移动云计算中任务卸载技术的研究进展

张强++张宏莉

摘要：移动设备自身固有的一些局限性，其中包括计算能力有限，存储空间有限，环境感知力有限以及电量有限等局限性，使得许多应用程序无法在移动设备上高效的运行。研究人员提出移动云计算技术对移动设备进行资源扩展。移动云计算主要通过任务卸载来增强移动设备的数据处理能力以及减少手机能耗。移动云计算中的任务卸载是指把移动设备的任务发送到云平台，然后由云平台处理，最后云平台向用户返回任务结果。本文首先对移动云计算中任务卸载策略和任务卸载性能的研究现状进行介绍，然后分析现有技术的局限性，最后讨论未来热点的研究方向。

关键词：移动云计算； 任务卸载； 卸载策略； 卸载性能

中图分类号： TP393

文献标志码： A文章编号： [HTSS]2095-2163（2016）06-0001-05[KH*1][HK][HT5SS]

0引言

云计算作为一种高效，按需的服务技术不仅改变了传统的计算模型，而且极大地促进了社会经济的发展和人们生活水平的提高。云服务提供者通过使用虚拟化、网络存储、分布式计算等多种技术把存储、服务器、应用软件等资源转化为资源共享池，用户只需要与云服务提供者经过简单的交互就可以实现资源的访问和利用[1-2]。随着科技的快速进步和人们生活水平的显著提高，手机变成了人们最常使用的移动通信终端。国际电信联盟在2012年1月份的报告显示，全球手机用户达到59亿，移动宽带用户约为12亿，而在2015年年底的报告显示，全球手机用户数已达到71亿，移动宽带用户约为35亿，从这些统计数据可以看出移动互联网业务正以飞快的速度迅猛增长。同时，以苹果公司的iOS系统和Google公司的Android系统为代表的移动操作系统为移动应用程序的高效运行提供了平台支持。然而，由于手机自身固有的一些局限性，包括电池电量有限、CPU处理能力有限、存储空间有限、环境感知能力有限等现实技术特点，使得大量的應用程序无法持续、流畅、高效地在手机端获得运行[3-4]。为了解决上述问题，研究人员提出了移动云计算技术，移动云计算主要通过任务卸载来增强移动设备的处理能力以及降低电量受限设备的能耗[5-6]。移动云计算中的任务卸载是指把移动设备的任务发送到云平台，然后由云平台处理，最后云平台向用户返回任务结果。由于不同的任务具有不同的计算量和数据传输量，在执行任务卸载操作之前，必须确定使用哪个云平台，这就需要任务卸载策略来做出相应的决定。并且，任务卸载性能将直接影响移动应用程序最终的运行性能。因此，改进和完善任务卸载技术，将对移动应用运行效率和服务功能的提升起到重要作用，同时将进一步推动移动云计算技术的发展。

1任务卸载策略研究

Lagerspetz等人研究了利用远程云平台执行移动桌面搜索的优点与不足[7]。该工作在不同的场景下，对任务卸载的能量平衡问题进行了分析，并测量了对应的手机能耗情况，对于手机的应用性能却未作分析和测量。使用的任务卸载策略只考虑了手机的能耗因素，即当手机本地执行任务的能耗大于任务卸载的能耗时，就选择卸载处理。

Huang 等人提出一个卸载算法来降低移动设备的能耗，以及满足应用执行时间的要求[8]。提出的DOA算法利用Lyapunov最优化理论来解决卸载策略问题。该工作考虑移动用户的网络连接是变化的，如果WiFi网络连接存在，移动设备会优先选择WiFi网络，否则选择3G网络。另一方面，作者假设在应用请求执行期间，可用的网络连接将不再变化。该工作首先把一个移动应用分解成N个可卸载部件，然后采用一个加权有向图来表示各个部件之间的关系，接着建立卸载对应的能耗表达式，以及时间约束条件和系统稳定条件，最后确定能耗最小值对应的解。如果直接搜索能耗对应的最优解，时间复杂度将整合呈现为指数级。为了提升算法效率，作者使用1-opt本地搜索算法来求解上述的问题。实验使用了HELVM算法[9]作为对比方案，结果显示DOA算法在手机能耗方面要优于HELVM算法。另外，2个算法都能够满足时间约束条件，HELVM算法的应用执行时间要小于DOA算法。

