زمینه و هدف: رایانش مه بستری مجازی است که موجبات ذخیره سازی، محاسبه و خدمات شبکه ای بین مراکز داده ابری و ابزارهای نهایی را فراهم می کند. رایانش مه با سیستم های نظارت فوری حوزه ی پزشکی منطبق است در چنین سیستم هایی حجم انبوه داده از حسگرهای محیطی و زیستی متعددی به دست می آید. از سوی دیگر ساختار باز و توزیع شده ی رایانش مه در برابر تهدیدات امنیتی، آسیب پذیر و ضعیف است. از همین رو هدف این پژوهش شناسایی چالش های امنیتی رایانش مه در حوزه ی سلامت است. روش بررسی: این پژوهش از نوع آمیخته و کاربردی است که در سه مرحله در بهار 98 انجام گردید. در مرحله ی اول با استفاده از روش تحلیل محتوا، کدهای امنیتی فناوری رایانش مه از بین منابع کتابخانه ای شناسایی گردید. در مرحله ی دوم نظر متخصصان فناوری اطلاعات متشکل از 12 نفر شاغل در حوزه ی سلامت با استفاده از روش دلفی ارزیابی گردید. در نهایت با استفاده از تکنیک تحلیل سلسله مراتبی فازی، کدهای امنیت رتبه بندی گردید. یافته ها: با توجه به نتایج حاصل از تحلیل سلسله مراتب فازی حملات شبکه (0/31)، ارتباطات امن (0/23)، تشخیص هویت و کنترل دسترسی (0/19)، اعتماد (0/15) و حریم خصوصی (0/12) در عوامل امنیتی رایانش مه دارای بیشترین اهمیت بودند. نتیجه گیری: بر اساس نتایج پژوهش می توان اذعان داشت که حملات شبکه و ارتباطات امن، مهمترین چالش های به کارگیری رایانش مه در حوزه ی پزشکی محسوب می شوند؛ به دلیل اینکه گره های شبکه مه معمولا در نقاط مختلفی با محافظت ضعیف تر مستقر می شوند؛ از همین رو ممکن است با حمله ی بدافزارهای مختلفی روبه رو شوند. در نتیجه سیاستگذاران باید به نقش این چالش ها در پیاده سازی رایانش مه آگاه باشند.

استقرار کاربرد های اینترنت اشیا در زیرساخت مه به عنوان مکمل ابر به طور مؤثری باعث صرفه جویی در استفاده از منابع محاسباتی در زیرساخت ابر می شود. تلاش های تحقیقاتی اخیر در حال بررسی چگونگی بهره برداری بهتر از قابلیت های مه برای اجرا و پشتیبانی از کاربردهای اینترنت اشیا است. استقرار ناکارامد مؤلفه های کاربرد ها در مه منجر به اتلاف منابع، پهنای باند و افزایش مصرف انرژی می شود. همچنین توزیع مؤلفه های یک کاربرد روی تعداد حداقل ممکن از گره های مه به منظور کاهش مصرف انرژی منجر به کاهش سطح قابلیت اطمینان خدمات می شود. در این مقاله یک الگوریتم فراابتکاری ترکیبی بر مبنای الگوریتم جستجوی فاخته برای استقرار ایستای مؤلفه های کاربرد روی زیرساخت مه با هدف مصالحه بین مصرف بهینه انرژی و کاهش اثر نقطه تکی شکست و تقویت قابلیت اطمینان کاربرد در برابر خرابی ارائه می شود. نتایج شبیه سازی نشان می دهد که روش ارائه شده در این مقاله، مصرف انرژی در شبکه مه را کاهش داده و نیازمندی های کیفیت خدمات کاربرد اینترنت اشیا را با قابلیت اطمینان بالا تأمین می کند.

رایانش مه یک الگوی محاسباتی توزیع شده است که با گسترش سرویس های ابر به لبه شبکه امکان پاسخگویی به کاربردهای حساس به تاخیر و بلادرنگ را فراهم می سازد. یکی از مسائل مطرح در رایانش مه چگونگی تخصیص منابع محدود گره های مه به درخواست-های کاربران به شیوه ای کارا و عادلانه است. وجود منابع محدود، نیازمندی های متفاوت درخواست های کاربران و لزوم تخصیص به موقع منابع در کاربردهای حساس به تاخیر، تخصیص و زمانبندی منابع را به مسأله ای چالش برانگیز تبدیل کرده است. در این مقاله روشی کارا برای جایابی و زمانبندی وظایف مهلت آگاه در رایانش مه پیشنهاد می شود. در روش پیشنهادی، جایابی وظایف با همکاری گره های مه و بر اساس تخمین زمان اتمام کار یک درخواست در گره های مه مختلف انجام می شود. زمانبندی وظایف مهلت آگاه نیز با استفاده از الگوریتم بخت آزمایی و بر مبنای اولویت دهی به وظایف بر اساس مهلت زمانی آن ها انجام می شود. نتایج آزمایشات انجام گرفته نشان می دهد که ترکیب همکاری گره های مه برای جایابی وظایف و الگوریتم بخت آزمایی برای زمانبندی وظایف، باعث کاهش زمان پاسخ و افزایش نرخ پذیرش درخواست های کاربر می شود. بر طبق نتایج حاصل از شبیه سازی های انجام گرفته، نرخ پذیرش و زمان پاسخ روش پیشنهادی در مقایسه با روش پایه که از الگوریتم خدمت به ترتیب ورود برای زمانبندی درخواست ها استفاده می-کند به ترتیب 12. 72 درصد و 37. 97 میلی ثانیه بهبود داشته است. همچنین روش پیشنهادی در مقایسه با روش های موجود که از کنترل کننده مرکزی برای هماهنگی گره های مه بهره می برند، نرخ پذیرش درخواست ها را 2. 57 درصد افزایش و زمان پاسخ را 20. 42 میلی ثانیه کاهش داده است.

با رشد و گسترش استفاده از دستگاه های تلفن همراه و برنامه های کاربردی حساس به تاخیر، نیاز به انجام محاسبات در نزدیکی کاربر و در گره های مه بجای پردازش در ابر بیشتر می شود. با این وجود، گره های مه قدرت پردازشی و ذخیره سازی محدودی دارند و در نتیجه در شرایط ازدحام درخواست ها، نرخ پذیرش و زمان پاسخ مناسبی ندارند. یکی از دلایل بروز ازدحام و از دست رفتن درخواست ها، تحرک کاربران و خروج از محدوده تحت پوشش گره مه فعلی می باشد. در این مقاله روشی نوین برای تخصیص منابع در رایانش مه با هدف افزایش نرخ پذیرش درخواست های حساس به تاخیر کاربران و کاهش زمان پاسخ کلیه درخواست ها در شرایط تحرک کاربران پیشنهاد می گردد. روش پیشنهادی بر اساس تحرک کاربران و وضعیت صف در گره های مه، به پیش بینی ازدحام در این گره ها پرداخته و بر این اساس در مورد پردازش درخواست ها در گره مه و یا انتقال درخواست ها به گره ابر تصمیم گیری می کند. در این مقاله الگوریتم پیشنهادی با سه الگوریتم FCFS، Cloud-only و Delay priority مقایسه شده است. نتایج آزمایشات انجام گرفته نشان می دهد که زمان پاسخ روش پیشنهادی نسبت به سه الگوریتم مذکور به ترتیب 73، 77 و 10 درصد کاهش یافته است. در الگوریتم پیشنهادی نرخ پذیرش درخواست ها نسبت به سه الگوریتم فوق به ترتیب 44، 25 و 5 درصد افزایش یافته است.

