【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(diào)度節(jié)點(diǎn)選中的搜索節(jié)點(diǎn)將在反向索引文件和概要索引文件中進(jìn)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(guò)疾病癥狀點(diǎn)陣 ,李能搞清楚檢索到的醫(yī)療記錄中的疾病的關(guān)系。 在醫(yī)學(xué)領(lǐng)域，在日常的臨床活動(dòng)中會(huì)產(chǎn)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(wèn)題（ Cook et al. 20xx）。 ShuHsien Liao, 20xx)。同時(shí)，為了保護(hù)用戶的隱私，我們?cè)O(shè)計(jì)了一個(gè)訪問(wèn)控制策略以確保用戶只能訪問(wèn)他們權(quán)限范圍內(nèi)的醫(yī)療記錄的信息。lez, S., Marin, M., Oyarz并且 ABE 計(jì)劃和一個(gè)增強(qiáng)的 MAABE 計(jì)劃被用于加密 PHR數(shù)據(jù)，以確保多個(gè) PHR所有者和用戶情況下的安全。專家系統(tǒng)設(shè)計(jì)是通過(guò)知識(shí)推理，主要是通過(guò) IFTHEN 規(guī)則來(lái)解決復(fù)雜問(wèn)題的。例如， Xu et al. (20xx)中討論了 CloudVista 原型系統(tǒng)，來(lái)形成整個(gè)大數(shù)據(jù)可視化的方法，它保留了集群結(jié)構(gòu)的細(xì)節(jié)。“√”表示這種疾病會(huì)發(fā)生這種癥狀。在這里 ,根據(jù)我們的醫(yī)生列出的 53 個(gè)在日常診斷常規(guī)的疾病癥狀 ,為用戶調(diào)用家庭診斷服務(wù)提供指導(dǎo)。此外 ,當(dāng) M 3,它會(huì)導(dǎo)致搜索節(jié)點(diǎn)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(yuǎn)遠(yuǎn)高于 N 3 的情況。索引構(gòu)建階段以后，就可以獲得三種索引文件。每個(gè)節(jié)點(diǎn)配置了兩個(gè)英特爾 (R)四核 E5620 工作在 GHz 的至強(qiáng)處理器 (R)和 24 GB RAM。通過(guò)目標(biāo)用戶的 ID，在用戶訪問(wèn)權(quán)限內(nèi)用戶域和相聯(lián)系的動(dòng)態(tài)域就可以獲得。疾病癥狀點(diǎn)陣的節(jié)點(diǎn)代表了形式概念的潛在內(nèi)容。 示例（形式概念）比如，表 3 中的 ({胸膜炎、結(jié)核、流感、肺炎 },{咳嗽、發(fā)燒 })是一個(gè)形式概念。39。 定義 5（共同特征）給定一個(gè)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(shí) ,當(dāng) SFR ij 的價(jià)值發(fā)生變化時(shí) ,該最小堆棧 (i)將進(jìn)行調(diào)整 ,以達(dá)到一個(gè)平衡 ,以維持最小堆棧的值。在調(diào)度程序把結(jié)果返回給負(fù)載平衡器之前，它會(huì)根據(jù)相應(yīng)地用戶 ID授權(quán)訪問(wèn)控制集群過(guò)濾掉細(xì)節(jié)索引文件中的靜態(tài)域。 （ 4）數(shù)據(jù)分析集群 通常 ,對(duì)于 一個(gè)給定的用戶的查詢 , 由于用戶對(duì)醫(yī)學(xué)知識(shí)的欠缺，這種疾病癥狀集合可能是不完全的。 （ 1）負(fù)載平衡器 負(fù)載均衡器是家庭診斷服務(wù)的一種硬件接口。然而，在布隆過(guò)濾中被保留下來(lái)的 CR id 仍然不 是準(zhǔn)確的。然而，大規(guī)模的字符串匹配在實(shí)際應(yīng)用中并不是容易實(shí)現(xiàn)的。特別的，把相關(guān)的醫(yī)療數(shù)據(jù)轉(zhuǎn)換為存儲(chǔ)在 HBase中的數(shù)據(jù)之后，我們可以應(yīng)用“加入”和“刪除”操作把結(jié)構(gòu)化的醫(yī)療記錄轉(zhuǎn)換為 Lucene 文檔。（ b）由 P 個(gè)數(shù)據(jù)分析節(jié)點(diǎn)組成的數(shù)據(jù)分析集群被設(shè)計(jì)用于數(shù)據(jù)分析以建立一個(gè)疾病癥狀點(diǎn)陣。此外，為幫助用戶區(qū)分檢索到的病歷疾病，會(huì)進(jìn)行數(shù)據(jù)分析以構(gòu)建疾病癥狀點(diǎn)陣。中間結(jié)果存儲(chǔ)在本地磁盤上運(yùn)行的節(jié)點(diǎn)映射任務(wù)。 通常情況下，在臨床活動(dòng)中，電子病歷要么是一個(gè) XML 文件由存儲(chǔ)在網(wǎng)絡(luò)文件系統(tǒng)的標(biāo)簽值對(duì)組成，或者存儲(chǔ)在關(guān)系數(shù)據(jù)庫(kù)中的關(guān)系記錄。