隐私数据安全策略的医疗云平台基于轻量级算法模型

文摘

老龄化的恶化已经严重阻碍了社会的发展。医疗云平台已经广泛用于缓解人口老龄化对社会经济的压力。他们中的大多数通过边缘节点收集用户的标志信息并完成疾病预测和诊断功能结合云平台。然而,有限的资源防止边缘节点部署相应的安全策略在完成数据收集、存储和计算,使得边缘数据容易被偷。提出了一种安全架构的医疗云平台基于轻量级算法模型,它不仅满足医疗需求的云平台完成疾病预测和诊断准确,但也创造了一个更安全的边缘节点环境结合其他安全策略和硬件设计。最后,脑血管疾病的预测是用于验证该算法模型的有效性。

1。介绍

随着生活水平的提高,人口老龄化越来越严重。据估计,在中国55岁的人的数量到2025年将达到3亿。人口老龄化不仅影响居民的健康水平,但也大大增加了医疗费用(1]。鉴于上述问题,医疗云平台如雨后春笋般完成日常监测和疾病预测通过检测用户的数据。莫拉等人构建一个健康监测框架基于物联网和边缘计算和应用它来防止运动员在运动场上猝死2]。高血压患者Vilaplana等人设计了一个控制系统,它使用高血压患者发送SMS病人监测云计算中心(3]。沙纳齐尔等人使用七个流行的机器学习算法构建心脏病预测系统(3]。但边缘计算的应用带来的安全问题。哈米德雾等人提出了一个计算工具与双线性加密,使用边缘保护私有数据在云计算工具4]。新的冰+ +框架Alberto等人提出的提高整个医疗环境的安全性和可用性通过改善兆赫(医疗cyber-physical制度)5]。Shaukat阿里等人构建了一个基于模型的安全工程cyber-physical系统(n+ 1),但仍有许多安全问题在边缘层(6]。医疗云平台使用边缘节点收集信息和由于医疗云平台的及时性,更多的计算任务被分配到边缘设备。然而,边缘设备的计算能力是有限的,和没有足够的资源配置安全策略后,相关的计算任务分配。因此,重要的是要确保用户的数据隐私在医学云平台不增加边缘设备的性能。

本文提出医疗云平台的安全框架,它部署轻量级计算模型边缘设备改善。边缘节点可以部署安全策略不增加大功率设备。与此同时,数据存储部署根据算法的特点,以确保用户隐私数据的安全。

本文的目标如下:医疗云平台架构改进,确保边缘节点有足够的资源部署安全策略,同时满足及时性基于智能手机的边缘节点结构设计,确保边缘节点的安全性合理计算框架旨在满足医疗云平台的需求,并确保用户隐私数据都存储在云具有更高安全性提出了一种基于轻量级框架计算模型,以减少边缘节点的计算压力

2。提出了平台的体系结构

不同的优势方面,云有足够的计算能力和存储容量来满足各种安全策略的部署和实施7,8),所以大部分的计算和数据存储在云中排列。然而,医疗云平台需要更快的响应和更高的及时性。因此,本文提出了高时效性医疗云平台的安全框架,如图1。

计算的一部分部署到边缘节点,和一个可行的方法是采用以确保边缘节点的存储安全。成熟的传输协议用于上传基本属性值和一些体征数据值计算到云计算,以确保边缘节点的数据传输安全。建立一个安全的数据存储和分析系统在云中对上传的数据进行统计分析并反馈结果,为了进一步确保的安全框架,尽可能减少API的使用而不影响算法的准确性,避免更多的安全问题造成的复杂的API。

