移動云環(huán)境中交互式應(yīng)用性能優(yōu)化問題的研究.pdf

1、近年來，隨著智能移動設(shè)備的廣泛普及，一大批移動應(yīng)用也涌現(xiàn)出來，深入到人們生活的方方面面。這些移動應(yīng)用強大的功能和豐富的體驗對設(shè)備的處理能力提出了越來越高的要求，進而刺激著智能移動設(shè)備的快速升級換代。然而，移動設(shè)備上有限的資源仍越來越明顯地成為了限制移動應(yīng)用體驗及其適用場景的瓶頸。隨著移動網(wǎng)絡(luò)的持續(xù)升級和云計算技術(shù)的逐漸成熟，研究者們嘗試將移動應(yīng)用中計算復(fù)雜的部分通過無線網(wǎng)絡(luò)遷移到云端運行，從而突破智能移動設(shè)備的資源瓶頸、提升應(yīng)用的體驗。

2、隨著相關(guān)的研究成果逐漸積累，人們將這一新興領(lǐng)域稱為移動云計算。研究者們從理論分析、框架設(shè)計、關(guān)鍵技術(shù)盼設(shè)計與驗證、實際案例分析等角度對這一思想進行了深入的探討和研究，并得到了許多令人振奮的結(jié)果。
　　本論文基于前人的工作，著眼于在移動應(yīng)用中占很大比例的交互式應(yīng)用，對其特性進行分析，并設(shè)計了在移動云環(huán)境下對其進行性能優(yōu)化的整套框架和平臺。由于移動交互式應(yīng)用對響應(yīng)時間敏感而其計算往往相對復(fù)雜的特性，在開發(fā)中確定其質(zhì)量指標（如識別率、精

3、確度等）時極大地受限于移動設(shè)備的處理能力。在這一移動云計算平臺中，在對應(yīng)用進行計算遷移的同時，通過自動調(diào)節(jié)應(yīng)用參數(shù)（如迭代次數(shù)、數(shù)據(jù)集大小等）的方式對應(yīng)用的質(zhì)量指標也一同進行動態(tài)調(diào)整。通過在其上測試一個基于圖像的物體識別應(yīng)用，本文相比傳統(tǒng)的優(yōu)化框架能更為顯著地為這一示例應(yīng)用提升性能。
　　在這一平臺的優(yōu)化框架中，應(yīng)用性能的質(zhì)量指標和常規(guī)指標對上述可調(diào)參數(shù)和遷移方案的依賴關(guān)系是通過機器學習的方式自動學習得到的，是這一優(yōu)化框架中的一個

4、重點及難點。在移動云計算的現(xiàn)實場景中，稀疏的歷史執(zhí)行記錄是不可避免的常態(tài)。針對這一挑戰(zhàn)，本文將應(yīng)用的性能模型分割成若干個子模型分別進行離線的訓練和學習，而當在線性能預(yù)測時則將這些子模型連接組合起來進行預(yù)測，從而提高了對數(shù)據(jù)稀疏問題的魯棒性。此外，本文以自動訓練得到的特征向量來表征模塊間、設(shè)備間的相似性，并利用這些相似性降低新設(shè)備、新應(yīng)用的歷史執(zhí)行記錄不足帶來的影響。通過一系列的實驗驗證，本文設(shè)計的預(yù)測框架能夠很好地應(yīng)對現(xiàn)實環(huán)境中歷史數(shù)據(jù)

5、稀疏的問題。
　　在這一平臺的優(yōu)化框架中，除上述對應(yīng)用性能的預(yù)測之外，對應(yīng)用遷移方案的決策也同樣至關(guān)重要?；趯?yīng)用性能的預(yù)測，本文設(shè)計了一個基于遺傳算法的通用算法對各種移動交互式應(yīng)用的遷移方案進行決策，并在其中集成了對數(shù)據(jù)并行、流水線等分布式加速的決策。通過示例數(shù)據(jù)的實際運行情況得知，這一通用算法在給出高質(zhì)量決策的同時能夠很好地滿足大多數(shù)移動交互式應(yīng)用的實時性需求。而針對基于數(shù)據(jù)流的移動交互式應(yīng)用，本文提出將計算同時遷移到多個微

6、云上以突破其帶寬瓶頸，并針對這一場景中存在的多用戶競爭微云資源的問題，設(shè)計了統(tǒng)一對多個用戶進行遷移決策的啟發(fā)式算法。這一算法中分布式的離線預(yù)處理與集中式的在線啟發(fā)式?jīng)Q策相結(jié)合的方案使得其實時性及擴展性都得到了較好的保障。從實驗結(jié)果可知，這一算法能夠在多微云場景下實時地為區(qū)域內(nèi)的所有用戶決策出近乎理論最優(yōu)的遷移方案。
　　在對移動交互式應(yīng)用的特點及其實際運用中的需求進行深入分析之后，本文設(shè)計并實現(xiàn)了面向這類應(yīng)用的移動云計算平臺，并在