第40卷第2期 2017年2月 CHINESE JOURNAL OF COMPUTERS Feb.2017 移动云计算研究进展与趋势 崔勇”宋健”缪葱葱”唐俊 1)(清华大学计算机科学与技术系北京100084) 2)(解放军信息工程大学郑州450001) 摘要随着移动互联网的飞速发展,移动终端的应用已经渗透到人们工作生活的方方面面,为了满足日益复杂 的移动应用对移动终端的电池容量、计算能力、存储容量以及安全性提出的更高要求,移动云计算作为移动互联网 和云计算结合的产物,近年来得到了快速发展,也催生出了众多新的信息服务和应用模式,得到了学术界和工业界 的广泛关注移动云计算继承了云计算的应用动态部署、资源可扩展、多用户共享以及多服务整合等优势,为解决 移动终端资源受限问题提供了一种有效方式,但在用户动态移动、终端电量有限、非法访问及隐私泄漏等安全威胁 日益严重的情况下,仍然面临诸多研究挑战.文中围绕这些挑战,介绍了计算迁移、基于移动云的位置服务、移动终 端节能、数据安全与隐私保护等移动云计算技术的硏究现状,进一步对移动云存储、微云、群智服务和移动云游戏 等移动云计算的典型应用进行了深入分析,并从移动云计算功能增强、服务质量保障和安全可用性等3个方面,展 望了移动云计算未来的发展趋势和研究方向 关键词移动云计算;计算迁移;位置服务;终端节能;移动云存储 中图法分类号TP393DOI号10.11897/SP.J.1016.2017.00273 Mobile cloud computing research Progress and Trends CUI Yong SONG Jia nD MIAO Cong-Cong TANG Jun).2) 1( De partment of Com puter Science and Technology, Tsinghua University, Beijing 100084) 2>(The PLA In formation Engineering University, Zhengzhou 450001) Abstract With the rapid development of mobile Internet, the applications of mobile devices have penetrated into all aspects of people's work and life. In order to meet the requirements of complex mobile applications for mobile devices, such as battery capacity, computing power storage capacity security and privacy, mobile cloud computing as a combination of mobile Internet and cloud has been in a rapid development in recent years, brought out the new information service and application modes, which has attracted great attentions from both industry and academia. Mobile loud computing inherits the advantages of cloud computing, such as dynamic deployment resource scalability, multiple users sharing and multiple services integration. It provides an ffective way to empower the resource shortage of mobile devices. However, the inherent proble such as dynamic mobility, limited battery capacity and security threats from unauthorized access and privacy breach introduce many new challenges to the research of mobile cloud computing Firstly, based on the fundamental research problems in mobile cloud computing, we describe the research progress of this area, mainly including the computation migration technologies, cloud based location service, energy-saving technologies for mobile device, data security and privacy protection. Then we give an in-depth analysis for the typical applications of mobile cloud computing 收稿日期:2015-12-10;在线出版日期:2016-09-24.本课题得到国家自然科学基金优秀青年科学基金项目(61422206)、国家自然科学基金重 大国际合作项目(61120106008)和国家电网公司科技项目( SGRIXTJSFW[2016]377)资助.崔勇,男,1976年生,博土,教授,博士生导 师,中国计算机学会(CCF)高级会员,主要研究领域为计算机网络体系结构、无线网络与移动计算.E-mail:cuiyong@tsinghua.edu.cn 宋健(通信作者),男,1980年生,博土研究生,主要研究方向为无线网络与移动云计算.E-mail:lionsong0808@126.com.缪葱葱,男 1993年生,博士研究生,主要研究方向为无线网络与移动云计算.唐俊,男,1976年生,博士研究生,副教授,主要研方向为云计算安全 与隐私保护
书 第４０卷第２期 ２０１７年２月 计 算 机 学 报 ＣＨＩＮＥＳＥＪＯＵＲＮＡＬＯＦＣＯＭＰＵＴＥＲＳ Ｖｏｌ．４０Ｎｏ．２ Ｆｅｂ．２０１７ 收稿日期：２０１５１２１０；在线出版日期：２０１６０９２４．本课题得到国家自然科学基金优秀青年科学基金项目（６１４２２２０６）、国家自然科学基金重 大国际合作项目（６１１２０１０６００８）和国家电网公司科技项目（ＳＧＲＩＸＴＪＳＦＷ［２０１６］３７７）资助．崔勇，男，１９７６年生，博士，教授，博士生导 师，中国计算机学会（ＣＣＦ）高级会员，主要研究领域为计算机网络体系结构、无线网络与移动计算．Ｅｍａｉｌ：ｃｕｉｙｏｎｇ＠ｔｓｉｎｇｈｕａ．ｅｄｕ．ｃｎ． 宋健（通信作者），男，１９８０年生，博士研究生，主要研究方向为无线网络与移动云计算．Ｅｍａｉｌ：ｌｉｏｎｓｏｎｇ０８０８＠１２６．ｃｏｍ．缪葱葱，男， １９９３年生，博士研究生，主要研究方向为无线网络与移动云计算．唐俊，男，１９７６年生，博士研究生，副教授，主要研方向为云计算安全 与隐私保护． 移动云计算研究进展与趋势 崔勇１） 宋健１） 缪葱葱１） 唐俊１），２） １）（清华大学计算机科学与技术系北京１０００８４） ２）（解放军信息工程大学郑州４５０００１） 摘要随着移动互联网的飞速发展，移动终端的应用已经渗透到人们工作生活的方方面面．为了满足日益复杂 的移动应用对移动终端的电池容量、计算能力、存储容量以及安全性提出的更高要求，移动云计算作为移动互联网 和云计算结合的产物，近年来得到了快速发展，也催生出了众多新的信息服务和应用模式，得到了学术界和工业界 的广泛关注．移动云计算继承了云计算的应用动态部署、资源可扩展、多用户共享以及多服务整合等优势，为解决 移动终端资源受限问题提供了一种有效方式，但在用户动态移动、终端电量有限、非法访问及隐私泄漏等安全威胁 日益严重的情况下，仍然面临诸多研究挑战．文中围绕这些挑战，介绍了计算迁移、基于移动云的位置服务、移动终 端节能、数据安全与隐私保护等移动云计算技术的研究现状，进一步对移动云存储、微云、群智服务和移动云游戏 等移动云计算的典型应用进行了深入分析，并从移动云计算功能增强、服务质量保障和安全可用性等３个方面，展 望了移动云计算未来的发展趋势和研究方向． 关键词移动云计算；计算迁移；位置服务；终端节能；移动云存储 中图法分类号ＴＰ３９３ 犇犗犐号１０．１１８９７／ＳＰ．Ｊ．１０１６．２０１７．００２７３ 犕狅犫犻犾犲犆犾狅狌犱犆狅犿狆狌狋犻狀犵犚犲狊犲犪狉犮犺犘狉狅犵狉犲狊狊犪狀犱犜狉犲狀犱狊 ＣＵＩＹｏｎｇ１） ＳＯＮＧＪｉａｎ１） ＭＩＡＯＣｏｎｇＣｏｎｇ１） ＴＡＮＧＪｕｎ１），２） １）（犇犲狆犪狉狋犿犲狀狋狅犳犆狅犿狆狌狋犲狉犛犮犻犲狀犮犲犪狀犱犜犲犮犺狀狅犾狅犵狔，犜狊犻狀犵犺狌犪犝狀犻狏犲狉狊犻狋狔，犅犲犻犼犻狀犵１０００８４） ２）（犜犺犲犘犔犃犐狀犳狅狉犿犪狋犻狅狀犈狀犵犻狀犲犲狉犻狀犵犝狀犻狏犲狉狊犻狋狔，犣犺犲狀犵狕犺狅狌４５０００１） 犃犫狊狋狉犪犮狋ＷｉｔｈｔｈｅｒａｐｉｄｄｅｖｅｌｏｐｍｅｎｔｏｆｍｏｂｉｌｅＩｎｔｅｒｎｅｔ，ｔｈｅａｐｐｌｉｃａｔｉｏｎｓｏｆｍｏｂｉｌｅｄｅｖｉｃｅｓｈａｖｅ ｐｅｎｅｔｒａｔｅｄｉｎｔｏａｌｌａｓｐｅｃｔｓｏｆｐｅｏｐｌｅ’ｓｗｏｒｋａｎｄｌｉｆｅ．Ｉｎｏｒｄｅｒｔｏｍｅｅｔｔｈｅｒｅｑｕｉｒｅｍｅｎｔｓｏｆｃｏｍｐｌｅｘ ｍｏｂｉｌｅａｐｐｌｉｃａｔｉｏｎｓｆｏｒｍｏｂｉｌｅｄｅｖｉｃｅｓ，ｓｕｃｈａｓｂａｔｔｅｒｙｃａｐａｃｉｔｙ，ｃｏｍｐｕｔｉｎｇｐｏｗｅｒｓｔｏｒａｇｅｃａｐａｃｉｔｙ， ｓｅｃｕｒｉｔｙａｎｄｐｒｉｖａｃｙ，ｍｏｂｉｌｅｃｌｏｕｄｃｏｍｐｕｔｉｎｇａｓａｃｏｍｂｉｎａｔｉｏｎｏｆｍｏｂｉｌｅＩｎｔｅｒｎｅｔａｎｄｃｌｏｕｄｃｏｍｐｕｔｉｎｇ ｈａｓｂｅｅｎｉｎａｒａｐｉｄｄｅｖｅｌｏｐｍｅｎｔｉｎｒｅｃｅｎｔｙｅａｒｓ，ｂｒｏｕｇｈｔｏｕｔｔｈｅｎｅｗｉｎｆｏｒｍａｔｉｏｎｓｅｒｖｉｃｅａｎｄ ａｐｐｌｉｃａｔｉｏｎｍｏｄｅｓ，ｗｈｉｃｈｈａｓａｔｔｒａｃｔｅｄｇｒｅａｔａｔｔｅｎｔｉｏｎｓｆｒｏｍｂｏｔｈｉｎｄｕｓｔｒｙａｎｄａｃａｄｅｍｉａ．Ｍｏｂｉｌｅ ｃｌｏｕｄｃｏｍｐｕｔｉｎｇｉｎｈｅｒｉｔｓｔｈｅａｄｖａｎｔａｇｅｓｏｆｃｌｏｕｄｃｏｍｐｕｔｉｎｇ，ｓｕｃｈａｓｄｙｎａｍｉｃｄｅｐｌｏｙｍｅｎｔ， ｒｅｓｏｕｒｃｅｓｃａｌａｂｉｌｉｔｙ，ｍｕｌｔｉｐｌｅｕｓｅｒｓｓｈａｒｉｎｇａｎｄｍｕｌｔｉｐｌｅｓｅｒｖｉｃｅｓｉｎｔｅｇｒａｔｉｏｎ．Ｉｔｐｒｏｖｉｄｅｓａｎ ｅｆｆｅｃｔｉｖｅｗａｙｔｏｅｍｐｏｗｅｒｔｈｅｒｅｓｏｕｒｃｅｓｈｏｒｔａｇｅｏｆｍｏｂｉｌｅｄｅｖｉｃｅｓ．Ｈｏｗｅｖｅｒ，ｔｈｅｉｎｈｅｒｅｎｔｐｒｏｂｌｅｍｓ ｓｕｃｈａｓｄｙｎａｍｉｃｍｏｂｉｌｉｔｙ，ｌｉｍｉｔｅｄｂａｔｔｅｒｙｃａｐａｃｉｔｙａｎｄｓｅｃｕｒｉｔｙｔｈｒｅａｔｓｆｒｏｍｕｎａｕｔｈｏｒｉｚｅｄａｃｃｅｓｓ ａｎｄｐｒｉｖａｃｙｂｒｅａｃｈｉｎｔｒｏｄｕｃｅｍａｎｙｎｅｗｃｈａｌｌｅｎｇｅｓｔｏｔｈｅｒｅｓｅａｒｃｈｏｆｍｏｂｉｌｅｃｌｏｕｄｃｏｍｐｕｔｉｎｇ． Ｆｉｒｓｔｌｙ，ｂａｓｅｄｏｎｔｈｅｆｕｎｄａｍｅｎｔａｌｒｅｓｅａｒｃｈｐｒｏｂｌｅｍｓｉｎｍｏｂｉｌｅｃｌｏｕｄｃｏｍｐｕｔｉｎｇ，ｗｅｄｅｓｃｒｉｂｅｔｈｅ ｒｅｓｅａｒｃｈｐｒｏｇｒｅｓｓｏｆｔｈｉｓａｒｅａ，ｍａｉｎｌｙｉｎｃｌｕｄｉｎｇｔｈｅｃｏｍｐｕｔａｔｉｏｎｍｉｇｒａｔｉｏｎｔｅｃｈｎｏｌｏｇｉｅｓ，ｃｌｏｕｄ ｂａｓｅｄｌｏｃａｔｉｏｎｓｅｒｖｉｃｅ，ｅｎｅｒｇｙｓａｖｉｎｇｔｅｃｈｎｏｌｏｇｉｅｓｆｏｒｍｏｂｉｌｅｄｅｖｉｃｅ，ｄａｔａｓｅｃｕｒｉｔｙａｎｄｐｒｉｖａｃｙ ｐｒｏｔｅｃｔｉｏｎ．Ｔｈｅｎｗｅｇｉｖｅａｎｉｎｄｅｐｔｈａｎａｌｙｓｉｓｆｏｒｔｈｅｔｙｐｉｃａｌａｐｐｌｉｃａｔｉｏｎｓｏｆｍｏｂｉｌｅｃｌｏｕｄｃｏｍｐｕｔｉｎｇ
274 计算机学报 2017年 such as mobile cloud storage, cloudlet, group intelligence service and mobile cloud gaming, and finally prospect the research trend from the aspects of function enhancement, quality of service assurance, security and availability eywords mobile cloud computing: computation offloading: location-based service; energy efficient; mobile cloud storage 据中心上,为用户提供更加丰富高效的内容服务.对 1引言 安全性、网络延迟和能耗等方面要求更高的用户,可 以通过局域网连接本地微云,获得具备一定可扩展 随着移动互联网的飞速发展和移动应用的极大性的云服务.本地微云也可以通过 Internet连接公 丰富,移动终端已经成为人们工作生活不可或缺的有云,以进一步扩展其计算、存储能力,为移动用户 一部分.移动支付、移动医疗、移动游戏及虚拟现实提供更加丰富的资源 等日益复杂的移动应用对移动终端的计算能力、存 移动云计算由云计算发展而来,天然继承了云 储容量、电池容量以及安全性提出了更高的要求然计算的应用动态部署、资源可扩展、多用户共享以及 而,由于重量、大小和散热等因素的限制,移动终端多服务整合等优势.另外,移动云计算还具有终端资 的计算、存储资源与传统的非移动设备相比一直存源有限性、用户移动性、接入网异构性以及无线网络 在很大的差距,特别是移动终端有限的电池容量,的安全脆弱性等特有属性. 严重影响了用户的应用体验,为了突破移动终端计1.2移动云计算主要研究范畴 算、存储和电池等资源限制,为移动用户提供更加丰 移动云计算研究领域涵盖广泛,范围涉及无线 富的应用,将云计算引入移动环境口,移动云计算网络、移动计算、云计算等多个领域的相关技术目 ( Mobile Cloud Computing,MCC)作为一种新的应前已经有一些移动云计算相关技术的综述文献 用模式应运而生 Fernando等人[和 Rahimi等人给出了移动云计 1.1移动云计算的定义与特点 算的定义、体系框架,并重点介绍了移动云计算的典 移动云计算的主要目标是应用云端的计算、存型应用场景及主要的计算迁移应用 储等资源优势,突破移动终端的资源限制,为移动用 本文对当前移动云计算的主要研究工作进行归 户提供更加丰富的应用以及更好的用户体验其定类和梳理,形成如图2所示的移动云计算研究体系 义一般可以概括为移动终端通过无线网络,以按需、该研究体系分为3层:最下层是移动云计算面临的 易扩展的方式从云端获得所需的基础设施,平台、软主要挑战,包括移动终端资源受限性、用户移动性以 件等资源或信息服务的使用与交付模式[2 及一系列的安全问题;第2层对这些挑战对应的主 移动云计算的体系架构如图1所示,移动用户要关键技术及其重要研究成果进行总结与分析,主 通过基站等无线网络接入方式连接到 Internet上的 要包括计算迁移、基于移动云的位置服务、移动终端 公有云.公有云的数据中心分布部署在不同的地方, 节能以及数据安全与隐私保护等;最上层则重点介 为用户提供可扩展的计算、存储等服务.内容提供商 也可以将视频、游戏和新闻等资源部署在适当的数 绍了在这些关键技术支撑下的移动云计算新型应用 移动用户 无线接入 云端服务 移动云存储微云应用移动云游戏群智应用应用 AP本地微云 移动终端 技术的位置服务节能技术隐私保护 技才 计第存储用户移动性[终端电池适侵|挑战 网络运营商 互联网内容提供商 资源受限 隐私泄漏 (ICP) 图1移动云计算体系架构 图2移动云计算研究体系
ｓｕｃｈａｓｍｏｂｉｌｅｃｌｏｕｄｓｔｏｒａｇｅ，ｃｌｏｕｄｌｅｔ，ｇｒｏｕｐｉｎｔｅｌｌｉｇｅｎｃｅｓｅｒｖｉｃｅａｎｄｍｏｂｉｌｅｃｌｏｕｄｇａｍｉｎｇ，ａｎｄ ｆｉｎａｌｌｙｐｒｏｓｐｅｃｔｔｈｅｒｅｓｅａｒｃｈｔｒｅｎｄｆｒｏｍｔｈｅａｓｐｅｃｔｓｏｆｆｕｎｃｔｉｏｎｅｎｈａｎｃｅｍｅｎｔ，ｑｕａｌｉｔｙｏｆｓｅｒｖｉｃｅ ａｓｓｕｒａｎｃｅ，ｓｅｃｕｒｉｔｙａｎｄａｖａｉｌａｂｉｌｉｔｙ． 犓犲狔狑狅狉犱狊 ｍｏｂｉｌｅｃｌｏｕｄｃｏｍｐｕｔｉｎｇ；ｃｏｍｐｕｔａｔｉｏｎｏｆｆｌｏａｄｉｎｇ；ｌｏｃａｔｉｏｎｂａｓｅｄｓｅｒｖｉｃｅ；ｅｎｅｒｇｙ ｅｆｆｉｃｉｅｎｔ；ｍｏｂｉｌｅｃｌｏｕｄｓｔｏｒａｇｅ １引言 随着移动互联网的飞速发展和移动应用的极大 丰富，移动终端已经成为人们工作生活不可或缺的 一部分．移动支付、移动医疗、移动游戏及虚拟现实 等日益复杂的移动应用对移动终端的计算能力、存 储容量、电池容量以及安全性提出了更高的要求．然 而，由于重量、大小和散热等因素的限制，移动终端 的计算、存储资源与传统的非移动设备相比一直存 在很大的差距，特别是移动终端有限的电池容量， 严重影响了用户的应用体验．为了突破移动终端计 算、存储和电池等资源限制，为移动用户提供更加丰 富的应用，将云计算引入移动环境［１］，移动云计算 （ＭｏｂｉｌｅＣｌｏｕｄＣｏｍｐｕｔｉｎｇ，ＭＣＣ）作为一种新的应 用模式应运而生． １１移动云计算的定义与特点 移动云计算的主要目标是应用云端的计算、存 储等资源优势，突破移动终端的资源限制，为移动用 户提供更加丰富的应用以及更好的用户体验．其定 义一般可以概括为移动终端通过无线网络，以按需、 易扩展的方式从云端获得所需的基础设施、平台、软 件等资源或信息服务的使用与交付模式［２］． 图１移动云计算体系架构 移动云计算的体系架构如图１所示．移动用户 通过基站等无线网络接入方式连接到Ｉｎｔｅｒｎｅｔ上的 公有云．公有云的数据中心分布部署在不同的地方， 为用户提供可扩展的计算、存储等服务．内容提供商 也可以将视频、游戏和新闻等资源部署在适当的数 据中心上，为用户提供更加丰富高效的内容服务．对 安全性、网络延迟和能耗等方面要求更高的用户，可 以通过局域网连接本地微云，获得具备一定可扩展 性的云服务．本地微云也可以通过Ｉｎｔｅｒｎｅｔ连接公 有云，以进一步扩展其计算、存储能力，为移动用户 提供更加丰富的资源． 移动云计算由云计算发展而来，天然继承了云 计算的应用动态部署、资源可扩展、多用户共享以及 多服务整合等优势．另外，移动云计算还具有终端资 源有限性、用户移动性、接入网异构性以及无线网络 的安全脆弱性等特有属性． １２移动云计算主要研究范畴 移动云计算研究领域涵盖广泛，范围涉及无线 网络、移动计算、云计算等多个领域的相关技术．目 前已经有一些移动云计算相关技术的综述文献． Ｆｅｒｎａｎｄｏ等人［３］和Ｒａｈｉｍｉ等人［４］给出了移动云计 算的定义、体系框架，并重点介绍了移动云计算的典 型应用场景及主要的计算迁移应用． 本文对当前移动云计算的主要研究工作进行归 类和梳理，形成如图２所示的移动云计算研究体系． 该研究体系分为３层：最下层是移动云计算面临的 主要挑战，包括移动终端资源受限性、用户移动性以 及一系列的安全问题；第２层对这些挑战对应的主 要关键技术及其重要研究成果进行总结与分析，主 要包括计算迁移、基于移动云的位置服务、移动终端 节能以及数据安全与隐私保护等；最上层则重点介 绍了在这些关键技术支撑下的移动云计算新型应用． 图２移动云计算研究体系 ２７４ 计 算 机 学 报 ２０１７年
