边缘计算中的健康监测系统：基于优先级的任务调度和资源分配

沙特国王大学学报边缘计算中基于优先级的健康监测系统Zubair Sharifa，Zaha，Low Tang Junga，Muhammad Ayazb，Mazlaini Yahyac，Shahneela Pitchildda马来西亚斯里依斯干达32610，马石油技术大学计算机和信息科学系（CISD）b传感器网络和蜂窝系统（SNCS）研究中心，塔布克大学，塔布克71491，沙特阿拉伯c马来西亚国家石油公司物联网自动化主管d马来西亚斯里依斯干达32610，马石油技术大学计算机和信息科学系（CISD）阿提奇莱因福奥文章历史记录：2022年10月3日收到2022年12月7日修订2023年1月1日接受2023年1月4日上线保留字：基于优先级的任务调度资源分配移动边缘计算云计算智慧医院医疗保健监控系统A B S T R A C T用于健康监测系统（HMS）的新型创新可穿戴物联网设备相继被发明出来。然而，这些设备中的大多数是资源受限的，具有受限的能量和计算能力。HMS数据需要通过移动边缘计算（MEC）进行处理，以提高响应时间，从而满足延迟敏感和计算密集型应用，并减少带宽消耗。本文提出了一种有效的任务调度和资源分配机制，在MEC，以满足这些需求，在考虑紧急情况下HMS。我们提出了一种基于优先级的任务调度和资源分配（PTS-RA）机制，该机制可以通过考虑相对于从患者的智能可穿戴设备聚合的数据计算的任务的紧急级别来为不同的任务分配不同的该机制可以最佳地确定任务应该在医院工作站（HW）本地处理还是在云中处理。这是为了尽可能地减少总的任务处理时间和带宽成本拟议的办法是确保与紧急情况有关的任务得到更高的优先级，并首先执行在任务的计算之后所提出的PTS-RA是针对最先进的算法进行基准测试的，这些算法涉及平均延迟、任务调度效率、任务执行时间、网络使用率、CPU利用率和能耗。基准测试的结果是有希望的，因为PTS-RA能够管理紧急情况，并且在降低带宽成本的情况下满足延迟敏感任务版权所有©2023作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍无线传感器、智能手机和手表、智能汽车、家用电器和工业产品等各种智能设备和可穿戴设备正在迅速增加，物联网（IoT）市场持续增长（Sharif等人，2021，Beg等人，2022年）。现在，物联网连接（联网汽车、智能家居设备和联网工业设备）比非物联网连接（智能手机、笔记本电脑和*通讯作者。电子邮件地址：zubair_20000285@utp.edu.my（Z.Sharif），shahneela_22000124@utp.edu.my（S. Pitchman）。沙特国王大学负责同行审查制作和主办：Elsevier计算机）（Har等人，2022年）。考虑到这一进展，预计到2025年将有超过750亿个物联网连接（Shome和Bera 2020，Cvitic等人，2021，Sharif等人，2022年）。这种无线设备的可访问性和提升已经导致了许多基于IoT的应用，例如，实时健康护理监控、跟踪、视频监控、自动驾驶车辆等（Hassan等人，2018年）。其中，许多物联网应用需要非常 短 的 响 应 时 间 ， 有 些 应 用 会 生 成 大 量 数 据 ， 从 而 使 网 络 过 载（Gaouar和Lehsaini 2021）。此外，随着网络负载的持续增加，以及与云交互的应用程序的处理和响应时间变得越来越重，未来的场景更加令人担忧。一些研究报告称，带宽需求几乎每年翻一番（Wang等人，2017年），导致响应时间问题。倾向于医疗应用的物联网设备需要更多的数据存储和密集的数据处理，因此带来了更多的挑战（Ayaz等人，2019年，Chellasamy等人，2022年）。预计将出现严重后果，因为这些挑战https://doi.org/10.1016/j.jksuci.2023.01.0011319-1578/©2023作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于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上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comZ. 