CN118656037B - 一种基于大数据的生物医学存储系统及其方法 - Google Patents
一种基于大数据的生物医学存储系统及其方法 Download PDFInfo
- Publication number
- CN118656037B CN118656037B CN202411143403.1A CN202411143403A CN118656037B CN 118656037 B CN118656037 B CN 118656037B CN 202411143403 A CN202411143403 A CN 202411143403A CN 118656037 B CN118656037 B CN 118656037B
- Authority
- CN
- China
- Prior art keywords
- data
- energy
- biomedical
- result
- entropy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003860 storage Methods 0.000 title claims abstract description 87
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 78
- 238000004458 analytical method Methods 0.000 claims abstract description 70
- 238000012544 monitoring process Methods 0.000 claims abstract description 53
- 238000005265 energy consumption Methods 0.000 claims abstract description 52
- 238000013500 data storage Methods 0.000 claims abstract description 37
- 230000005856 abnormality Effects 0.000 claims abstract description 30
- 238000001816 cooling Methods 0.000 claims abstract description 28
- 238000012986 modification Methods 0.000 claims abstract description 14
- 230000004048 modification Effects 0.000 claims abstract description 14
- 230000008713 feedback mechanism Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 238000013508 migration Methods 0.000 claims description 70
- 230000005012 migration Effects 0.000 claims description 70
- 238000011084 recovery Methods 0.000 claims description 68
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 230000033228 biological regulation Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000017525 heat dissipation Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000004134 energy conservation Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000009530 blood pressure measurement Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 2
- 238000013523 data management Methods 0.000 abstract description 11
- 238000007726 management method Methods 0.000 abstract description 7
- 238000011160 research Methods 0.000 abstract description 7
