文摘

无线传感器网络的发展和技术进步为人类在不同领域的一场革命。以满足高端需求,云的支持,为应用程序提供的资源是非常必要的。介绍一种架构称为云为无线连接网络和物理空间的身体区域网络在不同角度不同高端工作流。收集病人数据的可伸缩性问题和处理数据是使用ganglia建立一个可伸缩的、分布式监控系统支持高性能计算集群的组输入事件如心电图(ECG)、血压(BP)、外围氧饱和度(热点₂)、温度和皮肤电导的人体参数。各种参数指标的基础上,分析了等效创建实例。后面的连接机制提出cyber-physical系统是独一无二的;通过无线网络在小范围内表现出的三个偏远地区;系统的工作原理和具体的网络参数指标;结果证明,可用性和可伸缩性问题与数值分析解决。

1。介绍

cyber-physical系统(CPS)互连所需的物理设备在医院的医疗监控和分析数据存储在云上。除此之外,一个分析平台通过物联网(物联网)小时的需要有效的医疗保健交付。拟议的CPS将作为物理和网络世界之间的一个接口。物理世界包括身体传感器和电子设备,可以相互连接在一起形成的物理空间。网络空间的数据,它可以转移到医生和研究人员进一步分析和决策的需要。CPS提出使用智能健康应用程序操作在以下类别:(1)成规,(2)以网络为中心,以硬件为中心为(3),(4)以数据为中心的。CPS将函数作为一个智能监控平台及时诊断决策的重症监护单位医院和家庭护理病人。本研究在于融合最新尖端技术,是身体的无线区域网络(WBAN),物联网,流大数据分析处理大量的数据。雾的概念计算介绍了节约能源和时间提供及时的和需要的服务病人的门口。同时,传播病人的健康参数的算法提出了使用优先级排队机制。 By introducing fog, data analytics is possible in the terminals themselves, which again improves adeptness in the proper functioning of the system with localized decision-making, the geographical distribution of data within less time, and optimized usage of resources. Fog computing enables people to collect data from various devices and has a larger capacity to process more data than edge computing, whereas edge computing performs much of the processing on embedded computing platforms kept with the patients in a WBAN system as it is directly interfaced with the sensors and controllers.

该系统将降低延迟,提高运营效率,并将提供有效的服务拯救人类生活使用内置的决策策略的介绍雾控制器,用于有效数据本地传播与降低时间复杂度。

1.1。问题定义

研究试图互连最近身体无线区域网络的尖端技术,物联网(物联网),和大数据流分析。雾的概念计算介绍了节约能源和时间提供及时的和需要的服务靠近门口的病人不管病人的位置。医院、医生和病人通过本地和远程服务器互连,通过雾控制器进入云。同时,传播病人的健康参数的算法提出了使用优先级排队机制。通过引入雾,数据分析是可能的最后终端本身,又提高了熟练的与局部决策系统的正常运行,在较小的地理分布数据时间与资源的优化使用。当大量的数据需要决策、可伸缩性和可靠性问题已经解决可用性的概念。

2。文献综述

未来全球部署的网络可以提供数据每年在pb或eb,例如,环境监测。相关云环境模型是否适合处理传感器信息,然而,还不清楚(1]。下一代网络传感器平台应力争multiapplication模型流行的基础设施和强大的基础设施提供商和应用程序开发人员之间的关注点分离。WBAN生态系统可以应用到云,和基础设施即服务(IaaS)提供商如Amazon EC2或桉树可以为医疗保健提供基础设施(2]。WBAN网络提供一种方法来捕捉生理数据在多个分布式应用程序使用。提供端到端生理监测和诊断(3],Amazon EC2可以应对复杂的医疗服务的需求和身体可以合并与无线传感器网络技术。然而,大量的数据存储在云很容易测量的实时性能。MapReduce是最流行的云计算的编程模型(2]。它的编程模型是处理和代的大型数据集。MapReduce模型中,一些真实的活动都可表现的。函数式程序自动并行的和各种商品的机器上运行。运行时框架提供的描述输入数据的分区,在多台设备间协调计划的执行,处理机器故障和维护机器之间的联系(3]。WBAN数据可以融入一个模型通过更新模型参数,使两个或两个以上数据库出现,无论是在前提或在云中。Teradata QueryGrid, IBM PureData系统与流体查询,和SAP HANA提供数据联合处理智能数据服务的功能。模型本身是足以让医生去的决定而不影响底层WBAN数据。

先前的研究在卫生部门集中在创造主体区域的原型与无线传感器网络路由协议的使用。体内的传感器节点被用来检测关键人体参数如心电图、血压、氧水平,心率和体温。本文“移动医疗警报:标准及试点研究”提供了有效的路由和跟踪提醒,质量和成本效益的医疗设施4]。在他们的论文中,李等人提出,高血压和心律失常可以有效地避免由连续的生理监测和管理(5]。以前,一个聪明、移动护理系统致力于角色与一个报警机制提出和实现(2]。在进一步的研究中,人体参数值的变化在不同的患者报告当标准人体参数保留作为中间值。人类发明了一种算法分类值异常导致疾病的诊断和药物(6]。几个人体参数值被收集并翻译成独特的数据包博士评价和无线转发到医院服务器。当观察到的人体参数大于阈值,一个警告消息建议分配给病人的护理与加密的联系(7]。无线个域网系统跟踪,将通过减少检测、室内定位,和心电图监测,提供洞察一个安全传输协议基于anycast路由无线病人监测过程(8]。WBAN作家执行报告医疗和非医疗用途。它提供了大量的洞察应用程序。介质访问协议已经修改收集患者的数据上下文感知的目的(9]。作者在10)提出了一种知识面试机制在全球范围内访问病人数据澄清的基于云的无线传感器网络。在[11),作者做了一个深刻的调查研究身体的无线区域网络架构问题。

在[12),作者提出了一个模糊逻辑应用程序诊断贫血的专家模糊系统演示。它有一个专家系统根据炎症的诊断系统只考虑失忆和身体的其他参数。作者讨论了1公斤体重,增加与系统性血压3至6毫米汞柱在健康和病势渐渐加重的类13]。很快,远程医疗项目也在进行中。研究人员还讨论了角色的智能移动护理系统的预警机制长期护理的气候。设备跟踪病人的医疗记录和发送快速规避措施,避免意想不到的承诺(14]。协作软件代理的结构提出了通过单独的软件代理三个主要组件:信息管理,混乱的推理,和软件代理15]。结构化处理警告消息的框架创建警报监测,符合需求的医务人员或其移动设备接收警告在特定期限(16]。

作者的研究结果表明,cloud-integrated传感器数据提供了一个特殊的混合平台远程健康监测5]。定义的目标很好为WBANs的设计者提供有价值的见解,突出关键问题医疗数据的收集效率17]。概述计算机环境的研究收集的个人数据从远程移动病人18]。作者提出了一个智能医疗解决方案通过使用无线传感器网络的集群机制(19]。移动无线个域网和蓝牙健康网关简要分析(20.]。一个集成网关为各种不同博士博士收集实施测量。它的功能在两种模式,即直接传输和整合传播。传输的开销可以最小化通过网关组成的一个活动监视器,药物分发器,和脉搏血氧计21]。为远程病人监视应用程序作为一个试验,一个聪明聪明健康门户雾是初始化(22]。