谢里夫湖Tang Jung，M.Ayaz等人沙特国王大学学报545由于将数据卸载到云进行处理时网络中的延迟/等待时间而影响时间敏感应用的性能（Jiang等人， 2018年）。对用于医疗大数据处理的云服务器上的数据存储的日益增长的需求正变得越来越复杂：（i）数据在被传送时易受安全和隐私问题的影响;（ii）连续收集的数据的传送不仅成本高，而且能耗大;（iii）直接从云服务器操作和维护传感器是非试验性任务。此外，未能遵守敏感的时间表（延迟限制）和 云 基 础 设 施 带 来 的 挑 战 可能 会 导 致 生 命 和 资 本 投 资 的 损 失（Yimam和Fernandez 2016，Venkatesh和Eastaff2018）。移动边缘计算（MEC）的出现是应对和缓解这些挑战的解决方案之一。在架构方面，MEC存在于终端设备和云之间。在MEC中，数据在网络边缘处理，而不是将其保存在云中或集中式数据仓库中。它在物联网设备附近（边缘设备旁边）提供计算资源此外，它有助于减少IoT设备中的处理负载，这是延迟约束并且需要执行计算密集型任务。将数据计算从云端转移到边缘的目的这样做有助于减少实时数据处理的延迟;此外，它消耗更少的带宽，允许数据处理更接近终端设备，从而避免向云传输不必要或过多的数据（Sharif等人， 2022年）。由于这些优点，MEC在执行繁重的数据处理和提取临床特征以用于关键医学诊断方面使医疗/保健系统已经发明了许多传感器这些传感器可以被配置为从人体收集数据，并在边缘节点处执行必要的数据 处 理 ， 以 供 医 生 诊 断并 做 出 关 键 决 策 。 然 而 ， 这 一 新 范 式（MEC）并非不受挑战和限制的影响。与MEC相关联的一些挑战可以在资源管理（任务调度和资源分配）、网络基础设施管理、数据和边缘设备的异构性、数据管理、应用编程接口（API）和互操作性的上下文中找到（Shakarami等人，2021，Huda和Moh 2022）。边缘节点计算资源的有限可用性和延迟受限的应用程序导致了新的挑战维度。根据任务的等待时间要求来满足任务的需要是不平凡的，并且需要用于有效任务调度和资源分配的有效机制（Pareek等人，2021年）。1.1. 问题陈述用于医疗监测和相关服务的新的和创新的可穿戴物联网设备相继被发明出来然而，这些设备中的大多数是资源受限的，具有有限的能量和计算能力。因此，HMS数据需要通过MEC进行处理，以改善响应时间，从而满足延迟敏感和计算密集型应用程序。由于健康监测系统中任务的优先级是至关重要的，因此需要仔细调度，因为具有严格延迟要求的一些作业应该比延迟容忍的其他作业更早地被服务。例如一些任务需要基于患者健康状况来优先化。因此，在这种情况下需要适当的任务调度算法（Jiang等人，2020年）。此外，有效的资源分配机制是MEC系统中必须考虑的另一个重要因素。因为MEC服务器处的资源可用性总是稀缺的（Medeiros等人，2021，Sharif等人， 2021年）。基于这些事实，应该有一种能够管理紧急情况并满足延迟敏感任务需求的机制。系统可以决定任务应该在MEC服务器上本地处理还是远程处理(at云）通过考虑任务的紧急级别，使得可以最小化总任务处理时间和带宽使用（成本）。此外，对于紧急或意外情况，减少响应和处理时间是最重要的因素，以便及时做出重要/至关重要的决定。然而，在查阅文献后发现，基于优先级的HMS系统的最优任务调度和资源分配的研究还没有得到充分的发展。许多技术有其自身的局限性，并不适用，特别是在医疗行业需要基于优先级的任务调度和资源分配此外，他们中的许多人不能有效地决定是否应该根据任务要求在本地或远程处理任务此外，有些人消耗更多的网络带宽，这意味着更高的网络成本，而另一些人则面临更高的延迟。接受MEC中提到的挑战，我们提出了一个基于优先级的任务调度和资源分配（PTS-RA）系统，该系统是专为医疗监测和相关服务的实时响应是至关重要的。在所提出的架构中，由附接到患者的各种传感器/设备生成的数据被传输到部署在医院中的医院PTS-RA系统根据从考虑紧急级别的患者健康状况收集的数据为不同任务分配不同的优先级。所提出的系统决定任务是否应该在本地（在HW处）或在集中式云处远程处理，以最小化总处理/响应时间和带宽消耗。最终，处理后的结果（结果）被发送给医生，以便采取进一步的行动.拟议PTS-RA的主要贡献总结如下：根据患者的健康状况为不同的任务分配不同的优先级。根据任务的紧急程度，进行基于优先级的任务调度和资源分配，并确定每个任务● 减少任务处理时间和延迟。