此外,它一直是一个热门话题医疗数据安全传输到云后通过边缘层收集到的物联网设备(9,10]。然而,占用的资源安全政策是一个负担的边缘层和网络层的东西,和一些运营商相对有限的资源不能完美运行的安全程序。在拟议的框架中,智能手机作为主要的边缘节点,这并不合适。它不仅有足够的计算能力和存储能力,但也有能力收集生物识别技术。结合算法模型提出了隐私数据问题,数据可以分为基本信息和敏感信息。提供的基本信息是通过智能手机用户注册时,主要包括用户的年龄,性别,出生日期,和基本的物理条件。用户的标志层物联网传感器收集的数据,上传到云智能手机并存储在云端,或者直接存储在云由医院和其他第三方。云可以部署各种高强度安全策略依靠强大的计算能力和存储能力,所以智能手机的安全是至关重要的。

2.1。传感器为代表的智能手机

物联网设备是用于收集用户的日常迹象,并将其转换成数字信号,已被广泛应用于医学领域和健康(11- - - - - -13]。以其低能耗使用特征、物联网设备是用来收集潜在的信息。当前的高灵敏度传感器,血压米,手环,和其他仪器精度高和能耗低,可以完成数据收集工作。关于物联网,介绍物联网设备的发展。的安全设备也取得了结果(14,15]。在本文提出的框架,智能手机、边缘节点,承担部分的计算能力和存储能力,还有各种各样的安全策略。Ranadheer等人部署一个新的安全服务,EdgeSec,边缘层来提高整个物联网的安全系统(16]。肖等人分析了几个具有代表性的问题和安全策略边缘层的最后,提出了未来的研究方向(17]。然而,很难部署安全策略与智能手机的边缘节点没有占用太多的资源,以免影响正常使用的智能手机。因此,本文提出的框架采用配备一个安全的智能手机的模式,采用现有的开源项目OP-TEE(开放的可信执行环境)和TrustZone硬件架构保护用户隐私数据存储在边缘节点。安全智能手机设计在图2。

在拟议的框架中,智能手机还可以收集用户数据。用户通过注册和提供基本的信息上传到云存储,建立云PHR(个人健康)和符号信息收集的物联网设备将首先传送到智能手机。预测慢性疾病不需要实时上传的数据。物联网采集的数据将存储在安全的智能手机。此外,安全智能手机将保存大数据通过云。分析结果被用来确定疾病。边缘节点首先判断和反馈用户的数据,这不仅加速了决心反馈的效率,而且避免了数据传输的高峰。使用信任区硬件架构和开源OP-TEE可以确保边缘节点的存储和计算安全,已被广泛研究和应用18,19]。OP-TEE最初是由Linaro公司开发并发布在GitHub上高质量的开源代码的形式,它实现了内核OPTEE_OS信任,支持可信区域分配和多线程,并支持多种平台,如手臂朱诺板和HiKey板。此外,OP-TEE项目实现了大多数提供的API封装平台组织在世界各地,有巨大的优势平台可移植性。TrustZone技术首次引入ARM公司,现在已经成熟的应用程序和统一的标准。例如,华为交配8实现手臂TrustZone TZASC IP核在SOC,华为在普通世界的操作系统运行,运行安全OS不向外部世界开放的安全的世界,或使用小米手机的antiloss功能实现底层的手臂。TZPC IP核心TrustZone技术可以完全控制装置,有效防止攻击者入侵装置和窃取或修改数据。手臂TrustZone已经广泛的应用场景和低成本、灵活和相对简单的编程环境,并且可以根据用户的特定需求而设计的。手臂TrustZone OP-TEE项目可以为智能手机提供一个高度安全的环境。正常的智能手机操作系统可以存储在平凡的世界里,和另一个操作系统可以存储在安全的世界。安全的世界的安全级别比较高,和硬件资源的安全访问世界是完全分开的平凡的世界。 The two do not interfere with each other. EE communicates with general API and switches through SMC (secure monitor call) abnormal interrupt. In a secure world, it can protect the confidentiality, integrity, and access rights of resources and data. Users interact with the platform through normal world’s mobile app, including information registration and receiving feedback. The user’s sign data collected by sensors are also transmitted to the user’s mobile phone through Bluetooth, ZigBee, and other ways and stored in the trust zone of secure world. In addition, the results generated by cloud big data analysis are also stored in the trust zone. In zone, the sign data accumulated with the user for a period of time are predicted in the trusted application of secure world and fed back to the user.

