基于隱馬爾可夫的遠(yuǎn)程醫(yī)療平臺上帶寬的高可靠實(shí)時調(diào)度的制作方法
【專利摘要】本發(fā)明涉及遠(yuǎn)程醫(yī)療系統(tǒng)資源分配領(lǐng)域，尤其是涉及一種基于隱馬爾科夫的遠(yuǎn)程醫(yī)療平臺上帶寬的高可靠實(shí)時調(diào)度方法。可靠和高效的云端虛擬機(jī)資源調(diào)度能夠保證遠(yuǎn)程醫(yī)療系統(tǒng)實(shí)施救助的效率。目前的自適應(yīng)調(diào)度方法對于緊急或者普通的情況不能提供高精度的辨識。本發(fā)明在典型的遠(yuǎn)程醫(yī)療系統(tǒng)架構(gòu)的基礎(chǔ)上，提出了一個主節(jié)點(diǎn)的概念，用以統(tǒng)計儲存和傳輸?shù)男省Ｍ瑫r提出了一個新的方法來預(yù)測和分配遠(yuǎn)程醫(yī)療系統(tǒng)環(huán)境中虛擬機(jī)的帶寬。這個方法能夠通過收集歷史的帶寬負(fù)載信息來動態(tài)調(diào)節(jié)隱馬爾可夫模型中的各個參數(shù)。在預(yù)測了虛擬機(jī)未來的帶寬消耗之后，使用一個高性能的調(diào)度方法來分配每個虛擬機(jī)的帶寬。實(shí)驗(yàn)結(jié)果表明該方法提供了高精度的預(yù)測，使帶寬分配模塊能夠在爆發(fā)性需求來臨之前進(jìn)行正確的決策。
【專利說明】
基于隱馬爾可夫的遠(yuǎn)程醫(yī)療平臺上帶寬的高可靠實(shí)時調(diào)度所屬

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及遠(yuǎn)程醫(yī)療系統(tǒng)資源分配領(lǐng)域，尤其是涉及一種基于隱馬爾科夫的遠(yuǎn)程醫(yī)療平臺上帶寬的高可靠實(shí)時調(diào)度方法。

【背景技術(shù)】
[0002]在海地和日本的大地震發(fā)生之后，對快速應(yīng)急響應(yīng)和災(zāi)后管理有著很高的要求，使得對緊急事件處理的研究進(jìn)入新的領(lǐng)域。在一次緊急救援過程中，需要大量來自于遠(yuǎn)程醫(yī)療服務(wù)系統(tǒng)的幫助，包括個人醫(yī)療信息系統(tǒng)，醫(yī)療風(fēng)險評價體系，導(dǎo)引系統(tǒng)等。作為一個基于云的信息和專家系統(tǒng)，遠(yuǎn)程醫(yī)療系統(tǒng)能夠?qū)γ總€病人提供可靠的和可定制的服務(wù)。在軟件即服務(wù)(Saas)層上，遠(yuǎn)程醫(yī)療系統(tǒng)能夠歷史和現(xiàn)在的記錄來決定如何處理病人的緊急情況，特別是那些慢性的病人。在平臺即服務(wù)(PaaS)層，數(shù)據(jù)中心提供的資源，例如，CPU時間，帶寬以及存儲空間，可以租用給服務(wù)提供商讓他們自己部署他們的服務(wù)。為了減少數(shù)據(jù)中心的能耗，機(jī)器可能運(yùn)行在空閑狀態(tài)來節(jié)省電費(fèi)，性能也隨之降低。因此，如何準(zhǔn)確預(yù)測服務(wù)需求以及使系統(tǒng)快速的從低能耗狀態(tài)恢復(fù)是一個困難的問題。因?yàn)楫悩?gòu)的軟件/硬件組件以及它們之間的復(fù)雜聯(lián)系，發(fā)生錯誤的幾率大大提高。