作为物联网导致指数端点系统扩散,雾计算已知扩展的分层分布式体系结构网络的边缘到心脏。除了大数据和分析,物联网引入了一个新的维度的广泛分布源(23]。在医疗领域的应用,雾的基本计算材料治疗及时,数据可以移动(24]。技术接受模型(TAM)已经开发并展示了健康状况的差异采用因素之间由于医疗技术的进步,他们的感知易用性25]。Megalingam等的研究。18)提出了一个便携式系统警告给管理者。研究人员解决虚拟集团的发展推动者(VGE)病人,护士和医生设备允许远程WBAN数据的分析。这项研究涉及GMS,医疗数据记录服务器(mdr)策略引擎(PE)和医疗官员的设备,对患者WBANs和环境传感器。集团已开展准备和调整根据情况和需要病人和医疗人员,可以很容易地修改的高层政策。医疗人员提供输入的一致性得到WBAN数据通过健康监测的质量(26]作者建议安全传输协议基于所有路由无线病人监控,自动选择最近的接收数据在anycast类别最小化毫秒延迟和控制开销(27]。上述文献没有集中精力分散的服务没有延迟在合适的地理位置,而该项目主要关注管理加载正确利用资源,为地理上分布的客户需求提供最小的延迟和最大限度地提高资源使用从最近的兴趣点,在序列。

所以需要一个可伸缩的架构对于医疗作为一个案例研究与许多数量的实例在云计算环境中使用虚拟机创建互连的病人,医生和医院地理位置。本文组织如下。部分3代表了five-tier方法和分段的细节。部分4揭示了cyber-physical系统组件。部分5介绍了数学建模五WBAN的重要参数。部分7后提出了一个案例研究的结论部分6与性能指标。

3所示。提出了系统

该系统将降低延迟,提高运营效率,将提供有效的服务拯救人类生命使用内置的决策策略在WBAN观察数据。远程医疗通过雾计算的新方法,可以处理的一些挑战的智能医疗局部决策而言,地理分布的数据,和智能负载平衡与安全、共享、集成和管理。在拟议的工作中,我们实现了意义和雾必需品的机会减少云计算提供的任务是遍布医疗的未来今天面临的挑战。该建议的体系结构由五层,如图1。方法的上下文中tier-wise软件,硬件,提出连续中描述的算法流程图。图1表示建议的体系结构融合网络域和物理阶段的无线医疗的五层。当单个任务的计算需求很高时,工作流和calculation-intensive分类。同样的,当数据规范太棒了(例如,和数据文件的大小,数量的文件、数据存储、等等),分为数据密集型工作流。数据密集型工作流可能使用环境等数据云的架构。数据云提供服务,如低延迟数据交付、运输协议和繁殖机制的大规模数据集存储在分布式存储库需要访问、处理和传输。周期取决于你花时间处理输入和输出文件和你计算它们的时间。

在传统的医疗监控系统,我们依靠人工干预和物理设备观察病人定期和持续的信息。物联网(物联网)是一个连接的系统,如电子设备、建筑,甚至更多的医疗中心,医院,完全访问所有病人信息交流需要的时候保证数据通过互联网。协助医疗现代化进程,WBAN随着物联网设备连接到互联网中起着重要作用。人类医疗保健框架是一个patient-resource-based监测系统,包括信息、视听协调,通过传感器和健康数据的检索。物联网在医疗监控系统的集成很麻烦因为大量数据和安全的数据传输需要防止患者的个人医疗信息渗透(28]。任何恶意的人的干预或窃取的数据和修改或修改任何不必要的和不道德的目的的病人数据导致数据破坏,和操纵病人的重要数据以任何方式可能有严重影响;甚至它可能导致病人的死亡29日]。因此,建立一个明确的架构不同工作流的无线人体局域网与位置信息被认为是作为一个应用程序域。可伸缩性的问题是通过合适的算法来解决当数据流成为巨大的。虚拟化的概念应用于解决当处理大问题发生在云环境中。

3.1。第一层:数据收集从WBAN PDA

医学从身体传感器网络收集的数据包括心电图、热点₂、脉冲重复频率、温度、皮肤电导和血压。构建一个数据收集器在单片机单元收集所有six-sensor基于优先级的数据和处理数据。人体传感器数据优先是正常的,不正常,至关重要。个人数字助理(PDA)负责收集来自传感器的数据使用近场通信(NFC)。NFC、蓝牙和无线个域网提供的信息芯片厂商和应用产品在智能医疗服务供应商的部署。基于可用性,我们可以通信设备。算法驻留在控制器检查传入的数据与正常人体数据集。如果没有在指定时间内数据从传感器的间隔,循环重新执行访问数据从身体传感器与等待时间,代表图2。

3.2。第二层:路由数据从PDA到本地服务器

PDA检查传入的数据与之前的数据的完整性。收集的数据来自各自的pda路由到本地服务器。PDA ID和医生根据专业化ID映射,使用本地医生本地服务器中可用的数据库。流分析引擎不断监视参数为关键和异常的患者。参数的总结被送往当地的医生和医院的紧急反应小组。映射存储检索,可以通过一个web页面,使用正常的分类地位,不正常,关键在图表示3。

3.3。第三层:数据从本地服务器路由到远程服务器

本地服务器的路由映射信息在不同的位置指定的远程服务器。远程服务器的数据库,由一群专家在不同的医院和医生被称为地理位置为贫困病人。它作用于一组绑定算法,将患者信息绑定到适当的医生操作和采集数据时从集群。这是一个改进的系统,集群已经集中收集和管理数据根据网络参数和适当的医生的可用性。这作为一个援助在远程服务器视图的映射信息。前面的映射PDA与医生在完成第二层为医生在同一位置而绑定在远程服务器的映射和一个额外的医生在最近的邻近位置在图表示4。

图2强调收集6个生理参数和验证所有病人的六个重要参数是否已收到。异常表构造以这样一种方式,他们是否收到六个重要参数的阈值,说一个更安全的健康状况,如果正常,如果参数背后的阈值略小或更高,它可以被视为异常,如果参数暴涨和显示动荡,也较小或更高超出阈值,它是包含关键比较后的基准测试数据集。

图3重视数据的路由从掌上电脑收到后,和一个映射完成对病人和医生。流引擎开始监测和患者数据的状态不断流动。

3.4。第四层:数据从远程服务器路由到雾控制器

PDA-doctor映射信息从远程服务器分类根据状态(正常、异常或关键)。正常的数据直接存储在数据库中。雾控制器决定时间间隔为异常配置和关键。异常和关键数据从相应的PDA不断发送到适当的医院和专家医生。关键数据,病人状态和位置信息发送到看护者。雾控制器三个工作与更少的延迟病人数据的地理分布,局部决策映射,基于可用的时间和适当的负载平衡的医生在最近的位置。如果专业医师与一些关键任务,下一个可用的医生在最近的位置必须被通过雾控制器以优化的方式减少延迟作为提供医疗服务的所需的时间是少云服务相比,代表图5。

3.5。第五层:从雾控制器私有云路由数据

雾是接收到的数据的路由走向私有云,代表图6特定的任务已经完成。(1)分类的病人数据呈现服务器的位置(2)分类患者数据赋予的临界数据(3)分类患者数据赋予医生的可用性(4)病人相关参数/标志值(5)通知相应的医院或医生基于临界状态和可用性。(6)立即采取行动都是或否按标志值情况下,患者可以得到医疗没有时间差

