基于人工智能的健康医疗大数据传输过程拥塞控制研究

摘要：考虑到健康医疗大数据的来源复杂，在传输过程中容易出现拥塞现象，本文提出了基于人工智能的健康医疗大数据传输过程拥塞控制研究。根据数据传输链路的拓扑结构，计算健康医疗大数据的传输延时，利用健康医疗大数据在传输过程中的速率，预测健康医疗大数据传输过程的拥塞程度。通过对健康医疗大数据传输延时的归一化处理，得到健康医疗大数据传输过程拥塞控制的最佳路径，实现健康医疗大数据传输过程的拥塞控制。实验结果表明，文中方法可以将健康医疗大数据传输吞吐量提高到1700kbps以上。

关键词：数据传输；拥塞控制；健康医疗；人工智能

引言

最近几年，我国相继发布了一系列加速建设区域卫生与健康信息平台的文件，促进了健康医疗大数据的融合[1]。健康医疗大数据包含公民的各项基本信息和医疗信息，其来源十分复杂，涵盖了医院诊断、卫生服务、保险、科研等各个领域，既关乎个人隐私，又关乎经济发展，更关乎国家的安全[2]。当前，单纯依赖于硬件的支持无法有效地缓解健康医疗大数据在传输过程中的拥塞，为了能够在最短时间内消除拥塞，必须提升医疗健康大数据传输装置对数据的处理水平。

杨美艳（2022）[3]针对目前WSN中存在的拥挤问题以及数据传输速率低等问题，提出一种将数据驱动应用到WSN拥塞控制的方法。利用发送节点对邻近节点发送的信息进行监测，并对其活动程度进行度量，从而判定邻近节点的拥塞情况。利用颤动理论对离散指标趋近控制进行了研究，设计了一種新的离散滑动模式阻塞控制器，对于有拥挤现象的WSN节点，利用基于相关度的数据驱动方法，对WSN拥塞情况进行控制。结果显示，与常规的控制方法相比，该方法可以减少节点中的数据排队长度波动，提高单位时间内的数据传送量。网络中的阻塞标记率也可以保持一致，将其控制在4.5%左右，而网络中的响应时间可以控制在100ms左右，具备很好的控制性能。

1. 健康医疗大数据传输过程拥塞控制方法设计

1.1 预测健康医疗大数据传输过程的拥塞程度

在控制健康医疗大数据传输过程的拥塞情况时，先明确数据传输链路上拥塞节点的部署情况，图1给出了数据传输链路的拓扑结构[4]。

根据图1的拓扑结构，利用人工智能技术判断健康医疗大数据传输节点的缓存容量，对数据传输过程的拥塞程度进行评估[5]。海量的健康医疗大数据在传输过程会由于积压的影响，导致健康医疗大数据的传输出现排队现象，如果较长时间内无法对健康医疗大数据进行传输，就会出现传输延时，用公式（1）计算，即：

（1）

式中，tL表示健康医疗大数据传输过程产生的时延，tL1为数据传输链路L的原始时延，tL2为数据传输链路L的最大时延。

利用人工智能技术分解健康医疗大数据，在多台服务器的部署下，对发生拥塞的健康医疗大数据进行处理，并将处理结果反馈给用户[6]。在人工智能的依托下，计算健康医疗大数据在传输过程中的速率，公式为

（2）

式中，vL表示健康医疗大数据传输的速率，KL表示数据传输过程中出现拥塞窗口的大小。

在健康医疗大数据传输过程中，每一个传输节点都会产生拥塞的数据，节点处累积的数据量为数据传输链路的传输速率与传输时延的乘积[7]。当节点处发生拥塞的数据量在3个数据包以内时，健康医疗大数据的传输不会出现拥塞现象；当节点处发生拥塞的数据量超过3个数据包时，健康医疗大数据的传输就会发生拥塞现象，在人工智能技术下，得到健康医疗大数据在传输过程中的拥塞程度，即：

拥塞程度小

网络性能好            （3）

拥塞程度大

式中，表示数据传输节点发生拥塞的数据量，表示各个拥塞节点积压数据的阈值，表示健康医疗大数据传输过程中第一个拥塞节点的积压阈值。

根据数据传输链路的拓扑结构，计算出数据的传输延时，结合数据传输速率，预测了健康医疗大数据传输过程的拥塞程度。

1.2 设计健康医疗大数据传输过程拥塞控制算法

以健康医疗大数据传输过程的拥塞程度预测结果为依据，利用数据传输的优先等级，调整队列内数据的缓存位置[8]。对于数据传输链路L而言，利用公式（4）对数据传输延时进行归一化处理，即：

