CN110830292B - 面向医疗大数据的云雾混合路径确定方法 - Google Patents

面向医疗大数据的云雾混合路径确定方法 Download PDF

Info

Publication number
CN110830292B
CN110830292B CN201911057968.7A CN201911057968A CN110830292B CN 110830292 B CN110830292 B CN 110830292B CN 201911057968 A CN201911057968 A CN 201911057968A CN 110830292 B CN110830292 B CN 110830292B
Authority
CN
China
Prior art keywords
node
task
dag
particle
nodes
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911057968.7A
Other languages
English (en)
Other versions
CN110830292A (zh
Inventor
任智源
付振坤
程文驰
陈晨
张海林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201911057968.7A priority Critical patent/CN110830292B/zh
Publication of CN110830292A publication Critical patent/CN110830292A/zh
Application granted granted Critical
Publication of CN110830292B publication Critical patent/CN110830292B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/04—Network management architectures or arrangements
    • H04L41/044—Network management architectures or arrangements comprising hierarchical management structures
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/08—Configuration management of networks or network elements
    • H04L41/0803—Configuration setting
    • H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/12—Discovery or management of network topologies
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
    • H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种面向医疗大数据的云雾混合路径确定方法，主要解决传统云中心式的医疗大数据处理模式存在的通信高负荷及任务处理时延高的问题。其方案是：将医疗大数据任务构建为由多个具有明确输入输出关系的子任务节点所组成的有向无环图；通过一种云雾混合网络架构，利用医院中的交换机、路由器这些网络设备组成雾计算层，在端到端的定向数据传输过程中利用雾节点的计算能力逐步完成医疗大数据任务计算；设置路径计算映射规则，将有向无环图形式的大数据映射至医院雾网络拓扑图，为任务数据寻找一条最优的映射路径。本发明有效降低了医疗大数据的任务处理时延，保障了医生的工作效率，可用于面向医疗大数据的医疗管理和疾病的早期预警。

