移動云計算中任務卸載技術的研究進展

張強++張宏莉

摘要：移動設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，環境感知力有限以及電量有限等局限性，使得許多應用程序無法在移動設備上高效的運行。研究人員提出移動云計算技術對移動設備進行資源擴展。移動云計算主要通過任務卸載來增強移動設備的數據處理能力以及減少手機能耗。移動云計算中的任務卸載是指把移動設備的任務發送到云平臺，然后由云平臺處理，最后云平臺向用戶返回任務結果。本文首先對移動云計算中任務卸載策略和任務卸載性能的研究現狀進行介紹，然后分析現有技術的局限性，最后討論未來熱點的研究方向。

關鍵詞：移動云計算； 任務卸載； 卸載策略； 卸載性能

中圖分類號： TP393

文獻標志碼： 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，按需的服務技術不僅改變了傳統的計算模型，而且極大地促進了社會經濟的發展和人們生活水平的提高。云服務提供者通過使用虛擬化、網絡存儲、分布式計算等多種技術把存儲、服務器、應用軟件等資源轉化為資源共享池，用戶只需要與云服務提供者經過簡單的交互就可以實現資源的訪問和利用[1-2]。隨著科技的快速進步和人們生活水平的顯著提高，手機變成了人們最常使用的移動通信終端。國際電信聯盟在2012年1月份的報告顯示，全球手機用戶達到59億，移動寬帶用戶約為12億，而在2015年年底的報告顯示，全球手機用戶數已達到71億，移動寬帶用戶約為35億，從這些統計數據可以看出移動互聯網業務正以飛快的速度迅猛增長。同時，以蘋果公司的iOS系統和Google公司的Android系統為代表的移動操作系統為移動應用程序的高效運行提供了平臺支持。然而，由于手機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、環境感知能力有限等現實技術特點，使得大量的應用程序無法持續、流暢、高效地在手機端獲得運行[3-4]。為了解決上述問題，研究人員提出了移動云計算技術，移動云計算主要通過任務卸載來增強移動設備的處理能力以及降低電量受限設備的能耗[5-6]。移動云計算中的任務卸載是指把移動設備的任務發送到云平臺，然后由云平臺處理，最后云平臺向用戶返回任務結果。由于不同的任務具有不同的計算量和數據傳輸量，在執行任務卸載操作之前，必須確定使用哪個云平臺，這就需要任務卸載策略來做出相應的決定。并且，任務卸載性能將直接影響移動應用程序最終的運行性能。因此，改進和完善任務卸載技術，將對移動應用運行效率和服務功能的提升起到重要作用，同時將進一步推動移動云計算技術的發展。

1任務卸載策略研究

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

Huang 等人提出一個卸載算法來降低移動設備的能耗，以及滿足應用執行時間的要求[8]。提出的DOA算法利用Lyapunov最優化理論來解決卸載策略問題。該工作考慮移動用戶的網絡連接是變化的，如果WiFi網絡連接存在，移動設備會優先選擇WiFi網絡，否則選擇3G網絡。另一方面，作者假設在應用請求執行期間，可用的網絡連接將不再變化。該工作首先把一個移動應用分解成N個可卸載部件，然后采用一個加權有向圖來表示各個部件之間的關系，接著建立卸載對應的能耗表達式，以及時間約束條件和系統穩定條件，最后確定能耗最小值對應的解。如果直接搜索能耗對應的最優解，時間復雜度將整合呈現為指數級。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，結果顯示DOA算法在手機能耗方面要優于HELVM算法。另外，2個算法都能夠滿足時間約束條件，HELVM算法的應用執行時間要小于DOA算法。

Zhang等人研究了移動云計算滿足時間約束的任務卸載策略問題，提出了一個任務調度策略來負責移動設備和遠程云平臺的協作執行[10]。首先，在任務模型中，一個應用由一系列的細粒度任務構成，并且這些任務滿足線性拓撲，即各個任務依次按順序執行，當前任務的輸出數據是下一個任務的輸入數據。另外，作者采用了Gilbert-Elliott信道模型，其中信道具有2種狀態，即好狀態和壞狀態。信道在各個時隙對應的狀態主要取決于當時的信道增益情況。研究把移動設備最小能耗的任務調度問題建模成一個有向無環圖的最短路徑問題，采用了LARAC算法[11]來獲得該優化問題的近似解。通過求解預期最小延時、預期最小能耗和預期最小聚合開銷對應的最短路徑問題來獲得任務的執行策略。性能評測利用了現有的測試數據作為輸入數據進行仿真實驗。實驗結果表明提出的任務調度策略與本地執行策略，以及任務全部卸載策略相比，移動設備的能耗更小。