شبکه های حسگر بی سیم از هزاران گره کوچک تشکیل شده اند که کوچکی و ارزانی این گره ها موجب استفاده گسترده آنها در زمینه های مختلف شده است. در کنار مزیت های این شبکه ها، محدودیت در مصرف انرژی، منابع پردازشی و ذخیره سازی موجب شده مطالعات بسیاری به منظور کاهش این محدودیت ها ارائه شود. در سال های اخیر با ظهور مفهوم محاسبات مه، راهکارهای جدید و مؤثری در زمینه مسیریابی شبکه های حسگر بی سیم مطرح شده است. از آنجایی که در این شبکه ها، حفظ گره های زنده و کاهش انرژی مصرفی گره ها حایز اهمیت است لذا محاسبات مه در راستای این هدف به کار گرفته می شود. در پروتکل های مطرح مسیریابی در شبکه های حسگر بی سیم، بهترین راه جهت ارسال داده ها به سرخوشه ها و همچنین ایستگاه اصلی مورد بررسی قرارگرفته است. در مطالعات جدید از محاسبات مه، جهت یافتن بهترین روش مسیریابی بهره برده شده که در این روش ها کاهش انرژی مصرفی و افزایش طول عمر شبکه را شاهد بوده ایم. ما نیز در این مقاله یک معماری مبتنی بر رایانش مه جهت مسیریابی شبکه های حسگر بی سیم را ارائه داده ایم. مطابق نتایج شبیه سازی، این پروتکل، انرژی مصرفی را 9% و همچنین تعداد گره های زنده را 74% در مقایسه با روش مورد بررسی بهبود بخشیده است.

بیشترین نوع بیماری های قلبی شامل بیماری مادرزادی قلبی، نارسایی قلبی، کاردیومیوپاتی، بیماری روماتیسمی قلب، تنگی ریوی و بیماری عروق کرونر است. تشخیص بیماری های قلبی_ عروقی از طریق علائم، یک چالش بزرگ در شرایط جهانی فعلی است و اگر به موقع تشخیص داده نشود، ممکن است عامل مرگ و میر شود. به دلیل دسترسی محدود پزشکان متخصص قلب به مناطق دورافتاده، یک سیستم پشتیبان تصمیم گیری هوشمند با رویکرد رایانش مه می تواند به عنوان یک راهکار موثر در بهبود تشخیص بیماری های قلبی_ عروقی استفاده شود. هدف این مقاله ارائه یک سیستم تصمیم یار هوشمند به منظور بهبود تشخیص بیماری های قلبی_ عروقی براساس رایانش مه است. در ابتدا، اطلاعات و پرونده های پزشکی 100 بیمار جمع آوری می شوند. سپس داده های ورودی، باید پاکسازی و نرمالسازی شوند و بر اساس الگوریتم های استخراج ویژگی، ویژگی ها استخراج و انتخاب و وزن دهی می شوند. بعد از آن با استفاده از الگوریتم ماشین بردار پشتیبان، داده ها طبقه بندی می شوند. نتایج نشان می دهد که معیار دقت در روش های پیشنهادی بالاتر از مقاله پایه است. در روش پیشنهادی ممتیک-ژنتیک دقت 93 درصد و در روش پیشنهادی گراف کاوی-ژنتیک دقت 91 درصد و در مقاله پایه دقت 86 درصد می باشد. روش های پیشنهادی توانسته سطح بیشتری را نسبت به مقاله پایه در منحنی ROC ارائه شده پوشش دهد. در روش ممتیک-ژنتیک در نقطه صفر مقدار TPR=0. 38 بوده و در روش گراف کاوی-ژنتیک در نقطه صفر مقدار TPR=0. 2 است. درحالیکه در مقاله پایه، TPR مقدار آن صفر درنظرگرفته شده است. همچنین روش ممتیک-ژنتیک سریع تر می تواند به مقدار یک در TPR برسد. نقطه ای که به مقدار 1 رسیده است، 0. 4 می باشد. خطای میانگین مربعات روش های پیشنهادی عملکرد بهتری نسبت به مقاله پایه داشته و برای روش ترکیبی ممتیک-ژنتیک و گراف کاوی-ژنتیک مقادیر 11و 15درصد را به خود اختصاص داده است.

رایانش مهی به عنوان یک روش امیدبخش جهت ارائه سرویس های پردازشی چابک و همه گیر به دستگاه های اینترنت اشیا و پشتیبانی از برنامه های کاربردی پیچیده، پا به عرصه ظهور گذاشته است. رایانش مهی منابع محاسباتی را به لبه شبکه، به نزدیکی دستگاه های اینترنت اشیا می کشاند و از این طریق سرویس های محاسباتی با تأخیر پایین را به کاربران ارائه می دهد. با برون سپاری وظایف محاسباتی به گره های مه که ظرفیت پردازشی بیشتری دارند، می توان بر چالش ظرفیت محدود باتری دستگاه ها و نیاز محاسباتی بالای وظایف فائق آمد و نیازمندی های کیفیت سرویس مورد درخواست کاربران را برآورده نمود. برون سپاری وظایف به گره های مه، از یک سو باعث صرفه جویی در مصرف انرژی باتری دستگاه های اینترنت اشیا می شود و از سوی دیگر به دلیل تأخیر ناشی از انتقال وظایف به لبه شبکه باعث افزایش زمان تکمیل وظایف می شود. در این مقاله برای برقراری تعادل در مصالحه بین انرژی و زمان تکمیل وظایف، یک شمای برون سپاری وظایف با هدف کیمنه سازی سربار برون سپاری بر حسب جمع وزنی مصرف انرژی و زمان تکمیل وظایف پیشنهاد شده است که سعی در یافتن استراتژی بهینه برون سپاری، مکان بهینه برون سپاری و تخصیص بهینه منابع محاسباتی دارد. برای تعیین موثر ضرایب زمان و انرژی به نحوی که کیفیت سرویس مورد نیاز کاربر تضمین شود، از منطق فازی استفاده شده است. مسأله برون سپاری وظایف به گره های مه به عنوان یک مسأله غیرخطی آمیخته صحیح فرموله شده است که متعلق به کلاس مسائل NP-hard است. یک الگوریتم نزدیک به بهینه بر اساس الگوریتم ژنتیک برای حل مسأله بهینه سازی مطرح شده پیشنهاد شده است. شبیه سازی های مختلف همگرایی الگوریتم پیشنهادی و برتری عملکرد آن را در مقایسه با شماهای برون سپاری معیار نشان می دهد.

در اینترنت اشیا به دلیل حجم بالای داده ها، چالش های قابل توجهی در پردازش و ذخیره سازی اطلاعات هست که نیاز به توجه دارد؛ از جمله تأخیر، آگاهی از مکان و پشتیبانی از تحرک در زمان واقعی. محاسبات مه به عنوان یک راهکار مؤثر برای این چالش ها شناخته می شود. این مقاله به بررسی روش های مختلف تخلیه امن مبتنی بر یادگیری مشارکتی در محیط رایانش مه با استفاده از شبکه نرم افزارمحور می پردازد و چهار روش بهینه سازی شامل SDN، SA+GA، OLB-LBMM و Round-Robin را مورد تحلیل و مقایسه قرار می دهد. هدف اصلی این تحقیق، بهبود عملکرد و امنیت در فرایند تخلیه داده ها با توجه به چالش های موجود است. روش شبکه نرم افزارمحور به عنوان یک چارچوب منعطف برای مدیریت منابع و داده ها در شبکه های اینترنت اشیا، عملکرد بهتری نسبت به سایر روش ها ارائه می دهد و با کاهش تأخیر و بهینه سازی تخصیص منابع، موجب افزایش رضایت کاربران و درآمد ارائه دهندگان خدمات ابری می شود. همچنین الگوریتم های SA+GA و OLB-LBMM بهبودهایی در کارایی و امنیت ارائه می دهند، اما با چالش هایی در تأخیر و پیچیدگی محاسباتی مواجه هستند. نتایج نشان می دهند که یادگیری مشارکتی در ترکیب با شبکه نرم افزارمحور می تواند بهبود قابل توجهی در تخلیه امن داده ها و مدیریت منابع شبکه ایجاد کند.  ,  ,  ,