基于云的医疗数据管理系统中的生物识别认证和数据管理

沙特国王大学学报BAMHealthCloud：用于云医疗数据的生物识别认证和数据管理系统卡什什河Shaanxi，Farhana J.ZareenZabin，1，Mansaf AlamZabin，Suraiya Jabin计算机科学系，Jamia Millia Islamia，新德里110025，印度阿提奇莱因福奥文章历史记录：2017年4月18日收到2017年6月2日修订2017年7月10日接受2017年7月14日在线提供关键词：生物认证医疗云医疗云HadoopA B S T R A C T医疗保健行业的进步对不断增长的电子医疗数据带来了安全威胁。医疗保健数据管理系统以不同的格式记录患者的数据，例如文本、数字、图片和视频，导致数据庞大且非结构化。此外，医院可能在不同的地理位置有几个分支机构。有时，出于研究目的，需要整合存储在不同位置的患者健康数据。有鉴于此，基于云的医疗保健管理系统可以成为高效医疗保健数据管理的有效解决方案。但基于云的医疗保健系统的主要问题是安全方面。它包括盗窃身份、税务欺诈、银行欺诈、保险欺诈、医疗欺诈和诽谤知名度高的病人。因此，需要一个安全的数据访问和检索，以提供医疗保健管理系统中的关键医疗记录的安全性基于生物特征的认证机制适用于这种情况，因为它克服了用于提供安全性的传统令牌ID-密码机制它还具有安全数据访问和检索的高准确率在本文中，提出了一个基于云的系统管理的医疗数据BAMHealthCloud，它确保了电子医疗数据访问的安全性，通过基于行为生物特征签名的认证。用于身份验证目的的签名样本的训练已经在Hadoop MapReduce框架上使用弹性反向传播神经网络并行执行从严格的实验中可以得出结论，它实现了9倍的加速比，0.12的等错误率（EER），0.98的灵敏度和0.95的特异性与其他先进算法的性能比较表明，该系统的性能优于文献中现有的系统。©2017作者。制作和主办：Elsevier B.V.代表沙特国王大学这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍医疗数据盗窃是医疗保健部门的一个严重问题。健康数据是黑客最脆弱、最容易和最诱人的目标。根据波耐蒙研究所进行的一项调查，232万美国人是医疗数据盗窃的受害者（Munro，N. D。）.从医疗数据盗窃发生的损害比其他类型的盗窃更严重，因为在这些类型的情况下，如信用卡*通讯作者。电子邮件地址：shakilkashish@yahoo.co.in（K.A.Shaanxi），farhanazareen@ya-hoo.com（F.J. Zareen），malam2@jmi.ac.in（M. Alam），sjabin@jmi.ac.in（S. Jabin）。1、同等贡献。沙特国王大学负责同行审查或者银行ATM，银行可以被报告盗窃并且可以立即采取补救措施，但是在卫生部门，数据盗窃欺诈检测是相当棘手和缓慢的。由于多种原因，健康数据已成为欺诈的一个非常诱人的目标。原因之一是由于缺乏安全保障，与任何其他类型的财务数据相比，健康数据更容易获得用于存储数据。此外，这些信息被广告商用于创建欺诈信用卡账户和提交虚假纳税申报表。这些健康信息可能被滥用于非法购买药品或医疗设备，甚至用于虚假医疗服务。从过去两年来看，健康行业遭受的黑客攻击数量最多。根据身份盗窃资源中心的数据，它占记录的数据泄露总数的43%（Shin，2015）。大多数情况下，受害者甚至不知道盗窃。病人的隐私是第一个和最重要的问题，必须解决，而切换到电子医疗系统。因此，需要一种用于以安全方式正确访问和检索健康数据的机制。http://dx.doi.org/10.1016/j.jksuci.2017.07.0011319-1578/©2017作者。制作和主办：Elsevier B.V.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/）。制作和主办：Elsevier可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com58K.A. Shaanxi等人/沙特国王大学学报电子医疗保健记录的数量以指数速度增长，需要以有效的方式进行维护。每个医疗记录包括文本、图像和图形。