图7及时提出了远程医疗诊断系统提出了必需品的雾,雾降低云的任务和需要当地的决策,而为贫困患者提供所需的数据无论全球地理边界。

一个增强的医院管理系统与病人咒骂WBAN自主也在紧急情况下在图表示7。雾控制器已经介绍了CPS的架构机制。WBAN电路接收病人穿的个人数据收集器。所有异构数据收集来自不同传感器在不同的单位被数字化。数字化数据的数据包与额外的安全代码,标题,和其他优先级相关数据,用于强调病人被给予的紧迫性在其他连续监测病人的偏好。这个数据序列是收集的本地服务器在同一家医院。同时,相同的数据发送到远程服务器在相邻地区基于当前的位置和邻近的医院和医生照顾病人的准备。远程服务器提供足够数量的医院,而不是所有的医院,所有的本地服务器操作。然后从远程服务器数据传播通过雾控制器的决策是基于地理距离和病人的紧急数据的可用性医生在附近的医院。最后,到达云的数据。

雾的特点已经被定义为低延迟和位置意识,广泛的地理分布,网络移动性与大量的可互操作的节点,和主要的无线访问实时流能力与异构应用程序(30.,31日]。智能医院的要求提供准确和及时的医疗体系结构使用CPS的作者提出了(32,33]。智能城市的概念涉及多个学科智能社区、智能交通、智能医疗、智能停车提出了建议的体系结构(34]。

一些可靠的传输层协议,提供端到端数据传输的可靠性医疗无线传感器网络,和MAC的优缺点,提出了路由和传输层协议的作者(35,36]。本文回顾了现有方案安全解决方案在无线医疗场景的开放安全研究,总结问题,需要探索未来的医疗保健应用程序使用WMSNs [37,38]。

作者提出了软件架构的信息共享和协作处理分析,建模和开发。还论述了互操作性与语义共享医疗记录细节(39]。作者提出了一个IoT-based新的语义互操作性模型(IoT-SIM)提供语义互操作性异构物联网设备在医疗领域。医生和病人交流与物联网设备监控病人的目前的健康状况,以及医生和病人之间的信息语义注释和沟通。语义web技术提供的工具,允许更有效地处理数据和准确,创建商品之间的互操作性框架,并与他们的语义集成来自不同数据源的数据(40]。医生从层II-V分配过程如图8。

4所示。应用程序框架与Ganglia Cyber-Physical系统

调查系统负载和连接问题,我们使用Ganglia监控工具。要监视每个实例应该运行ganglia监控守护进程(gmond)。聚合数据实例应该包含额外的软件包。每个集群只有一个配置文件,配置文件不会改变,只要服务器是活动的。新实例发现立即和终止实例被遗忘在90秒。

图9显示系统的体系结构,融合了物理和网络空间。每当一个新实例,监控工具会发现所有实例的集群和指标发送给他们。发现一个新推出的实例并立即添加到集群。它还将做一个重新发现每90秒,这样实例已经终止从列表中删除了目的地,如图9。

4.1。Cyber-Physical系统

Cyber-physical系统是一个动力连接物理和网络世界。它是无线传感器连接到云计算的基础。有足够的空间传感器网络作为无线区域网络。网络一词用于管理物理空间。但它是适用于在互联网创建的虚拟空间。网络不仅仅是一个象征和比喻的空间存在的在互联网上。cyber-physical系统与产品开发,传感器,设备,系统,硬件,软件,和API,它们会带来世界上无处不在无处不在。

Sensor-Cloud可以使用传感器的一个普遍的应用程序作为一个物理世界和网络之间的接口。

Sensor-Cloud是云计算的一个组成部分,使用物理传感器对不同传感模式积累其数据和所有的传感器数据传输到云计算基础设施。Sensor-Cloud处理传感器数据有效,用于许多监视应用程序。我们使用Sensor-Cloud WBAN应用程序。以下几点Sensor-Cloud指定的必要性:(1)从传感器获得的数据,可以使用传感器建模语言。元数据是非常重要的,作为位置传感器数据没有sensor-centric世界是没有意义的。(2)Sensor-Cloud架构提供实例创建的事件驱动机制,设计了作为虚拟传感器,它要去旅游网络中基于需求和紧急的病人的数据。(3)这些虚拟传感器可以放入集群CPU、集群内存,集群网络、集群过程中,集群存储,等等。可以使用这些服务实例通过图形用户界面。(4)一旦服务实例变得毫无用处,他们可以删除用户,以避免更改。(5)自动化的服务在提供云计算会议起到了至关重要的作用。(6)云的性能指标可分为效率,灵活地利用云服务,服务的交付时间与隐性和显性知识。(7)正确使用实例,资源配置是将一个基于策略的资源配置机制,通过软件控制。(8)高度重视给医疗按IOM(医学研究所)。(9)富达的系统被认为是最重要的标准,因为从传感器收集的数据的数量字段和规定的时间内送到预定的人,它也依赖于应用程序。(10)忠诚是一个关键因素,这意味着接收所需的数据包检测特征的数据量给定时间即时的兴趣。(11)强度传感器数据可用于模型的变化趋势分析。(12)贪婪路由数据包,周边有状态路由技术可以被应用,因为它将数据包转发节点接近目的地。此外,它需要知识的地理坐标传感器网络。(13)地区这样一个贪婪的路径不存在,节点可以提供数据到周边节点的数据包传播成功地通过网络的平面区域,直到它到达一个节点靠近目的地。(14)当有网络问题,它必须适应承受并从不同复杂条件下很快恢复。

4.2。Cyber-Physical目标系统的建立

以下五个目标已经实现cyber-physical构思系统解决远程医疗诊断的可伸缩性和可靠性问题:(1)数据采集系统的设计和开发阈值检测策略(2)设计和开发的一个软件定义控制器分析网络特性(3)发展路径规划策略的数据(4)开发病人数据的知识库和网络数据相关的方面(5)设计和开发一个映射表的映射输入事件与网络实例基于优先级队列

4.3。CPS架构的描述

架构的构建块如下。

4.3.1。物理系统

物理系统由物理无线身体面积传感器连接到适当的微控制器单元使用所需的信号调节机制。噪声去除和放大方面进行这一个单位的输出WBAN从物理设备作为一个事件的时间戳。不同形式的传感器在WBAN单位如温度、血压、皮肤电导,氧饱和度(热点₂)和心电图。这些参数在不同的单位和不同的格式。医疗数据的数据包的形成必须包含所有的传感器数据与源ID数字格式,目的地ID、序列没有。,用安全码和长度载荷。样本格式如图10。

4.3.2。数据采集系统(DASs)

DAS包括事件检测器,定义阈值警报机制,内置的数据库分类算法。事件检测器是一种机制,通过它,如果任何输入信号必须出席,当身体生理参数已被访问。定义阈值警报机制由双向基于阈值报警输入信号超越临界水平的确定。识别的阈值是基于正常的身体参数值之间的比较和测量体参数值。阈值监控工具已经坐一整天看,等待事件发生的基础上进行比较。这是一个监控系统,警报当身体参数值将成为关键。如果疾病是正确识别,及时正确的医生联系。

(1)数据库内置分类算法:(随机建模)。随机建模涉及概率的应用实际情况具有不确定性。由于不确定性的普及性,工具可能会展示他们的测量质量的方方面面,医疗诊断系统。

4.3.3。基于优先级的实例创建和管理

物理和网络的互连系统是基于优先级的实例创建和管理系统。这也是一种机制,提供优先级队列出现的基于实例的临界。发生的情况下,当一个关键问题,基于人的健康状况的紧急,排队的情况下叫方案,允许有优先于所有其他条件,优先级排队(PQ)正在考虑的场景。PQ被分配四个队列在我们的研究中,每一个都有不同的优先级:优先级高,中等优先级,普通优先级和低优先级。最高优先级队列清空后,必须首先为每个队列的数据包传输。在每个队列中,数据包传输第一,先出基于关键事件在人体参数的计算。队列的大小并不影响数据包的时间获取队列。PQ对数据包队列大小进行优化。在优先秩序,每个队列。高优先级队列通常是先得,因为它集中于紧急数据包; if the high-priority queue is empty, then the medium queue is emptied and also serves next to the patient’s critical condition.