Description

面向医疗大数据的云雾混合路径确定方法
技术领域
本发明涉及通信技术领域，特别具体涉及一种云雾混合路径的确定方法，可用于面向医疗大数据的医疗管理和疾病的早期预警。
背景技术
近年来，随着我国医疗卫生领域信息化程度的稳步提升，医疗大数据凭借其大容量、高价值、快增长及多样化的特点，在流行病预测、健康管理及精准诊疗等领域呈现了极大的价值，同时对提升医疗服务质量，提高医生诊断效率有着极大的促进作用。2008年，谷歌曾通过分析检索词汇建立特定的数据模型，成功地预测到甲型H1N1流感暴发。2014年，美国研发出一款监测癫痫发作的智能手表，可通过机器学习来识别惊厥性癫痫发作，有效提升了癫痫病的救治成功率。与此同时，斯坦福大学建立的数据库Hivdb，可在患者测序后通过比对发现基因的抗药性突变，针对性地提供艾滋病治疗方案。此外，现阶段，各国均已认识到医疗大数据作为国家基础性战略资源的重要性，各国政府争相抢占医疗大数据研究的前沿阵地。2016年，我国政府在卫计委牵头下，大力推进国家基因库的建设，落实“1+5+X”健康医疗大数据规划；与此同时，美国已拥有完整的医疗健康大数据库，覆盖本土多个区域电子病历数据中心及医疗知识中心；此外，英国投入巨资建设全国一体化医疗照护信息存储服务系统。
综上所述，医疗大数据研究对改善人们就医质量、提高人们幸福指数具有极其重要的意义，是现代医学发展中不可或缺的部分。随着医疗大数据的规模迅速增长，用于支撑医学影像分析、临床辅助决策等应用的数据分析复杂度不断攀升，这不仅对系统处理速度和硬件基础设施的计算和存储能力提出了更高的要求，更需要提升计算技术对大数据应用的支撑能力。
目前，云计算凭借其强大的计算和存储能力已经发展成为主流的医疗大数据分析处理支撑平台，医疗检测设备将收集到的病理数据上传至云端的高性能计算中心进行分析处理。但是，由于传统云端数据处理中心要对所有原始数据进行分析处理，云服务器需要承担巨大的计算和存储负荷；此外，海量数据需要在医疗检测设备、云服务器和用户三者之间频繁传输，这无疑会给基础通信设施带来巨大的通信压力，因此，整个大数据处理系统的鲁棒性较差，故障概率高。同时，云端与医院本地终端之间的远距离数据交互过程也会产生较高的数据传输时延，拉低了医生诊断效率，增加了患者等待时间，患者的就诊体验无法得到保障。因此，很需要对大数据分析处理过程的通信和计算模式重新设计。
为了解决传统的云中心式的大数据处理模式存在的上述问题，路径计算技术被引入到了医疗大数据中。基于路径计算技术充分利用中间网络节点闲置的计算能力，在进行端到端数据传输的同时完成医疗大数据任务计算，旨在克服云中心式的大数据处理模式存在的鲁棒性差及时延高的弊病。关于路径计算的早期研究工作主要是在带噪广播网络中计算特定数学函数所需数据量的渐近性分析。随后，为了优化通信网的路径计算速率，研究者们将计算任务图与网络拓扑图之间的映射关系视为新的研究重点。
Virag等人在论文《Network Flows for Function Computation[J].IEEEJournal on Selected Areas in Communications,2013,31(4):714-730.》中构建了一个线性规划问题，研究网络中的数据流路由方案来最大化通信网的路径计算速率，但其数学模型限定任务表示形式只能为由若干子任务组成的计算树，无法适用于大多数的大数据任务处理过程；Samta等人在论文《Fast arbitrary function computation over awireless network:A linear programming[C].IEEE Wireless Communications andNetworking Conference(WCNC).2015:2091-2096.》中，针对任务只能表示形式为计算树的不足之处，研究了当任务表示形式为若干子任务组成的有向无环图时的路径计算速率优化问题，并提出了一种启发式算法来求解所构建优化问题，但其并未考虑通信节点的计算能力限制问题。
目前，在路径计算理论的实际应用方面，Dejan等人在论文《Network functioncomputation as a service in future 5G machine type communications[C].9thInternational Symposium on Turbo Codes and Iterative Information Processing(ISTC).IEEE,2016:365-369.》中，提出基于软件定义网络和网络功能虚拟化技术的MTC-NFC架构，该架构在原有3GPP的架构MTC基础上增加了网络函数计算NFC服务，并将随机线性网络编码RLNC开发为MTC-NFC架构一个服务实例。