【正文】 的值是由并發(fā)用戶查詢的 數(shù)量決定的。 步驟 2 醫(yī)療記錄檢索 提交查詢以后，被調度節(jié)點選中的搜索節(jié)點將在反向索引文件和概要索引文件中進行匹配查詢 ,以獲取醫(yī)療記錄的癥狀描述中與李的疾病癥狀相符的。在我們的示例中 ,通過疾病癥狀點陣 ,李能搞清楚檢索到的醫(yī)療記錄中的疾病的關系。 在醫(yī)學領域，在日常的臨床活動中會產生大量的醫(yī)療數(shù)據(jù)，這也被稱為“大醫(yī)療數(shù)據(jù)”問題（ Cook et al. 20xx）。 ShuHsien Liao, 20xx)。同時，為了保護用戶的隱私，我們設計了一個訪問控制策略以確保用戶只能訪問他們權限范圍內的醫(yī)療記錄的信息。lez, S., Marin, M., Oyarz并且 ABE 計劃和一個增強的 MAABE 計劃被用于加密 PHR數(shù)據(jù)，以確保多個 PHR所有者和用戶情況下的安全。專家系統(tǒng)設計是通過知識推理，主要是通過 IFTHEN 規(guī)則來解決復雜問題的。例如， Xu et al. (20xx)中討論了 CloudVista 原型系統(tǒng)，來形成整個大數(shù)據(jù)可視化的方法，它保留了集群結構的細節(jié)?！啊獭北硎具@種疾病會發(fā)生這種癥狀。在這里 ,根據(jù)我們的醫(yī)生列出的 53 個在日常診斷常規(guī)的疾病癥狀 ,為用戶調用家庭診斷服務提供指導。此外 ,當 M 3,它會導致搜索節(jié)點的瓶頸 ,由于 CPU 利用率高于滿足更快的延遲要求。因此 ,平均延遲遠遠高于 N 3 的情況。索引構建階段以后，就可以獲得三種索引文件。每個節(jié)點配置了兩個英特爾 (R)四核 E5620 工作在 GHz 的至強處理器 (R)和 24 GB RAM。通過目標用戶的 ID，在用戶訪問權限內用戶域和相聯(lián)系的動態(tài)域就可以獲得。疾病癥狀點陣的節(jié)點代表了形式概念的潛在內容。 示例（形式概念）比如，表 3 中的 ({胸膜炎、結核、流感、肺炎 },{咳嗽、發(fā)燒 })是一個形式概念。39。 定義 5（共同特征）給定一個疾病集合 EE?39。與 節(jié)的檢索的醫(yī)療記錄相聯(lián)系，可能不止一種疾病滿足用戶的查詢。在定義 3 中，基本信息是指病人的性別和年齡（即 {女性或男性 }， {兒童、成年人或老年人 }）。同時 ,當 SFR ij 的價值發(fā)生變化時 ,該最小堆棧 (i)將進行調整 ,以達到一個平衡 ,以維持最小堆棧的值。在調度程序把結果返回給負載平衡器之前，它會根據(jù)相應地用戶 ID授權訪問控制集群過濾掉細節(jié)索引文件中的靜態(tài)域。 （ 4）數(shù)據(jù)分析集群 通常 ,對于 一個給定的用戶的查詢 , 由于用戶對醫(yī)學知識的欠缺，這種疾病癥狀集合可能是不完全的。 （ 1）負載平衡器 負載均衡器是家庭診斷服務的一種硬件接口。然而，在布隆過濾中被保留下來的 CR id 仍然不 是準確的。然而，大規(guī)模的字符串匹配在實際應用中并不是容易實現(xiàn)的。特別的，把相關的醫(yī)療數(shù)據(jù)轉換為存儲在 HBase中的數(shù)據(jù)之后，我們可以應用“加入”和“刪除”操作把結構化的醫(yī)療記錄轉換為 Lucene 文檔。（ b）由 P 個數(shù)據(jù)分析節(jié)點組成的數(shù)據(jù)分析集群被設計用于數(shù)據(jù)分析以建立一個疾病癥狀點陣。此外，為幫助用戶區(qū)分檢索到的病歷疾病，會進行數(shù)據(jù)分析以構建疾病癥狀點陣。中間結果存儲在本地磁盤上運行的節(jié)點映射任務。 通常情況下，在臨床活動中，電子病歷要么是一個 XML 文件由存儲在網(wǎng)絡文件系統(tǒng)的標簽值對組成，或者存儲在關系數(shù)據(jù)庫中的關系記錄。最后 ,隱私敏感信息根據(jù)訪問控制策略在醫(yī)療記錄中被過濾。在上面的例子中，如果有一個醫(yī)療自助服務，根據(jù)李某的疾病癥狀提供相似的歷史醫(yī)療記錄這樣的診斷協(xié)助，這將有助于李某做出合適的預約。 Doctor et al., 20xx). 另一方面，不斷增加的在日常臨床活動所產生的醫(yī)療和診斷數(shù)據(jù)量，使得開展醫(yī)療自助服務來滿足 SHS 人群和老年人的要求成為可能。大醫(yī)療數(shù)據(jù)背景下基于云架構的家庭診斷服務 1 大醫(yī)療數(shù)據(jù)背景下基于云架構的家庭診斷服務 摘要： 自我護理服務在我們的日常生活中正變得越來越重要，特別是在面臨全球老齡化這樣緊迫的情況下。