每当一个高队列包,这是一个紧急数据包,立即收到,医生必须参加。队列是之前其他队列处理。当中等优先级队列为空时,通常的队列,拥有正常的身体参数值为空时如果没有high-priory队列中的数据包。最后,低优先级队列为空时,如果高,介质,和普通队列清空。因此,当使用PQ,在低优先级队列不能转发数据包所需的时间,导致网络应用程序运行时间使用低优先级协议的应用程序包。如果一个包不适合任何配置的队列,包通常的队列。因为PQ不是动态的,它不应对网络的趋势。在使用时,它是一个好主意定期进行网络基线和交通进行审核,以确保队列大小和协议分布正确配置管理交通高峰期如图11。

(1)高优先级队列。数据包到达高优先级队列应当立即。中期,定期和低优先级队列是高优先级队列清空后提供服务。如果数据包到达为高优先级队列在任何时候,他们传播在高优先级队列之前已经把其他队列接收操作。高优先级队列的默认大小为20包。

(2)中优先级队列。中队列是高优先级队列清空后提供服务。当高优先级队列到达时,高优先级队列中的数据包转发,直到队列是空的,然后再中队列接收的注意。中等优先级队列的默认大小40包。

(3)正常优先级队列。如果高或中队列没有包,通常的队列服务。当数据包到达高或中等队列,这些是转发到媒介为了,数据包被发送到通常的队列在这些队列已被清除。正常的优先级队列大小是60包。默认情况下,所有未指定的流量分配给优先队列,但是通过使用默认参数,你可以改变这一行为。

(4)低优先级队列。低优先级队列的数据包转发如果所有其他队列是空的。当一个数据包在任何其他的队列,队列首先被清除,直到他们是空的,然后低优先级队列服务。低优先级队列的默认大小是80包。

创建一个优先级列表配置PQ。要创建一个优先级列表,可以创建16个优先级列表。每个列表中有4个队列:高、中、普通,低。包分配的四个队列取决于他们的特点:协议,输入接口,包的大小,临界因子,和病人的位置。交通未指定的四个队列,队列发送到标准正常的队列。优先级列表命令,它的参数、关键字和描述都包括在表中1。

样本优先级表包含以下信息:(1)优先级清单是事件数量,根据收到入口的传入流量(2)参数包括参数清单,根据参数的组合引起的疾病和医生的考勤要求(3)关键字列表明疾病的严重程度的比例,需要关注(4)临界因素提出任何的四个值0,1,2,3根据队列的数据必须符合诊断(5)表示输入数据的时间戳,根据事件的发生时间,可以预测时间从身体无线传感器数据单元(从身体内的数据收集器传感器单元)(6)位置ID包含国家代码,国家代码,系统的IP地址收到病人的信息(7)任务队列显示队列的名称通过这对诊断病人的信息处理

表1介绍了等领域优先级列表命令像病人ID,观察到的参数从病人,疾病的严重程度从观察到的参数,关键值来指示病人立即承认了医生,时间戳数据,位置数据,包括这个国家的名字,国家名称,和系统的IP地址的路由数据,和队列的数据的重要性必须获取。

公共IP地址分配给EC2实例,采用下列程序:(1)打开Amazon EC2控制台。(2)在导航窗格中,选择图标的实例。(3)选择你自己的实例,并选择图标的操作,网络和管理IP地址。(4)扩大网络接口。在IPv6地址,选择分配新的IP地址。(5)然后选择保存。(6)分配一个短暂的外部IP地址不存在之外的生活资源,我们创建一个实例或转发规则不指定一个IP地址,资源是一个短暂的外部IP地址自动分配。(7)现货也可以创建实例。

5。数学建模

生理参数的列表,可以观察到通过身体传感器网络分类如下:

体育。π是由身体的五个重要参数值考虑本研究。心电图是建模为一个;体温是建模为B;和氧饱和度是建模为C。(1)心电图可以测量从人类的+o对−o,所有人的心电图的变化观察值组成的两个四肢死亡之前条件和生活条件都在这两个极端。当我们正常心电图的范围,人类可以承受;具有最大的心电图价值当死亡可能发生以及最小心电图值在死亡可能发生的地方。最大心电图值被规范化为+ 1,和最低心电图值规范化为−1。正常心电图的价值,人类可以承受,称为0。首字母缩写ALD表明所有心电图值的范围包括两个四肢死亡的条件与正常的生活条件和中间生活条件之间的正常和+ 1之间正常和−1。这些生活条件被视为疾病之间的条件和准备诊断。 方程(2)显示心电图可以测量值的总数从人类在任何时候。(2)人类的体温可以测量的范围+p对−p温度,在所有可能的值,可以观察到从人类可以包括温度的极端值会议在最大和最小水平,+ 1−1。随着极端值,正常人体温度的归一化值是0。0到+ 1和0和−1之间,两个中间值会导致疾病。这些值需要立即诊断基于他们的严重性。 方程(3)表示温度可以测量值的总数从人类在任何时候。(3)氧含量(热点₂)可以测量从人类的+问对−问,在所有可能的热点₂值,可以观察到从人类可以包括氧饱和度会议死亡的极端值最大和最小水平,+ 1−1。随着极端值,正常的人类的血氧饱和度的归一化值为0。0到+ 1和0和−1之间,两个中间值会导致疾病。这些值需要立即诊断基于他们的严重性。 方程(4)表示的总数可以测量血氧饱和度值,从人类在任何时候。 (4)血压的收缩压和舒张压和被测量从人类表明心脏的泵机制。方程(5)显示血压值的总数包含一个单独的列中较低的血压和高血压。人类的死亡的极端值条件对最大和最小值的中间值正常价值两个方向必须观察到0到+ 1和0到1。 脉搏血氧测量测量血液中携带的氧气量,作为一个百分比,可以测量手指使用脉搏血氧计。这个测量是被称为“热点”₂和氧饱和度的外围是圣₂,这是动脉氧饱和度。血氧饱和度的降低和增加脉搏和心率变异性相关。(5)皮肤电导:方程(6)提出了皮肤电导值的总数对正常皮肤电导值为零和极端值在两个方向上表明死亡是+ 1−1。不包括正常价值,整个组值必须被诊断为优先级参数。

从方程(不包括死亡条件2)- (6),以下可以生活和诊断的方程:

