移動邊緣計算中基于內容動態刷新的能耗優化

郭延超 高 嶺,2 王 海 鄭 杰 任 杰

1(西北大學信息科學與技術學院 西安 710127) 2 (西安工程大學計算機科學學院 西安 710048) (guoyanchao@stumail.nwu.edu.cn)

隨著無線接入網絡技術的發展與提升，移動互聯網是繼大型機、小型機、個人電腦、桌面互聯網之后的第5個發展周期[1].與此同時，伴隨著4G網絡的標準化和不斷成熟，5G移動網絡研究也已開展.滿足移動互聯網和日常生活中多樣化的服務需求是通信領域目前研究的重點，而移動邊緣計算技術可以很好地解決這個問題[2].

據2017年發布的國內社交應用(包含微信、QQ以及微博等)使用率排行，微博用戶百分比為37.1%，位于社交媒體的前3位[3-4].微博每天產生10萬篇文章、視頻上萬條、圖片2 100萬張[5].在微博信息中，圖片是其中必不可少的一部分，微博相對于其他社交類應用，具備相對公開性以及開放性，便于研究與開發.

在本文的研究中，著重從微博圖片的格式、不同用戶的刷新頻率以及移動邊緣計算等方面進行考慮，主要貢獻包含4個方面：

1) 該模型面向不同用戶群體，考慮當前用戶4G和WiFi網絡信號強度等級值、用戶刷新頻率、手機當前電量，以能耗優化為目標，建立Markov決策過程模型.

2) 基于新浪微博開放平臺提供的API接口，以自主開發的社交APP作為測試對象，依據Markov決策過程生成的決策表，選擇4G或WiFi通信網絡以及下載最佳圖片格式，刷新微博，以達到能耗優化的目的.

3) 該模型能夠自動檢測網絡是否達到連接臨界點，在臨界點處無法進行刷新操作，然后自動切換4G或WiFi網絡連接，減少斷點時間，保障用戶的體驗.

4) 搭建移動邊緣計算平臺，將一定時間內用戶數據提交移動邊緣計算服務器，通過Markov決策過程生成決策表.

1 相關工作

移動社交應用都具有一定的網絡特性，其自身所攜帶的網絡特性直接或間接地影響到用戶的使用習慣.微博自身網絡特性包含社交特性、影響力特性以及時效特性.微博自身具有的社交特性使得微博中信息得以廣泛傳播，傳播的方式包含自發或轉發2種方式[6].而微博的影響力特性直接反映在用戶的粉絲數量上，具有較高影響力的用戶刷新微博的頻率也將會相對增高[7]，即增大了用戶刷新微博的概率.社交特性與影響力特性的存在，突顯出不同用戶自身刷新頻率的不同.最為重要的是其時效特性，微博刷新交互過程是每時每刻的，呈現出具有一定的時間連續性[8].以上3種網絡特性的存在，直接或間接反映出用戶刷新微博的過程是一個基于時間的連續概率事件.

在移動社交應用運行過程中，用戶所在的網絡環境不斷變化，并且網絡信號強度也是不斷動態變化的，其信號變化都是相互獨立的，下一個信號強度與上一個信號強度之間沒有相互關聯關系.一般而言，信號強度等級值越高網絡下載速率越快，需要考慮這種動態變化的過程.

文獻[9]提出一種基于Markov決策過程模型下的動態調節模式，根據用戶所在環境(室內、室外)以及運動速度，動態調節屏幕亮度以及GPS重新定位時間間隔，以達到降低能耗目的，但并未針對APP應用自身下載內容進行能耗優化.在文獻[10]中提出的數據下載功耗優化方法中，考慮到用戶行為習慣以及當前下載等待隊列狀態信息，卻忽視實質下載的內容，以及如何通過移動設備處理用戶數據.而在不改變網絡狀態以及使用移動邊緣計算平臺前提下，改變下載內容的大小也就改變下載時長，使用移動邊緣計算平臺將快速提升用戶數據處理速度.文獻[11]中簡述邊緣計算可以減輕密集型計算的負擔，將用戶數據放置邊緣服務器，將加快任務執行速度，使應用程序更少依賴移動設備自身，提升用戶整體體驗.但文獻[11]并未從用戶自身使用習慣以及移動設備所處網絡環境考慮，忽視從應用程序自身提升用戶體驗.文獻[12]中發現緩沖JPEG格式圖片比緩沖其他格式圖片能耗較小，通過改變圖片格式能夠進行能耗優化，但并未考慮環境狀態以及用戶行為習慣.而在實際刷新微博過程中，用戶在不同環境狀態下，不同格式的圖片和不同的用戶刷新頻率，對手機能耗的影響是不同的，現有的研究較少綜合考慮這些因素.因此，本文針對上述問題，提出一種基于Markov決策過程的能耗優化模型.

