تشخیص تصویر هوش مصنوعی بر اساس الگوریتم لبه یادگیری عمیق 5G آندوسکوپی گوارشی در ساخت و ساز پزشکی

Artificial intelligence image recognition based on 5G deep learning edge algorithm of Digestive endoscopy on medical construction

چکیده

1. مقدمه

2. تشخیص تصویر هوش مصنوعی و الگوریتم لبه یادگیری عمیق 5G

2.1. توموگرافی پزشکی هوشمند بدن

2.2. الگوریتم لبه یادگیری عمیق 5G بر اساس تشخیص تصویر هوش مصنوعی

3. تشخیص چند منظوره پزشکی هوشمند

3.1. روش ها

3.2. طراحی

4. نتایج و بحث

4.1. تشخیص تصویر هوش مصنوعی در پزشکی هوشمند

4.2. بحث

5. نتیجه گیری ها

منابع

چکیده

در این مقاله از تشخیص تصویر هوش مصنوعی برای بدست آوردن تصویر آندوسکوپی گوارشی استفاده می کنیم، و تصویر را براساس الگوریتم لبه یادگیری عمیق 5G پردازش می کنیم تا درباره نوع بیماری قضاوت کنیم و سپس برنامه درمانی را در نظر بگیریم. ترکیب شبکه ناحیه بدنی و فناوری رایانش لبه می تواند تقاضایی با تاخیر کم را در شبکه ناحیه بدن برآورده کند. در این مورد، گره گیت وی شبکه ناحیه بدنی محدود شده با منابع می تواند داده های فیزیولوژیکی جمع آوری شده را با یک وظیفه قابل بارگیری پردازش کند، و سپس با توجه به یک استراتژی خاص، وظایف و داده ها را در گره محاسباتی لبه تخلیه کند. گره رایانش لبه، پردازش مرتبط با وظیفه و ذخیره سازی داده را تکمیل می کند، و در نهایت نتایج را به موسسات پزشکی مربوطه و کاربران شبکه ناحیه بدنی برای خواندن تشخیص کمکی و درمان بیماری ها ارائه می دهد. تحقیقات نشان داده اند که براساس الگوریتم لبه یادگیری عمیق 5G تحت تشخیص تصویر هوش مصنوعی آندوسکوپی گوارشی، 25% بیماران مبتلا به پولیپ روده دارای سلول های CD4 در خون محیطی هستند. تعداد لنفوسیت ها در گروه تمایز کمتر از 200 μL بود، و RNA خونی در 92.3% بیماران کمتر از 100IU/ml بود، در حالی که CTP فام (پپتید A-حلقه ای) کمتر از 100 IU/ml بود. عفونت های فرصت طلب روده و ویروس ها می توانند به صورت مستقیم باعث آنتروپاتی شوند زیرا شدت فلورسنس پروب در اصل بدون تغییر باقی می ماند و نمی تواند یک ساختار مارپیچ سه گانه را شکل دهد. الگوریتم لبه یادگیری عمیق 5G در مقایسه با الگوریتم ساده یولو از نظر دقت تشخیص ویژگی در این مقاله، دقت را تا 68% بهبود می دهد و از نظر سرعت مشابه است. دقت و سرعت به ترتیب در مقایسه با الگوریتم RCNN تا 21% و 85% بهبود می یابند. بنابراین، الگوریتم لبه یادگیری عمیق 5G مبتنی بر تشخیص تصویر هوش مصنوعی دارای مزایای دقت و سرعت در آندوسکوپی گوارشی پزشکی هوشمند است.

1. مقدمه

پزشکی هوشمند یکی از موضوعات داغ در سالهای اخیر است که یک موضوع جدید بین رشته ای است که علم زندگی و علم اطلاعات را ادغام می کند. هیچ تعریف واضحی از پزشکی هوشمند وجود ندارد. دیدگاه اصلی این است که مبتنی بر اطلاع رسانی پزشکی است. هسته اصلی، مدیریت هویت بیماران از طریق اینترنت اشیا و فناوری حسگر و تشکیل نمایه های بیمار در سیستم های اطلاعات بیمارستان است. بر این اساس، تبادل اطلاعات و ارتباطات با توجه به منطق کسب و کار و پروتکل های شبکه انجام می شود تا شناسایی هوشمند و مکان شناسایی، ردیابی، پایش و مدیریت را ممکن سازد.

5. نتیجه گیری ها

با توجه به ویژگی های پزشکی توموگرافی هوشمند پزشکی بدن انسان، تصویر اصلی OCR به چهار بلوک تقسیم می‌شود، و هر بلوک فرعی نشان دهنده ویژگی های محلی جهت های مختلف است. یک سیگنال واحد برای توصیف ویژگی های محلی و طیفی هر بلوک فرعی استفاده می شود و یک بردار ویژه ساخته می شود. یک بردار ویژه منحصر به فرد از چهار بلوک فرعی توسط SRC دسته بندی می شود تا بردار خطای بازسازی به دست آید. چهار بردار خطای بازسازی بلوک فرعی وزن دهی می‌شوند و بر اساس یک ماتریس تصادفی وزن دهی ادغام می شوند. از طریق تحلیل آماری نتایج ادغام چندین گروه از بردارهای وزنی متغیرهای تصمیم طراحی می‌شوند و دسته‌های نمونه به دست می آیند. چهار شرط آزمون در مجموعه داده های MSTAR از جمله شرایط عملیاتی استاندارد و شرایط عملیاتی قابل تعمیم تعیین می‌شوند. تقویت ساختار علوم انسانی پزشکی به ما کمک می کند تا احساسات و خرد پزشکی خود را بیدار کنیم و ما را به درک حقیقت پشت پزشکی، رهایی از پایبندی کورکورانه و خرافات به علم و فناوری پزشکی، و بازگشت به ماهیت اصلی پزشکی هدایت می کند. مجموعه اصلی تنها کارکنان پزشکی نیستند، بلکه بیماران و خانواده‌های آنها هستند. درمان پزشکی هوشمند فشار خون که به یک مشکل عمومی تبدیل شده است، برای شروع بسیار مناسب است. با کمک درمان هوشمند پزشکی آندوسکوپی گوارشی، تحقیق درمان هوشمند پزشکی بیشتر بیماریها موضوع اصلی روش عمومی در آینده است. 