5.1。我:实例创建参数1 -心电图

如前所述,ins_来−ins_tt对心电图显示生死实例。实例之间+o和−o可以被称为t。

所有的心电图实例我们可以期待,ins_oto,ins_不1,ins_不2,ins…_奥特从即时t0到tt。

时间瞬间出现在表示 在哪里一个_LD反映在方程(2)。

随机样本的心电图实例中表现出方程。方程12显示了一个随机抽样的心电图实例。心电图实例的任何子样品,需要创建关键诊断的随机样本。

立即诊断心电图表示

5.2。案例二:实例创建为参数2 -温度

如前所述,ins_来ins_tt表明生死实例对人体温度。实例之间+p和−p可以被称为t。

从即时t0 tt,所有温度的实例,我们可以预测成为ins_{美国专利商标局,}ins_pt,ins_pt2,ins…_tt。温度实例中表示 在哪里B_LD反映在方程(3)。

随机样本的温度情况下表现出的方程。方程14显示了一个随机抽样温度的任何实例。任何子样品温度的情况下,需要创建关键诊断的随机样本。立即诊断TMP表示

5.3。案例三:实例创建为参数3 -热点₂

如前所述,ins_来ins_tt表明生死实例对人体血氧饱和度。实例之间+问和−问可以被称为t。

从即时t0 tt,所有的实例,我们可以预测成为ins动脉血氧饱和度_qto,ins_qt1,ins_qt2,…,ins_qtt。

血氧饱和度的实例表示 在哪里C_LD反映在方程(4)。

随机样本的氧饱和度实例中表现出方程。方程16显示了一个随机抽样的动脉血氧饱和度实例。任何需要关键的动脉血氧饱和度的子实例诊断是创建的随机样本。即时诊断的热点;₂反映在

5.4。案例四:实例创建为参数4 -血压

如前所述,ins_来ins_tt表明生死实例或血压高值低。实例之间+r和−r可以被称为t。

从即时t0 tt,血压实例,我们可以预测成为ins_rto,ins_rt1,ins_rt2,ins…_rtt。

血压实例中表示 在哪里D_LD反映在方程(5)。

随机样本的血压实例中表现出方程。方程18显示了一个随机抽样的血压实例。血压实例的任何子样品,需要创建关键诊断的随机样本。立即诊断血压表示

5.5。例V:实例创建为参数5 -皮肤电导

如前所述,ins_来ins_tt表明生死实例对低或高皮肤电导值。实例之间+年代和−年代可以被称为t。从即时t0 tt,所有皮肤电导的实例,我们可以预测成为insst₀,insst2 insst1 insstt…。

皮肤电导的实例表示 在哪里E_LD反映在方程(6)。

随机样本的皮肤电导实例中表现出方程。方程20.显示了一个随机抽样的皮肤电导的实例。皮肤电导实例的任何子样品,需要创建关键诊断的随机样本。立即诊断皮肤电导表示

结合所有的关键实例所提到的五个参数

出现的问题,如何包含整个组关键实例必须被赋予很高的优先级。如何处理如果虚拟实例的数量来了更多的CPU、内存、网络、集群的使用,和负载/过程时间,如图12。

6。解决WBAN:数据可伸缩性问题

6.1。网络系统组件

桉树使池计算、存储和网络资源,可以向上或向下扩展为应用程序工作负载的动态变化。它是与Amazon的EC2兼容。

Amazon Elastic Compute Cloud (EC2)是一个web服务,它提供了安全、可调整大小的计算能力的云。弹性计算云实例是一个虚拟服务器,可以在Amazon Web Services (AWS)运行应用程序。当建立一个EC2实例,我们可以自定义配置CPU、存储、内存和网络资源,当创建一个实例,我们可以创建一个Amazon Machine Image (AMI)。

Ganglia被安装在集群在引导阶段提供洞察如何执行集群中的每个盒子。如果CPU运行的高,这可能是明智的选择是大核EC2实例,或者如果记忆重,那么EC2实例可以选择一个更大的内存容量。

6.2。CloudSense形象管理

在这个节骨眼上,云准备操作。在“192.168.20.2”是注册节点,资源可用性区域内的云提供的云。m1型小表明可以创建可用的4台机器,每一个处理单元,内存192 MB, 2 GB的磁盘空间。桉树的虚拟机镜像可以下载商店。桉树事先提供了链接虚拟机已经准备好运行在私人桉树云。

6.3。实例管理

图片已经注册。他们现在可以上传和运营。实例可以转让公共IP后涌现的DHCP守护进程。实例可以被终止,他们不是必需的。

6.4。云监控

有无数的方法来查看云的性能。许多工具被开发出来。的“神经中枢”的工具是一个非常有效的和有效的工具,可以用来查看性能通过各种指标。

Ganglia是一种可伸缩的分布式监控系统(41]。其良好的可扩展性与大量服务器和实时查看性能指标是很有用的。的应用神经节在图表示13。

在后端,神经节是由随后的组件:(1)Gmond(神经节监控守护进程):它是一个小服务,收集信息节点。这是每一个服务器上安装监控。(2)Gmetad (Ganglia元守护进程):这是一个守护进程在主节点收集数据从所有Gmond守护进程(也从其他Gmetad守护进程,在条件)。(3)RRD(轮询数据库)工具:它是一个工具主节点用于存储数据和可视化可以从神经节可能在时间序列的操作模式。(4)PHP web前端:它是一个web界面主节点上显示的图表和指标RRD数据的工具。

每个节点(服务器),我们希望监视Gmond被安装。每个节点使用Gmond Gmetad运行的单一主节点发送数据,应该收集所有节点数据并将其发送到RRD存储工具。web浏览器中的数据可以查看PHP脚本的帮助下和Apache。

Ganglia网格与主节点显示的Gmetad运行Ganglia服务器守护进程,和其他节点显示为连接服务器运行Gmond守护进程:

监控数据通过web接口,数据组织在几个层面上,如图14。神经节组织节点,分别监测机器,到集群,除了类似的节点组。在一个更高的层面上,集群也可以被组织成网格的集合。

重要的限制更广泛的接受现有的WBAN连续监测系统如下:(一)笨拙的传感器和处理单元之间的连接(b)个人缺乏系统集成传感器(c)干扰对无线通信信道共享由多个设备(d)不存在支持大规模数据收集和知识发现

根据应用程序需求,WBAN协调员进一步连接到远程医疗和医疗服务器相关建议,连接到边缘和雾终端等一切可以由神经节可视化监控系统有效地支持可伸缩性。

Ganglia是一个免费和开源监视工具,比如集群和网格高性能计算系统。它是由三个组件:gmond gmetad,和一个web前端。Gmond多线程守护进程与gmetad运行在每个节点和通信。Gmetad收集和档案指标并生成报告。在内部,它使用rrdtool的数据日志记录和图形。神经节中包含的web前端用于可视化数据。Ganglia是一个全面的监控解决方案,可视化和档案系统指标。谈到预配置监控30多个指标而不需要任何额外的编码。下载的安装过程由神经节包和他们的依赖包37]。图15从提供的web界面ganglia监控桉树云。

它可以清楚地明白那一刻,没有沉重的过程,因此,利用率很低。下图显示集群负载图,这是测量负载/过程和时间。节点参与的数量是1最大最小和2。cpu的数量是2最大最小和6。过程称为零,最小和最大的过程称为3。因为它没有指定,是集群负载小时时测量图16。

按照集群负载最后一小时图的图解表示16节点考虑实例,表明病人数据加载。一个病人,一个实例时形成参与节点的数目是1,和两个病人节点,创建两个实例当参与节点的数目是2。