2 系統模型

2.1 社交APP模型

社交網絡服務的發展帶來大量信息的傳播，社交APP也就成為信息主要承載體.社交APP自身具備移動性強、功能強大、使用便捷等特點，用戶使用過程中不僅僅可以快速查看信息，也可以與其他互相關注用戶進行交流.

如圖1所示，社交APP模型主要包含用戶登錄、刷新信息、發布信息、翻閱信息、轉發信息、退出登錄.在刷新信息中，選擇圖片格式進行下載是本文研究的重點之一.實際刷新信息過程中，需要通過網絡連接向服務器端發送請求，根據返回URL地址進行下載相關內容，其中內容包含文字信息、圖片信息等.經過測試，圖片格式的不同影響到手機能耗的高低，動態調節圖片格式能夠改變刷新信息過程中所需能耗的大小.

Fig. 1 Social APP model圖1 社交APP模型

2.2 MDP能耗優化模型

Markov決策過程(Markov decision process, MDP)是基于Markov過程理論的隨機動態系統的最優決策過程，根據每個時刻觀察到的狀態，從可用的行動集合中選用一個行動作出決策.本文提出的優化模型就是針對用戶決策制定過程進行數學建模.

2.2.1 狀態集

一般而言，Markov決策過程是一個四元組狀態集，即為{S，A，P.(·,·)，R.(·)}[13,19].Markov決策過程能耗優化模型中狀態集定義如下：

定義1. 有限的狀態集四元組S.s表示當前狀態，s′表示下一個可能的狀態，集合Pa就是表示狀態轉換的概率集合，Pr表示狀態轉換的具體過程，即當前狀態s從時刻i執行動作a，轉換到時刻j狀態s′，其公式表示為

Pa(s,s′)=Pr(sj=s′|si=s,ai=a).

(1)

在Mix優化系統中，將設備所在的網絡環境、測試時間間隔、剩余電量以及刷新頻率劃分為狀態集四元組，表示為

S(n,t,e,f),

(2)

其中，n表示網絡信號強度，t表示測試時間點，e表示剩余電量，f表示用戶刷新頻率.

① 網絡信號強度n.網絡信號強度狀態集二元組n包含4G信號強度等級值和WiFi信號強度等級值：

n(nf,nw),

(3)

其中，nf表示當前網絡環境中4G信號強度等級值，nw表示當前網絡環境中WiFi信號強度等級值.依據Android開源API中定義的LTE信號強度等級值劃分方式，每個網絡信號狀態集都被劃分為5個網絡信號強度等級值：5,4,3,2,1，其信號強度也隨之逐級遞減.

在信號強度相互變化過程中，當前信號強度與下一個信號強度之間沒有任何關聯關系，這種信號強度變化稱為動態變化，我們可以根據收集到的信號強度變化表，計算出信號強度等級變化間的概率矩陣，并作為MDP模型的輸入值.

② 時間點t.我們將測試總時間T進行離散劃分，設置時間間隔為NT[9].例如測試總時間T=1 h，NT=1 min，那么測試總時間T由60個時間點組成.在時間概率矩陣中，ti表示當前時間點，tj表示ti的下一個時間點，在相鄰的2個時間點之間轉換概率為1，并在時間點相等為T時，概率為1.

時間狀態轉換概率為

(4)

③ 剩余電量e.我們將手機電池總電量Etotal劃分為L個相等的等級，剩余電量由L級到1級逐級遞減，每個等級電量劃分為E0=Etotal/L.電池電量等級狀態轉換概率矩陣，是依據用戶所執行的行為動作所產生的概率矩陣[9].

在我們實驗中，動作狀態集A是一個有限的動作集二元組，表示為

A(akind,aaction),

(5)

其中，akind表示用戶當前使用的網絡種類，為4G或WiFi.aaction表示當前將采取的行為動作集a.根據實驗測得2種網絡環境狀態下，不同行為動作執行一次所需的能量消耗是不同的，由此我們定義執行一次動作a能源消耗為power(a).