因此，这些记录中的每一个都是非结构化和未加密的形式。 因此，这些记录的大小变得足够大，由传统系统管理。此外，加工是个问题此外，著名的医疗保健中心有几个分支机构，需要全球可访问的医疗记录。因此，云计算在这种情况下成为一种可行的解决方案，具有以可扩展、灵活和稳健的方式提供这些设施的额外优势，以及位置独立访问（Alam和Shaanxi，2014）。现代技术正在与现有的医疗服务相结合。例如，EMR（电子医疗记录）和EHR（电子健康记录）是大多数医疗保健中心采用的两种技术来维护健康记录。但这些技术容易受到黑客和中心员工的安全威胁。基于生物计量学的数据认证提供了一种适当的解决方案，用于提供存储在云中的健康数据的安全性。生物特征安全可以通过不同的方法获得，例如机密性，完整性，不可否认性和身份验证，如图1所示。其中，身份认证是一个主要的关注点，以便任何非法访问可以被禁止，因此，我们在本文中集中在生物认证。在实践中有许多不同的生物特征认证机制，但生物特征签名由于其社会可接受性而变得越来越受欢迎。生物特征签名与传统的静态签名不同，因为其动态特征，如速度、加速度、总时间、笔倾斜角度、提笔和落笔，可确保用户的最大安全性（Jabin 和Zareen，2015）。因此，生物识别技术和云计算的结合可以被认为是电子健康记录管理的灵丹妙药。 为了加快数据处理速度并确保数据的安全、可扩展存储和管理，云计算已与BAMHealthCloud中的生物识别认证机制结合使用 （ Alam 和 Shaanxi ， 2016 年 ） 。 因 此 ， 本 文 提 出 了BAMHealthCloud，并讨论了各种现有的电子健康数据管理方法。它建议BAMHealthCloud作为安全数据访问，检索和管理的解决方案。以下是本文的贡献：BAMHealthCloud是一种有效存储和检索电子医疗数据的新型框架。使 用 基 于 优 先 级 的 并 行 算 法 ALGOHealthSecureCheck 对BAMHealthCloud系统的用户进行生物特征认证，以提供对数据的安全访问通过实验进行了验证，实验结果表明，EER具有更好的性能。其余的文件组织如下：第2节给出了问题的描述，其次是最近的文献 调 查 ， 有 关 医 疗 保 健 数 据 在 第 3 节 。 第 4 节 提 出 了 BAM-HealthCloud框架，第5节提出了用户访问数据的第6节通过严格的实验验证了所提出的框架，并通过结果进一步解释最后，本文在第7节中得出结论。2. 问题描述2.1. 医疗云令HC表示健康护理云HC= {S，P，D，Sm}，其中S表示员工，即 S ={S1，S2，S3，. . }其中Si是第i个工作人员Fig. 1.不同级别的生物识别安全性。在访问存储在云中的健康数据的情况下，Pt表示患者，即Pt = {Pt 1，Pt2，Pt 3，. . 其中Pti是仅访问他或她的记录的第i个患者，D表示数据存储和Sm安全管理器。问题在于S和Pt如何与实体D交互，以及组件S m如何限制对D的访问。2.2. 数据管理问题健康数据规模庞大，通常难以使用传统工具和技术进行存储和管理。因此，我们需要一个系统，可以处理这种数据的特点是大容量和品种。为了满足这一目的，所提出的技术使用健康数据管理系统，该健康数据管理系统已经被实施为部署独特的云数据库管理系统架构（Alam和Shaanxi，2013）。该架构专为云环境量身定制，提供了支持大型数据集、监控和易于使用的界面等功能，此外，它还确保了可扩展性、灵活性和动态资源分配，以满足不断增长的数据需求。2.3. 生物识别安全管理问题存储在第三方位置的数据很容易受到入侵攻击，因此我们需要一个管理系统来保护系统免受此类攻击。两个主要目标是为合法用户提供适当的访问权限，并对用户（患者和工作人员）进行身份验证。认证通过并入系统中的生物特征认证代理来提供。该代理还为用户提供访问控制，因此没有外部人员或攻击者能够以恶意访问系统。所有其他使用的符号及其解释见表1。3. 文献调查医疗保健数据正以指数级速度增长，其来源是患者的个人记录、来自临床试验的数据、放射学图像和基因组序列数据。据估计，到2020年，该数据将增加到25，000拍字节的值（Feldman等人，2012年）。虚拟化和云计算是用于捕获、操纵和存储大容量数据的技术。一些数据管理和处理平台是Hadoop框架和Amazon Corporation EC2。