[0003]傳統(tǒng)的可靠性分析包括兩種類型的方法:基于測量的方法和基于模型的方法?；跍y量的方法能夠提供更高的精度。但是決定大量的參數(shù)和配置的代價非常高，因此通常對所有系統(tǒng)的設(shè)計不都是可行的。基于模型的方法使用非狀態(tài)空間模型或者狀態(tài)空間模型來分析復(fù)雜系統(tǒng)可靠性。非狀態(tài)空間模型使用可靠性框圖(RBDS)，可靠性圖表(re I graphs)以及故障樹(FTs)來有效的解決系統(tǒng)可靠性，有效性以及系統(tǒng)平均失效時間。它的缺點(diǎn)是大量的問題會導(dǎo)致在分析過程和結(jié)果事件的時候出現(xiàn)連續(xù)的短路徑，在圖的規(guī)模增加的時候呈指數(shù)規(guī)模的增加。狀態(tài)空間模型能夠?qū)M件之間的復(fù)雜聯(lián)系進(jìn)行建模，比如馬爾可夫鏈。許多系統(tǒng)組件中的依賴關(guān)系的數(shù)據(jù)已經(jīng)在實(shí)踐中通過連續(xù)時間馬爾可夫鏈進(jìn)行了觀測和捕獲。好的遠(yuǎn)程醫(yī)療系統(tǒng)能夠提供給用戶可靠和有效的服務(wù)。一方面，醫(yī)療記錄，例如個人醫(yī)療記錄(PHR)，對病人和醫(yī)院來說都是很敏感的。在訪問數(shù)據(jù)以前，需要在所有服務(wù)層級上進(jìn)行嚴(yán)格的認(rèn)證使得病人的信息傳遞給正確的目標(biāo)。另一方面，硬件和軟件的限制將會降低遠(yuǎn)程醫(yī)療服務(wù)的性能，本發(fā)明關(guān)注云端虛擬機(jī)的帶寬分配，這是在資源調(diào)度中最困難的問題之一。不同于以往對組件之間關(guān)聯(lián)的研究，本發(fā)明提供給虛擬機(jī)一個高可靠性的帶寬分配服務(wù)，通過一個輕量級的基于測量的方法來演變隱馬爾可夫模型中的各個參數(shù)，然后通過這個模型來預(yù)測未來的帶寬消耗。


【發(fā)明內(nèi)容】

[0004]本發(fā)明的目的在于提供一種基于隱馬爾科夫的遠(yuǎn)程醫(yī)療平臺上帶寬的高可靠實(shí)時調(diào)度方法。
[0005]本發(fā)明解決其技術(shù)難題所采用的技術(shù)方案的步驟如下:
[0006]I)基于主節(jié)點(diǎn)協(xié)議實(shí)現(xiàn)在分布式數(shù)據(jù)中心中傳遞PHR
[0007]大部分的遠(yuǎn)程醫(yī)療服務(wù)是基于數(shù)據(jù)的統(tǒng)計和分析。因此，分布式計算需要保證個人醫(yī)療記錄(PHR)的安全性。本發(fā)明定義Request Node (RN)是一個請求PHR的節(jié)點(diǎn)，ServerNode (SN)是一個提供PHR的節(jié)點(diǎn)，Primary Node (PN)響應(yīng)RN的請求，并且分配一對RN和SN的帶寬。
[0008]?數(shù)據(jù)請求過程，當(dāng)開始了對病人的服務(wù)后，RN使用一個映射函數(shù)來找到對應(yīng)的PN，然后發(fā)送PHR的ID給PN。
[0009]?響應(yīng)過程，PN收到消息之后，將ID哈希映射到一個表中，PN計算出一個關(guān)于云端任務(wù)分布概率的矩陣，然后將矩陣發(fā)回RN，RN通過矩陣選擇SN，PN發(fā)一個響應(yīng)消息給RN，一個分配消息給SN。
[0010]?數(shù)據(jù)傳送過程，RN收到概率矩陣之后，它選擇最合適的數(shù)據(jù)中心(DC)作SN，因此來自于BSN的實(shí)時生理信號通過RN—>SN一>hospital server路徑傳輸。
[0011]2)帶寬測量方法的建立
[0012]在基于云的遠(yuǎn)程醫(yī)療系統(tǒng)中，所有的對PHR的請求可視為RN的隨機(jī)事件，因?yàn)榫o急事件的出現(xiàn)具有隨機(jī)性。使用qu來表示1^到？％的請求。系統(tǒng)中一共具有N個數(shù)據(jù)中心,可以使用矩陣Qnxn來描述系統(tǒng)中請求發(fā)送的概率。例如,在一個4個DC的系統(tǒng)中，向量q= (qi,0) QmjQ1,,, q, 3)是其中的一行。矩陣Q包含了數(shù)據(jù)傳輸信息的概率矩陣，因此當(dāng)來自RNi的請求能夠發(fā)送到最近的DC，那么整個系統(tǒng)的帶寬消耗將會降低。
[0013]使用同樣的方法來表不響應(yīng)概率分布。使用矩陣Pnxn來表不PN和SN之間的聯(lián)系。其中的項(xiàng)P^t表示了在SNk上找到PHR副本的概率。
[0014]對于基于內(nèi)存的數(shù)據(jù)一致性協(xié)議，同步通常是一個消耗非常大的操作。在數(shù)據(jù)傳輸開始前，RN需要到在PN上進(jìn)行目錄項(xiàng)的查找。意味著在PN搜索完成之前，RN不知道哪個SN是有效的。另一方面，PN在進(jìn)行搜索的時候，它不需要考慮RN的位置。使用REQy來表示管理節(jié)點(diǎn)i發(fā)送請求到DC節(jié)點(diǎn)j的隨機(jī)事件,FOUNDj，k表示節(jié)點(diǎn)j在節(jié)點(diǎn)k上找到了所需數(shù)據(jù)，這兩個事件在統(tǒng)計上互相獨(dú)立:
[0015]Pr (REQi；J H FOUNDj.k) =Pr(REQijj)Pr(FOUNDjjk) (I)
[0016]設(shè)計的最終目標(biāo)是傳送實(shí)時生理信號從RNi到SNk，這個事件的概率，稱為TRANSijk:
[0017]

N-1
Pr( TRANS,k)~ Σ Pr( RE()\,\ )Pr( 1l \[)j,l<)' 2 ?

J=O
[0018]使用矩陣Wnxn來表示系統(tǒng)傳輸?shù)姆植几怕?，W = QP (3)
[0019]元素Wi，k表示RNi到SNk的傳輸概率。
[0020]3)基于隱馬爾可夫模型(HMM)的寬帶預(yù)測方法
[0021]在系統(tǒng)喚起過程中，一個激勵源持續(xù)的增加組件的活動。相反，當(dāng)負(fù)載降低的時候，使用一個激勵源來減少資源供應(yīng)。定義這個激勵源為自適應(yīng)的HMM，通過分析歷史的帶寬使用調(diào)整參數(shù)來預(yù)測將來的帶寬消耗。HMM的優(yōu)點(diǎn)在于不僅僅學(xué)習(xí)帶寬消耗的習(xí)慣，同時保留了習(xí)慣改變的假設(shè)。
[0022]目標(biāo)函數(shù)和上下文中用到的參數(shù)和變量定義如下:
[0023]隱藏狀態(tài)集合H = {u，d, k}用來衡量帶寬消耗結(jié)果，ht e H表示在t時刻的隱藏狀態(tài)。如果ht = U意味著在t時刻帶寬消耗增加，系統(tǒng)需要分配更多的帶寬，如果ht = d表示在t時刻帶寬消耗較少，需回收一些帶寬，如果ht = k表示系統(tǒng)處于穩(wěn)定狀態(tài)。
[0024]定義一個觀察狀態(tài)集合O = {U, D, K}, ot e O表示在t時刻的觀察值，0t e U表示預(yù)測隱藏狀態(tài)為u，D和K同上。
[0025]作為普通的馬爾可夫鏈，隱藏狀態(tài)從一個狀態(tài)轉(zhuǎn)移到另一個狀態(tài)。使用
A — (?, U? %，d，^u, k ?^k, U? ^d, d? ^d, k ?^k, u?

ak?dJ ak?k)來表示u，d，k狀態(tài)之間的轉(zhuǎn)移的矩陣。 B — (bu，u，bu，D，bu，K ;bd，u，bd，D，bd，K ；bk?UJ bk，D，bk，K )是觀測矩陣。
[0026]同時定義了前向變量at(i)和反向變量i3t(i)
[0027]a t(i) =P [O1O2...0t, ht = Hi (A, B, π ) ] (4)
[0028]β t(i) =P [ot+1ot+2...0T I ht = Hi I (A, B, n )]
[0029]這里Hi e H在本方法中還用了另外兩個變量:ξ t (i，j)和Y t (i)。ξ t (i, j)表示在模型(A，B, π )以及觀測序列O1O2...0t的條件下，在t時刻處于Hi以及在t+Ι時刻處于Hj的概率。Yt(i)表示在t時刻處于氏的概率。定義如下:
[0030]ξ t (i, j) = P [ht = Hi, ht+1 = Hj | O1O2...0T, (A, B, π ) ] (5)
[0031 ] Y t(i) = P[ht = Hi O1O2...0T, (A, B, π )]
[0032]圖1顯示了寬帶預(yù)測方法的細(xì)節(jié)。在系統(tǒng)中，歷史帶寬消耗(u，d，k)的序列被作為隱藏狀態(tài)。對應(yīng)的預(yù)測結(jié)果(U，D，K)被作為觀測狀態(tài)，長度為T。方法計算了變量at(i)和βta)，并在此基礎(chǔ)上計算ita，j)和Ytα)。新的HMM參數(shù)可以通過ita，j)和Yta)獲得。選擇最可能的模型參數(shù)來預(yù)測T+1時刻的隱藏和觀測狀態(tài)。
[0033]方法第一步初始化所有的HMM參數(shù)為1/3,因?yàn)榭偣泊嬖?種狀態(tài)。第二步和第三步遞歸的計算了前向和反向變量。第四步對時間(t，t+l)的狀態(tài)計算了 ξ，分子為P(ht=Hi, ht+1 = Hj, OI (A, B, Ji)),分母為 P (O I (A，B，π ))。第五步則是通過把所有的 ξ t (i, j)對于j的求和得到Y(jié)t(i)。第六步到第八步則是用于調(diào)整HMM參數(shù)的操作。新參數(shù)為(λ,' B')，使用Y1 (t)來表示在初始時刻隱藏狀態(tài)為Hi的期望值。第七步中的公式表示了從隱藏狀態(tài)Hi到&的轉(zhuǎn)移概率。第八步的公式模型處在隱藏狀態(tài)&時觀察符號為Ok的概率。第九步預(yù)測T+1時刻可能性最高的隱藏和觀察狀態(tài)。
[0034]數(shù)據(jù):隱藏序列Ii1Ii2...ht,觀測序列O1O2...0t。
[0035]結(jié)果:隱藏序列Ii1Ii2...ht和觀測序列O1O2...0t在T+1時刻的預(yù)測。
[0036]第一步:初始化A。，B0, 31
[0037]ai； j = 1/3，by = 1/3，π i = 1/3
[0038]第二步:計算向前變量α
[0039]a l (i) = Ji j.bj, O1, i = I, 2, 3 ；
[0040]CU i(j) = /，,.《1.1卜丨”?(/)?//:'/，t=2, 3，…，T，j=l，2, 3
[0041]第三步:計算向后變量β
[0042]β T(i) =l,i = l,2,3；
[0043]//⑴=Z,.十 /.A,.".χ.βι \ i(j), t=T-l, T-2,...1, i=l，2, 3
[0044]第四步:基于α，β對時間(t，t+1)的狀態(tài)計算ξ

aK\)'a1.；rbj.0, I 1.βι \ i(j)
[0045]ζ?{1，力—^ ^7 7) T7T

Σ/.1,2,3 Σ,.1,2,3 α,(?).aL j.bj-°….片 + 1CO
[0046]第五步:基于ξ計算出Υ
[0047]7屮)=Σ/=ι236(1，』)，2，…’ T，i=l，2，3
[0048]第六步:生成一個新初始狀態(tài)的數(shù)組'
[0049]Ti ' = Y ! (i), i = I, 2, 3
[0050]第七步:生成一個新矩陣A'
[0051]a'ij = ^~J- , h j=l，2，3
Σ』(?)
[0052]第八步:生成新的預(yù)測矩陣B'
[0053]b ,=厶,，ο,⑴，j= I, 2，3, Ch eO
[0054]第九步:通過a' u預(yù)測下一個隱藏序列hT+1，通過b',,,預(yù)測下一個觀察狀態(tài)
Oj+i? 返回 hT+1 和 οτ+1
[0055]4)高可靠實(shí)時調(diào)度的寬帶分配模塊
[0056]本發(fā)明使用最近的T個狀態(tài)來進(jìn)行HMM模型的決策，因此存在一個長度為T的滑動窗口。首先，OT被替換為上一次的帶寬消耗。在這步中，一個帶寬測量模塊用來與云端交互來獲得請求矩陣和響應(yīng)矩陣。同時計算傳輸矩陣W。通過這個矩陣，該模塊能一對節(jié)點(diǎn)的帶寬消耗，同時根據(jù)所得結(jié)果來設(shè)置狀態(tài)為U，D或者K。
[0057]在替換了 Ot后，窗口向前滑動一步，同時調(diào)整HMM模型參數(shù)為(Α，' B' , π / )。在實(shí)現(xiàn)中，使用一個慢啟動方法來分配節(jié)點(diǎn)之間的帶寬。

【專利附圖】

【附圖說明】
[0058]圖1寬帶預(yù)測方法細(xì)節(jié)
[0059]圖2緊急情況發(fā)生時預(yù)測方法的性能帶寬消耗

【具體實(shí)施方式】
[0060]I)平臺與實(shí)現(xiàn)。
[0061 ] 本發(fā)明進(jìn)行了一系列的實(shí)驗(yàn)來將本發(fā)明的帶寬分配方法和其他方法進(jìn)行比較，并分析在敏感性，可靠性以及響應(yīng)時間方面的的性能。實(shí)現(xiàn)了一個包括了 256個BSN和16個DC的仿真平臺.每個BSN隨機(jī)的發(fā)送數(shù)據(jù)到DC，DC的代理完成帶寬請求的分析。同時還實(shí)現(xiàn)了另外4種方法:平均預(yù)測(Average Predic-t1n, AP),權(quán)值預(yù)測(WeightedPredict1n, WP),最近平方預(yù)測(Last Squares Predict1n, LSP)和隨機(jī)預(yù)測(RandomPredict1n, RP)。
[0062]2) T:敏感因子
[0063]歷史記錄的長度對模型的敏感性有著重要的影響。定義敏感性為實(shí)際的帶寬消耗

C(T)-M
以及預(yù)測值之間的差別:。厘是帶寬消耗的測量值，AM是M的變化

AM
值，C(T)是通過模型所計算出來的值。例如，當(dāng)M在短時間內(nèi)急劇增加，C(T)如果反應(yīng)較小，那么系統(tǒng)的敏感系數(shù)為負(fù)值，同樣如果反應(yīng)比較大就為正值。當(dāng)M減小，AM為負(fù)值，穩(wěn)定的C(T)使敏感因數(shù)為負(fù)，結(jié)果仍然正確。最理想的敏感因數(shù)為I。
[0064]T的長度表示了有多少個歷史狀態(tài)用來調(diào)整HMM模型，M的一個突然變化不會被模型所響應(yīng)直到大多數(shù)歷史狀態(tài)顯示帶寬需求已經(jīng)改變。在這種情況下，響應(yīng)就延遲了。另外一方面，太短的T會使模型過于敏感，M的一個很小的變化可能導(dǎo)致很多帶寬的分配和回收。這種情況下響應(yīng)時間很短，但系統(tǒng)資源消耗很大。使用一個較小的T(T = 4)來設(shè)置算法，模型對于真實(shí)數(shù)據(jù)顯得非常敏感。其因數(shù)為1.73，遠(yuǎn)高于I?？赡軙斐珊芏鄮挼姆峙浜突厥展ぷ?，當(dāng)T = 16，敏感因數(shù)為0.45，對于突發(fā)情況的響應(yīng)很慢。當(dāng)T = 8，就比較合適，其因數(shù)為1.27，說明對T的調(diào)整可以很好的改變模型的敏感性。
[0065]3)可靠性
[0066]一個高可靠的遠(yuǎn)程醫(yī)療系統(tǒng)能夠?yàn)槲磥淼膸捪奶峁┚_的預(yù)測。使用測量值和預(yù)測值之間的距離來定義模型的可靠性:i'elkibUty = lt\Mt-Ci f。Mt和Ct為t時刻的測量值和預(yù)測值。如果模型擁有較低可靠性，就意味值更高的精確性。與其他4種方法進(jìn)行了比較。AP是最簡單的預(yù)測方法，通過前m個時間段的平均值來預(yù)測。帶寬的實(shí)時信號是局部靜止與一個緩慢變化的平均值。WP是基于權(quán)值的預(yù)測方法，以一種更靈活的方式來對歷史記錄的進(jìn)行加權(quán)計算。因?yàn)樽罱膸捴悼赡軙扰f值更重要。因此，在實(shí)踐中，力口權(quán)因子是經(jīng)常選擇的是分配更多的權(quán)重給最新的值，減少舊值的權(quán)重。LSP是最小二乘法，這是一種標(biāo)準(zhǔn)的方法來描述一個值序列的趨勢。它的主要思想是最大限度地減少了在每一個方程的結(jié)果誤差的平方和。RP增加了一個高斯隨機(jī)誤差上的平均預(yù)測結(jié)果，其中，該模型會嘗試猜測未來的帶寬消耗。
[0067]本發(fā)明選擇了 15種請求發(fā)送模式來引導(dǎo)每個BSN發(fā)送請求，對于每個請求發(fā)送模式，在一個時間段內(nèi)隨機(jī)時間點(diǎn)上產(chǎn)生請求，這里的隨機(jī)時間來自隨機(jī)數(shù)的方法的一個隨機(jī)時間產(chǎn)生。例如，用均勻隨機(jī)的情況下，請求發(fā)送時間是在一個區(qū)間的均勻分布，因?yàn)槭怯梢粋€均勻隨機(jī)變量生成的時間。
[0068]結(jié)果顯示，在四大傳統(tǒng)方法，AP和RP有測量和預(yù)測值之間的最長距離。LSP在帶寬分配最佳的可靠性，平均情況下有著AP可靠性66.7%的水平。本發(fā)明HMM算法得到的值比LSP距離更短，平均只有AP可靠性52.5%的水平。最壞的情況下會出現(xiàn)在經(jīng)驗(yàn)隨機(jī)中，其中，64%的比例仍比LSP平均情況要低一點(diǎn)。
[0069]RP的預(yù)測方法不能獲得足夠好的可靠性，因?yàn)椴聹y的過程是過于武斷。例如，當(dāng)帶寬需求不斷增加，RP的方法也有50%的概率，減少帶寬提供，所以它無法從歷史記錄參考。WP比RP好，因?yàn)樗ㄟ^總結(jié)歷史值計算權(quán)重。LSP的方法有著更高的可靠性，這主要來自于分析的歷史價值，產(chǎn)生一個線性函數(shù)在未來進(jìn)行預(yù)測。然而LSP的缺點(diǎn)是，它沒有猜測特征，如RPl。因此沒有機(jī)會使LSP在緊急事件處理時做出轉(zhuǎn)換的決定。在HMM模型中，歷史記錄是用來進(jìn)化模型參數(shù)，同時，基于隨機(jī)過程的模式提供了機(jī)會來猜測不確定的未來。當(dāng)猜測是正確的，它會被鼓勵繼續(xù)猜測，否則，概率模型能夠迅速恢復(fù)。
[0070]4)響應(yīng)延遲
[0071]遠(yuǎn)程醫(yī)療系統(tǒng)的設(shè)計應(yīng)該能夠在大量請求到來之前分配資源。對于緊急事件管理，爆發(fā)式請求來自于大量的BSN網(wǎng)絡(luò)。一般來說，有兩個階段在緊急情況下的帶寬消耗:指數(shù)式增長和表狀態(tài)。在指數(shù)生長階段，沒有限制的請求的生成，因而，帶寬消耗能夠以一種非?？焖俚哪Ｊ皆鲩L，例如指數(shù)級增加生長。在硬件資源耗盡的情況下就不能再增長了，例如緩存的耗盡或是達(dá)到路由器的最大工作帶寬。在這種情況下，帶寬消耗值將保持穩(wěn)定，并且額外的請求將被丟棄。
[0072]—個良好的帶寬預(yù)測方法應(yīng)盡快推動分配模塊，以釋放網(wǎng)絡(luò)資源識別帶寬的變化。同時，它可以從帶寬值中的噪聲避免干擾，這將減少資源管理的操作。圖2顯示了當(dāng)緊急情況發(fā)生時，這些預(yù)測方法的性能帶寬消耗。黑色曲線是測量實(shí)時帶寬消耗。在時刻21之前，請求數(shù)量是呈指數(shù)增長階段。在此之后，請求數(shù)在表態(tài)階段。由圖可知，所有的五個預(yù)測方法可以跟上實(shí)際值的變化趨勢。然而，AP，WP，LSP和RP無法看未來的呈指數(shù)增長的井噴請求。換句話說，他們無法預(yù)先感知到變化，直到變化已經(jīng)出現(xiàn)了一段時間。這四種方法有著不同的時間延遲。AP的方法有大約3ticks的最長的時間延遲，而WP方法減少到了約2個tick。LSP的方法只需要I個滴答的時間延遲，其中有四種方法中最好的性能。RP方法的性能很不穩(wěn)定。最大延遲時間是15ticks,而最小的延遲幾乎為零。對于HMM算法，資源分配總是在請求到來之前。此外，在良好的窗口長度(T = 8)下，保證了測量值的噪聲不能造成預(yù)測值的過度反應(yīng)，所以在表態(tài)階段的HMM是穩(wěn)定的。
【權(quán)利要求】
1.一種基于隱馬爾科夫的遠(yuǎn)程醫(yī)療平臺上帶寬的高可靠實(shí)時調(diào)度方法，其特征在于該方法的步驟如下: 1)基于主節(jié)點(diǎn)協(xié)議實(shí)現(xiàn)在分布式數(shù)據(jù)中心中傳遞PHR 籲數(shù)據(jù)請求過程:當(dāng)開始了對病人的服務(wù)后，RN使用一個映射函數(shù)來找到對應(yīng)的PN，然后發(fā)送PHR的ID給PN ； ?響應(yīng)過程:PN收到消息之后，將ID哈希映射到一個表中，PN計算出一個關(guān)于云端任務(wù)分布概率的矩陣，然后將矩陣發(fā)回RN，RN通過矩陣選擇SN，PN發(fā)一個響應(yīng)消息給RN，一個分配消息給SN ； ?數(shù)據(jù)傳送過程:RN收到概率矩陣之后，它選擇最合適的數(shù)據(jù)中心(DC)作SN，因此來自于BSN的實(shí)時生理信號通過RN—>SN一>hospital server路徑傳輸； 2)帶寬測量方法的建立 使用k來表示RNi到的請求，使用矩陣Qnxn來描述系統(tǒng)中請求發(fā)送的概率，使用矩陣Pnxn來表示PN和SN之間的聯(lián)系，其中的項(xiàng)P」，，表示了 PNj在SNk上找到PHR副本的概率，使用REQy來表示管理節(jié)點(diǎn)i發(fā)送請求到DC節(jié)點(diǎn)j的隨機(jī)事件，F(xiàn)OUNDj，k表示節(jié)點(diǎn)j在節(jié)點(diǎn)k上找到了所需數(shù)據(jù)，這兩個事件在統(tǒng)計上互相獨(dú)立:
Pr (REQi；j H F0UNDJ；k) = Pr (REQi；J)Pr (FOUNDj.k) (I) 最終目標(biāo)是傳送實(shí)時生理信號從RNi到SNk，這個事件的概率，稱為TRANSu:
N-1Pr ( TRA 斷)~ Σ Pr( REQl]) Pr( 1l.\[)j,k)'2)
j=o 使用矩陣Wnxn來表不系統(tǒng)傳輸?shù)姆植几怕剩?br> W = QP (3) 元素wi;k表示RNi到SNk的傳輸概率； 3)基于隱馬爾可夫模型(HMM)的寬帶預(yù)測方法 定義激勵源為自適應(yīng)的HMM，通過分析歷史的帶寬使用調(diào)整參數(shù)來預(yù)測將來的帶寬消耗； 目標(biāo)函數(shù)和上下文中用到的參數(shù)和變量定義如下: 隱藏狀態(tài)集合H= {u，d，k}用來衡量帶寬消耗結(jié)果，ht e H表示在t時刻的隱藏狀態(tài)，ht = u意味著在t時刻帶寬消耗增加，系統(tǒng)需要分配更多的帶寬，ht = d表示在t時刻帶寬消耗較少，需回收一些帶寬，ht = k表示系統(tǒng)處于穩(wěn)定狀態(tài)； 定義一個觀察狀態(tài)集合O = {U, D, K}, ot e O表示在t時刻的觀察值，ot e U表示預(yù)測隱藏狀態(tài)為u，D和K同上，作為普通的馬爾可夫鏈，隱藏狀態(tài)從一個狀態(tài)轉(zhuǎn)移到另一個狀態(tài)，使用 A = (au，u, au d, au，k ;ad，u, ad，d, ad k ;ak，u, ak，d, ak，k)來表不 u, d, k 狀態(tài)之間的轉(zhuǎn)移的矩陣，B — (bu，u, bu，D, bu，K ;bd，u, bd，D, bd，K ；bk；u, bk，D, bk，K)是觀測矩陣； 同時定義前向變量at(i)和反向變量i3t(i)