此外，Nichoas等人在《A neural-network-based realization of in-network computation for the Internet ofThings[C].2017IEEE International Conference on Communications(ICC),2017:1-6.》中，提出了一个基于物联网的神经网络计算框架，将神经网络的神经元运算映射至物联网节点上完成，并利用物联网设备的通信过程实现神经元之间的数据传递，减少了传输时延。但是该框架并没有考虑每个节点设备在计算、通信、存储等方面的复杂度问题，而且它的无线通信机制存在不可靠性的问题。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种面向医疗大数据的云雾混合路径确定方法，以降低医疗大数据任务处理中的传输时延、减小计算复杂度、提高传输的可靠性。
本发明的技术思路是：通过研究一种云雾混合网络架构，充分利用医院中的交换机、路由器等网络边缘设备的计算能力，分步骤完成医疗大数据的计算任务；通过研究路径计算映射方案，将有向无环图DAG形式的大数据任务映射至医院的无向连通图UG网络中，并基于离散二值粒子群优化算法BPSO求解最优映射关系；通过不断比较更新粒子的局部最优和全局最优位置得到节点映射和对应边映射关系，进而确定出任务传输的最优路径。
根据上述思路，本发明的实现步骤包括如下：
(1)将高性能的服务器集群组成云计算层，将医院中的交换机、路由器这些网络边缘设备组成雾计算层，将诸多医疗检测设备与目标用户终端组成终端用户层，以形成医院的云雾混合网络；
(2)构建有向无环图，并确定子任务节点间的连通关系；
(2a)将医疗大数据任务分解为由多个具有明确输入输出关系的子任务节点所组成的有向无环图：DAG＝(Ω，Γ)，其中，Γ为DAG的边集合，Ω为DAG的节点集合，
Ω＝{w1,w2,...,ws,ws+1,...,wl-1,wl|s≥1,l＞s+1},w1,w2,...,ws为s个任务起点，
ws+1,...,wl-1为中间子任务处理节点，wl为任务终点；
(2b)定义φ↑(wi)＝{wj|(wj,wi)∈Γ,wi∈Ω,wi≠wj}为Ω中任一任务节点wi所对应的前向节点集合；
(3)构建无向连通图UG，并确定节点间的最短通路；
(3a)将医院的雾计算层网络表示成无向连通图UG＝(V,E)，其中，E为UG的边集合，V＝{v1,v2,...,vs,vs+1,...,vt-1,vt|s≥1,t＞s+1}为UG的节点集合，v1,v2,...,vs为s个实际的数据源节点，即医疗检测设备的直连网络节点，vt为目标用户的直连网络节点；
(3b)对于任意节点对vi,vj∈V，定义
Figure GDA0003045036040000031
为从节点vi传输单位数据量至节点vj的最短时延，
Figure GDA0003045036040000041
为从节点vi传输单位数据量至节点vj的最短通路，定义
Figure GDA0003045036040000042
为UG中所有节点对的最短通路集合；
(4)设置节点映射规则和对应边映射规则，定义DAG中的子任务节点wi与UG中的网络节点vq的映射关系式为:
Figure GDA0003045036040000043
当
Figure GDA0003045036040000044
时，子任务节点wi被映射为网络节点vq；当
Figure GDA0003045036040000045
时，子任务节点wi不会被映射为网络节点vq；
(5)基于(4)的映射规则，将DAG中的所有子任务节点集合Ω和边集合Γ映射到UG中的网络节点集合V和最短通路集合P：
如果
Figure GDA0003045036040000046
表示DAG中的子任务节点wi被映射为UG中的网络节点vq，则定义子任务节点wi在网络节点vq处的计算时延为Tc(wi)；
如果DAG中的有向边(wj,wi)被映射为UG中的最短通路
Figure GDA0003045036040000047
则定义DAG中的子任务节点wi的前向节点wj到wi的数据传输时延为
Figure GDA0003045036040000048
(6)将任务起点w1,w2,...,ws的计算时延限制为0，则定义DAG中的总任务在进行到子任务节点wi时的累积时延为：
Figure GDA0003045036040000049
其中，T(wj)为子任务节点wi中前向节点wj的累积时延，Tc(wi)为子任务节点wi的计算时延，
Figure GDA00030450360400000410
为前向节点wj到子任务节点wi的数据传输时延；
(7)定义DAG中的总任务处理时延为T(G)，则根据式<2>，得到T(G)为DAG中任务终点wl的处理时延：
T(G)＝T(wl) <3>
(8)将DAG中所有任务节点与UG中所有网络节点的映射关系构成一个l×t维的向量X：
Figure GDA00030450360400000411
(9)基于(4)的映射规则，得到一个满足映射规则的映射关系向量X的集合：
S＝{X(1),X(2),...,X(i),...X(M)} <5>