将健康信息存储在云中涉及通过远程桌面、PDA和移动设备对其进行访问，但通过这些设备进行访问会导致安全问题。因此，医疗保健数据管理的主要问题包括存储和检索大量和各种数据，整合和共享分散在不同位置的这些数据。除此之外，还需要开发一种可扩展的系统，该系统在健康护理管理系统和访问它的用户●●●K.A. Shaanxi等人/沙特国王大学学报59表1符号和标记。符号解释IdjkInput签名样本，表示第j个用户的第k个Od Input执行MapReduce后得到的输出数据生物特征签名数据Cov执行Sigcovariance函数后获得的协方差矩阵s协方差矩阵Cor的对角元素的平方根从协方差矩阵和乘积平方根矩阵Pcacoef表示PCA系数的矩阵Tloc局部训练网络UNULL[联盟TNet合并训练网络Err网络的错误本地网络（Doukas等人，2010年）。在智能手机、平板电脑和笔记本电脑等移动设备上扩展健康应用程序的功能是另一个具有挑战性的问题（Nkosi和Mekuria，2010;Zareen和Jabin，2016）。根据NIST（Mell and Grance，N. D. 云计算被定义为无处不在的计算模型，其以灵活的方式提供对诸如网络、服务和存储的一组资源的按需访问。它的一些好处包括资源池，快速弹性和按需服务。这些特性促进了云计算的使用包括医疗保健在内的各个领域其中云计算变得流行的医疗保健的推力领域包括使用Hadoop并行执行大DNA序列而不损害准确性的DNA测序（O'Drivel等人，2013年）。生物医学信息共享是云计算越来越受欢迎的另一个领域，研究人员相互共享数据和信息，但涉及数据丢失和未经授权访问数据等风险（Rosenthal等人，2010年）。这项工作利用Hadoop的并行执行，以实现高速和强大的访问资源，以及克服安全问题，通过采用认证元素，它。生物识别系统可以用于在诸如医疗保健数据存储和检索的场景中提供认证。在医疗保健领域实施生物识别的主要要求是患者记录的隐私和保密性有 一 些 国 际 法 规 ， 如 HIPAA （ Health Insurance Portability andAccountability Act）（Flores Zuniga等人， 2010）、澳大利亚隐私原则法案和欧洲数据保护指令，这些法规要求高级别的安全性、访问控制和敏感数据交换。在（Krawczyk和Jain，2005）中，作者使用双峰方法来为电子病历提供安全性，这种双峰方法结合了语音识别和签名认证技术。与云集成的多生物识别系统还可以为医疗保健数据提供安全性（Khan等人，2014年）。在这种情况下，数据存储在UBUNTU企业云Eucalyptus数据库（UEC）中。在（Bhattasali等人，2014），已经设计了半连续认证机制用于分层健康监视器框架的认证。它旨在减少存储在异构云系统中的数据的滥用。它融合了行为和生理生物特征，即人脸识别和面部识别，但它不是基于云的系统。在BAMHealthCloud中，行为以及个人签名的结构特征弹性反向传播（RPROP）是一种流行的多层前馈神经网络反向传播训练算法。RPROP解决了“消失梯度”的问题，根据该问题，随着人工神经网络的深度和复杂性的增加，通过随机梯度下降（SGD）反向传播的梯度向后传播变得越来越小，这导致权重的更新可以忽略不计以及缓慢的训练（Mosca和Magoulas，2015; Riedmiller和Braun，n. d. ）.在所提出的系统中，它已被用来训练模型的目的，使用生物特征签名数据的认证。4. BamHealthCloud：拟议的医疗保健云系统在本节中，我们提出了一种基于云的解决方案，用于处理大量的医疗保健记录，从不同医疗保健源产生的数据被卸载到第三方云，即如图1所示的所提出的医疗保健云。 二、这些数据的存储和它由健康数据存储和安全管理器两个组件组成。健康数据存储基于健康数据管理系统，安全性由代表图二. BAMHealthCloud-基于云的安全生物识别架构。60K.A. Shaanxi等人/沙特国王大学学报⁄⁄⁄⁄⁄⁄图三. BAMHealthCloud模块之间的关系安全经理。图3中解释了不同模之间的关系。健康数据存储和安全管理器是属于医疗保健云的重叠实体。要保护的数据存储在健康数据存储中，并且安全管理器使用生物特征认证代理来提供云上的安全性。