● 节省网络带宽成本。本文的其余部分组织如下：第2节讨论了一些突出的和密切相关的工作。第3节介绍了所提出的PTS-RA框架的所有细节和必要的解释，和第4节辩论的模拟结果和性能评估，以提供认证的presented工作。第五节对本文进行了总结，并对本文的工作进行了建议和可能的扩展。2. 相关工作随着MEC范例最近的成功，预期医疗保健系统通过将其与IoT一起使用而最具优势。为了从这个机会中获益，人们对利用无线和可穿戴传感器来提高医疗保健行业的性能的兴趣大幅增长。各种突出的努力试图解决 不 同 的 挑 战 ， 主 要 包 括 任 务 调 度 和 计 算 卸 载 （ Sun 和 Ansari2016），任务放置的优化（Zhao和Liu2018），MEC计算资源分配（You等人，●●Z. 谢里夫湖Tang Jung，M.Ayaz等人沙特国王大学学报5462016），飞行边缘计算，并实现能源效率等（Uddin等人，2021年）。本节明确分析了一些试图通过解决与任务调度和资源分配相关的问题来改善基于物联网和MEC的医疗设施的技术。为了推进医疗保健服务，作者设计了一个医疗保健框架（Tuli等人，2020年）通过实时应用程序来监测面临心脏病的患者。所提出的系统使用结合深度学习的MEC设备来有效地对患者的数据执行不同的操作。该方法可以在多种MEC环境下工作，可以根据不同的用户需求进行定制，并提供更好的QoS。另一种努力由作者在（Sodhro等人，2019），它利用标准差、延迟和抖动等网络参数来实现其目标。拟议的架构包含远程访问设施，但同时面临一些延迟，这被认为是一个关键问题，医疗和保健应用。 进一步（Oueida等人，2018年）提供了一个基于医疗保健的系统，以帮助排队系统，急诊室和医疗资源将MEC与集中云集成。该系统适合于实际应用，减少了患者等待时间，提高了资源利用率。为了监测患有慢性疾病的患者，以便可以有效地收集和处理数据，作者提出了基于雾计算的物联网健康监测系统（FCB-HMS）（Paul等人， 2018年）。该技术分析了雾计算层的安全和部署问题此外，为了识别和理解紊乱的声音，提出了一种方法（Reichsha和Reddy 2018）。根据所提出的系统，病人的无序声音可以由一些智能传感器来解释。对于初始处理，收集的数据/信息被转发到边缘节点，然后进行进一步的计算，这可以被传输到集中式云。在对紊乱的声音进行所需的处理以获取信息后，将结果/结局发送给顾问进行治疗或处置。这整个系统的设计是为了检测异常，以确定音调和声音的敏感性。根据结果，这些声音根据检测到的违规行为进行分类。许多作者已经注意到减少端到端延迟和资源利用率。考虑到这一事实，本文讨论了一些工作。在（Ren等人，2018年），其中作者试图通过有效分配资源来减少端到端延迟问题。他们还试图通过有效地利用它们来解决计算资源有限时的问题。此外，在（Nguyen等人，2018年）提出了类似的努力，以有效地在MEC中执行资源分配，MEC提供资源包和服务，以提高利用率在一定的预算限制下，该框架满足边缘服务提供商和用户之间资源共享的公平性。在（Rafique et al.，2019）来管理可用资源，最小化平均响应时间，并在有效任务调度的帮助下优化资源利用。在拟议的工作中，根据收到的请求的需求分配和管理资源。为了提高资源利用率，Hossain等人，2021）提出了一个名为基于云的动态雾计算（SDFC）的框架，该框架在集中式云和雾之间包括一个额外的层，该层有助于选择任务执行位置（雾节点或云）。基于IoT的调度技术，哈希多项式双因子决策树（HP-TDT），在（Manikandan et al.，2020），以提高调度效率，减少响应时间和计算开销，区分正常情况和紧急情况。通过将资源有效地分配给所请求的任务，它提高了资源效率，这是（Bitamet al.， 2018），其中作者提出了一种算法，将任务集分配给边缘或雾节点和云数据中心。该算法有助于减少边缘节点上的任务为了改善患者数据隐私，并减少通信延迟和数据流量，在（Pace等人，2018年）。同样，Verma和Sood提出了一种智能家庭健康监测系统，以提供基于MEC概念的分布式存储和数据挖掘服务。此外，在（Ning et al.， 2020年），以降低健康监测设备的系统范围成本和能耗。所设计的技术被用来调节带宽分配的身体传感器的传输速率，以最大限度地减少整个系统的成本。