任麗麗，林清芳

(蚌埠醫(yī)學院 公共基礎學院，安徽 蚌埠 233030)

根據(jù)全球人類死亡原因的調(diào)查研究[1]中發(fā)現(xiàn)，心臟病和中風的死亡率占了全球的50%，車禍每年會導致60萬人死亡。而大多數(shù)心臟病和中風幸存者以及車禍幸存者都患有長期殘疾。研究[2-4]得出結論，早期發(fā)現(xiàn)和?？频脑呵凹毙灾委熡兄诩本炔±纳?，并且急救護理的快速反應能顯著改善患者的結局。

目前，無論在發(fā)達國家還是發(fā)展中國家，龐大的人口數(shù)量與緊缺的醫(yī)療資源存在嚴重矛盾，特別在發(fā)展中國家現(xiàn)象尤為明顯。在發(fā)展中國家，醫(yī)療資源有限和不均衡狀況，很難提供快速有效的急救護理。

然而，無線身體域網(wǎng)絡[5](WBAN，Wireless Body Area Network)在支持和補充現(xiàn)有醫(yī)療保健系統(tǒng)方面發(fā)揮積極重要的作用。在WBAN中每個患者通過移動智能設備將傳感器收集的患者健康信息(PHI，Patients’ Health Information)(如血壓、心跳等)傳輸?shù)竭h程醫(yī)療保健中心。這使醫(yī)生(如醫(yī)生和專家)能夠監(jiān)測和了解病人的健康狀況，并實時對任何危及生命的情況作出反應(例如在可能發(fā)生心臟病發(fā)作或中風的情況下，向患者派遣醫(yī)務人員)，從而為患者提供更好的醫(yī)療服務。在該醫(yī)療系統(tǒng)中，患有相同病癥的患者可以建立一個支持的網(wǎng)絡，不僅可以分享經(jīng)驗，同時也可以擴大他們對疾病的理解。這可以通過移動社交網(wǎng)絡實現(xiàn)，也被稱為移動醫(yī)療社交網(wǎng)絡(MHSN)[6-8]。通過該網(wǎng)絡，在遇到緊急情況時，也可以聯(lián)系附近的醫(yī)生尋求幫助。因此，在該過程中路由算法是一個關鍵的問題。本文以移動醫(yī)療社交網(wǎng)絡中的醫(yī)患之間和患者之間的聯(lián)系特點設計一個新的路由算法以解決網(wǎng)絡中的開銷問題，提高數(shù)據(jù)的傳遞率。

1 相關工作

在移動社交網(wǎng)絡中相關的算法很多，比如Epidemic[9]算法，該算法的優(yōu)點就是傳遞率高，在資源等不受限制的情況下，該算法的傳遞模式未免不是一個較好的選擇。然而，由于節(jié)點能量的限制，該算法會造成較大的資源浪費。而Greedytotal[10]算法的傳遞模式是選擇性的轉發(fā)，當攜帶消息的源節(jié)點遇到網(wǎng)絡中的任一節(jié)點時，如果該節(jié)點與所有節(jié)點的總接觸次數(shù)大于攜帶消息節(jié)點與所有節(jié)點的總接觸次數(shù)則轉發(fā)消息，但傳輸延遲相比Epidemic算法會相對高一些。種子算法[11]主要研究的是校園移動社交網(wǎng)絡中社區(qū)內(nèi)和社區(qū)間的數(shù)據(jù)轉發(fā)，思想是為每個社區(qū)選擇一個種子節(jié)點進行消息的轉發(fā)，同時為下一時段社區(qū)選擇種子節(jié)點。而移動醫(yī)療大數(shù)據(jù)平臺下的深度最優(yōu)匹配算法[12]，主要研究的是相鄰節(jié)點通過對消息的匹配，選擇節(jié)點中消息匹配程度最小的節(jié)點作為下一跳轉發(fā)節(jié)點。不僅能夠最大程度減少消息的重復，從而也選擇了一條有效性最大的通信途徑，提高消息的轉發(fā)率，實現(xiàn)通信。標簽傳播(label propagation，LP)算法[13]，它要求每一個節(jié)點都有唯一的標簽，在同一個社區(qū)內(nèi)的節(jié)點標簽默認為是相同的。同時數(shù)據(jù)包只轉發(fā)給具有相同標簽的中繼節(jié)點或者目的節(jié)點。