4.1. 健康数据管理系统医疗保健云的该组件负责管理患者报告和其他信息。它由三层组成，即客户端层、健康服务提供商层和数据中心层。保健服务提供者一级又分为行政和安全两级。生物认证代理在安全级别上起作用。客户端提供了云数据与用户之间的交互接口。安全和资源供应又分别由健康服务提供者级别的两个组件处理。数据存储及其管理由数据中心负责。因此，健康数据管理系统负责医疗保健数据的整体管理、存储和检索。4.2. 生物认证代理该模块使用生物特征签名进行身份验证。签名的动态特征是使用数字化输入板捕获的，该数字化输入板记录诸如x、y坐标、笔的速度、签名所花费的总时间、签名时笔的角度、提笔和落笔的次数以及加速度等特征在捕获签名的同时，提取其重要特征，然后对其进行预处理并存储为模板。模板是指从签名样本中提取的动态特征的数据集;特征在表1中提到。在该阶段之后，该特征数据集被预处理并用于训练基于人工神经网络的模型，然后这些经训练的网络被存储在云中。在验证阶段，对照存储的模型检查用户此外，这种方法的另一个额外优势是处理（训练和验证）也在云上完成。这节省了存储和成本，同时提供了更少的碳足迹，即这算法1ALGOHealthSecurityCheck输入：P：用户优先级，可以是1、2、3或41. 开始：2.如果P等于1/如果用户是正式员工，则以低优先级执行身份验证/3.然后4. ALGOHealthAuthentication（Priority_Low）5. End If6.如果P等于2/如果用户是特权员工，则以平均优先级执行身份验证/7. 然后8. ALGOHealthAuthentication（Priority_Avg）9. End If10. 如果P等于3/如果用户是特权患者，则以高优先级执行身份验证/11. 然后12. ALGOHealthAuthentication（Priority_High）13. End If14.如果P等于4/<$如果用户是VIP患者，则以非常高的优先级执行身份验证15. 然后16. ALGOHealthAuthentication（Priority_VHigh）17. End If18. 端5. 验证用户访问为了确保只有合法用户才能访问存储在医疗保健云上的数据，我们使用了拟议的生物特征认证技术。此外，为了加快处理速度，我们使用了基于Hadoop框架的MapReduce编程并行训练。此外，使用移动电话对医疗保健数据的访问进行认证，确保整个过程既节能又节省成本所提出的方法分为两个阶段：第一阶段-注册阶段和第二阶段-认证阶段5.1. 第一阶段：入组阶段在此阶段，如图4所示，要求在健康护理中心登记的工作人员和患者自己登记通过提供他们的签名样本，使用签名帽-见图4。 入组阶段。K.A. Shaanxi等人/沙特国王大学学报61⁄⁄⁄⁄⁄←⁄←[ ⁄]····⁄图1示出了安装有签名捕获软件的用户的设备或他们的智能电话。一旦捕捉到用户的签名，将使用SigQuality检查软件检查给定签名的质量。该软件的功能是确保所记录的签名样本符合认证所需的质量标准。一旦执行该匹配，就提取样本的特征并将其存储在医疗保健云中。5.2. 第二阶段：认证阶段在如图5中所描述的该阶段中，检查用户的真实性。用户被要求给出他的签名，该签名被发送用于质量检查，然后提取其特征然后，对照医疗保健云中存储的用户模板检查该签名样本。这种匹配是使用前馈神经网络中的弹性反向传播算法（稍后解释）来执行的。匹配过程是为了找出用 户 是 否 这 种 用 户 身 份 验 证 是 以 并 行 方 式 完 成 的 。ALGOHealthSecurityCheck描述了对医疗保健云中的健康数据执行安全检查所采用的为了检查提供给用户，定义访问层次结构此层次结构基于算法2ALGOHealthAuthentication输入：L：用户数，M：每个用户的签名样本数，P：从ALGOHealthSecurityCheck输入的阈值目标：目标矩阵输出：TNet：训练的网络1. 开始：2. ParFor j = 1 to L3. 对于k = 1到M，4. ReadSamples（Idjk）/输入来自个人的签名样本以用于认证目的/5. 结束ParFor6. 