Cuervo等人提出了一個支持細粒度代碼卸載的系統MAUI，該系統能夠根據移動設備當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）技術而不是Java技術來實現托管代碼。MAUI把最大化節省移動設備的能量問題建模成整數線性規劃問題，對應的約束條件為響應時間小于等于要求的時間。實驗對不同網絡延時和計算負載要求的手機應用進行了測試。結果顯示，對于資源密集型應用，例如人臉識別應用，MAUI可以降低對應的手機能耗。對于延時敏感的應用，例如游戲應用，MAUI可以提高手機屏幕的刷新速率。另外，MAUI還可以支持實時的語音翻譯應用。

Zhang等人提出了移動云系統中用于轉碼服務的任務卸載策略，該卸載策略的目標是降低轉碼任務在移動設備和云平臺的能耗，同時保證轉碼服務具有低延時[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化問題，利用Lyapunov最優化理論提出了一個REQUEST算法來為云平臺分配轉碼任務。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。實驗結果表明，與其它算法相比，REQUEST算法在各個時段對應的平均能耗更小，同時保證了服務隊列的穩定性。

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卸載策略問題[15]。作者首先根據各個用戶移動模式的規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卸載策略以實現任務響應時間小于本地執行時間。具體來說，作者根據用戶使用不同WiFi熱點的概率和帶寬來計算卸載對應的期望響應時間，如果期望響應時間小于本地執行時間，就選擇卸載處理，否則選擇本地執行。實驗結果表明，當用戶移動強度較大時，提出的卸載策略在響應時間和手機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。實驗結果表明，與其它卸載策略相比，FPI策略對應的任務平均延時更小。

[BT4]2任務卸載性能研究

Giurgiu等人提出了手機應用模塊的分割算法，該算法可以識別和確定哪些應用模塊需要在云平臺執行，哪些應用模塊需要在手機端執行[18]。算法假設云平臺的資源是無限的，并且沒有考慮手機的能耗問題。該方法使用了模塊管理軟件R-OSGi[19]和模塊部署工具AlfredO[20]來實現應用程序在手機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行移動應用的系統CloneCloud[21]，該系統能夠卸載應用程序中的部分線程到云平臺執行，對應的卸載機制以最優化執行時間或者手機能耗為目標來確定應用程序的分割點。云平臺采用了虛擬機技術來建立克隆的手機操作系統。實驗部分對病毒掃描，圖像搜索和行為分析3個移動應用進行了測試。實驗結果表明，與手機單獨執行程序相比，通過WiFi網絡使用CloneCloud的情況下，病毒掃描程序的運行速度可以提升12倍，對應的手機能耗可以降低12倍，圖像搜索程序的運行速度可以提升20倍，對應的手機能耗可以降低20倍，行為分析程序的運行速度可以提升10倍，對應的手機能耗可以降低8.8倍。

Luzuriaga等人對云平臺執行手機應用進行了性能評測[22]，測試的應用為人臉識別應用。作者使用了PCA技術[23]來對圖像數據降維，然后進行識別。實驗測試了本地執行模式對應的響應時間和識別的準確率，以及云平臺執行應用對應的響應時間和識別的準確率。然而，對于手機能耗的情況，該工作沒有進行性能評測。

Zhang等人提出了一個彈性移動應用模型[24]，彈性應用程序包含多個Weblet構件，該模型實現了Weblet構件在資源受限的移動設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：復制模式、分割模式和聚合模式。該方法可以根據應用程序自身的結構，將應用程序配置成多種執行結構。作者提出了一個開銷計算模型，采用了基于機器學習的算法，通過最優化多個目標的整體開銷來選擇為應用程序配置的執行結構。在實驗部分，使用了關于圖像處理的應用程序進行測試，主要評測了手機的平均吞吐量和平均CPU使用率2項性能指標，對于應用響應時間和手機的能耗沒有評測。