图17图指定集群内存在给定的时间在分析集群内存的使用,共享,缓存,缓冲区,交换,总。内存利用率可以在Linux中使用免费的命令完成。命令显示免费的总量,用身体、和交换内存系统,以及内核所使用的缓冲区。我们也可以估计总物理内存;总内存,使用免费的物理内存,文件缓存的大小,总交换空间的大小,交换空间的使用,交换空间的自由。

表示在图18意味着集群内存存储对应于病人的医院信息数据在内存属于集体患者信息在一个特定的时间。

图18显示集群CPU使用率在一段时间的运行集群。监控每个进程的CPU利用率,要监视的参数是CPU、内存、页面错误,堆栈,磁盘I / O,在每个进程上下文切换指定时间间隔。父进程和子进程的加入还可以使用特殊监控CPU和网络监控设备。参数可以表示为线程、进程、用户和组占用大量资源。系统的时间花在用户模式通常以user-HZ单位。用户模式与低优先级是观察到的系统模式,空闲任务,等待时间一个I / O完成测量。

数据的优先级与病人的异常情况如图18。上下文切换显示,可以转发到端口数据立即根据病人的病情严重程度。如果相同类型的优先收到信息,它可以是映射与父进程和子进程陷入同一类别,由于医疗紧急情况。

图19显示了网络的使用在一个特定的时间在云端的操作。连接的带宽使用情况可以视为的传入流量还是外向交通和哪个应用程序是使用多少带宽。它也可以被视为有多少主机连接在一个特定的瞬间的时间和什么类型的交通网络。

指示图19对应于许多病人是如何连接到雾在特定时间和病人流量是否在带宽限制,通过对比传入和传出的流量。

图20.它是系统负载随时间变化的集群。集群是一个应用程序服务器实例主控制器。这个主控制器将处理所有请求和分配他们太多数量的实例。用于此目的的算法都是正常操作系统的调度算法,如循环等等。集群做负载均衡,使可伸缩性是本研究的目的是提高可伸缩性当输入的数量变得巨大,如图所示20.。可伸缩性是能够增加更多的应用程序服务器实例,它增加了系统的能力通过减少应用程序的响应时间。

图20.对应于一个实例,因为它涉及到一个主机像许多实例和组那些医疗应用的实例和处理数据的数据分析和排名数据。排名非常重要,为了给重视high-prioritized数据而不是正常的数据,而不需要重症监护。

6.5。WBAN数据

WBAN用于那些需要紧急和持续医疗护理。使人类的生活变得更简单。目前,数据由LS-WBAN是本地系统上处理的。被带到本地机器上的数据通过网关,然后存储在关系数据库系统。但主要的问题是可伸缩性的问题。网络可能会增加其大小在很大的地理区域。空间数据是巨大的,巨大的数据集生成,需要实时处理进行实时分析。

6.6。解决方案

数据流存储的桉树云和瞬间使用块或桶。这些数据可以分析,假设涌现实例的分析已经完成的数据扩展的集群中的存储块。所做的分析提出集群达到极限,使相应的集群行为的研究。

6.7。扩展的集群

集群的资源是基于前端存储和虚拟机的创建和运作的节点。节点是一个接一个地长大和集群行为研究是基于提供的指标ganglia接口。使用实例命令启动一个实例。现在的资源减少,如图21。图21(一):资源后,启动一个实例。图中显示加载/过程指标。一个病人监控。图21(b):加载/过程后产生一个实例。图表显示,表示节点的数目为1;cpu的数量显示为2;和过程的数量从2.2增加到11之间的计时16-16:20。图中显示集群内存指标。产生一个实例后,缓存,缓冲区,和总内存大小如图所示16。时间后的患者信息积累,和流程暂时保存和储存的数量是决定和代表。图21(c):集群内存后产生一个实例。这图显示了CPU使用率用户而言,不错,系统,等,和闲置。产生一个实例后,用户数量的缓存、缓冲和总内存大小。组病人数据节点是集群实例创建后收集的。图21(d):集群CPU使用后产生一个实例。这个图展示了网络使用。整个健康网络使用被描述。图21(e):集群网络1实例后产卵。这图显示了传说和集群网络变化后接收到的数据进行描述。图21(f):负载与一次又一次产卵。这是一个样本属于医院服务器的负载。

图22代表另一个实例是长大的时间和资源的可用性。图(22日):可用性2实例后产卵。图中显示负载/过程。数据显示了一个数据传输路径的可用性。图22 (b):集群负载2实例后产卵。这图显示了集群内存使用。监测病人2节点后,内存占用被描述。图22 (c):集群内存2实例后产卵。这个图显示了CPU使用率。2节点的监控后,CPU处理被描述。图22日(d)集群:CPU 2实例后产卵。这个图展示了网络使用。集群的CPU,驻留,并对节点的操作数据,经过收购2个节点的数据显示在图。图22 (e)集群:CPU 2实例后产卵。这个图展示了网络使用。网络与医院是描述关于它的工作负载。图22 (f):集群网络2实例后产卵。这图显示了传奇。集群的集群中的网络被描述。

图23显示了可用资源产卵后的第三个实例。计算资源、内存和存储展出。图23(一):资源使用。这个图显示了加载/过程。加载一个病人数据的使用过程中。图23(b):集群负载3实例后产卵。这图显示了集群内存使用。集群是一组病人节点;集群负载展出。图23(c):集群内存3实例后产卵。这个图显示了CPU使用率。后的流程获取每个病人信息3病人的实例节点被描述。图23(d):集群CPU 3实例后产卵。这个图展示了网络使用。集群CPU驻留和操作的节点数据,经过收购3节点的数据,图中所示。图23(e):集群网络3实例后产卵。这图显示了传奇。在集群的集合,整个健康网络后3实例被描述。图23(f):负载3实例后产卵。这个图显示了时间的负载。集群负载瞬间被描述在一个特定的时间。

图24代表过去的实例可用,催生了与可用性区域,显示了资源。图24(一):集群负载后4实例产卵。这个图显示了加载/过程。当节点的数量已经增加到4,集群负载被描述。图24(b):集群内存后4实例产卵。这图显示了集群内存。4节点的实例描述后的记忆。图24(c):集群CPU后4实例开始。这个图显示了CPU使用率。4实例后,正在描绘的CPU利用率。图24(d):集群网络后4实例产卵。它显示了集群网络使用效率和可伸缩性。图24(e)显示4个实例之后传说产卵。这图显示了加载一个度量毕竟实例产卵。

图25显示网络流量湾云设置。

如果另一个实例是派生的,发生的错误显示没有可用的资源。

集群系统的信息显示在图26。

图27显示了负载的度量、CPU、内存和网络。

图28显示了内存指标。它是基于内存缓冲区缓存的内存,释放内存,共享内存,和自由交换空间。

网络指标是基于字节,字节发送数据包,发送的数据包,在图所示29日。

图30.显示了CPU指标基于CPU空闲CPU空闲CPU不错,CPU系统中,CPU用户和CPU wio。

过程度量是基于总运行的流程,和总流程如图31日。

7所示。解释的结果

上面的图的研究是非常清楚的。云是一个选择的数据处理和分析效率和可伸缩性可以用于同一直到资源达到阈值的云资源。从图可以看出,有一个陡峭的上升在负载的情况下长大。内存使用率也直线上升一个可观测的高斜率值。网络使用陡峭的产卵的第一个实例保持相对稳定。可以观察到瓶颈主要在集群内存。CPU瓶颈问题可能会开始如果太多的集群中执行复杂的操作。云上的负载增加线性斜率值在一个相当低的。

Hadoop MapReduce尚未在桉树上实现集群,并研究了性能。同样的情形应当测试OpenStack云平台,并应当根据比较结果与桉树。企业级的安全不被执行。有无数的使用云的工作要做,不久就会发布。考虑数据的可用性,当一个实例来了很多实例,则许多服务器可能在许多地方的信息。服务器的位置是医生的位置关联优先实例生成和管理机制。

7.1。性能指标

提出系统的性能可以测量吞吐量,带宽,延迟/延迟、数据包交付率,signal-to-noise-interference比率,链接质量,不错,缓冲区大小,缓存命中率,异质性的包,与群体相关的实例之间的关系可以互换应用实例的数量和传播产生的数据包数量,包丢失和SINR之间的关系和链接失败,由于缓冲区大小和扩展增量和路径优化,如表所示2。

如果0% < CPU占用率> 80%,重定向虚拟实例,其他分配一个新的CPU,因为提供什么类型的资源与能力?

