一种高效的主节点选择方法，适用于基于6G驱动的FaaS技术的多脑电图（EEG）到多雾环境（fog）的物联网（IoT）网络

《Computer Communications》：An efficient master head selection for multi-EEG to multi-fog IoT network using 6G-driven FaaS

本文提出一种基于6G的雾计算增强型EEG架构，通过动态优化雾头选择机制，结合加权多准则决策方法，显著降低数据处理延迟（平均减少95%），相较于现有方案提升83.87%，有效解决多设备协作中的资源分配与异构性问题。

　　

Rupalin Nanda | Sakthivel P. | Rama Krushna Rath | Abhishek Hazra

印度金迪工程学院电子与通信工程系，安娜大学，钦奈

摘要

脑电图（EEG）信号在医疗通信系统中起着至关重要的作用，用于记录来自头皮的人脑电活动。近年来，传统的基于物联网（IoT）的医疗系统使用云计算范式来管理时间敏感的医疗数据。此外，转向雾计算后，雾计算辅助的EEG系统仅用于单一EEG应用。然而，对于单一EEG系统而言，使用雾计算范式在资源管理和时间消耗方面并不是一个高效的解决方案。因此，我们提出了一种基于雾计算的EEG架构，其中多个雾设备在单一的集成IoT平台上协作处理数据。由于所提出的架构是新的，我们专注于开发该架构的数学模型，并讨论了关键方面。此外，我们采用加权多标准决策方法在网络中设计了动态最优雾节点选择机制。通过仿真观察到，与云计算相比，使用支持6G的雾计算可以将平均传输延迟降低约95%。进一步地，与现有的KCHE技术相比，我们的方法将总延迟降低了83.87%，证明了这项工作的有效性。

引言

如今，物联网（IoT）技术的进步为6G通信系统的发展奠定了基础。结合6G的IoT对现代人类生活至关重要，并因其提升的客户服务潜力而受到了学术界和工业界的广泛关注。6G的卓越特性，如超低延迟、更高的数据传输速率和极高的吞吐量，预计将提供前所未有的服务质量并提升当前IoT系统的用户体验[1]、[2]。预计到2030年6G将实现标准化和部署，研究重点将转向这些下一代通信系统[3]、[4]。向6G的过渡将在智能设备、技术、人工智能、自动驾驶汽车、无线脑机接口（wBCI）等领域带来革命性的进展[5]、[6]。在这一范式转变中，IoT通过将医疗设备连接到网络环境中的无线通信和计算系统，在推动新兴医疗应用方面发挥着关键作用。这些基于IoT的医疗应用在数据传输速率、延迟、覆盖范围和资源优化方面要求更高[7]。因此，6G确保了数百万医疗和计算设备及应用的无缝连接，支持具有多样化服务需求的庞大互联性。在这方面，脑机接口在过去十年中已成为医疗行业的基石，彻底改变了人脑与机器之间的通信方式。从人脑生成的信号，即EEG信号，是数据密集型的，需要实时分析[8]。随着医疗IoT的发展，EEG设备与计算密集型设备之间的通信显著进步，尤其是在时间敏感的场景中。EEG医疗系统（EHS）对高数据传输速率的不断增长的需求是这一发展的主要驱动力。近年来，EEG设备在技术上取得了进步，例如改进的电极技术以提高信号质量、支持实时数据传输的蓝牙和Wi-Fi连接、先进的降噪和信号增强滤波技术，以及与可穿戴设备的集成以实现全面的健康监测。这些进步产生了大量数据，为处理设备创造了巨大负担，并将今天的医疗IoT转变为面向未来的IoT。它促进了异构设备之间的无缝通信，无需人工干预，有可能彻底改变医疗行业并带来重大的社会效益。这些前所未有的容量水平加速了6G支持的IoT网络在医疗数据感知、医疗设备连接、与处理设备的无线通信以及6G网络管理方面的应用部署。与之前的移动网络世代不同，6G提供了更大的通信通道，能够处理现有移动网络由于无线接入、回程和集中式云计算能力限制而难以处理的爆炸性流量增长[9]。

在现有的EHS中，EEG设备生成的大量数据主要依赖于云服务或点对点通信，每个独立的EEG设备与专用的雾设备进行交互[10]、[11]。连接到云服务器的EEG设备有时效率低下，因为存在四个主要挑战——对网络带宽的巨大需求、额外的计算延迟、端到端延迟延长以及集中式云维护的高成本[12]、[13]。这些挑战在需要实时操作的基于IoT的EEG应用中尤为突出，而这些应用通常需要去中心化的服务。因此，雾计算由于其分布式特性、显著较低的延迟和带宽以及为医疗应用提供实时处理能力等优点，有效解决了这些问题[14]。然而，依赖专用雾计算服务的现有EHS主要采用单设备单雾或单设备多雾架构。这些配置往往导致资源利用不足和成本增加，例如由于数据量庞大导致的过度利用、在非关键或限时操作期间的利用不足，以及当相关EEG设备未使用时完全闲置。对于多EEG多雾平台，随机分配任务给任何雾节点会导致以下问题——任务分配不均、EEG任务的冗余计算、缺乏同步和EEG响应的时间对齐聚合，以及解决异构性问题。此外，使用单一主节点会降低雾节点间的通信复杂性[15]，这对于实时EEG分析至关重要。此外，5G或更早的世代在支持大多数先进技术和复杂的医疗应用方面存在局限性，通常在可扩展性方面达到极限[16]。为了克服这些挑战，我们探索了6G支持的IoT网络的潜力，旨在满足多EEG多雾范式的需求，确保对EHS的响应速度和即时性。

本文提出了一种基于6G的雾计算分布式架构，用于处理医疗数据，特别是物联网网络中的脑电图信号。这项工作的主要贡献有四个方面：

• 1.
  我们设计了一种新颖的
  $E2F$架构，该架构允许多通道、多个EEG设备连接到6G耦合的雾层。通过利用雾即服务（FaaS），我们的架构支持异构雾设备，促进EEG数据的协作和分布式处理。此外，我们对架构的每个组件进行了深入讨论。
• 2.
  此外，在这项工作中，我们解决了异构雾设备的多样化规格和计算能力所带来的挑战。为此，我们为