Zhang等人研究了移动云计算满足时间约束的任务卸载策略问题，提出了一个任务调度策略来负责移动设备和远程云平台的协作执行[10]。首先，在任务模型中，一个应用由一系列的细粒度任务构成，并且这些任务满足线性拓扑，即各个任务依次按顺序执行，当前任务的输出数据是下一个任务的输入数据。另外，作者采用了Gilbert-Elliott信道模型，其中信道具有2种状态，即好状态和坏状态。信道在各个时隙对应的状态主要取决于当时的信道增益情况。研究把移动设备最小能耗的任务调度问题建模成一个有向无环图的最短路径问题，采用了LARAC算法[11]来获得该优化问题的近似解。通过求解预期最小延时、预期最小能耗和预期最小聚合开销对应的最短路径问题来获得任务的执行策略。性能评测利用了现有的测试数据作为输入数据进行仿真实验。实验结果表明提出的任务调度策略与本地执行策略，以及任务全部卸载策略相比，移动设备的能耗更小。

Cuervo等人提出了一个支持细粒度代码卸载的系统MAUI，该系统能够根据移动设备当前的连接状况来决定代码卸载的策略[12]。MAUI使用了CLR（Common Language Runtime）技术而不是Java技术来实现托管代码。MAUI把最大化节省移动设备的能量问题建模成整数线性规划问题，对应的约束条件为响应时间小于等于要求的时间。实验对不同网络延时和计算负载要求的手机应用进行了测试。结果显示，对于资源密集型应用，例如人脸识别应用，MAUI可以降低对应的手机能耗。对于延时敏感的应用，例如游戏应用，MAUI可以提高手机屏幕的刷新速率。另外，MAUI还可以支持实时的语音翻译应用。

Zhang等人提出了移动云系统中用于转码服务的任务卸载策略，该卸载策略的目标是降低转码任务在移动设备和云平台的能耗，同时保证转码服务具有低延时[13]。作者把带有延时期限的卸载策略问题建模成带约束条件的最优化问题，利用Lyapunov最优化理论提出了一个REQUEST算法来为云平台分配转码任务。由于云平台的计算能耗在总能耗中占较大比例[14]，因此对于云平台的能耗作者只考虑了计算能耗。实验结果表明，与其它算法相比，REQUEST算法在各个时段对应的平均能耗更小，同时保证了服务队列的稳定性。

Lee等人研究了在具有多个WiFi热点的场景下移动用户的任务卸载策略问题[15]。作者首先根据各个用户移动模式的规律来建立其移动模型，然后基于用户的移动模型提出了一个任务卸载策略以实现任务响应时间小于本地执行时间。具体来说，作者根据用户使用不同WiFi热点的概率和带宽来计算卸载对应的期望响应时间，如果期望响应时间小于本地执行时间，就选择卸载处理，否则选择本地执行。实验结果表明，当用户移动强度较大时，提出的卸载策略在响应时间和手机能耗方面具有较好的性能。

Hyytia等人研究了在WLAN访问点间歇可用的场景下移动用户的多任务卸载策略问题[16]。作者考虑了排队延时开销、能量开销和资金开销，利用马尔科夫决策过程来制定卸载策略FPI，并且采用了M/G/1-FCFS队列模型[17]来计算值函数。实验结果表明，与其它卸载策略相比，FPI策略对应的任务平均延时更小。

