下载:
-
人体传感网络(body sensor network，BSN)集成了传感器、电子学、医学、数据分析与融合、人工智能、无线通信和其他创新应用等多学科知识[1]. BSN有着无线化、网络化、信息化的综合优势，将其与物联网(internet of things，IoT)相结合，能够实现人体健康的全程跟踪与服务，可以说由BSN构成的智慧医疗是未来医疗保健低成本化的发展方向之一[2].
每个人都是一个独立的个体样本，其身体状况属性在符合一定规律的同时彼此之间也有着很大的差异性，这些属性在生活习惯、性别和遗传等方面随年龄增长一直在动态变化[3].借助BSN，IoT和云计算开发一种针对人体数据传感的网络架构[4]，对个人医疗保健有着非常重要的意义.
现在已经有人提出了基于云系统的各种医疗保健架构方法和服务技术.文献[5]提出一种基于移动的Android应用程序，用于监测心电图信号.文献[6]提出一种多层应用程序架构，集成了云计算平台和人体传感器网络，并允许云端收集、处理、存储和分析采集到的人体数据，但该解决方案不支持边缘计算，也无法满足实时性要求.换言之，在将监测数据从传感器传输到云之后，需要等待云系统计算出结果并做出决定.文献[7]提出一种移动设备的任务卸载方法，任务卸载是基于物联网和雾计算的一种有吸引力的技术，它可以用在传感器设备、边缘节点和云节点之间，但移动设备物理尺寸小，且计算能力非常有限.虽然架构可以将任务卸载到云，但是当网络延迟不可容忍时，这种思路不可行.文献[8]提出一种基于多代理的云监控模型，通过结合人工智能算法来检测错误任务.但是多代理的云监控模型使用代理的主从架构，因此可能会遇到大规模基础架构中的可伸缩性问题[9-11].
在研究了基于中央云的人体感知架构基础上，针对人体健康状态这个领域对于实时性和可移动性特定的要求，本文提出了一种新的人体数据传感架构，在无线传感器网络和云平台之间加入了边缘云服务器，并重新构建了框架和传输协议，设计了能够支持多种类型应用程序的存储架构，优化了传感架构.本文提出的传感架构既可以通过应用程序接口(API)安全地将人体传感数据聚合到中央云，并通过任务调度和资源整合充分利用云计算来处理数据，还能将中央云计算反馈的信息实时发送给处于移动状态的用户.该架构降低了由虚拟机容量限制而导致的故障率，同时降低了整体服务器的利用率，减少了服务时间和处理时间.
全文HTML
-
基于边缘云的数据传感架构由3层设备构成，第1层是由人体数据传感器节点组成的无线体域网络；第2层是由靠近人体的边缘云服务器构成；第3层则是由专门的网络公司提供的中央云系统.
本文针对构建的3层物理架构提出了支持实时性和可移动性的移动服务架构，并且设计了一种基于云的数据感知应用架构，该软件架构分为3层，分别是用于传感设备的API、传感设备和边缘云之间的API和用于中央云服务的API.
-
基于云计算系统的人体数据流如图 1所示.第1层为无线体域网络，它在对人们日常生活活动没有任何影响的情况下为被测者提供持续的健康数据监测.人体实时数据检测在被监测者处于亚健康状态的时候能够及时发出预警提示，显著提高了疾病诊断的效率.在无线体域网络中，生物医学传感器可大致分为两类：体上传感器和体外传感器.体上传感器缝在衣服上或者直接贴在人体皮肤上(例如智能手表)；体外传感器与人体有一定的距离(例如基于ZigBee通信的传感器).
第2层为边缘云服务器，适用于可能无法连续到网络的资源，例如植入式医疗设备、高度分布式传感器领域和移动设备.底层感应数据直接发送到边缘设备，通过将计算机的应用程序、数据和服务的控制从核心转移到边缘设备，实现了对云计算系统的优化.边缘计算涵盖了包括无线传感器网络、移动数据采集、移动签名分析和点对点网络等非常广泛的网络技术.
第3层为中央云服务器，边缘云服务器将感测到的数据传送到中央云服务器.在中央云服务器中，聚合的物理数据将存储在可靠存储器中，为了处理和分析数据，中央云服务器中的云协调器调度虚拟机，然后利用虚拟机分析处理人体健康数据.针对服务级别协议和服务质量，云协调器可以同时调度多个虚拟机，分析处理的数据可以转发到边缘云服务器，然后将结果通知给移动用户.通过这种方式，用户的生命体征将通过云计算系统上的大数据分析进行检查，监测数据包括心跳速率、呼吸速率、脑电图、心电图、血压、体温、血糖水平等.