- 230000008901 benefit Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明涉及生物医学数据管理技术领域，具体为一种基于大数据的生物医学存储系统及其方法，系统包括热力学识别模块、熵变监控模块、能量分配模块、迁移控制模块、完整性检测模块、异常响应与恢复模块。本发明中，通过收集温度数据和计算压力与体积，结合能量状态模拟，提高数据存储效率和数据处理的精确度，通过监测熵值变化，能实时追踪数据的访问和修改异常，显著提升数据安全管理水平，通过调整能量分配并优化数据存储位置，不仅减少能耗，还通过冷却反馈机制进一步提高系统的节能效率，促进生物医学数据管理的实时性、安全性和经济效益，能有效支持数据集的快速访问和分析，为临床决策和生物医学研究提供强大的数据支持。
Description
技术领域
本发明涉及生物医学数据管理技术领域，尤其涉及一种基于大数据的生物医学存储系统及其方法。
背景技术
生物医学数据管理技术领域涉及到各种数据的收集、处理、存储和分析，特别是来自生物医学研究和临床应用的数据，核心在于有效管理批量的健康记录、基因组数据、临床试验结果和相关医学信息。随着生物技术和医学研究的进步，生物医学数据管理变得尤为重要。随着大数据技术的应用，生物医学数据管理还包括数据挖掘和机器学习技术的应用，以发现新的生物标记。
其中，大数据的生物医学存储系统用于处理和存储大规模的生物医学数据，主要用途是提高数据检索效率和数据分析的准确性，支持更有效的研究和更准确的临床决策。通过使用高级数据管理技术，能够处理复杂的数据集，如基因序列数据或大规模的患者健康记录，使得医生和研究人员可以快速访问和分析信息，以加速科研进展。
现有的生物医学数据管理技术主要侧重于数据的收集和存储，而较少涉及到数据存储环境的实时监控和动态调整，导致在数据量剧增的情况下，系统的能效和数据处理速度难以得到保证，特别是在处理大规模基因序列数据或患者健康记录时，现有系统缺乏足够的灵活性和响应速度。例如，在未实时监控热力学参数的情况下，数据中心因温度升高而导致设备过热，影响数据的完整性和访问速度。现有技术在能量管理方面是静态的，缺乏针对实时数据访问模式调整能量分配的能力，在长期运营中导致能源浪费和系统运维成本增加，限制生物医学数据管理系统在处理高密度数据时的效率和可靠性，对研究和临床应用构成潜在的风险。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的一种基于大数据的生物医学存储系统及其方法。
为了实现上述目的，本发明采用了如下技术方案，一种基于大数据的生物医学存储系统包括：
热力学识别模块收集生物医学数据存储单元的实时温度数据，计算压力与体积，并进行能量状态模拟，生成热力学状态分析结果；
熵变监控模块通过所述热力学状态分析结果，监测生物医学数据访问和修改中的熵值变化，通过大数据对比跟踪熵的变化，生成熵变监测结果；
能量分配模块根据所述熵变监测结果，调整能量分配参数，通过数据存储的冷却反馈机制验证能量的最优分配，生成能量调节反馈结果；
迁移控制模块利用所述能量调节反馈结果，分析数据存储单元的热效率，根据存储单元的能耗和温度状况选择存储位置进行数据迁移，生成数据迁移执行结果；
完整性检测模块根据所述数据迁移执行结果，接收新的生物医学大数据输入，监测数据的完整性，识别数据潜在的错误，生成数据完整性分析结果；
异常响应与恢复模块基于所述数据完整性分析结果，识别生物医学数据的异常变化，根据异常的性质和严重程度，自动选择数据恢复策略并执行，生成恢复反馈结果。
作为本发明的进一步方案，所述热力学状态分析结果包括温度读数、压力测量值、体积数据和能量状态估算，所述熵变监测结果包括熵值变化趋势、熵值异常点的检测和与历史数据对比的差异分析，所述能量调节反馈结果包括能量分配的效率评估、冷却效果的验证结果和能量优化措施，所述数据迁移执行结果包括选定的存储位置、迁移前后的能耗比对和温度调整情况，所述数据完整性分析结果包括新输入数据的验证状态、错误识别和潜在风险评估，所述恢复反馈结果包括异常数据的性质识别、恢复策略选择和恢复策略执行的效果评估。
作为本发明的进一步方案，所述热力学识别模块包括：
数据记录子模块对生物医学数据存储单元进行扫描，记录实时温度，通过数据接口传输并进行同步，对数据进行格式化，生成温度数据表；
关联性分析子模块通过所述温度数据表，计算标准温度下的体积，结合实时测量压力调整误差，分析压力和体积的关联性，得到压力体积数据表；
能量状态模拟子模块根据所述压力体积数据表，模拟存储单元内部能量变化，通过对比状态点的能量变化，分析能量守恒与转换效率，得到热力学状态分析结果。
作为本发明的进一步方案，所述熵变监控模块包括：
数据提取子模块通过所述热力学状态分析结果，进行数据筛选，提取生物医学数据中的熵值数据，并进行数据处理，生成熵值数据集；
熵值变化分析子模块基于所述熵值数据集，采用随机森林算法，进行历史熵值和实时熵值的变化趋势分析，识别生物医学数据访问和修改异常的问题，得到熵变动态记录；
变化跟踪子模块根据所述熵变动态记录，跟踪熵的变化模式，对比大数据中的同类模式，预测熵变化，得到熵变监测结果。
作为本发明的进一步方案，所述随机森林算法按照公式：
；
其中，为信息增益，为节点t的样本权重，为节点t的不纯度，和是左右子节点，和分别为左右子节点的样本权重，为正则化参数，和分别为左右子节点的样本数，为节点的数量。