其中，X(i)表示第i个映射关系向量X，i∈{1,...,M}，M为映射关系向量X的总数；
(10)基于BPSO算法在式<5>中求出一条最优的节点映射关系向量Xb＝min{S}，根据Xb得到DAG到UG的节点映射关系B和边映射关系C，根据节点映射关系B和边映射关系C得出任务传输的最优路径。
本发明的有益之处在于：
1.本发明将DAG形式的大数据任务进行分解并映射到UG形式的医院雾计算层网络中，在数据传输的同时完成计算任务，有效降低了医疗大数据任务的处理时延，保障了医生的工作效率，减少了患者看病的等待时间；
2.本发明将大数据任务在网络节点传输过程中逐步计算完成，缓解了云服务器的压力，并且大多数网络节点无需转发全部的原始数据，大大减少了任务处理过程中的通信开销，增强了网络的鲁棒性，降低了设备故障概率。
附图说明
图1是本发明的实现流程图；
图2是本发明中形成的云雾混合架构图；
图3是本发明中构建的有向无环图；
图4是本发明中构建的无向连通图；
图5是本发明中云计算与路径计算技术的大数据任务处理时延对比仿真图。
具体实施方式
以下结合附图对本发明的具体实施例和效果做详细描述。
参照图1，本实例的实现步骤如下：
步骤1，形成医院的云雾混合网络。
参照图2，本实施例形成的医院云雾混合网络整体架构分为三层：云计算层、雾计算层、终端用户层，其中：
云计算层由高性能的服务器集群组成，对外表现为大数据处理中心，具备完整的数据分析工具，该层凭借其强大的计算、存储能力及完备的计算服务资源池支撑着种类繁多的医疗大数据应用；
雾计算层由医院中的交换机、路由器这些网络边缘设备组成，一方面为终端用户层的医疗设备和用户提供网络接入通道，并负责整个雾网络中数据转发；另一方面，通过主动缓存的方式从云计算层拉取大数据任务计算服务至本地，承担部分大数据任务的计算工作；
终端用户层由诸多医疗检测设备与目标用户终端组成，并通过雾计算层中的网络设备接入网络。其中，医疗检测设备是医疗大数据应用的数据来源，医生与其他用户则可以通过雾计算与云计算层获取相应的大数据计算服务。
基于上述架构，医疗大数据无需传输至云端进行处理，而是通过医院的雾网络直接发送给目标用户，利用数据传输路径上预先缓存好的计算服务逐步完成大数据任务计算，目标用户获取到的数据即为病理分析结果。雾计算层将原来云端的大数据任务处理过程迁移至网络边缘设备上，在卸载云端计算负荷的同时降低数据传输时延，可以在短时间内向医生提供可靠的诊疗参考结果，减少患者的等待时间。此外，由于大数据任务是在数据传输过程中被逐步计算完成的，大多数网络节点无需转发全部的原始数据，大大减少了任务处理过程中的通信开销，增强了网络的鲁棒性，医生的工作效率得以保障。
步骤2，将医疗大数据任务分解为一个有向无环图DAG。
用离散子任务组成的有向无环图DAG＝(Ω，Γ)表示医疗大数据任务模型，其中，Γ为DAG的边集合，Ω为DAG的节点集合，Ω＝{w1,w2,...,ws,ws+1,...,wl-1,wl|s≥1,l＞s+1}，w1,w2,...,ws为s个任务起点，ws+1,...,wl-1为中间子任务处理节点，wl为任务终点；
定义φ↑(wi)＝{wj|(wj,wi)∈Γ,wi∈Ω,wi≠wj}为Ω中任一任务节点wi所对应的前向节点wj集合，由于DAG形式的医疗大数据任务中可能存在多个并行计算的任务处理过程，所以假设图DAG由多个任务分支组成，每个任务分支均由若干出度为1的子任务节点串行组成，代表多个同时进行的任务处理过程。
参考图3，本实施例仿真采用的DAG图包含1个任务起点w1，1个任务终点w7，5个中间子任务处理节点w2、w3、w4、w5及w6，将由子任务w1、w3、w5、w6及w7串行组成的任务分支记为任务分支1，将由子任务w1、w2、w4、w6及w7串行组成的任务分支记为任务分支2。
步骤3，将云雾混合网络中的雾计算层构成一个无向连通图UG。
用无向连通图UG＝(V,E)表示医院雾计算层的网络拓扑图，其中，E为UG的边集合，V＝{v1,v2,...,vs,vs+1,...,vt-1,vt|s≥1,t＞s+1}为UG的节点集合，v1,v2,...,vs为s个实际的数据源节点，即医疗检测设备的直连网络节点，vt为目标用户的直连网络节点；
对于图UG，假设边集合E的每条无向边均支持双向数据传输，且节点集合V中任意两节点间至少存在一条连接通路；
对于任意节点对vi,vj∈V，定义
Figure GDA0003045036040000071
为从节点vi传输单位数据量至节点vj的最短时延，
Figure GDA0003045036040000072
为从节点vi传输单位数据量至节点vj的最短通路，定义
Figure GDA0003045036040000073
为UG中所有节点对的最短通路集合；将图UG的网络边数据传输速率与节点连接关系作为参数，通过Dijskra算法求得其最短时延
Figure GDA0003045036040000074
与最短通路