然而，移動醫(yī)療社交網(wǎng)絡中相關路由算法卻很少。在實際移動醫(yī)療社交網(wǎng)絡中，PHI信息的傳遞需要占用大量的網(wǎng)絡資源且移動設備電池能量有限。如果網(wǎng)絡節(jié)點不加選擇性的轉發(fā)，則會造成網(wǎng)絡中存在較多無用的數(shù)據(jù)副本，占用網(wǎng)絡資源，消耗大量的能量。在病人節(jié)點遇到緊急危險情況時，數(shù)據(jù)及時高效的轉發(fā)就不能有效地實現(xiàn)。本文結合以上算法的特點，分析移動醫(yī)療社交網(wǎng)絡中患者與患者、醫(yī)生之間的關系及社交特點，提出了一種基于節(jié)點和社區(qū)關系的數(shù)據(jù)轉發(fā)算法(Data forwarding algorithm based on the relationship of node and community in Mobile Medical Social Network，DNCM)，其主要思想是攜帶數(shù)據(jù)包的源節(jié)點根據(jù)判斷與自己是否同社區(qū)而選擇不同的度量標準去選擇轉發(fā)節(jié)點。

2 網(wǎng)絡模型

一個典型的移動醫(yī)療社交網(wǎng)絡，每位病人都患有一些疾病，如糖尿病、高血壓、心臟病、憂郁癥、關節(jié)炎、支氣管炎哮喘等等。而且每位患者都會參加一些與疾病相關的事件或活動，從而具有相同病癥的病友會接觸頻繁，會形成與疾病相關的若干社區(qū)。由于每位病人會患有不止一種疾病，因此會出現(xiàn)重疊社區(qū)。在本文，假設該網(wǎng)絡模型由l個固定社交點S={s1，s2，…，sl}和k個患者所組成(如圖1)，其中每位患者都攜帶一個具有tr無線通信范圍的個人數(shù)字助理(PDA，Personal Digital Assitants).同時假定該網(wǎng)絡的連接是對稱的，利用一個無向加權圖G(V，E)表示，其中V代表節(jié)點集合，E代表邊集合。wuv∈E代表V中節(jié)點u和v間邊的權重，其反映了兩節(jié)點的聯(lián)系次數(shù)，聯(lián)系次數(shù)越多，權重越大。社交網(wǎng)絡用C={c1，c2，c3，…，cn}表示(其中ci∈C為第i個社區(qū))，p={p1，p2，p3，…，pm}表示與疾病相關的數(shù)據(jù)包集合。

圖1 WHSN中多病癥網(wǎng)絡結構Fig.1 Multi-disease network structure in WHSN

在社交網(wǎng)絡中，由于一個節(jié)點可能屬于不同的社區(qū)。在相同社區(qū)，節(jié)點的聯(lián)系比較頻繁，消息的投遞率也比較大。如果攜帶數(shù)據(jù)包的源節(jié)點知道目的節(jié)點所在社區(qū)有哪些節(jié)點，就可以選擇該節(jié)點作為中繼節(jié)點進行數(shù)據(jù)的轉發(fā)，提高數(shù)據(jù)的傳遞率，減少等待時間。因此，本文通過定義節(jié)點對目的社區(qū)的隸屬度來衡量節(jié)點i與目的社區(qū)的關系：

(1)