手臂TrustZone硬件架构和开源OP-TEE使智能手机作为一个可靠的边缘节点有一定的计算和存储能力,因为其灵活和高度独立的特点。基于HiSilicon华为手机芯片可以完美的完成这样的任务和硬件提供更高级别的安全性。

2.2。边缘层和云层

作为云计算的产品边缘化,边缘层缺乏计算能力和存储容量较云(20.),但边缘计算的出现不仅可以减少云的负载,但也为用户提供更多的快速反馈21,22]。边缘节点不仅需要与异构通信和资源有限的物联网设备在很短的距离,但也上传数据到互联网在云的中间层数据收集;消息中间件或网络虚拟化技术主要是使用云服务器。安全也是非常重要的。虽然边缘节点的存储和计算环境设备保证了手臂TrustZone OP-TEE,风险依然存在,小偷将攻击或者窃取数据通过窃取用户的手机或帐户。因此,为了保证用户的凭证是必要的,MFA(多因素身份验证)可以提供有效的身份验证通过添加至少一个身份验证因素除了密码身份验证过程,这不仅可以确保用户帐户的安全,而且还可以安全有效地确保数据从边缘节点传输到云的传输协议。有许多形式的MFA和应用程序(23- - - - - -25]。传统的身份认证采用的识别机制“用户帐户+静态密码”,这实际上是一个单因素身份验证。静态密码有各种缺点,很容易被攻击者猜测或非法偷。MFA可以判断用户的身份和行为在许多方面,其中生物认证技术使用人体的生理信息。作为一种身份验证信息的特征和行为特征的基础上,每个人的生物识别技术是不同的。使用生物认证技术可以确保验证结果的准确性。今天的智能设备的支持下,生物收集和biometric-based身份验证,精度高,能完成占各领域缺乏安全认证(26,27]。在拟议的框架中,智能设备作为信息采集设备,和足够的资源来支持生物识别技术的集合。指纹特征用于验证用户,低成本和高安全性的特点,如图3。

用户首先将通过智能手机上的应用程序注册,和应用程序将部署到正常的世界与用户进行交互。用户将通过提供基本信息登记,上传到云端,并建立一个PHR。用户的生物标志信息,比如指纹信息,将存储安全的世界上。当用户再次登录时,用户提供的指纹信息将被比较。之后才比较成功的数据访问权限的用户帐户。此外,用户注册成功后,安全智能手机将接受来自云的模型参数发送并保存在安全的世界;当用户的数据收集完成后,将进行最初的疾病判断边缘节点和及时反馈给用户。当用户请求或需要预测疾病,这将是暂时存储在安全的智能手机。世界上用户数据将被上传到云端。否则,云数据库将上传和更新当云资源占领的压力很低。 At the same time, the model parameters will be updated after a period of accumulation. The data analysis system set up in the cloud will feed back the disease prediction results or healthy diet suggestions to users through the app.

由于这个原因,该模型算法减少了使用边缘节点的计算能力,并根据OP-TEE安全智能手机可以确保边缘节点的存储安全。疾病预测模型建立在云中传输的定期更新模型参数的智能手机,和疾病可以由使用少量的存储和计算能力的智能手机。

在设计的过程中所需的属性的算法,首先,通过注册用户提供的基本信息,建立PHR在云端。同时,PHR接收用户的信号数据和EMR(电子医疗)由医院和其他第三方提供。改进的APC模型用于确定疾病通过云安全环境,以及模型参数存储在安全的世界边缘层中的智能手机安全传输协议。确定用户访问时,疾病在边缘层首先,有必要预测疾病的时候,云访问预测和回归预测结果和运动处方。

