РАСПРЕДЕЛЕНИЕ ВЫЧИСЛИТЕЛЬНОЙ НАГРУЗКИ МЕЖДУ ВЫЧИСЛИТЕЛЬНЫМИ КОНТУРАМИ ГИБРИДНОЙ МЕДИЦИНСКОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ

АННОТАЦИЯ

В работе рассматривается проблема распределения вычислительной нагрузки между локальным, периферийным и облачным вычислительными контурами гибридной медицинской информационной системы. Выполнен анализ особенностей каждого из контуров, определены их преимущества и ограничения применительно к задачам медицинских информационных систем. Рассмотрены принципы построения гибридной архитектуры, при которой чувствительные к задержкам данные обрабатываются на периферийном уровне, основные сервисы медицинской организации — в локальном контуре, а ресурсоёмкие аналитические задачи и долговременное хранение данных — в облачной инфраструктуре. Проанализированы статические и динамические подходы к распределению вычислительных задач между контурами. Сделан вывод о целесообразности разработки адаптивных моделей распределения вычислительной нагрузки в гибридных медицинских информационных системах с учётом особенностей медицинских данных и требований к их безопасности.

Ключевые слова: гибридная медицинская информационная система, распределение вычислительной нагрузки, периферийные вычисления, облачные вычисления, локальный вычислительный контур, медицинские данные.

Введение

В последние годы наблюдается активное развитие процессов цифровизации в сфере здравоохранения. Активное внедрение цифровых медицинских сервисов, перевод медицинских карт и диагностических изображений в электронную форму обуславливают устойчивый рост объёмов медицинских данных. Дополнительным фактором выступает расширяющееся применение устройств интернета вещей, используемых для мониторинга состояния пациентов и сбора медицинской телеметрии. Подобный нарастающий поток данных создаёт повышенную нагрузку на существующие медицинские информационные системы.

Для обработки подобных объёмов данных могут использоваться локальный, периферийный и облачный вычислительные контуры. Современные отечественные технические решения для медицинских информационных систем ориентированы преимущественно на локальный вычислительный контур. Однако такой подход сопряжён с рядом существенных ограничений: фиксированные вычислительные мощности медицинского учреждения слабо адаптируются к пиковым нагрузкам, возникающим при массовой обработке диагностических изображений или потоковой телеметрии с носимых устройств. Расширение аппаратной базы требует значительных капитальных вложений, длительных закупочных процедур, регулярного обновления парка оборудования, а также наличия квалифицированного штата специалистов для его сопровождения. С другой стороны, применение облачной инфраструктуры затруднено регуляторными требованиями к обеспечению безопасности персональных данных (в частности, положениями Федерального закона № 152-ФЗ «О персональных данных»), а также наличием сетевых задержек, способных существенно осложнить обработку данных, критичных ко времени отклика. Кроме того, увеличение объёма и интенсивности потоков медицинских данных приводит к тому, что передача всей информации в облачный вычислительный центр становится неэффективной вследствие ограничений пропускной способности сетей и роста задержек обработки [1].

Перечисленные ограничения делают целесообразным использование системы, объединяющей сильные стороны локального и облачного подходов в условиях роста объёмов медицинских данных. В связи с этим всё большее распространение получают гибридные архитектуры, сочетающие возможности локальных и облачных вычислений. Подобная архитектура включает в себя периферический контур (непосредственно устройства, считывающие медицинские показатели), локальный вычислительный контур, который может обрабатывать ряд задач, чувствительных к задержке и облачный вычислительный контур, который может обрабатывать и хранить большие объемы данных, обработка которых менее чувствительна к сетевым потерям и задержкам.

Однако само наличие локального, периферийного и облачного вычислительных контуров не гарантирует эффективной работы медицинской информационной системы. Различные типы медицинских данных предъявляют неодинаковые требования к вычислительным ресурсам и времени отклика. Так, ряд медицинских показателей (например, частота сердечных сокращений, сатурация крови кислородом, показатели артериального давления) являются критичными к задержкам, в то же время архивные диагностические исследования — результаты компьютерной и магнитно-резонансной томографии, гистологические сканы, электронные медицинские карты — допускают отложенную обработку, но требуют значительных объёмов хранения и вычислительных мощностей при последующем анализе [8]. Это обуславливает необходимость эффективного распределения данных и вычислительных задач между контурами в зависимости от их характеристик: чувствительности к задержкам, объёма, частоты обращений и требований к безопасности.