结束ParFor7. Od = SigMapreduce（Id，SigCovarianceMapper，SigCovarianceReducer）/<$Running SigMapreduce在输入数据样本上用户优先。该优先级值在登记时按1-4的比例分配，4是最高优先级值，1是最高优先级值。是最低值。不同类型的用户及其各自的优先级值在表2中进一步示出。与用户相关联的优先级值越高这通过在训练算法（即，算法1）中关联取决于优先级P的阈值来解决。根据该算法，基于相关联的优先级值来执行认证。如果具有低优先级的用户（例如，普通工作人员）尝试访问数据，则以低优先级执行他/她的认证（行1类似地，对阈值设置为Priority_Avg的用户执行身份验证基于作为阈值的优先级对用户访问健康数据的认证由算法2（即ALGOHealthAuthentication）完成。在步骤2至6中，读取签名样本。该读取以并行方式执行 我djk是输入签名样本矩阵，其表示第k个8. Cov=SigCovariance（Od）/<$covarianc是根据Sigmapreduce<$/的数据输出计算的。样品第j个用户。在此MapReduce函数应用于计算之后，9. S = sqrt（diagonal（Cov））/计算从上一步/10. Cor=Cov/s/从协方差矩阵和从步骤10获得的平方根矩阵的乘积以及其转置来计算11. Pcacoef svd（Cor）/ PCA为 执行 使用 对从步骤10获得的相关矩阵进行奇异值分解;12. 企业化培训：13. 对于j = 1到L14. 对于k = 1到M15. Input1ij←Pcacoefij/<$input从步骤11<$/获得的16. 端17. 端18. TNet=U/<$Emptytrainednetwork，inthescheming，<$/19. 对于leLoc，对所有局部重复步骤20-22网络S/20. Tloc =NetCreate（）/在前馈神经网络上使用弹性反向传播算法创建本地网络-以分布式方式工作<$/21. （ Tloc ， Err ） =SigTrain （ Tloc ， input ， target ， P ）/<$在步骤2中创建的本地网络上执行训练0<$/22. TNet Tloc TNet/将所有本地网络合并成一个网络TNet，由所有网络的<$/23. 端24. 并行训练25. 返回TNet/<$a在并行训练结束时返回组合网络TNet/26. 端在输入数据样本上计算协方差。的使用MapReduce框架确保所有数据处理都在分布式集群的商品硬件上以并行方式完成。这加快了处理，是成本效益，随着容错。在步骤11中，对输入数据执行PCA特征提取。在此基础上，采用弹性反向传播算法对系统进行并行训练.局部网络由符号Tloc表示，TNet表示全局网络。使用NetCreate（）函数创建Tloc，然后将这些本地网络组合成一个合并的网络TNet。这个合并的网络是算法的输出。定 义 1. NetCreate 函 数 以 分 布 式方 式 在 前 馈 网 络 上 实 现ResilientBackprop- agation算法，该分布基于所使用的数据集的大小完成。定义2. Sigtrain是一个函数，它采用输入和目标矩阵，并使用弹性反向传播算法基于本地网络的架构训练网络。定理1. ALGOHealthSecurityCheck的时间复杂度为。证据对存储在云上的健康数据执行安全检查的时间复杂度是O（LM）。其中O（L.M）表示L的大O乘它需要O（L M）来对低优先级用户执行安全检查（第4行，算法1），如theo- rem 2中所给出的。对平均优先级用户执行安全检查需要O（L M）（第8行，算法1）。对高优先级用户执行安全检查（第12行，算法1）需要O（L M），62K.A. Shaanxi等人/沙特国王大学学报···××··图五. 身份验证阶段。表2健康数据用户及其优先事项。用户类型优先值VIP患者优先级_VHigh4住院患者优先级_高3饰Staff优先级平均值2正规工作人员优先级_低1老病号优先级_低1对于非常高优先级的用户执行安全检查需要O（L M）（第16行，算法1 ） 。 因 此 ， ALGOHealthSecurityCheck 的 复 杂 度 是 最 大 的 （ O（L· M），O（L· M），O（L· M），O（L·M）），即O（L· M）。