Abstract

In this paper, we use artificial intelligence image recognition to obtain Digestive endoscopy image, and process the image based on 5G Deep learning edge algorithm to judge the disease type of the patient, and then consider the treatment plan. The combination of body area network and edge computing technology can meet the demand of low delay in body area network. In this case, the resource constrained body area network gateway node can process the physiological data collected by it into an offloadable task, and then unload the task and data to the edge computing node according to a certain strategy. The edge computing node completes the corresponding task processing and data storage, and finally provides the results to the relevant medical institutions and body area network users for reading auxiliary diagnosis and treatment of diseases. Studies have shown that 25% of patients with colon polyps have CD4 cells in peripheral blood based on 5G deep learning edge algorithm under artificial intelligence image recognition of Digestive endoscopy. The number of lymphocyte in group of differentiation was less than 200/μL, and the blood RNA in 92.3% patients was lower than 100 IU/ml, while fam CTP (A-cyclic peptide) was lower than 100 IU/ml. Opportunistic infections of the intestine and viruses can directly cause enteropathy because the fluorescence intensity of the probe is essentially unchanged and cannot form a triple helix structure. In terms of feature recognition accuracy, the 5G deep learning edge algorithm in this paper improves accuracy by 68% compared to the simple Yolo algorithm, and is similar in speed. Compared with RCNN algorithm, the accuracy and speed are improved by 21% and 85% respectively. Therefore, the 5G deep learning edge algorithm based on artificial intelligence image recognition has the advantages of accuracy and speed in digestive endoscopy of intelligent medical.

1. Introduction

Smart medicine is a hot topic in recent years, which is a new interdisciplinary subject integrating life science and information science. There is no very clear definition of smart medicine. The mainstream view is that it is based on medical informatization. The core is to manage patient identities through the Internet of Things and sensor technology and form patient indexes in hospital information systems. Based on this, information exchange and communication are performed according to business logic and network protocols to enable intelligent identification and identification location, tracking, monitoring and management.

5. Conclusions

According to the medical characteristics of intelligent medical human body tomography, the original OCR image is divided into four blocks, and each sub block reflects the local characteristics of different directions. A single signal is used to describe the spectral and local features of each subblock and build a feature vector. A single feature vector of the four subblocks is categorized by the SRC to get the reconstruction error vector. The four subblock reconstruction error vectors are weighted and fused based on a random weighting matrix. Through statistical analysis of the fusion results of multiple groups of weight vectors, the decision variables are designed and sample categories are obtained. Four test conditions were set in MSTAR dataset, including standard operating conditions and extended operating conditions. Strengthening the construction of medical humanities may help us to arouse our self-contained medical emotions and wisdom, guide us to understand the truth behind medicine, get rid of blind adherence and superstition to medical science and technology, and return to the original nature of medicine. The main body is not only the medical staff, but also the patients and their families. This is very suitable to start with the intelligent medical treatment of hypertension, which has become a public problem. With the help of the intelligent medical treatment of digestive endoscopy, it is the main topic of general practice in the future to realize the intelligent medical treatment of more diseases.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تشخیص تصویر هوش مصنوعی بر اساس الگوریتم لبه یادگیری عمیق 5G آندوسکوپی گوارشی در ساخت و ساز پزشکی

Artificial intelligence image recognition based on 5G deep learning edge algorithm of Digestive endoscopy on medical construction

تحلیل منبع داده حسابداری مدیریت کامپیوتری بر اساس انبار داده و رایانش لبه موبایل

Data Source Analysis of Computerized Management Accounting Based on Data Warehouse and Mobile Edge Computing

1 مقدمه

2 تحقیقات مرتبط

3 روش شناسی

4 تحلیل نتایج و بحث

5 نتیجه گیری ها

منابع

     کار حسابداری زمانی که کامپیوتری باشد، کارایی بیشتری دارد و میزان خطا در آن کمتر است. این مکانیسم تشویقی باید قبل از توسعه شیوه حسابداری مدیریتی در مشاغل بهبود یابد. عواطف کارکنان در شرکت ها یک عامل تعیین کننده گسترش شیوه حسابداری مدیریت در مشاغل است. مقاومت کارکنان نسبت به شیوه های حسابداری مدیریتی می تواند از طریق مکانیسم‌های تشویقی به صورت موثری مورد توجه قرار گیرد. در نتیجه، آنها به منظور تشویق رشد حسابداری مدیریت در کسب و کار ابتدا باید یک مکانیسم تشویقی حسابداری مدیریتی کامل ایجاد کنند. پیاده سازی یک سیستم اطلاعات حسابداری مدیریتی توسط این دسته بندی های جدید دشوارتر می شود. ساختار یک سیستم اطلاعات حسابداری مدیریت بر اساس BI و رایانش لبه موبایل در این تحقیق به صورت سیستماتیک مورد بحث قرار می گیرد. BI این مزیت را دارد که می تواند به روش های مختلفی مدل سازی کند، حجم زیادی از داده ها را به صورت کارآمد پردازش کند، و داده‌های عملی را به سرعت در اختیار مدیران قرار دهد. برای درک تحلیل کمی هزینه درآمد، نهاده – ستانده، این سیستم از فناوری های پیشرفته مانند مدل سازی انبار داده ها، جمع آوری داده، نمایش داده ها و طراحی امنیتی استفاده می کند. حسابداری مدیریتی بهترین انتخاب برای نوآوری حالت مدیریت سازمانی و یک سرویس حسابداری برای مدیریت داخلی کسب و کار است. کلان داده در حسابداری مدیریتی به عنوان یک دارایی شرکتی عمل می کند و حجم زیادی از اطلاعات را فراهم می کند. برای درک چگونگی استخراج و استفاده از اطلاعات، کلان داده برای ایجاد مبنایی برای حسابداری مدیریت ضروری است. این تحقیق نحوه جمع آوری داده ها، تهیه داده ها، ایجاد مدل، استخراج داده ها و تجزیه و تحلیل داده ها را با استفاده از کلان داده ها و الگوریتم رایانش لبه در شبکه موبایل توضیح می‌دهد، و شاخص‌های کلیدی موثر بر تحلیل ریسک حسابداری مدیریتی شرکت را از طریق تحلیل تجربی شناسایی میکند. مکانیسم انتشار و عوامل موثر بر شیوه های حسابداری مدیریت در شرکت ها و بین خوشه های سازمانی می توانند به ارتقای توسعه شیوه حسابداری مدیریتی کمک کنند و سرعت ایجاد سیستم حسابداری مدیریتی محلی چین را افزایش دهند.

تحقیقات مرتبط
     اولین ادبیات [15]، الگوریتم استخراج قانون انجمنی مبتنی بر ویژگی را پیشنهاد کرد. تحقیق بعدی [16]، چهار فناوری اصلی را برای پشتیبانی از داده کاوی بر اساس این تحقیق مطرح می کند. ادبیات [۱۷] با فرایند تاریخی توسعه اقتصادی چین و فضای توسعه حسابداری مدیریتی چین بر اساس عملکرد اجتماعی رشته حسابداری مدیریتی همراه است، این تحقیق پیشنهاد می کند که حسابداری مدیریتی چین با بهترین دوره‌های فرصت استراتژیک مواجه است. با توجه به وضعیت اساسی شرایط ملی چین، سیستم کاربردی و چارچوب نظری حسابداری مدیریت بر اساس پیشینه سیستم سازمانی چین ارائه شده است [۱۸]. ادبیات [19] برای مطالعه رابطه بین تقاضای شرکت و سیستم های اطلاعاتی بر اساس تئوری احتمالی پیشنهاد شده است. ادبیات [20] برای مطالعه رابطه شرکت کنندگان با روابط مربوطه در پیاده‌سازی سیستم بر اساس نظریه سرمایه اجتماعی و نظریه شبکه کنشگر با توجه ویژه به سهامداران و کسب و کارها در طیف وسیع تر پیشنهاد شد.

     ادبیات [21] ارزش اجتماعی و انتخاب استراتژیک جامعه انسانی در عصر اطلاعات دیجیتالی و کلان داده را که به صورت گسترده ای در زمینه های مختلف استفاده شد، مورد بحث قرار می دهد.‌ ادبیات [22] چهارچوب طبقه بندی روش های نمونه گیری را در فرایند داده‌کاوی پیشنهاد کرد و مزایا و معایب روشهای نمونه گیری داده کاوی را در سناریوهای مختلف مقایسه و تحلیل کرد. ادبیات [23] به این موضوع اشاره کرد که حتی در کشورهای توسعه یافته برخی از عملکرد های سیستم های اطلاعاتی ERP سازمانی به صورت کامل با نرم افزارهای دیگر ادغام نمی‌شوند و عملکردهای برخی از سیستم ها به طور کامل وارد عمل نشده اند. ادبیات [24] به این موضوع اشاره کرد که فقدان دستورالعمل های نظریه موثر دلیل اصلی این موضوع است که چرا استفاده از روشهای حسابداری مدیریتی در شرکتهای چینی نسبتاً عقب‌مانده است. ادبیات [25] این موضوع را تحلیل می‌کند که بسیاری از از مسائل مهم موجود در دوره تحول حسابداری مدیریت در چین را مورد تجزیه و تحلیل قرار می دهد و پیشنهادات استراتژیک مربوطه را ارائه می دهد. ادبیات [26] یک الگوریتم داده جدید را برای کاوش موثر و تحلیل داده های نیمه ساخت یافته پیشنهاد می کند که بر این مشکل غلبه می‌کنند که فناوری داده‌کاوی سنتی نمی تواند به صورت موثری داده های نیمه ساخت یافته را استخراج کند.

سیستم مدیریت خدمات مالی زنجیره تامین مبتنی بر به اشتراک گذاری داده های اینترنت اشیا در بلاک چین و محاسبات لبه ای

Supply chain financial service management system based on block chain IoT data sharing and edge computing