由于使用5G通信，信道效率得到改善，但在信道复用遇到的干扰与MEC服务器的有限计算资源之间存在权衡。糖尿病患者需要持续监测，由（Sebillo等，2015年）。所提出的方法是一个实用的电子健康解决方案和理想的糖尿病患者属于农村/农村地区。该系统旨在使用各种计算技术来改善医疗保健服务。此外，帕金森病患者剂量改变的影响（Miah等， 2017年）。上述技术有其自身的局限性，不适用，特别是在医疗行业需要基于优先级的任务调度的情况下。医疗保健应用中的一些任务接受挑战，我们提出了一个物联网医疗平台的任务调度和资源分配系统，考虑患者的健康状况，然后相应地优先考虑任务。表1简要总结了最先进的算法和方案（如上所述），并进行了简要比较，以显示每种方法的优缺点。3. 系统结构和拟议方法本节介绍了基于优先级的任务调度和资源分配（PTS-RA）系统，它是专为健康监测和相关服务的实时响应的要求。所提出的系统决定是否需要在任何医院工作站（HW）本地或远程（在云）通过考虑任务的紧急级别，使整体任务处理时间和带宽成本可以尽可能最小化处理任务。此外，最大限度地减少处理和响应时间是紧急或意外情况的最关键方面，以便及时做出必要/重要决策。3.1. 系统架构图1描绘了住院治疗的患者的健康监测系统的架构的概念不同的连接设备和无线或移动传感器节点用于监测和测量患者的健康状况。一旦所需的数据被测量，它将被同时转发到HWS。在任何HW处接收到数据时，确定任务的紧急级别（使用所提出的方法），Z. 谢里夫湖Tang Jung，M.Ayaz等人沙特国王大学学报547表1为移动边缘计算范式提出的一些主要技术和算法的总结文章方法/算法研究领域成就限制（Tuli等人， 2020年）HealthFog框架的实时应用程序，以监测面临心脏病的患者物联网和雾计算环境下的心脏病使用物联网设备的资源利用率和有效管理心脏病患者HealthFog框架中未考虑数据安全性（Sodhro等人， 2019年度）（Oueida等人， 2018年）基于窗口的码率控制算法（w-RCA）拟议资源优化基于MEC的医疗保健资源利用率和优化远程医疗保健应用资源利用得到改善，w-RCA显示相对更多的延迟数据优化（Paul等人， 2018年）保护网（RPN）框架基于雾计算的物联网病人平均轮候时间被模拟和优化。数据收集和处理医疗应用。为了监测那些患有谈判处理速度（图/Reddy健康监测系统（FCB- HMS）提出了一种声音障碍一种有效的方式语音紊乱检测系统慢性病病人可以传达他们的声音损害更高的带宽成本2018年）检测系统使用深度学习方法智能传感器采集的样本，（Ren等人，2018年）最佳联合通信沟通和早期转型有效分配有限的能耗（Nguyen等人， 2018年）提出了一种计算资源分配机制基于价格的资源配置计算资源分配MEC资源利用计算资源最大化边缘节点资源没有考虑数据隐私不是（PBRA）用于MEC在给定预算限制认为（Rafique等人， 2019年度）（Hossain等人， 2021年）提出的NBIHA算法基于渲染的动态雾任务调度和资源管理资源利用优化资源利用率并缩短平均响应时间选择任务执行位置更长的任务执行时间复杂性上升时，（Manikandan等人，计算（SDFC）技术Hash多项式双因子基于物联网的任务调度无论是本地还是远程提高调度效率，用户请求的数量增加更高的成本和功耗2020年）决策树（HP-TDT）设备缩短响应时间消费（Bitam等人， 2018年）提出了一种生物启发的任务调度减少任务执行，之间的权衡（Pace等人， 2018年）优化方法拟议架构高效的数据收集，边缘节点收集和处理来自任务所需的执行时间和内存安全和隐私（Verma & Sood，2018）以人为中心的应用程序，称为BodyEdge基于IoT的远程患者健康医疗保健应用患者健康监视从不同的设备，以减少通信延迟和数据流量提供分布式存储服务顾虑妥协面临可靠性问题（Ning等人， 2020年）监测系统具有成本效益的家庭健康系统带宽分配设定为和基于MEC降低全系统成本，该系统更PTS-RA提案监测系统基于优先级的任务调度最小化系统成本基于优先级的任务调度健康监测设备为了减少任务处理时间，昂贵(this工作）（临时秘书处-资源分配）和资源分配延迟。节省网络带宽成本。然后按优先级排序之后，根据任务要求执行任务调度，并将任务放入HW或云队列中。硬件作为边缘计算服务器，我们提出的PTS- RA系统嵌入/实现在它们上。