Наконец, как показывают последние исследования, выбор подходящего вычислительного контура сам по себе не гарантирует повышения эффективности обработки задачи. Так, перенос чрезмерного количества сервисов на периферийные узлы может вызывать рост очередей обработки и увеличение времени отклика даже по сравнению с централизованными облачными решениями. В то же время избыточная концентрация вычислений в облачном контуре увеличивает нагрузку на каналы связи и повышает чувствительность системы к сетевым задержкам [3]. Таким образом, эффективность гибридной медицинской информационной системы определяется не только доступными вычислительными ресурсами, но и принципами распределения вычислительных задач между локальным, периферийным и облачным уровнями инфраструктуры.

В связи с этим актуальной становится задача разработки подходов к распределению вычислительной нагрузки в гибридных медицинских информационных системах с учётом характеристик обрабатываемых данных, требований сервисов к задержке обработки и текущего состояния вычислительной инфраструктуры. Решение данной задачи требует анализа существующих подходов к распределению вычислительной нагрузки и определения факторов, влияющих на выбор вычислительного контура для обработки медицинских данных.

Целью работы является анализ принципов распределения вычислительной нагрузки между локальным, периферийным и облачным вычислительными контурами гибридной медицинской информационной системы.

Вычислительные контуры гибридной медицинской информационной системы

Локальный контур медицинской информационной системы традиционно выступает в роли её основы: ключевые клинические, административные и сервисные модули разворачиваются в инфраструктуре медицинской организации и взаимодействуют между собой через общую систему управления данными. Традиционная МИС представляет собой не единый программный блок, а совокупность взаимосвязанных модулей, развёрнутых на базе общей серверной инфраструктуры. Каждый модуль реализует собственную предметную логику, однако использует общие вычислительные ресурсы.

Хранение данных в локальном контуре организовано на основе центрального хранилища. Централизованная система хранения формирует единый достоверный источник данных, что обеспечивает широкие возможности по управлению информацией, стабильность работы и формирование структурированной отчётности. Вместе с тем возможности локального вычислительного контура ограничиваются ресурсами медицинской организации, поскольку расширение вычислительной инфраструктуры сопровождается дополнительными затратами на приобретение и сопровождение оборудования.

Наконец, размещение вычислительных ресурсов непосредственно в медицинской организации также позволяет сохранять полный контроль над медицинскими данными и политиками информационной безопасности, что особенно важно с учётом требований нормативного регулирования в области здравоохранения. Ознакомиться с подобной структурой можно на рис. 1.

Рисунок 1. Устройство локального вычислительного контура медицинской информационной системы

Периферийный вычислительный контур включает вычислительные узлы, размещённые в непосредственной близости от систем медицинской телеметрии, диагностических устройств и средств мониторинга пациентов. Расширение использования подобных устройств привело к необходимости обработки части данных в непосредственной близости от источников их формирования. Подобные устройства генерируют значительные объёмы разнородных данных, требующих обработки в режиме, близком к реальному времени. Например, непрерывный мониторинг физиологических показателей пациента — электрокардиография, контроль артериального давления и уровня насыщения крови кислородом — предполагает оперативный анализ поступающих сигналов и своевременное формирование реакции системы. Перенос части вычислительных операций к источнику данных позволяет сократить задержки обработки и уменьшить объём информации, передаваемой по сети в централизованные вычислительные центры [6]. В частности, на периферийном уровне могут выполняться предварительная фильтрация, агрегация и первичный анализ данных, благодаря чему в вышестоящие вычислительные контуры поступает только значимая информация. Вместе с тем, в отличие от облачных центров обработки данных, периферийные узлы обладают существенно более ограниченными вычислительными ресурсами, что не позволяет выполнять на них сложные аналитические операции, в том числе с использованием интеллектуального анализа данных [9].

Таким образом, периферийный контур обеспечивает минимальные задержки обработки и позволяет оперативно реагировать на события, однако ограниченность вычислительных ресурсов делает необходимым привлечение вышестоящих вычислительных уровней для выполнения ресурсоёмких аналитических задач и долговременного хранения данных.