3所示。算法模型

在以前的研究中,人们发现,身体功能的退化,老年人通常患有慢性疾病,和体征数据一般偏离正常价值,已造成了极大的干扰的预测和诊断疾病。此外,在前面的疾病诊断和预测算法设计过程的安全性和功能平台部署架构是很少考虑。解决上述问题,老年人的高灵敏度疾病预测和诊断模型提出了基于边缘的安全计算。

3.1。考虑到算法的灵敏度

为了解决的问题造成的干扰,老人的身体信号数据通常高于标准的价值判断和预测,本文提出一种基于基本信息的组合的人群队列算法和信号数据,它反映了社会和历史发展的宏观影响人口基本信息和使用符号数据表达个人身体功能的变化随着时间的增长。它可以保证算法的灵敏度最大程度。

基本信息是云PHR不仅用于形式,但也有许多应用程序在疾病的判断和预测。APC(年龄段人群)模型研究结果从三个维度的影响,年龄和队列。自从霜提出和应用结核病数据研究早在1939年,它得到了广泛的应用。Pes等人用APC模型来分析和研究癌症的时间趋势在社会经济转型后的人口28]。它有独特的优点在慢性疾病的预测和一些传染病。

在前面的研究中,我们改进了APC的影响模型,研究了吸烟,酗酒,和其他习惯的结果,改进的APC的敏感性模型(29日),但与此同时,考虑疾病预测模型信号数据的不可替代的价值,我们也使用基本数据和信号数据,确保算法的灵敏度和准确性在最大的程度上,可用于个人健康。领域的管理,不同的疾病需要不同的属性选择算法,和属性的选择通常是大量的。大规模高维数据集的算法的性能和复杂度算法选择的主要依据。聚类算法的性能很好。但修剪技术的应用减少密集单位候选集将导致损失的一些数据,所以它相对容易犯错的疾病领域的预测。Gayathri等人玛算法与density-based算法相结合,以改善其性能在高维数据聚类30.),但玛算法很容易忽略小集群,并很容易导致错误等不完整的疾病领域的预测结果。遗传聚类算法结合了遗传算法和聚类算法通过选择并确保准确性,交换和变异操作,算法简单,准确,有效,适合老年人心血管和脑血管疾病的研究。

遗传算法是由荷兰密歇根大学的教授首次提出在1960年代和1970年代出版的第一本书在1975年遗传算法的基本理论和方法。因为它只取决于适应度函数,它可以需求的最佳解决方案,简单、实用。适用于并行计算效率高和实用性的特点。广泛应用于机器学习、神经网络、生物工程。遗传算法很简单,有效,准确,所以它可以用来解决聚类问题。本文使用遗传算法聚类。在以前的研究中,传统的聚类算法是非常敏感的选择预设聚类中心和样本输入顺序,并很容易陷入局部优化的问题。因此,结合当地传统聚类算法的优化与遗传算法的全局优化,具有伟大价值的高维、低敏感的老年人的医疗数据。遗传算法的优势,集群已广泛应用(31日]。

然后,改善的结果APC模型量化和输入到遗传算法聚类作为一个个体属性。因为疾病患病率非常不同的性别,根据性别进行分析。输入属性不包括性别。输入格式是在表1。

为了进一步提高聚类的准确性,进行聚类根据年龄段,可以根据年龄和性别分成不同的组。与此同时,类似的组织也可以确保结果的准确性。因为很少有数据50和75岁以下的人在数据集,这不能满足聚类分析的数据需求。的数据50 - 75岁的人处理聚类分析,选择和50组数据对于每一个实验,T= 100,米= 100,P_米= 0.01,P_C= 0.5。黑色代表心血管和脑血管疾病患者,如冠心病和心衰,红色代表正常的人。相同的属性在不同的年龄段和性别有不同程度的影响。用户是根据年龄段来划分来提高老年人数据的准确性和灵敏度。属性不仅包括non-self-attributes对人体的影响(APC模型值),而且体征数据的主要影响因素(脉冲率和压差)。遗传算法是基于人口队列的概念。的结果如下(图聚类模型4- - - - - -9)。