[BT4]2任务卸载性能研究

Giurgiu等人提出了手机应用模块的分割算法，该算法可以识别和确定哪些应用模块需要在云平台执行，哪些应用模块需要在手机端执行[18]。算法假设云平台的资源是无限的，并且没有考虑手机的能耗问题。该方法使用了模块管理软件R-OSGi[19]和模块部署工具AlfredO[20]来实现应用程序在手机和云平台的分布式部署。

Chun等人提出了一个能够自动利用云平台执行移动应用的系统CloneCloud[21]，该系统能够卸载应用程序中的部分线程到云平台执行，对应的卸载机制以最优化执行时间或者手机能耗为目标来确定应用程序的分割点。云平台采用了虚拟机技术来建立克隆的手机操作系统。实验部分对病毒扫描，图像搜索和行为分析3个移动应用进行了测试。实验结果表明，与手机单独执行程序相比，通过WiFi网络使用CloneCloud的情况下，病毒扫描程序的运行速度可以提升12倍，对应的手机能耗可以降低12倍，图像搜索程序的运行速度可以提升20倍，对应的手机能耗可以降低20倍，行为分析程序的运行速度可以提升10倍，对应的手機能耗可以降低8.8倍。

Luzuriaga等人对云平台执行手机应用进行了性能评测[22]，测试的应用为人脸识别应用。作者使用了PCA技术[23]来对图像数据降维，然后进行识别。实验测试了本地执行模式对应的响应时间和识别的准确率，以及云平台执行应用对应的响应时间和识别的准确率。然而，对于手机能耗的情况，该工作没有进行性能评测。

Zhang等人提出了一个弹性移动应用模型[24]，弹性应用程序包含多个Weblet构件，该模型实现了Weblet构件在资源受限的移动设备与云平台之间的弹性处理模式。具体来说，弹性模式主要包括3种：复制模式、分割模式和聚合模式。该方法可以根据应用程序自身的结构，将应用程序配置成多种执行结构。作者提出了一个开销计算模型，采用了基于机器学习的算法，通过最优化多个目标的整体开销来选择为应用程序配置的执行结构。在实验部分，使用了关于图像处理的应用程序进行测试，主要评测了手机的平均吞吐量和平均CPU使用率2项性能指标，对于应用响应时间和手机的能耗没有评测。

Kemp等人提出了一个针对智能手机的计算卸载框架Cuckoo[25]，该框架可以为程序开发人员提供一个简单的编程模型。具体来说，提出的编程模型能够处理手机与云平台的连接丢失，并且支持本地和远程的程序执行。Cuckoo框架与现有的开发工具Eclipse进行了整合，并且能够让用户方便地搜集远程资源。对于卸载策略的问题，Cuckoo框架采用了全部卸载到远程执行的策略，环境信息只考虑远程资源是否可用，可以看出其卸载策略不够灵活，并且任务负载和能量消耗也没有考虑。在实验部分，使用了物体识别应用eyeDentify[26]和基于增强现实的游戏应用PhotoShoot[27]进行测试，给出了测试应用程序使用Cuckoo框架的运行效果，对于手机的能耗没有评测。

Marinelli等人设计了一个移动云计算平台Hyrax[28]，Hyrax平台利用了Hadoop和MapReduce技术在Android手机上执行分布式计算。由于Hyrax主要使用周围的移动设备执行计算任务，而不是利用远程云平台处理任务，因此该方法将受到较小的网络限制。Hyrax能够扩展移动设备的数量，并且可以容忍节点离开，从而实现了分布式资源的灵活使用。实验部分利用在多部Android手机上安装Hyrax平台并运行Sort、Random Writer和Word Count等程序进行性能评测，同时实验还测试了这些程序在多台Hadoop服务器上的运行性能，并把两者的性能进行了比较和分析。