-
支持实时性和可移动性的移动服务架构如图 2所示.在传统的移动服务架构体系中，用户直接通过传感器设备与中央数据服务中心联系.在这种架构下，可能会因移动资源的限制而发生故障.例如，当用户移动到另一个位置时，无线信号中断，用户无法继续使用移动应用程序.此外，当移动应用用户突然请求计算资源时，中央数据中心可能需要较多的时间来准备资源.
为了支持实时移动应用，设计的架构在中央云数据中心和用户之间使用边缘服务器.在收到用户的服务请求时，边缘服务器上的从守护进程将与用户相关的数据连同服务请求一起发送到中央云服务器上的主守护进程，然后主守护进程执行服务建模和配置文件管理，并将用户服务的相关数据转发给从守护程序.
由于边缘服务器分布在用户周围，因此它能够很好地支持移动性，并且发生故障的概率很低.当用户请求大量计算资源时，边缘服务器可以立即为用户提供预留资源.通过这种方式，本文设计的移动服务架构能够很好地支持实时性和可移动性.
-
基于边缘云的数据传感架构如图 3所示.底层用于传感设备服务，人体数据传感设备捕获用户的身体参数和移动状态，并且通过API将实时数据存储在本地设备或转发到边缘云.这个阶段应用程序可以检查服务协议的级别，然后根据API的功能设定一个或多个服务请求转发到边缘云.
第2层与边缘云服务器相关.由于边缘云服务器不能像中央云服务器那样可靠，有必要在边缘云服务器上加入容错技术.容错技术的基本组成部分是故障预测，故障预测组件的结果可以是正常、警告或警报.根据历史记录和状态信息，进一步执行故障避免或故障恢复过程：当故障预测的结果为警告或警报时，则执行故障避免过程；当发生故障时，故障恢复过程将通过恢复中间结果的数据来执行.
顶层位于中央云服务器，中央云服务器的作用是进行人体数据收集、分析和处理.由于基本处理单元是虚拟机，中央云服务器直接管理系统的虚拟机生命周期(创建、销毁和迁移).即使虚拟机存在故障，数据存储在云计算系统的稳定存储器中，当虚拟机发生故障时，云协调器可以及时地安排另一个虚拟机调用存储器中的数据来响应服务或工作负载.
为了能够高效地处理大数据分析，数据可以被复制或拆分成多份.多个虚拟机可以将一个大数据拆分为固定大小来同时执行数据处理的应用程序，无需将数据传输到节点.此外，数据块丢失时使用另一节点中的复制数据块.当主机上运行多个虚拟机时，则会触发服务级别协议模块选中最慢的那个虚拟机并实时迁移到能够负担其运行的另一台主机，因此本文设计的架构同时实现了效率和容错率.
-
为了提高数据存储的可靠性，本文设计了相应的存储架构以支持多种类型的应用程序(有状态和无状态).如果应用程序的类型是有状态的，则必须为它们实现持久存储，如果应用程序的类型是无状态的，则数据的生命周期取决于虚拟机的生命周期[12]
图 4显示了支持多种类型应用程序的设计存储架构.应用程序a，b和x的存储类型分别为只读、一写多读和多写多读.只读类型(应用程序a)允许应用程序仅读取卷上的数据，并且不允许有任何写入操作；一写多读类型(应用程序b)允许多个应用程序读取数据，但只有一个应用程序可以执行写入操作；多写多读类型(应用程序x)允许多个应用程序都能读取和写入数据.
每种类型的应用程序通过网络逻辑连接到稳定卷，并根据应用程序的配置文件自动分配卷的大小.为了在应用程序和存储卷之间实现最佳匹配，云存储控制器会跟踪数据库中的每个可用卷，对于无状态应用程序，本文设计的存储架构在配置时将临时卷附加到虚拟机，并在虚拟机关闭时安全销毁.
基于被监测的资源，该架构通过线性编程来优化多个虚拟机的聚合吞吐量.
式中：n是虚拟机的数量，Si是云中存储卷的集合，Xij是选择指标，Yij是存储卷的吞吐量，Cij是存储容量，Cmax是最大存储容量.
第一个约束条件将虚拟机和存储卷之间不匹配的映射而导致的性能下降到最小化.本文将问题的吞吐量建模为每秒输入/输出操作(input/output operations per second，IOPS)和数据传输速率，IOPS表示给定存储设备或介质每秒可以读取和写入命令的速度，并且吞吐量可能受IOPS的影响.因此，基于边缘云的架构可以通过将输入/输出操作卸载到边缘云来突破减少吞吐量的瓶颈.