从分析结果可以看出图中,不同的年龄段有不同的特点。随着年龄的增长,所有属性值增加,这意味着,随着年龄的增长,老年人的免疫力逐渐减少,和体征数据通常高于正常价值,尤为突出的是冠心病患者和其他疾病引起的高血压。此外,一些女性患有冠心病。聚类分析的结果更离散和低于男性患者,这表明女性高血压患者更有可能患心血管和脑血管疾病引起的高血压冠心病和心衰等比男性患者。本文根据PHR格式设计,相同的用户有不同时期的诊断结果。因此,当新用户的数据输入,首先进行了聚类分析模型,然后根据聚类相似的人分配的结果。APC模型计算属性的价值包括个人生活和社会变化的宏观影响个人,和体征数据能体现个人价值。与自然条件的变化,从两个角度找到自己属于类似的人口,那么,所表达的疾病的概率是类似的人口的平均概率。

与传统的遗传聚类算法相比,该模型将用户根据年龄和性别,并使用改进的APC模型属性的特征值进行计算。通过分类人口,提高模型的预测精度,预测发病期进行。考虑到年龄、性别和其他因素,改善APC的参数模型作为宏观参数。添加到模型分析影响,以下(图10)是一种与传统的遗传聚类分析(传统的遗传聚类属性选择:压差、脉搏,BMI)。

从图可以看出10,本文提出的模型有更大的优势比传统的AUC(面积曲线)模型,本文设计和模型具有较高的准确性,因为它包含两个基本的因素由改进的APC模型和物理因素标准化后,虽然传统算法AUC也表现良好,本文提出的模型会得到更高的TPR(真阳性对照)在同样的玻璃钢(假阳性对照)在同一时间,该模型具有较高的TPR无论多么起点或终点和最好的边界点,这表明该模型具有较高的适应性和敏感性比传统模型领域的心血管和脑血管疾病的预测老年人。

该算法模型可以最大程度保证聚类的准确性,以便得到最相似的人。穿过人群队列分析根据年龄,最相似的同年龄的人可以根据年龄。根据信息PHR相似的同年龄的人的健康状况的变化趋势随着时间的推移可以建立,根据病人的变化随着时间的推移在类似的同年龄的人。个人疾病的发病率是个体的数量。为了方便计算和用户交互,本文选择一些类似的人口和准确设置流行率。根据年龄相仿的年龄群体,用户发生期的预测结果表达。结果如下:今年疾病的概率是23%,和疾病的概率是47%在两到五年,五到十年。生病的概率是20%,10年之内不生病的概率是10%。为了验证结果的准确性,本文选择100个测试属性来预测和分析这种方法。实验结果表明,准确率达到91.34%,而在错误的情况下预测结果,平均偏差时间不到一年。

4所示。结论

框架提出了将存储用户敏感信息的计算和存储在云端,将训练模型参数存储在边缘节点,确保存储的敏感数据和公共数据分开。强大的计算能力的云是用来保护用户的隐私和数据安全。同时,利用智能手机的概念提出了边缘节点。手臂TrustZone和OP-TEE开源项目是用来保护边缘节点的安全性。在不增加的基础上边缘节点的计算能力和确保高时效性的平台,用户的隐私数据的安全是保证在最大的程度上。

