面向用户体验的移动Web应用高能效资源调度优化方法研究

The web-based mobile application becomes more popular in mobile application market. In order to provide a high quality of experience for mobile users, how to improve the energy efficiency of resource scheduling for web-based applications in resource-limited mobile devices is the critical issue for mobile system design. The existed researches employed to evaluate mobile web application optimizations are rarely representative of real mobile applications and are oblivious to user perception, only focusing on performance. Particularly, the interactive mobile system and the web-based applications lack communication channel, and the system does not understand the runtime states of web applications. As a result, the resource scheduling strategies pursue the high performance or low energy consumption, while the user’s quality of experience has been spoiled. This project will develop a user experience evaluation model that meets the actual users’ expectation for quality of experience by considering the different users’ sensitivity of energy efficiency; Then we will study the features of web workload, and design a high energy efficient self-learning resource scheduling model based on the multi-granularity with the machine learning approach; Meanwhile, we will consider the network conditions and user demand, and propose a low cost self-adaptive data resource schedule mechanism based on the context. This project will provide necessary theory and technical support for the energy efficient resource scheduling of user-centered mobile web applications, and will promote the development of the next generation of mobile applications and future mobile Web systems.

移动设备与Web技术的融合是当前移动应用的主要发展模式，如何改善Web应用在资源受限移动设备中的高能效资源调度能力以提供高质量的用户体验，是智能移动设备的软硬件系统设计中亟需解决的关键问题。但目前针对移动Web应用的“性能-功耗”优化方案忽略了其对用户体验的影响，特别是当前交互式移动系统缺乏同Web应用的沟通管道，不了解Web工作机理及运行时特点，导致片面追求高性能或低功耗的系统资源调度策略，严重影响用户体验。本项目以用户能效敏感性为切入点，构建移动Web用户体验期望量化及预测模型；量化Web负载，提出基于任务粒度的高能效自学习计算资源调度模型；根据实时网络状态和用户需求，设计基于情景感知的低消耗自适应的数据资源动态管控机制；本项目将为以用户体验为中心的移动应用高能效资源调度优化方法提供必要的理论参考和技术支持，对未来移动应用和移动Web系统的发展起到积极的推动作用。

本项目针对现有移动应用面临运行时资源需求不合理、忽略用户体验多样性、移动端深度学习模型高开销等问题，研究了在不同任务负载及网络状态下的移动资源分配方法、移动用户体验心理期望及“云-端”资源协同等相关问题。项目针对移动用户对响应延迟及能耗的敏感度展开研究，开发了面向移动用户的数据采集及自动分析系统，深入研究移动用户使用习惯及心理期望，构建针对不同任务粒度的高能效自学习计算资源调度模型，根据任务复杂度，为高能耗任务分配合理的计算资源，在保证移动用户体验的前提下，有效解决了移动Web应用的高开销问题。进一步，考虑到越来越多的移动应用基于深度学习模型实现高质量的服务，但由于高性能深度学习模型严重依赖设备的计算及存储能力，由此项目针对如何在移动设备上实现高能效的深度学习模型推理展开研究。项目分析了不同深度模型推理任务复杂度，利用“云-边缘-端”异构设备计算能力的差异性，提出了基于任务复杂度的深度学习任务动态调度模型。该项目的多个成果先后发表在INFOCOM，Ubicomp，HPCC，ICPADS，计算机学报等高水平国际会议和国内期刊上，上述一系列针对移动应用的能效优化研究被北京大学、中国科学与技术大学、国防科技大学、华中科技大学、美国罗彻斯特大学、韩国延世大学及佳能信息科技有限公司等多所国际知名高校引用。本项目的研究对下一代移动系统产业发展和升级有着重要意义。