چکیده

1. مقدمه

2. مطالعات مربوطه

3. مدل مدیریت داده IOT بر اساس بلاک چین و رایانش لبه

1.3. ساختار کلی مدیریت داده

2.3. ذخیره سازی توزیعی بر اساس رایانش لبه

3.3 طرح آزمایش شبیه سازی

4. آنالیز معماری فنی سیستم مدیریت سرویس مالی

1.4. معماری کلی پلتفرم

2.4. آنالیز مدل کسب و کار پلتفرم

3.4. مدیریت کنترل ریسک سیستم مدیریت سرویس مالی

4.4. ارزیابی سیستم مدیریت سرویس مالی زنجیره تامین بر اساس تکنولوژی بلاک چین

5. نتیجه گیری

منابع

چکیده

پیاده سازی سیاست “internet +” حمایت شده به وسیله دولت هم چنین به توسعه سریع بودجه اینترنت کمک کرده است. به منظور ارتقای تغییرات در مدل های توسعه کسب و کار، به عنوان یک عمل پیشگامانه برای بانک هایی که در زمینه اقتصاد واقعی خدمت رسانی می کنند، زنجیره های تامین به منظور دربرگیری شرکت های کوچک و متوسط در حال گسترش هستند. تامین مالی شرکت ها، تغییر و توسعه نیاز خود بانک ها، و ارتقاء تکنولوژی لجستیک. رایانش لبه به یک پایگاه باز اطلاق می شود که شبکه، پردازش داده، ذخیره سازی و عملکردهای هسته ای اپلیکیشن را یکپارچه کرده و می تواند نزدیکترین سرویسend-of-page نزدیک به منبع داده مقصد را فراهم کرده و به نیازهای فوری، هوشمندی اپلیکیشن، امنیت و حریم خصوصی جنسی پاسخ دهد. هسته سرمایه گذاری زنجیره تامین ، دست یابی به یک طرح بهینه برای کنترل موثر سرمایه گذاری زنجیره تامین است. با یکپارچه سازی سواد مالی زنجیره تامین، هزینه تسویه در زنجیره تامین تعیین می شود. بر اساس تحقیق نظری، این مقاله سرمایه گذاری زنجیره تامین و تکنولوژی بلاک چین را تجزیه و تحلیل می کند. همراه با وضعیت خاص فعلی بلاک چین در سرمایه گذاری زنجیره تامین، سیستم مدیریت، گردش مالی زنجیره تامین و سیستم کنترل ریسک نیز آنالیز می شوند. همه طرفین سرمایه گذار در زنجیره تامین، باعث ارتقاء سیستم کنترل ریسک سرمایه گذاری زنجیره تامین شده در حالیکه هزینه های کسب و کار را کاهش داده و راندمان شرکتی را توسعه داده اند، که این امر به طور قابل ملاحظه ای ریسک تمامی طرفین حاضر در تامین بودجه زنجیره تامین را کاهش می دهد. محیط IOT بلاک چین بر اساس داده اشتراکی و پردازش داده پیشرفته از اهمیت نظری و عملی بسیار قوی در بهبود توسعه بانک های تجاری و شرکت ها برخوردار است.

5. نتیجه گیری

در دوره “اینترنت +”، یکپارچگی با اینترنت به یک روند اساسی در صنعت تبدیل شده است. اینترنت به شکل موثری جزیره های اطلاعاتی را با هم ترکیب کرده و اطلاات و یکپارچگی میان صنعت ها به ایجاد یک اکولوژی صنعتی جدید می انجامد. جوهره بانک های تجاری خدمت رسانی به شرکت های فیزیکی است و باید برای یافتن نقاط رشد مناسب در جهت پیشرفت صنعتی به زنجیره های صنعتی نفوذ کرد. موسسات سرمایه گذاری غیر بانکی هم چنین به شکل فعالانه در سرمایه گذاری زنجیره تامین شرکت کرده و دستاوردهایی کسب کرده اند. پیشرفت گسترده یک مسیر جدید برای سرمایه گذاری زنجیره تامین بانکهای تجاری فراهم کرده است. فعالیت های اصلی آن در برخی از صنعت های اصیل یافت می شود. استفاده از تکنولوژی بلاک چین در مرکز توجه سرمایه گذاری زنجیره تامین است. بر اساس تحقیق نظری، این مقاله به تحلیل سرمایه گذاری زنجیره تامین و تکنولوژی بلاک چین می پردازد. در ترکیب با وضعیت خاص کنونی بلاک چین در سرمایه گذاری زنجیره تامین، سیستم مدیریت، گردش مالی زنجیره تامین، و سیستم کنترل ریسک آنالیز می شوند. همه طرف های سرمایه گذاری زنجیره تامین سیستم کنترل ریسک سرمایه گذاری زنجیره تامین را بهبود بخشیده در حالی که هزینه های کسب و کار را کاهش داده و راندمان شرکتی را بالا برده اند، که به طور قابل توجهی ریسک همه طرفین موجود در سرمایه گذاری زنجیره تامین را کاهش می دهد. محیط IOT بلاک چین بر اساس داده اشتراکی و پردازش داده پیشرفته از اهمیت بالای نظری و عملی در ارتقاء پیشرفت بانک های تجاری و شرکت ها دارد.

Abstract

The implementation of the “Internet +” policy advocated by the state has also led to rapid development of Internet finance. In order to promote changes in business development models, as a pioneering work for banks serving the real economy, supply chains are being developed to address small and medium-sized enterprises. The financing of enterprises, the transformation and development needs of banks themselves, and the promotion of logistics technology. Edge computing refers to an open platform that integrates network, data processing, storage and application core functions, and can provide the closest end-of-page service near the object data source to meet real-time, application intelligence, security and privacy Sexual needs. The core of supply chain financing is to establish an optimized plan that can effectively control supply chain financing. By integrating the financing literature of the supply chain, the settlement cost in the supply chain can be solved. Based on theoretical research, this article analyzes supply chain financing and block chain technology. Combined with the current specific situation of block chain in supply chain financing, the management system, cash flow of the supply chain, and risk control system are analyzed. All parties to the supply chain financing optimize the supply chain financing risk control system while reducing business costs and improving corporate efficiency, which greatly reduces the risks of all parties in the supply chain financing. The block chain Iota environment based on shared data and advanced data processing has very powerful theoretical and practical significance for promoting the development of commercial banks and enterprises.

1. Introduction

The implementation of the ‘‘Internet +” policy advocated by the state has also resulted in rapid development of Internet finance. This modern financial development method poses important challenges to the operation and development of tra- ditional commercial banks. Commercial banks compete with customers. The capabilities of the company are being rebuilt, the customer’s development methods and methods must be rebuilt, and the profit model must be continuously improved. The development of the financial industry must be fundamentally changed. The new form of private financing, the crossborder competition between industrial capital and Internet financing has led to more and more financial themes, and the richness of financial activities and rapid changes in financial products have gradually created a broad The financial market spans multiple levels and fields. At this time, the rapid development of big data and cloud computer technology has created new financing models that are different from traditional financing. These have promoted changes in business development models. As a pioneering work for banks that serve the real economy, they are developing supply chains. Solve the financing problems of SMEs, the transformation and development needs of banks themselves, and promote the development of logistics technology. So far, the supply chain has become a powerful strategic controller, but the current supply chain is mainly reflected in several original fields, and the business varieties in these fields are relatively short.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

سیستم مدیریت خدمات مالی زنجیره تامین مبتنی بر به اشتراک گذاری داده های اینترنت اشیا در بلاک چین و محاسبات لبه ای

Supply chain financial service management system based on block chain IoT data sharing and edge computing

توسعه فناوری ها برای انجام محاسبات مه در سیستم های اینترنت اشیا مرتبط با بخش سلامت