定理2. ALGOHealthAuthentication的时间复杂度为O（L M），其中L是用户数，M是每个用户。证据对于执行健康数据的认证的复杂性是O（L M）。它需要O（LM），用于对样本数据执行读取（第4行，算法2），它需要O（L M）用 于 对 数 据 样 本 执 行 MapReduce 函 数 （ 第 7 行 ， 算 法 2 ） 。Sigcovariance 在 O （ L2 ） 时 间 内 找 到 协 方 差 ， 步 骤 13 因 此 ，ALGOHealthAuthentication 的复杂度是最大的（O（ L· M），O（L· M），O（L2），O（L·M），O（L· M））.6. 实验和结果为了评估所提出的方法，我们进行了一系列的实验。本节阐述了实验装置和所取得的结果。6.1. 实验装置本节介绍了用于进行实验的实验装置。6.1.1. 系统设置采用一个具有397个节点的8机柜集群来进行BAMHealthCloud的实验每个节点有12个核心，因此，核心总数为4764（397 12）。每个节点的可用总内存为64 GB，因此，可用总内存为768 GB（1264）。所使用的实验数据是通过手持设备捕获的真实生物特征签名数据。6.1.2. 使用的数据集使用不同的手持设备，例如智能手机、平板电脑、平板电脑、个人数字助理（PDA），数据从9000名用户中收集了签名样本。用户涉及工作人员和患者。数据已被记录在五个临时会议分开在一个星期内每1500名用户。收集的数据包括2000名工作人员和7000名患者。每名使用者共抽取40个样本，其中25个为真品，15个为伪造样本。因此，储存的样本总数为（9000X40）360，000。为了遵守与收集有关的道德规范，对于这些重要和关键的信息，与会者同意他们的身份将被保密。参与者仅被确定为工作人员或患者，除此之外，所有个人信息均保持匿名。表3示出了在捕获签名时记录的特征（Zareen等人，2016年）。Xa、Ya、Za表示笔或鳍沿X、Y和Z轴用于签名的格，Xl、Yl和Zl是记录的磁场沿轴、方位角、俯仰角和横滚角围绕移动设备是由移动设备产生的方位角，Xv、Yv、 Zv是签名者签名的角速度。6.1.3. 数据准备和处理为了准备用于训练目的的数据，首先使用Hadoop框架对原始数据进行预处理。首先将数据导入Hadoop分布式文件系统，然后使用主成分分析（PCA）（Abdi和Williams，2010）技术进行缩减。执行PCA的MapReduce代码，以便以并行方式执行所有计算。应该注意的是，由于使用的数据集非常大，因此处理涉及跨集群的几个节点的多个映射器功能。Hadoop 2.x是最新的版本，已在我们的实验中使用。复制因子的3，这确保了我们的系统对任何节点故障都是鲁棒的。此外，Hadoop集群的推测执行特性表3签名时记录的特征（Zareen等人， 2016年）。参数特征单元加速度磁场取向XaYaZaXlYlZl方位m/s2m/s2m/s2MtMtM t度间距度辊度角速度XvYvZvrad/srad/srad/sK.A. Shaanxi等人/沙特国王大学学报63¼TP¼¼ ð Þ¼6.2. 评估指标以下指标已用于评估该框架：1）灵敏度它是系统正确地分类签名样本属于特定授权用户的概率，并且由等式2给出。（一）EER<$FARjFAR<$FRR<$FRRjFRR<$FAR500其中TrueGenuine是被BAMHealthCloud分类为真正用户的真正用户 数 量 。 FalseGenuine 是 未 被 正 确 分 类 的 真 实 用 户 的 数 量 ，TrueForged是被错误分类为真实的伪造用户的数量，FalseForged是被正确分类为伪造的伪造用户的数量。4) BAMHealthCloud的加速比定义为通过运行系统SensitivityTrueGenuine真的假的假的2) 特异性ð1Þ与在多台机器上运行时相比，它在一台机器上运行。根据Amdahl定律（Hill和Marty，2008）的加速（六）、它是系统正确分类特定样本不属于用户类别的概率（二）、我很抱歉。T16其中P是处理器数量，S（P）是加速比特异性TrueForged真伪造假真3) 等错误率（EER）ð2Þ当在P个处理器上运行计算时实现，T（1）是单个处理器上的运行时间，T（P）是P个处理器上的运行时间。