这意味着每个硬件都有两个特征：（i）包含所提出的方法，(ii)作为边缘计算服务器。HW处理接收到的数据集（如果可以的话），然后将处理结果/结果发送如果HW由于资源不足（比所需资源）而无法处理数据，或者如果任务花费太多时间并且不是延迟敏感的，则这些未处理的数据集/任务可以被发送到集中式云。如果任务在云端处理，则结果将发送回HW。同时，我们也希望最小化任务的总处理时间，以达到最大限度地患者我们假设，在医院建筑物中，许多HW被部署用于数据存储和计算目的。虽然所有部署的HW在能力方面是相同的（即，计算和存储能力），并且集中式云具有足够的计算资源和处理许多任务的能力。当需要在运行的系统中添加更多的硬件时，我们的工作很容易扩展。3.2. 问题公式化存在由传感器和其他连接的设备生成并且在特定时间段内在HW处接收的一组任务K。我们打算通过确保优先级较高的任务首先运行来缩短整体任务处理时间另一个重要的考虑因素是最大限度地利用硬件计算能力，但不会使其过载。此外，减少了硬件和云之间的网络流量负载，这是由于它们之间的数据传输造成的因此，我们提出了一个启发式PTS-RA排序的任务分配问题。根据任务需求和紧急程度，我们制定了HWS和集中云之间的任务分配问题。每个HW可以服务于一组健康监测设备及其生成的数据（任务）。根据一些Z. 谢里夫湖Tang Jung，M.Ayaz等人沙特国王大学学报548eXKeXKð≤ ≤ Þeieie3e3e3e3e3e3e3e3我eieieieieieieieieieiei现有的研究（Mao等人，2016，Wang等人，2017，Sun等人，2019），可以定义任务xi的初始要求，并且表示为元组{Lxi，Sxi，D}，其中Lxi 表示所述我所需的计算能力量（即，CPU周期的总数）以在任何HW处完成任务xixiSXI 表示任务x i所需的输入数据大小表2提供表示法及其说明。符号描述HWei单个医院工作站K由传感器和其他连接设备生成的任务集Z所有医院工作站ei存储和处理，D是每个任务xi可以接受作为其最大等待时间容限的最大阈值延迟约束。然而，每个任务具有紧急程度K，因此对于HW或云，每个任务xi必须满足D例如，如果K> D，则意味着必须紧急处理任务的执行否则，任务不是太紧迫或延误容忍。本文的符号及其意义见表2. 我们用vxi和Pxi来表示任务的分配xi在硬件上分配任务xxi需要卸载Lxi任务所需的计算能力xi计算xi在HWei将CPU容量分配给任务xik任务集的任务分配计划xk在一定时间内接收的任务集xi任务xi需要从硬件ei向云.硬件的可用存储容量e i咿呀咿呀xi需要存储在HWe的任务x的数据的大小xi和在HWei处用于任务xi的CPU容量的分配。然后，任务分配计划k被表示为一组任务，其被映射在各个HW处，如等式（1）所示。（一）.Seii iReiHWei和集中式云所有任务X1x1x2x2X3x3XnXngk加权处理时间k=1/2fe1;k = 1/2 fe1;k = 1/2fe1;k=1/2fefe2;vx1：Px1;vx2：Px2vx3： Px3;· ··;vxn：Pxng;Kxi任务的紧急级别xihpt特定的健康指标/参数e2e2e2e2e2e2e2e2qe放入边缘队列进行处理fe3;vx1：Px1;vx2：Px2;vx3：Px3;· ··;vxn：Pxng;· ··;fe;vx1：Px1;vx2：Px2;vx3：Px3;· ··;vxn：Pxng;···]1qc放入云队列中进行处理s一段时间trXK任务传输时间xk我们假设与任务xi相关的所有数据都存储在一个HWei中。然后，我们找到任务分配方案k，使得加权平均处理时间g和业务负载W需要要缩短。因此，整个加权处理时间gk计算为Eq.（2）、队列XKcmpt：硬件Xicmpt：CDxip：eixkp：云XK任务延迟时间xk硬件上的任务执行/计算时间云数据中心的任务执行/计算时间HW的总任务处理时间ei云端的总任务处理时间在HWeig¼XKKxKLXPMxKKxiei：R8e2Z8x2x;我克高宽x在HWei处将资源分配给任务集xk. X轴我：xkei.X轴我;i keixk2vek¼0Xxk2vek¼1ð2ÞP x k和Pxk 用于CPU容量分配我在HWei上。此外，M×k 用于表示数据其中k 表示任务的紧急级别xk 这是1K2，小于等于1表示非紧急任务当它从1开始超过时，它意味着紧急情况已经开始，较大的值意味着最紧急级别。