面向混合云中大规模医学图像处理的隐私、预算与截止时间感知的服务优化
分布式、并行与集群计算
2024-01-24 v1
摘要
高效处理医学图像，例如数字病理学中的全切片图像，对于及时诊断高风险疾病至关重要。然而，这需要先进的计算基础设施，例如用于深度学习推理的GPU服务器，并且本地处理耗时且成本高昂。此外，隐私问题进一步复杂化了远程云基础设施的使用。虽然先前的研究已经探索了混合云中用于分布式处理的隐私和安全感知的工作流调度、隐私保护数据分割、优化分割数据外包计算到云端的服务分配，以及大规模医学图像的隐私评估，但这些问题仍有待解决。本研究专注于在混合云环境中定制虚拟基础设施，并在保护隐私的同时调度图像处理服务。我们的目标是在隐私、预算和截止时间要求下，最大限度地减少对不受信任节点的使用，降低货币成本，并缩短执行时间。我们考虑了一个两阶段的解决方案，并开发了1）一种隐私保护数据分割算法和2）一种基于贪婪帕累托前沿的算法，用于优化服务分配。我们使用真实和模拟数据进行了实验，以验证我们的方法并与基线进行比较。结果表明，我们的隐私机制设计在隐私评估的平均个体隐私下限和信息增益方面优于基线。此外，我们的方法可以根据用户对最大不受信任节点数量、预算和时间阈值的偏好，获得各种基于帕累托最优的分配方案。我们的解决方案通常优于基线的解决方案，并且在预算紧张时表现更优。具体来说，我们的方法在总财务成本和时间成本方面分别领先基线高达85.2%和6.8%。
引用
@article{arxiv.2401.12597,
title = {Towards Privacy-, Budget-, and Deadline-Aware Service Optimization for Large Medical Image Processing across Hybrid Clouds},
author = {Yuandou Wang and Neel Kanwal and Kjersti Engan and Chunming Rong and Paola Grosso and Zhiming Zhao},
journal= {arXiv preprint arXiv:2401.12597},
year = {2024}
}