然而，大量的醫(yī)療數(shù)據(jù)，以及它的各種格式，造成大規(guī)模數(shù)據(jù)管理和高效的知識挖掘技術的挑戰(zhàn)，這也被稱為“大數(shù)據(jù)”的問題。此外，有相似的歷史病歷，李某會對他的病情更詳細的了解。因此，疾病的癥狀點陣，以及進行過隱私處理的醫(yī)療記錄被返回到用戶，這為用戶自己做一個初步的 診斷提供了一個詳細的診斷依據(jù)。圖 1 給出了XML 病歷的一個例子。當所有的映射任務完成 ,篩檢階段開始并把具有相同關鍵值得中間數(shù)據(jù)聚合起來。這個疾病癥狀點陣在用戶查詢的過程中會揭示具有相同癥狀的疾病 的關系。（ c）由 Q 個訪問控制節(jié)點組成的訪問控制集群被采用以過濾隱私信息。所有的 Lucene 文檔被存儲在 Hadoop 集群的 HDFS 中，如圖 3所示。與（ Li et al. 20xx）相似，布隆過濾器的簽名 (Bloom,1970)和布隆過濾器索引結構被用來加快基于癥狀的醫(yī)療記錄查詢。因此我們也會存儲原始的癥狀集以確保匹配。在接受用戶查詢時 ,負載平衡器根據(jù)其選擇規(guī)則將查詢轉發(fā)到一個調度程序。因此，檢索到的相關的醫(yī)療記錄可能就包含多個疾病分類。 節(jié)點選擇算法 對于每次用戶查詢，調度程序會從搜索節(jié)點集群中選擇某些節(jié)點。算法 2 描述了如何為一次用戶查詢選擇一組搜索節(jié)點。疾病癥狀是指病人的癥狀名稱。數(shù)據(jù)分析通過利用一種被稱為形式概念分析（ FCA）的數(shù)學理論幫助用戶分析這些可能的疾病分類的相似和不同點。 ,則集合 39。)( FECF ? , 39。因為 {咳嗽、發(fā)燒 }是 {胸膜炎、結核、流感、肺炎 }的共同癥狀。 圖 8 表 3 中的疾病癥狀點陣 有了疾病癥狀點陣，用戶可以通過自上而下瀏覽點陣的每一個診斷路徑獲得自我診斷。根據(jù)訪問控制策略，細節(jié)索引文件的與用戶相關的用戶域中的靜態(tài)域是不可訪問的。主節(jié)點 ,裝有 2TB 的磁盤 。此外 ,新的 PFD 壓縮機 (Yan et al .,20xx。為了解決這個問題 ,我們可以添加更多的搜索節(jié)點到節(jié)點搜索集群 ,以提高搜索性能。為了改善延遲 ,我們可以在搜索節(jié)點集群中添加更多行。關于基本信息 ,李選擇“男性” ,“成年人”。 形式概念計算 根據(jù)定義 7 和算法 4，在我們的例子中有 11 種概念包括在形式內容中，每種概念都被一個圈所表示，如圖 11。同樣，在 Cheng et al. (20xx)中，一組基于云架構的硬件、軟件和設計模式被采用以實現(xiàn)低成本進行快速、大規(guī)模的數(shù)據(jù)挖掘。 (Expert system, 20xx) ES 背后的基本理念是把完成特定任務的知識從一個人轉移到一臺電腦。在 (Zhang et al., 20xxa, 20xxb)中，作者通過子樹方案解決了匿名的大規(guī)模數(shù)據(jù)集的可擴展性問題，以保護醫(yī)療數(shù)據(jù)在分享過程中的隱私。n, M., Suel, T., 20xx. To index or not to index: timespace tradeoffs in search engines with positional ranking functions. In: Proceedings of the 35th International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 255–264. [5] Bahga, A., Madisetti, ., 20xx. Analyzing massive machine maintenance data in a puting cloud. IEEE Trans. Parallel Distributed Syst. 23 (10), 1831–1843. [6] Belohlavek, R., Vychodil, V., 20xx. Formal concept analysis with background knowl edge: attribute priorities. IEEE Trans. Syst. Man Cybern. Part C: Appl. Rev. 39 (4), 399–409. [7] Bloom, ., 1970. Space/time tradeoffs in hash coding with allowable errors. Com mun. ACM 13 (7), 422–426. [8] Canny, J., Zhao, H.,20xx. Big data