在Jigsaw系統[14]中提出一種電量等級變化概率機制，即從當前時刻ti跳轉下一個時刻ti+1，并從當前電量等級轉換到下一個等級，其概率值P(a)計算為

(6)

電池等級轉換概率為

(7)

式(7)表示在一個連續的動作時間段內，時間與剩余電量轉換概率.在式(7)中，ei表示時刻i剩余電量等級值，ej表示時刻j剩余電量等級值.在剩余電量不小于等級2并且不大于L時，如果剩余電量等級降低1格，則其轉換的概率值為p(a)，否則，其轉換概率為1-p(a).如果剩余電量等級為1時，即剩余電量達到最小等級值，其剩余電量等級只能轉換到同級，發生的概率為1，其余任何狀態轉換概率為0.

④ 用戶刷新頻率f.在實際日常生活中，用戶并非每時每刻刷新微博信息.在實驗中為了模擬實際使用狀態，我們將用戶刷新微博的頻率設定為f，即實驗中總刷新時間占測試時間的比值.與此同時，我們設定3種不同刷新頻率，不同的刷新頻率模擬不同用戶群，以此用來進行對比實驗.

在MDP計算過程中，為了簡化其計算復雜度，實驗過程中假設n，t，e，f概率轉換之間是相互獨立的，因此時刻i狀態si轉換到時刻j狀態sj時，概率計算公式為

Pa(sj|si)=P(nj|ni)×P(tj|ti)×
P(ej|ei)×P(f).

(8)

定義2. 有限的動作集二元組A.在狀態轉換時，我們將會在動作集A內選擇一個對應的動作a.在本文實驗中，我們根據不同的網絡信號等級設置不同的動作，即不同的動作對應刷新微博過程中所需下載圖片的不同格式，動作集合如表1、表2所示：

Table 1 4G Network Signal Level Corresponding Action Set表1 4G網絡對應動作集合

: The network connection reaches the critical point, and the user can not refresh the Micro-Blog.

Table 2 WiFi Network Signal Level Corresponding Action Set表2 WiFi網絡對應動作集合

: The network connection reaches the critical point, and the user can not refresh the Micro-Blog.

表1和表2表示不同網絡信號等級值下，刷新微博時下載圖片的格式，其中“”符號表示網絡連接到達臨界點，即用戶無法刷新微博.在表2中，當WiFi信號等級值不大于2時，客戶端將視為到達網絡連接臨界點，無法刷新微博.

定義3. 獎勵函數Ra(s,s′).狀態s執行動作a轉換到狀態s′時，所獲取到的獎勵值.在Markov決策過程中，找到最終優化策略是整個過程的關鍵部分.計算最優策略的標準算法需要2個數組存儲累積獎勵值V和動作策略π，π決定在狀態s時所采取的動作π(s)，V是在狀態s時執行相應動作所獲取的最優獎勵值V(s)[10].γ是折扣因子，表示各個時間點獎勵值所占的比重不同.具體運算過程為

π(s)

(9)

V(s)

(10)

在求解最大累積獎勵值時，我們可以把π(s)的計算整合到V(s)的計算中，如式(11)所示.所有狀態重復執行迭代，直到Vi+1(s)收斂為止.

Vi+1(s)

(11)

本文獎勵函數Ra(s,s′)定義如下：

Ra(s,s′)=K×Ssignal(a,ni),

(12)

其中，Ra(s,s′)表示在網絡信號強度為ni時執行動作a，狀態s轉換到狀態s′所獲取到的獎勵值.在式(12)中，當使用WiFi網絡時K=2，當使用4G網絡時K=1.如表3所示，在不同的網絡信號強度等級值下，執行同一動作獲取獎勵值各不相同，Ssignal(a,ni)則根據表3中ni網絡信號等級值選擇對應獎勵值.在我們實驗過程中，測試不同WiFi信號強度，發現當WiFi信號強度等級值為2和1時，微博客戶端將無法刷新微博，即到達網絡連接臨界點，所以在此信號強度等級值下，我們設定的獎勵值為0.而4G網絡在信號等級值為1時，給予獎勵值為0.而當4G網絡信號低于1時，默認為無法連接網絡，此時我們將不予考慮[15].