Huerta-Canepa等人提出了使用周围用户的手机作为虚拟移动云计算服务提供者，这种框架主要用于处理移动用户无法与远程云平台连接或者连接费用过高的情况[29]。作者指出当多个移动用户具有相同任务时，可以把任务分割成多个子任务，每个移动用户执行一部分子任务，将会节省各个移动用户的手机能耗。实验测试使用了Ipod Touch作为移动设备，每台Ipod Touch都安装了Hadoop，Ipod Touch之间使用WiFi通信。测试的应用为韩文OCR（Optical Character Recognition）应用，该应用需要读取一个图像，然后扫描出其中的韩文，最后把韩文翻译成罗马文。实验给出了执行时间的测试结果，结果显示把子任务卸载到移动设备对应的执行时间要稍微大于任务在本地执行对应的时间，其原因是卸载准备和等待占用了较长时间。

Klein等人提出移动云计算中的无线智能接入方案[30]，异构接入管理器HAM根据移动云控制器中用户所处的环境信息和请求的服务信息为用户做出网络选择和网络切换的决定。在t时刻，对于任意一个用户，异构接入管理器HAM首先把需要考虑的n个环境信息素进行归一化。接着，用每个环境信息素对连接评测的相关度和可信度的乘积作为其归一化数值的权重。下一步，计算n个带权重的归一化数值之和，进而能够确定可选连接中的最大值。为了获得较好的连接收益，只有当信息素最大值与当前连接的信息素数值之差大于给定阈值时，才选择网络切换，这样做可以实现网络切换开销（例如，移动设备的能耗和网络资源的开销）与连接性能提升之间的平衡。作者实现了一个环境感知的无线网络模拟器CORAS，没有对异构接入管理器HAM进行性能评测。另一方面，该工作使用环境信息素计算模型来评测连接质量存在一定缺陷。例如，某个连接方式的多个归一化环境信息素中部分信息素具有较高的数值，而一小部分信息素具有较低的数值，那么根据信息素模型也会计算出较大的信息素求和值。虽然模型计算出的整体连接质量较高，但是如果数值较低的信息素无法满足用户请求的服务，则该连接也无法满足用户的请求。

Mei等人提出把移動应用外包给云平台处理，并且基于Android平台和Amazon EC2设计了一个外包的原型框架[31]。在该框架下，作者通过解析不同应用在3种计算环境下（在移动端本地执行，通过WiFi连接云平台处理，通过3G网络连接云平台处理）的行为，分析这种计算外包方式的潜能。实验使用基于图像处理的应用来进行性能评测，具体应用包括：SimpleBlur、GaryScale和人脸识别应用。云平台使用Amazon EC2，移动设备使用HTC Android系统手机。在各个环境下，资源的使用情况和执行时间都将进入监控与分析。实验结果表明，SimpleBlur应用通过WiFi连接云平台处理与本地执行相比，处理速度更快，速度提升的最大程度为27.7倍，对应的手机能耗更小，并且手机CPU使用率也更低，只有在手机内存消耗方面比较接近。GaryScale应用利用云平台处理与本地执行相比，花费的时间更多，手机能耗更大，这主要是因为GaryScale应用没有较大的计算负载，应用卸载带来的通信开销是导致性能较差的主要原因。人脸识别应用的性能以及手机能耗情况，与输入数据的大小和网络连接情况相关，不同的输入数据大小具有明显的性能差异。当图像为240×300时，云平台处理要比本地执行更慢，手机能耗更大。当图像为450×450时，通过WiFi连接云平台处理要比本地执行更快，手机能耗更小。

Barbera等人研究了手机利用云平台进行任务卸载的手机带宽和能量消耗情况[32]，该工作使用11部Android手机和Amazon EC2进行测试。为了实现真实的性能测试，作者设计了一个日志记录器来记录手机发生的事件，并且日志记录器可以获得系统状态和数据使用信息。实验结果表明，使用WiFi连接云平台比使用3G网络能耗更小，另外，随着手机与云平台同步操作频率的提高，手机的流量开销也会增长。然而，该工作没有测试任务卸载对应的响应时间。