analytics with small footprint: squaring the cloud. In: Proceedings of the 19th ACM SIGKDD International Conference on Knowl edge Discovery and Data Mining. ACM, pp. 95–103. [9] Chandramouli, B., Goldstein, J., Quamar, A., 20xx. Scalable progressive analytics on big data in the cloud. Proceeding of VLDB Endowment 6 (14), 1726–1737. [10] Chaudhuri, S.,20xx. What next?: a halfdozen data management research goals for big data and the cloud. In: Proceedings of the 31st Symposium on Principles of Database Systems. ACM, pp. 1–4. [11] Cheng, Y., Qin, C., Rusu, F., 20xx. Glade: big data analytics made easy. In: Proceedings of the 20xx ACM SIGMOD International 大醫(yī)療數(shù)據(jù)背景下基于云架構的家庭診斷服務 29 Conference on Management of Data, ACM, pp. 697–700. [12] Cook, ., Youngblood, M., Heierman III, ., Gopalratnam, K., Rao, S., Litvin, A., Khawaja, F.,20xx. Mavhome an agentbased smart home. In: Proceedings of the First IEEE International Conference on Pervasive Computing and Communica tions (PerCom 20xx). IEEE, pp. 521–524. [13] Crampes, M., OliveiraKumar, ., Ranwez, S., Villerd, J., 20xx. Visualizing social photos on a Hasse diagram for eliciting relations and indexing new photos. IEEE Trans. Visual. Comput. Graph. 15 (6), 985–992. [14] Ding, H., He, J., Wang, W., 20xx. The subhealth evaluation based on the mod ern diagnostic technique of traditional Chinese medicine. In: First International Workshop on Education Technology and Computer Science (ETCS’09), vol. 1, pp. 269–273. [15] Doctor, F., Hagras, H., Callaghan, V., 20xx. A fuzzy embedded agentbased approach for realizing ambient intelligence in intelligent inhabited environments. IEEE Trans. Syst. Man Cybern. Part A: Syst. Hum. 35 (1), 55–65. [16] Ekanayake, J., Gunarathne, T., Qiu, J., 20xx. Cloud technologies for bioinformatics applications. IEEE Trans. Parallel Distributed Syst. 22 (6), 998–1011. [17] Expert system, system (accessed ). [18] Gholami, B., Bailey, ., Haddad, ., Tannenbaum, ., 20xx. Clinical decision support and closedloop control for cardiopulmonary management and inte