（4）

式中，tmax表示健康医疗大数据传输过程中可以容忍的最大延时，t（x）表示预备路径中健康医疗大数据的传输延时。

假设L（x）表示预备路径中可以使用的带宽，Hmax和Hmin表示预备路径可以使用的最大带宽和最小带宽，利用公式（5）对备用路径的可用带宽进行预处理[9]，得到：

（5）

以公式（5）的处理结果为依据，当健康医疗大数据的传输路径满足公式（6）的约束时，将符合约束条件的传输路径，作为健康医疗大数据传输过程拥塞控制的最佳路径[10]，即：

（6）

式中，可以保证健康医疗大数据在传输路径中的可靠性，H表示申请健康医疗大数据传输时所需带宽，可以保证健康医疗大数据传输所需带宽小于传输路径的可用带宽范围。

综上所述，通过对健康医疗大数据传输延时的归一化处理，得到备用的可用带宽，通过约束条件的设定，实现健康医疗大数据传输过程的拥塞控制。

2. 实验分析

2.1 设置实验参数

为了验证文中方法在健康医疗大数据传输过程拥塞控制中的有效性，设置了实验参数，如表1所示。

2.2 实验方法

为了突出文中方法在健康医疗大数据传输过程拥塞控制中的优势，引入基于数据驱动的控制方法作对比，选择健康医疗大数据传输的误码率作为自变量，利用吞吐量指标衡量健康医疗大数据传输过程的流畅性，如果健康医疗大数据的吞吐量比较高，表明数据传输过程比较顺畅，反之，表明数据传输会受到阻碍。

2.3 结果分析

在表1的实验参数下，测试了健康医疗大数据传输过程中的误码率，结果如图2所示。

从图2的结果可以看出，采用基于数据驱动的控制方法时，随着误码率的逐渐增大，健康医疗大数据传输吞吐量明显下降，在1600kbps以下。采用文中方法时，健康医疗大数据传输吞吐量在1700kbps～2000kbps之间，说明文中方法能够有效控制健康医疗大数据在传输过程中出现的拥塞现象，避免健康医疗大数据在传输中受阻。

结语

本文提出了基于人工智能的健康医疗大数据传输过程拥塞控制研究，通过预测健康医疗大数据传输过程的拥塞程度，对健康医疗大数据的传输过程进行拥塞控制。经过实验测试发现，该方法能够有效控制健康医疗大数据在传输过程中出现的拥塞现象，提高数据传输效率。本文研究虽然取得一定成果，但是由于时间的限制，还存在很多不足，在今后的研究中，可以考虑关注数据传输链路的稳定情况，避免数据传输链路的不稳定性影响拥塞控制效果。

参考文献：

[1]段红光，何功成.LTE-A中基于时隙接入的接入拥塞控制优化算法[J].计算机应用研究，2019，（6）：1836-1838，1857.

[2]石旭东，王若文，王家林，等.飞机ARINC429数据传输串扰过程建模与仿真[J].系统仿真学报，2018，（2）：482-488.

[3]杨美艳.基于数据驱动的无线传感器网络拥塞控制[J].沈阳工业大学学报，2022，（5）：570-574.

[4]欧阳一鸣，汝孟轩，李建华，等.WiNoC中协同拥塞控制的高性能路由器设计[J].电子测量与仪器学报，2019，（2）：168-179.

[5]任智，吴本源，周舟，等.基于CoAP协议的泛在电力物联网拥塞控制算法[J].计算机工程，2021，（10）：166-173.

[6]李树楠，詹男杰，章玥.面向数据中心租户带宽特征的虚拟拥塞控制方法性能分析[J].計算机工程与科学， 2018，（9）：1562-1571.

[7]谭国真，韩国栋，张福新，等.基于网络效用最大化理论的分布式车联网拥塞控制策略[J].通信学报，2019，（2）：82-91.

[8]陈梦婷，田茂，陈小莉，等.基于卫星延迟容忍网络的拥塞控制机制研究[J].小型微型计算机系统，2020，（5）：1059-1064.

[9]王龙翔，董凯，李小轩，等.面向虚拟数据空间的智能TCP拥塞控制算法[J].西安交通大学学报，2021，（5）：83-91.

[10]周小玲，付银莲.WSN中的最大冗余丢弃和覆盖传输拥塞控制[J].计算机工程与设计，2021，（7）：1844-1850.

作者简介：侯浩天，博士研究生，研究方向：政务信息化、产业互联网、健康医疗大数据等。