Figure GDA0003045036040000075
参考图4，本实施例仿真采用的UG图，包含1个数据源节点v1，1个任务目的节点v12，10个中间网络节点v2,v3...,v11。
步骤4，设置图DAG到图UG的映射规则。
(4.1)将DAG的节点结合Ω中的任务起点w1,w2,...,ws依次映射为UG的节点集合V中的数据源节点v1,v2,...,vs；
(4.2)将DAG的节点集合Ω中的任务终点wl映射为UG的节点集合V中的节点vt；
(4.3)将DAG的节点集合Ω中的中间子任务处理节点ws+1,...,wl-1映射为UG的节点集合V的子集{vs+1,...,vt-1}中的任意节点；
(4.4)定义DAG中的子任务节点wi与UG中的网络节点vq的映射关系式为:
Figure GDA0003045036040000076
当
Figure GDA0003045036040000077
时，子任务节点wi被映射为网络节点vq；当
Figure GDA0003045036040000078
时，子任务节点wi不会被映射为网络节点vq；
仿真预先将DAG中的任务起点w1映射至UG中的数据源v1，将任务终点w7映射至任务目的节点v12。
步骤5，将图DAG到图UG的映射关系建模为一个二值优化问题。
(5.1)确定图DAG的总任务处理时延T(G)。
(5.1.1)定义DAG中的总任务G在进行到子任务节点ωi时的累积时延为：
Figure GDA0003045036040000079
其中，T(wj)为子任务节点wi的前向节点wj的累积时延，Tc(wi)为子任务节点wi的计算时延，
Figure GDA00030450360400000710
为前向节点wj到子任务节点wi的数据传输时延；
(5.1.2)计算网络节点B(wi)完成子任务wi所耗费的计算时延Tc(wi):
Figure GDA0003045036040000081
其中，
Figure GDA0003045036040000082
为此次映射中节点B(wi)所需计算的数据量，
Figure GDA0003045036040000083
为网络节点B(wi)的计算能力，α为任务计算复杂度系数；
(5.1.3)计算数据的传输时延
Figure GDA0003045036040000084
Figure GDA0003045036040000085
其中，
Figure GDA0003045036040000086
为此次映射关系中网络通路
Figure GDA0003045036040000087
所需传输的数据量，
Figure GDA0003045036040000088
为传输单位数据量最短时延；
(5.1.4)基于映射规则，将式<2>表示的子任务节点wi的累积时延用下式表示：
Figure GDA0003045036040000089
(5.1.5)图DAG的总任务处理时延就是任务终点的处理时延：
T(G)＝T(wl)<6>
(5.2)用所有子任务节点与网络节点的映射关系构成一个l×t维的向量：
Figure GDA00030450360400000810
(5.3)根据最终任务处理时延T(wl)只受节点映射关系向量X影响的因素，将总任务处理时延T(G)表示为X的函数，即：
T(G)＝F(X) <7>
其中，F(X)表示在映射关系为X时总任务的处理时延。
对于相同的图DAG与图UG，存在多种映射关系同时满足映射规则，当图DAG依据不同的映射关系映射至图UG后会在图UG中形成不同的任务计算路径，进而导致不同的任务处理时延，因此可根据总任务处理时T(G)和映射关系向量X的关系构建出一个时延最小的二值优化模型如式<8>所示：
X＝arg min(F(X))
其约束条件如下：
Figure GDA0003045036040000091
其中，
Figure GDA0003045036040000092
表示DAG中的子任务节点wp映射为UG中的网络节点vq，
Figure GDA0003045036040000093
表示DAG中的子任务节点wp不能映射为UG中的网络节点vq，T(wp)＝0,
Figure GDA0003045036040000097
表示DAG中的所有任务起点的累积时延为0。通过优化图DAG到图UG的映射关系，可达到降低任务处理时延的目的。
步骤6，使用BPSO算法求解二值优化模型，得到最优映射关系向量Xb，从而确定出最终传输路径。
BPSO算法是一种基于群体智能的全局随机启发式搜索算法，粒子通过跟踪局部最优和全局最优位置来更新下次迭代过程中的位置。与传统的粒子群算法不同，BPSO算法的优化对象不是连续实值问题，而是离散空间的约束问题，算法将粒子位置的每一维限制为0或1，适用于式<8>的二值优化问题，具体而言，BPSO算法将粒子及粒子的局部最优、全局最优位置的每一维限制为0或1，将粒子更新速度限制在[-1，1]之间，其实现如下：
(6.1)粒子群
Figure GDA0003045036040000098