Enabling technologies for fog computing in healthcare IoT systems

نکات

چکیده

1. مقدمه

2. روش تحقیق

2.1 منایع اطلاعات

2.2 انتخاب مورد پژوهشی

2.3 جستجوی SLR

2.4 معیار شایستگی انتخاب

2.5 نتایج جستجوی مقاله

3. محاسبات مِه در سیستم‌های IOT بخش سلامت

4. مقالات مرتبط

4.1 روش‌ها

4.2 توسعه سیستم

4.3 مرور و بررسی

5. محدودیت‌ها

6. بحث و موضوعات پیرامونی

6.1 ارزیابی عملکرد

6.2 انگیزه

6.3 چالش‌ها و موضوعات

6.4 پیشنهادات

7. درس‌های فراگرفته شده

8. نتیجه‌گیری

چکیده

موضوع: معماری محاسبات مِه دارای توزیع جغرافیایی است و بر این اساس انواع مختلفی از دستگاه‌های گوناگون در هر مکانی به این شبکه متصل می‌گردد تا باعث ایجاد ارتباطات یکپارچه متنوع و انعطاف‌پذیر، محاسبه، و دستگاه‌های ذخیره‌سازی گردد. محاسبات مِه دارای مزیت‌های زیادی بوده و برای برنامه‌های کاربردی مناسب است که در آن‌ها زمان واقعی، زمان واکنش سریع، و تاخیر کم، به ویژه در حوزه سلامت دارای اهمیت بالایی است. اهداف: هدف از این پژوهش، معرفی پژوهش‌های پیشین نظامند در مورد فناوری‌های محاسبات مِه در حوزه سیستم‌های IOT بخش سلامت و تحلیل موضوعات آن است. همچنین به تعریف انگیزه، و محدودیت‌هایی که محققان با آن روبرو می‌شوند، و پیشنهادات ارائه شده به تحلیل‌گران برای بهبود این حوزه پژوهشی مهم پرداخته می‌شود. روش‌ها: این پژوهش‌ها به صورت نظامند در مورد محاسبات مِه در بخش‌های مراقبت بهداشتی توسط مطالعات دیگر صورت می‌گیرد؛ همچنین از چندین سایت علمی بانک اطلاعاتی (WoS)  همچون ساینس‌دایرکت ، کتابخانه دیجیتال IEEE ، و اسکوپوس  بین سال‌های 2007 تا 2017 مورد استفاده قرار گرفته است تا به تجزیه و تحلیل این طرح، برنامه‌های کاربردی، و ارزیابی عملکرد آن بپردازیم.

1. مقدمه

چند نمونه از سرویس‌های اینترنت اشیا (IOT) همچون منابع محاسباتی، قابلیت ذخیره‌سازی، ناهمگنی، پردازش بالا، و موارد دیگر که باعث ایجاد تحول فناوری می‌گردد، توسط محاسبات ابری انجام می‌گیرد. این محاسبات ابری منجر به مجازی‌سازی منابع محاسباتی در سطوح مختلف می‌گردد. تقریبا تمام حوزه‌های زندگی بشر با محاسبات ابری وفق پیدا کرده است [2]. به هر حال، محاسبات ابری دارای موانعی از نقطه‌نظر تاخیر بالا است که دارای تاثیرات معکوسی روی فعالیت IOT دارد که این خود نیازمند پاسخ در زمان واقعی است. علاوه بر این، محاسبات ابری در تطبیق با با سیستم‌های کنترل صنعتی که مستلزم زمان پاسخ با کمترین تاخیر می‌باشد، نیست. [1]. در سال 2012، شرکت سیسکو ، الگوی زیرساختی را تحت عنوان محاسبات مِه معرفی نمود، که به عنوان یک مفهوم محاسباتی جدید به منظور ردیابی محدودیت‌های محاسبات ابری است [3].

7. درس‌های فراگرفته شده

مباحث زیادی در ارتباط با محاسبات مِه آموخته شده است. بدون شک محاسبات مِه، در مقایسه با محاسبات ابری باعث کاهش تاخیر در سیستم‌های IOT بخش سلامت می‌گردد. پژوهشگران نشان داده‌اند که شبیه‌سازی و نسبت‌های تجربی، مزایای زیادی را همچون پردازش توزیعی، حریم خصوصی، امنیت، مقیاس‌پذیری، تحمل خطا، و تاخیر کم ایجاد می‌کند. این مزایا برای سیستم مانیتورینگ نشانه‌های حیاتی بیمار، مفید است، که مستلزم قابلیت اطمینان، تحرک‌پذیری، شناخت بافت، و پردازش در زمان واقعی است.

Abstract

Context: A fog computing architecture that is geographically distributed and to which a variety of heterogeneous devices are ubiquitously connected at the end of a network in order to provide collaboratively variable and flexible communication, computation, and storage services. Fog computing has many advantages and it is suited for the applications whereby real-time, high response time, and low latency are of the utmost importance, especially healthcare applications. Objectives: The aim of this study was to present a systematic literature review of the technologies for fog computing in the healthcare IoT systems field and analyze the previous. Providing motivation, limitations faced by researchers, and suggestions proposed to analysts for improving this essential research field. Methods: The investigations were systematically performed on fog computing in the healthcare field by all studies; furthermore, the four databases Web of Science (WoS), ScienceDirect, IEEE Xplore Digital Library, and Scopus from 2007 to 2017 were used to analyze their architecture, applications, and performance evaluation.

1. Introduction

A number of IoT services, such as computation resources, storage capabilities, heterogeneity, high processing, and others that brought a technological revolution, are provided by cloud computing. The cloud provides the virtualization of computing resources at various levels [1]. Almost all the human life domains have adopted cloud computing [2]. However, cloud computing has drawbacks in terms of high delays which have an adverse effect on the IoT tasks that require a real-time response. Furthermore, it does not match industrial control systems which require a lowdelay response time [1]. In 2012, Cisco announced an infrastructure paradigm called fog computing, which is a new computing concept, so as to tackle the limitations of cloud computing [3].