a t (i) =P [O1O2...0t, ht = Hi I (A, B, π )]
β t (i) =P [ot+1ot+2...0T I ht = Hi I (A, B, π )] (4) Hi e H在本方法中還用了另外兩個變量:lt(i，j)和Yt(i)，lt(i, j)表示在模型(A, B, π )以及觀測序列O1O2...0t的條件下，在t時刻處于Hi以及在t+Ι時刻處于Hj的概率，? t (i)表示在t時刻處于Hi的概率，定義如下:
It (i, j) = P [ht = Hi, ht+1 = Hj I O1O2...0T, (A, B, π ) ] (5)
Yt(i) =P IX = Hi I O1O2...0T, (A, B, 3i)] 在系統(tǒng)中，歷史帶寬消耗(U，d，k)的序列被作為隱藏狀態(tài)，對應(yīng)的預(yù)測結(jié)果(U，D，K)被作為觀測狀態(tài)，長度為T，方法計算了變量at(i)和β t (i)，并在此基礎(chǔ)上計算€t(i，j)和Yt(i)，新的HMM參數(shù)可以通過€t(i，j)和Yt(i)獲得，選擇模型參數(shù)來預(yù)測T+1時刻的隱藏和觀測狀態(tài)； 方法第一步初始化所有的HMM參數(shù)為1/3,因?yàn)榭偣泊嬖?種狀態(tài),第二步和第三步遞歸的計算了前向和反向變量，第四步對時間(t，t+1)的狀態(tài)計算ξ，分子為P Oit = Hptvi=Hj, OI (Α，B，π ))，分母為P (O I (Α，B，π ))，第五步通過把所有的ξ t (i, j)對于j的求和得到Y(jié)t (i)，第六步到第八步則是用于調(diào)整HMM參數(shù)的操作，新參數(shù)為(A，' B'，π ')，使用Y i (t)來表示在初始時刻隱藏狀態(tài)為Hi的期望值，第七步表示從隱藏狀態(tài)Hi到民的轉(zhuǎn)移概率，第八步的公式模型處在隱藏狀態(tài)&時觀察符號為Ok的概率，第九步預(yù)測T+1時刻可能性最聞的隱減和觀察狀態(tài)；
數(shù)據(jù):隱藏序列Ii1Ii2...ht，觀測序列O1O2...0t 結(jié)果:隱藏序列Ii1Ii2...ht和觀測序列O1O2...0t在T+1時刻的預(yù)測 第一步:初始化A0, B0, 31
ai；J = 1/3, bi；J = 1/3, η t = 1/3 第二步:計算向前變量α
α ! (i) = π j.bj, O1, i = I, 2, 3 ；
at + i(j) =bj,o,*\-? ,a:{i)cu,j, t=2, 3，T，j=l，2，3 第三步:計算向后變量β β τ⑴=Li = 1,2,3；
βι(\) = ^,Cu., ■ bj.ο, + ι.βι + \(}), t=T-l, ?-2,…1，i=l，2, 3 第四步:基于α，β對時間(t，t+1)的狀態(tài)計算ξ
?CCnu.Cl1.j ' hi, οι I.βι I l(j) ,U'J) ΣμΧ:。產(chǎn)).旬.“+ 1 ⑴ 第五步:基于ξ計算出Y 汐《 =j)，戶1，2，…，T，i=l, 2，3 第六步:生成一個新初始狀態(tài)的數(shù)組η '
Tl 1 = Y I (i)? I = 1,2,3
第七步:生成一個新矩陣A' a'ij = -，i，j=l，2, i 第八步:生成新的預(yù)測矩陣B'
T
/Yt{j) b'j,k =——，j=l，2，3, CkeO
Σ；=ι^) 第九步:通過a' U預(yù)測下一個隱藏序列hT+1，通過b' U預(yù)測下一個觀察狀態(tài)οτ+1，返回h:+i和〇τ+ι ο
【文檔編號】H04L29/08GK104202352SQ201410325828
【公開日】2014年12月10日 申請日期:2014年7月8日 優(yōu)先權(quán)日:2014年7月8日
【發(fā)明者】郭兵, 沈艷, 王繼禾, 陳輝, 李君科, 李德光, 陳英超, 馬群, 黃勇 申請人:四川大學(xué)