在搜索空间I内移动，其中，M为粒子群规模，n∈{1,2,...,N}为迭代次数，N为最大迭代次数，Xn(i)为粒子i在第n次迭代中的位置；
(6.2)在每次迭代过程中，粒子i通过跟踪局部最优和全局最优位置来更新自身速度与位置，将粒子i在第n次迭代中的速度更新为：
Figure GDA0003045036040000094
其中，
Figure GDA0003045036040000095
和
Figure GDA0003045036040000096
分别为在第n-1次迭代中粒子i的局部最优适应度值和粒子群的全局最优适应度值，ρ为惯性权重，γ1、γ2为两个数值不同的加速因子，β1和β2为均匀分布于区间[0,1]的2个不同的随机数；
(6.3)将粒子i在第n次迭代中的位置更新为：
Xn(i)＝Xn-1(i)+Vn(i) <10>
(6.4)将粒子i的适应度值记为粒子i的总任务处理时延Ti(G)：
F(X(i))＝Ti(G) <11>
(6.5)初始化：设置粒子群规模M，最大迭代次数N，惯性权重ρ，2个加速因子γ1、γ2，设置粒子群中每个粒子i的初始位置X0(i)和初始速度V0(i)，设置粒子i的局部最优适应度值pt(i)和粒子群的全局最优适应度值gt(i)；
(6.6)比较粒子i的适应度值F(X(i))和粒子i的局部最优适应度值pt(i):
如果F(X(i))＜pt(i)，则将当前粒子i的局部最优位置设为
Figure GDA0003045036040000101
否则，当前粒子i的局部最优位置保持不变；
(6.7)比较粒子i的局部最优适应度值pt(i)和粒子群的全局最优适应度值gt(i):
如果pt(i)＜gt(i)，则将粒子群的全局最优位置设为
Figure GDA0003045036040000102
否则，粒子群的全局最优位置保持不变；
(6.8)对粒子群中的M个粒子都进行(6.6)-(6.7)的操作；
(6.9)重复进行(6.6)-(6.8)操作共N次，最后通过粒子群的全局最优位置
Figure GDA0003045036040000103
得到最优映射关系向量Xb，从最优映射关系向量确定出图DAG到图UG的节点映射关系B和对应边映射关系C，从而得到医疗大数据的传输路径。
本发明的效果可通过以下仿真进一步说明
1.仿真条件
仿真平台采用MATLAB，实验计算机CPU为AMD A8-5550M，内存为4GB。仿真所用参数均参照文献《Hassan M A,Xiao M,Wei Q,et al.Help your mobile applications withfog computing[C].IEEE International Conference on Sensing.IEEE,2015.》、《Olga
Figure GDA0003045036040000104
Pascual-Iserte A,Vidal J.Optimization of Radio and ComputationalResources for Energy Efficiency in Latency-Constrained Application Offloading[J].IEEE Transactions on Vehicular Technology,2014,64(10):4738-4755》、《Thinh TQ,Tang J,La Q D,et al.Offloading in Mobile Edge Computing:Task Allocation andComputational Frequency Scaling[J].IEEE Transactions on Communications,2017:1-1》设置，包括云服务器计算能力pc＝10GHz，云雾链路的数据传输速率rc范围[1,5]GHz，雾节点的计算能力pfog＝5Mbps，雾链路的数据传输速率rfog范围[10，20]GHz，子任务的平均任务计算复杂度系数α0＝1900/8。BPSO算法的基本参数为：种群规模M＝500，最大迭代次数N＝1000，加速因子γ1＝γ2＝1，惯性权重ρ＝1.5。
2.仿真内容
用本发明仿真比较不同任务量衰减系数η下的云计算技术与路径计算技术的大数据任务处理时延，结果如图5所示。
从图5可见，当大数据任务模型采用同样的任务量衰减系数η，且任务数据处于较小规模时，云计算技术的处理时延与路径计算技术的处理时延相差甚微；随着任务数据量不断增加，云计算的节点计算时延缓慢增长，但其链路时延却显著提高，同时，路径计算的节点计算时延与链路均保持平缓增长，所以路径计算技术的总处理时延优于云计算技术的总处理时延。
综上所述，相比云计算技术，路径计算技术能够有效降低DAG形式的医疗大数据任务处理时延，且当任务量衰减系数η较小时，路径计算技术更易发挥其时延性能优势。
需要说明的是，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (4)