作为本发明的进一步方案，所述能量分配模块包括：
参数优化子模块基于所述熵变监测结果，识别能量集中和分散的趋势，调整能量输出和输入参数，平衡生物医学存储单元内的能量分布，得到调整后的能量参数；
能量消耗监测子模块采用所述调整后的能量参数，通过实施冷却反馈机制，在生物医学存储中实时监测能量消耗和冷却效率，验证能量分配的效果，生成能量分配验证结果；
策略评估子模块根据所述能量分配验证结果，分析冷却效率与能量消耗的数据，评估整体能量分配策略的有效性，得到能量调节反馈结果。
作为本发明的进一步方案，所述迁移控制模块包括：
能耗分析子模块采用所述能量调节反馈结果，对生物医学数据存储单元进行能耗和热效率分析，计算差异化单元的能量消耗与散热性能，生成热效率分析数据；
位置调整子模块基于所述热效率分析数据，评估差异化存储单元的温度状况和能耗水平，选择数据迁移的存储位置，查验数据安全与存储效率的最优化，得到选定的存储位置；
迁移监测子模块使用所述选定的存储位置，执行数据迁移，监控迁移中的能耗变化和数据完整性，验证迁移效率和数据安全，生成数据迁移执行结果。
作为本发明的进一步方案，所述完整性检测模块包括：
数据输入子模块采用所述数据迁移执行结果，接收新迁移至目标存储位置的生物医学数据，通过网络接口查验传输的完整性和安全性，得到已接收的数据集；
完整性监测子模块基于所述已接收的数据集，检查生物医学数据的完整性，评估数据在迁移中的损失和错误，生成完整性验证结果；
偏差识别子模块根据所述完整性验证结果，分析生物医学数据中的偏差和潜在错误，识别数据中的异常和潜在风险，评估生物医学数据的完整性，得到数据完整性分析结果。
作为本发明的进一步方案，所述异常响应与恢复模块包括：
异常分析子模块基于所述数据完整性分析结果，分析生物医学数据的异常变化，识别数据偏差和波动性，并标记数据中的异常，生成异常检测结果；
路径选择子模块根据所述异常检测结果，评估异常的性质和严重程度，自动选择数据恢复策略，参照数据的关键性和可恢复性，选择最优恢复路径，得到选定的恢复策略；
数据恢复执行子模块使用所述选定的恢复策略，执行数据恢复，监控生物医学数据存储和恢复进程，验证数据的完整性和存储的稳定性，生成恢复反馈结果。
一种基于大数据的生物医学存储方法，所述基于大数据的生物医学存储方法基于上述基于大数据的生物医学存储系统执行，包括以下步骤：
S1：收集生物医学数据存储单元的实时温度数据，计算存储单元内部的压力与体积，对数据进行能量状态模拟，得到热力学状态分析结果；
S2：基于所述热力学状态分析结果，监测与分析生物医学数据的访问和修改中的熵值变化，与大数据进行对比跟踪，生成熵变监测结果；
S3：根据所述熵变监测结果，调整数据存储单元的能量分配参数，通过冷却反馈机制，验证参数调整对能量分配的影响，得到能量调节反馈结果；
S4：利用所述能量调节反馈结果，分析数据存储单元的热效率，根据单元的能耗和温度状况选择存储位置，并执行数据的迁移，得到数据迁移执行结果；
S5：通过所述数据迁移执行结果，接收新的生物医学大数据输入，监测数据的完整性并识别数据的异常，自动选择数据恢复策略并执行，生成恢复反馈结果。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，通过实时监测数据存储单元的热力学参数和根据参数调整能量分配，实现对生物医学数据管理的优化，通过收集温度数据和计算压力与体积，结合能量状态模拟，提高数据存储效率和数据处理的精确度。通过监测熵值变化，能实时追踪数据的访问和修改异常，显著提升数据安全管理水平。通过调整能量分配并优化数据存储位置，不仅减少能耗，还通过冷却反馈机制进一步提高系统的节能效率，促进生物医学数据管理的实时性、安全性和经济效益，特别是在大数据环境下，能有效支持复杂数据集的快速访问和分析，为临床决策和生物医学研究提供强大的数据支持。
附图说明
图1为本发明的系统流程图；
图2为本发明的系统框架示意图；
图3为本发明的热力学识别模块流程图；
图4为本发明的熵变监控模块流程图；
图5为本发明的能量分配模块流程图；
图6为本发明的迁移控制模块流程图；
图7为本发明的完整性检测模块流程图；
图8为本发明的异常响应与恢复模块流程图；
图9为本发明的方法步骤示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
请参阅图1至图2，本发明提供一种技术方案，一种基于大数据的生物医学存储系统包括：
热力学识别模块收集生物医学数据存储单元的实时温度数据，通过物理温度传感器的读数计算压力与体积，并进行能量状态模拟，生成热力学状态分析结果；
熵变监控模块通过热力学状态分析结果，监测生物医学数据访问和修改中的熵值变化，通过大数据对比跟踪熵的变化，并调整生物医学存储的配置，生成熵变监测结果；
能量分配模块根据熵变监测结果，调整能量分配参数，优化生物医学存储的能耗管理，通过数据存储的冷却反馈机制验证能量的最优分配，生成能量调节反馈结果；
迁移控制模块利用能量调节反馈结果，分析数据存储单元的热效率，根据存储单元的能耗和温度状况选择存储位置进行数据迁移，优化存储位置，生成数据迁移执行结果；