Kemp等人提出了一個針對智能手機的計算卸載框架Cuckoo[25]，該框架可以為程序開發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與云平臺的連接丟失，并且支持本地和遠程的程序執行。Cuckoo框架與現有的開發工具Eclipse進行了整合，并且能夠讓用戶方便地搜集遠程資源。對于卸載策略的問題，Cuckoo框架采用了全部卸載到遠程執行的策略，環境信息只考慮遠程資源是否可用，可以看出其卸載策略不夠靈活，并且任務負載和能量消耗也沒有考慮。在實驗部分，使用了物體識別應用eyeDentify[26]和基于增強現實的游戲應用PhotoShoot[27]進行測試，給出了測試應用程序使用Cuckoo框架的運行效果，對于手機的能耗沒有評測。

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

Huerta-Canepa等人提出了使用周圍用戶的手機作為虛擬移動云計算服務提供者，這種框架主要用于處理移動用戶無法與遠程云平臺連接或者連接費用過高的情況[29]。作者指出當多個移動用戶具有相同任務時，可以把任務分割成多個子任務，每個移動用戶執行一部分子任務，將會節省各個移動用戶的手機能耗。實驗測試使用了Ipod Touch作為移動設備，每臺Ipod Touch都安裝了Hadoop，Ipod Touch之間使用WiFi通信。測試的應用為韓文OCR（Optical Character Recognition）應用，該應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。實驗給出了執行時間的測試結果，結果顯示把子任務卸載到移動設備對應的執行時間要稍微大于任務在本地執行對應的時間，其原因是卸載準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]，異構接入管理器HAM根據移動云控制器中用戶所處的環境信息和請求的服務信息為用戶做出網絡選擇和網絡切換的決定。在t時刻，對于任意一個用戶，異構接入管理器HAM首先把需要考慮的n個環境信息素進行歸一化。接著，用每個環境信息素對連接評測的相關度和可信度的乘積作為其歸一化數值的權重。下一步，計算n個帶權重的歸一化數值之和，進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，只有當信息素最大值與當前連接的信息素數值之差大于給定閾值時，才選擇網絡切換，這樣做可以實現網絡切換開銷（例如，移動設備的能耗和網絡資源的開銷）與連接性能提升之間的平衡。作者實現了一個環境感知的無線網絡模擬器CORAS，沒有對異構接入管理器HAM進行性能評測。另一方面，該工作使用環境信息素計算模型來評測連接質量存在一定缺陷。例如，某個連接方式的多個歸一化環境信息素中部分信息素具有較高的數值，而一小部分信息素具有較低的數值，那么根據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量較高，但是如果數值較低的信息素無法滿足用戶請求的服務，則該連接也無法滿足用戶的請求。

Mei等人提出把移動應用外包給云平臺處理，并且基于Android平臺和Amazon EC2設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用在3種計算環境下（在移動端本地執行，通過WiFi連接云平臺處理，通過3G網絡連接云平臺處理）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用來進行性能評測，具體應用包括：SimpleBlur、GaryScale和人臉識別應用。云平臺使用Amazon EC2，移動設備使用HTC Android系統手機。在各個環境下，資源的使用情況和執行時間都將進入監控與分析。實驗結果表明，SimpleBlur應用通過WiFi連接云平臺處理與本地執行相比，處理速度更快，速度提升的最大程度為27.7倍，對應的手機能耗更小，并且手機CPU使用率也更低，只有在手機內存消耗方面比較接近。GaryScale應用利用云平臺處理與本地執行相比，花費的時間更多，手機能耗更大，這主要是因為GaryScale應用沒有較大的計算負載，應用卸載帶來的通信開銷是導致性能較差的主要原因。人臉識別應用的性能以及手機能耗情況，與輸入數據的大小和網絡連接情況相關，不同的輸入數據大小具有明顯的性能差異。當圖像為240×300時，云平臺處理要比本地執行更慢，手機能耗更大。當圖像為450×450時，通過WiFi連接云平臺處理要比本地執行更快，手機能耗更小。