1.一种面向医疗大数据的云雾混合路径确定方法，其特征在于，包括如下：
(1)将高性能的服务器集群组成云计算层，将医院中的交换机、路由器这些网络边缘设备组成雾计算层，将诸多医疗检测设备与目标用户终端组成终端用户层，以形成医院的云雾混合网络；
(2)构建有向无环图，并确定子任务节点间的连通关系；
(2a)将医疗大数据任务分解为由多个具有明确输入输出关系的子任务节点所组成的有向无环图：DAG＝(ΩQΓ)，其中，Γ为DAG的边集合，Ω为DAG的节点集合，
Ω＝{w1,w2,...,ws,ws+1,...,wl-1,wl|s≥1,l＞s+1},w1,w2,...,ws为s个任务起点，
ws+1,...,wl-1为中间子任务处理节点，wl为任务终点；
(2b)定义φ↑(wi)＝{wj|(wj,wi)∈Γ,wi∈Ω,wi≠wj}为Ω中任一任务节点wi所对应的前向节点集合；
(3)构建无向连通图UG，并确定节点间的最短通路；
(3a)将医院的雾计算层网络表示成无向连通图UG＝(V,E)，其中，E为UG的边集合， V＝{v1,v2,...,vs,vs+1,...,vt-1,vt|s≥1,t＞s+1}为UG的节点集合，v1,v2,...,vs为s个实际的数据源节点，即医疗检测设备的直连网络节点，vt为目标用户的直连网络节点；
(3b)对于任意节点对vi,vj∈V，定义
Figure FDA0002257049640000011
为从节点vi传输单位数据量至节点vj的最短时延，
Figure FDA0002257049640000012
为从节点vi传输单位数据量至节点vj的最短通路，定义
Figure FDA0002257049640000013
为UG中所有节点对的最短通路集合；
(4)设置节点映射规则和对应边映射规则，定义DAG中的子任务节点wi与UG中的网络节点vq的映射关系式为:
Figure FDA0002257049640000014
当
Figure FDA0002257049640000015
时，子任务节点wi被映射为网络节点vq；当
Figure FDA0002257049640000016
时，子任务节点wi不会被映射为网络节点vq；
(5)基于(4)的映射规则，将DAG中的所有子任务节点集合Ω和边集合Γ映射到UG中的网络节点集合V和最短通路集合P：
如果
Figure FDA0002257049640000021
表示DAG中的子任务节点wi被映射为UG中的网络节点vq，则定义子任务节点wi在网络节点vq处的计算时延为Tc(wi)；
如果DAG中的有向边(wj,wi)被映射为UG中的最短通路
Figure FDA0002257049640000022
则定义DAG中的子任务节点wi的前向节点wj到wi的数据传输时延为
Figure FDA0002257049640000023
(6)将任务起点w1,w2,...,ws的计算时延限制为0，则定义DAG中的总任务在进行到子任务节点wi时的累积时延为：
Figure FDA0002257049640000024
其中，T(wj)为子任务节点wi中前向节点wj的累积时延，Tc(wi)为子任务节点wi的计算时延，
Figure FDA0002257049640000025
为前向节点wj到子任务节点wi的数据传输时延；
(7)定义DAG中的总任务处理时延为T(G)，则根据式<2>，得到T(G)为DAG中任务终点wl的处理时延：
T(G)＝T(wl) <3>
(8)将DAG中所有任务节点与UG中所有网络节点的映射关系构成一个l×t维的向量X：
Figure FDA0002257049640000026
(9)基于(4)的映射规则，得到一个满足映射规则的映射关系向量X的集合：
S＝{X(1),X(2),...,X(i),...X(M)} <5>
其中，X(i)表示第i个映射关系向量X，i∈{1,...,M}，M为映射关系向量X的总数；
(10)基于BPSO算法在式<5>中求出一条最优的节点映射关系向量Xb＝min{S}，根据Xb得到DAG到UG的节点映射关系B和边映射关系C，根据节点映射关系B和边映射关系C得出任务传输的最优路径。
2.根据权利要求1所述的方法，其特征在于，(4)中的节点映射规则，包括如下：
(4a)将DAG的节点集合Ω中的任务起点w1,w2,...,ws依次映射为UG的节点集合V中的数据源节点v1,v2,...,vs；
(4b)将DAG的节点集合Ω中的任务终点wl映射为UG的节点集合V中的节点vt；
(4c)将DAG的节点集合Ω中的中间子任务处理节点ws+1,...,wl-1映射为UG的节点集合V的子集{vs+1,...,vt-1}中的任意节点。
3.根据权利要求1所述的方法，其特征在于，(4)中的对应边映射规则是：将DAG的边集合Γ中的有向边(wi,wj)映射为UG中的节点Β(ωi)到节点Β(ωj)的最短通路
Figure FDA0002257049640000031
4.根据权利要求1所述的方法，其特征在于，(10)中基于BPSO算法在式<5>中求出一条最优的节点映射关系向量Xb，实现步骤如下：
(10a)搜索空间I内的粒子群为
Figure FDA0002257049640000032
其中，M为粒子群规模，n∈{1,2,...,N}为迭代次数，N为最大迭代次数，Xn(i)为粒子i在第n次迭代中的位置；
(10b)将粒子i在第n次迭代中的速度更新为：
Figure FDA0002257049640000033
其中，
Figure FDA0002257049640000034
和
Figure FDA0002257049640000035
分别为在第n-1次迭代中粒子i的局部最优适应度值和粒子群的全局最优适应度值，ρ为惯性权重，γ1、γ2为两个数值不同的加速因子，β1和β2为均匀分布于区间[0,1]的2个不同的随机数；
(10c)将粒子i在第n次迭代中的位置更新为：
Xn(i)＝Xn-1(i)+Vn(i) <7>
(10d)将粒子i的适应度值记为粒子i的总任务处理时延Ti(G)：
F(X(i))＝Ti(G) <8>
(10e)初始化：设置粒子群规模M，最大迭代次数N，惯性权重ρ，2个加速因子γ1、γ2，设置粒子群中每个粒子i的初始位置X0(i)和初始速度V0(i)，设置粒子i的局部最优适应度值pt(i)和粒子群的全局最优适应度值gt(i)；
(10f)比较粒子i的适应度值F(X(i))和粒子i的局部最优适应度值pt(i):
如果F(X(i))＜pt(i)，则将当前粒子i的局部最优位置设为
Figure FDA0002257049640000041
否则当前粒子i的局部最优位置保持不变；
(10g)比较粒子i的局部最优适应度值pt(i)和粒子群的全局最优适应度值gt(i):
如果pt(i)＜gt(i)，则将粒子群的全局最优位置设为
Figure FDA0002257049640000042
否则粒子群的全局最优位置保持不变；
(10h)对粒子群中的M个粒子都进行(10f)-(10g)的操作；
(10i)重复进行(10f)-(10h)共N次，最后通过粒子群的全局最优位置
Figure FDA0002257049640000043
得到最优映射关系向量Xb。
CN201911057968.7A 2019-11-01 2019-11-01 面向医疗大数据的云雾混合路径确定方法 Active CN110830292B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911057968.7A CN110830292B (zh) 2019-11-01 2019-11-01 面向医疗大数据的云雾混合路径确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911057968.7A CN110830292B (zh) 2019-11-01 2019-11-01 面向医疗大数据的云雾混合路径确定方法