完整性检测模块根据数据迁移执行结果，接收新的生物医学大数据输入，通过实时计算信息熵监测数据完整性，识别数据潜在的错误，生成数据完整性分析结果；
异常响应与恢复模块基于数据完整性分析结果，识别生物医学数据的异常变化，根据异常的性质和严重程度，自动选择数据恢复策略并执行，生成恢复反馈结果。
热力学状态分析结果包括温度读数、压力测量值、体积数据和能量状态估算，熵变监测结果包括熵值变化趋势、熵值异常点的检测和与历史数据对比的差异分析，能量调节反馈结果包括能量分配的效率评估、冷却效果的验证结果和能量优化措施，数据迁移执行结果包括选定的存储位置、迁移前后的能耗比对和温度调整情况，数据完整性分析结果包括新输入数据的验证状态、错误识别和潜在风险评估，恢复反馈结果包括异常数据的性质识别、恢复策略选择和恢复策略执行的效果评估。
请参阅图2、3，热力学识别模块包括：
数据记录子模块对生物医学数据存储单元进行扫描，记录实时温度，通过数据接口传输并进行同步，对数据进行格式化，生成温度数据表的执行流程如下；
对生物医学数据存储单元进行扫描，通过高精度的传感器直接从存储单元捕获温度数据，通过数据接口实时传输信息。传输过程中，数据进行必要的格式化处理，以适应后续分析需要，通过记录温度随时间的变化情况，为进一步的数据分析提供基础，生成温度数据表，采用公式为：
；
其中，表示温度数据的平均值，是第s次测量得到的温度值，是测量的总次数。
关联性分析子模块通过温度数据表，计算标准温度下的体积，结合实时测量压力调整误差，分析压力和体积的关联性，得到压力体积数据表的执行流程如下；
通过温度数据表，结合标准温度和体积关系来计算存储单元内部体积的变化，通过实时测量的压力数据来调整体积测量的误差，进一步分析压力与体积的关联性。帮助理解温度变化对存储单元物理属性的影响，生成压力体积数据表，采用公式为：
；
其中，表示调整后的体积，是参考状态下的体积，是体积膨胀系数，T和分别表示当前温度和参考温度，是测量的压力。
能量状态模拟子模块根据压力体积数据表，模拟存储单元内部能量变化，通过对比状态点的能量变化，分析能量守恒与转换效率，得到热力学状态分析结果的执行流程如下；
根据压力体积数据表，模拟存储单元内部的能量变化，通过运用热力学原理，对比不同状态点的能量数据，分析能量守恒与转换效率。不仅揭示能量如何在存储单元内转化和散失，也帮助预测能量损失点，生成热力学状态分析结果。
请参阅图2、4，熵变监控模块包括：
数据提取子模块通过热力学状态分析结果，进行数据筛选，提取生物医学数据中的熵值数据，并进行数据处理，生成熵值数据集的执行流程如下；
从热力学状态分析结果中筛选关键信息，特别是熵值数据，通过高级数据处理技术，从批量生物医学数据中提取与熵值相关的数据点，并对数据进行进一步的标准化处理。确保数据集的高质量和一致性，为后续的分析提供准确的基础数据，生成熵值数据集，采用公式为：
；
其中，表示熵值数据集中的平均熵值，是第i个数据点的熵值，是数据点的总数。
熵值变化分析子模块基于熵值数据集，采用随机森林算法，进行历史熵值和实时熵值的变化趋势分析，识别生物医学数据访问和修改异常的问题，得到熵变动态记录的执行流程如下；
基于熵值数据集，运用随机森林算法来探究历史熵值与实时熵值之间的变化趋势，算法通过构建多个决策树来分析数据的非线性关系和复杂交互作用，有效地识别生物医学数据中的异常访问或修改行为，帮助医学研究人员了解数据访问的完整性和安全性，生成熵变动态记录。
随机森林算法按照公式：
；
其中，为信息增益，为节点t的样本权重，为节点t的不纯度，和是左右子节点，和分别为左右子节点的样本权重，为正则化参数，和分别为左右子节点的样本数，为节点的数量。
执行流程如下：
根据历史熵值和实时熵值的数据集，构建随机森林模型，每个决策树节点上，计算不纯度以评估节点的信息混杂程度，使用样本权重衡量每个样本在决策过程中的重要性，左右子节点的样本权重和用于计算左右子树的不纯度，引入正则化参数、样本数和以调整大样本叶节点在信息增益中的比重，确保在分割过程中不仅仅优先考虑信息增益最大化，还要考虑到节点的样本分布，权重系数的确定通过交叉验证方法选择最优值。
变化跟踪子模块根据熵变动态记录，跟踪熵的变化模式，对比大数据中的同类模式，预测熵变化，得到熵变监测结果的执行流程如下；
根据熵变动态记录，跟踪熵值的变化模式，通过与大数据中的同类模式进行对比，预测未来的熵值变化趋势，运用高级的模式识别技术，识别数据中的规律和异常，对于提前预警潜在的数据完整性问题至关重要，形成熵变监测结果。
请参阅图2、5，能量分配模块包括：
参数优化子模块基于熵变监测结果，识别能量集中和分散的趋势，调整能量输出和输入参数，平衡生物医学存储单元内的能量分布，得到调整后的能量参数的执行流程如下；
基于熵变监测结果，深入分析能量在生物医学存储单元内的分布模式，包括集中与分散的趋势。通过对能量输入和输出参数进行精细调整，旨在实现能量的最优分布，以增强存储单元的整体效能和稳定性。调整过程涉及多种算法和模拟工具，以确保能量输出与输入的动态平衡，生成调整后的能量参数，采用公式为：
；
其中，表示调整后的能量参数，是调整系数，和分别代表第i个数据点的能量输出和输入，是数据点的总数。