i)错误接受率（FAR）度量系统错误地将伪造签名接受为真实签名的概率。FAR可以用Eq. （三）、FAR假真3假的真的假的真的假的ii) 错误拒绝率（FRR）衡量系统错误地拒绝访问伪造的真实用户的概率。FRR可以用Eq. （四）、6.3. 结果为 了 验 证 BAMHealthCloud 的 真 实 性 ， 进 行 了 严 格 的 实 验 。BAMHealth-Cloud的结果已经与最近文献中使用的其他方法进行了比较，并总结在图1A和1B中。 6和图7 图图6示出了等误差率（EER）、灵敏度和特异性方面的结果，而图7示出了不同方法的运行时间的图。从图6中可以观察到，从图6中获得的结果与从图6中获得的结果一致。FRRFalseForgedFalseForgedTrueGenuineð4Þ所提出的框架优于文献中的其他方法。BAMHealthCloud的EER为0.12，灵敏度为EER是当FAR和FRR两者变得相等时的值，并使用等式表示。（五）、0.98，特异性为0.95，优于其他最先进的方法。21.510.50Khan等人Bhattasali等人，2014年Krawczyk Jain 2005BAM HealthCloud作者EER灵敏度和特异性图六、BAMHealthCloud与文献中使用的方法的EER、灵敏度和特异性100080060040020001 2 3 4 5 6 7 8 91011121314 15迭代次数BAMHealthCloudKhan et al. 2014Krawczyk Jain 2005Bhattasali et al.20142图7.第一次会议。BAMHealthCloud的运行时间与文献中使用的方法运行时间（分钟）64K.A. Shaanxi等人/沙特国王大学学报为了进一步验证所提出的方法的有效性，计算了BAMHealthCloud的运行时间，并与Khan et al.（2014），Bhattasali et al. （2014）和Krawczyk和Jain（2005），如图7所示。实验已经严格进行了15次，从结果可以得出结论，BAMHealthCloud比这些方法花费更少的时间运行。结果进一步表明，使用Eq. （六）、结果显示EER为0.12，灵敏度为0.98，特异性为0.95，速度为9倍，可以推断BAMHealthCloud优于医疗保健领域使用的所有其他方法。此外，这种方法可以成功地部署在现实生活中安全访问健康数据7. 结论为了处理不断增长的健康数据，并为不同的用户提供安全性，提出了一种基于云的生物特征认证系统BAMHealthCloud。该模型有两个不同的组件，一个组件负责管理每天生成的大量数据，另一个组件负责安全方面。 本文提出了 ALGOHealthSecurityCheck算法，利 用并行MapReduce编程模型进行安全检查.该模型的使用保证了系统的可扩展性、灵活性和鲁棒性。在该系统上进行的实验表明，BAMHealthCloud实现了9倍的加速比，优于最近工作中实现的其他系统。基于优先级的系统已被纳入BAMHealthCloud，这导致处理更安全的系统的关键记录。BAMHealthCloud也可以成功部署在其他部门，如国防，银行部门，组织和教育部门。它非常适合任何规模的应用程序，因为它提供了资源的水平扩展，因此适合大数据处理。致谢这是为了承认Farhana Javed Zareen是本文的相应作者。我们还承认，Far- hana Javed Zareen和Kashish Ara Shaanxi对本文所开展的工作做出了同等贡献。这项工作得到了Visvesvaraya博士“青年教师研究员”的资助。电子和IT计划，印度政府通信信息技术部电子信息技术部引用Abdi，H.，威廉姆斯，L.J.，2010年。主成分分析。Wiley Interceptip.Rev.Comput. Stat. 2，433-459。http://dx.doi.org/10.1002/wics.101网站。阿拉姆，M.，Shawn，K.A.，2016.基于云的系统的最新发展：最新技术水平。Int. J.Comput. Sci. INF. 安全性14，242-258。阿拉姆，M.，Shawn，K.A.，2014.一种基于NBDMMM算法的云资源分配框架。阿拉姆，M.， Shawn，K.A.， 2013. 云数据库管理系统架构。