Table 3 Reward Value Under Different Network Status表3 不同網絡狀態等級下獎勵值

2.2.2 MDP能耗優化模型網絡切換方式

本文提出的能耗優化模型主要應用在4G和WiFi網絡環境中，在這2種網絡環境條件下，我們測出不同格式圖片刷新能耗值，如表4與圖2所示，在圖2中OP表示原始圖片，HP表示高清圖片，TP表示縮略圖片，NoP表示無圖.測出的實驗數據為優化模型何時切換網絡提供依據.

Table 4 Energy Consumption of Refreshing Micro-Blog

Fig. 2 Performance comparison on 4G (level=5) and WiFi (level=3)圖2 4G(level=5)和WiFi(level=3)刷新能耗對比

根據我們實驗測出的不同格式圖片刷新能耗值，發現當4G信號等級為5且WiFi信號等級為3時，4G網絡下刷新同一格式圖片所需的能耗值都要大于WiFi網絡下刷新所需的能耗值，所以我們提出Mix網絡切換模式，并作為MDP能耗優化模型網絡切換方式.在任何時候，Mix網絡切換模式優先考慮使用WiFi網絡刷新微博，如果WiFi信號等級不大于2，我們將會切換到4G網絡.

實驗過程中，實驗設備根據本文提出的網絡切換方式切換網絡，并自動記錄用戶一段時間內相關數據，數據包含網絡信號強度、測試時間間隔、剩余電量、用戶刷新頻率等.同時，實驗設備將用戶數據存儲到本地數據庫中，以便后續上傳到移動邊緣服務器.

最后，將一段時間內用戶數據庫文件打包上傳到移動邊緣計算服務器，并在移動邊緣計算服務器搭建數據運算環境.預處理數據以后，通過Markov決策過程生成決策表，然后將決策表通過網絡傳輸到實驗設備，實驗設備根據決策表采取最優決策.

3 MDP能耗優化模型實驗與評估

3.1 網絡信號等級值數據采集

為對比4G網絡與WiFi網絡不同信號強度等級值下，刷新一次微博所需的能耗，在實際網絡信號強度等級值采集過程中，同時采集同一個時間與地點的2種網絡信號強度等級值.在整個實驗過程中，我們所使用的測試機為紅米Note2，也對此測試機開發相對應的自動收集2種網絡信號強度等級值的APP，將采集的信息存儲到手機本地數據庫，并最后取出進行數據分析.

3.2 實驗預處理

為了更加精準地測量微博刷新能耗，我們使用相對精度值較高的測量儀器：Agilent34410A高性能數字萬用表.同時，為了在測量過程中更好地提供穩定電源電壓，我們使用Agilent63322A直流電源箱作為電源供應.在實驗數據采集過程中，我們使用2塊Agilent34410A萬用表分別作為電流表和電壓表，其中一塊作為電流表收集測試機兩端變化電流，另一塊作為電壓表采集測試機兩端變化電壓，而電源箱持續供應5V電壓.

Fig. 3 Current and time variation process圖3 測試機兩端電流與時間變化

在4G和WiFi兩種混合網絡環境狀態下，根據不同格式的圖片，在每一個網絡環境狀態下，實驗又分為4個子部分進行測量，包含原始圖片測量、高清圖片測量、縮略圖片測量以及無圖測量.由于不同格式的圖片在下載過程中所需能耗不同，并且隨著圖片分辨率的提升，其下載過程能耗也逐漸上升[12].在實驗過程中我們準備20張不同類型但分辨率相同的圖片作為測試使用，將以原始圖、高清圖以及縮略圖3種類型各刷新5次，同時在無圖模式下也刷新同樣次數.在測量過程中我們收集的數據包括，微博刷新過程中測試機兩端電流值與電壓值的變化，以及整個變化過程所需的時間，如圖3與圖4所示.在微博刷新過程中，測試機兩端電流值與電壓值會在同時刻發生明顯突變，如圖3與圖4中兩條虛線間的位置.當刷新動作結束以后，測試機兩端電流值與電壓值將會趨于平穩，然后根據所采集的數據，獲取整個變化過程的平均電流值與平均電壓值[17]，其刷新功率為

(13)

Fig. 4 Voltage and time variation process圖4 測試機兩端電壓與時間變化

3.3 刷新功率測量

在實驗過程中，我們使用紅米Note2作為測試機.根據在第2節中提到的電量變化概率計算公式，需要先計算出測試機所能提供的總能量.根據紅米Note2測試機提供的電池信息，我們可以計算出其在1 h內釋放的總能量[9]:

Etotal=3060 mAh×4.4 V×3600 s×10-3=
48470.4 J.