毛皮-则L×k表示有多少计算资源（即，CPU周期的总数）执行任务所需的时间xkcom-ei从HWei向云传输所需的任务xk而Rei 显示硬件ei和云数据中心。当vxk 1/40表示任务将在本地处理（在任何HWei），vxk 1表示任务将被分配给集中式云。当一组任务本地数据硬件处理拟定PTS-RA系统Fig. 1.智能医院系统的PTS-RA方案的架构。医院医院工作站（HW）根据优先级进行边缘队列云队列云端数据处理延迟评估任务紧急级别确定数据聚合和任务信息医生结果发送回HWvPMSSSSSSKZ. 谢里夫湖Tang Jung，M.Ayaz等人沙特国王大学学报549ei.X轴Mei¼拉吉尔-拉吉尔eiei22¼.88eiXKK.ei从HWei向云数据中心发送，则任务xk的整个网络流量负载Wk由等式（三）- 使用任务调度机制，因为任务应当在HW处或在集中式云处执行。通过由健康监测收集的感测数据来识别紧急级别装置. 在我们的研究中，我们认为人类的正常范围Wk¼xkxk2vxk¼1ð3Þ身体感测或收集的数据，但是除了这些参数之外，还可以根据医院或患者的要求来添加。其中vxk 1表示任务被转发到云端。如上所述，我们需要减少整个加权处理时间和网络流量负载。为了实现上述要求，我们制定的任务分配问题的方程. （4）如下：使这两个函数最小化的gkA^·Wk的最小值我们通过考虑上述参数的上限和下限，为从患者收集的数据上的每个特征创建参考范围我们考虑了T-分布来寻找（估计）医疗保健部门常用的范围例如，通过考虑BT的T分布，r是样本特征的大小，n是正态样本大小，其中n是正数，则平均值-r通过等式计算。（五）约束XK-rsumofallsamplefeaturesri样本量ð5Þi.SEI ≤。 对于所有的e属于Z，并且每个x是SIXKXMeii然后r的样本标准偏差（S.D）由下式确定：当量（六）：ii.s≤Rei 对于所有的ei属于Z并且每个xi是元素xkei我vuPn-2第一个星期：D月6日iv. Kxi 2½0;1;2]对于所有的xi是x k的元素v. vxi 2{0，1}每个xi是x k的元素这样，上值域ub和下值域lb可以通过下确界和上确界公式使用等式（1）来计算。（7）Eq. （8）分别，其被写为：在条件（i）中，在单位周期时间内需要存储在HW e i处的任务xk的数据的大小不能超过HW e i可用存储容量。（ii）数据大小MXk，其为ub¼-r-rn1n：sr：ta;n-1207年在单位时间段内从HWei引用到集中式云，其不能占用比可用带宽更多的带宽。约束（iii）总体计算能力Pei（CPU利用率-lb¼-rrn1n：sr：ta;n-1108mm分配给任务集xk的HWei的值不能超过其总/最大可用CPU容量。条件（iv）表示任务K×i的值越大，表示其紧急程度越高在过去条件（v）中，0和1表示任务将分别被分配给任何HWei或集中式云3.3. PTS-RA系统的设计我们提出的PTS-RA是一种启发式方法，用于解决其中ta;n-1表示T分布的标准系数对于样本量n。根据所提供的人的性别和年龄细节，在lb和ub内被监督/监测的特定健康度量的参考范围指示通常的健康状况，否则，它将被认为是异常或紧急状况。特定运行状况度量的记录值由hp t表示 在给定时间t。然后K在给定的时间t可以由等式确定。（9）：. 你知道吗？阿鲁-l b在满足紧急任务需求的同时，减少任务处理/执行时间，节省带宽利用率的任务分配问题。 它确定任务是否应该分配给HW或集中式云，以及在本地计算的情况下将选择哪个HW。图2（流程图）描绘了任务分配如何在HW或集中式云上完成。对于新的传入任务，首先如第3.4节中所解释的那样确定其紧急级别。在第3.5节中分析了延迟估计或两者（硬件和云）的总任务处理时间。此外，在本节中，根据任务的紧急级别和要求执行基于优先级的然后在保证任务处理时间最短的前提下，对任务的计算/执行位置进行决策3.4. 任务紧迫性级别确定本节解释了如何基于从传感器和与患者连接的其他设备收集的数据来评估任务xi的紧急级别K而K是描述特定任务当K≤1s时：t8xi2xk（非紧急条件）.当K> 1 s： txi2xk（紧急情况。紧急程度由K值定义，K值越大表示紧急程度越高，K值越小表示紧急程度越高。更具体地说，当K的值小于或等于1，这指示不紧急情况，并且当K的值超过1时（即，K>1），则认为紧急情况已经开始，因此将相应地分配优先级。