式中α和β為節(jié)點i和目的社區(qū)節(jié)點聯(lián)系的重要參數(shù)，Ni代表節(jié)點i的鄰居集合，wij代表節(jié)點i和節(jié)點j的聯(lián)系次數(shù)，d代表目的節(jié)點，Cd代表目的節(jié)點所在的社區(qū)。如果節(jié)點i的所有鄰居都屬于目的社區(qū)Cd，則B(i，Cd)=1.如圖2，當α為0.5，β為0.9時，節(jié)點b對目的社區(qū)Cd的隸屬度為B(b，Cd)=0.2，節(jié)點a對目的社區(qū)Cd的隸屬度為B(a，Cd)=0.35，從而說明節(jié)點a相比節(jié)點b對目的社區(qū)的隸屬高，具有更大可能將消息傳遞到目的節(jié)點。

圖2 t時刻加權社交網(wǎng)絡圖Fig.2 The weighted social network graph at time t

在移動醫(yī)療社交網(wǎng)絡中，數(shù)據(jù)的傳遞主要通過節(jié)點鄰居之間的轉發(fā)而實現(xiàn)。然而，由于在動態(tài)的網(wǎng)絡變化過程中，數(shù)據(jù)傳遞的成功率會隨著跳數(shù)的增加而減少。比如在圖2中，節(jié)點a傳遞消息到節(jié)點m的概率，比傳遞到節(jié)點l的概率要大很多。因此在本文為了提高數(shù)據(jù)的投遞率，僅考慮節(jié)點的一跳情況，默認為一跳轉發(fā)節(jié)點為節(jié)點的直接鄰居。

定義Nt(i)表示節(jié)點i在t時刻的轉發(fā)性能，反映節(jié)點i在t時刻一跳的鄰居節(jié)點數(shù)目。即若節(jié)點i的一跳鄰居較多，則轉發(fā)性能較好。比如在圖2中，Nt(a)=3，Nt(c)=5，Nt(g)=2，說明節(jié)點c在t時刻是個較好的轉發(fā)節(jié)點。

3 DNCM數(shù)據(jù)轉發(fā)算法

在移動醫(yī)療社交網(wǎng)絡中，數(shù)據(jù)是否能夠在較短的時間內(nèi)成功轉發(fā)主要依賴于轉發(fā)節(jié)點的恰當選擇。由于節(jié)點在社區(qū)內(nèi)和社區(qū)外所遇節(jié)點不同且屬性也不同，因此本文算法在選擇轉發(fā)節(jié)點時采用了不同的度量標準。若攜帶數(shù)據(jù)包的源節(jié)點遇到節(jié)點就是目的節(jié)點，則直接轉發(fā)；否則判斷這兩個節(jié)點是否屬于相同社區(qū)。由于在相同社區(qū)它們的移動范圍和所遇節(jié)點等都比較相似。為了使數(shù)據(jù)能夠盡快的轉發(fā)到目的節(jié)點，本文根據(jù)公式(1)計算節(jié)點對目的社區(qū)的隸屬度，并作為度量標準去選擇節(jié)點。若兩節(jié)點屬于不同社區(qū)，一跳鄰居數(shù)目多的節(jié)點會選擇作為轉發(fā)節(jié)點，拷貝數(shù)據(jù)給該節(jié)點。DNCM算法具體描述如下：

假定t時刻攜帶數(shù)據(jù)包pk的節(jié)點i遇到?jīng)]有數(shù)據(jù)包的節(jié)點j時：

1)若j是目的節(jié)點，則節(jié)點i直接將數(shù)據(jù)包轉發(fā)給節(jié)點j;

2)若i與j屬于同一社區(qū)

(2.1)若B(j，Cd)>B(i，Cd)，則節(jié)點i直接將數(shù)據(jù)包轉發(fā)給節(jié)點j;

(2.2)否則不產(chǎn)生拷貝；

3)若i與j屬于不同社區(qū)

(3.1)若Nt(j)>Nt(i)，則節(jié)點i直接將數(shù)據(jù)包轉發(fā)給節(jié)點j;