Wang等人研究了无线网络带宽和服务器计算能力的受限问题[33]，提出了一种渲染自适应技术来解决云平台处理移动游戏程序对应的资源受限问题。作者确定了多个影响通信开销和计算开销的渲染参数，其中包括逼真效果、视野距离、纹理细节、环境细节和渲染帧速率。作者提出了支持不同自适应级别的最优自适应渲染配置，并且设计了一个级别选择算法来完成自适应的3D渲染。实验使用PlaneShift[34]作为测试应用。对于移动游戏的用户体验，作者使用GMOS[35]指标来进行评价。实验结果表明，提出的方法能够应对无线网络带宽受限，可以确保计算资源的伸缩性，而且能够确保可接受的用户体验。

Kosta等人提出了一个卸载手机应用到云平台的计算架构ThinkAir[36]，该架构可以完成方法级别的计算卸载，同时ThinkAir利用了并行处理技术来提升可并行应用的处理效率。ThinkAir主要包含3个构件：执行环境、应用服务器和解析器。其中的应用服务器主要由3部分构成：客户端控制器、云基础设施和自动并行组件。解析器主要包括：硬件解析器、软件解析器和网络解析器。实验测试了4种应用程序，分别为[WT5”HX]N[WT5”BZ]皇后问题、人脸识别、病毒扫描和图像融合。实验结果表明，当输入数据的大小达到要求时，ThinkAir能够降低测试应用的执行时间和对应的手机能耗。

Ma等人提出了一个中间件系统eXCloud[37]，该系统可以支持多级任务卸载，其中包括粗粒度的虚拟机和细粒度的运行时栈帧。eXCloud使用SOD方法来实现移动设备的计算卸载。对于任务卸载，作者指出对应的经典方法是进程卸载。与进程卸载不同，eXCloud只卸载顶部栈帧，堆区和代码区将以按需的方式由eXCloud实现调度利用。实验使用JESSICA2和G-JavaMPI作为卸载对比方案，实验结果表明eXCloud在卸载开销和卸载延时方面的性能要优于对比方案，同时eXCloud在任务卸载过程中完成了较好的资源利用。

Gordon等人提出了一个多线程应用卸载系统COMET[38]，该系统通过卸载应用程序的多个线程到多台机器，来提升移动设备的处理能力以及降低能耗。COMET利用DSM分布式共享内存技术来实现多线程卸载，并且使用区域级粒度来管理内存的一致性。实验测试了9种移动应用程序，实验结果表明COMET完成了2.88倍的几何平均加速处理和1.51倍的手机能量节省。

[BT4]3结束语

[JP2]上述移动云计算中任务卸载技术的研究，已经能够提升一些移动应用的运行性能，然而这些研究工作仍然存在不足。目前，大多数的研究工作讨论了只有单个云平台提供服务的情况。当云平台的资源状况无法满足任务卸载要求时，云平台就无法提供相应的云服务。例如，远程云平台通过广域网传输数据，对应的数据传输率较低，因此数据传输时间可能较长。如果远程云平台完成任务卸载的响应时间大于用户要求的响应时间，则该用户不能获得有效的云服务。另外，研究人员提出使用本地微云来提升数据传输率，但是微云仍具有局限性。由于微云的计算和存储资源是有限的，当大量的用户向微云发送请求时，微云很可能无法为所有用户提供有效的云服务。为了解决上述问题，需要整合各种有用的资源来增强云平台的服务能力，例如，整合车载单元中的资源。一旦各种资源获得了整合与利用，整个云服务系统中将包含多个云平台。即使某个云平台不能满足任务卸载要求，移动用户还可以尝试使用其它云平台，这样就增强了云服务的可用性。因此，整个云服务系统中可能会有多个云平台同时满足任务的卸载要求，那么如何选择一个最优云平台来执行任务也需要后续进一步的深入研究。[JP]

参考文献：

[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页）[FL）]

[HT5”SS][ST5”BZ][WT5”BZ][JY]（上接第4页）

[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）]