1.1. 基于云计算的人体数据流架构
1.2. 支持实时性和可移动性的移动服务架构
1.3. 基于边缘云的数据传感架构
1.4. 架构优化技术
-
本文使用医疗应用程序来评估云架构的性能.在具体实验中，通过将移动设备的数量从100增加到400来评估失败任务的百分比、虚拟机容量导致的故障数量、服务时间、处理时间、服务器利用率和网络延迟.
云测试平台构建是基于Java离散事件执行器的服务器上，该服务器配备Intel Core i7-6700K(主频4.00 GHz，支持4核8线程)和32 GB内存，可以模拟由于各种原因导致的故障，如虚拟机容量、带宽(拒绝或未完成)和移动性.数据中心的虚拟机管理监测程序是Xen，主机采用的操作系统是Linux.主机数量为15，主机上有2个虚拟机，每个虚拟机有2个线程和2 GB内存.为了实现边缘云实验环境，在用户附近设置边缘服务器，将边缘服务器配置为与用户和中央云服务器进行交互.实验中，通过生成伪影移动流量来模拟移动设备数量的增加.对于云性能评估，使用虚拟环境类似于健康检查，用户可以借助位于该部门的云计算服务，并且假设各个部门配备了来自少数虚拟机的云计算功能.
图 5和图 6分别显示了由于虚拟机容量而导致的任务失败百分比和失败次数.随着移动设备数量的增加，没有边缘设备的传统云系统和基于边缘云系统之间的性能差距也在增加.当移动设备的数量为100时，原来架构和本文设计的架构任务失败的百分比分别为1.2%和1.1%.此时二者并没有太大的差距.但是，当移动设备的数量为400时，未加边缘设备和使用了边缘设备任务失败的百分比分别为18.2%和7.7%，这表明使用了边缘云的架构降低了故障发生的百分比，而任务失败的主要原因是虚拟机容量限制. 图 6描绘了由虚拟机容量引起的故障数，从图 6中可以看出基于边缘云的云架构在减少虚拟机容量导致的故障数量方面表现突出，本文设计的架构故障数量(由虚拟机容量引起的部分)只有原来架构的38.5%.
测量服务时间和处理时间值越低越好，因为当服务时间和处理时间短时，它将有更多的空闲时间，同时较低的服务时间和处理时间也意味着比较低的能量消耗.
对于服务时间，当移动设备的数量分别为100，200，300和400时，设计的云架构比以前的架构服务时间平均少0.29 s，0.42 s，0.35 s和0.77 s，这意味着本文的云架构能耗更低.
对于处理时间，当移动设备的数量为100，200，300和400时，所提出的云架构比先前的架构处理时间平均少0.38 s，0.52 s，0.45 s和0.88 s.当移动设备的数量分别为100，200，300和400时，所提出的云架构标准化处理时间分别为0.79 s，0.77 s，0.80 s和0.69 s，这意味着本文的云架构适用于可扩展系统.
为了降低云服务器的能耗，本文基于循环的虚拟机调度策略来最大程度地利用云计算系统资源，虚拟机以相等的概率和循环顺序分配每个物理设备，利用ball-and-bins可能性来简化CPU感知调度的负载平衡. 图 7给出了所设计架构的服务器利用率.服务器利用率越低，则表明能耗越小.
从图 7可以看出，随着移动设备数量的增加，两种方法的服务器利用率都会增加，即能耗随着设备数量的增加而增加.本文基于边缘云的架构服务器利用率比传统架构更低，表明本文架构能耗较小，并且服务器利用率随着移动设备数量增加而稳定增长，这表明基于边缘设备的云架构更加稳健.
-
为了让智慧医疗中的人体数据传感器能更好地支持实时性和移动性，本文提出了一种基于边缘云的人体数据传感架构，并用于大数据分析.在该架构中，通过在传感器设备和中央云服务器之间部署边缘设备来减少需要从传感器设备传输到中央云服务器的数据量，并重新构建了软件架构、传输协议和存储架构.实验结果表明，基于边缘云的架构在故障、处理时间和可扩展性方面优于以前的架构，且云服务器的能耗可以降低，因为所提出的架构服务器利用率低于原先架构的服务器利用率.未来的工作包括集成人工智能技术以预测边缘云服务器的故障，以及基于边缘云架构构建的数据库开发应用程序研究等.