7. Learned lessons

Numerous lessons related to fog computing have been learned. Fog computing, without a doubt, decreased latency in contrast to cloud computing in healthcare IoT systems. Researchers show that simulation and experimental proportions provide many advantages such as distributed processing, privacy, security, scalability, fault tolerance, and low latency. These advantages are beneficial for vital signs patient monitoring systems, which demand substantial reliability, mobility, context awareness, and processing in realtime.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

توسعه فناوری ها برای انجام محاسبات مه در سیستم های اینترنت اشیا مرتبط با بخش سلامت

Enabling technologies for fog computing in healthcare IoT systems

رویکردی برای مدیریت ایمن محیط های ابر لبه هیبرید

An approach for the secure management of hybrid cloud–edge environments

نکات مهم
چکیده
1 مقدمه
2 فعالیت‌های مرتبط
3 انگیزه
3.1 حوزه‌های حاکمیت
3.2 دامنه‌های عملیاتی
3.3 توصیف ما از امنیت لبه /ابر
4 مدل امنیتی ایجاد یک MOM برای رایانش ابری/ لبه‌ای مطابق با الزامات CSA
4.1 ملاحظات مقدماتی
4.2 حفظ ماژول ارتباطی درونی یک MoM برای رایانش ابر- لبه
5 MOM برای معماری رایانش ابر-لبه
5.1 بررسی کلی MOM4Cloud
5.2 بررسی کلی XMPP
5.3 مدیریت لایه‌های ابر و لبه
6 حفظ امنیت ارتباطات بین لایه‌های ابر و لبه
6.1 گسترش امنیت مورد نیاز XMPP
6.2 حفظ امنیت ماژول ارتباطی داخلی MOM4Cloud
6.3 الزامات CSA برای MOM4Cloud
7 پیاده سازی
7.1 طراحی افزونه امنیتی XMPP
7.2 یکپارچه سازی افزونه‌های امنیتی XMPP در CLEVER
8 ارزیابی و تحلیل آزمایشی
8.1 تنظیمات سیستم
8.2 زمان انتقال
8.3 زمان تکمیل
9 نتیجه گیری و ملاحظات پایانی
منابع

چکیده

پارادایم ابر اشیاء (CoT) یک رویکرد چالش برانگیز برای مدیریت آن دسته از برنامه‌های IoT است که از خدمات و منابع ابری بهره می‌گیرند. به منظور جلوگیری از تأخیر در ارتباطات ابر-اینترنت اشیاء، مدیریت خدمات حساس به زمان، باید به لبه CoT انتقال یابد. بدین منظور، یک محیط امن ابر- لبه برای مدیریت یکپارچه برنامه‌های IoT لازم است. تحقق یک راه حل امن و اجرایی میان افزار ابر-لبه، یک هدف بسیار راهبردی برای خدمات آینده CoT  است. بنابراین، همانطور که توسط اتحادیه امنیت سامانه‌های ابری (CSA) مورد تاکید قرار گرفته، باید عمیقاً مورد بررسی قرار گیرد.  یک رویکرد ارزشمند برای ایجاد یک سیستم ابر-لبه، بر مبنای یک راه حل ارتباطی پیام فوری می‌باشد. در محیطهای ابری کنونی، میان افزار پیام محور (MOM) بر مبنای یک پروتکل پیام فوری (IMP) عملکرد خوبی را فراهم می‌آورد، اما الزامات امنیتی را نادیده می‌گیرد. در این مقاله، هدف ما غلبه بر چنین شکافهایی با پیروی از دستورالعملهای CSA است. به خصوص، ما در مورد مسائل شامل در بهبود این نوع سیستم ابر-لبه برای دستیابی به محرمانگی، صحت، اعتبار و انکارناپذیری داده‌ها بحث می‌کنیم. علاوه بر این، یک مطالعه موردی واقعی را با توجه به مدل معماری MOM مورد تجزیه و تحلیل قرار می‌دهیم. نتایج آزمایشی حاصل از یک بستر تست واقعی، نشان می‌دهد که چگونه قابلیتهای امنیتی معرفی شده بر عملکرد کلی میان افزار تأثیر نمی‌گذارد.

1 مقدمه

با ظهور پارادایم ابر اشیاء (CoT)، چالش‌های جدیدی مانند ارتباطات بلادرنگ در بسیاری از دستگاههای هوشمند با یک واحد هماهنگی مرکزی بوجود آمده است. با این حال، سیستم‌های محاسباتی سنتی مبتنی بر پارادایم ابری، از آنها پشتیبانی نمی‌کنند. به منظور جلوگیری از تأخیر در ارتباطات ابر-اینترنت اشیاء، مدیریت خدمات حساس به زمان، باید به لبه CoT انتقال یابد. بدین منظور، یک محیط امن ابر- لبه برای مدیریت یکپارچه برنامه‌های IoT لازم است (1،2). سیستم ارتباطی میان افزار ابر- لبه بسیار پیچیده است، به این دلیل  توازن عملکرد و مدیریت امنیت در آن لازم است و اصلاً چیز بی اهمیتی نیست. در واقع، با توجه به یک محیط جهانی CoT، باید چندین مسئله را مورد توجه قرار داد. از یک سو، میان افزار ابر-لبه باید نسبت به تغییرات بسرعت واکنش نشان دهد. برای مثال، طبق عبارت معروف Benjamin Franklin ” وقت طلاست”، نقض توافقنامه سطح سرويس (SLA) ممکن است زیان مالی را برای ارائه دهنده فن آوری ابری در پی داشته باشد. از سوی دیگر، یک نشت امنیتی، می‌تواند به فاش سازی اطلاعات خصوصی یا حملات سایبری اشاره داشته باشد. این امر می‌تواند برای ارائه دهنده CoT  نیز برخی پیامدهای اقتصادی را در پی داشته باشد. به همین دلیل، اتحادیه امنیت سامانه‌های ابری (CSA) (3) ویژگیهای مهم امنیت ابری را متمایز ساخته است. طبق دستورالعملهای (CSA)، امنیت و حریم خصوصی باید  دسترس پذیری خدمات، کنترل دسترسی به منابع، کاهش آسیب پذیری، حفظ حریم خصوصی داده‌های بررسی شدۀ کاربر را تضمین کند. از آنجاییکه  CoT یک پارادایم نوظهور است، معماران نرم افزاری، باید با استفاده از یک مدل آسیب پذیری تحکیم یافته به عنوان یک نقطه مرجع، به مسئله عدم وجود استانداردهای امنیتی ad hoc رسیدگی کنند.

