围宽价值和其他原因,数据不是可搜索。因此,本文预置最小返回的数据量 。如果叶节点的数量平衡二叉搜索树的检索尺寸小于 ,然后回溯算法来找到最接近的下界叶子节点,直到检索范围数据检索。然后,检索是停下来返回数据。至少这可以保证每个检索数据返回。(3)云服务器上面的两个步骤进行递归时,所需的数据向量集后发现范围检索。然后,根据这些数据,相应的密文返回到雾计算系统。最后,雾计算系统解密它并将其发送给医务工作者。

使用范围树索引和检索范围的优点如下所述:(1)不同于欧拉距离的检索方案,本文采用范围检索方案,哪个更适合范围树索引和更高的效率。与此同时,在医学领域,大部分的生理数据是一个特定的范围,而不是一个特定的值,因此使用范围检索是IoMT更适合。(2)在检索每个维度的平衡二叉搜索树,叶节点(即的一部分。,数据向量对应叶节点)被排除在外。它只需要检索平衡二叉搜索树组成的常规尺寸的子集。这样,我们大大提高检索效率。(3)至于范围检索,目前大多数方案采用kd tree。仿真结果表明,该范围树检索效率高于kd tree。

4.4。应用程序层IoMT意识到通过使用范围搜索的功能

摘要加密数据外包给云服务器,它不仅保留了数据的患者,也保护了患者的隐私。此外,树构造指数范围根据病人的数据向量集。通过这种方式,集中管理的功能IoMT的患者信息在应用程序层实现,和提高检索效率的患者信息。

疾病诊断功能的IoMT应用层,医务人员必须输入查询向量和多维物理数据范围的疾病迹象在雾中计算系统。雾范围和计算系统可实现数据上传它到云服务器检索根据检索向量生成的活板门。最后,疑似病人的信息返回给帮助医务人员诊断这种疾病。

例如,诊断为尿毒症有三个重要指标:肾小球滤过率小于 ,血清肌酐是大于或等于 ,和血清钾小于 。通过上传这些指标的数据范围,医务人员接收信息的疑似病人在这个范围内。该方案还可以帮助医务工作者进行病理分析。与未知疾病病理学、医疗机构首先“颜色”患者疾病。医务人员选择合适的身体指数数据范围检索。如果大量的彩色病人出现在搜索结果在一定范围内,它是这种疾病有生理特点决定的。这有助于医务工作者实现病理分析的功能。

4.5。更新的树

IoMT设备生成数据并上传雾计算系统、数据处理到一个数据集和传输到更新的医疗机构。医疗机构加密数据,上传到云服务器。

4.5.1。节点插入

医疗机构计算数据向量的基础上更新数据并插入每个维度的数据向量平衡二叉树按照自下而上的规则。

4.5.2。节点删除

医疗机构范围的每个维度树中删除节点的删除规则平衡二叉树。范围树的节点删除完成后递归的维度。

5。医疗数据的有效处理

5.1。雾计算系统的订单分配问题

如图4本文采用两层雾计算架构。第一层由智能设备,如路由器、交换机、网关,用于收集数据发送的IoMT设备。

第二层是雾计算服务器组由多个高性能服务器,用于处理收集到的数据和执行订单发送的医务工作者和IoMT设备,比如检索请求的数据上传请求医务工作者和IoMT设备。每台服务器有一个独特的 ,主内存、带宽和存储。每个订单计算了订单吗 ,和工作负载计算每秒数以百万计的订单(MIPS)。对于每一个订单 ,只有一个雾服务器分配和服务迁移是不允许的,直到完成订单。因此,对于订单请求列表被指派给服务器组 ,如何分配在会议的前提下(16)没有减少(服务质量)成为一个新的挑战。

本文以下假设为雾计算系统:(1)规定订单的预计运行时间雾服务器上作为 。此外,所有订单请求是独立和异构。(2)资源的能力是异构的。(3)一个订单只允许执行 。

订单列表是由异构的订单和订单的长度每个订单的是由数以百万计的订单(MI)表示。这些订单运行在一个服务器组与服务器,你可以建立一个 等矩阵(见图5)。

此外,每个雾服务器有一个处理速度 ,所以在矩阵,顺序在服务器有 。

假设服务器的能源消耗在雾中计算服务器组(焦耳)表示如下:首先,本文给出了能源消耗单位长度 :

让的决策变量是否为一个特定的分配订单 。如果订单在雾中被分配给一个服务器计算服务器组 ,然后值为1;否则,它是0。然后,所有订单的总执行时间 - - - - - -th服务器是

考最长时间的价值,为所有吗 :

的总能量消耗是

因此,能量消耗的整个雾计算系统可以获得:

本文的目标是最小化总成本 ,这是一个以供应点的问题。一方面,希望雾服务体系的能源成本尽可能降低;另一方面,希望考雾服务处理订单的缩短,因此雾的效率计算系统处理订单是可利用的。摘要能源总成本表示为

在本文中,一个点球的价值设置为代表的重要性,医务人员高度效率和能源成本。如果卫生保健工作者关注减少能源使用,他们试图设置一个低价值。如果效率很重要,设置一个高价值。

从上面的分析,可以看出分配顺序队列雾服务器组是一个np难问题16)以减少能量消耗。为了解决这个问题,服务分配算法是基于算法的设计1。

5.2。高效的订单分配基于蝙蝠算法

本节讨论雾计算系统的订单分配问题。医务工作者的检索请求和IoMT设备数据的上传请求都属于订单。在处理这些订单,如果订单不提前分配,雾计算系统消耗了大量的能量。为了减少能源消耗,蝙蝠算法(BA) (16)采用订单分配给雾计算系统。

假设服务器组组成的米服务器的顺序序列组成的订单进入服务器组 。订单分配向量中指定以下如图6。

算法1是一个仿生计算技术,模仿蝙蝠捕捉食物,避免障碍通过发射超声波脉冲和收购晚上回声。这是规定,蝙蝠(即。,命令)飞速度在位置 ,和每个命令都有一个固定的频率 ,信号强度 ,和信号脉冲重复频率 。通过迭代计算和更新订单的位置和速度,最优的分配方案终于聚集。

在算法的第一步,一个订单设置初始化,和订单分配矢量,速度矢量,信号强度最初的秩序,脉冲速率最初的顺序指定。然后,能源总成本计算根据初始向量,输入服务分配和初始位置设置为最佳位置。在算法的步骤4 - 7,订单计算新位置和速度的频率,速度,和之前的位置。8 - 10步骤的算法,如果生成的随机数大于信号脉冲的顺序,当前最优分布向量略有不安地生成一个新的最优分布向量。

步骤11 - 15号的算法,如果生成的随机数小于指令的信号强度和频率大于上一次迭代的频率,然后最优分布的变化矢量被接受,指令的信号强度减弱,信号脉冲指令的速率增加。因此,该算法迭代寻找最优解。

6。分析和仿真的效率和能源成本

在本节中,检索效率和能源成本提出的方案进行了理论分析及仿真验证。在检索效率方面,本文采用网络上常见的语料库的数据集,并使用c++模拟。能源成本的模拟,本文采用MATLAB仿真2019。模拟硬件环境是英特尔酷睿i5 - 8300 h CPU、8 GB内存,操作系统和微软窗口10。

6.1。安全分析

在本文中,采用对称加密算法AES加密数据集并生成密文数据集 ,上传到公共云服务器,有效确保病人的生理数据本身的安全。然后,可逆矩阵和是随机生成的,并且范围树的索引和查询向量加密生成安全指数吗和查询陷阱 。然后,雾计算服务器上传他们到公共云服务器。由于矩阵的关键是无限的空间,每一个随机生成的密钥矩阵只有一个可逆矩阵。公共云服务器的概率正确的锻造裂纹的关键矩阵的安全指数和查询陷阱几乎是0,有效地确保安全的范围中包含的信息树索引和查询向量。在已知密文模式下,公共云服务器只获得密文数据集 ,安全指数 ,和查询活板门 。它不能获得任何有用的数据信息,除非它是保证主键和关键不是人为的披露。在这种情况下,该方案是安全的。

为了进一步阻止公共云服务器采矿和泄漏数据隐私信息基于已知的背景知识(也就是说,基于安全指数之间的内在联系和查询活动门),母亲键在我们的计划是一个随机向量分割指标 ,用于将扩大指数随机向量和查询向量 。与此同时,随机数字和介绍了随机分裂过程。通过这一系列的操作,确保多个地区树索引和查询向量是不相关的。即使医务人员多次重复相同的查询操作,查询活板门公共云服务器收到的是不同的,它显示查询的不可链接性活板门,有效抵抗统计分析攻击。因此,我们计划对已知的背景知识也是安全模型。

6.2。检索效率评价

在检索效率的模拟,本文方案与kd tree方案(19在文献[],二叉平衡树的计划10在文献[],MRSE方案17]。相比之下,我们方案的仿真设置物理特性数据记录被查询的数量为5。我们分析的时间复杂度指数建筑和树检索范围。

定理1。给定一组数据向量组成的相应数据向量,占用的存储空间 - - - - - -维范围树 。

证明。在每个维度的树,叶子节点集(即每个元素。、数据 )在每个深度仅存储一次。对一组数据向量组成的数据向量,构造一个平衡二叉搜索树的高度 。由于存储空间范围树中的每个维度的每个数据向量 ,所需的存储空间构造一维区间树数据向量 。对于一个 - - - - - -维范围树,每个维度的存储空间需求 ,因此,所需存储空间的大小 - - - - - -维范围树倍一维区间树,也就是说, 。

定理2。的 - - - - - -树是由尺寸范围数据向量和查询时间复杂度 检索时在树中。

证明。检索 - - - - - -维范围树,树应该检索范围的第一个维度(即平衡二叉搜索树检索过程),以及所需的时间复杂度 。接下来,剩下的搜索维范围树获得以下时间复杂度的关系: 在哪里代表的查找时间复杂度 - - - - - -维范围树和代表的查找时间 - - - - - -维范围树。然后,根据(9),推导出如下: 递归公式(9的时间复杂度维树检索范围 。此外,本文需要记录获得数据;总时间复杂度 。
检索方案的效率主要取决于索引结构的数据集和数据相似性计算的分数。范围树索引,查询医疗工作者的数量设置为5的仿真。本文首先分析检索范围宽度的影响医务工作者的检索效率。如果返回值很大,结果精度较低。如果值很小,更少的节点检索范围。为了回报结果,该计划需要多次调用回溯算法,降低了检索效率。之间的关系检索时间和检索范围宽我们的方案是如图7。可以看到从图7,如果值大,检索时间较短;如果值越小,检索时间较长。此外,它显示在图7的回报数据检索的时间也有很大的影响。当检索范围宽值大于0.03,检索时间趋于收敛。为了提高检索效率,有必要选择一个高价值,但这将导致减少检索的准确性。因此,最合适的检索范围宽值为医务工作者在0.03和0.05之间为了平衡提出的方案下的检索效率和准确性。一个这个模拟值0.03是选择。
的检索效率提出方案与其他方案相比。在曹等人提出的方案。17),树类型索引结构是不习惯,检索时间线性增加的病人数据量的增加,导致较低的检索效率与其他方案相比。尽管夏et al。10]和方案本文采用平衡二叉搜索树的检索范围的多维关联结构树嵌入本文检索效率高,如图8。因为这项研究和(10]采用树结构来构造索引,检索时间长时间对数的方式随着数据量的增加。图8显示的检索时间计划比(10)和检索效率较高。陈等人。19)设计了一个基于kd tree索引结构,其时间复杂度接近 ,高于时间复杂度是什么 我们的计划。我们的计划已经检索时间和提高检索效率低于计划(19),如图8。本文方案和计划(10,19)显示一个线性增加检索时间和返回订单的数量增加,而检索时间(17)几乎是增加订单的数量的影响,如图9。然而,由于使用范围树索引结构本文检索时间远小于其他计划,这进一步表明,本文的检索效率较高。综上所述,本文的检索效率方案优于那些来自[10,17,19]。

6.3。分析能源成本

本文使用MATLAB 2019来实现服务器分配的算法。我们设置 和 (J) (2),惩罚值是0.5,和服务器组的数量在雾中虚拟机计算系统是10。本文的方案比较PSO算法的能量消耗(20.)和人工蜂群算法(21]。

图10表明,不同的项目有不同的能源成本和收敛率随着算法迭代次数的增加。可以看到从图10,他们的方案的收敛速度20.是缓慢的,收敛的能源成本高。在[21),虽然收敛能源成本低,收敛速度是最慢的,这样可以减少订单处理的效率。与计划相比(20.,21),我们计划有一个更高的收敛速度和收敛能源成本低。雾的能量消耗之间的关系计算系统和订单的数量显示在图11。随着订单数量的增加,本文方案产生降低能源成本比计划(20.,21]。

7所示。结论

传统的检索方案IoMT面临问题,如隐私泄漏,检索效率低和高系统动力费用。提出了一种数据检索和分析服务IoMT在隐私保护方案基于低成本的雾计算。我们建立了一个雾IoMT之间的计算系统和云服务,不仅提高数据检索的效率,而且可以减少服务延迟。我们采用区间树构造数据索引和多维范围形成一个树状结构。这提高了检索效率的前提下,确保安全性和门户的不可链接性指数。此外,本文采用一种算法来分配资源的订单雾服务器组,大大降低系统的能量消耗,同时保证系统的效率。仿真结果表明,该方案不仅提高了检索效率和准确性,而且与现有方案相比显著减少能量消耗。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者在合理的请求(电子邮件:(电子邮件保护))。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持部分由中国国家自然科学基金(62001055和62001055号);北京自然科学基金(没有。4204107);基金的“YinLing”(没有。a02b01c03 - 201902 d0);安徽省的国家工程实验室开放项目计划农产品质量可追溯性;和北京工商大学(BTBU),在格兰特aqt - 2020 yb4。