数据可用性

论文的数据为科学研究提供的合作项目。

的利益冲突

作者宣称没有利益冲突。

引用

1. h·莫拉·d·吉尔,r . m . Terol j . Azorin和j·西曼斯基,“一个IoT-based计算框架,用于医疗监测在移动环境中,“传感器,17卷,不。10,2302年,页2017。视图:出版商的网站|谷歌学术搜索
2. j . Vilaplana f . Solsona f . Abella et al .,“H-PC:云计算对高血压患者的监管工具,”《华尔街日报》的超级计算,卷71,不。2、591 - 612年,2014页。视图:出版商的网站|谷歌学术搜索
3. m·h·A·哈克,j . p . Li Memon, s .纳齐尔和r .太阳,“混合智能系统框架,使用机器学习算法的预测心脏病,”移动信息系统卷,2018篇文章ID 3860146, 21页,2018。视图:出版商的网站|谷歌学术搜索
4. h·A·艾尔·哈米德,s·m·m·拉赫曼·m·s·侯赛因,A . Almogren和A . Alamri“保护隐私的安全模型医学大数据在医疗使用雾云计算设施与双线性密码”IEEE访问5卷,第22328 - 22313页,2017年。视图:出版商的网站|谷歌学术搜索
5. a . h . Celdran f·j·g·克莱门特,j . Weimer et al .,“冰+ +:改善安全、QoS和高可用性的医疗cyber-physical系统通过移动边计算,”学报2018年IEEE 20国际会议e-Health网络、应用程序和服务(Healthcom)斯特拉瓦,页1 - 8,IEEE,捷克共和国,2018年9月。视图:出版商的网站|谷歌学术搜索
6. p·h·阮、美国阿里和t .曰,“基于模型的安全工程cyber-physical系统:一个系统的映射研究中,“信息与软件技术卷,83年,第135 - 116页,2017年。视图:出版商的网站|谷歌学术搜索
7. l .方c .阴l .周y, c . Su和j .夏”的生理和行为特征的身份验证方案医疗云基于模糊粗糙核向量机”信息科学卷,507年,第160 - 143页,2020年。视图:出版商的网站|谷歌学术搜索
8. o . Kocabas和t . Soyata医疗云计算使用同态加密,保护隐私”虚拟和移动医疗美国好时,IGI全球2020人。视图:出版商的网站|谷歌学术搜索
9. a . Celesti m法齐奥,a . Galletta卡尼维尔l . j .湾和m·维拉里”的方法对于混合cloud-edge的安全管理环境,”未来一代计算机系统卷,90 - 2019页。视图:出版商的网站|谷歌学术搜索
10. m·拉赫曼n . Javaid m . Awais m·伊姆兰和n .岬角”基于云安全服务提供使用区块链神往,”学报2019年IEEE全球通讯大会(GLOBECOM),页1 - 7、IEEE Waikoloa,嗨,美国,2019年12月。视图:出版商的网站|谷歌学术搜索
11. Verma p和s . k . Sood“围绕云计算设计的基础疾病诊断医疗物联网框架,”杂志的并行和分布式计算卷。116年,27-38,2018页。视图:出版商的网站|谷歌学术搜索
12. p·p·雷”,了解物联网的角色转向智能e-healthcare服务,“生物医学研究,28卷,不。4、1604 - 1609年,2017页。视图:谷歌学术搜索
13. b . p . l . Lo h Ip, G.-Z。杨,“改变卫生保健:身体传感器网络,衣物,和互联网的事情,”IEEE脉冲,7卷,不。1,4 - 8人,2016页。视图:出版商的网站|谷歌学术搜索
14. m·奥尼尔“不安全设计:今天的物联网设备的安全问题,”工程,卷2,不。1、49、2016页。视图:出版商的网站|谷歌学术搜索
15. j .玉木k .黄平君o·阿里亚斯,联合。Sadeghi y金,“安全分析消费品和工业物联网设备,”亚洲和南太平洋学报2016年21设计自动化会议(ASP-DAC)IEEE,页519 - 524年,澳门,中国,2016年1月。视图:出版商的网站|谷歌学术搜索