Abstract

The Cloud-of-Things (CoT) paradigm is a challenging approach to manage IoT applications exploiting Cloud resources and services. In order to avoid latency in Cloud–IoT communications, the management of time-sensitive services has to be moved to the edge of the CoT. To this aim, a secure Cloud-to-Edge environment for seamless management of IoT applications is necessary. The realization of a performing and secure Cloud-to-Edge middleware solution is a very strategic goal for future business CoT services. Thus, it needs to be deeply investigated, as highlighted by the Cloud Security Alliance (CSA). A valuable approach to develop an efficient Cloud-to-Edge system is based on an instant-message communication solution. In current Cloud environments, a Message Oriented Middleware (MOM) based on an Instant Message Protocol (IMP) provides good performance, but overlook security requirements. In this paper, we aim at overcoming such a gap following the CSA guidelines. In particular, we discuss the involved issues for improving such a kind of Cloud-to-Edge system in order to achieve data confidentiality, integrity, authenticity and non-repudiation. Moreover, we analyze a real case of study considering a MOM architectural model. Experimental results performed on a real testbed show how the introduced secure capabilities do not affect the overall performances of the whole middleware.

1 Introduction

With the advent of Cloud-of-Things (CoT) paradigm, new challenges arose, such as the real-time communication of many smart devices with a central coordination unit. However, traditional computing systems based on the Cloud paradigm do not support them. In order to avoid latency in Cloud–IoT communications, the management of time-sensitive services has to be moved to the edge of the CoT. To this aim, a secure Cloud-to-Edge environment for seamless management of IoT applications is necessary [1,2]. The communication system of a Cloud-to-Edge middleware is quite complex because it is necessary to balance performance and security management, and this is not trivial at all. In fact, considering a worldwide CoT environment, several issues need to be addressed. On one hand, the Cloud-to-Edge middleware needs to quickly react to changes. For example, according to the popular phrase of Benjamin Franklin ‘‘the time is money’’, a Service Level Agreement (SLA) violation might cause loss of money for a Cloud provider. On the other hand, a security leak can imply the disclosure of private data or cyber attacks. This can have also economic implications for the CoT provider. For this reason the Cloud Security Alliance (CSA) [3] has picked out the critical aspects of Cloud security. According to the CSA guidance, security and privacy have to ensure the availability of services, resource access control, vulnerability mitigation, privacy of the audited user data. As CoT is an emerging paradigm, software architects have to deal with the lack of adhoc security standards and of a consolidated vulnerability model as point of reference.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

رویکردی برای مدیریت ایمن محیط های ابر لبه هیبرید

An approach for the secure management of hybrid cloud–edge environments

روش تخمین منابع بر اساس کیفیت سرویس ( QoS) در رایانش ابری

Method of Resource Estimation Based on QoS in Edge Computing

1. مقدمه

2. کارهای مرتبط

3. رایانش مرزی

4. روش تخمین دینامیک

4-1 روش تطبیق شباهت

4-2 تخمین پیش بینی زنجیره رگرسیون- مارکوف

5. نتایج تجربی

6. نتیجه گیری و کار آتی

با توسعه اینترنت اشیا، تعداد تجهیزات شبکه ای در حال افزایش است و بار مراکز داده ابری نیز افزایش می یابد؛ برخی سرویس های حساس به تاخیر نمی توانند به موقع پاسخ دهند که منجر به کاهش کیفیت سرویس دهی  (QoS) می شود. ما در این مقاله روشی را برای تخمین منابع مبتنی بر کیفیت سرویس در رایانش مرزی  به منظور حل این مشکل پیشنهاد می دهیم. ابتدا منابع مطابق با شباهت فاصله اقلیدسی وزن دهی شده  دسته بندی شده و منطبق می شوند. عامل جریمه  و ماتریس وقوع Grey  برای تصحیح تابع تطبیق شباهت معرفی می شوند. سپس از روش پیش بینی زنجیره رگرسیون- مارکوف  برای تحلیل تغییر حالت بار منابع مورد نظر و انتخاب منبع مناسب استفاده می کنیم. در نهایت دقت و فراخوانی روش تطبیق را از طریق شبیه سازی ها مورد تجزیه و تحلیل قرار می دهیم، اثربخشی روش تطبیق را مورد اعتبارسنجی قرار می دهیم و ثابت می کنیم که روش پیش بینی زنجیره رگرسیون- مارکوف می تواند دقت پیش بینی را بهبود دهد.

1. مقدمه

با توسعه اینترنت اشیا  (IoT) دستگاه های بیشتر و بیشتری به ویژه دستگاه های سیار (همراه) به اینترنت دسترسی پیدا می کنند. شرکت سیسکو پیش بینی می کند که 50 میلیارد دستگاه تا سال 2020 به شبکه اینترنت متصل خواهد شد [2]. این دستگاه میزان قابل توجهی داده را در انتهای شبکه تولید می کنند که منجر به افزایش بار بر مراکز داده ابری  می شود. علاوه بر این، فاصله راه دور بین دستگاه های سیار و مرکز داده ابری سبب افزایش تاخیر ارسال می شود که منجر به این می شود که برخی سرویس های حساس به تاخیر نتوانند به سرعت پاسخ دهند و عملیات پردازش را انجام دهند. خدمات اینترنت اشیا همانند خودروهای متصل و پخش ویدیو نیازمند پهنای باند زیاد و تحویل محتوا با تاخیر کم هستند تا کیفیت سرویس را تضمین کنند. رایانش مرزی [3] نقش مهمی با استفاده از منابع شبکه ای نزدیک به شبکه محلی برای ارائه سرویس های با تاخیر پایین و بهبود کیفیت سرویس ایفا می کند.