能量消耗监测子模块采用调整后的能量参数，通过实施冷却反馈机制，在生物医学存储中实时监测能量消耗和冷却效率，验证能量分配的效果，生成能量分配验证结果的执行流程如下；
采用调整后的能量参数，实施一套冷却反馈机制，以实时监测生物医学存储中的能量消耗和冷却效率，通过传感器和监测工具，连续跟踪能量消耗数据，并评估冷却机制的性能。帮助验证能量分配的实际效果，确保能量使用的最大化效率和最小化浪费，生成能量分配验证结果，采用公式为：
；
其中，表示能量消耗与冷却效率的比值，是第i个数据点的能量消耗，是对应的冷却效率，是监测点的总数。
策略评估子模块根据能量分配验证结果，分析冷却效率与能量消耗的数据，评估整体能量分配策略的有效性，得到能量调节反馈结果的执行流程如下；
根据能量分配验证结果，进行冷却效率与能量消耗的详细数据分析，评估整体能量分配策略的有效性，通过统计分析和模型验证，对比预设的能量管理目标和实际运行数据。旨在识别能量调节策略中的不足，提出改进措施，以提升能效和减少能源损失，生成能量调节反馈结果，采用公式为：
；
其中，表示能量调节的效率反馈结果，是第k个测点的能量消耗，是第k个测点的冷却效率，是测点的总数。
请参阅图2、6，迁移控制模块包括：
能耗分析子模块采用能量调节反馈结果，对生物医学数据存储单元进行能耗和热效率分析，计算差异化单元的能量消耗与散热性能，生成热效率分析数据的执行流程如下；
采用能量调节反馈结果，关注生物医学数据存储单元的能耗和热效率，通过测量不同单元的能量消耗和散热性能，能够识别能效低下的区域。分析包括计算和比较各单元的能量输出与热损失，以确定单元需要改进或技术更新，优化存储单元的能源管理和设计，生成热效率分析数据，采用公式为：
；
其中，表示热效率分析结果，是第j个存储单元的能量消耗，是相应的散热效能，是存储单元的总数。
位置调整子模块基于热效率分析数据，评估差异化存储单元的温度状况和能耗水平，选择数据迁移的存储位置，查验数据安全与存储效率的最优化，得到选定的存储位置的执行流程如下；
基于热效率分析数据，评估各存储单元的温度状况和能耗水平，以确定数据迁移的最佳存储位置，通过分析存储单元的热负荷和能效，选择最适合的位置以确保数据安全和存储效率。过程不仅考虑能耗，还重视数据访问速度和系统可靠性，确保所选位置能提供最优的存储环境，得到选定的存储位置，采用公式为：
；
其中，表示选定的存储位置，是第j个存储单元的温度状况，是能耗水平，是存储单元的总数。
迁移监测子模块使用选定的存储位置，执行数据迁移，监控迁移中的能耗变化和数据完整性，验证迁移效率和数据安全，生成数据迁移执行结果的执行流程如下；
使用选定的存储位置，负责实施和监控数据迁移过程，确保迁移效率和数据的安全性。在迁移过程中，密切监控能耗变化和数据完整性，以验证迁移的成功与否。通过实时跟踪迁移过程中的能耗和数据状态，能够及时发现和解决可能的问题，确保数据的安全和迁移过程的高效性，生成数据迁移执行结果，采用公式为：
；
其中，表示数据迁移执行结果，是迁移前后第i个数据点的能耗，是数据完整性检查结果，是数据点的总数。
请参阅图2、7，完整性检测模块包括：
数据输入子模块采用数据迁移执行结果，接收新迁移至目标存储位置的生物医学数据，通过网络接口查验传输的完整性和安全性，得到已接收的数据集的执行流程如下；
采用数据迁移执行结果，处理通过网络迁移到新位置的生物医学数据，接收数据并通过网络接口进行初步的完整性和安全性检查，确保数据在传输过程中没有被篡改或损坏。通过详细记录每个数据包的接收状态，能够快速识别在传输中出现的问题，确保数据的完整性和可用性，得到已接收的数据集，采用公式为：
；
其中，表示接收数据集的完整性结果，是第i个数据点的接收值，是预期值，是接收数据点的总数。
完整性监测子模块基于已接收的数据集，检查生物医学数据的完整性，评估数据在迁移中的损失和错误，生成完整性验证结果的执行流程如下；
基于已接收的数据集，通过对比数据迁移前后的记录，评估在迁移过程中发生的数据损失和错误。通过评估和检查数据的完整性，能够准确地识别数据损失的位置和性质，生成完整性验证结果，采用公式为：
；
其中，表示完整性验证结果，是迁移前第i个数据点的原始值，是迁移后的值，是检查的数据点总数。
偏差识别子模块根据完整性验证结果，分析生物医学数据中的偏差和潜在错误，识别数据中的异常和潜在风险，评估生物医学数据的完整性，得到数据完整性分析结果的执行流程如下；
根据完整性验证结果，进一步分析生物医学数据中的偏差和潜在错误，通过详细的数据分析，能够识别出数据集中的异常值和潜在风险点。帮助了解数据损失的具体情况和潜在风险，为进一步的数据恢复和风险管理提供支持，得到数据完整性分析结果，采用公式为：
；
其中，表示数据完整性分析结果，是第i个数据点的观测值，是数据集的平均值，是分析的数据点总数。
请参阅图2、8，异常响应与恢复模块包括：
异常分析子模块基于数据完整性分析结果，分析生物医学数据的异常变化，识别数据偏差和波动性，并标记数据中的异常，生成异常检测结果的执行流程如下；
基于数据完整性分析结果，检查生物医学数据集中的异常变化，详细分析数据的统计偏差和波动性，通过高级算法来标识和分类数据中的异常点，如离群值或不符合预期模式的数据点。帮助确认数据集中的潜在错误或数据损失原因，生成异常检测结果，采用公式为：
；
其中，表示异常检测结果，是第i个数据点的值，是数据集的平均值，是数据点的总数。
路径选择子模块根据异常检测结果，评估异常的性质和严重程度，自动选择数据恢复策略，参照数据的关键性和可恢复性，选择最优恢复路径，得到选定的恢复策略的执行流程如下；
根据异常检测结果，评估异常的性质和严重程度，自动选择最合适的数据恢复策略，包括分析每个异常的关键性和数据的可恢复性，确定最佳的恢复路径，优化选择过程，确保数据恢复的效率和有效性，得到选定的恢复策略，采用公式为：
；
其中，表示选择的恢复策略，是第个策略的恢复潜力，是策略的成本，是考虑的策略总数。
数据恢复执行子模块使用选定的恢复策略，执行数据恢复，监控生物医学数据存储和恢复进程，验证数据的完整性和存储的稳定性，生成恢复反馈结果的执行流程如下；
使用选定的恢复策略，执行数据的恢复过程，监控生物医学数据的存储和恢复进度，确保数据的完整性和存储的稳定性。通过实时反馈机制，能够调整恢复操作以应对发现的问题或异常，生成恢复反馈结果，采用公式为：
；
其中，表示恢复反馈结果，是第i个数据点的观测值，是恢复数据的平均值，是标准差，是数据点的总数。
请参阅图9，一种基于大数据的生物医学存储方法，基于大数据的生物医学存储方法基于上述基于大数据的生物医学存储系统执行，包括以下步骤：
S1：收集生物医学数据存储单元的实时温度数据，计算存储单元内部的压力与体积，对数据进行能量状态模拟，得到热力学状态分析结果；
S2：基于热力学状态分析结果，监测与分析生物医学数据的访问和修改中的熵值变化，与大数据进行对比跟踪，生成熵变监测结果；
S3：根据熵变监测结果，调整数据存储单元的能量分配参数，通过冷却反馈机制，验证参数调整对能量分配的影响，得到能量调节反馈结果；
S4：利用能量调节反馈结果，分析数据存储单元的热效率，根据单元的能耗和温度状况选择存储位置，并执行数据的迁移，得到数据迁移执行结果；
S5：通过数据迁移执行结果，接收新的生物医学大数据输入，监测数据的完整性并识别数据的异常，自动选择数据恢复策略并执行，生成恢复反馈结果。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，根据本发明的技术实质对以上实施例所做的简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (7)
1.一种基于大数据的生物医学存储系统，其特征在于，所述系统包括：
热力学识别模块收集生物医学数据存储单元的实时温度数据，计算压力与体积，并进行能量状态模拟，生成热力学状态分析结果；
熵变监控模块通过所述热力学状态分析结果，监测生物医学数据访问和修改中的熵值变化，通过大数据对比跟踪熵的变化，生成熵变监测结果；
能量分配模块根据所述熵变监测结果，调整能量分配参数，通过数据存储的冷却反馈机制验证能量的最优分配，生成能量调节反馈结果；
迁移控制模块利用所述能量调节反馈结果，分析数据存储单元的热效率，根据数据存储单元的能耗和温度状况选择存储位置进行数据迁移，生成数据迁移执行结果；
完整性检测模块根据所述数据迁移执行结果，接收新的生物医学大数据输入，监测数据的完整性，识别数据潜在的错误，生成数据完整性分析结果；
异常响应与恢复模块基于所述数据完整性分析结果，识别生物医学数据的异常变化，根据异常的性质和严重程度，自动选择数据恢复策略并执行，生成恢复反馈结果；
所述热力学状态分析结果包括温度读数、压力测量值、体积数据和能量状态估算，所述熵变监测结果包括熵值变化趋势、熵值异常点的检测和与历史数据对比的差异分析，所述能量调节反馈结果包括能量分配的效率评估、冷却效果的验证结果和能量优化措施，所述数据迁移执行结果包括选定的存储位置、迁移前后的能耗比对和温度调整情况，所述数据完整性分析结果包括新输入数据的验证状态、错误识别和潜在风险评估，所述恢复反馈结果包括异常数据的性质识别、恢复策略选择和恢复策略执行的效果评估；
所述热力学识别模块包括：
数据记录子模块对生物医学数据存储单元进行扫描，记录实时温度，通过数据接口传输并进行同步，对数据进行格式化，生成温度数据表；
关联性分析子模块通过所述温度数据表，计算标准温度下的体积，结合实时测量压力调整误差，分析压力和体积的关联性，得到压力体积数据表；
能量状态模拟子模块根据所述压力体积数据表，模拟存储单元内部能量变化，通过对比状态点的能量变化，分析能量守恒与转换效率，得到热力学状态分析结果；
所述能量分配模块包括：
参数优化子模块基于所述熵变监测结果，识别能量集中和分散的趋势，调整能量输出和输入参数，平衡生物医学存储单元内的能量分布，得到调整后的能量参数，采用公式为：
；
其中，表示调整后的能量参数，是调整系数，和分别代表第i个数据点的能量输出和输入，是数据点的总数；
能量消耗监测子模块采用所述调整后的能量参数，通过实施冷却反馈机制，在生物医学存储中实时监测能量消耗和冷却效率，验证能量分配的效果，生成能量分配验证结果；
策略评估子模块根据所述能量分配验证结果，分析冷却效率与能量消耗的数据，评估整体能量分配策略的有效性，得到能量调节反馈结果。
2.根据权利要求1所述的基于大数据的生物医学存储系统，其特征在于，所述熵变监控模块包括：
数据提取子模块通过所述热力学状态分析结果，进行数据筛选，提取生物医学数据中的熵值数据，并进行数据处理，生成熵值数据集；
熵值变化分析子模块基于所述熵值数据集，采用随机森林算法，进行历史熵值和实时熵值的变化趋势分析，识别生物医学数据访问和修改异常的问题，得到熵变动态记录；
变化跟踪子模块根据所述熵变动态记录，跟踪熵的变化模式，对比大数据中的同类模式，预测熵变化，得到熵变监测结果。
3.根据权利要求2所述的基于大数据的生物医学存储系统，其特征在于，所述随机森林算法按照公式：
；
其中，为信息增益，为节点t的样本权重，为节点t的不纯度，和是左右子节点，和分别为左右子节点的样本权重，为正则化参数，和分别为左右子节点的样本数，为节点的数量。
4.根据权利要求1所述的基于大数据的生物医学存储系统，其特征在于，所述迁移控制模块包括：
能耗分析子模块采用所述能量调节反馈结果，对生物医学数据存储单元进行能耗和热效率分析，计算差异化单元的能量消耗与散热性能，生成热效率分析数据；
位置调整子模块基于所述热效率分析数据，评估差异化存储单元的温度状况和能耗水平，选择数据迁移的存储位置，查验数据安全与存储效率的最优化，得到选定的存储位置；
迁移监测子模块使用所述选定的存储位置，执行数据迁移，监控迁移中的能耗变化和数据完整性，验证迁移效率和数据安全，生成数据迁移执行结果。
5.根据权利要求1所述的基于大数据的生物医学存储系统，其特征在于，所述完整性检测模块包括：
数据输入子模块采用所述数据迁移执行结果，接收新迁移至目标存储位置的生物医学数据，通过网络接口查验传输的完整性和安全性，得到已接收的数据集；
完整性监测子模块基于所述已接收的数据集，检查生物医学数据的完整性，评估数据在迁移中的损失和错误，生成完整性验证结果；
偏差识别子模块根据所述完整性验证结果，分析生物医学数据中的偏差和潜在错误，识别数据中的异常和潜在风险，评估生物医学数据的完整性，得到数据完整性分析结果。
6.根据权利要求1所述的基于大数据的生物医学存储系统，其特征在于，
所述异常响应与恢复模块包括：
异常分析子模块基于所述数据完整性分析结果，分析生物医学数据的异常变化，识别数据偏差和波动性，并标记数据中的异常，生成异常检测结果；
路径选择子模块根据所述异常检测结果，评估异常的性质和严重程度，自动选择数据恢复策略，参照数据的关键性和可恢复性，选择最优恢复路径，得到选定的恢复策略；
数据恢复执行子模块使用所述选定的恢复策略，执行数据恢复，监控生物医学数据存储和恢复进程，验证数据的完整性和存储的稳定性，生成恢复反馈结果。
7.一种基于大数据的生物医学存储方法，其特征在于，由权利要求1-6任一项所述的基于大数据的生物医学存储系统执行，包括以下步骤：
收集生物医学数据存储单元的实时温度数据，计算存储单元内部的压力与体积，对数据进行能量状态模拟，得到热力学状态分析结果；
基于所述热力学状态分析结果，监测与分析生物医学数据的访问和修改中的熵值变化，与大数据进行对比跟踪，生成熵变监测结果；
根据所述熵变监测结果，调整数据存储单元的能量分配参数，通过冷却反馈机制，验证参数调整对能量分配的影响，得到能量调节反馈结果；
利用所述能量调节反馈结果，分析数据存储单元的热效率，根据单元的能耗和温度状况选择存储位置，并执行数据的迁移，得到数据迁移执行结果；
通过所述数据迁移执行结果，接收新的生物医学大数据输入，监测数据的完整性并识别数据的异常，自动选择数据恢复策略并执行，生成恢复反馈结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411143403.1A CN118656037B (zh) | 2024-08-20 | 2024-08-20 | 一种基于大数据的生物医学存储系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202411143403.1A CN118656037B (zh) | 2024-08-20 | 2024-08-20 | 一种基于大数据的生物医学存储系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118656037A CN118656037A (zh) | 2024-09-17 |
| CN118656037B true CN118656037B (zh) | 2024-10-18 |
Family
ID=92708183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202411143403.1A Active CN118656037B (zh) | 2024-08-20 | 2024-08-20 | 一种基于大数据的生物医学存储系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118656037B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115858510A (zh) * | 2022-11-25 | 2023-03-28 | 国网江苏省电力有限公司南京供电分公司 | 一种评测数据温度并进行动态存储管理的方法及存储介质 |
| CN115933977A (zh) * | 2022-12-01 | 2023-04-07 | 上海英方软件股份有限公司 | 一种提高分布式云计算处理数据效率的方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8375180B2 (en) * | 2010-02-05 | 2013-02-12 | International Business Machines Corporation | Storage application performance matching |
| CN117909198A (zh) * | 2024-03-15 | 2024-04-19 | 上海飞斯信息科技有限公司 | 多级raid系统的性能评估系统及方法 |
-
2024
- 2024-08-20 CN CN202411143403.1A patent/CN118656037B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115858510A (zh) * | 2022-11-25 | 2023-03-28 | 国网江苏省电力有限公司南京供电分公司 | 一种评测数据温度并进行动态存储管理的方法及存储介质 |
| CN115933977A (zh) * | 2022-12-01 | 2023-04-07 | 上海英方软件股份有限公司 | 一种提高分布式云计算处理数据效率的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118656037A (zh) | 2024-09-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111352408B (zh) | 一种基于证据k近邻的多工况流程工业过程故障检测方法 | |
| CN117008479B (zh) | 基于生物质气化炉的负碳排放优化控制方法及系统 | |
| CN117743909A (zh) | 一种基于人工智能的供热系统故障分析方法及装置 | |
| CN113836816A (zh) | 一种基于红外图像的发电机碳刷温度监测系统及温度预测方法 | |
| CN118656037B (zh) | 一种基于大数据的生物医学存储系统及其方法 | |
| CN118504433B (zh) | 一种基于光伏柔性支架建立数据孪生体的方法及系统 | |
| CN117574176B (zh) | 一种bipv光伏玻璃生产工艺优化方法 | |
| CN117574180B (zh) | 燃料生产排放系统数据关联性控制管理系统 | |
| CN118035921A (zh) | 基于医疗数据的异常分析方法及系统 | |
| CN117629422A (zh) | 一种光伏组件测温方法及系统 | |
| CN117744029A (zh) | 基于数据分析的电脑主机运行环境适应性测试系统 | |
| CN116933194A (zh) | 一种风电场功率报送数据异常甄别、修复与主动补全方法 | |
| CN117422200B (zh) | 一种电厂智能监测预警方法及系统 | |
| CN117932520B (zh) | 基于数据识别的固体生物废物处理设备监测方法 | |
| CN118245917B (zh) | 一种伺服逆变器的故障检测方法及系统 | |
| CN117422200A (zh) | 一种电厂智能监测预警方法及系统 | |
| CN118549742B (zh) | 基于神经网络的键合铜丝导电性能分析方法及系统 | |
| CN116773238B (zh) | 一种基于工业数据的故障监测方法及系统 | |
| Peng et al. | ILFDA Model: An Online Soft Measurement Method Using Improved Local Fisher Discriminant Analysis | |
| CN118965218A (zh) | 云端电路板检测数据管理系统 | |
| CN117670838A (zh) | 一种ftu超级电容后备能力检测装置 | |
| CN118643434A (zh) | 一种光伏发电系统的异常检测方法及装置 | |
| CN118297934A (zh) | 海上风电动力机组的故障实时智能预测方法 | |
| CN117973750A (zh) | 一种不同工站和工序的光器件参数管理方法及系统 | |
| CN118779358A (zh) | 一种环境监测数据处理与分析系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |