[论文解读] Wandering and getting lost: the architecture of an app activating local communities on dementia issues

Nicklas Sindlev Andersen, Marco Chiarandini+1 more|arXiv (Cornell University)|Mar 11, 2021

Context-Aware Activity Recognition Systems参考文献 22被引用 5

一句话总结

本文提出了 Sammen Om Demens（SOD）的微服务与无服务器架构，SOD 是一款移动应用，通过实时处理高频位置数据，检测痴呆患者走失和徘徊行为。后端部署于公共云，通过事件驱动的无服务器函数和模块化微服务实现高可扩展性和高性能，经模拟负载测试验证，响应延迟极低。

ABSTRACT

We describe the architecture of Sammen Om Demens (SOD), an application for portable devices aiming at helping persons with dementia when wandering and getting lost through the involvement of caregivers, family members, and ordinary citizens who volunteer. To enable the real-time detection of a person with dementia that has lost orientation, we transfer location data at high frequency from a frontend on the smartphone of a person with dementia to a backend system. The backend system must be able to cope with the high throughput data and carry out possibly heavy computations for the detection of anomalous behavior via artificial intelligence techniques. This sets certain performance and architectural requirements on the design of the backend. In the paper, we discuss our design and implementation choices for the backend of SOD that involve microservices and serverless services to achieve efficiency and scalability. We give evidence of the achieved goals by deploying the SOD backend on a public cloud and measuring the performance on simulated load tests.

研究动机与目标

• 设计一个可扩展的实时后端系统，用于检测痴呆患者走失事件。
• 通过自动触发警报，实现照护者和附近志愿者的快速响应。
• 支持在位置数据流中集成基于人工智能的异常检测。
• 确保在移动设备高数据吞吐量下系统的可靠性与性能。

提出的方法

• 后端采用微服务架构，将核心功能（如身份验证、数据摄入和通知路由）模块化。
• 使用 OpenFaaS 构建的无服务器函数，用于事件驱动的位置数据流处理。
• 高频位置数据（来自智能手机）被传输至后端，进行实时分析。
• 系统利用公共云基础设施，在负载下实现动态扩展。
• 编排器服务负责管理请求流程、访问控制，并与 Azure 对象存储协调。
• 在已部署的后端上执行负载测试，以评估在模拟真实世界条件下的性能与可扩展性。

实验结果

研究问题

• RQ1 如何设计一个可扩展且响应迅速的后端系统，以实时处理痴呆患者产生的高频位置数据？
• RQ2 在基于社区的痴呆支持应用中，微服务与无服务器计算等架构模式，如何最佳支持动态且不可预测的负载？
• RQ3 在医疗科技背景下，无服务器与微服务在提升系统响应速度、故障容错能力与资源效率方面，能实现多大程度的优化？
• RQ4 在模拟真实世界使用场景下，系统如何在高数据吞吐量下维持低延迟响应时间？

主要发现

• 在模拟高负载条件下，SOD 后端实现了低延迟响应时间，证明了其对位置数据流的有效实时处理能力。
• 采用微服务与无服务器函数实现了动态扩展，使系统能够高效应对用户数量的持续增长。
• 该架构成功解耦了核心功能，提升了可维护性，并为未来集成基于人工智能的异常检测提供了支持。
• 通过负载测试验证了性能，确认系统在保持一致响应时间的同时，能够维持高吞吐量。
• 后端的模块化设计支持对身份验证、数据处理和通知服务等组件的独立部署与扩展。
• 系统的可扩展性支持未来集成可穿戴设备和智能手机的传感器数据，以进一步提升检测可靠性。