Publications (2)

Publication Number Publication Date
CN110830292A CN110830292A (zh) 2020-02-21
CN110830292B true CN110830292B (zh) 2021-06-25

Family

ID=69552185

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911057968.7A Active CN110830292B (zh) 2019-11-01 2019-11-01 面向医疗大数据的云雾混合路径确定方法

Country Status (1)

Country Link
CN (1) CN110830292B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111884703B (zh) * 2020-06-19 2022-08-26 中国电子科技集团公司第五十四研究所 一种基于通信卫星间协同计算的业务请求分配方法
CN111817844B (zh) * 2020-07-20 2021-06-25 西安电子科技大学 一种应急场景下的双链路无线自组网及安全防御方法
CN115396495B (zh) * 2022-08-22 2023-12-12 上海交通大学 一种sdn-fog环境下工厂微服务体系的故障应对方法
CN117544513B (zh) * 2024-01-02 2024-04-02 杭州海康威视数字技术股份有限公司 基于雾资源的新型物联网定制化服务提供方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103200096A (zh) * 2013-03-13 2013-07-10 南京理工大学 一种复杂网络中避免关键节点的启发式路由方法
CN106101199A (zh) * 2016-06-02 2016-11-09 西安电子科技大学 一种基于sdn的云/雾混合网络架构
CN107343025A (zh) * 2017-06-07 2017-11-10 西安电子科技大学 分布式卫星云雾网络架构及能耗约束下的时延优化方法
CN109286528A (zh) * 2018-10-16 2019-01-29 四川长虹电器股份有限公司 一种基于时延的sdn网络多控制器部署方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160359664A1 (en) * 2015-06-08 2016-12-08 Cisco Technology, Inc. Virtualized things from physical objects for an internet of things integrated developer environment
CN107528887B (zh) * 2017-07-26 2020-10-16 广州云晫信息科技有限公司 一种基于融合统一计算的分布式云系统
CN108540538B (zh) * 2018-03-20 2021-01-26 西安电子科技大学 一种基于sdn的云雾结合物联网应用构建系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103200096A (zh) * 2013-03-13 2013-07-10 南京理工大学 一种复杂网络中避免关键节点的启发式路由方法
CN106101199A (zh) * 2016-06-02 2016-11-09 西安电子科技大学 一种基于sdn的云/雾混合网络架构
CN107343025A (zh) * 2017-06-07 2017-11-10 西安电子科技大学 分布式卫星云雾网络架构及能耗约束下的时延优化方法
CN109286528A (zh) * 2018-10-16 2019-01-29 四川长虹电器股份有限公司 一种基于时延的sdn网络多控制器部署方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
面向医疗大数据的云雾网络及其分布式计算方案;何秀丽 等;《西安交通大学学报》;20160721;全文 *

Also Published As

Publication number Publication date
CN110830292A (zh) 2020-02-21

Similar Documents

Publication Publication Date Title
CN110830292B (zh) 面向医疗大数据的云雾混合路径确定方法
Paul et al. Fog computing-based IoT for health monitoring system
CN112565331B (zh) 一种基于边缘计算的端-边协同联邦学习优化方法
EP4080416A1 (en) Adaptive search method and apparatus for neural network
WO2015196911A1 (zh) 数据挖掘方法和节点
WO2022063247A1 (zh) 神经网络结构搜索方法及装置
CN107430704A (zh) 基于与神经网络算法关联的元数据在神经突触基底上实现神经网络算法
CN113708969B (zh) 一种基于深度强化学习的云数据中心虚拟网络的协同嵌入方法
CN108986872B (zh) 用于大数据电子病历约简的多粒度属性权重Spark方法
CN108418858B (zh) 一种面向Geo-distributed云存储的数据副本放置方法
JP7285977B2 (ja) ニューラルネットワークトレーニング方法、装置、電子機器、媒体及びプログラム製品
Jiang et al. Fedmp: Federated learning through adaptive model pruning in heterogeneous edge computing
Yang Low-latency cloud-fog network architecture and its load balancing strategy for medical big data
CN114639483A (zh) 一种基于图神经网络的电子病历检索方法及装置
Bebortta et al. Deepmist: Towards deep learning assisted mist computing framework for managing healthcare big data
Aoudia et al. A multi-population genetic algorithm for adaptive QoS-aware service composition in fog-IoT healthcare environment.
CN116112563A (zh) 一种基于流行度预测的双策略自适应缓存替换方法
Jiang et al. Computation and communication efficient federated learning with adaptive model pruning
WO2024067373A1 (zh) 一种数据处理方法及相关装置
Liu et al. High-order line graphs of non-uniform hypergraphs: Algorithms, applications, and experimental analysis
WO2023143570A1 (zh) 一种连接关系预测方法及相关设备
Ranbirsingh et al. Distributed neural networks using tensorflow over multicore and many-core systems
CN110851268A (zh) 一种基于拥塞博弈的边缘调度优化方法
Sakellariou et al. An FPGA accelerator for spiking neural network simulation and training
CN115907041A (zh) 一种模型训练方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant