边缘云保护医疗系统的安全性与效率研究

埃及信息学杂志22（2021）401安全边缘云集成隐私保护医疗保健系统Ramaprabha JayaramJiang，S. Prabakaran印度Kattankulathur SRM科学技术学院计算机科学与工程系阿提奇莱因福奥文章历史记录：收到2020年2020年10月28日修订2020年12月11日接受2020年12月25日在线发布保留字：边缘级安全环境辅助生活自适应概率分类器基于云的医疗康复监测A B S T R A C T基于边缘的隐私保护密码系统被认为是基于云的安全远程医疗监控系统的即将到来的设施。通常，基于云的医疗保健系统将通过传感器层直接收集远程患者数据，并通过决策支持系统进行的各种预测过程提供连续监测和诊断。在不损害其隐私和安全性的情况下对患者的实时医疗数据的这些感测和处理成为传统医疗保健服务中令人生畏的问题。因此，所提出的研究将安全机制结合在以患者为中心的基于边缘云的医疗系统架构中。更准确地说，边缘层隐私保护的加性同态加密提出了安全的数据处理和过滤的边缘层的非敏感数据。此外，响应时间和网络容量的使用最小化，在拟议的医疗保健系统由于有效的过滤和卸载机制，在边缘水平适应。然后，在云层中提出了一种自适应加权概率分类器模型，用于远程患者的车载疾病预测和康复。与传统的分类器模型相比，该方法可以提高疾病预测的时间和准确率。最后，安全性和性能分析所提出的安全边缘云为基础的医疗保健系统（SECHS）的帕金森病数据集的实证评估方面进行了证明©2021 THE COUNTORS.出版社：Elsevier BV代表计算机和人工智能学院开罗大学法律系这是一篇CC BY-NC-ND许可证下的开放获取文章（http：//creative-commons.org/licenses/by-nc-nd/4.0/）上提供。1. 介绍基于云的医疗保健服务变得越来越受欢迎，因为集中的电子医疗记录（EHR）和远程不间断的服务设施。新兴的远程医疗行业需要保持安全性和隐私性，因为医疗4.0的性质不断增长，这对来自公共存储库的患者数据的访问机制产生了重大影响[1]。为了改善协调和提高医疗质量，患者可以与医生共享他们的个人健康记录。这些记录存储在基于云的Zebra Health或Microsoft Health Vault中[2]。然后，医生可以根据存储在云中的记录序列对患者的健康状况进行调查由于这一事实，存储在云服务器中的数据将无法访问所有医疗数据*通讯作者。电子邮件地址：ramaprabhajayaram@gmail.com（R. Jayaram）。开罗大学计算机和人工智能系负责同行审查由多个用户上传，可能会意外泄露[3]。这种情况将打开窥探的大门，以发起各种级别的安全攻击，例如医疗保健系统中的为了提供安全性，已经利用基于属性的加密方案来对电子医疗保健记录进行访问控制，其中患者可以使用适当的访问策略来解密数据[4]。如今，基于边缘的医疗服务分别通过数据卸载和实时处理在边缘计算框架在这里，边缘级别的计算卸载可以最小化边缘和云服务器之间的能耗、通信和计算延迟[5]。现有的医疗系统研究更多地集中在云服务器级别的数据处理和数据共享安全机制上[6，7]。特别是，边缘和云服务器平台的集成对于实时医疗系统提供有效的数据处理和疾病预测是非常困难的。这一点在边缘云一体化的智慧环境中更加明显由于边缘云环境的开放性和用户的有限访问控制https://doi.org/10.1016/j.eij.2020.12.0031110-8665/©2021 THE COMEORS.出版社：Elsevier BV代表开罗大学计算机和人工智能学院。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页：www.sciencedirect.comR. Jayaram和S. Prabakaran埃及信息学杂志22（2021）401402可能有一些不可避免的原因导致安全问题，如用户隐私和提供商的商业价值[8]。为了将数据共享给终端用户，需要更流行的访问控制方案来改善边缘计算平台中的不良情况。更具体地说，一些安全威胁，如侧信道攻击、虚拟化漏洞、网络泄漏和拒绝服务攻击与云数据服务密切相关[9]。因此，在对等边缘和云节点之间卸载和共享之前，需要在本地加密医疗保健数据。此外，由于通信线路和终端设备引起的信号失真可以很容易地与由于帕金森病引起的语音失真区分开来。它可以通过具有单调语音质量的低音量声音识别，在开始讲话之前，单词之间有不幸的沉默和长时间的停顿。为了填补这一研究空白，在边缘和云服务器级引入了一种有效的隐私保护加密方案。本研究的第一个目标是开发有效的隐私保护加性同态加密技术，以及在边缘计算水平上的能量感知实时数据卸载方案。下一个目标是设计和开发云级别的自适应加权概率分类器模型，用于机载疾病预测和康复监测。在边缘和云服务器级别分析了与此研究背景相关的现有智能医疗系统。在边缘级别，开发了一个有效和负责任的访问控制框架，以提供更安全和更强大的有用功能，用于设计患者数据检索略有延迟的路由器[10]。在边缘计算层采用基于混沌映射的认证方案来实现双因素数据安全和前向保密[11]。使用区块链技术在云服务器级别强制执行去中心化属性，以确保存储在云环境中的医疗数据的完整性和问责制[12]。此外，块链技术有助于保护云服务器与医院网络之间的信息交换没有任何延迟和信息泄漏。它承诺通过灵活的数据互操作性和支付模式在医疗利益相关者和远程患者之间提供安全的数据存储和共享[13]。由于维护了前一个块、时间戳和交易数据的加密哈希函数，因此它可以保护数据的隐私。但它仅限于医疗保健系统中利用的实时智能合约的数据索引提取开销和成本效益数据处理交易开销[14]。除了安全性，拟议的研究还包括实施-基于边缘云的医疗保健系统中的自适应分类器模型的建立。现有的医疗保健系统利用基于推理的隐私感知决策支持系统进行疾病预测和患者敏感数据的保存[15]。多级分类器方法与机器学习和基于粒子群优化的特征选择技术一起实施，以提高疾病的预测精度和诊断[16]。这些方法比较复杂，增加了系统的响应时间，并且获得了非常小的故障报警率。为了克服这些问题，所提出的研究结合了隐私保护加性同态加密和卸载机制，以提高安全性和优化通信容量和能量在边缘水平。除了这种加密，所提出的研究还在云服务器级别采用了自适应加权概率分类器模型，以增强机载疾病预测和康复监测过程。研究报告分为五个部分。下一节将根据数据安全和疾病预测的背景，对云市场中可用的智能医疗保健系统进行深入的文献综述。第3节详细描述了拟议的基于边缘云的医疗保健系统架构，并提供了适当的安全性和分类器模型。在秒-第四，简要描述了实时实验评估，以及结果表和讨论的证据最后一节给出了智能医疗系统的研究结论和未来的改进。2. 相关作品2.1. 基于云的智能医疗系统的安全性根据最近在医疗保健系统中的研究，在边缘和云级别都采用了各种安全机制，如图1所示。在边缘级别，安全技术应用于密码学、机器学习和计算智能方法的背景下[17]。这里，密码学方法包括高级加密标准、安全套接层、访问控制、区块链、基于密文策略属性的加密、诱饵、Deffie-Hellman和Shibboleth安全方案。接下来，机器学习方法包括深度学习，j48决策和实时机器安全方案。最后，计算智能方法包含各种安全方案，如进化博弈，fog-fisver和f-iov。此外，基于机器学习方法开发了一种轻量级选择性加密方案，以进一步保护患者数据隐私[18]。Canetti-Krawczyk安全模型在边缘/雾级中实施，以在边缘和云计算之间建立安全通信，而不会泄漏任何患者数据身份[19]。因此，为了使网络物理系统快速发展，设计并验证了一种新的对数加密方案，用于处理真实环境中的安全、隐私和信任相关问题[20]。为了建立从源到目的地的安全路由，为了提高网络物理系统中路由的成功概率，在恶意环境下建立了基于信任检测的安全路由方案[21]。在云级别，可搜索公钥加密方案是用于平衡搜索操作的安全性和效率，并对加密数据提供隐私保护[22]。该方案被扩展为模糊关键字启用的排名可搜索加密方案，以保证部署在公共云架构上的真实语音语料库的安全特性[23]。此外，这种可搜索的加密在搜索结果落入精确的时间段之前不能是成功的方案。因此，设计了一种新的时间感知可搜索加密方案，使用指定的医疗云服务器，以提供比现有方案更高的安全性和效率[24]。引入了同态加密方案，以管理基于云的电子健康记录中具有高级别隐私保护异常检测服务的大规模传感器数据[25]。对各种同态加密技术（如完全、乘法、XOR、加法和关键基础设施同态方案）进行了系统的回顾，以将医疗保健应用扩展到大数据和云环境中。 这些技术用于管理和分析大量的异构医疗数据，以进一步提高医疗服务的质量[26]。根据文献研究，分析了一些突出的方案，如基于关键策略属性的加密，信任，多租户，多权限，细粒度，逆转机制，跟踪机制，代理重新加密和分层加密，以确保云中的安全性和隐私性[27]。