تکنولوژی های فعال برای محاسبات مه در سیستم های اینترنت اشیای مراقبت های بهداشتی
زمینه: معماری محاسبات مه از نظر جغرافیایی توزیع می شود، و انواع دستگاه های ناهمگن به منظور فراهم سازی سرویس های ارتباطی، محاسباتی و ذخیره سازی متغیر و انعطاف پذیر مشارکتی در انتهای شبکه به آن متصل می شوند. محاسبات مه دارای مزایای زیادی است و برای کاربردهایی مناسب است که در آنها بلادرنگ بودن، زمان پاسخ بالا و تاخیر کم و مخصوصا برنامه های مراقبت های بهداشتی از بیشترین اهمیت برخوردار هستند.
اهداف: هدف این مطالعه، ارائه مروری بر مقالات سیستماتیک تکنولوژی ها برای محاسبات مه در سیستم های اینترنت اشیای مراقبت های بهداشتی و آنالیز آنها است. انگیزه ها، محدودیت هایی که محققان با آنها مواجه شدند و پیشنهاداتی برای بهبود این زمینه پژوهشی ارائه می شوند.
روش ها: بررسی ها از نظر سیستماتیکی در زمینه محاسبات مه در مورد مراقبت های بهداشتی انجام گرفتند؛ همچنین، چهار پایگاه داده Web of Science (WoS) ،ScienceDirect ،IEEE Xplore Digital Library و Scopus از سال های 2007 تا 2017 برای آنالیز معماری، برنامه های کاربردی و ارزیابی کارایی استفاده شدند.
نتایج: مجموع 99 مقاله در زمینه محاسبات مه در کاربردهای مراقبت از سلامت با روش ها و تکنیک های مختلف بسته به ضوابط دربرگیری و حذف انتخاب شدند. نتایج طبقه بندی به سه گروه اصلی تقسیم بندی شدند؛ چارچوب ها و مدل ها، سیستم ها (پیاده سازی شده یا معماری) مرور و بررسی.
بحث: محاسبات مه برای کاربردهایی مناسب است که به زمان پاسخ بالا، تاخیر کم و زمان بلادرنگ مخصوصا در کاربردهای مراقبت های بهداشتی نیاز دارند. تمام این مطالعات نشان می دهند که به اشتراک گذاری منبع، تاخیر کم، مقیاس پذیری بهتر، پردازش توزیع شده، امنیت بهتر، تحمل پذیری خرابی و حریم برای ارائه زیرساخت مه بهتر فراهم می سازد.
نکات آموزشی: نکات آموزشی متعددی در مورد محاسبات مه ارائه شدند. محاسبات مه بدون شک تاخیر را در مقایسه با محاسبات ابری بیشتری کاهش داده است. محققان نشان دادند که نسبت های تجربی و شبیه سازی، کاهش های قابل توجه تاخیر را تضمین می کنند. کدام یک برای سیستم های اینترنت اشیای مراقبت های بهداشتی با توجه به نیازمندی های بلادرنگ مهم تر است.
نتیجه گیری: زمینه های پژوهشی در مورد محاسبات ابر در کاربردهای مراقبت های بهداشتی متفاوت هستند، در حالیکه برای اکثر بخش ها از اهمیت یکسانی برخوردار هستند. به این نتیجه رسیدیم که این بررسی به برجسته سازی قابلیت های پژوهشی و در نتیجه گسترش و ایجاد زمینه های پژوهشی اضافی مفید خواهد بود.
کلمات کلیدی: محاسبات ابری، محاسبات مه، محاسبات لبه، کاربردهای مراقبت های بهداشتی، گره های مشترک، منابع مشترک، گذرگاه های هوشمند، مروری بر مقالات سیستماتیک
Enabling technologies for fog computing in healthcare IoT systems
Future Generation Computer Systems Volume 90, January 2019, Pages 62-78
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.
Results: A total of 99 articles were selected on fog computing in healthcare applications with deferent methods and techniques depending on our inclusion and exclusion criteria. The taxonomy results were divided into three major classes; frameworks and models, systems (implemented or architecture), review and survey.
Discussion: Fog computing is considered suitable for the applications that require real-time, low latency, and high response time, especially in healthcare applications. All these studies demonstrate that resource sharing provides low latency, better scalability, distributed processing, better security, fault tolerance, and privacy in order to present better fog infrastructure.
Learned lessons: numerous lessons related to fog computing. Fog computing without a doubt decreased latency in contrast to cloud computing. Researchers show that simulation and experimental proportions ensure substantial reductions of latency is provided. Which it is very important for healthcare IoT systems due to real-time requirements.
Conclusion: Research domains on fog computing in healthcare applications differ, yet they are equally important for the most parts. We conclude that this review will help accentuating research capabilities and consequently expanding and making extra research domains.
Keywords: Cloud computing, Fog computing, Edge computing, Healthcare applications, Shared nodes, Shared resources, Smart gateways, Systematic literature review