16. k .沙r . Errabelly w·魏,t·安德鲁·杨和z . Wang”Edgesec:设计一个边缘层安全服务来加强物联网安全,”学报2017年IEEE 1雾和边缘计算国际会议(ICFEC)IEEE,页81 - 88年,马德里,西班牙,2017年5月。视图:出版商的网站|谷歌学术搜索
17. x y, y, c . Liu, j . Yu和w . Lv,“边缘计算安全:最先进的和挑战,”IEEE学报》,卷107,不。8,1608 - 1631年,2019页。视图:出版商的网站|谷歌学术搜索
18. r·刘和m·斯利瓦斯塔瓦”PROTC:通过手臂trustzone保护无人机的外围设备,”学报》2017年第3研讨会微型飞行器网络,系统和应用程序,页1 - 6,尼亚加拉大瀑布,纽约,美国,2017年6月。视图:出版商的网站|谷歌学术搜索
19. m . Gentilal p·马丁斯,l·苏萨,“TrustZone-backed比特币钱包,”学报》2017年第四次研讨会密码学和计算机系统的安全2017年1月,页25 - 28,斯德哥尔摩瑞典,。视图:出版商的网站|谷歌学术搜索
20. d·达斯古普塔,a·罗伊和唠叨,“多因素身份验证,”印孚瑟斯科学基金会系列施普林格,可汗,瑞士,2017。视图:出版商的网站|谷歌学术搜索
21. d·m·t·Ting o·侯赛因,g . Laroche”系统和多因素身份验证的方法,“2015年,9118656年美国专利。视图:谷歌学术搜索
22. m . Satyanarayanan“边缘计算的出现,”电脑,50卷,不。1 - 39,2017页。视图:出版商的网站|谷歌学术搜索
23. w·史,j .曹问:张先生,y,和l .徐“边缘计算:愿景和挑战,”IEEE物联网,3卷,不。5,637 - 646年,2016页。视图:出版商的网站|谷歌学术搜索
24. n .阿巴斯y, a Taherkordi, t . Skeie“移动边缘计算:一项调查,”IEEE物联网,5卷,不。1,第454 - 450页,2017。视图:出版商的网站|谷歌学术搜索
25. j . Armington和p . Ho”健壮的安全应用程序环境的多因素身份验证”,2003年,美国专利10/086,123。视图:谷歌学术搜索
26. f·汉,j·胡,x, y,“指纹图像加密通过multi-scroll混沌吸引子,”应用数学和计算,卷185,不。2、931 - 939年,2007页。视图:出版商的网站|谷歌学术搜索
27. h·陈和h·陈,“小说的指纹加密算法使用minutiae-based转换,“模式识别的字母,32卷,不。2、305 - 309年,2011页。视图:出版商的网站|谷歌学术搜索
28. 通用汽车Pes、f . Cocco s Bibbo g .马拉和m·p·多尔“癌症人口在社会经济转型:时间趋势age-period-cohort分析结果,“国际公共卫生杂志》上,卷62,不。3、407 - 414年,2017页。视图:出版商的网站|谷歌学术搜索
29. 李z l·温j .刘et al .,“雾和云计算辅助物联网模型基于个人应急监测和疾病预测服务,“计算和信息39卷,2020。视图:谷歌学术搜索
30. s . Gayathri m .玛丽Metilda, Sanjai先生,”一个共享近邻密度聚类方法基于玛法集群高维度数据,”印度科学和技术杂志》上,8卷,不。22日,1 - 6,2015页。视图:出版商的网站|谷歌学术搜索
31. Maulik和s . Bandyopadhyay“遗传算法聚类技术,”模式识别,33卷,不。9日,第1465 - 1455页,2000年。视图:出版商的网站|谷歌学术搜索
32. Mof.gov.cn。(2019)。金融新闻。(在线)可以在:http://www.mof.gov.cn/zhengwuxinxi/caizhengxinwen/。

版权

版权©2021 JiMin刘et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。