Облачный вычислительный контур предоставляет медицинской информационной системе масштабируемые вычислительные и дисковые ресурсы, доступные по требованию. В отличие от локальной инфраструктуры медицинской организации, облачные платформы позволяют динамически наращивать объём доступных ресурсов без необходимости модернизации собственных вычислительных мощностей. Значительные возможности хранения делают облачный контур удобной средой для размещения архивов медицинских данных, резервных копий и долговременных хранилищ диагностической информации. Помимо хранения данных, облачные платформы используются для выполнения ресурсоёмких аналитических операций, обработки больших массивов медицинской информации и обучения интеллектуальных моделей поддержки принятия решений. Централизованный характер облачной инфраструктуры также позволяет агрегировать данные из различных источников и формировать единое информационное пространство для последующего анализа [1].

Сопоставление рассмотренных контуров показывает, что каждый из них обладает собственными преимуществами и ограничениями. Локальный контур обеспечивает контроль над данными и автономность работы, периферийный уровень позволяет сократить задержки обработки, а облачная инфраструктура предоставляет масштабируемые вычислительные ресурсы и средства хранения данных. При этом различие их функциональных возможностей делает целесообразным совместное использование данных контуров в рамках гибридной медицинской информационной системы.

Объединение вычислительных контуров в гибридной медицинской информационной системе

Рассмотренные вычислительные контуры обладают различными характеристиками и ориентированы на решение различных классов задач. Локальный контур обеспечивает автономность работы медицинской организации, централизованное управление данными и контроль над информационной безопасностью. Периферийный уровень позволяет выполнять обработку данных в непосредственной близости от источников их формирования, снижая задержки передачи и обеспечивая оперативную реакцию на события. Облачный контур предоставляет масштабируемые вычислительные ресурсы и средства хранения данных для выполнения ресурсоёмких аналитических операций и долговременного хранения информации. Совместное использование перечисленных вычислительных контуров формирует архитектуру гибридной медицинской информационной системы, концептуальная схема которой представлена на рисунке 2.

Рисунок 2. Архитектура гибридной медицинской информационной системы, объединяющей периферийный, локальный и облачный вычислительные контуры

При этом ни один из вычислительных контуров не способен в полной мере удовлетворить всем требованиям современной медицинской информационной системы. Рост объёмов медицинских данных, расширение применения устройств медицинской телеметрии, появление интеллектуальных сервисов поддержки принятия решений и систем непрерывного мониторинга пациентов приводят к необходимости одновременного обеспечения высокой производительности, масштабируемости, надёжности и минимальных задержек обработки данных.

Дополнительная сложность заключается в том, что различные типы медицинских данных предъявляют неодинаковые требования к вычислительной инфраструктуре. Так, потоки телеметрических данных, поступающие от устройств мониторинга состояния пациентов, требуют обработки в режиме, близком к реальному времени. В то же время задачи архивного хранения диагностических изображений, построения аналитических отчётов и обучения моделей машинного обучения ориентированы преимущественно на доступность вычислительных ресурсов и объёмов хранения данных [6]. Использование единого вычислительного контура для решения всех перечисленных задач приводит либо к неэффективному использованию ресурсов, либо к ухудшению качества обслуживания пользователей.

Размещение вычислительных задач в наиболее подходящей среде исполнения решает эту проблему. При таком подходе обработка данных, чувствительных к задержкам, может выполняться на периферийном уровне, основные сервисы медицинской информационной системы — в локальном контуре, а ресурсоёмкие аналитические задачи и долговременное хранение данных — в облачной инфраструктуре [7]. Подобное распределение позволяет сократить объем передаваемых по сети данных, повысить эффективность использования вычислительных ресурсов и обеспечить необходимый уровень качества обслуживания пользователей.

Вместе с тем исследования показывают, что само наличие нескольких вычислительных уровней не гарантирует эффективной работы системы. Производительность отдельных вычислительных контуров зависит от их текущей загрузки, доступности ресурсов и характеристик сетевого взаимодействия. Например, исследования показывают существование явления инверсии производительности периферийных вычислений (edge performance inversion), при котором рост времени ожидания задач в очередях периферийных узлов компенсирует выигрыш от меньшей сетевой задержки [3, 4]. В результате суммарное время обработки на периферийном уровне может оказаться выше, чем при выполнении аналогичной задачи в облачном центре обработки данных.

Таким образом, эффективность гибридной медицинской информационной системы определяется не только составом используемых вычислительных контуров, но и механизмами распределения вычислительной нагрузки между ними. Выбор места выполнения вычислений должен учитывать требования задачи к задержкам обработки, объём необходимых вычислительных ресурсов, характеристики сетевого взаимодействия и текущее состояние вычислительной инфраструктуры.

