توسعه مدل پیش‌بینی حمله قلبی در بستر محاسبات مه

مقدمه: مطالعات مختلف مزایای استفاده از محاسبات توزیع شده مه برای شبکه‌های اینترنت اشیاء را به اثبات رسانده‌اند؛ زیرا قابلیت‌های رایانش ابری همچون محاسبات، ذخیره‌سازی و پردازش را به گره‌های اینترنت اشیاء نزدیک‌تر کرده است. الگوی جدید محاسبات مه و محاسبات لبه با نزدیک کردن منابع به کاربران در مقایسه با محاسبات ابری، تاخیر کمتری برای پردازش داده‌ها ارائه داده است که این امر برای کاربردهای حساس به تاخیر همچون حوزه مراقبت سلامت از راه دور ضروری است و ارائه خدمات قابل اعتماد‌تر را فراهم می‌کند. در این پژوهش جهت پایش وضعیت بیماران قلبی یک سیستم مبتنی بر مه ارائه شده است.روش: این پژوهش از نوع توسعه‌ای کاربردی است. به منظور ارزیابی‌، از مجموعه داده بیماران عروق کرونر قلبی موجود در مخزن داده‌ یادگیری ماشین دانشگاه ارواین استفاده شد. در این سیستم، هر یک از علامت‌های بیمار قلبی بر اساس محدوده نرمال در لایه مه ارزیابی و وخامت حال بیمار بررسی می‌گردد. در این لایه، تقاضاها بر اساس تعداد علائمی که خارج از محدوده نرمال هستند، اولویت‌بندی می‌شوند. کارایی سیستم پیشنهادی از نظر مصرف پهنای باند، تاخیر و زمان پاسخ مورد ارزیابی قرار گرفت.نتایج: سیستم ارائه شده در این پژوهش منجر به بهبود پهنای باند به میزان 23/77%، کاهش زمان تاخیر به میزان 23/71% و بهبود زمان پاسخ به میزان 32/95% گردید. نتیجه‌گیری: بهره‌گیری از صف اولویت به منظور اولویت‌بندی تقاضاها در لایه مه، زمان پاسخ‌دهی به درخواست‌های اورژانسی را کاهش می‌دهد.

Development of a Model for Predicting Heart Attack Based on Fog Computing

Introduction: Various studies have demonstrated the benefits of using distributed fog computing for the Internet of Things (IoT). Fog computing has brought cloud computing capabilities such as computing, storage, and processing closer to IoT nodes. The new model of fog and edge computing, compared to cloud computing, provides less latency for data processing by bringing resources closer to users. This is essential for delaysensitive applications such as remote healthcare and provides more reliable services. In this study, a fogbased system was proposed to monitor the condition of heart patients.Method: This study was a developmentalapplied one. A set of data relevant to coronary heart patients available in the machine learning data repository of the University of California Irvine was used for evaluation. In this system, each of the heart patient #39;s symptoms is evaluated based on the normal range in the fog layer and the status of the patient is determined. In this layer, requests are prioritized based on the number of symptoms that are out of the normal range. The efficiency of the proposed system was evaluated in terms of network usage time, latency, and response time.Results: The system presented in this study led to the improvement of network usage time by 23.77%, reduction of latency by 23.71%, and enhancement of response time by 32.95%.Conclusion: Using the priority queue to prioritize requests at the fog layer reduces the response time to emergency requests.