假设在少数情况下K值超过2，为了巩固K>2时的值，我们通过改变K= 2来限制最高值，这是最大紧急或紧急情况。通过假设人类BT的示例，参考范围是Ib（下限）= 35。5 °C（°C）和ub（上限）= 37。摄氏5度。如果BT（即，hpt）是36.5 °C，这意味着K= 0，表示它是最不紧急的情况。如果体温超过在37. 5 ℃，则表示紧急状态已经开始。例如，如果BT为37.6 °C，则K = 1.10，这表示紧急情况。另一个例子是，如果BT为38.0 °C，则K= 1.5，这也表示紧急状况，但具有更多的紧急级别。对于最严重/严重的情况，如果BT接近39.5° C，在这种情况下K = 2.5（或一些K2n-1ð9ÞZ. 谢里夫湖Tang Jung，M.Ayaz等人沙特国王大学学报550图二. 流程图演示了如何将任务分配给硬件或集中式云。表3健康监测功能和相关监测设备。来自（身体传感器类型）的健康数据体温（BT）温度传感器/温度计血压（BP）监测仪血氧脉搏血氧仪传感器在高热病例中，即使是人类BT也可以达到或超过41.0，在这些病例中，当K> 2时，我们将其合并为2），这代表了最高的紧急情况。在这种情况下，所有的新兴-机构任务急需执行。类似地，BP水平（以毫米汞柱mm Hg测量）可以通过等式（1）来（9）中，我们认为lb= 80和ub= 120 mm Hg，这表示正常的健康状况。例如，当BP（即，hpt）= 100，则K=0.05，这表示正常情况。如果血糖（BG）/血糖水平（BGL）血糖仪/血糖仪血压水平下降到80或超过120毫米汞柱，那么它会显示紧急情况。例如，如果BP为121或心率心电图（ECG）78 mm Hg，则K= 1.05和K= 1.1，分别代表各种传感器收集的数据并发送到硬件在硬件上接收的数据或一组确定任务用于远程计算延迟估计硬件和云对于本地计算潜伏期潜伏期传输时间由于本地计算，传输时间任务执行时间任务执行时间执行基于优先级的任务调度，同时考虑任务较不紧急的任务/可容忍的延迟根据要求选择任务计算的位置（在硬件或云上）紧急级别较高的任务作为数据/任务的任务处理在硬件进行远程（云）在云端执行任务资源分配和任务处理任务处理执行将结果发送给医生/临床医生边缘/局部计算HW（本地计算）的处理时间预测云计算Z. 谢里夫湖Tang Jung，M.Ayaz等人沙特国王大学学报551neiXiXiXKXKx0的KKXKXKXKXKXnXKXiXs¼我XKXKXKXKXiXKXKXK¼squeue<$Xscmpt：HW，且每个xi存在于qe中1/1其中xi表示任务集合xk中的任何单个任务，并且n是在队列中进行的任务的数量任务计算时间与硬件处理能力成反比计算服务器或比例Pxi上的计算量（即，CPU周期/秒），HW e i被分配给任务xi以供其执行。则任务计算时间scmpt：HW 可以称为-由Eq. （十二）、Pxiscmpt：HW ¼需Pð12Þxixiei这是cmpt：硬件计算时间是针对单个任务的，其中它可以与任务集合xk相关为scmpt：HW。所有的总结-任何HWei处的上述时间延迟（latency）等于总任务处理时间sp：ei 对于任务集xk，它可以从等式2分析。（11）Eq. （十二）、sp：ei1/4秒队列cmp t：HWð13Þ通过使用Eq. （13），我们可以计算估计的总处理时间sp：ei 相关任务K设置x0 对于没有关于近似处理时间的信息的任何其他HW，意味着它将被认为是任务集x0的历史日志。比如总任务处理时间sp：ei 在HW，它也存在于云计算由几种时间方法组成，即，（一）在任务集卸载树（传输图三. 应急决策流程图。紧急情况。图3（流程图）示出了上述任务紧急程度估计机制。3.5. 延迟评估和任务调度在该部分中，计算HW和云的总处理时间（延迟估计），然后相应地执行任务可以根据任务的要求或以最短的处理时间来决定是否应该在HW或云处处理首先，考虑本地计算（在HW）的任务处理时间存在一组任务xk，健康监测设备将其发送到HW。为了完成任务处理，XK从HWei到云数据中心的时间）（ii）当PTS-RA将把任务集合放入qc队列时的排队延迟（将被发送到云数据中心的任务），以及云排队延迟s队列（当云将把任务放入执行队列时），（iii）在云处的任务计算时间scmpt：CD，以及（iv）向下。链路速率DN延迟。K集中式云具有比边缘节点（或HW）多得多的资源，因此它具有用于任务计算的丰富计算槽，并且计算能力比HW大得多（Kansal等人，2022年）。