Barbera等人研究了手機利用云平臺進行任務卸載的手機帶寬和能量消耗情況[32]，該工作使用11部Android手機和Amazon EC2進行測試。為了實現真實的性能測試，作者設計了一個日志記錄器來記錄手機發生的事件，并且日志記錄器可以獲得系統狀態和數據使用信息。實驗結果表明，使用WiFi連接云平臺比使用3G網絡能耗更小，另外，隨著手機與云平臺同步操作頻率的提高，手機的流量開銷也會增長。然而，該工作沒有測試任務卸載對應的響應時間。

Wang等人研究了無線網絡帶寬和服務器計算能力的受限問題[33]，提出了一種渲染自適應技術來解決云平臺處理移動游戲程序對應的資源受限問題。作者確定了多個影響通信開銷和計算開銷的渲染參數，其中包括逼真效果、視野距離、紋理細節、環境細節和渲染幀速率。作者提出了支持不同自適應級別的最優自適應渲染配置，并且設計了一個級別選擇算法來完成自適應的3D渲染。實驗使用PlaneShift[34]作為測試應用。對于移動游戲的用戶體驗，作者使用GMOS[35]指標來進行評價。實驗結果表明，提出的方法能夠應對無線網絡帶寬受限，可以確保計算資源的伸縮性，而且能夠確保可接受的用戶體驗。

Kosta等人提出了一個卸載手機應用到云平臺的計算架構ThinkAir[36]，該架構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來提升可并行應用的處理效率。ThinkAir主要包含3個構件：執行環境、應用服務器和解析器。其中的應用服務器主要由3部分構成：客戶端控制器、云基礎設施和自動并行組件。解析器主要包括：硬件解析器、軟件解析器和網絡解析器。實驗測試了4種應用程序，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。實驗結果表明，當輸入數據的大小達到要求時，ThinkAir能夠降低測試應用的執行時間和對應的手機能耗。

Ma等人提出了一個中間件系統eXCloud[37]，該系統可以支持多級任務卸載，其中包括粗粒度的虛擬機和細粒度的運行時棧幀。eXCloud使用SOD方法來實現移動設備的計算卸載。對于任務卸載，作者指出對應的經典方法是進程卸載。與進程卸載不同，eXCloud只卸載頂部棧幀，堆區和代碼區將以按需的方式由eXCloud實現調度利用。實驗使用JESSICA2和G-JavaMPI作為卸載對比方案，實驗結果表明eXCloud在卸載開銷和卸載延時方面的性能要優于對比方案，同時eXCloud在任務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用卸載系統COMET[38]，該系統通過卸載應用程序的多個線程到多臺機器，來提升移動設備的處理能力以及降低能耗。COMET利用DSM分布式共享內存技術來實現多線程卸載，并且使用區域級粒度來管理內存的一致性。實驗測試了9種移動應用程序，實驗結果表明COMET完成了2.88倍的幾何平均加速處理和1.51倍的手機能量節省。

[BT4]3結束語

[JP2]上述移動云計算中任務卸載技術的研究，已經能夠提升一些移動應用的運行性能，然而這些研究工作仍然存在不足。目前，大多數的研究工作討論了只有單個云平臺提供服務的情況。當云平臺的資源狀況無法滿足任務卸載要求時，云平臺就無法提供相應的云服務。例如，遠程云平臺通過廣域網傳輸數據，對應的數據傳輸率較低，因此數據傳輸時間可能較長。如果遠程云平臺完成任務卸載的響應時間大于用戶要求的響應時間，則該用戶不能獲得有效的云服務。另外，研究人員提出使用本地微云來提升數據傳輸率，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，當大量的用戶向微云發送請求時，微云很可能無法為所有用戶提供有效的云服務。為了解決上述問題，需要整合各種有用的資源來增強云平臺的服務能力，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，整個云服務系統中將包含多個云平臺。即使某個云平臺不能滿足任務卸載要求，移動用戶還可以嘗試使用其它云平臺，這樣就增強了云服務的可用性。因此，整個云服務系統中可能會有多個云平臺同時滿足任務的卸載要求，那么如何選擇一個最優云平臺來執行任務也需要后續進一步的深入研究。[JP]

參考文獻：

[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）]