رويكرد تخصيص منبع كارا براي پردازش داده هاي حوزه سلامت در محيط رايانش ابري

An Efficient Resource Allocation for Processing Healthcare Data in the Cloud Computing Environment

امروزه، پردازش داده‌هاي مراقبت‌هاي بهداشتي رسانه‌هاي بزرگ در ابر به راه حلي مؤثر براي برآورده كردن تقاضاهاي كيفيت سرويس كاربران پزشكي تبديل شده است. اما فراهم ساختن مراقبت هاي بهداشتي براي جامعه فعاليتي پيچيده است كه شديداً متكي بر پردازش اطلاعات است و پردازش داده هاي حوزه سلامت مي تواند براي سازمان ها بسيار هزينه بر باشد. بر همين اساس امروزه، پردازش داده هاي حوزه سلامت رسانه‌هاي بزرگ در ابر به راه حلي مؤثر جهت مرتفع سازي تقاضاهاي كيفيت سرويس كاربران حوزه بهداشت و سلامت تبديل شده است. بر همين اساس در اين مقاله، يك راهكار فازي براي تعيين ابر بهينه با استفاده از تكنيك پيش بيني منابع ارائه مي شود. همچنين به منظور ايجاد توازن در حين پردازش وظايف از تكنيك مهاجرت ماشين مجازي مبتني بر انتخابگر فازي جهت انتقال ماشين مجازي از يك سرور با بار زياد به يك سرور كم بار استفاده مي شود. ساختار معماري پيشنهادي شامل دو بخش محلي و سراسري است كه براي تحويل درخواست به قسمت سراسري بايد ابتدا قسمت محلي بررسي گردد، در صورت نداشتن شرايط، درخواست به قسمت سراسري تحويل داده مي شود. در واقع معماري پيشنهادي به صورت سلسه مراتبي عمل مي كند و در ابتدا ليست درخواست هاي رسيده ايجاد مي گردد سپس با استفاده از راهكار پيشنهادي، ميزان منابع موجود تخمين زده مي شود و بر اساس آن، تخصيص منبع جهت پردازش انجام مي گيرد. جهت ارزيابي از شبيه ساز Cloudsim استفاده شده است و با توجه به پارامترهاي مختلف، راهكار پيشنهادي با الگوريتم هاي FAHP و ICA-K-Means مورد مقايسه قرار گرفته است. نتايج حاصل از شبيه‌سازي نشان مي دهد كه راهكار پيشنهادي در مقايسه با الگوريتم FAHP به ميزان 10درصد و نسبت به ICA-K-Means به ميزان 12درصد كاهش هزينه بوجود آمده است. همچنين تعداد درخواست هاي رد شده نيز به همين صورت و به نسبت الگوريتم FAHP به ميزان 8 درصد و نهايتا در مقايسه با ICA-K-Means به ميزان 7درصد افزايش بهره وري منابع بوجود آمده است.

Nowadays, processing large-media healthcare data in the cloud has become an effective way of satisfying the medical userschr('39') QoS (quality of service) demands. Providing healthcare for the community is a complex activity that relies heavily on information processing. Such processing can be very costly for organizations. However, processing healthcare data in cloud has become an effective solution to meet QoS demands of health users. In this paper, a fuzzy-based solution is presented for determining the optimal cloud using resource prediction technique. Besides, to make balance during the processing of tasks, based on fuzzy selector the virtual machine (VM) migration technique is used to migrate a VM from an overload server to an underload one. The proposed framework consists of two parts, local and global. To deliver the application to the global part, the local part must first be checked. If it is not suitable, the request will be delivered to the global part; indeed, the proposed framework works in a hierarchical manner. At first, a list of received requests is created and then using the proposed solution, the amount of available resources is estimated based on which the requested resources are allocated for processing. We used the Cloudsim toolkit to evaluate the proposed solution under various parameters and results have been compared with those of FAHP and ICA-K-Means algorithms. Compared to FAHP, the simulation results show that the proposed solution benefits from a 10% cost reduction and and a 12% reduction in cost compared to ICA-K-Means. Moreover, compared to FAHP and ICA-K-Means, the proposed method enjoys a reduction in number of rejected requests and an increase of 8% and 7% performance compared to the FAHP and ICA-K-Means, respectively.