因此，在云数据中心内可以忽略任务等待时间。当PTS-RA将任务集放入qc中时，排队延迟将等于如等式中所述。（十四）：squeue<$Xstr;并且每个任务xi属于qc14存在一些影响总处理xk的延迟时间（表示为edbysp：ei）任务集，包括：（i）所用时间Xi1/1在任务卸载期间（传输时间STR为零由于本地计算），（ii）排队等待时间s队列（iii）任务执行计算/计算时间：硬件 在HWei，以及（iv）下行链路速率在tasks setxk中，n是在qc中进行的任务数。的任务xi的数据传输时间可以通过考虑等式（1）来计算（十五）：Xidndelay（任务执行后的时候结果会被down-K已加载），其也将像数据传输时间一样为零，trMeiXieið15Þ本地计算。 计算上述时间其中Re 表示当前可用带宽，延迟，首先，传输时间，其在等式中表示（10），ix然后，如等式1所示确定边缘队列qe中的任务xk的排队等待时间s队列（将在HWei（十一）：MxKHW e i和集中式云，而Mei表示需要传输的数据量。 这个传输时间是针对单个任务xi的，但是我们可以将它与一组任务xk联系起来，str .此外，集中式云cmpt：CD特雷xkR传感器ð10Þsxi可以通过使用等式来计算。（十六）、Pxiscmpt：CD¼requiredPð16Þs：t str！ 由于本地计算而被忽略xixi云XKS我RZ. 谢里夫湖Tang Jung，M.Ayaz等人沙特国王大学学报552SNXKXXKXKXKXKXi需是任务xi所需的CPU容量，由于非常快速或高速的有线连接，Xi云是云分配给任务影响或成为延迟/延迟的原因，数据量最后，我们计算估计的总处理Xi 在其执行过程中。换句话说，计算延迟cmpt：CDcmpt：CD时间sp：在集中式云上的云，用于任务xk，通过考虑等式在云中，对于任务集xk，可以表示为sxk=cmpt：CD其中N是HW e i与集中式云之间的计算能力差异比率。类似地，这个单个任务xi可以与一组任务xk相关 如scmpt：CD。根据许多研究人员（Chen等人，2015，Sun等人，2017，Yao和Ansari2018，Zhang等人， 2018年，Zou等人， 2020，Jin等人， 2021年，廖XK（17），这是Eq的总和（14），Eq.（15）、Eq.（16），即，数据传输时间、排队时间和执行/计算时间：dn延迟忽略K例如， 我们可以忽略任 务 的 下行链路速率dn延迟sp：cloud 1/4squeue1/4strcmpt：CDð17Þ任务计算后的数据大小通常比计算前的任务小得多此外，下载速率远高于HW与云数据中心之间的上行链路速率由于在网络之间存在高速有线连接（称为回程链路），由于任务的优先级和延迟估计（本地和远程计算）已经确定，接下来是根据任务的需求将其放入队列中。因此，处于紧急情况下的任务意味着具有较高优先级的任务将被放入边缘队列qe中，用于在其中PP伊什 XKZ. 谢里夫湖Tang Jung，M.Ayaz等人沙特国王大学学报553K见图4。 演示硬件上数据/任务处理的资源分配。图五、说明发送到云的任务HW，并且不太紧急或由于HW处的资源不可用的任务将被放置在云队列qc中以用于远程任务处理/计算。PTS-RA将根据任务要求或根据紧急级别执行，这将确保最短的总体任务处理时间并节省带宽成本。在任务排队过程中，不是简单地实现先进先出（FIFO）方法或一些其他机制，如最短作业优先（SJF）调度，而是根据考虑其紧迫性级别的降序来管理每个队列中的任务新到达的任务将根据其优先级值（K）被放入队列，其中紧急任务将尽可能地立即处理，从而导致sat-明确医疗体系的应急处理标准。此外，在本地计算队列qe中的相同紧急级别的情况下，考虑到各种因素，可以将不同的权重分配给不同的任务。该策略不仅有助于满足紧急处理的需要，而且有助于最小化任务处理时间并提高吞吐量。算法1（基于优先级的任务调度和资源分配（PTS-RA））。如果任务的传输时间早于具有较短数据集的任务，则其他任务将被延迟。但是，如果任务在队列中等待的时间较长，则会为其初始化分配更高的否则，具有较大数据集或较低紧急级别的任务将被推迟更长时间。此外，qc中包含具有较高排队时间的较短数据集的任务将具有更高的优先级以更早地运行为此，在这种情况下，可以为这些任务分配更高的权重此外，为了处理云队列qc中具有相同紧急级别的这些非紧急任务，考