最后 ,隱私敏感信息根據(jù)訪問(wèn)控制策略在醫(yī)療記錄中被過(guò)濾。在上面的例子中，如果有一個(gè)醫(yī)療自助服務(wù)，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(yù)約。 Doctor et al., 20xx). 另一方面，不斷增加的在日常臨床活動(dòng)所產(chǎn)生的醫(yī)療和診斷數(shù)據(jù)量，使得開展醫(yī)療自助服務(wù)來(lái)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(gòu)的家庭診斷服務(wù) 1 大醫(yī)療數(shù)據(jù)背景下基于云架構(gòu)的家庭診斷服務(wù) 摘要： 自我護(hù)理服務(wù)在我們的日常生活中正變得越來(lái)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(shí)挖掘技術(shù)的挑戰(zhàn)，這也被稱為“大數(shù)據(jù)”的問(wèn)題。此外，有相似的歷史病歷，李某會(huì)對(duì)他的病情更詳細(xì)的了解。因此，疾病的癥狀點(diǎn)陣，以及進(jìn)行過(guò)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(gè)初步的 診斷提供了一個(gè)詳細(xì)的診斷依據(jù)。圖 1 給出了XML 病歷的一個(gè)例子。當(dāng)所有的映射任務(wù)完成 ,篩檢階段開始并把具有相同關(guān)鍵值得中間數(shù)據(jù)聚合起來(lái)。這個(gè)疾病癥狀點(diǎn)陣在用戶查詢的過(guò)程中會(huì)揭示具有相同癥狀的疾病 的關(guān)系。（ c）由 Q 個(gè)訪問(wèn)控制節(jié)點(diǎn)組成的訪問(wèn)控制集群被采用以過(guò)濾隱私信息。所有的 Lucene 文檔被存儲(chǔ)在 Hadoop 集群的 HDFS 中，如圖 3所示。與（ Li et al. 20xx）相似，布隆過(guò)濾器的簽名 (Bloom,1970)和布隆過(guò)濾器索引結(jié)構(gòu)被用來(lái)加快基于癥狀的醫(yī)療記錄查詢。因此我們也會(huì)存儲(chǔ)原始的癥狀集以確保匹配。在接受用戶查詢時(shí) ,負(fù)載平衡器根據(jù)其選擇規(guī)則將查詢轉(zhuǎn)發(fā)到一個(gè)調(diào)度程序。因此，檢索到的相關(guān)的醫(yī)療記錄可能就包含多個(gè)疾病分類。 節(jié)點(diǎn)選擇算法 對(duì)于每次用戶查詢，調(diào)度程序會(huì)從搜索節(jié)點(diǎn)集群中選擇某些節(jié)點(diǎn)。算法 2 描述了如何為一次用戶查詢選擇一組搜索節(jié)點(diǎn)。疾病癥狀是指病人的癥狀名稱。數(shù)據(jù)分析通過(guò)利用一種被稱為形式概念分析（ FCA）的數(shù)學(xué)理論幫助用戶分析這些可能的疾病分類的相似和不同點(diǎn)。 ,則集合 39。)( FECF ? , 39。因?yàn)?{咳嗽、發(fā)燒 }是 {胸膜炎、結(jié)核、流感、肺炎 }的共同癥狀。 圖 8 表 3 中的疾病癥狀點(diǎn)陣 有了疾病癥狀點(diǎn)陣，用戶可以通過(guò)自上而下瀏覽點(diǎn)陣的每一個(gè)診斷路徑獲得自我診斷。根據(jù)訪問(wèn)控制策略，細(xì)節(jié)索引文件的與用戶相關(guān)的用戶域中的靜態(tài)域是不可訪問(wèn)的。主節(jié)點(diǎn) ,裝有 2TB 的磁盤 。此外 ,新的 PFD 壓縮機(jī) (Yan et al .,20xx。為了解決這個(gè)問(wèn)題 ,我們可以添加更多的搜索節(jié)點(diǎn)到節(jié)點(diǎn)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(diǎn)集群中添加更多行。關(guān)于基本信息 ,李選擇“男性” ,“成年人”。 形式概念計(jì)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(nèi)容中，每種概念都被一個(gè)圈所表示，如圖 11。同樣，在 Cheng et al. (20xx)中，一組基于云架構(gòu)的硬件、軟件和設(shè)計(jì)模式被采用以實(shí)現(xiàn)低成本進(jìn)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(wù)的知識(shí)從一個(gè)人轉(zhuǎn)移到一臺(tái)電腦。在 (Zhang et al., 20xxa, 20xxb)中，作者通過(guò)子樹方案解決了匿名的大規(guī)模數(shù)據(jù)集的可擴(kuò)展性問(wèn)題，以保護(hù)醫(yī)療數(shù)據(jù)在分享過(guò)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(gòu)的家庭診斷服務(wù) 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