6. نتیجه گیری و کار آتی

با رشد سریع اینترنت اشیا و رایانش ابری، کیفیت سرویس خدمات و رضایت کاربران به چالش مهمی تبدیل شده است. رایانش محلی و قابلیت های ذخیره سازی مربوط به رایانش مرزی می تواند تاخیر را کاهش دهد و رضایت کاربر را بهبود بخشد. ما در این مقاله از شباهت فاصله اقلیدسی وزن دهی شده برای دسته بندی منابع با چندین ویژگی کیفیت سرویس استفاده می کنیم. ما منابع مناسب را براساس تطبیق شباهت و روش پیش بینی زنجیره رگرسیون- مارکوف انتخاب می کنیم. از آنجایی که سیستم ویژگی کیفیت سرویس قابل توسعه است و نیازهای کیفیت سرویس کاربران دینامیک است، روش تخمین دارای مقیاس پذیری معینی است. ما براساس کار موجود می توانیم روش منطقی تحمین منبع را برای توازن رضایت بین کاربران و ارائه دهندگان سرویس و بهبود به کارگیری منابع طراحی کنیم.

With the development of Internet of Tings, the number of network devices is increasing, and the cloud data center load increases; some delay-sensitive services cannot be responded to timely, which results in a decreased quality of service (QoS). In this paper, we propose a method of resource estimation based on QoS in edge computing to solve this problem. Firstly, the resources are classifed and matched according to the weighted Euclidean distance similarity. Te penalty factor and Grey incidence matrix are introduced to correct the similarity matching function. Ten, we use regression-Markov chain prediction method to analyze the change of the load state of the candidate resources and select the suitable resource. Finally, we analyze the precision and recall of the matching method through simulation experiment, validate the efectiveness of the matching method, and prove that regression-Markov chain prediction method can improve the prediction accuracy.

1. Introduction

With the development of Internet of Tings (IoT) [1], more and more devices, especially mobile devices, constantly access the Internet. CISCO predicts that 50 billion devices will connect to the Internet by 2020 [2]. Tese devices will generate large amounts of data at the end of the network, which leads to the increment of the burden of cloud data center. Moreover, the remote distance between the mobile devices and cloud data center makes the transmission delay increase, which makes some delay-sensitive services can not get response and processing rapidly. IoT services, such as connected vehicle and video streaming, require high bandwidth and low latency content delivery to guarantee QoS. Edge computing [3] plays an important role by using network resources near the local network to provide a low latency service and improve QoS.

6. Conclusion and Future Work

With the rapid development of Internet of Tings and cloud computing, service QoS and user satisfaction become an important challenge. Local computing and storage capabilities of edge computing can reduce latency and improve user satisfaction. In this paper, we use weighted Euclidean distance similarity to classify multiple QoS attribute resources. We select the appropriate resources by similarity matching and regression-Markov chain prediction method. Since the QoS attributes system is extensible and the user QoS requirements are dynamic, the estimation method has certain scalability. On the basis of the existing work, we can design a reasonable method of resource estimation to balance the satisfaction between users and service providers and improve the utilization of resources.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

روش تخمین منابع بر اساس کیفیت سرویس ( QoS) در رایانش ابری

Method of Resource Estimation Based on QoS in Edge Computing

شبیه ساز RECAP: شبیه سازی سناریوهای محاسباتی ابر/لبه/مه

RECAP simulator: Simulation of cloud/edge/fog computing scenarios

چکیده

1. مقدمه

2. شبیه ساز RECAP

منابع

چکیده

     با توجه به روند فزاینده ای که نسبت به رایانش لبه و مه وجود دارد، هدف شبیه ساز REACAP این است که سناریوهای مقیاس بزرگ را در فضای رایانش ابری، مه و لبه شبیه سازی کند تا پشتیبانی از تصمیم گیری و کنترل را برای مدیریت نرم افزار و منبع مرکزی داده ها فراهم آورد. این امر از طریق شبیه سازی نرم افزار و زیر سیستم های نرم افزار، شبیه سازی منابع زیرساختی و سیستمهای مدیریت منابع و آزمایش و اعتبارسنجی نتایج شبیه سازی محقق خواهد شد. شبیه ساز RECAP و مدلهای مرتبط از درک تأثیرگذاری بر منابع، معیارهای بار کاری و میزان خدمات (QoS) و همچنین تبادلات به منظور بهره وری انرژی و هزینه در سناریوهای رایانش ابری ، لبه و مه پشتیبانی کرده و آنها را پیش بینی می کند، ضمن اینکه توافقات سطح سرویس (SLAs) کاربران را حفظ می نماید.

شبیه ساز RECAP

      شبیه ساز RECAP امکان انجام آزمایشات قابل تکرار و قابل کنترل را فراهم می آورد، به شناسایی اهداف در به کارگیری اجزا کمک می کند و آنها را قبل از استفاد واقعی از آنها در یک محیط ابری واقعی بطور بهینه ای حل می کند. این فن آوری های شبیه سازی به طور گسترده ای در RECAP به کار گرفته می شوند تا هم واکنش رفتارهای برنامه های ابری توزیع شده را و هم مراکز داده ها و سیستم های شبکه اتصال را شبیه سازی کنند. پیچیدگی و اندازه سیستم مورد نظر خود عوامل بازدارنده ای برای استفاده در مقیاس کامل هستند و در سطوح مختلفی در شبیه سازی ها مورد مطالعه قرار خواهند گرفت. شبیه ساز RECAP در ارزیابی گزینه های مختلف گسترش و مدیریت زیربنایی از نظر هزینه، انرژی، تخصیص منابع و استفاده از آن ، قبل از اقدام به استفاده از آنها در برنامه های کاربردی واقعی به بهینه ساز RECAP کمک می کند. این به خروجی دقیقی از طریق نظارت بر وضعیت زیرساخت های مرکز داده نیاز دارد تا بتواند ابزار موثری را برای پشتیبانی از تصمیم گیری فراهم آورد.این عملیات مشترک برای درک و مدیریت تبادلات در سناریوهای رایانش لبه و مه از اهمیت ویژه ای برخوردار است.