(14)

1) 4G網絡狀態下刷新功率測量.為了更加精準地測量刷新微博所需的能耗，本文使用基于新浪微博開放平臺提供的API接口自主開發的社交APP，Mix測試APP.通過注冊使用新浪微博開發平臺提供的API，在刷新微博信息時，圖片的格式類型可以進行自由選擇.將電流表、電壓表以及電源箱連接成功后，電流表與電壓表通過USB連接到計算機，并在Agilent Digital Multimeter Connectivity Utility軟件上顯示電流與電壓變化過程.在測試過程中，我們只打開4G網絡連接功能，將任何其他程序關閉或調節至低功耗模式[16,18].最終，在4G網絡連接狀態下，刷新微博功率如表5所示:

Table 5 Refreshing Power of 4G Network Status表5 4G網絡狀態刷新功率表

2) WiFi網絡狀態下刷新功率測量.在測量WiFi網絡刷新微博功率時，我們同樣使用Mix測試APP，以及將其他耗電程序關閉，在測試過程中只打開WiFi網絡連接.最終，在WiFi網絡連接狀態下，刷新微博功率如表6所示:

Table 6 Refreshing Power of WiFi Network Status表6 WiFi網絡狀態刷新功率表

3) 能耗時間間隔.為了獲取4G信號強度等級值為5與WiFi信號強度等級值為3時刷新能耗對比圖，即圖2所呈現的能耗對比.Mix測試APP在設計之初，添加自動記錄刷新時間功能，記錄每一次刷新微博的時間間隔，其平均時間間隔如表7所示:

Table 7 The Average Time of Refreshing Micro-Blog表7 不同網絡狀態下微博刷新平均時間 ms

根據表5與表6刷新功率表，以及表7刷新時間間隔，功計算為

W=P×t，

(15)

通過式(15)計算出其實際能耗值，結果如表4所示，可以看出在WiFi網絡狀態下刷新能耗，將小于4G網絡狀態下刷新能耗[18].

3.4 實驗評估

為了更加良好地評估MDP能耗優化模型，我們使用10位測試用戶數據，并將數據輸入到Matlab仿真工具，構建出相關的MDP模型，并計算出最優策略.

1) 數據收集.在實驗過程中，我們將測試時間設定為1 h，具體時間為每天早上10點到11點，測試周期為一個月.在測試過程中，用戶刷新頻率分為3種，每種刷新總時間分別為16 min,20 min和24 min，即模擬輕度、中度以及重度用戶刷新頻率，所有測試用戶分別測試不同刷新頻率，每一種刷新頻率測試次數為10次.在測試用戶使用過程中，根據狀態集四元組(n,t,e,f)采集用戶使用過程中4G信號強度等級值、WiFi信號強度等級值、刷新總時間以及手機剩余電量.

2) 測試和訓練.數據采集以后，我們將測試用戶采集的數據作為原始數據，整理分析以后，以狀態集四元組(n,t,e,f)的方式輸入到Matlab仿真工具，計算出最優策略π.為了更好地測試MDP能耗優化模型，10位測試用戶將使用Mix測試APP，分別測試不同等級用戶刷新頻率，在每種刷新頻率測試下，每人測試10次，并采集相關測試數據.

3.5 實驗結果分析

通過Matlab仿真工具，將采集到的數據進行數學建模，最終得到動作策略π，如表8所示，表示1號測試用戶部分動作策略.在表8中，n-w代表WiFi網絡信號強度等級值，t代表用戶當時時間點，e代表手機剩余電量等級值，policy decision中4G與WiFi表示當前狀態下最優網絡選擇，NoP表示當前狀態下最佳圖片格式為無圖，TP表示當前狀態下最佳圖片格式為縮略圖.

Table 8 User Decision Table表8 1號測試用戶部分決策表

在實驗結果中，為了更好地評估MDP能耗優化模型的性能，我們采用2種評估方式：

1) 網絡斷點時間.若用戶無法使用網絡刷新微博，即發生網絡斷點.我們這里分為2種網絡連接模式，第1種測試用戶首先連接WiFi網絡，當WiFi網絡信號強度等級值不大于2并且沒有發生斷連現象時，這一段時間稱為WiFi斷點時間.當WiFi網絡斷連以后，手機自動切換到4G網絡，當4G網絡信號強度等級值不大于1時，這一段時間稱為4G網絡斷點時間，我們將WiFi網絡與4G網絡斷連切換方式統稱為普通網絡切換模式，普通網絡切換模式斷點總時間為其兩項相加之和.而在MDP能耗優化模型中，如果WiFi信號強度等級值不大于2時，將會自動關閉WiFi網絡連接，并自動切換到4G網絡，我們稱這種網絡切換模式為Mix網絡切換模式.當WiFi網絡信號強度等級值不大于2，并且4G網絡信號強度等級值低于1時，則這段時間稱為Mix斷點時間.