(3.2)否則不產(chǎn)生拷貝；

4)結束。

4 實驗仿真與結果分析

在本節(jié)主要對本文所提出的DNCM算法與經(jīng)典Epidemic算法、Label[14]算法和Greedytotal算法在數(shù)據(jù)傳遞率、數(shù)據(jù)包的拷貝數(shù)目和數(shù)據(jù)的傳輸平均延遲三個方面進行性能的比較。實驗結果主要在Infocom 06[15]數(shù)據(jù)集上，通過C++仿真程序運行300次結果的平均值。

首先，假定數(shù)據(jù)包的生存周期(TTL，time-to-live)為24 h保持不變，接著依次改變數(shù)據(jù)包的數(shù)目從100增加到700來分析比較四種算法的性能。實驗結果如圖3所示。從圖3(a)中可以發(fā)現(xiàn)隨著數(shù)據(jù)包數(shù)目的增加，四種算法的傳遞率變換趨勢基本相同，先緩慢增加而后逐漸的減少。由于Epidemic算法采取的是洪泛傳輸機制，因此傳遞率達到上界。但是可以從中明顯發(fā)現(xiàn)，本文DNCM算法的傳遞率僅略低于最高傳遞率的Epidemic算法，高于Label和Greedytotal算法。從圖3(b)中可以發(fā)現(xiàn)，本文的DNCM算法的拷貝數(shù)目僅高于Greedytotal算法，比Label算法和Epidemic算法都低，分別平均減少了16.2%和26.2%.從圖3(c)中觀察到，本文中的DNCM算法在平均延遲方面略高于Label算法和Epidemic算法，但低于Greedytotal算法，最高低44.7%.

圖3 發(fā)包數(shù)目變化對算法性能的影響Fig.3 The influence of the variation of the number of packages on the performance of the algorithm

其次，設定數(shù)據(jù)包的數(shù)目為200個保持不變，依次改變數(shù)據(jù)包的生存周期從16 h變化到34 h來分析四種算法對網(wǎng)絡性能的影響。由圖4(a)所示，隨著TTL時間的增加，四種算法的傳遞率變化趨勢基本相同。且本文DNCM算法在傳遞率方面僅略低于最高傳遞率的Epidemic算法，高于Label算法和Greedytotal算法，說明DNCM算法具有較好的傳遞性能。而在圖4(b)中，隨著TTL時間的增加，四種算法的拷貝數(shù)目變化很小，但也可以明顯觀察到本文DNCM算法的拷貝數(shù)目同樣也是僅高于Greedytotal算法，相比于Epidemic算法和Label算法分別平均減少了26.7%，17.3%.由于Epidemic算法洪泛的傳輸策略，傳輸延遲達到下界。但從圖4(c)中可以發(fā)現(xiàn)在16 h到20 h這一時間段內(nèi)，DNCM算法在平均延遲方面和下界的Epidemic算法基本相同，且略低于Label算法。但20 h以后，DNCM算法的平均延遲略高于該兩種算法，但始終都低于Greedytotal算法，最高低了32.6%.

圖4 TTL變化對算法性能的影響Fig.4 The influence of the variation of TTL on the performance of the algorithm

5 結論

根據(jù)移動醫(yī)療社交網(wǎng)絡中節(jié)點之間的關系和社區(qū)的聯(lián)系，提出了一種基于節(jié)點和社區(qū)關系的數(shù)據(jù)轉發(fā)機制，即DNCM算法。該算法在選擇轉發(fā)節(jié)點時，主要分為社區(qū)內(nèi)和社區(qū)外選擇不同的度量標準去判斷，進而去選擇。由于選擇條件的原因，所以在數(shù)據(jù)傳輸延遲方面比Epidemic和Label算法高，比Greedytotal算法低。但在傳遞率方面略低于上界的Epidemic算法，優(yōu)于Label、Greedytotal算法，在網(wǎng)絡開銷方面也優(yōu)于Epidemic和Label算法，從而說明了DNCM算法在降低網(wǎng)絡冗余數(shù)據(jù)的傳輸和提高傳遞率方面還是具有積極的作用，該種特性可以促進數(shù)據(jù)高效及時地轉發(fā)。