UACEE国际J. Comput. Sci. Appl. 3，27-31。Bhattasali，T.，Saeed，K.，Chaki，N.，查基河，2014.分层远程健康监控框架的生物认证。J. Med. 信息技术 23岁Doukas角，Pliakas，T.，马格洛吉安尼斯岛2010.利用云计算和Android操作系统的移动医疗保健信息管理。2010年IEEE医学和生物工程国际年会。IEEE，pp. 1037-1040.http://dx.doi.org/10.1109/IEMBS.2010.5628061网站。费尔德曼，B.，马丁，E.M.，Skotnes，T.，2012年。医疗保健中的大数据炒作和希望。Flores Zuniga，A.E.，温，K. T Susilo，W.，2010.用于电子健康记录的生物识别技术。J. Med. Syst. 34，975-983。http://dx.doi.org/10.1007/s10916-009-9313-六、希尔，M.，马蒂，M.，2008年多核时代的阿姆达尔Jabin ， S. ， Zareen ， F.J. ， 2015. 生 物 特 征 验 证 。 Int. J. Biom. 七 ， 九 十 七 。 得 双dx.doi.org/10.1504/IJBM.2015.070924值.Khan，F.A.，阿里，A.，Abbas，H.，Haldar，N.A.H.，2014.一个基于云的医疗保健框架，使用无线体域网实现安全性和患者数据隐私。Procedia计算Sci. 34，511-517。http://dx.doi.org/10.1016/j的网站。procs.2014.07.058网站。Krawczyk，S.，贾恩，A.K.，2005.使用生物识别认证保护电子病历。施普林格，柏林海德堡。http://dx.doi.org/10.1007/11527923_115，pp. 1110-1119Mell，P.，Grance，T.，n.d. NIST云计算建议的定义，国家标准与技术研究所。doi：10.6028/NIST.SP.800- 145。Mosca ， A. ， Magoulas ， G. ， 2015. 适 应 深 度 学 习 的 弹 性 传 播 。 arXiv 准 备arXiv1509.04612.Munro，D.，n.d.新的研究表明，超过200万美国人是医疗身份盗窃的受害者-福布斯[WWW文档]。网址http://www.forbes.com/sites/danmunro/2015/02/23/new-study-says-over-2-million-americans-are-victims-of-medical-identity-theft/#640dcc93702d（访问时间：2016年8月18日）。Nkosi，M.T.，Mekuria，F.，2010.云计算用于增强的移动健康应用。2010年IEEE第二届云计算技术与科学国际会议IEEE，pp.629-633.http://dx.doi.org/10.1109/CloudCom.2010.31。O'Drivel，A.，Daugelaite，J.，斯勒托河，2013. 基因组学中的“大数据”、Hadoop和云计算。J. BioMed.告知。Riedmiller，M.，Braun，H.，n.d.一种快速反向传播学习的直接自适应方法：RPROP算法。Rosenthal，A.，Mork，P.，Li，M.H.，Stanford，J.，科斯特，D.，Reynolds，P.，2010.云 计 算 ： 生 物 医 学 信 息 共 享 的 新 商 业 模 式 。J. 生 物 医 学 。 告 知 。 43 ， 342-353.http://dx.doi.org/10.1016/j.jbi.2009.08.014网站。申湖，2015年。生物识别技术如何改善健康安全 财富Zareen，F.J.，Jabin，S.，2016.真实的移动生物特征签名验证系统。IET Biometrics 5，13-19. http://dx.doi.org/10.1049/iet-bmt.2015.0017网站。Zareen，F.J.，Shawn，K.A.，阿拉姆，M.，Jabin，S.，2016年。基于云的移动生物识别认证框架。