2) 能耗值.在普通網絡切換模式下，測試用戶不使用MDP能耗優化模型，根據上文數據采集描述的方法，采集相關數據，并計算能耗平均值.在Mix網絡切換模式下，測試用戶使用MDP能耗優化模型，選擇最佳圖片格式刷新微博，然后根據上文數據采集描述的方法，采集相關數據，并計算能耗平均值.最后，將這2種網絡切換模式中3種不同用戶刷新頻率下所獲取的能耗值進行對比.

圖5中數據表示10位測試用戶平均斷點時間，WiFi+4G表示普通網絡切換模式，Mix表示Mix網絡切換模式.圖6中數據表示10位測試用戶3種刷新頻率下平均能耗值，Light表示輕度用戶刷新頻率，Moderate表示中度用戶刷新頻率，Heavy表示重度用戶刷新頻率.通過圖5可以明顯看出，Mix網絡切換模式很大程度上做到自動切換最優網絡，避免網絡斷點的發生，延長可刷新時間.在能耗優化方面，圖6顯示出3種刷新頻率等級下的平均能耗值，通過圖6可以看出，隨著刷新頻率等級的不斷提升，能耗優化效率也有一定的提升，輕度與中度刷新頻率等級下能耗優化率為8%左右，而當用戶刷新頻率轉換到重度刷新頻率等級后，其能耗優化率高達12.1%.其實驗結果可以得出，用戶使用MDP能耗優化模型后，不僅能耗方面得到優化，也很大程度上減少網絡斷點現象的發生.

Fig. 5 User average breakpoint time comparison圖5 測試用戶平均斷點時間對比圖

Fig. 6 Comparison of energy consumption under different frequency圖6 不同刷新頻率下測試用戶能耗對比

4 總 結

本文提出一種移動邊緣計算模式下基于Markov決策過程的能耗優化模型，并基于Markov決策過程能耗優化模型開發出Mix測試APP.為了驗證Markov決策過程能耗優化模型有效性，我們采用2種不同對比方式：網絡斷點時間與能耗值.實驗結果證明，在1 h的測試時間內，對比不同刷新頻率等級下用戶能耗值與斷點時間值，Markov決策過程能耗優化模型平均能耗優化率為10%左右，其網絡斷點時間平均為未使用優化模型斷點時間的7%左右.在今后的研究工作中，可以探討微博視頻是否具有能耗優化潛質，并向新浪微博開放平臺申請權限，并作進一步研究.

[1] Luo Junzhou, Wu Wenjia, Yang Ming. Mobile Internet: Terminal devices, networks and services[J]. Chinese Journal of Computers, 2011, 34(11): 2029-2051 (in Chinese)

(羅軍舟, 吳文甲, 楊明. 移動互聯網: 終端、網絡與服務[J]. 計算機學報, 2011, 34(11): 2029-2051)

[2] Xiang Hongyu, Xiao Yangwen, Zhang Xian, et al. Edge computing and network slicing technology in 5G [J]. Telecommunications Science, 2017, 33(6): 54-63 (in Chinese)

(項弘禹, 肖揚文, 張賢, 等. 5G邊緣計算和網絡切片技術[J]. 電信科學, 2017, 33(6): 54-63)

[3] China Internet Network Information Center(CNNIC). The 39th statistical report on internet development in China[OL]. [2017-08-20]. http://www.cnnic.net.cn/hlwfzyj/hlwxzbg/ (in Chinese)

(中國互聯網絡信息中心. 第39次中國互聯網絡發展狀況統計報告[OL]. [2017-08-20]. http://www.cnnic.net.cn-/hlwfzyj/hlwxzbg/)

[4] Peng Xixian, Zhu Qinghua, Liu Xuan. Research on behavior characteristics and classification of Micro-Blog users[J]. Information Science, 2015, 33(1): 69-75 (in Chinese)