Подходы к распределению вычислительной нагрузки

Использование нескольких вычислительных контуров само по себе не определяет, где именно должна выполняться конкретная задача. Для решения этой проблемы применяются различные подходы к распределению вычислительной нагрузки, отличающиеся способом выбора вычислительного контура и степенью адаптации к изменению состояния инфраструктуры. В наиболее общем виде существующие решения можно разделить на статические и динамические [2]. В первом случае место выполнения вычислений определяется заранее и остаётся неизменным в процессе эксплуатации системы. Во втором решение принимается с учётом текущего состояния вычислительной инфраструктуры, характеристик сети и требований самой задачи.

Статическое распределение вычислительных задач предполагает фиксированное закрепление отдельных классов сервисов и данных за определёнными вычислительными контурами. Подобный подход получил широкое распространение в первых поколениях гибридных медицинских систем благодаря простоте реализации и предсказуемости поведения [10]. Например, сервисы медицинской информационной системы могут постоянно размещаться в локальном контуре, обработка потоков телеметрических данных выполняться на периферийном уровне, а архивное хранение данных и ресурсоёмкие аналитические задачи — в облачной инфраструктуре. Такое разделение позволяет учитывать общие требования различных категорий задач к задержкам обработки, вычислительным ресурсам и объёмам хранения данных ещё на этапе проектирования системы.

Динамическое распределение вычислительной нагрузки предполагает возможность изменения места выполнения задачи в зависимости от текущего состояния вычислительной инфраструктуры. В отличие от статического подхода, при котором вычислительный контур определяется заранее, динамические механизмы учитывают фактическую загрузку вычислительных узлов, характеристики сетевого взаимодействия и доступность ресурсов в момент принятия решения [1]. Подобный подход получил развитие по мере распространения гибридных архитектур, поскольку эффективность выполнения задачи начала всё в большей степени зависеть не только от её типа, но и от текущего состояния вычислительной среды.

В качестве критериев принятия решения могут использоваться загрузка процессоров, объём доступной памяти, длина очередей обработки, пропускная способность каналов связи и сетевые задержки. Кроме характеристик инфраструктуры, учитываются и особенности самой задачи: объём обрабатываемых данных, требования к времени отклика и необходимый объём вычислительных ресурсов. При таком подходе одна и та же задача может выполняться в различных вычислительных контурах в зависимости от складывающихся условий эксплуатации системы [8, 9].

Для реализации динамического распределения вычислительной нагрузки используются различные методы принятия решений. В простейшем случае применяются наборы эвристических правил, определяющих условия переноса задачи между вычислительными контурами. Более сложные подходы основаны на методах математической оптимизации, позволяющих выбирать вычислительный контур с учётом нескольких критериев одновременно. В последние годы значительное внимание уделяется методам машинного обучения, способным адаптировать процесс распределения задач на основе накопленной информации о работе системы. Результаты ряда исследований показывают, что подобные подходы позволяют эффективнее использовать доступные вычислительные ресурсы и сокращать время обработки задач по сравнению с их фиксированным размещением [8].

Вместе с тем применение динамических механизмов распределения связано с рядом ограничений. Принятие решений требует постоянного получения информации о состоянии вычислительной инфраструктуры, что создаёт дополнительную нагрузку на систему мониторинга и управления. Кроме того, перенос задач между вычислительными контурами сопровождается накладными расходами на передачу данных и синхронизацию состояния сервисов. Отдельную проблему представляет неоднородность медицинских данных и сервисов: требования к обработке телеметрической информации, диагностических изображений и электронных медицинских документов существенно различаются, что затрудняет использование единой стратегии распределения вычислительной нагрузки. Вследствие этого существующие подходы рассматриваются не как универсальное решение, а как средства повышения эффективности работы гибридной медицинской информационной системы в конкретных условиях эксплуатации.

Заключение

Проведённый анализ показал, что использование только локального, периферийного или облачного вычислительного контура не позволяет в полной мере удовлетворить требованиям современных медицинских информационных систем. По этой причине всё большее распространение получают гибридные архитектуры, объединяющие возможности нескольких вычислительных уровней в рамках единой инфраструктуры.

Рассмотрение особенностей локального, периферийного и облачного вычислительных контуров показало, что различные категории медицинских данных предъявляют неодинаковые требования к задержкам обработки, вычислительным ресурсам и объёмам хранения. Вследствие этого эффективность гибридной медицинской информационной системы определяется не только составом используемых вычислительных контуров, но и принципами распределения вычислительной нагрузки между ними.