如果0% <内存使用> 80%,增加缓冲区大小,分配其他外部memory-path优化和清除缓存内存使用一组特定的算法。

如果0% <网络使用> 80%,重定向的虚拟实例一个未使用的路径,其他分配一个新路径接近destination-load平衡和优先级数据包传输。

如果0% <集群使用> 80%,重定向的虚拟实例向目的地,其他分配一个新的cluster-apply网络分区和指定一个新的拓扑处理至关重要的实例。

如果0% <负载/过程时间> 80%,减少负荷重新分配任何的四个categories-apply提到利用系数估计和超时机制。

7.2。软件定义政策聪明健康

7.2.1。软件定义为资源分配政策

资源在全球数据网络可以提供如下:(1)CPU(2)内存(3)集群(4)网络(5)网格

所需的工艺参数可以如下:(1)过程/加载时间(2)吞吐量/包交货率(传输,接收数据包,下降)(3)延迟/延迟抖动(4)拥塞/网络流量(5)链接质量/信噪比(6)利用系数/缓冲区大小/数量(7)软件定义政策提到的智能医疗应用程序是基于三个类别(8)参数- / data-centric-high、中、正常和低(9)Network-centric-topology、流和路由协议(10)基于Node-centric / IP地址位置和基于距离(跳距离)

(1)我:参数- /以数据为中心的。如果临界相关医疗数据的高价值,提到CF_{即时通讯。}(关键因素——立即)位于或接近死亡的四肢条件值。对于这种场景,应急路径分配完成。

如果临界相关医疗数据的中值,它被声明为CF_地中海(关键因素——媒介)在于疾病的中程频谱,在诊断可以适度进行。对于这种场景,congestion-free路径可以通过网络分配。

如果医疗数据链接到临界状态是正常的价值,这是作为CF_也不(关键因素-默认),连续病人监测是必需的。对于这种场景中,数据被允许流经的路径至少拥塞/ congestion-free路径到达目的地。

如果临界相关医疗数据的低价值,发现是CF_低(关键因素-低),这意味着这些类型的病人可以等待一段时间,以满足医生的诊断。对于这种场景中,数据被允许流过的可用路径/疏通路径平均等待时间的病人在医院诊断。

(2)案例二:网络中心。分析网络特性,数据必须到达目的地时间基于以下三个因素:(1)架构:响应时间(2)基于流程的方法:入口/出口(3)Routing-protocol-based:主动/被动架构:响应时间。美联储的医疗数据作为输入,系统通过任何拓扑连接,说明星,网状,戒指,等等,必须转发到目的地最近的医生或医院基于可用性。动态软件机制可以建在转发路由/网关节点,所以数据可以到达目的地,基于响应时间需求。拓扑变化发生时,如果数据转发节点可以到达目标节点在一个较小的时间比之前连接的拓扑结构,完成了新的拓扑变化。基于流程的方法:入口/出口。根据一个特定的流入和流出节点或一个系统,医疗数据分组的等待时间是零。流处理,根据流表条目,实际的服务器数量条件被确定使用链接质量因素,然后流对响应服务器转发。Routing-table-based:路由协议。它可以用于转移病人数据分类通常是主动和被动。

在主动的协议为基础的路由,在临界条件下的病人数据可以转移,和持续的监控下的病人也可以随时转移医生的诊断。

在反应性协议,如果病人的累积医疗数据为一个特定的时间需要分析的专业知识,路由器将诊断的历史数据。

(3)案例三:Node-Centric (IP地址)。TCP / IP提供端到端连接。Node-centric避免通信开销的数据结合TCP / IP的特点可以通过规范的数据,处理,传输,路由,收到了目的地。通信网络应该允许用户关注他或她需要的数据,在智能医疗应用程序中,最终的目标是提供任何所需的医疗病人在任何时候不管地理位置,患者坐落或遇到意外或创伤。因此,引用一个特定的物理位置检索数据是必需的。Node-centric数据网络TCP / IP的概念随之而来比如数据缓存来减少交通堵塞和提高交货速度、简单网络设备的配置,构建安全网络在数据级别,如图32。

沟通在node-centric网络是由接收器在医院通过数据包的交换两种类型的信息:IP地址和病人数据。这两种类型的数据包携带位置名称,可以在一个数据包传输。IP地址(源):病人数据是保存在一个数据包的IP地址的节点是创造者和传输数据。该数据嵌入到一个IP网络中的数据包,然后推到流朝着目的地使用congestion-free路径基于包的响应时间要求。目的地:一旦嵌入的数据包到达目的节点附近的医院,基于主动或被动模式,节点将返回一个应答包含数据包的IP地址和病人一起签名的目的地IP地址,这两者结合。这个包是在反向路径IP解决回到源数据感兴趣。

7.2.2。软件定义政策过程参数的要求

(1)过程/加载时间:基于实例的数量,考虑到数据可用性和可伸缩性问题, 下一个任务集可调度的关键实例;e_我任务的执行时间在处理器基于其规范。p_我任务期间,u_我是利用系数。最早的期限第一算法的修改与临界和紧急病人,将适当的过程可能更为可取。(2)带宽需求:一个实时信号处理应用程序(如医疗数据处理计算每个采样周期中一个或多个输出。每个输出X(k)是一个加权和n输入Y(我),表示如下: 权重一个(k,我每个优先级)被称为数据和固定。处理器有时限的也是测量响应时间需求的基础上产生一个特定数量的输出在每个采样周期。(3)执行时间:执行时间是处理器所需的时间来完成任务的执行J_我执行时,它需要的所有资源。(4)优先约束:和/或优先约束可以评估结合在同一位置,同时关键事件,紧急情况下的数量更多。(5)效用函数:效用函数是用来描述定性的实时性能目标智能医疗系统。它强调一个病人可以感觉如何关心他/她的医学诊断。效用函数可以指导的选择和实现调度策略。(6)迟到:迟到的定义是区别其完成时间和期限完成提到病人数据的响应时间是参加。(7)例如执行优先级驱动方法:病人数据不断通过传感器感知和流媒体平台流病人数据。病人数据优先和归类为正常,不正常,和关键,模拟环境必须适当地创建实例。病人的数据收集器被视为一个单独的节点。Amazon EC2控制台启动一个实例为每个节点,将集群的一部分。同时,单一的工作负载集群是必需的,基于节点的数量,随着节点指定实例的数量,对集群,负载也创建一个单独的实例。了解集群的生存能力,至少三个节点下运行试验。实例依赖亚马逊时间同步服务节点间的时钟同步。当选择一个AMI,一些预配置的机器使用亚马逊时间同步服务,而其他机器不预配置。