(彭希羨, 朱慶華, 劉璇. 微博客用戶特征分析及分類研究—以“新浪微博”為例[J].情報科學, 2015, 33(1): 69-75)

[5] Zhao Zheng. Research on Sina weibo user information based on two improved clustering algorithms[D]. Beijing: Capital University of Economics and Business, 2014 (in Chinese)

(趙崢. 基于兩種改進的聚類算法對新浪微博用戶信息的研究[D]. 北京: 首都經濟貿易大學, 2014)

[6] Ye Erlan, He Zhati, Li Peng. Microblog sentiment analysis combining feature of microblogging network and user’s credit[J]. Computer Applications and Software, 2016, 33(10): 98-102 (in Chinese)

(葉爾蘭, 何扎提, 李鵬. 結合微博網絡特征和用戶信用的微博情感分析[J]. 計算機應用與軟件, 2016, 33(10): 98-102)

[7] Zhu Sheng, Zhou Bin, Zhu Xiang. EIP: Discovering influential bloggers by user similarity and topic timeliness[J]. Journal of Shandong University: Natural Science, 2016, 51(9): 113-120 (in Chinese)

(祝升, 周斌, 朱湘. 綜合用戶相似性與話題時效性的影響力用戶發現算法[J]. 山東大學學報: 理學版, 2016, 51(9): 113-120)

[8] Fan Xiaojiang, Zheng Liwei. Measurement for social network data currency and credibility[J]. Journal of Beijing Information Science & Technology University, 2015(4): 66-77 (in Chinese)

(范小將, 鄭麗偉. 一種社交網絡數據時效性及可信度度量方法[J]. 北京信息科技大學學報: 自然科學版, 2015(4): 66-70)

[9] Xu Chenren, Srinivasan V, Yang Jun, et al. Boe: Context-aware global power management for mobile devices balancing battery outage and user experience[C] //Proc of the 11th IEEE Int Conf on Mobile Ad Hoc and Sensor Systems. Piscataway, NJ: IEEE, 2014: 300-308

[10] Jie Ren, Ling Gao, Hai Wang, et al. Energy-aware download method in LTE based smartphone[J]. IEICE Trans on Information & System, 2017, E100-D(2): 304-312

[11] Orsini G, Bade D, Lamersdorf W. Computing at the mobile edge: Designing elastic android applications for computation offloading[C] //Proc of the 8th IEEE IFIP Wireless and Mobile Networking Conf. Piscataway, NJ: IEEE, 2016: 112-119

[12] Thiagarajan N, Aggarwal G, Nicoara A, et al. Who killed my battery: Analyzing mobile browser energy consumption[C] //Proc of the 21st Int Conf on World Wide Web. New York: ACM, 2012: 41-50

[13] Bellman R. A Markovian decision process[J]. Indiana University Mathematics Journal, 1957, 6(4): 679-684

[14] Lu Hong, Yang Jun, Liu Zhigang, et al. The Jigsaw continuous sensing engine for mobile phone applications[C] //Proc of the 8th Int Conf on Embedded Networked Sensor Systems (SENSYS 2010). 2010: 71-84

[15] Nirjon S, Nicoara A, Hsu C H, et al. MultiNets: Policy oriented real-time switching of wireless interfaces on mobile devices[J]. Proc of the 18th IEEE Real-Time and Embedded Technology and Applications Symp (RTAS 2012), 2012, 282(1): 251-260

[16] Chen Xiaomeng, Ding Ning, Jindal A, et al. Smartphone energy drain in the wild: Analysis and implications[J]. ACM Sigmetrics Performance Evaluation Review, 2015, 43(1): 151-164

[17] Zhang L, Tiwana B, Dick R P, et al. Accurate online power estimation and automatic battery behavior based power model generation for smartphones[C] //Proc of the 8th IEEE/ACM/IFIP Int Conf on Hardware/Software Codesign and System Synthesis. Piscataway, NJ: IEEE, 2010: 105-114

[18] Carroll A, Heiser G. An analysis of power consumption in a smartphone[C] //Proc of USENIX Conf on Usenix Technical Conf. Berkeley, CA: USENIX Association, 2010: 21-21

[19] Tang L C, Okamoto K, Maker F, et al. Markov decision process (MDP) framework for optimizing software on mobile phones[C] //Proc of the 7th ACM and IEEE Int Conf on Embedded Software (EMSOFT 2009). New York: ACM, 2009: 11-20