面向下一代移动应用的移动云服务关键技术研究

Software Defined Networking (SDN) and Network Function Virtualization (NFV) technologies enable logically centralized software control, hardware virtualization management, dynamic resource allocation and flexible topology refactoring, which have been treated as critical network optimization frameworks for the next-generation mobile cloud services. For large-scale mobile cloud services, the project introduces SDN/NFV and hierarchical mechanisms into traditional mobile networks, and investigates the separation of the control plane from the data plane, realizing the rapid response and adaptive extension of the mobile network topology. Then in the cloud radio access network, based on the online rolling horizon optimization, the mapping between mobile service requests and cloud radio resources is investigated with the distributed resource sharing strategy. By analyzing the distributed characteristics of large-scale mobile access services, the collaborative data transmission mechanism is studied based on the coalition formation game theory, and the dynamic spectrum access optimization model is formulated. At last, due to the stochastic characteristics of computation-intensive tasks in heterogeneous network scenarios, the cloud offloading mechanism is established for mobile end-users with the quality of service constraints, and online learning algorithms are studied to obtain near-optimal offloading decisions. This project tries to design a new extensible architecture and a series of service optimization frameworks for the existing mobile service architecture, improving the scalability and service quality of the large-scale mobile cloud service network.

软件定义网络（SDN）与网络功能虚拟化（NFV）是一种软件集中控制、硬件虚拟化管理、资源可动态分配和拓扑可灵活重构的网络优化技术框架，是实现下一代移动云服务的关键技术。本项目针对大规模移动云服务网络体系架构，将SDN/NFV与传统移动网络有机融合，研究网络控制与数据转发的分离机制，实现移动网络拓扑的快速响应与自适应扩展；将云计算引入接入网络，研究移动服务请求与云接入资源的映射关系，提出在线滚动优化的分布式资源共享策略，分析大规模移动接入的分布特性，提出基于联盟形成博弈的协作传输机制，建立频谱接入的动态优化模型；针对异构场景下移动设备的计算密集型任务的随机特性，建立云辅助的移动任务卸载模型，设计卸载可接受的服务质量约束，提出基于在线学习机制的动态任务卸决策算法。本项目尝试为现有移动云服务网络设计一种新的可扩展架构和一系列服务优化框架，提高大规模接入移动云服务网络的可扩展性与服务质量。

本项目针对下一代移动应用的云服务关键技术展开深入研究。为应对用户日益增长的计算服务和大数据需求带来的挑战，实现大规模移动云服务的优化资源调度部署，本项目将软件定义网络（Software Defined Network, SDN）与传统移动网络有机融合，研究网络控制层与数据处理存储应用层的解耦分离机制，利用深度学习技术实现移动网络拓扑的快速响应与自适应扩展。此外，将接入网络与云计算服务有机结合，研究移动服务请求与云接入资源的映射关系，建立云辅助的移动任务卸载框架，提高大规模接入移动云服务网络的可扩展性，实现了云计算环境下的用户服务质量和网络通信性能的优化，推动了移动云计算技术和深度学习等理论的发展。.申请书中设定的工作目标全部完成，包括：基于深度学习的动态数据放置机制研究、基于分布式社区发现高效可扩展数据放置机制研究、移动云服务网络中计算卸载与任务分配研究、基于混合博弈的异构网络干扰管理与能效优化研究。.为了分布式存储在移动云服务领域产生的庞大数据量，利用无模型的深度Q学习机制寻求最优的数据放置位置，跟踪网络环境的动态性，自适应给出当前环境下最优的决策；为了进一步高效选择大数据项的存储位置，提出了一种高效可扩展的分布式社区发现算法以解决分布式数据中心数据副本的放置问题，以降低分布式存储中心的服务开销；为了解决提高移动云计算中资源分配的公平性难题，保障通信资源利用率，提出了一种比例公平的资源分配机制，以提高资源分配的公平性和系统吞吐量；为了控制云无线接入网络中的跨层干扰，引入博弈理论设计高效的定价策略和功率调整机制，抑制上行链路中终端设备间的干扰并降低网络中的设备能耗。.受本项目支持，相关的研究成果已发表在国际权威学术刊物IEEE Transactions on Services Computing、IEEE Access和国内外顶级会议IEEE LCN、ECCE、APEC、Bigcomp上。发表学术论文37篇，其中SCI收录论文9篇，EI收录论文28篇。已获授权发明专利5项，申请发明专利3项，申请软件著作权4项。培养毕业博士研究生1名，硕士研究生5名。