Проведённый анализ существующих подходов показал, что статическое распределение вычислительных задач обеспечивает простоту реализации и предсказуемость функционирования системы, однако не учитывает изменения состояния вычислительной инфраструктуры. Динамические методы позволяют адаптировать размещение задач к текущей загрузке ресурсов и характеристикам сетевого взаимодействия, что потенциально способствует более эффективному использованию доступных вычислительных мощностей. Вместе с тем применение подобных механизмов связано с дополнительными накладными расходами и требует учёта особенностей, обрабатываемых медицинских данных.

Полученные результаты подтверждают целесообразность дальнейших исследований в области адаптивного распределения вычислительной нагрузки в гибридных медицинских информационных системах. Перспективным направлением представляется разработка критериев и моделей принятия решений, учитывающих характеристики медицинских данных, требования сервисов к времени отклика и текущее состояние вычислительной инфраструктуры.

Список литературы:

1. Firouzi F., Farahani B., Panahi E., Barzegari M. Task Offloading for Edge–Fog–Cloud Interplay in the Healthcare Internet of Things (IoT) // 2021 IEEE International Conference on Omni-Layer Intelligent Systems (COINS). – Piscataway, NJ : IEEE, 2021. – P. 1–8. – DOI: 10.1109/COINS51742.2021.9524098.
2. Saeik F., Avgeris M., Spatharakis D., Santi N., Dechouniotis D., Violos J., Leivadeas A., Athanasopoulos N., Mitton N., Papavassiliou S. Task Offloading in Edge and Cloud Computing: A Survey on Mathematical, Artificial Intelligence and Control Theory Solutions // Computer Networks. – 2021. – Vol. 195. – Art. 108177. – DOI: 10.1016/j.comnet.2021.108177.
3. Xing L., Liu X. Edge Performance Inversion: When Edge Computing Can Be Slower than the Cloud // ACM Transactions on Sensor Networks. – 2024. – Vol. 20, No. 3. – Article 57. – DOI: 10.1145/3643023.
4. Ali-Eldin A., Wang B., Shenoy P. The Hidden Cost of the Edge: A Performance Comparison of Edge and Cloud Latencies // Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis. – New York : ACM, 2021. – DOI: 10.1145/3458817.3476142.
5. Mehran N., Kimovski D., Prodan R. A Two-Sided Matching Model for Data Stream Processing in the Cloud–Fog Continuum // 2021 IEEE/ACM 21st International Symposium on Cluster, Cloud and Internet Computing (CCGrid). – Piscataway, NJ : IEEE, 2021. – P. 514–524. – DOI: 10.1109/CCGrid51090.2021.00061.
6. Abdelmoneem R. M., Benslimane A., Shaaban E. Mobility-Aware Task Scheduling in Cloud–Fog IoT-Based Healthcare Architectures // Computer Networks. – 2020. – Vol. 179. – Art. 107348. – DOI: 10.1016/j.comnet.2020.107348.
7. Pace P., Aloi G., Gravina R., Caliciuri G., Fortino G., Liotta A. An Edge-Based Architecture to Support Efficient Applications for Healthcare Industry 4.0 // IEEE Transactions on Industrial Informatics. – 2019. – Vol. 15, No. 1. – P. 481–489. – DOI: 10.1109/TII.2018.2843169.
8. Lakhan A., Sodhro A. H., Majumdar A., Khuwuthyakorn P., Thinnukool O. A Lightweight Secure Adaptive Approach for Internet-of-Medical-Things Healthcare Applications in Edge–Cloud-Based Networks // Sensors. – 2022. – Vol. 22, No. 6. – Art. 2379. – DOI: 10.3390/s22062379.
9. Ait Salaht F., Desprez F., Lebre A. An Overview of Service Placement Problem in Fog and Edge Computing // ACM Computing Surveys. – 2020. – Vol. 53, No. 3. – Article 65. – P. 1–35. – DOI: 10.1145/3391196.
10. Firouzi F., Rahmani A. M., Mankodiya K., Badaroglu M., Merrett G. V., Wong P., Farahani B. Internet-of-Things and Big Data for Smarter Healthcare: From Device to Architecture, Applications and Analytics // Future Generation Computer Systems. – 2018. – Vol. 78. – P. 583–586. – DOI: 10.1016/j.future.2017.09.016.