有三个实例类型等使用米对于一般的目的,ccompute-optimized,我storage-optimized,实例存储卷。我们可以,例如,16个vcpu每个实例和32 GB的RAM,内部测试取决于我们的工作负载。当创建一个实例的节点,私钥文件必须下载用于安全地连接到实例。文件的位置和文件路径也必须决定。

配置我们的网络,自定义必须启用TCP入站规则安全组对国米的两个港口——允许TCP通信和客户机节点通信。这个任务允许节点集群,使工作负载均衡器路线交通节点和医疗应用程序连接到负载均衡器。定时器激活程序,实例创建、网络鼓动下,安全机制,并触发整个操作通过模拟如下。

7.2.3。过程

(1)激活定时器(2)实例剩余= 1000;/ /观察实例的数量在一个特定的时期(3)下一次发布时间=处理器时钟+ 100辆;/ /当前处理器时间源+需要响应时间/ /抵达目的地的时间(4)而剩余(实例> 0)(5)现在=处理器时钟(6)如果现在下释放时间> <),做的(7)睡眠计时器,直到下一次发布时间(8)实例在特定类型的任务;/ /基于临界数据如高、中、正常,低(9)下一次发布时间=下一版本+ 100单位(10)其他的(11)实例程序的非周期任务;/ /可以注入任何病人数据网络在任何时间(12)下一次发布时间=现在+ 100辆(13)实例剩余剩余- 1 =实例(14)结束时(15)Thread-destroy(线程id)

7.3。Ganglia在性能监控的优点

聚类系数量化的程度图中的节点集群。创建紧密组的相对较高的密度在WBAN网络的关系。关系的概率大于平均两个节点之间建立一条领带随机概率(38,39]。有两种类型的领带节点之间的连通性:全球和地方。

全球版本创建概述网络的集群,而本地版本提供的信息各个节点在WBAN网络的嵌入性。在性能方面都是有用的。

全球使用节点聚类系数计算三胞胎。三个节点连接通过两个或三个无向关系形成一个三联体。全局聚类系数被定义为封闭的三胞胎总三胞胎的比率。这个指标表明网络集群和可以应用于无向和指导网络,这两个被称为动词(42,43]。

全局聚类系数定义如下:

每个三角形形式三个连接的三胞胎。提出了一种加权网络的泛化(44),重新定义双模网络后表示,45]。

当地的网络中的一个节点聚类系数显示松动对其附近形成一个小团体。这样一个图可视为一个小世界网络。

一个图表 正式由一组顶点和一组边缘他们之间。一条边表示为连接顶点与顶点 。

附近为一个顶点可以用其相邻的邻居连接如下:

作为和表明一个无向图,可以被定义为顶点的数量, ,在附近 ,一个顶点。

当地的聚类系数为一个顶点是由顶点之间的联系的比例在其附近除以链接的数量,它们之间可能存在40]。

一个无向图的属性和被认为是相同的。因此,如果一个顶点有邻居, 边缘社区内的顶点之间可能存在。因此,当地无向图聚类系数可以定义如下:

7.3.1。网络平均聚类系数

除了全球聚类系数,瓦特和“定义集群的总体水平在当地网络的平均聚类系数的所有顶点n。

这个指标支持程度低的节点,而动词的比例有利于高度节点。全球聚类系数加权平均是相同的,当每个局部聚类分数加权

7.4。案例研究:样本聪明健康网络

图33介绍了样本之间存在网络,患者和医院。S1, S2,…, S5显示可用的病人在不同的位置,他们不是彼此相互联系的。D1, D2,…, D5表明医院/医生的可用性在传播地理上预定义的位置。示例网络连接病人和医院通过现有的路径。如下提到的可用路径不考虑网络拥塞。

基于现有的路径的数量和可用路径,病人数据必须提到的响应时间内到达目的地。病人数据必须从病人使用数据收集器,收集的数据收集器,它到达雾节点。从雾中节点,它进入互联网云进行进一步处理。任意两个节点之间的数据传输时间取决于距离和速度的医院网络中节点之间的数据传输。在仿真,采用下列程序。步骤1。创建实例步骤2。配置医院network-assigning节点步骤3。网络中节点的时钟同步步骤4。建立了负载均衡的数据可以在任何可用的路径流动第5步。为节点生成证书步骤6。开始节点的功能步骤7。初始化集群,由一组节点步骤8。测试和配置集群的所有节点第9步。运行一个示例工作负载使用实例第10步。监控集群的性能步骤11。集群规模更多参与的节点数量步骤12。使用数据库来存储和进一步计算操作步骤13。估计服务的带宽和修复数据传输速度步骤14。考虑到数据的大小和确保数据的可达性

分析系统的性能,下表展示其背后的约束。拓扑结构的类型和拥堵的道路不是现在被认为是表中的表所示3。

在表4,只有一个路径可用的来源和目的地,不管响应时间要求,唯一现有的路径,必须选择数据传输,如果多个源和目的地之间的路径,根据响应时间要求,任何一个路径是减少旅行时间被选为数据传输。如果不止一个路径有着类似的旅行时间,任何路径减少拥堵被选为数据传输。这些限制了政策,送入控制器软件定义路由数据包基于临界事件的来源。虚拟实例的数量表明,相同的数据包可以传递许多路径,请求服务的任何路径是活跃(图34)。创建虚拟实例的数量估计,根据实际数量的事件和事件的权重因子。权重因子值相关的紧急病人的健康状况。

8。结束语:突出的特点提出Cyber-Physical系统

WBAN架构five-tier架构、设计和扩展的可伸缩性医院转诊小组之间的网络服务模式在网络环境模拟所需的图。我们提出的解决方案提供了机会互连不仅医生的病人不管他们的位置也互连医院而不管他们的地理位置。有具体算法设计了操作在每一层,和仿真执行使用Amazon EC2创建所需的实例,了解性能和可伸缩性的措施。结果显示明显的信息数据传输机制在正常和异常条件下,基于优先级根据紧急情况和排名。

承诺的性能因素估计便宜,不引人注目的,和无监督监测方法在正常和异常病人的条件。技术融合的网络和物理阶段系统无处不在的和负担得起的,和可伸缩性的方法是成功的因素。可实现的,该系统设计、配置和定制,无缝集成,病人数据的安全和隐私,和其他社会问题必须照顾。

聚变物理和网络通过一个应用程序中实现这个研究。它可以应用于任何领域,数据使用成为全球。安全数据转发是通过云存储系统,也就是说,最终用户之间可以直接转发的消息结束云服务。数据可用性和可伸缩性维护使用优化技术通过软件控制机制。任何病人在全球的任何位置都可以得到及时和适当的医疗诊断通过cyber-physical系统架构。广泛的安全与性能分析从数据修改攻击可能由于使用加密使用使用Eucalyptus v3.4 BoxCryptor v2.0和云数据库存储。支持用户身份管理在桉树与功能来控制虚拟资源池使用细粒度的基于角色的访问控制机制为每个资源池。Ganglia支持可伸缩性和自动资源配置技术与阈值警报机制。这个概念可以进一步扩展聚类系数机制。如果医生的规则都是灵活的,任何病人在世界任何地方,可以使用Ganglia跨站点复制数据(46]。

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要求((电子邮件保护))。

的利益冲突

作者宣称没有利益冲突。