接下来，基于量子行走的加密由子医疗保健系统中的置换和置换阶段，用于保护患者采用新型无证书公钥保护授权云服务器R. Jayaram和S. Prabakaran埃及信息学杂志22（2021）401403Fig. 1. 安全技术的分类。在外包给智能医疗服务之前，加密以及授权的平等测试方案[29]。为了提高存储效率和利益相关者之间的数据传输安全性，结合霍夫曼编码和离散小波变换，开发了密码块链高级加密标准[30]。提出了一种基于轻量级属性的加密，以在基于代理服务的架构上施加低开销，并在移动云辅助的网络物理系统上具有细粒度用户撤销和访问控制能力[31]。最后，基于身份的加密方案已被确定为一种实用的解决方案，在随机预言模型[32]中对抗选择身份和密文攻击的单向安全性。根据最近的调查，所有上述讨论的安全技术都用于克服各种级别的威胁，例如音频隐写、僵尸网络、拒绝服务、网络钓鱼、洪泛请求、恶意软件注入和边缘和云环境中涉及的目标共享内存攻击[33]。因此，建议的研究重点是隐私保护的加性同态加密的发展，以确保安全的数据传输和卸载计算在边缘水平。R. Jayaram和S. Prabakaran埃及信息学杂志22（2021）4014042.2. 疾病预测分类器模型在智能医疗系统的背景下，不同类型的分类器模型用于边缘和云计算平台上的实时疾病预测和康复监测。为了对帕金森病进行早期诊断，使用朴素贝叶斯、基于核的支持向量机、随机森林和提升树分类器模型进行了比较分析[34]。结果，基于核的支持向量机分类器在预测准确性、灵敏度和特异性指标方面被观察到是最佳执行者。修改后的k-NN分类器模型已在最小和最大修改场景的背景下应用于癌症疾病预测和诊断[35]。提出了一种基于模糊的k-NN分类器模型，用于设计一种有效的诊断系统，以提高帕金森病检测的性能[36]。有时，k值的敏感性可能会降低分类器的性能，在样本量较少的情况下，与传统的离群值。因此，通过估计分类嵌套和多广义平均距离，采用基于广义平均距离的k-NN分类器模型[37]。分类器模型的准确性将根据特征提取和优化技术的类型而变化。由于用于分类器训练的语音和视频数据各有利弊，因此模型的预测精度因此，拟议的研究工作显示，重点是开发自适应加权概率分类器模型，用于以经济成本对远程患者进行稳健的疾病预测和康复。2.3. 医疗保健系统架构在分层体系结构的背景下，很少有研究研究是目前在医疗保健系统方面的两个，三个和四层表示。医疗保健系统的完整分层架构比较和分析是在安全性、互操作性和性能属性方面进行的，如表1所示。基于云的框架设计有两层医疗保健架构，用于远程监测和诊断帕金森病[38]。接下来，分层雾辅助计算架构设计有三层，用于增强基于物联网的医疗保健应用[39]。类似地，基于雾的智能医疗保健监测具有三个层，用于监测人体生命信号，如心率、呼吸率、压力、温度和压力水平[40]。但是，这种架构不会对患者数据进行任何疾病预测和诊断。引入了基于边缘计算的智能医疗系统，以优化医疗运营和服务流与一个简单的数据可访问性方案。[41].为了提供医疗保健系统之间的互操作性，探索了基于语义的医疗保健互操作性框架，以提供安全的信息交换[42]。在比较所有医疗保健系统的架构时，所提出的基于安全边缘云的医疗保健系统提供更好的安全性、互操作性和性能测量属性。3. 拟议的基于边缘云的安全医疗保健系统提出了一种安全的基于边缘云的医疗保健系统的分层架构，其具有边缘级安全数据过滤和卸载机制，如图2所示。该架构需要语音/视频传感器、边缘计算和云计算层。语音/视频传感器层将从家庭的不同移动位置生动地捕获患者的医疗数据。通过智能手机，它将感知语音参数和共享数据的边缘层。在视频数据的情况下，它将通过患者识别和跟踪机制使用位于不同位置的视频监控摄像机来感测患者数据。然后，从传感器层捕获的实时医疗数据将在边缘计算层进行初始处理，在边缘计算层，提出了隐私在边缘级，所提出的架构结合了一个称为Rasp-berry Pi完整套件的微控制器设备，以加强安全性和数据卸载机制。这种边缘级设备可以优化边缘和云计算层之间的响应时间和通信容量使用预期的优化是可能的，因为非敏感数据过滤发生在卸载过程期间，这只允许将需要的医疗数据传输到云层。此外，边缘计算层提供计算和存储能力，以通过基于边缘云的医疗保健系统集成实时疾病预测、诊断和康复监测所需的所有医疗数据。其次，云计算层提供商安全可靠医疗保健系统的处理和中央存储平台。此外，在基于云的虚拟机平台上运行的所有医疗保健服务的数据隐私和完整性都得到了保证。它通过基于医疗保健系统中可用的按需用户访问的数量动态地扩大和缩小虚拟资源来为医疗保健系统提供弹性特征。因此，云层通过参考云存储库中可用的患者的医疗数据库来处理所有卸载的数据。然后，提出的自适应加权概率分类器模型将根据对患者过去数据和当前数据的分析，表1医疗保健系统架构的比较。医疗保健架构层保障计划互操作性能属性基于云的框架消费者、云基础级数据安全没有预测时间、预测精度分层雾辅助计算传感器，雾，云没有安全互操作没有响应时间、容量利用率、快速数据架构基于雾的智能医疗监控物联网、雾、云没有安全互操作没有接入快速数据访问基于边缘计算的智能医疗用户、雾/边缘、云数据可访问性互操作没有住院时间，资源利用，患者框架语义医疗智能设备，雾，基础级数据安全互操作互操作等待时间Restful协议互用架构基于雾计算的预防云交互，网格，基于信任的安全没有互操作医疗保健建议基于边缘云的雾，云传感器、边缘、云加性同态互操作互操作预测时间、预测精度、响应医疗保健系统加密时间、容量使用R. Jayaram和S. Prabakaran埃及信息学杂志22（2021）401405总X1/1SLAi是要强制执行的服务级别协议参数ðÞ1/4 f···g图二、安全的基于边缘云的医疗保健系统架构。感测的数据。最后，医疗保健系统可以基于患者的严重程度启动在线诊断和康复过程。持续监测和评估帕金森病相关参数将识别康复过程中患者健康状况发生的偏差。根据康复过程中观察到的改善情况，将自动向患者和护理人员披露。如果采用过滤方案过滤边缘节点中的所有非敏感数据，仅将敏感数据卸载到C层中可用的云计算节点。因此，卸载问题可以定义为n 边缘计算节点数EN EN1;EN2; ENn，如等式（1）所示。然后，给出了卸载函数Z EN的最小化问题， 在等式（2）中描述在约束条件下， EN i≤DO，EN i≤SLAi且EN i≥ 0。如有任何异常健康状况，会向有关医生及护理员发出紧急警报此外，可以基于在线订阅和由远程患者激活的预定义健康策略来提供额外的医疗和护理服务3.1. 边缘级滤波和卸载决策的问题公式化在从传感器层感测医疗数据之后，通过适当的机制进行边缘级数据过滤和卸载过程。为了构建边缘级安全性，隐私保护密码系统包括在集成的安全边缘-基于云的医疗保健系统架构中提出的加密张量上的数据加密和数据解密。首先，数据文件-在边缘节点上，DO是需要卸载到C层中可用的云计算节点的患者数据任务的总量，即，DO¼VP.MinENZEN1nZENxωToffENi1-xωeoffENi21/1其中x是卸载传输时间和能量消耗的加权参数，Toff是卸载传输时间，eoff是边缘节点ENi在卸载活动期间的卸载能量消耗。这里，任何时候的卸载传输时间让R. Jayaram和S. Prabakaran埃及信息学杂志22（2021）4014061/4 f···g公司简介R上行链路% s¼ ð···Þ222SSCNjViSDS-我CNj我CNj我我1I12I2n在表uVi应用于表征云节点CNj是否可以服务边缘节点ENi的数据请求。JIJeD3伊季j1j1J12我n¡联系我们eENTe4（c）Þ¼j1j1j1可以基于可计算的输入数据的大小和上行链路数据速率RUpLink来测量戳s，如等式（3）中给出的。Vs相应的医疗数据V V1;V2;;Vn.该查询向量包括疾病诊断的必要特征，并且还需要由医疗保健系统的特征向量清楚地确定。ToffENi上行链路s30透射电镜然后云层将呈现医疗数据库D^^fD^1;D^2;· · ·;患者的D^ng为四倍，如公式所示类似地，边缘节点ENi处的卸载能量消耗可以如等式（4）中所公式化地测量。令eTail表示即使在数据传输之后也保持通信信道的尾部能量，并且PT表示边缘节点ENi的卸载传输功率。PVs关闭尾为了满足C层承诺的SLAi，相应云节点的总能耗和网络延迟应最小化，以提高所提出的医疗保健系统的响应时间。这种改进可以通过最小化由边缘级卸载过程引起的延迟和网络容量来实现因此，通过使用等式（5）来估计ENi和云节点CNj之间的网络容量的分配。（9）基于先前感测的医疗数据的序列。D^i¼Ii;Ci;Ti;Hi其中Ii表示疾病Di的索引，Ci表示密文，Ti是疾病Di的特征向量，其包括疾病诊断和康复所需的所有特征的多维数据向量，bi表示医疗保健系统的最终诊断输出，其包括与疾病Di相关的疾病名称、临床表现和医生处方。C层中的健康护理系统将维护特征向量Tit i1; t i2;; t in疾病知识库，以识别devia-通过连续地将患者数据特征向量的当前状态与疾病存储库中可用的特征向量的过去状态进行匹配，在诊断和康复过程之后对医学特征进行分类。为了识别医学特征之间的偏差，患者查询q和疾病库Di的特征向量，bENi$CNjbENipENipENð5Þ如等式（10）所示测量欧几里得距离。idq;Dkq- Dk210其中pENi 是边缘节点ENi2n nn的卸载容量，以及bENipENi表示网络容量，由对应的云节点CNj共享的边缘节点。总由于距离参数评估的扩展，q-D 2¼q-tq-t. 等式（10）延迟D以在时间段处服务患者数据卸载请求s可以用公式表示，如等式（6）所示。在这里，二进制变量-可以重写为等式（11）。n n nsdq;DiXq2Xt2X。-2qjtij11S总SENi$CNj QENi$CNjSCNj QENi$CNj101-usÞ ð6Þ然后，患者查询q的特征向量与疾病库Di之间的完全相似性被公式化，如图所示。然而，将患者医疗数据从边缘节点EN i传送到云节点CN j所引起的延迟可以如等式（7）中给出的那样计算。在等式（12）中。模拟qD11天ð12Þdsds$CN这里，相似度范围[0，1]表示距离更近的距离sViENijð7ÞENi$CNjbENi$CNjpsENi$CNj其中，较高的相似性值表明患者的特征向量偏差较小（诊断改善较少），较小的相似性值表明患者的特征向量偏差较小（诊断改善较少）。让ds患者医疗数据请求的大小将是亲，larity值表明更显着的性状向量的偏差，在时隙中分配，% sENi$CNj 是信号衰减患者（诊断上的更多改善根据相似度值的偏差，医生将改变诊断和康复-在边缘节点ENi和云节点CNj之间，ENi$CNj 是直到观察到一些改进，在ENi和CNj之间建立的通信介质的传播速度。接下来，可以使用等式（8）来估计云节点CNj中处理从边缘节点ENi接收的患者数据请求的排队延迟。在随后的监测状态期间患者数据的特征向量。为了保护患者的隐私，采用了一种加性同态加密方案对患者的特征向量进行QsENi$CNjCNj1SCNjð8Þ患者数据和来自边缘和云层的疾病存储库数据分别作为Encq和EncT因此，首先生成用于发起加性同态加密的密钥对其中，T表示患者病人数据的特征向量其次，医疗保健系统表示云节点CNj的患者数据的数量使用加密密钥Ke来加密患者数据查询q，Encq; Encq;···; Encq。最后，边缘节点将在时隙s在云节点CNj中服务的请求。3.2. 基于边云的加性同态加密安全医疗系统建模在边缘节点处的数据过滤之后，卸载决策将启动隐私保护密码系统，以确保患者数据从边缘节点卸载到1 2N- 将患者数据的密文C1-Enc_q_n连同加密密钥K_e一起发送到云端层。之后，健康护理系统将基于疾病存储库Ti的特征向量和从患者接收的具有对应加密密钥Ke的密文Enc_q_i来执行等式（13）和（14）中给出的同态加密计算。M¼En c. Xn t21 3云节点。因此，过去和现在的医学2的顺序从患者感测到的数据1ij到C层可用的云节点。假设患者查询向量q <$fq;q;···;qg表示患者查询的集合，M¼Enc. Xn-2qt恩c. q-2tij14¼D¼DuR. Jayaram和S. Prabakaran埃及信息学杂志22（2021）401407ð Þnpω VVMj1Pnnpω V.Σð Þ总总LKK我我总W总总总总WWðÞP总总计我我我总总1j1QJHJ1qj我J1ij伊季ð我的MinimizeCTotalSk共计BbDPDP.- 是 的ΣH.吉吉总为了进一步防止其他利益相关者获得密文Enc q的隐私信息，患者生成一组随机数以形成n维向量，H <$fh1;h2;···;hng. 这些随机数的H将使一些干扰q的信息。然后，患者将被计算期望值约束它可以使用通过如等式（19）中给出的总数据服务请求和VM可用性的联合分布而应用的样本集Sk2k1;n来公式化。1倍。Σc. Pn一个j2机器人，并发送到医疗保健系统获得毛皮-nk¼1ther诊断和康复从的医生在哪里ajqjhj.最后，健康护理系统如等式（15）所示计算M1。然后，如等式（16）中给出的那样计算加密的距离测量Enc_D_n，并将其发送到通信设备。因此，上述样本的平均近似解的opti，在一个实施例中，如果目标函数（18）与目标函数（20）相同，则该目标函数（20）可以重新定义（18）的目标函数，如等式（20）所示。相应的约束条件定义为Vi≥VMin，Vi≤VMax和VVM≤V.由于样本选择病人该解决方案可以达到接近最佳的结果。因此，价值-P VMM¼s·P.恩c.-2hj·En c.-2个字母，En c. Xn215验证集VbTotal;VbTotal验证用于测试最优解相对于总验证样本SVal的有效性k201;n. 作为外壳Di轴1·M2·M316毫米结果表明，样本平均值的有效性检验优化解年龄近似可以定义为等式（21）中给出的，其中VM P在将M1、M2和M3的值代入等式（16）之后，获得如等式（16）所组成的求和加密五.共计 ≤V总计。“1X。编号VM（十七）、En c. Xnq2Xnt2Xn-2qtMinimizeCTotalk¼1nP总总计ð20Þ在估计加密的距离测量D之后，，健康-“1X.B P. 瓦尔河BVM .Val编号护理系统将把Enc_ID_i_i_i解密为D_i，并计算相似性函数Simq;Di，以确定患者和疾病库的特征向量的偏差。然后使用自适应加权概率分类器模型预测帕金森病的严重程度，并通过对相应患者的EncHi进行最后，远程患者可以解密所获得的结果H1，以经历医生给出的进一步诊断和康复过程。3.3. 医疗保健系统中的疾病预测和康复k¼1样本平均近似解的等效确定性可以用公式（22）表示。类似地，可以使用优化方法利用与等式（23）中给出的相同的约束来Minimiz ehCTota lVipωMa x.0;.一个动词。VP-Averageð22Þ最小化ehCVpωMa x。0;.一个动词。VbP-Average 阿吉吉自适应加权概率分类器模型从云端提供的医疗服务具有有效的总我总总ð23Þ主动存储和实时疾病预测和康复过程的处理能力，通过利用建议的自适应加权概率分类器模型后接收来自不同地理区域的患者在任何时间戳Ds处，所提出的医疗保健系统可以预先在如等式（24）中公式化的康复评估和监测活动的状态期间，确定患者数据Vi的疾病严重性。医疗保健系统将利用所提出的分类器进行快速预测和响应生成。在云Ds疾病最大Pk1P.FsjSIF24层C层，接收到n个实时数据请求VMj201;n个实时数据请求，以在分类器服务中处理，分类器服务又将数据处理任务并行化到m个虚拟机VMj201;m个实时数据请求。在每个VM处托管的分类器服务可以具有最大的mumVM最大和最小VM数据处理能力的最小界限令L表示患者数据在以下各项上花费的时间长度：预测期间的云层，Fs表示在时间s处观察到的疾病的特征性特征，并且SIF是康复过程期间评估的特征的积极在观测特征F下经历疾病严重度的负概率值被给出为 P<$FjS-ε和P<$FjS-ε处理相应最大VMax的能力，以及最小值V最小数据任务量。现在，研究的目的是最小化为在C层中托管的分类器服务处进行数据处理而发起的VM供应的成本，如等式（18）中所定义的。最小化CTota lViEhp。VP-VVM18关于阈值U。接下来，可以如等式（25）中所定义的那样测量特征F在时间戳Ds处的加权先验概率。PDsFjSPFTωPFTjS25类似地，加权后验概率函数可以推断如等式（26）和（27）中定义的值。让我们来代表-令C总表示处理数据任务Vi2n1; nnn的总成本，VP表示远程患者所需的总数据服务，VVM表示在时间s可从所有可能的VMj2n1;mn获得的总数据服务。最后，E p VP-VVM表示从C层购买医疗保健服务的预期成本以完成远程患者所需的全部数据服务由于投资组合优化问题的随机性，发送诸如抖动、闪烁、谐波噪声比、噪声谐波比、归一化噪声能量等各种语音特征的权重PDsSjFPWFsjSωPSPFs26PDsSjFWFsωPFsjS ωP SPFs 27这里，PFs的值 可以表示为方程（28）和（29）。PC共计ð19Þj1j1pω- Sk共计ð21ÞR. Jayaram和S. Prabakaran埃及信息学杂志22（2021）401408F疾病疾病四分之一;;···;F千分之四KSI¼ XPSjF30KPFsPWFsjSPSPFsjS-PS-28PFsW F sP FsjSP S PFsjS-P S-29最后，基于在时间戳Ds期间从患者数据观察到的特征的数量，如等式（30）中公式化地估计严重性指标值SIDs。因此，如等式（31）中给出的，患者数据Vi的聚集的异质活动被公式化用于疾病严重性识别。Ds1DsFWF时间、预测时间和预测精度。最初，分类器使用来自加州大学欧文分校（UCI）存储库的两个基准语音数据集进行训练[43，44]。训练数据集有195个语音样本的录音，其中147个样本分别受帕金森病影响和48个样本未受影响。这些声音样本收集自31名受试者（8名健康人和23名帕金森病患者）。在对分类器进行样本训练后，从预测时间和预测精度参数两个方面对提出的分类器和现有分类器进行了有效的对比分析。然后，在患者数据预测期间，将5个实验试验的平均性能制成表格，结果和讨论。PDsViArgmaxk12LP.SIDsPL1P. FsjSIF31预测准确度P准 确度可由正确分类的发生率与总呈现发生率的比率定义，如等式（32）中所给出。4.2.结果和讨论建议的SECHS性能通过与现有的医疗保健系统（如智能架构）进行比较来衡量，P准确度：ð32Þ家庭保健（SAHH）基于物联网的智能医疗疾病TFT-F-家庭（IHSH）在网络容量和响应时间方面式中，T、T-、F和F-分别代表真阳性、真阴性、假阳性和假阴性的数量。此外，基于请求的提交时间和从健康护理系统获得的最终预测响应来估计预测时间。在疾病严重程度预测之后，医疗保健系统将为每个患者选择最佳的在线诊断和康复监测服务。然后，患者可以解密并遵循医生建议的诊断和康复方法。此外，该系统将定期监测和评估疾病诊断和康复过程，以确定-在观察的时间段内确认患者的特征FT根据功能改进，医疗保健系统可以根据车载健康状态、远程医疗处方、医疗保健服务权限和紧急警报情况的变化来改变诊断方法4. 实验评价4.1. 实验设置建议SECHS模型的实时实验设置进行评估，包括边缘水平过滤和卸载机制。远程患者数据通过医疗保健应用程序从位于家中不同位置的4个摄像头设备实时捕获。每个摄像头设备和医疗保健应用程序都连接到附近的边缘计算节点，称为Raspberry Pi完整套件设备。首先，摄像设备规格包括ProElite IP 01 A IP，支持4G网络和Wi-Fi功能，可捕获高清视频数据。接下来，Raspberry Pi套件规格包括1GB RAM容量，1.2 GHz处理速度，BCM 43143 Wi-Fi和蓝牙低功耗（BLE）板载功能。在这里，pi-3套件将对实时捕获的语音数据进行过滤和卸载，然后遵循加性同态加密以维护患者数据隐私。在加密之后，边缘节点将加密的数据和密钥发送到云计算节点。同样，所提出的SECHS将解密患者数据并在部署在云计算节点中的所提出的自适应加权概率分类器中处理数据。最后，分类器将做出有效的疾病严重程度预测，并为患者提供在线康复监测和评估能力。为了评估所提出的SECHS及其自适应加权概率分类器模型的性能，从网络容量利用率、响应时间、网络带宽和网络带宽等方面与现有研究进行了对比分析，实验期间获得的结果在表2中给出。从列表观察更清楚，所提出的SECHS模型仅需要130 （kbps）的较少网络容量，而与现有的SAHH和IHSH系统（其需要350（kbps）的最大网络容量）由于所提出的SECHS过滤了患者数据的所有不需要的特征，因此它最小化了边缘级别本身的网络容量利用率因此，所提出的SECHS仅将敏感的患者数据卸载到云节点，用于通过连续监测来启动疾病严重程度预测和康复因此，与现有的SAHH（120 s）和IHSH（170 s）系统相比，建议的SECHS与神经网络、线性核支持向量机、多项式核支持向量机、径向基核支持向量机和S形核支持向量机等现有分类器在预测时间和准确率方面根据表3中给出的结果，所提出的自适应加权概率分类器模型在这两个方面都优于现有的分类器。因此，自适应加权概率分类器由于在疾病预测和康复过程期间采用的基于云的部署和自适应概率方法的效率而获得更鲁棒的性能。为了评估安全特征，将所提出的加性同态加密方案与现有的隐私保护自助医疗诊断[45]和Boneh-Goh-Nissim同态密码系统[46]方案进行比较，如表4所示。由于所提出的加性同态加密方案被证明是语义安全的，它可以很容易地抵御选择明文攻击，并且它还产生了语义安全的参数。然而，其他现有的方案也可以抵御选择明文攻击，但它可以很容易地在一段时间内被破解。因此，现有的方案不能完全抵抗选择明文攻击。其次，现有的Boneh-Goh-Nissim同态密码体制不具备防御能力，而本文提出的加同态加密体制可以提供更好的安全性，表2医疗保健系统的绩效衡量。医疗保健系统网络容量（Kbps）响应时间（秒）IHSH 350 170SAHH 350 120拟议的SECHS 130 80R. Jayaram和S. Prabakaran埃及信息学杂志22（2021）401409ð Þ.Σpðω Þ表3分类器模型的性能测量。概率表4安全方案的业绩衡量。疾病预测最终的预测结果以疾病指数Di表示，费用为Ok。未来，研究工作可以通过NVIDIA深度学习服务器功能进行扩展，以大幅提高云数据中心预测的响应时间。在通过添加雾层来实现所提出的解决方案的情况下，由于实时雾路由器和云节点之间的计算工作负载的共享，可以在患者疾病预测方面提供更好的性能[47]。因此，可以通过雾路由器和云节点之间的对等通信和数据卸载来实施网络疾病预测机制。5. 结论和今后的改进类型的安全防御攻击的类型在这项研究中，安全边缘云的分层架构，方案纯文本攻击共谋攻击外部空投攻击重演攻击基于健康护理系统的诊断和康复设施的实时疾病预测。所提出的系统采用隐私保护加性同态隐私保护自助医疗诊断Boneh-Goh-Nissim同态密码体制提出的加性同态加密否是是否是否是否否是是是是加密以确保边缘计算层的数据安全通过使用有效的过滤和卸载机制，还可以最大限度地减少边缘层和云层使用所提出的自适应加权概率分类器模型在云层中处理来自不同地理位置的所有患者数据请求。由于所提出的自适应加权概率模型在处理患者数据任务期间的最佳资源使用，在云层处的资源供应的成本被最小化。为了验证拟议的基于边缘云的边缘和云平台都没有任何共谋攻击。在在窃听攻击的情况下，由于假设了数据在利益相关者之间的安全传输，所有方案都具有防御能力。即使这样，该方案具有更多的安全功能的能力，由于隐私保护的安全通信协议在医疗保健系统中的开发。最后，本文提出的加同态加密方案在隐私保护通信协议中提供了身份认证功能。因此，该方案可以抵御重放攻击，而现有方案不涉及任何病人的身份特征来抵御重放攻击。由于所提出的加同态加密方案引入了基于身份的认证机制，并添加了时间戳特征，因此可以在隐私保护访问控制部分做出显着改进。医疗保健系统不仅在数据传输期间验证密文，而且还在每次传输中验证新生成的时间戳。为了提高诊断水平，各医院在不同时期继续拥有不同的特征向量。在接收到患者数据之后，通过比较加密数据中存在的时间戳来验证与数据相关联的时间戳的原始性，以确保防止重放攻击。 因此，所提出的方案涉及时间戳在病人的身份识别，并提供抵抗重放攻击。通过与数据库中可用的电子健康记录的d维向量表示的映射，测量了患者数据在所提议的SECHS上的计算处理成本。这里，在生成密文Encq和随机数H期间患者数据的加密成本包括分别为30美分和20美分接下来，到云节点的n个加密数据的传输成本是Onωd2π。预测系统设置复杂性被度量为Odnωd3依赖存在于医学数据库D1中的n个特征向量我然后，诊断和康复监测的时间复杂度云节点上的患者的分组是Om d3，其中m表示在分组期间采用的概率预测模型的数量。医疗保健系统，与现有的系统在预测时间、预测精度、响应时间和容量使用方面的性能。根据所获得的结果，它可以得出更明显的结论，拟议的医疗保健系统显着优于所有现有的系统相比，在实验评估。然而，一些重要的挑战，如边缘到边缘的安全目标跟踪和传输协议必须在未来的研究中加以处理。此外，区块链使能的安全特征可以应用在云层中，以有效地保护患者的电子医疗记录的竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。引用[1] Hathaliya JJ，Tanwar S.关于医疗保健4.0中安全和隐私问题的详尽调查。ComputCommun 2020;153：311-35. doi：https://doi.org/10.1016/j.comcom.2020.02.018。[2] Liang J，Qin Z，Xiao S，Zhang J，Yin H，Li K.公有云环境下多源电子病历隐私保护范 围 查 询 。JParallelDistribComput2020;135 ： 127-39.doi ：https://doi.org/10.1016/j.jpdc.2019.08.011网站。[3] 刘军，马军，吴伟，陈X，黄X，徐力. 在云计算中保护移动健康记录ACM事务处理嵌入Comput. 2017;16（2）：1-20. doi：https://doi.org/10.1145/2983625网站。[4] 刘毅，张毅，凌军，刘