移動云計算中任務(wù)卸載技術(shù)的研究進(jìn)展

張強(qiáng)++張宏莉

摘要：移動設(shè)備自身固有的一些局限性，其中包括計算能力有限，存儲空間有限，環(huán)境感知力有限以及電量有限等局限性，使得許多應(yīng)用程序無法在移動設(shè)備上高效的運(yùn)行。研究人員提出移動云計算技術(shù)對移動設(shè)備進(jìn)行資源擴(kuò)展。移動云計算主要通過任務(wù)卸載來增強(qiáng)移動設(shè)備的數(shù)據(jù)處理能力以及減少手機(jī)能耗。移動云計算中的任務(wù)卸載是指把移動設(shè)備的任務(wù)發(fā)送到云平臺，然后由云平臺處理，最后云平臺向用戶返回任務(wù)結(jié)果。本文首先對移動云計算中任務(wù)卸載策略和任務(wù)卸載性能的研究現(xiàn)狀進(jìn)行介紹，然后分析現(xiàn)有技術(shù)的局限性，最后討論未來熱點的研究方向。

關(guān)鍵詞：移動云計算； 任務(wù)卸載； 卸載策略； 卸載性能

中圖分類號： TP393

文獻(xiàn)標(biāo)志碼： A文章編號： [HTSS]2095-2163（2016）06-0001-05[KH*1][HK][HT5SS]

0引言

云計算作為一種高效，按需的服務(wù)技術(shù)不僅改變了傳統(tǒng)的計算模型，而且極大地促進(jìn)了社會經(jīng)濟(jì)的發(fā)展和人們生活水平的提高。云服務(wù)提供者通過使用虛擬化、網(wǎng)絡(luò)存儲、分布式計算等多種技術(shù)把存儲、服務(wù)器、應(yīng)用軟件等資源轉(zhuǎn)化為資源共享池，用戶只需要與云服務(wù)提供者經(jīng)過簡單的交互就可以實現(xiàn)資源的訪問和利用[1-2]。隨著科技的快速進(jìn)步和人們生活水平的顯著提高，手機(jī)變成了人們最常使用的移動通信終端。國際電信聯(lián)盟在2012年1月份的報告顯示，全球手機(jī)用戶達(dá)到59億，移動寬帶用戶約為12億，而在2015年年底的報告顯示，全球手機(jī)用戶數(shù)已達(dá)到71億，移動寬帶用戶約為35億，從這些統(tǒng)計數(shù)據(jù)可以看出移動互聯(lián)網(wǎng)業(yè)務(wù)正以飛快的速度迅猛增長。同時，以蘋果公司的iOS系統(tǒng)和Google公司的Android系統(tǒng)為代表的移動操作系統(tǒng)為移動應(yīng)用程序的高效運(yùn)行提供了平臺支持。然而，由于手機(jī)自身固有的一些局限性，包括電池電量有限、CPU處理能力有限、存儲空間有限、環(huán)境感知能力有限等現(xiàn)實技術(shù)特點，使得大量的應(yīng)用程序無法持續(xù)、流暢、高效地在手機(jī)端獲得運(yùn)行[3-4]。為了解決上述問題，研究人員提出了移動云計算技術(shù)，移動云計算主要通過任務(wù)卸載來增強(qiáng)移動設(shè)備的處理能力以及降低電量受限設(shè)備的能耗[5-6]。移動云計算中的任務(wù)卸載是指把移動設(shè)備的任務(wù)發(fā)送到云平臺，然后由云平臺處理，最后云平臺向用戶返回任務(wù)結(jié)果。由于不同的任務(wù)具有不同的計算量和數(shù)據(jù)傳輸量，在執(zhí)行任務(wù)卸載操作之前，必須確定使用哪個云平臺，這就需要任務(wù)卸載策略來做出相應(yīng)的決定。并且，任務(wù)卸載性能將直接影響移動應(yīng)用程序最終的運(yùn)行性能。因此，改進(jìn)和完善任務(wù)卸載技術(shù)，將對移動應(yīng)用運(yùn)行效率和服務(wù)功能的提升起到重要作用，同時將進(jìn)一步推動移動云計算技術(shù)的發(fā)展。

1任務(wù)卸載策略研究

Lagerspetz等人研究了利用遠(yuǎn)程云平臺執(zhí)行移動桌面搜索的優(yōu)點與不足[7]。該工作在不同的場景下，對任務(wù)卸載的能量平衡問題進(jìn)行了分析，并測量了對應(yīng)的手機(jī)能耗情況，對于手機(jī)的應(yīng)用性能卻未作分析和測量。使用的任務(wù)卸載策略只考慮了手機(jī)的能耗因素，即當(dāng)手機(jī)本地執(zhí)行任務(wù)的能耗大于任務(wù)卸載的能耗時，就選擇卸載處理。

Huang 等人提出一個卸載算法來降低移動設(shè)備的能耗，以及滿足應(yīng)用執(zhí)行時間的要求[8]。提出的DOA算法利用Lyapunov最優(yōu)化理論來解決卸載策略問題。該工作考慮移動用戶的網(wǎng)絡(luò)連接是變化的，如果WiFi網(wǎng)絡(luò)連接存在，移動設(shè)備會優(yōu)先選擇WiFi網(wǎng)絡(luò)，否則選擇3G網(wǎng)絡(luò)。另一方面，作者假設(shè)在應(yīng)用請求執(zhí)行期間，可用的網(wǎng)絡(luò)連接將不再變化。該工作首先把一個移動應(yīng)用分解成N個可卸載部件，然后采用一個加權(quán)有向圖來表示各個部件之間的關(guān)系，接著建立卸載對應(yīng)的能耗表達(dá)式，以及時間約束條件和系統(tǒng)穩(wěn)定條件，最后確定能耗最小值對應(yīng)的解。如果直接搜索能耗對應(yīng)的最優(yōu)解，時間復(fù)雜度將整合呈現(xiàn)為指數(shù)級。為了提升算法效率，作者使用1-opt本地搜索算法來求解上述的問題。實驗使用了HELVM算法[9]作為對比方案，結(jié)果顯示DOA算法在手機(jī)能耗方面要優(yōu)于HELVM算法。另外，2個算法都能夠滿足時間約束條件，HELVM算法的應(yīng)用執(zhí)行時間要小于DOA算法。

Zhang等人研究了移動云計算滿足時間約束的任務(wù)卸載策略問題，提出了一個任務(wù)調(diào)度策略來負(fù)責(zé)移動設(shè)備和遠(yuǎn)程云平臺的協(xié)作執(zhí)行[10]。首先，在任務(wù)模型中，一個應(yīng)用由一系列的細(xì)粒度任務(wù)構(gòu)成，并且這些任務(wù)滿足線性拓?fù)?，即各個任務(wù)依次按順序執(zhí)行，當(dāng)前任務(wù)的輸出數(shù)據(jù)是下一個任務(wù)的輸入數(shù)據(jù)。另外，作者采用了Gilbert-Elliott信道模型，其中信道具有2種狀態(tài)，即好狀態(tài)和壞狀態(tài)。信道在各個時隙對應(yīng)的狀態(tài)主要取決于當(dāng)時的信道增益情況。研究把移動設(shè)備最小能耗的任務(wù)調(diào)度問題建模成一個有向無環(huán)圖的最短路徑問題，采用了LARAC算法[11]來獲得該優(yōu)化問題的近似解。通過求解預(yù)期最小延時、預(yù)期最小能耗和預(yù)期最小聚合開銷對應(yīng)的最短路徑問題來獲得任務(wù)的執(zhí)行策略。性能評測利用了現(xiàn)有的測試數(shù)據(jù)作為輸入數(shù)據(jù)進(jìn)行仿真實驗。實驗結(jié)果表明提出的任務(wù)調(diào)度策略與本地執(zhí)行策略，以及任務(wù)全部卸載策略相比，移動設(shè)備的能耗更小。

Cuervo等人提出了一個支持細(xì)粒度代碼卸載的系統(tǒng)MAUI，該系統(tǒng)能夠根據(jù)移動設(shè)備當(dāng)前的連接狀況來決定代碼卸載的策略[12]。MAUI使用了CLR（Common Language Runtime）技術(shù)而不是Java技術(shù)來實現(xiàn)托管代碼。MAUI把最大化節(jié)省移動設(shè)備的能量問題建模成整數(shù)線性規(guī)劃問題，對應(yīng)的約束條件為響應(yīng)時間小于等于要求的時間。實驗對不同網(wǎng)絡(luò)延時和計算負(fù)載要求的手機(jī)應(yīng)用進(jìn)行了測試。結(jié)果顯示，對于資源密集型應(yīng)用，例如人臉識別應(yīng)用，MAUI可以降低對應(yīng)的手機(jī)能耗。對于延時敏感的應(yīng)用，例如游戲應(yīng)用，MAUI可以提高手機(jī)屏幕的刷新速率。另外，MAUI還可以支持實時的語音翻譯應(yīng)用。

Zhang等人提出了移動云系統(tǒng)中用于轉(zhuǎn)碼服務(wù)的任務(wù)卸載策略，該卸載策略的目標(biāo)是降低轉(zhuǎn)碼任務(wù)在移動設(shè)備和云平臺的能耗，同時保證轉(zhuǎn)碼服務(wù)具有低延時[13]。作者把帶有延時期限的卸載策略問題建模成帶約束條件的最優(yōu)化問題，利用Lyapunov最優(yōu)化理論提出了一個REQUEST算法來為云平臺分配轉(zhuǎn)碼任務(wù)。由于云平臺的計算能耗在總能耗中占較大比例[14]，因此對于云平臺的能耗作者只考慮了計算能耗。實驗結(jié)果表明，與其它算法相比，REQUEST算法在各個時段對應(yīng)的平均能耗更小，同時保證了服務(wù)隊列的穩(wěn)定性。

Lee等人研究了在具有多個WiFi熱點的場景下移動用戶的任務(wù)卸載策略問題[15]。作者首先根據(jù)各個用戶移動模式的規(guī)律來建立其移動模型，然后基于用戶的移動模型提出了一個任務(wù)卸載策略以實現(xiàn)任務(wù)響應(yīng)時間小于本地執(zhí)行時間。具體來說，作者根據(jù)用戶使用不同WiFi熱點的概率和帶寬來計算卸載對應(yīng)的期望響應(yīng)時間，如果期望響應(yīng)時間小于本地執(zhí)行時間，就選擇卸載處理，否則選擇本地執(zhí)行。實驗結(jié)果表明，當(dāng)用戶移動強(qiáng)度較大時，提出的卸載策略在響應(yīng)時間和手機(jī)能耗方面具有較好的性能。

Hyytia等人研究了在WLAN訪問點間歇可用的場景下移動用戶的多任務(wù)卸載策略問題[16]。作者考慮了排隊延時開銷、能量開銷和資金開銷，利用馬爾科夫決策過程來制定卸載策略FPI，并且采用了M/G/1-FCFS隊列模型[17]來計算值函數(shù)。實驗結(jié)果表明，與其它卸載策略相比，F(xiàn)PI策略對應(yīng)的任務(wù)平均延時更小。

[BT4]2任務(wù)卸載性能研究

Giurgiu等人提出了手機(jī)應(yīng)用模塊的分割算法，該算法可以識別和確定哪些應(yīng)用模塊需要在云平臺執(zhí)行，哪些應(yīng)用模塊需要在手機(jī)端執(zhí)行[18]。算法假設(shè)云平臺的資源是無限的，并且沒有考慮手機(jī)的能耗問題。該方法使用了模塊管理軟件R-OSGi[19]和模塊部署工具AlfredO[20]來實現(xiàn)應(yīng)用程序在手機(jī)和云平臺的分布式部署。

Chun等人提出了一個能夠自動利用云平臺執(zhí)行移動應(yīng)用的系統(tǒng)CloneCloud[21]，該系統(tǒng)能夠卸載應(yīng)用程序中的部分線程到云平臺執(zhí)行，對應(yīng)的卸載機(jī)制以最優(yōu)化執(zhí)行時間或者手機(jī)能耗為目標(biāo)來確定應(yīng)用程序的分割點。云平臺采用了虛擬機(jī)技術(shù)來建立克隆的手機(jī)操作系統(tǒng)。實驗部分對病毒掃描，圖像搜索和行為分析3個移動應(yīng)用進(jìn)行了測試。實驗結(jié)果表明，與手機(jī)單獨執(zhí)行程序相比，通過WiFi網(wǎng)絡(luò)使用CloneCloud的情況下，病毒掃描程序的運(yùn)行速度可以提升12倍，對應(yīng)的手機(jī)能耗可以降低12倍，圖像搜索程序的運(yùn)行速度可以提升20倍，對應(yīng)的手機(jī)能耗可以降低20倍，行為分析程序的運(yùn)行速度可以提升10倍，對應(yīng)的手機(jī)能耗可以降低8.8倍。

Luzuriaga等人對云平臺執(zhí)行手機(jī)應(yīng)用進(jìn)行了性能評測[22]，測試的應(yīng)用為人臉識別應(yīng)用。作者使用了PCA技術(shù)[23]來對圖像數(shù)據(jù)降維，然后進(jìn)行識別。實驗測試了本地執(zhí)行模式對應(yīng)的響應(yīng)時間和識別的準(zhǔn)確率，以及云平臺執(zhí)行應(yīng)用對應(yīng)的響應(yīng)時間和識別的準(zhǔn)確率。然而，對于手機(jī)能耗的情況，該工作沒有進(jìn)行性能評測。

Zhang等人提出了一個彈性移動應(yīng)用模型[24]，彈性應(yīng)用程序包含多個Weblet構(gòu)件，該模型實現(xiàn)了Weblet構(gòu)件在資源受限的移動設(shè)備與云平臺之間的彈性處理模式。具體來說，彈性模式主要包括3種：復(fù)制模式、分割模式和聚合模式。該方法可以根據(jù)應(yīng)用程序自身的結(jié)構(gòu)，將應(yīng)用程序配置成多種執(zhí)行結(jié)構(gòu)。作者提出了一個開銷計算模型，采用了基于機(jī)器學(xué)習(xí)的算法，通過最優(yōu)化多個目標(biāo)的整體開銷來選擇為應(yīng)用程序配置的執(zhí)行結(jié)構(gòu)。在實驗部分，使用了關(guān)于圖像處理的應(yīng)用程序進(jìn)行測試，主要評測了手機(jī)的平均吞吐量和平均CPU使用率2項性能指標(biāo)，對于應(yīng)用響應(yīng)時間和手機(jī)的能耗沒有評測。

Kemp等人提出了一個針對智能手機(jī)的計算卸載框架Cuckoo[25]，該框架可以為程序開發(fā)人員提供一個簡單的編程模型。具體來說，提出的編程模型能夠處理手機(jī)與云平臺的連接丟失，并且支持本地和遠(yuǎn)程的程序執(zhí)行。Cuckoo框架與現(xiàn)有的開發(fā)工具Eclipse進(jìn)行了整合，并且能夠讓用戶方便地搜集遠(yuǎn)程資源。對于卸載策略的問題，Cuckoo框架采用了全部卸載到遠(yuǎn)程執(zhí)行的策略，環(huán)境信息只考慮遠(yuǎn)程資源是否可用，可以看出其卸載策略不夠靈活，并且任務(wù)負(fù)載和能量消耗也沒有考慮。在實驗部分，使用了物體識別應(yīng)用eyeDentify[26]和基于增強(qiáng)現(xiàn)實的游戲應(yīng)用PhotoShoot[27]進(jìn)行測試，給出了測試應(yīng)用程序使用Cuckoo框架的運(yùn)行效果，對于手機(jī)的能耗沒有評測。

Marinelli等人設(shè)計了一個移動云計算平臺Hyrax[28]，Hyrax平臺利用了Hadoop和MapReduce技術(shù)在Android手機(jī)上執(zhí)行分布式計算。由于Hyrax主要使用周圍的移動設(shè)備執(zhí)行計算任務(wù)，而不是利用遠(yuǎn)程云平臺處理任務(wù)，因此該方法將受到較小的網(wǎng)絡(luò)限制。Hyrax能夠擴(kuò)展移動設(shè)備的數(shù)量，并且可以容忍節(jié)點離開，從而實現(xiàn)了分布式資源的靈活使用。實驗部分利用在多部Android手機(jī)上安裝Hyrax平臺并運(yùn)行Sort、Random Writer和Word Count等程序進(jìn)行性能評測，同時實驗還測試了這些程序在多臺Hadoop服務(wù)器上的運(yùn)行性能，并把兩者的性能進(jìn)行了比較和分析。

Huerta-Canepa等人提出了使用周圍用戶的手機(jī)作為虛擬移動云計算服務(wù)提供者，這種框架主要用于處理移動用戶無法與遠(yuǎn)程云平臺連接或者連接費用過高的情況[29]。作者指出當(dāng)多個移動用戶具有相同任務(wù)時，可以把任務(wù)分割成多個子任務(wù)，每個移動用戶執(zhí)行一部分子任務(wù)，將會節(jié)省各個移動用戶的手機(jī)能耗。實驗測試使用了Ipod Touch作為移動設(shè)備，每臺Ipod Touch都安裝了Hadoop，Ipod Touch之間使用WiFi通信。測試的應(yīng)用為韓文OCR（Optical Character Recognition）應(yīng)用，該應(yīng)用需要讀取一個圖像，然后掃描出其中的韓文，最后把韓文翻譯成羅馬文。實驗給出了執(zhí)行時間的測試結(jié)果，結(jié)果顯示把子任務(wù)卸載到移動設(shè)備對應(yīng)的執(zhí)行時間要稍微大于任務(wù)在本地執(zhí)行對應(yīng)的時間，其原因是卸載準(zhǔn)備和等待占用了較長時間。

Klein等人提出移動云計算中的無線智能接入方案[30]，異構(gòu)接入管理器HAM根據(jù)移動云控制器中用戶所處的環(huán)境信息和請求的服務(wù)信息為用戶做出網(wǎng)絡(luò)選擇和網(wǎng)絡(luò)切換的決定。在t時刻，對于任意一個用戶，異構(gòu)接入管理器HAM首先把需要考慮的n個環(huán)境信息素進(jìn)行歸一化。接著，用每個環(huán)境信息素對連接評測的相關(guān)度和可信度的乘積作為其歸一化數(shù)值的權(quán)重。下一步，計算n個帶權(quán)重的歸一化數(shù)值之和，進(jìn)而能夠確定可選連接中的最大值。為了獲得較好的連接收益，只有當(dāng)信息素最大值與當(dāng)前連接的信息素數(shù)值之差大于給定閾值時，才選擇網(wǎng)絡(luò)切換，這樣做可以實現(xiàn)網(wǎng)絡(luò)切換開銷（例如，移動設(shè)備的能耗和網(wǎng)絡(luò)資源的開銷）與連接性能提升之間的平衡。作者實現(xiàn)了一個環(huán)境感知的無線網(wǎng)絡(luò)模擬器CORAS，沒有對異構(gòu)接入管理器HAM進(jìn)行性能評測。另一方面，該工作使用環(huán)境信息素計算模型來評測連接質(zhì)量存在一定缺陷。例如，某個連接方式的多個歸一化環(huán)境信息素中部分信息素具有較高的數(shù)值，而一小部分信息素具有較低的數(shù)值，那么根據(jù)信息素模型也會計算出較大的信息素求和值。雖然模型計算出的整體連接質(zhì)量較高，但是如果數(shù)值較低的信息素?zé)o法滿足用戶請求的服務(wù)，則該連接也無法滿足用戶的請求。

Mei等人提出把移動應(yīng)用外包給云平臺處理，并且基于Android平臺和Amazon EC2設(shè)計了一個外包的原型框架[31]。在該框架下，作者通過解析不同應(yīng)用在3種計算環(huán)境下（在移動端本地執(zhí)行，通過WiFi連接云平臺處理，通過3G網(wǎng)絡(luò)連接云平臺處理）的行為，分析這種計算外包方式的潛能。實驗使用基于圖像處理的應(yīng)用來進(jìn)行性能評測，具體應(yīng)用包括：SimpleBlur、GaryScale和人臉識別應(yīng)用。云平臺使用Amazon EC2，移動設(shè)備使用HTC Android系統(tǒng)手機(jī)。在各個環(huán)境下，資源的使用情況和執(zhí)行時間都將進(jìn)入監(jiān)控與分析。實驗結(jié)果表明，SimpleBlur應(yīng)用通過WiFi連接云平臺處理與本地執(zhí)行相比，處理速度更快，速度提升的最大程度為27.7倍，對應(yīng)的手機(jī)能耗更小，并且手機(jī)CPU使用率也更低，只有在手機(jī)內(nèi)存消耗方面比較接近。GaryScale應(yīng)用利用云平臺處理與本地執(zhí)行相比，花費的時間更多，手機(jī)能耗更大，這主要是因為GaryScale應(yīng)用沒有較大的計算負(fù)載，應(yīng)用卸載帶來的通信開銷是導(dǎo)致性能較差的主要原因。人臉識別應(yīng)用的性能以及手機(jī)能耗情況，與輸入數(shù)據(jù)的大小和網(wǎng)絡(luò)連接情況相關(guān)，不同的輸入數(shù)據(jù)大小具有明顯的性能差異。當(dāng)圖像為240×300時，云平臺處理要比本地執(zhí)行更慢，手機(jī)能耗更大。當(dāng)圖像為450×450時，通過WiFi連接云平臺處理要比本地執(zhí)行更快，手機(jī)能耗更小。

Barbera等人研究了手機(jī)利用云平臺進(jìn)行任務(wù)卸載的手機(jī)帶寬和能量消耗情況[32]，該工作使用11部Android手機(jī)和Amazon EC2進(jìn)行測試。為了實現(xiàn)真實的性能測試，作者設(shè)計了一個日志記錄器來記錄手機(jī)發(fā)生的事件，并且日志記錄器可以獲得系統(tǒng)狀態(tài)和數(shù)據(jù)使用信息。實驗結(jié)果表明，使用WiFi連接云平臺比使用3G網(wǎng)絡(luò)能耗更小，另外，隨著手機(jī)與云平臺同步操作頻率的提高，手機(jī)的流量開銷也會增長。然而，該工作沒有測試任務(wù)卸載對應(yīng)的響應(yīng)時間。

Wang等人研究了無線網(wǎng)絡(luò)帶寬和服務(wù)器計算能力的受限問題[33]，提出了一種渲染自適應(yīng)技術(shù)來解決云平臺處理移動游戲程序?qū)?yīng)的資源受限問題。作者確定了多個影響通信開銷和計算開銷的渲染參數(shù)，其中包括逼真效果、視野距離、紋理細(xì)節(jié)、環(huán)境細(xì)節(jié)和渲染幀速率。作者提出了支持不同自適應(yīng)級別的最優(yōu)自適應(yīng)渲染配置，并且設(shè)計了一個級別選擇算法來完成自適應(yīng)的3D渲染。實驗使用PlaneShift[34]作為測試應(yīng)用。對于移動游戲的用戶體驗，作者使用GMOS[35]指標(biāo)來進(jìn)行評價。實驗結(jié)果表明，提出的方法能夠應(yīng)對無線網(wǎng)絡(luò)帶寬受限，可以確保計算資源的伸縮性，而且能夠確?？山邮艿挠脩趔w驗。

Kosta等人提出了一個卸載手機(jī)應(yīng)用到云平臺的計算架構(gòu)ThinkAir[36]，該架構(gòu)可以完成方法級別的計算卸載，同時ThinkAir利用了并行處理技術(shù)來提升可并行應(yīng)用的處理效率。ThinkAir主要包含3個構(gòu)件：執(zhí)行環(huán)境、應(yīng)用服務(wù)器和解析器。其中的應(yīng)用服務(wù)器主要由3部分構(gòu)成：客戶端控制器、云基礎(chǔ)設(shè)施和自動并行組件。解析器主要包括：硬件解析器、軟件解析器和網(wǎng)絡(luò)解析器。實驗測試了4種應(yīng)用程序，分別為[WT5”HX]N[WT5”BZ]皇后問題、人臉識別、病毒掃描和圖像融合。實驗結(jié)果表明，當(dāng)輸入數(shù)據(jù)的大小達(dá)到要求時，ThinkAir能夠降低測試應(yīng)用的執(zhí)行時間和對應(yīng)的手機(jī)能耗。

Ma等人提出了一個中間件系統(tǒng)eXCloud[37]，該系統(tǒng)可以支持多級任務(wù)卸載，其中包括粗粒度的虛擬機(jī)和細(xì)粒度的運(yùn)行時棧幀。eXCloud使用SOD方法來實現(xiàn)移動設(shè)備的計算卸載。對于任務(wù)卸載，作者指出對應(yīng)的經(jīng)典方法是進(jìn)程卸載。與進(jìn)程卸載不同，eXCloud只卸載頂部棧幀，堆區(qū)和代碼區(qū)將以按需的方式由eXCloud實現(xiàn)調(diào)度利用。實驗使用JESSICA2和G-JavaMPI作為卸載對比方案，實驗結(jié)果表明eXCloud在卸載開銷和卸載延時方面的性能要優(yōu)于對比方案，同時eXCloud在任務(wù)卸載過程中完成了較好的資源利用。

Gordon等人提出了一個多線程應(yīng)用卸載系統(tǒng)COMET[38]，該系統(tǒng)通過卸載應(yīng)用程序的多個線程到多臺機(jī)器，來提升移動設(shè)備的處理能力以及降低能耗。COMET利用DSM分布式共享內(nèi)存技術(shù)來實現(xiàn)多線程卸載，并且使用區(qū)域級粒度來管理內(nèi)存的一致性。實驗測試了9種移動應(yīng)用程序，實驗結(jié)果表明COMET完成了2.88倍的幾何平均加速處理和1.51倍的手機(jī)能量節(jié)省。

[BT4]3結(jié)束語

[JP2]上述移動云計算中任務(wù)卸載技術(shù)的研究，已經(jīng)能夠提升一些移動應(yīng)用的運(yùn)行性能，然而這些研究工作仍然存在不足。目前，大多數(shù)的研究工作討論了只有單個云平臺提供服務(wù)的情況。當(dāng)云平臺的資源狀況無法滿足任務(wù)卸載要求時，云平臺就無法提供相應(yīng)的云服務(wù)。例如，遠(yuǎn)程云平臺通過廣域網(wǎng)傳輸數(shù)據(jù)，對應(yīng)的數(shù)據(jù)傳輸率較低，因此數(shù)據(jù)傳輸時間可能較長。如果遠(yuǎn)程云平臺完成任務(wù)卸載的響應(yīng)時間大于用戶要求的響應(yīng)時間，則該用戶不能獲得有效的云服務(wù)。另外，研究人員提出使用本地微云來提升數(shù)據(jù)傳輸率，但是微云仍具有局限性。由于微云的計算和存儲資源是有限的，當(dāng)大量的用戶向微云發(fā)送請求時，微云很可能無法為所有用戶提供有效的云服務(wù)。為了解決上述問題，需要整合各種有用的資源來增強(qiáng)云平臺的服務(wù)能力，例如，整合車載單元中的資源。一旦各種資源獲得了整合與利用，整個云服務(wù)系統(tǒng)中將包含多個云平臺。即使某個云平臺不能滿足任務(wù)卸載要求，移動用戶還可以嘗試使用其它云平臺，這樣就增強(qiáng)了云服務(wù)的可用性。因此，整個云服務(wù)系統(tǒng)中可能會有多個云平臺同時滿足任務(wù)的卸載要求，那么如何選擇一個最優(yōu)云平臺來執(zhí)行任務(wù)也需要后續(xù)進(jìn)一步的深入研究。[JP]

參考文獻(xiàn)：

[JP3]Armbrust M， Fox A， Griffith R， et al. Above the Clouds： A Berkeley View of Cloud Computing[R]. Berkeley ：University of California， 2009.[JP]

[2] MELL P， GRANCE T. The NIST definition of cloud computing[J]. Communications of the ACM， 2011， 53（6）：50.

[3] SATYANARAYANAN M， BAHL P， CACERES R， et al. The case for VMbased cloudlets in mobile computing[J]. IEEE Pervasive Computing， 2009， 8（4）：14-23.

[4] VALLINARODRIGUEZ N， CROWCROFT J. Energy management techniques in modern mobile handsets[J]. IEEE Communications Surveys & Tutorials， 2012， 15（15）：179-198.

[5] TILEVICH E， KWON Y W. Cloudbased execution to improve mobile application energy efficiency[J]. Computer， 2014， 47（1）：75-77.

[6] KUMAR K， LU Y H. Cloud computing for mobile users： Can offloading computation save energy？ [J]. Computer， 2010， 43（4）：51-56.

[7] LAGERSPETZ E， TARKOMA S. Mobile search and the cloud： The benefits of offloading [C] //IEEE International Conference on Pervasive Computing and Communications Workshops （PERCOM Workshops）. Seattle： IEEE， 2011：117-122.

[8] HUANG D， WANG P， NIYATO D. A dynamic offloading algorithm for mobile computing[J]. IEEE Transactions on Wireless Communications， 2012， 11（6）： 1991-1995.

[9] OU S， YANG K， ZHANG J. An effective offloading middleware for pervasive services on mobile devices[J]. Pervasive & Mobile Computing， 2010， 3（4）：362-385.

[10]ZHANG W， WEN Y， WU D O. Energyefficient scheduling policy for collaborative execution in mobile cloud computing [C] //IEEE INFOCOM. Turin： IEEE， 2013：190-194.

[11]JUTTNER A， SZVIATOVSKI B， MECS I， et al. Lagrange relaxation based method for the QoS routing problem [C] // IEEE INFOCOM. Anchorage： IEEE， 2010：859-868.

[12]CUERVO E， BALASUBRAMANIAN A， CHO D K， et al. MAUI： making smartphones last longer with code offload [C] //ACM Mobisys. San Francisco： ACM， 2010：49-62.

[13]ZHANG W， WEN Y， CHEN H H. Toward transcoding as a service： energyefficient offloading policy for green mobile cloud[J]. IEEE Network， 2014， 28（6）：67-73.

[14]CHEN Y， DAS A， QIN W， et al. Managing server energy and operational costs in hosting centers[J]. ACM Sigmetrics Performance Evaluation Review， 2010， 33（1）：303-314.

[15]LEE K， SHIN I. User mobilityaware decision making for mobile computation offloading [C] //IEEE 1st International Conference on CyberPhysical Systems， Networks， and Applications （CPSNA）. Taipei： IEEE， 2013：116-119.

[16]HYYTIA E， SPYROPOULOS T， OTT J. Offload （only） the right jobs： Robust offloading using the Markov decision processes [C] //IEEE 16th International Symposium on a World of Wireless， Mobile and Multimedia Networks （WoWMoM）. Boston： IEEE， 2015：1-9.

[17]HYYTIA E， PENTTINEN A， AALTO S. Sizeand stateaware dispatching problem with queuespecific job sizes[J]. European Journal of Operational Research， 2012， 217（2）：357-370.

[18]GIURGIU I， RIVA O， JURIC D， et al. Calling the cloud： Enabling mobile phones as interfaces to cloud applications[J]. Lecture Notes in Computer Science， 2009， 5896：83-102.

[19][JP3]RELLERMEYER J S， ALONSO G， ROSCOE T. ROSGi： Distributed applications[JP] through software modularization[M] //CERQUEIRA R ， CAMPBELL R H. Middleware 2007. Berlin Heidelberg：Springer， 2007：1-20.

[20][JP3]RELLERMEYER J S， RIVA O， ALONSO G. AlfredO： An architecture for flexible interaction[JP] with electronic devices [C] // ACM/Ifip/Usenix International Middleware Conference. Berlin Heidelberg ：Springer-Verlag， 2008：22-41.

[21]CHUN B G， IHM S， MANIATIS P， et al. CloneCloud： Elastic execution between mobile device and cloud [C] //ACM EuroSys. New York： ACM， 2011：301-314.

[22]LUZURIAGA J， CANO J C， CALAFATE C， et al. Evaluating computation offloading trade-offs in mobile cloud computing： a sample application [C] //The Fourth International Conference on Cloud Computing， GRIDs， and Virtualization. Valencia， Spain： IARIA， 2013：138-143.[ZK）]

[HT5”SS][ST5”BZ][WT5”BZ][JY]（下轉(zhuǎn)第8頁）[FL）]

[HT5”SS][ST5”BZ][WT5”BZ][JY]（上接第4頁）

[FL（2K2]

[23][ZK（#〗

[HJ*2] GUO Y， ZHANG L， KONG J， et al. Jupiter： transparent augmentation of smartphone capabilities through cloud computing [C] //The 3rd ACM SOSP Workshop on Networking， Systems， and Applications on Mobile Handhelds. New York： ACM， 2011：1-6.

[24]ZHANG X， JEONG S， KUNJITHAPATHAM A， et al. Towards an elastic application model for augmenting computing capabilities of mobile platforms [C] //The Third International Conference on Mobile Wireless Middleware， Operating Systems， and Applications. Chicago： EAI， 2010：161-174.

[25][JP3]KEMP R， PALMER N， KIELMANN T， et al. Cuckoo： a[JP] computation offloading framework for smartphones[M] // GRIS M ， YANG G .Mobile Computing， Applications， and Services. Berlin Heidelberg ：Springer， 2010：59-79.

[26][JP3]KEMP R， PALMER N， KIELMANN T， et al. eyeDentify： Multimedia cyber[JP] foraging from a smartphone[C] //IEEE 11th International Symposium on Multimedia. San Diego： IEEE， 2009：392-399.

[27][JP3]KEMP R， PALMER N， KIELMANN T， et al. Opportunistic communication[JP] for multiplayer mobile gaming： lessons learned from PhotoShoot [C] //Proceedings of the Second International Workshop on Mobile Opportunistic Networking. New York： ACM， 2010：182-184.

[28][JP3]Marinelli E. Hyrax： Cloud Computing on Mobile Devices using Map Reduce[D].[JP] Pennsylvania， USA： Carnegie Mellon University， 2009.

[29]HUERTA-CANEPA G， LEE D. A virtual cloud computing provider for mobile devices [C] //Proceedings of the 1st ACM Workshop on Mobile Cloud Computing & Services. New York： ACM， 2010：1-5.

[30]KLEIN A， MANNWEILER C， SCHNEIDER J， et al. Access schemes for mobile cloud computing [C] //IEEE Eleventh International Conference on Mobile Data Management （MDM）. Kansas City： IEEE， 2010：387-392.

[31]Mei C， Shimek J， Wang C， et al. Dynamic Outsourcing Mobile Computation to the Cloud[R]. Minneapolis： University of Minnesota， 2011.

[32]BARBERA M V， KOSTA S， MEI A， et al. To offload or not to offload？ The bandwidth and energy costs of mobile cloud computing [C] //IEEE INFOCOM. Turin： IEEE， 2013：1285-1293.

[33]WANG S， DEY S. Rendering adaptation to address communication and computation constraints in cloud mobile gaming [C] //IEEE Global Telecommunications Conference （GLOBECOM）. Miami： IEEE， 2010：1-6.

[34]PlaneShift. PlaneShift Team [EB/OL]. [2012-06-20]. http：//www.planeshift.it/.

[35]WANG S， DEY S. Modeling and characterizing user experience in a cloud server based mobile gaming approach [C] //IEEE Global Telecommunications Conference （GLOBECOM）. Honolulu： IEEE， 2009：1-7.

[36]KOSTA S， AUCINAS A， HUI P， et al. ThinkAir： Dynamic resource allocation and parallel execution in the cloud for mobile code offloading [C] //IEEE INFOCOM. Orlando： IEEE， 2012：945-953.

[37]MA R K K， LAM K T， WANG C L. eXCloud： Transparent runtime support for scaling mobile applications in cloud [C] //Proceedings of the International Conference on Cloud and Service Computing. Hong Kong： IEEE， 2011：103-110.

[38]GORDON M S， JAMSHIDI D A， MAHLKE S， et al. COMET： Code offload by migrating execution transparently [C] //Proceedings of the 10th USENIX conference on Operating Systems Design and Implementation. Hollywood： USENIX， 2012：93-106.[ZK）]

[FL）]