文丨五年宝

编辑丨五年宝

前言

医疗保健被认为是物联网最重要的应用之一，在许多国家，人口老龄化和慢性病的增加给医疗保健系统带来了重大挑战。

挑战包括传统医院和诊所住院护理的高昂成本，以及医院手动管理和维护患者健康数据、病史、诊断、药物和计费所浪费的时间。

不光如此，由于手工处理而发生的人为错误会影响患者的生命，所以需要在医院外、患者的环境中或任何地方监测患者的健康状况。

而物联网(IoT)技术可以克服这些挑战，物联网系统由传感器和电路组成，能够从任何对象收集数据、处理、存储和通过网络传输。

使用物联网进行远程患者监护(IoT-RPM)除了用于检测急性医疗状况并实时生成警报之外，还可以监控慢性病。

而IoT-RPM使患者能够通过智能手机、智能汽车等物联网移动设备自我管理疾病、远程获得护理以及在紧急情况下获得帮助，Kalid之后介绍了远程医疗实时远程健康监测系统的概述。

物联网对云数据以及医疗服务的影响

根据loT-RPM系统利用云环境，其中物联网生成大量数据，这些数据可能会压垮存储系统和数据分析应用程序，因为物联网事物限制了计算和存储资源的能力。

而云计算环境以其无限的处理、存储和虚拟资源能力可以帮助解决这个问题，美国国家标准与技术研究院做出了实验。

他们将云计算定义为一种能够通过无处不在、方便、按需的网络方式访问可配置计算资源共享池，比如说网络、服务器、存储、应用程序和服务的模型。

可以通过最少的管理工作或服务提供商交互来快速配置和发布，之后又介绍了有关医疗保健领域云计算及其在健康行业一段时期内各国面临的挑战。

云由数据中心、主机、资源、虚拟机（VM）等组成，数据中心管理多个主机或物理机，而主机由大量充当处理节点的虚拟机组成。

云计算处理各种虚拟化资源，这使得任务调度非常复杂，特别是在医疗保健领域，而任务调度是指根据任务当时的需求将各种任务分配给不同虚拟机的过程。

任务被定义为必须在一定时间内完成的一项工作，基本上任务调度技术有两类：静态和动态。

在静态调度中，对各种资源的分配发生在编译时，其中任务和云资源的信息在执行之前是已知的。

而在动态调度中，分配发生在运行时，在提交任务之前没有关于提交任务的先验知识来做出调度决策。

在动态调度中，任务在系统执行过程中根据其优先级进行排序和分配，而且在这次的研究中，研究人员还提出了一种动态任务调度技术。

这是用于在基于物联网云的架构中调度医疗保健任务，以便在异构环境中实现远程患者监控，所提出的技术是基于优先排序任务的分配（PSTBA）。

由于它考虑必须执行并满足其最大响应时间的关键任务，以便患者的生命不会受到威胁，也不会发生灾难性情况。

为了在云医疗保健中获得高效且有效的任务调度和分配技术，研究人员必须考虑许多服务质量（QoS）参数来提高系统性能。

其中包括的QoS参数有执行时间、截止时间、成本、完工时间、故障率、保证率和延迟，根据QoS参数，选择一个任务在选定的虚拟机上执行。

以下布局用于组织本研究的其余部分： 先是提供了对基于云环境的任务调度的写作的全面回顾，之后描述了基于IoT云的RPM架构，还描述了RPM的基于IoT云的架构。

健康监测系统（PHMS）

研究人员介绍了一种患者健康监测系统（PHMS），用于远程监测患者的生命指标（即血压、体温、心率（ECG）），而这个系统由两个模块组成。

首先，他们开发了一种基于实时物联网医疗保健任务编排架构的调度算法，然后引入了基于目标函数的优化模块，以减少任务空闲时间，从而提高粒子群优化调度算法的性能。

研究人员使用Libeliume-Health工具包来监测患者的健康状况，但采用优化调度算法的所提出的系统比其他系统更有效，并且降低了任务饥饿率和失败率。

尽管他们并不关心每次执行的成本，可研究人员还介绍了一种基于麻雀搜索算法（SSA）的云环境下的医疗保健系统和负载均衡模型。

SSA有助于根据其适应度值选择最佳虚拟机，其主旨是将百万指令量较高的任务分配给适应度值较高的最佳虚拟机。

利用CloudSim工具包对所提算法的性能进行了仿真，他们还测量了虚拟机之间的处理时间、完工时间和不平衡程度，结果被接受。

但他们没有考虑医疗保健任务的类型（关键或非关键）以及在医疗保健应用程序中特别重要的延迟参数。

这时另一项研究提出了一种名为混合飞蛾火焰优化HMFO的新任务调度，用于基于电子医疗保健系统的深度神经网络的健康物联网（IoHT）环境中的云计算。

所提出的算法基于使用Google集群数据集进行训练来实时调度任务，这种数据集用于学习如何在云环境中调度任务的实例。

CloudSim包用于测试和模拟所提出的算法，测量的性能指标包括成本、响应时间和平均运行时间，与其他方法相比，所提出的方法降低了成本和运行时间。

然而，它提供了更高的响应率，并且没有测量延迟和吞吐量，而且任务的选择不依赖于其优先级。

在这之后，研究人员又提出了两种任务调度算法，称为基于阈值的任务调度算法（TBTS）和基于服务水平协议的负载均衡算法（SLA-LB）。

其中任务到虚拟机的映射是基于计算第一个算法中的执行时间矩阵和阈值以及第二个算法中的客户端要求（即期限和预算）和负载平衡。

使用基准数据集执行的两种提出的算法的仿真结果，测量的参数是完工时间、增益惩罚成本和虚拟机利用率，但没有考虑延迟、故障率和保证率。

基础任务复制和优先级列表技术

研究人员提出的另一种算法是基于任务复制和优先级列表技术，这些任务被表示为有向无环图（DAG），其中当前任务的一些父任务可以通过使用虚拟机的时隙来复制。

这种算法基于计算每个任务的优先级、两个任务之间的通信延迟，并将任务映射到具有最早执行时间的虚拟机，使用CloudSim工具包进行模拟。

该算法计算调度长度比和负载平衡作为性能分析，但该算法仍然没有测量其他指标，如延迟、吞吐量和执行成本。

而后研究人员，提出了一种基于物联网的云计算环境中资源分配的混沌人工免疫优化算法（CAIOA-RS）的任务调度。

这种方法通过与混沌图集成来修改传统的人工免疫优化算法（AIOA），以提高其性能并解决云中的资源分配问题。

实验结果是用CloudSim工具模拟的，测量的参数是makespan、吞吐量、内存利用率和CPU利用率，但没有考虑延迟。

最后提出了任务调度算法BSufferage，增强了传统Sufferage算法的性能，这种方法的主要思想是计算任务在虚拟机上执行所需的时间，记录虚拟机可用的时间。

然后计算预期的计算时间。之后，他们对所有虚拟机上的完成时间进行排序，找到三个最小值，并计算完成时间与最小值之差的标准差。

他们所提出的算法通过CloudSim平台进行建模，测量的参数包括吞吐量、周转时间和负载平衡，BSufferage算法比Sufferage、Min-Min和Max-Min算法可以获得更好的结果。

但该算法没有测量延迟、成本和完工时间，所以这项工作开发了一种移动感知分配和调度技术以及一个高效的医疗保健云雾框架。

所提供方法的性能在iFogSim模型中进行了模拟，最后实验的结果证明，在错过的任务范围、完工时间、网络负载和能耗方面，所提出的方法比最先进的技术更有效。

在研究中又提出了一种雾云医疗物联网（IoHT）架构，其中医疗数据将根据流量类型转发到云和雾层。

雾层处理收集到的数据，直到将数据卸载到云端，研究人员采用粒子群优化（PSO）算法来平衡负载并将数据流量调度到雾和云层的不同设备。

与随机算法和FCFS算法相比，所提出的方法显示出可接受的结果，尽管测量的参数是延迟、吞吐量和交付率，但该算法没有测量完工时间和执行成本等其他指标。

最后研究提出了一种用于健康监测领域雾计算的静态任务调度算法，它根据任务的重要性而不是长度来确定任务的优先级。

这项研究提供了一种基于任务重要性的任务分类和虚拟机分类（TCVC）方法，研究人员将任务分为三类。

先是根据患者的健康状况划分为重要任务、中等重要任务和低重要任务，再通过将该方法应用于MAX-MIN调度算法来测量该方法的性能。

测量的参数是平均执行时间、平均等待时间和平均完成时间，之后将所提出的方法在CloudSim模拟器中实现的性能与Max-Min、FCFS和SJF进行了比较。

显示出可接受的结果，后来的工作提出了一种最大最小蚂蚁系统（MMAS）元启发式方法，这种方法不同于同质环境中的静态任务图调度。

它思想是适当地管理任务的优先级值，从而达到最优的任务顺序，所提出的方法是使用传统算法进行估计的，唯一测量的参数是归一化的调度长度。

在最新的研究中，研究人员提出了一种采用并行粒子群优化（PPSO）来优化云环境中医疗服务虚拟机选择的新模型。

他们利用神经网络和线性回归技术来实现慢性肾脏疾病的预测模型，测量的参数是总执行时间、准确性和系统效率，但没有考虑完工时间、延迟和吞吐量测量。

最后他们提出了一种基于排序任务的分配（STBA）算法，用于异构云系统中的独立调度任务，以最小化完工时间并提高资源利用率。

研究人员选择根据任务长度降序对所有任务进行排序，并优先让较长的任务长度在较高的虚拟机速度上执行。

他们描述并给出了计算预期完成时间(ETC)矩阵和动态分配任务的简单示例，在CloudSim工具包中对所提出算法的评估和测试进行了模拟。

任务的选择仅取决于其长度，他们不考虑任务的优先级，唯一衡量的指标是完工时间，后来的研究提出了一种云环境中的实时任务调度技术，其中任务根据截止日期进行排序。

如果任务错过了最后期限，则会被拒绝，另一项工作提出了一种任务调度算法，该算法在所有虚拟机之间分配负载，其中根据功率因数将虚拟机分配给任务。

而在研究人员提出了一种，基于计算可用资源的总处理能力和用户任务请求的总处理能力的任务调度算法后，可以减少完工时间和执行成本。

结论

在这次研究中，他们提出了一种新的任务调度和分配技术，称为基于优先排序任务的分配（PSTBA）。

所提出的技术旨在减少延迟，满足Max.ResponseTime，最小化错过关键任务的数量，并最大化吞吐量，所提出的技术在CloudSim仿真环境中实现。

在不同场景下进行不同的实验来测量性能指标：完工时间、延迟、错过关键任务、保证率、故障率和处理成本。

此外，它还侧重于根据错过的关键任务和延迟的数量来分析关键任务的性能，在大量分配的任务和有限数量的虚拟机上，PSTBA技术的结果优于FCFS和STBA技术。

而在改变虚拟机数量时，所提出的技术比虚拟机数量为40时的STBA减少了延迟和错过关键任务的平均数量16%和17%。

在增加任务数量的情况下，PSTBA减少了关键任务的延迟，与任务数量为400的STBA相比，任务数量减少了18%，并且错过的关键任务的平均数量减少了15.7%。

未来的工作将集中于评估所提出的调度技术在医疗保健领域基于云雾的物联网架构中的性能。