移动云计算中数据流应用的动态计算切分技术研究

Mobile cloud computation partitioning has been considered as an effective approach to improve the performance of applications running on mobile devices. Computation partitioning is to decide which parts of the application should be executed on mobile devices and which parts should be offloaded on clouds, such that the application performance is maximized. Existing works focus on the partitioning for workflow applications, and as well suffer from performance degradation in dynamic mobile cloud environments. To solve these problems, we will study the dynamic computation partitioning for data streaming applications. First, we will develop novel models to represent the data streaming applications, in which the input streaming data have certain temporal order in terms of the arrival and processing time, and whose performance metrics are more complex, including both the completion time and throughput. Based on this model, we will design optimal partitioning algorithm for data streaming applications. Second, we will study the computation partitioning problem in dynamic environment where the network bandwidth and device workload vary during the execution course of the applications. Third, we will study multi-user computation partitioning problem for large scale mobile cloud systems. In the systems, mobile users may share and complete the resources on the cloud, and thus their partitioning decisions are dependent with each other. The aim is to maximize the average performance of all the mobile users. This research will be applied into the implementation of advanced mobile cloud platforms in future. Meanwhile, it provides technical support and opportunities to cloud service providers to join in the market of mobile computing.

移动云计算切分作为一种能有效提高移动应用程序运行性能的技术，近年来被研究者们广泛关注。计算切分技术合理选择将移动应用程序中部分计算任务迁移到云上，达到计算性能最优化。已有计算切分研究工作仅适合于简单工作流应用，并在动态环境下的性能有待提高。针对以上问题，本项目探索并研究复杂数据流应用模型下动态计算切分问题。首先，研究数据流应用建模，解决输入数据时序和复杂性能指标约束下，数据流应用计算切分决策的最优化问题。其次，基于构建的数据流应用模型，进一步研究计算环境动态变化时，计算切分决策自适应性调整问题。最后，将针对实际大规模移动云应用，研究在多用户共享和竞争云资源的情况下，对各用户计算切分进行最优化综合决策问题。本项目将为构建未来新型移动云计算平台提供关键技术，并为云计算服务提供商进入移动市场提供理论基础和应用模型。

随着移动互联网、手持智能设备及云计算设施的发展，移动云计算近年来成为学术界和工业界关注的热点。本项目研究移动云计算中数据流应用的动态计算切分问题。对于给定移动应用程式，决定哪些计算功能迁移到云上完成，哪些计算功能在本地设备完成，使得移动应用程式运行性能最优或者消耗的能耗最小。主要研究内容包括：（1）针对数据流应用的建模和计算切分研究；开发了一个用于提升移动数据流应用性能的移动云平台 AppBooster。该平台能根据移动设备计算能力及所处的网络环境，优化应用程序运行相关参数，使得程序复杂性能指标最优。AppBooster能将应用程序性能提升1.3到3.5倍。提出了一种边缘云环境下针对数据流应用的网络感知计算切分方法，该算法比其他启发式算法性能高50%。（2）动态环境下自适应计算切分决策研究。提出了一个针对数据流应用的多用户动态计算切分方案，相比静态方案节省50%的数据传输开销成本，用户平均吞吐率下降不到6%。针对延迟敏感型应用，开发一个移动云环境下协同在线调度模型和方法，相比本地执行方法将用户平均响应延迟降低25%。（3）面向多用户的计算切分研究。设计了一种用于数据流应用计算划分的并行算法，相比直接使用遗传算法寻找最优切分方案，在速度上有数量级的提升。完成了一个未来基于5G网络的边缘计算环境下计算切分的模型和理论方法，相比简单的贪心算法能将任务的完成时间降低至少40%。项目共发表（含已录用且在线发表）论文11篇，其中SCI期刊论文9篇，EI会议论文2篇。培养研究生5人、本科毕业设计7人次、其他本科生创新实践2人次。项目研究成果将使移动终端用户体验更好的移动应用程式，为移动开发者节省时间和成本；同时为云计算服务提供商进入移动市场提供新的技术基础与商业模式。