2期 崔勇等:移动云计算研究进展与趋势 计算迁移作为移动云计算的核心技术,主要端需求的轻量级安全方案.云端数据安全[2、用户 解决移动终端的计算和存储资源受限问题,它以整隐私保护[以及移动终端安全①已经成为近年来信 个应用或部分代码/数据[1等形式,将移动终息安全领域研究的重要方向 端的存储、计算等任务迁移到云端数据中心或高性 本文重点围绕计算迁移、基于移动云的位置服 能服务器上执行,是移动终端获得灵活、高效服务的务等移动云计算的支撑技术,以及移动终端节能、数 基本手段.学术界已经针对扩展移动终端的计算、存据安全与隐私保护等移动云计算涉及的主要问题, 储能力、减少服务延迟、节约终端能耗[等不介绍移动云计算的研究现状,特别是最新的研究进 同优化目标提出了一系列计算迁移方案.然而,为了展;然后对移动云计算的典型应用模式进行了深入 设计高效可靠的计算迁移系统,还需要综合考虑终分析;最后讨论了移动云计算存在的一些问题以及 端负载、任务属性、网络状况以及应用环境等多种未来的发展趋势. 测度.近年来,相关研究领域也开始得到学术界的 重视 2计算迁移技术 用户的移动性是移动云计算的重要特点之 位置服务1旨在精确高效地定位用户位置,保证 计算迁移技术的出现最早可以追溯到 Cyber 用户可以在持续移动过程中,随时随地按需获取云 Foraging3]概念的提出,通过将移动终端的计算、 端数据中心提供的丰富多样、灵活高效的个性化定存储等任务迁移到附近资源丰富的服务器执行,减 制服务].然而,传统的定位技术已经无法完全适少移动终端计算、存储和能量等资源的需求.随着云 应智能家居中的病人监护、体感游戏等移动云计算计算的发展,计算迁移开始应用于云环境中,成为移 新型应用的需求.当前学术界的研究热点已经主要动云计算的重要支撑技术.计算迁移的总体目标主 集中到室内轨迹追踪[叼与导航[1、精确定位与要包括扩展CPU处理能力、节约移动终端能耗、减 动作识别等新型位置服务方面.然而,这些新型少服务延迟和节约处理成本等 技术大多基于大量信息的收集、存储以及复杂的运 计算迁移可以概括为代理发现、环境感知、任务 算处理,这是资源受限的移动终端无法胜任的因划分、任务调度和执行控制等步骤口,然而,并不是 此,大多数解决方案都基于云计算的模式设计实现.所有计算迁移方案都包含全部步骤其中,最为核心 这些新型技术的发展必将进一步促进移动云计算应的执行控制主要涉及如何连接到一个可靠的远程代 用的丰富,但也越来越依赖云计算的资源优势. 理,传递执行所需的信息,远程执行并返回计算结 移动云计算面临的另一个主要挑战是移动终端果,其具体迁移步骤如图3所示 电池容量的限制.受移动终端体积、重量,以及电池 移动应用1)智系统类 技术水平的限制,终端可用电量很难在短期内获得 (2)保存状态 大幅提升.为了延长移动终端的可用时间,提高用户 体验,移动终端节能技术也一直得到学术界和工业 动封装应用至M级存 界的广泛关注.当前终端节能技术研究的热点主要 4)读取状态 集中在不同无线网络环境下的传输节能[223,以及 代理 定位服务等能耗密集型应用节能2等方面 (5)传输代码VM 另外,随着移动云计算应用的迅速拓展与深入 人们已经越来越习惯将通信录、照片等个人信息备 远(6)保存状态 份在云端,甚至直接应用手机完成电子支付.因此, VM实例缓存 (7) 移动云计算环境中的数据安全与隐私保护也愈发重 务 (9)读取状态 要.移动云计算环境中,不仅要保证用户外包到不可 系统类库 移动应用 信云端的数据安全性、完整性,而且要保证用户身 图3计算迁移步骤 份、访问行为等信息的隐私安全,避免移动终端由于 受到恶意代码攻击造成的信息被窃、数据丢失,还要 computingtopthreatsin2013.https://downloads Nine_Cloud_Computing- Top_ Threats-in-20l3pdrO, ecurityalliance. org/initiatives/top_threats/The_Not 考虑移动终端的资源受限等问题,设计满足移动终
计算迁移［５６］作为移动云计算的核心技术，主要 解决移动终端的计算和存储资源受限问题，它以整 个应用［７８］或部分代码／数据［９１０］等形式，将移动终 端的存储、计算等任务迁移到云端数据中心或高性 能服务器上执行，是移动终端获得灵活、高效服务的 基本手段．学术界已经针对扩展移动终端的计算、存 储能力［１１］、减少服务延迟［１２］、节约终端能耗［９］等不 同优化目标提出了一系列计算迁移方案．然而，为了 设计高效可靠的计算迁移系统，还需要综合考虑终 端负载、任务属性、网络状况以及应用环境等多种 测度．近年来，相关研究领域也开始得到学术界的 重视．用户的移动性是移动云计算的重要特点之一． 位置服务［１３１４］旨在精确高效地定位用户位置，保证 用户可以在持续移动过程中，随时随地按需获取云 端数据中心提供的丰富多样、灵活高效的个性化定 制服务［１５］．然而，传统的定位技术已经无法完全适 应智能家居中的病人监护、体感游戏等移动云计算 新型应用的需求．当前学术界的研究热点已经主要 集中到室内轨迹追踪［１６１７］与导航［１８１９］、精确定位与 动作识别［２０２１］等新型位置服务方面．然而，这些新型 技术大多基于大量信息的收集、存储以及复杂的运 算处理，这是资源受限的移动终端无法胜任的．因 此，大多数解决方案都基于云计算的模式设计实现． 这些新型技术的发展必将进一步促进移动云计算应 用的丰富，但也越来越依赖云计算的资源优势． 移动云计算面临的另一个主要挑战是移动终端 电池容量的限制．受移动终端体积、重量，以及电池 技术水平的限制，终端可用电量很难在短期内获得 大幅提升．为了延长移动终端的可用时间，提高用户 体验，移动终端节能技术也一直得到学术界和工业 界的广泛关注．当前终端节能技术研究的热点主要 集中在不同无线网络环境下的传输节能［２２２５］，以及 定位服务等能耗密集型应用节能［２６２８］等方面． 另外，随着移动云计算应用的迅速拓展与深入， 人们已经越来越习惯将通信录、照片等个人信息备 份在云端，甚至直接应用手机完成电子支付．因此， 移动云计算环境中的数据安全与隐私保护也愈发重 要．移动云计算环境中，不仅要保证用户外包到不可 信云端的数据安全性、完整性，而且要保证用户身 份、访问行为等信息的隐私安全，避免移动终端由于 受到恶意代码攻击造成的信息被窃、数据丢失，还要 考虑移动终端的资源受限等问题，设计满足移动终 端需求的轻量级安全方案．云端数据安全［２９３１］、用户 隐私保护［３２］以及移动终端安全①已经成为近年来信 息安全领域研究的重要方向． 本文重点围绕计算迁移、基于移动云的位置服 务等移动云计算的支撑技术，以及移动终端节能、数 据安全与隐私保护等移动云计算涉及的主要问题， 介绍移动云计算的研究现状，特别是最新的研究进 展；然后对移动云计算的典型应用模式进行了深入 分析；最后讨论了移动云计算存在的一些问题以及 未来的发展趋势． ２计算迁移技术 计算迁移技术的出现最早可以追溯到Ｃｙｂｅｒ Ｆｏｒａｇｉｎｇ［３３］概念的提出，通过将移动终端的计算、 存储等任务迁移到附近资源丰富的服务器执行，减 少移动终端计算、存储和能量等资源的需求．随着云 计算的发展，计算迁移开始应用于云环境中，成为移 动云计算的重要支撑技术．计算迁移的总体目标主 要包括扩展ＣＰＵ处理能力、节约移动终端能耗、减 少服务延迟和节约处理成本等． 计算迁移可以概括为代理发现、环境感知、任务 划分、任务调度和执行控制等步骤［５］．然而，并不是 所有计算迁移方案都包含全部步骤．其中，最为核心 的执行控制主要涉及如何连接到一个可靠的远程代 理，传递执行所需的信息，远程执行并返回计算结 果，其具体迁移步骤如图３所示． 图３计算迁移步骤 ２期 崔勇等：移动云计算研究进展与趋势 ２７５ ①Ｃｌｏｕｄｃｏｍｐｕｔｉｎｇｔｏｐｔｈｒｅａｔｓｉｎ２０１３．ｈｔｔｐｓ：／／ｄｏｗｎｌｏａｄｓ． ｃｌｏｕｄｓｅｃｕｒｉｔｙａｌｌｉａｎｃｅ．ｏｒｇ／ｉｎｉｔｉａｔｉｖｅｓ／ｔｏｐ＿ｔｈｒｅａｔｓ／Ｔｈｅ＿Ｎｏｔｏ ｒｉｏｕｓ＿Ｎｉｎｅ＿Ｃｌｏｕｄ＿Ｃｏｍｐｕｔｉｎｇ＿Ｔｏｐ＿Ｔｈｒｅａｔｓ＿ｉｎ＿２０１３．ｐｄｆ
计算机学报 2017年 当移动应用程序需要迁移时,应用程序向操作分成显示部分和服务部分,显示部分在移动终端运 系统类库发送暂停请求并保存当前运行时状态;系行,服务部分在存储能力和CPU计算资源丰富代 统类库向本地代理发送通知信息;本地代理读取此理服务器上运行.两部分通过应用程序定义的协议 状态,并将代码或者虚拟机( Virtual machine,VM)进行交流,如果程序包含复杂的交叉状态和显示管 迁移至远端代理中;远端代理创建新的实例,复制应理,那么程序就需要被改写,这给程序员造成了很大 用程序运行,并将处理结果返回至移动终端 的负担.另外,由于程序员不可能精确掌握程序在 计算迁移方案一般按照划分粒度进行分类,主CPU和内存上的能量消耗,而且网络状态(带宽 要包括基于进程、功能函数的细粒度计算迁移,以及RTT)也是动态变化的,因此这种静态标注的划分 基于应用程序、VM的粗粒度计算迁移等,如图4方法并不能保证程序执行的能量消耗最小化 所示 为了确保迁移决策的有效性,Li等人3提出了 基于能耗(包括通信能量和计算能量)预测的划分方 移动终端 法.通信能量消耗取决于传输数据的大小和网络带 移动应用 即服务(SaS 件、数据、信息 宽,计算能量消耗取决于程序的指令数.基于计算和 通信消耗,得到最优化的程序划分方案.对于一个给 操作系统/运行时间支持 础架构即服务(I 定的程序,通过分析计算时间和数据传输能耗构造 CPU/内存/硬盘 操作系统、存储 个消耗图,静态地将程序分为服务器任务和用户 端任务.消耗图通过基于分支定界的任务映射算法 图4移动云计算中的计算迁移方案 获得,以最小化计算和传输的总能量.该算法通过修 细粒度的计算迁移方案将应用程序中计算密集剪搜索空间以获得最优的解决方案.他们的模型用 型的部分代码或函数以进程的形式迁移到云端执到了任务开始、任务终止、数据发送和数据请求等4 行.这类方案需要程序员通过标注修改代码的方式种信息.原始的程序代码中需要进行迁移调用的部 对程序进行预先划分.程序运行时,依据迁移策略,分会依据这些信息修改远程管理也需要根据这些 只对那些能够靠远程执行节约资源的部分执行计算信息进行上下文的状态迁移 迁移.粗粒度的计算迁移将全部的程序,甚至整个程 Yang等人(提出的方案综合考虑了多种资源 序的运行环境以ⅤM的形式迁移到代理上运行.这的利用情况,包括CPU、内存和通信代价(例如带宽 类迁移方式不需要预先对应用程序的代码进行标注资源),将移动终端上的一些任务无缝地迁移到附近 修改,减少了程序员的负担.然而,这类方案的适用的资源比较丰富的笔记本(称为代理)上.这种用户 性具有一定的局限性口,例如与用户有频繁交互的服务器的迁移结构主要包括监视器,迁移引擎、类方 程序就无法应用此类方案 法等模块.资源监视器主要监控内存使用情况 2.1细粒度计算迁移 CPU的利用率和目前的无线带宽.迁移引擎将应用 细粒度的计算迁移需要对程序进行预先划分标分成一个本地划分和多个远程划分.类方法模块则 注,只迁移计算密集型代码部分,以实现尽可能少的负责将类转换为一个可以远程执行的方法模块.该 数据传输.依据迁移策略,细粒度计算迁移一般可以方案将应用程序分成(k十1)个划分,其中包括1个 分为静态划分和动态划分两类方案.在程序运行过不可以迁移的划分和k个不相交可迁移划分,并将 程中,静态划分方案依据程序员的预先标注策略实这些划分组织成一个有向图,顶点集代表Java类, 施迁移;动态划分方案则可以根据系统负载、网络带边集代表类之间的相互作用(调用和数据访问).他 宽等状态的变化,动态调整划分迁移区域,提高迁移们提出的算法可以根据该有向图给出接近最优解的 效率和可靠性 迁移方案 2.1.1静态划分方案 Misco实现了集群式服务,支持将数据分发 早期的计算迁移技术大多采用静态划分方案,到网络上多个节点并行处理应用数据,以进一步提 依靠程序员通过修改和标注,将应用程序静态地分高计算迁移的执行效率.主服务器是一个集中式监 成两个部分:一部分在移动终端执行;另一部分在远视器,负责 Map Reduce的实现.应用程序被静态地 程服务器执行.在 Protium中,程序员将应用程序切分成映射(Map)和归约( Reduce)两个部分.映射
当移动应用程序需要迁移时，应用程序向操作 系统类库发送暂停请求并保存当前运行时状态；系 统类库向本地代理发送通知信息；本地代理读取此 状态，并将代码或者虚拟机（ＶｉｒｔｕａｌＭａｃｈｉｎｅ，ＶＭ） 迁移至远端代理中；远端代理创建新的实例，复制应 用程序运行，并将处理结果返回至移动终端［３４］． 计算迁移方案一般按照划分粒度进行分类，主 要包括基于进程、功能函数的细粒度计算迁移，以及 基于应用程序、ＶＭ的粗粒度计算迁移等［５］，如图４ 所示． 图４移动云计算中的计算迁移方案 细粒度的计算迁移方案将应用程序中计算密集 型的部分代码或函数以进程的形式迁移到云端执 行．这类方案需要程序员通过标注修改代码的方式 对程序进行预先划分．程序运行时，依据迁移策略， 只对那些能够靠远程执行节约资源的部分执行计算 迁移．粗粒度的计算迁移将全部的程序，甚至整个程 序的运行环境以ＶＭ的形式迁移到代理上运行．这 类迁移方式不需要预先对应用程序的代码进行标注 修改，减少了程序员的负担．然而，这类方案的适用 性具有一定的局限性［９］，例如与用户有频繁交互的 程序就无法应用此类方案． ２１细粒度计算迁移 细粒度的计算迁移需要对程序进行预先划分标 注，只迁移计算密集型代码部分，以实现尽可能少的 数据传输．依据迁移策略，细粒度计算迁移一般可以 分为静态划分和动态划分两类方案．在程序运行过 程中，静态划分方案依据程序员的预先标注策略实 施迁移；动态划分方案则可以根据系统负载、网络带 宽等状态的变化，动态调整划分迁移区域，提高迁移 效率和可靠性． ２．１．１静态划分方案 早期的计算迁移技术大多采用静态划分方案， 依靠程序员通过修改和标注，将应用程序静态地分 成两个部分：一部分在移动终端执行；另一部分在远 程服务器执行．在Ｐｒｏｔｉｕｍ［３５］中，程序员将应用程序 分成显示部分和服务部分，显示部分在移动终端运 行，服务部分在存储能力和ＣＰＵ计算资源丰富代 理服务器上运行．两部分通过应用程序定义的协议 进行交流．如果程序包含复杂的交叉状态和显示管 理，那么程序就需要被改写，这给程序员造成了很大 的负担．另外，由于程序员不可能精确掌握程序在 ＣＰＵ和内存上的能量消耗，而且网络状态（带宽， ＲＴＴ）也是动态变化的，因此这种静态标注的划分 方法并不能保证程序执行的能量消耗最小化． 为了确保迁移决策的有效性，Ｌｉ等人［３６］提出了 基于能耗（包括通信能量和计算能量）预测的划分方 法．通信能量消耗取决于传输数据的大小和网络带 宽，计算能量消耗取决于程序的指令数．基于计算和 通信消耗，得到最优化的程序划分方案．对于一个给 定的程序，通过分析计算时间和数据传输能耗构造 一个消耗图，静态地将程序分为服务器任务和用户 端任务．消耗图通过基于分支定界的任务映射算法 获得，以最小化计算和传输的总能量．该算法通过修 剪搜索空间以获得最优的解决方案．他们的模型用 到了任务开始、任务终止、数据发送和数据请求等４ 种信息．原始的程序代码中需要进行迁移调用的部 分会依据这些信息修改．远程管理也需要根据这些 信息进行上下文的状态迁移． Ｙａｎｇ等人［３７］提出的方案综合考虑了多种资源 的利用情况，包括ＣＰＵ、内存和通信代价（例如带宽 资源），将移动终端上的一些任务无缝地迁移到附近 的资源比较丰富的笔记本（称为代理）上．这种用户 服务器的迁移结构主要包括监视器，迁移引擎、类方 法等模块．资源监视器主要监控内存使用情况， ＣＰＵ的利用率和目前的无线带宽．迁移引擎将应用 分成一个本地划分和多个远程划分．类方法模块则 负责将类转换为一个可以远程执行的方法模块．该 方案将应用程序分成（犽＋１）个划分，其中包括１个 不可以迁移的划分和犽个不相交可迁移划分，并将 这些划分组织成一个有向图，顶点集代表Ｊａｖａ类， 边集代表类之间的相互作用（调用和数据访问）．他 们提出的算法可以根据该有向图给出接近最优解的 迁移方案．Ｍｉｓｃｏ［１２］实现了集群式服务，支持将数据分发 到网络上多个节点并行处理应用数据，以进一步提 高计算迁移的执行效率．主服务器是一个集中式监 视器，负责ＭａｐＲｅｄｕｃｅ的实现．应用程序被静态地 切分成映射（Ｍａｐ）和归约（Ｒｅｄｕｃｅ）两个部分．映射 ２７６ 计 算 机 学 报 ２０１７年
2期 崔勇等:移动云计算研究进展与趋势 函数将输人的数据进行处理,生成中间的键值《key,个程序制定迁移决策逻辑.程序运行过程中,MAUI τle)对,并将所有生成的键值对归类,组成相应数事件分析器基于收集的网络状态等信息动态决策哪 据块节点.所有数据块节点通过归约函数产生最后结些远端方法需要迁移至云端执行.代理执行模块按 果,并返回给主服务器.映射(Map)和归约( Reduce)照决策执行相应的控制和数据传输工作.该系统通 函数在应用开发过程中通过开发者确认,为移动应过向服务器发送10KB的数据的简单方法评估网络 用提供分布式平台 的平均吞吐量,对于变化剧烈的无线网络,其预测的 静态划分方案大多假设通信开销和计算时间可准确性有待提高 Think airt也是一个线程级的动 以在处理之前通过预测、统计等方法获得.划分方案态迁移方案与MAUI相比,该系统重点对服务端 旦确定,在任务处理过程中将保持不变,然而,由进行了增强,可以为迁移任务动态分配服务内存等资 于移动终端的差异性和无线网络状态的复杂性,计源,提高了系统运行的可靠性 Comett则在MAUI 算、通信等开销很难准确预知 和 Thinkair的基础上,利用分布式内存共享技术和 动态划分方案 虚拟机同步技术支持多线程的并行迁移,进一步提 为了克服静态划分方案无法适应环境动态变化高了计算迁移的性能zhou等人设计的计算迁 的不足,动态划分方案可以根据连接状态的变化调移系统,可以在程序运行时基于无线信道、云端资 整迁移划分区域,及时适应环境变化,充分利用可用源等上下文环境进行动态决策,在微云、公有云等 资源.动态迁移决策的基本原理如图5所示,a,b, 多个云端动态选择服务者,实现代码级的细粒度 为应用程序输入,r为应用程序输出,应用程序运行 过程中会经历X1,X2,X1和X这4个计算节点默计算迁移 需要注意的是,细粒度迁移导致了额外的划分 认X1和X2在移动终端执行,X3和X4在云端执行 决策的消耗,因此划分算法的优劣直接影响了迁移 根据策略设置,在网络带宽比较好的时候,系统可以效率而且并不总是能获得最优解.另外,无论是依 把X2动态迁移至云端执行 赖于程序员修改应用程序源代码方案,还是利用远 程执行管理来计算近似划分的方案,都会引入额外 的开销,导致消耗更多的CPU能量或增加程序员 计算节点 的负担 参数转移 2.2粗粒度计算迁移 粗粒度计算迁移将整个应用程序封装在VM ao.b 节点迁移 实例中发送到云端服务器执行,以此减少细粒度 计算迁移带来的程序划分、迁移决策等额外开销 移动应用 Cyber Foraging将附近计算能力较强的计算机作 图5动态迁移决策 为代理服务器,为移动终端提供计算迁移服务.在执 Chun等人(提出的解决方案综合考虑移动终行应用程序时,移动终端首先向服务搜索服务器发 端电量、网络连接状态和实时带宽等3种因素的变送迁移请求服务搜索服务器向移动终端返回可用 化,针对这3种环境的不同变化情况分别给出了解的代理服务器的IP地址和端口号.移动终端继而可 决方案,并针对迁移决策问题设计了普适性的形式以向相应的代理服务申请计算迁移服务每个代理 化模型,但并没有给出详细的系统设计与实现在此服务器运行多个独立的虚拟服务,保证为每个应用 之后,学术界又相继提出了一系列针对特定应用的程序提供孤立的虚拟服务空间 Cyber Foraging利 计算迁移系统例如,针对图像识别和语音识别应用用局域网低延迟、高带宽的特性为移动终端提供高 的 CogniServel,针对环境感知应用的 odessa,效的计算迁移服务.然而,基于代理发现和VM模 针对社交应用的 Sociablesensel以及针对云游戏板的部署方法,时间开销和资源开销都比较大 的 Kahawail4z2等 针对广域网传输延迟过长的问题, Satyanarayanan MAU的提出旨在提供一个通用的动态迁移等人印最先提出微云( Cloudlet)的概念,把微云定 方案并尽量降低开发人员的负担.程序员只需要将义为一种可信任的、资源丰富的计算设备或一群计 应用程序划分为本地方法和远端方法,而无需为每算设备向附近的移动终端提供计算资源. Cloudlet
函数将输入的数据进行处理，生成中间的键值〈犽犲狔， 狏犪犾狌犲〉对，并将所有生成的键值对归类，组成相应数 据块节点．所有数据块节点通过归约函数产生最后结 果，并返回给主服务器．映射（Ｍａｐ）和归约（Ｒｅｄｕｃｅ） 函数在应用开发过程中通过开发者确认，为移动应 用提供分布式平台． 静态划分方案大多假设通信开销和计算时间可 以在处理之前通过预测、统计等方法获得．划分方案 一旦确定，在任务处理过程中将保持不变．然而，由 于移动终端的差异性和无线网络状态的复杂性，计 算、通信等开销很难准确预知． ２．１．２动态划分方案 为了克服静态划分方案无法适应环境动态变化 的不足，动态划分方案可以根据连接状态的变化调 整迁移划分区域，及时适应环境变化，充分利用可用 资源．动态迁移决策的基本原理如图５所示．犪，犫，犮 为应用程序输入，狉为应用程序输出，应用程序运行 过程中会经历犡１，犡２，犡３和犡４这４个计算节点．默 认犡１和犡２在移动终端执行，犡３和犡４在云端执行． 根据策略设置，在网络带宽比较好的时候，系统可以 把犡２动态迁移至云端执行． 图５动态迁移决策 Ｃｈｕｎ等人［３８］提出的解决方案综合考虑移动终 端电量、网络连接状态和实时带宽等３种因素的变 化，针对这３种环境的不同变化情况分别给出了解 决方案，并针对迁移决策问题设计了普适性的形式 化模型，但并没有给出详细的系统设计与实现．在此 之后，学术界又相继提出了一系列针对特定应用的 计算迁移系统．例如，针对图像识别和语音识别应用 的ＣｏｇｎｉＳｅｒｖｅ［３９］，针对环境感知应用的Ｏｄｅｓｓａ［４０］， 针对社交应用的ＳｏｃｉａｂｌｅＳｅｎｓｅ［４１］以及针对云游戏 的Ｋａｈａｗａｉ［４２］等． ＭＡＵＩ［９］的提出旨在提供一个通用的动态迁移 方案并尽量降低开发人员的负担．程序员只需要将 应用程序划分为本地方法和远端方法，而无需为每 个程序制定迁移决策逻辑．程序运行过程中，ＭＡＵＩ 事件分析器基于收集的网络状态等信息动态决策哪 些远端方法需要迁移至云端执行．代理执行模块按 照决策执行相应的控制和数据传输工作．该系统通 过向服务器发送１０ＫＢ的数据的简单方法评估网络 的平均吞吐量，对于变化剧烈的无线网络，其预测的 准确性有待提高．ＴｈｉｎｋＡｉｒ［１０］也是一个线程级的动 态迁移方案．与ＭＡＵＩ相比，该系统重点对服务端 进行了增强，可以为迁移任务动态分配服务内存等资 源，提高了系统运行的可靠性．Ｃｏｍｅｔ［４３］则在ＭＡＵＩ 和ＴｈｉｎｋＡｉｒ的基础上，利用分布式内存共享技术和 虚拟机同步技术支持多线程的并行迁移，进一步提 高了计算迁移的性能．Ｚｈｏｕ等人［４４］设计的计算迁 移系统，可以在程序运行时基于无线信道、云端资 源等上下文环境进行动态决策，在微云、公有云等 多个云端动态选择服务者，实现代码级的细粒度 计算迁移．需要注意的是，细粒度迁移导致了额外的划分 决策的消耗，因此划分算法的优劣直接影响了迁移 效率，而且并不总是能获得最优解．另外，无论是依 赖于程序员修改应用程序源代码方案，还是利用远 程执行管理来计算近似划分的方案，都会引入额外 的开销，导致消耗更多的ＣＰＵ能量或增加程序员 的负担． ２２粗粒度计算迁移 粗粒度计算迁移将整个应用程序封装在ＶＭ 实例中发送到云端服务器执行，以此减少细粒度 计算迁移带来的程序划分、迁移决策等额外开销． ＣｙｂｅｒＦｏｒａｇｉｎｇ［１１］将附近计算能力较强的计算机作 为代理服务器，为移动终端提供计算迁移服务．在执 行应用程序时，移动终端首先向服务搜索服务器发 送迁移请求．服务搜索服务器向移动终端返回可用 的代理服务器的ＩＰ地址和端口号．移动终端继而可 以向相应的代理服务申请计算迁移服务．每个代理 服务器运行多个独立的虚拟服务，保证为每个应用 程序提供孤立的虚拟服务空间．ＣｙｂｅｒＦｏｒａｇｉｎｇ利 用局域网低延迟、高带宽的特性为移动终端提供高 效的计算迁移服务．然而，基于代理发现和ＶＭ模 板的部署方法，时间开销和资源开销都比较大． 针对广域网传输延迟过长的问题，Ｓａｔｙａｎａｒａｙａｎａｎ 等人［７］最先提出微云（Ｃｌｏｕｄｌｅｔ）的概念，把微云定 义为一种可信任的、资源丰富的计算设备或一群计 算设备向附近的移动终端提供计算资源．Ｃｌｏｕｄｌｅｔ ２期 崔勇等：移动云计算研究进展与趋势 ２７７
278 计算机学报 2017年 模式克服广域网时延问题,通过局域网提供低延 与 Cyber Foraging依赖服务搜索服务器进行 时、高带宽的实时交互式服务. Cloudlet模式可以代理发现的机制不同, Cloudlet将移动终端上运 进一步细分为移动微云模式[2;和固定微云模行的应用程序以VM的形式直接映像迁移至附近 式[31:,其架构如图6所示.固定微云模式以计指定服务器执行,简化了移动终端功能.服务器通过 算能力较强的台式计算机提供云计算服务,通常这互联网与云端数据中心相连,可以将复杂的计算任 种连接方式能够提供较大的带宽和计算资源.移动务和延时要求不高的任务迁移到云端执行,进一步 微云通过移动终端组建微云,旨在随时随地提供接提高计算迁移的处理能力.此框架的不足在于,将移 入服务 动终端运行环境整体克隆到服务器,对服务器的资 源管理能力以及硬件水平都出了更高的要求 虚拟执行环境( Virtualized execution Environ ment)[3不再依赖专用的服务器,而是利用VM技 术直接在云端为移动终端建立运行环境.云端为每 个应用创建新的虚拟机实例,将迁移的VM克隆至 虚拟机实例中执行.该方案通过在移动终端的操作 系统和硬件间设置中间件,以支持运行时负载迁移, 移动终端和云服务器中虚拟机实例的同步,并支持 移动云 传输状态的暂停和恢复机制.然而,中间件及同步机 图6 Cloudlet架构分 制给移动终端带来了计算与流量的额外开销 表1迁移方案对比分析 系统框架 操作平台 决策 目标 粒度 划分迁移支持管理模式 Miscol12J 移动云节点代理 方法级 程序级 集中式 MAUI 云服务器代理/移动终端 动态程序级 集中式 Think Airton 云服务器 移动端 延迟/能耗 线程级 动态 系统级 集中式 Comet[43] 云服务器 多线程态系统级集中式 性能/能耗应用程序程序级集中式 本地分布式 用程序 系统级集中式 Cloudlet[T] 本地服务器 应用程序 系统级 小布式 云服务器 性能/能 动态系统级 集中式 Virtualized Execution environment3云服务器 应用程序 系统级 集中式 Clonecloud同样采用VM技术直接在云端建技术,一直得到学术界的广泛关注.文献[50]围绕位 立运行环境,不需要操作系统和应用程序作任何额置服务的体系架构,对主流定位技术、位置索引及查 外的改动. Clonecloud还针对不同类型的应用设计询处理等技术进行了总结,帮助我们全面深入地认 了3种不同的迁移算法来进一步优化迁移效率.除识了位置服务基于GPS[1等传统定位技术的位置 了将语音识别、图像处理等计算密集型的任务迁移服务覆盖范围大,技术成熟,已经在军事、交通等诸 到云端,将安全性检测也迁移至云端服务器,进一步多领域得到了广泛应用.然而,由于其存在穿透力 减轻终端负担.然而,基于应用程序多样性的迁移策弱,定位能耗大[2等问题,已经无法完全满足精确 略增加了移动终端的开销,单线程的部署方式也增室内定位、用户动作识别等新的移动应用需求.例 加了系统运行时的抖动.为了克服无线网络不稳定如,购物中心的自动导购指引服务、智能家居中的病 等弊端, Tango通过部署多副本的方式,在服务器人监护等.移动云计算模式已经被用来构建新型的 与移动终端同时执行计算任务,将最快返回的执行位置服务解决这些问题,并成为其重要支撑技术.本 结果作为输出,进一步提高了系统的可靠性.表1对章重点对基于移动云的室内轨迹追踪与导航、精确 上述主要计算迁移方案进行了对比分析. 定位与动作识别以及海量位置信息管理等近两年学 术界研究的热点进行深入分析与总结 3基于移动云的位置服务 3.1室内轨迹追踪与导航 由于室内空间范围小,对导航的精度要求更高 位置服务作为移动云计算不可或缺的一项支撑另外,建筑物内部的空间结构、拓扑关系比室外复杂
模式克服广域网时延问题，通过局域网提供低延 时、高带宽的实时交互式服务．Ｃｌｏｕｄｌｅｔ模式可以 进一步细分为移动微云模式［１２，４５４６］和固定微云模 式［７８，１１，４７４８］，其架构如图６所示．固定微云模式以计 算能力较强的台式计算机提供云计算服务，通常这 种连接方式能够提供较大的带宽和计算资源．移动 微云通过移动终端组建微云，旨在随时随地提供接 入服务． 图６Ｃｌｏｕｄｌｅｔ架构分类 与ＣｙｂｅｒＦｏｒａｇｉｎｇ依赖服务搜索服务器进行 代理发现的机制不同，Ｃｌｏｕｄｌｅｔ［７］将移动终端上运 行的应用程序以ＶＭ的形式直接映像迁移至附近 指定服务器执行，简化了移动终端功能．服务器通过 互联网与云端数据中心相连，可以将复杂的计算任 务和延时要求不高的任务迁移到云端执行，进一步 提高计算迁移的处理能力．此框架的不足在于，将移 动终端运行环境整体克隆到服务器，对服务器的资 源管理能力以及硬件水平都出了更高的要求． 虚拟执行环境（ＶｉｒｔｕａｌｉｚｅｄＥｘｅｃｕｔｉｏｎＥｎｖｉｒｏｎ ｍｅｎｔ）［３４］不再依赖专用的服务器，而是利用ＶＭ技 术直接在云端为移动终端建立运行环境．云端为每 个应用创建新的虚拟机实例，将迁移的ＶＭ克隆至 虚拟机实例中执行．该方案通过在移动终端的操作 系统和硬件间设置中间件，以支持运行时负载迁移， 移动终端和云服务器中虚拟机实例的同步，并支持 传输状态的暂停和恢复机制．然而，中间件及同步机 制给移动终端带来了计算与流量的额外开销． 表１迁移方案对比分析 系统框架 操作平台 决策 目标 粒度 划分 迁移支持 管理模式 Ｍｉｓｃｏ［１２］ 移动云节点 代理 延迟 方法级 静态 程序级 集中式 ＭＡＵＩ［９］ 云服务器 代理／移动终端 能耗 方法级 动态 程序级 集中式 ＴｈｉｎｋＡｉｒ［１０］ 云服务器 移动端 延迟／能耗 线程级 动态 系统级 集中式 Ｃｏｍｅｔ［４３］ 云服务器 × 延迟 多线程 动态 系统级 集中式 ＣｏｇｎｉＳｅｒｖｅ［３９］ 云服务器 × 性能／能耗 应用程序 × 程序级 集中式 ＣｙｂｅｒＦｏｒａｇｉｎｇ［１１］ 本地分布式 代理 延迟 应用程序 × 系统级 集中式 Ｃｌｏｕｄｌｅｔ［７］ 本地服务器 × 延迟 应用程序 × 系统级 分布式 Ｃｌｏｎｅｃｌｏｕｄ［８］ 云服务器 × 性能／能耗 ＶＭ 动态 系统级 集中式 ＶｉｒｔｕａｌｉｚｅｄＥｘｅｃｕｔｉｏｎＥｎｖｉｒｏｎｍｅｎｔ［３４］ 云服务器 × × 应用程序 × 系统级 集中式 Ｃｌｏｎｅｃｌｏｕｄ［８］同样采用ＶＭ技术直接在云端建 立运行环境，不需要操作系统和应用程序作任何额 外的改动．Ｃｌｏｎｅｃｌｏｕｄ还针对不同类型的应用设计 了３种不同的迁移算法来进一步优化迁移效率．除 了将语音识别、图像处理等计算密集型的任务迁移 到云端，将安全性检测也迁移至云端服务器，进一步 减轻终端负担．然而，基于应用程序多样性的迁移策 略增加了移动终端的开销，单线程的部署方式也增 加了系统运行时的抖动．为了克服无线网络不稳定 等弊端，Ｔａｎｇｏ［４９］通过部署多副本的方式，在服务器 与移动终端同时执行计算任务，将最快返回的执行 结果作为输出，进一步提高了系统的可靠性．表１对 上述主要计算迁移方案进行了对比分析． ３基于移动云的位置服务 位置服务作为移动云计算不可或缺的一项支撑 技术，一直得到学术界的广泛关注．文献［５０］围绕位 置服务的体系架构，对主流定位技术、位置索引及查 询处理等技术进行了总结，帮助我们全面深入地认 识了位置服务．基于ＧＰＳ［５１］等传统定位技术的位置 服务覆盖范围大，技术成熟，已经在军事、交通等诸 多领域得到了广泛应用．然而，由于其存在穿透力 弱，定位能耗大［２６２７］等问题，已经无法完全满足精确 室内定位、用户动作识别等新的移动应用需求．例 如，购物中心的自动导购指引服务、智能家居中的病 人监护等．移动云计算模式已经被用来构建新型的 位置服务解决这些问题，并成为其重要支撑技术．本 章重点对基于移动云的室内轨迹追踪与导航、精确 定位与动作识别以及海量位置信息管理等近两年学 术界研究的热点进行深入分析与总结． ３１室内轨迹追踪与导航 由于室内空间范围小，对导航的精度要求更高． 另外，建筑物内部的空间结构、拓扑关系比室外复杂 ２７８ 计 算 机 学 报 ２０１７年
2期 崔勇等:移动云计算研究进展与趋势 得多,这对室内导航技术提出了更高的要求.当前针在100ms左右.为了提高TOA在有限的无线信道 对室内轨迹追踪与导航的研究主要通过群智的方式中的分辨率, Ontrack利用捷变频技术提高带 收集移动用户沿途拍摄的照片[83、手机信号强宽利用率AP在相邻信道获得3个数据包的情况 度5,并与加速、惯性等手机传感器数据融合,追踪下,就可以达到90cm的定位精度. SpotFiL利用超 用户行动轨迹,绘制建筑物内部平面图,进而实现实分辨率算法和估算技术计算多径分量的AOA,在普 时的定位导航.这些历史信息的收集、存储以及运算通AP上实现了40cm的定位精度. WiTrack2.o17 处理,需要耗费大量的存储与计算资源,这是普通移基于人体反射的无线电信号,在服务器端执行傅里 动终端无法胜任的.因此,大多数解决方案都是基于叶变换,实现了同时对5个人的定位,定位精度达到 公有云或者通过构建微云模式服务器设计实现的 针对构造室内地图需要进行现场勘测,耗费大3.2.2动作识别 量人力物力的问题,LiFS5通过收集用户移动过程 基于WiFi的人体动作识别是当前学术界研究的 中的手机信号强度,构造高维信号强度指纹空间,热点之一. IhEart通过专门的定向天线获取由唇形 将此映射为室内平面图 Jigsaw, mOon{321等系变化带来信道状态信息( Channel state information, 统则通过从移动用户处收集照片构建3D点云,以CS1变化,在云端服务器上运行机器学习算法,根 此为基础在云端服务器上构造建筑物内部地图.据人体发音时唇形的不同来辨别发出的单词,并基 mOon还允许用户拍照后上传到云端,与云端存储于上下文进行纠错.由于并没有有效地消除噪声,因 的地图进行匹配,以实现实时定位.Dong等人1利此该系统需要通过定向的天线来得到更高的精度 用基于密度的冲突检测技术对 mOon进行改进, ViDeo21基于目标物体动作对wFi信号反向散射 进一步提高了系统在障碍物位置的信息完善度,以的反射,实现对目标物体的定位及动作识别,在多人 及群智建立初始阶段的定位性能. Travi-Navi「,同时做动作的环境下,能达到7cm的识别精度 FOLLOWME等系统通过收集用户上传的照片、 E-eyes利用不同运动动作带来CS振幅不同来 手机wii信号强度指纹,实现用户行动轨迹记录,辨别包括洗澡、走路、洗碗等9种日常用户的行为 并采用加速、惯性等手机传感器数据进行校正.然但基本是以位置为导向的判断方法. CRAME除 后,基于这些轨迹信息绘制室内平面图,实现室内高了可以像E-eyes一样识别人们的日常行为动作外 精度的导航服务 还通过CSI- speed和隐式马尔可夫模型推测用户的 3.2室内精确定位与动作识别 移动速度和动作的幅度变化.在 CRAME研究的基 近年来兴起的智能家居、体感游戏等新型应用,础上,作者又提出了识别键盘敲击动作的wKey61 不仅对目标物体的定位精度提出了更高要求,还需识别准确率达到93.5%也有一些学者基于RFID、 要对用户的特定动作进行识别.当前针对室内精确VIC甚至声音实现人体动作识别、位置标记等. 定位与动作识别的研究通常以移动终端的无线信号Yang等人2提出 Tadar系统,通过RFID识别墙 强度( Received Signal Strength Indicator,RSSI)、体另一侧的人体动作变化. Luxaposel61、 PIXELL6 信号抵达时间( Time of arrival,TOA)和信号抵达等系统则尝试利用移动设备内置的照相机捕 角度( Angle of Arrival,AOA)4:等数据为输入,捉LED灯光的高频闪烁实现定位.基于VLC的 通过数学模型求解位置坐标,这些数据的存储、处理 HiSense系统,利用遮挡二维阴影信息重新构造 以及复杂的求解运算一般都需要在云端完成 人体的三维骨架图. EchoTag则是通过手机扬声 3.2.1精确室内定位 器主动发出声音信号,由麦克风感测回声的方式,实 Iim等人56将定位的WiFi访问点( Access现精度1cm的室内位置标记 Point,AP)增加到3个,将收集到的RSS和AOA3.3海量位置信息管理 信息发送到云端服务器,执行三角测量算法进行实 在移动云计算环境中,一方面,定位技术不断发 时跟踪定位,将定位精度提高到0.5m~0.75m区展,为移动应用提供越来越精准的位置信息;另一方 间内. Array track1基于AOA实现移动终端的室面,随着用户数量的增长和移动应用的丰富,用户位 内定位和实时跟踪,并通过MIMO技术和多路径置、轨迹等数据量爆发式增长,查询请求剧增、查询 抑制算法来减少室内多路径反射的影响,将定位空间变得更广,位置服务系统也越来越依赖云平台 精度进一步提高到几十厘米级,同时将时延控制进行用户位置轨迹等数据的存储、计算、索引和查询
得多，这对室内导航技术提出了更高的要求．当前针 对室内轨迹追踪与导航的研究主要通过群智的方式 收集移动用户沿途拍摄的照片［１８，５２］、手机信号强 度［５３］，并与加速、惯性等手机传感器数据融合，追踪 用户行动轨迹，绘制建筑物内部平面图，进而实现实 时的定位导航．这些历史信息的收集、存储以及运算 处理，需要耗费大量的存储与计算资源，这是普通移 动终端无法胜任的．因此，大多数解决方案都是基于 公有云或者通过构建微云模式服务器设计实现的． 针对构造室内地图需要进行现场勘测，耗费大 量人力物力的问题，ＬｉＦＳ［５３］通过收集用户移动过程 中的手机信号强度，构造高维信号强度指纹空间， 将此映射为室内平面图．Ｊｉｇｓａｗ［５４］，ｉＭｏｏｎ［５２］等系 统则通过从移动用户处收集照片构建３Ｄ点云，以 此为基础在云端服务器上构造建筑物内部地图． ｉＭｏｏｎ还允许用户拍照后上传到云端，与云端存储 的地图进行匹配，以实现实时定位．Ｄｏｎｇ等人［５５］利 用基于密度的冲突检测技术对ｉＭｏｏｎ进行改进， 进一步提高了系统在障碍物位置的信息完善度，以 及群智建立初始阶段的定位性能．ＴｒａｖｉＮａｖｉ［１８］， ＦＯＬＬＯＷＭＥ［１９］等系统通过收集用户上传的照片、 手机ＷｉＦｉ信号强度指纹，实现用户行动轨迹记录， 并采用加速、惯性等手机传感器数据进行校正．然 后，基于这些轨迹信息绘制室内平面图，实现室内高 精度的导航服务． ３２室内精确定位与动作识别 近年来兴起的智能家居、体感游戏等新型应用， 不仅对目标物体的定位精度提出了更高要求，还需 要对用户的特定动作进行识别．当前针对室内精确 定位与动作识别的研究通常以移动终端的无线信号 强度（ＲｅｃｅｉｖｅｄＳｉｇｎａｌＳｔｒｅｎｇｔｈＩｎｄｉｃａｔｏｒ，ＲＳＳＩ）［５６］、 信号抵达时间（ＴｉｍｅＯｆＡｒｒｉｖａｌ，ＴＯＡ）和信号抵达 角度（ＡｎｇｌｅＯｆＡｒｒｉｖａｌ，ＡＯＡ）［１４，５７］等数据为输入， 通过数学模型求解位置坐标．这些数据的存储、处理 以及复杂的求解运算一般都需要在云端完成． ３．２．１精确室内定位 Ｌｉｍ等人［５６］将定位的ＷｉＦｉ访问点（Ａｃｃｅｓｓ Ｐｏｉｎｔ，ＡＰ）增加到３个，将收集到的ＲＳＳ和ＡＯＡ 信息发送到云端服务器，执行三角测量算法进行实 时跟踪定位，将定位精度提高到０．５ｍ～０．７５ｍ区 间内．ＡｒｒａｙＴｒａｃｋ［１４］基于ＡＯＡ实现移动终端的室 内定位和实时跟踪，并通过ＭＩＭＯ技术和多路径 抑制算法来减少室内多路径反射的影响，将定位 精度进一步提高到几十厘米级，同时将时延控制 在１００ｍｓ左右．为了提高ＴＯＡ在有限的无线信道 中的分辨率，ＴｏｎｅＴｒａｃｋ［１６］利用捷变频技术提高带 宽利用率．ＡＰ在相邻信道获得３个数据包的情况 下，就可以达到９０ｃｍ的定位精度．ＳｐｏｔＦｉ［５８］利用超 分辨率算法和估算技术计算多径分量的ＡＯＡ，在普 通ＡＰ上实现了４０ｃｍ的定位精度．ＷｉＴｒａｃｋ２．０［１７］ 基于人体反射的无线电信号，在服务器端执行傅里 叶变换，实现了同时对５个人的定位，定位精度达到 １１．７ｃｍ． ３．２．２动作识别 基于ＷｉＦｉ的人体动作识别是当前学术界研究的 热点之一．ＷｉＨｅａｒ［２０］通过专门的定向天线获取由唇形 变化带来信道状态信息（ＣｈａｎｎｅｌＳｔａｔｅＩｎｆｏｒｍａｔｉｏｎ， ＣＳＩ）变化，在云端服务器上运行机器学习算法，根 据人体发音时唇形的不同来辨别发出的单词，并基 于上下文进行纠错．由于并没有有效地消除噪声，因 此该系统需要通过定向的天线来得到更高的精度． ＷｉＤｅｏ［２１］基于目标物体动作对ＷｉＦｉ信号反向散射 的反射，实现对目标物体的定位及动作识别，在多人 同时做动作的环境下，能达到７ｃｍ的识别精度． Ｅｅｙｅｓ［５９］利用不同运动动作带来ＣＳＩ振幅不同来 辨别包括洗澡、走路、洗碗等９种日常用户的行为， 但基本是以位置为导向的判断方法．ＣＲＡＭＥ［６０］除 了可以像Ｅｅｙｅｓ一样识别人们的日常行为动作外， 还通过ＣＳＩｓｐｅｅｄ和隐式马尔可夫模型推测用户的 移动速度和动作的幅度变化．在ＣＲＡＭＥ研究的基 础上，作者又提出了识别键盘敲击动作的ＷｉＫｅｙ［６１］， 识别准确率达到９３．５％．也有一些学者基于ＲＦＩＤ、 ＶＬＣ甚至声音实现人体动作识别、位置标记等． Ｙａｎｇ等人［６２］提出Ｔａｄａｒ系统，通过ＲＦＩＤ识别墙 体另一侧的人体动作变化．Ｌｕｘａｐｏｓｅ［６３］、ＰＩＸＥＬ［６４］ 等系统则尝试利用移动设备内置的照相机捕 捉ＬＥＤ灯光的高频闪烁实现定位．基于ＶＬＣ的 ＬｉＳｅｎｓｅ系统［６５］，利用遮挡二维阴影信息重新构造 人体的三维骨架图．ＥｃｈｏＴａｇ［６６］则是通过手机扬声 器主动发出声音信号，由麦克风感测回声的方式，实 现精度１ｃｍ的室内位置标记． ３３海量位置信息管理 在移动云计算环境中，一方面，定位技术不断发 展，为移动应用提供越来越精准的位置信息；另一方 面，随着用户数量的增长和移动应用的丰富，用户位 置、轨迹等数据量爆发式增长，查询请求剧增、查询 空间变得更广，位置服务系统也越来越依赖云平台 进行用户位置轨迹等数据的存储、计算、索引和查询 ２期 崔勇等：移动云计算研究进展与趋势 ２７９
280 计算机学报 2017年 等管理,从而减轻移动端的存储和计算负载 节能的研究也大多基于这两类网络开展 面对庞大的用户位置和运动轨迹等历史数据,4.1.1 Cellular网络传输节能 学者们基于云平台的分布式处理方法,提出高效的 移动终端通过 Cellular网络传输数据通常采用 索引査询方案,旨在向用户提供快速的查询响应.无线资源控制协议( Radio resource control,RRC) Ma等人[将 Map-Reduce架构用在大规模历史轨针对RRC协议全过程的移动终端能耗测量显示,移 迹数据处理方面,该方案把时间和空间轨迹数据存动终端网络接口在完成数据传输后,会从高能耗状 储在不同节点上.在处理查询时,在不同的节点分别态转移到中间能耗状态,即尾能耗状态,其功率约为 执行查询操作,再合并输出查询结果. Eldawy等高能耗状态的50%.尾能耗状态结束后才会进入 人将 Hadoop上的 Map-Reduce架构改进,设计低能耗状态,功率约为高能耗状态的1%.尾能耗 了用于分布式处理空间数据的 SpatialHadoop系状态的设计是为了减轻状态转换的延迟和开销,然 统 SHAHED将现有的 SpatialHadoop系统,用而数据传输过程中存在的过多尾能耗状态却大大降 于卫星数据处理.文中将卫星的数据按时间、空间存低了移动终端的能耗利用率 储在不同的节点上,在索引端建立多重Quad-tree 前针对尾能耗状态节能的研究主要集中在两 时空索引结构,査询时返回时空卫星数据的热点图.个方面:一是通过改变尾能耗时间阈值来减少跳至 另外,用户针对这些海量位置数据的信息査询尾能耗状态次数及时间;二是通过传输调度来减少 需求也越来越旺盛.而随着査询数据库变多、査询空尾能耗. Labiod等人通过实验数据来获得最优静 间变得更加广泛,移动终端的计算能力和电池能耗态快速休眠时间阈值,然而这没有在真正意义上消 无法满足大数据下的查询服务.针对位置频繁变化除尾能耗,且不准确的估算会造成额外的开销 的移动终端,有些研究致力于索引技术的改进,提出 ailTheft机制2通过虚拟收尾机制和双队列调度 了基于Rtre、Bt- treelet、 Quad-treel2等索引算法进行预取数据和延迟传输的传输调度,以消除 结构,综合利用历史轨迹、当前位置等信息査询索尾能耗.与调整时间阈值相比,此方法减少了错误估 引,旨在提高查询的性能Cong等人3提出的算算造成的跳转延时和开销,但此方法并不适用于小 法,综合考虑空间相似度和标注信息相关度,通过倒数据传输. Tailender协议[通过对应用实现延迟 排表和R-tree索引,返回k个最相关的空间对象.或预取策略,合并数据发送状态,减少传输过程中 Zhang等人提出m最近关键字查询,用于找到m尾时间,达到节能目的.Zhao等人提出了基于 个空间最近并满足m个用户给定的关键字空间对GBRT的预测算法来预测用户下载网页后的浏览时 象.还有一些研究则希望通过将信息查询与推荐相间,当浏览时间大于一定阈值时,设备状态将从尾能 结合,以进一步提高用户体验.Shi等人[挖掘社交耗状态跳至低能耗状态.Cui等人[2设计了自适应 网络中群体用户潜在行为和喜好的相似性,设计在线调度算法 PerES来最小化尾能耗和传输能耗, LGM群体行为挖掘和推荐模型. 使能耗任意接近最优调度解决方案 4.1.2WiFi网络传输节能 4移动终端节能技术 移动终端在WiFi网络中的能耗浪费主要源于 CSMA机制中空闲监听(ⅡL)状态下的能耗.移动终 移动终端电池容量增长速度缓慢,迅速丰富的端在I状态下的功耗和数据传输时的功耗相当,是 移动应用与移动终端有限的电量的矛盾愈发突出. Cellular网络IDLE状态功耗的40倍左右.目前 移动终端电量已成为良好用户体验的瓶颈,也得到对于WiFi的能耗优化主要是基于802.11节电模 了学术界的广泛关注.为了深人理解移动终端能耗式(PSM),即通过睡眠调度算法减少IL状态的时 管理的研究,本节从数据传输节能、定位服务节能等间来达到节能目的.根据 Zhang等人[的测量 方面对节能方案进行梳理 PSM通过捆绑下行数据包来减少网络层延迟,减少 4.Ⅰ数据传输节能 了不必要IL时间.然而,由于载波感测和竞争使用 随着移动云计算的推广应用,移动终端无线传的存在,PSM本身不能够减少IL时间.他们发现IL 输的薮据量快速増长.无线数据传输能耗占移动终下即使使用PSM策略仍然消耗了大量能耗,在繁 端能耗的比例也越来越大.wiFi和 Cellular网络是忙网络中IL消耗能量占到80%,在网络接近空闲 目前应用最广泛的无线传输技术,因此网络的传输状态下消耗能量也占到60%
等管理，从而减轻移动端的存储和计算负载． 面对庞大的用户位置和运动轨迹等历史数据， 学者们基于云平台的分布式处理方法，提出高效的 索引查询方案，旨在向用户提供快速的查询响应． Ｍａ等人［６７］将ＭａｐＲｅｄｕｃｅ架构用在大规模历史轨 迹数据处理方面，该方案把时间和空间轨迹数据存 储在不同节点上．在处理查询时，在不同的节点分别 执行查询操作，再合并输出查询结果．Ｅｌｄａｗｙ等 人［６８］将Ｈａｄｏｏｐ上的ＭａｐＲｅｄｕｃｅ架构改进，设计 了用于分布式处理空间数据的ＳｐａｔｉａｌＨａｄｏｏｐ系 统．ＳＨＡＨＥＤ［６９］将现有的ＳｐａｔｉａｌＨａｄｏｏｐ系统，用 于卫星数据处理．文中将卫星的数据按时间、空间存 储在不同的节点上，在索引端建立多重Ｑｕａｄｔｒｅｅ 时空索引结构，查询时返回时空卫星数据的热点图． 另外，用户针对这些海量位置数据的信息查询 需求也越来越旺盛．而随着查询数据库变多、查询空 间变得更加广泛，移动终端的计算能力和电池能耗 无法满足大数据下的查询服务．针对位置频繁变化 的移动终端，有些研究致力于索引技术的改进，提出 了基于Ｒｔｒｅｅ［７０］、Ｂ＋ｔｒｅｅ［７１］、Ｑｕａｄｔｒｅｅ［７２］等索引 结构，综合利用历史轨迹、当前位置等信息查询索 引，旨在提高查询的性能．Ｃｏｎｇ等人［７３］提出的算 法，综合考虑空间相似度和标注信息相关度，通过倒 排表和Ｒｔｒｅｅ索引，返回犽个最相关的空间对象． Ｚｈａｎｇ等人［７４］提出犿最近关键字查询，用于找到犿 个空间最近并满足犿个用户给定的关键字空间对 象．还有一些研究则希望通过将信息查询与推荐相 结合，以进一步提高用户体验．Ｓｈｉ等人［７５］挖掘社交 网络中群体用户潜在行为和喜好的相似性，设计 ＬＧＭ群体行为挖掘和推荐模型． ４移动终端节能技术 移动终端电池容量增长速度缓慢，迅速丰富的 移动应用与移动终端有限的电量的矛盾愈发突出． 移动终端电量已成为良好用户体验的瓶颈，也得到 了学术界的广泛关注．为了深入理解移动终端能耗 管理的研究，本节从数据传输节能、定位服务节能等 方面对节能方案进行梳理． ４１数据传输节能 随着移动云计算的推广应用，移动终端无线传 输的数据量快速增长．无线数据传输能耗占移动终 端能耗的比例也越来越大．ＷｉＦｉ和Ｃｅｌｌｕｌａｒ网络是 目前应用最广泛的无线传输技术，因此网络的传输 节能的研究也大多基于这两类网络开展． ４．１．１Ｃｅｌｌｕｌａｒ网络传输节能 移动终端通过Ｃｅｌｌｕｌａｒ网络传输数据通常采用 无线资源控制协议（ＲａｄｉｏＲｅｓｏｕｒｃｅＣｏｎｔｒｏｌ，ＲＲＣ）． 针对ＲＲＣ协议全过程的移动终端能耗测量显示，移 动终端网络接口在完成数据传输后，会从高能耗状 态转移到中间能耗状态，即尾能耗状态，其功率约为 高能耗状态的５０％［７６］．尾能耗状态结束后才会进入 低能耗状态，功率约为高能耗状态的１％［７６］．尾能耗 状态的设计是为了减轻状态转换的延迟和开销，然 而数据传输过程中存在的过多尾能耗状态却大大降 低了移动终端的能耗利用率． 目前针对尾能耗状态节能的研究主要集中在两 个方面：一是通过改变尾能耗时间阈值来减少跳至 尾能耗状态次数及时间；二是通过传输调度来减少 尾能耗．Ｌａｂｉｏｄ等人［７７］通过实验数据来获得最优静 态快速休眠时间阈值，然而这没有在真正意义上消 除尾能耗，且不准确的估算会造成额外的开销． ＴａｉｌＴｈｅｆｔ机制［２２］通过虚拟收尾机制和双队列调度 算法进行预取数据和延迟传输的传输调度，以消除 尾能耗．与调整时间阈值相比，此方法减少了错误估 算造成的跳转延时和开销，但此方法并不适用于小 数据传输．ＴａｉｌＥｎｄｅｒ协议［７６］通过对应用实现延迟 或预取策略，合并数据发送状态，减少传输过程中 尾时间，达到节能目的．Ｚｈａｏ等人［７８］提出了基于 ＧＢＲＴ的预测算法来预测用户下载网页后的浏览时 间，当浏览时间大于一定阈值时，设备状态将从尾能 耗状态跳至低能耗状态．Ｃｕｉ等人［２３］设计了自适应 在线调度算法ＰｅｒＥＳ来最小化尾能耗和传输能耗， 使能耗任意接近最优调度解决方案． ４．１．２ＷｉＦｉ网络传输节能 移动终端在ＷｉＦｉ网络中的能耗浪费主要源于 ＣＳＭＡ机制中空闲监听（ＩＬ）状态下的能耗．移动终 端在ＩＬ状态下的功耗和数据传输时的功耗相当，是 Ｃｅｌｌｕｌａｒ网络ＩＤＬＥ状态功耗的４０倍左右［７９］．目前 对于ＷｉＦｉ的能耗优化主要是基于８０２．１１节电模 式（ＰＳＭ），即通过睡眠调度算法减少ＩＬ状态的时 间来达到节能目的．根据Ｚｈａｎｇ等人［８０］的测量， ＰＳＭ通过捆绑下行数据包来减少网络层延迟，减少 了不必要ＩＬ时间．然而，由于载波感测和竞争使用 的存在，ＰＳＭ本身不能够减少ＩＬ时间．他们发现ＩＬ 下即使使用ＰＳＭ策略仍然消耗了大量能耗，在繁 忙网络中ＩＬ消耗能量占到８０％，在网络接近空闲 状态下消耗能量也占到６０％． ２８０ 计 算 机 学 报 ２０１７年
2期 崔勇等:移动云计算研究进展与趋势 另外,一些学者针对具体应用提岀了相应的节加速度传感器等)估算当前位置的不确定度.当不确 能方案.Bu等人τ重点针对网页载入的能耗问题,定度超出误差阈值时,将触发GPS重新进行定位 通过感知网络状态而动态调整下载策略和画面渲染DS根据当前定位技术的覆盖和精度的需求动态地 的方式,在保证用户体验前提下,实现了节能24.4%选择使用GPS,WiFi和GSM定位 的效果 Zhang等人[231则通过减少视频尾流量和动 Leonhardi等人最先提出基于时间和距离的 态分配信道方式,将WiFi条件下的视频传输能耗追踪.后续的研究【正式地提出了动态追踪技术 减少了29%~61% 主要用于节能和GPS定位. Farrell等人3在通信 4.1.3 Cellular与WiFi切换节能 延迟和目标速度恒定不变的前提下,结合查询和报 由于WF网络的有效传输速率大于 Cellular告协议,给出特定环境最优参数值,You等人在 网络,一些研究基于这一事实,研究 Cellular与WFi定位精确度和延迟、定位目标速度以及用于判断定 的切换节能,目标是将负载从 Cellular F络迁位目标移动的加速度都是恒定不变的前提下,提出 移至WiFi网络,从而减少数据传输的总体能耗 的追踪定位方法将定位精度提高了56.34%,能耗 Rahmati等人利用 Cellular网络和WFi网减少了68.92%动态追踪技术进一步发展,分成了 络的互补优势,基于网络状况的估计,智能地选择节现在的动态预测2和动态选择技术 能的方式来传输数据.为了避免周期性扫描WFi Untracked2架构作为最主要的动态预测方 带来不必要的能耗,文中设计了内容感知算法,估算案,首先由移动终端通过GPS获得初始位置后关闭 wiFi网络分布和信号强度,只有在WHFi信号强度GPS.当用户移动时,由感应器探测用户移动状态, 比较强时进行扫描,减少了35%的能耗. Yeti等并通过速度和精确度评估模块估算用户的速度.当 人[8比较了4种调度算法,旨在最小化 Cellular网 估算的误差超过预设的误差阈值时,再次开启GPS 络使用,从而减少数据传输能耗,并在真实的系统上 进行定位. Untracked的问题在于,加速度传感器在 进行了实现.实验结果显示,基于MIIP调度策略通 定位过程中一直处于工作状态,这在某些场景下可 过预测数据请求,在传输调度时检测wFi的可用 能会比开启GPS定位的能耗更大.另外,此方法只 性和吞吐量,决策是否需要进行切换,最大限度地节能检测用户的突然移动,而手机持续高速移动可能 约开销和能量.值得指出的是, Cellular与WiFi切 换主要的开销包括切换过程中的时间开销、数据流 导致定位失败 的迁移开销以及移动终端从多个WiFi接入点中选 Kjaergaard等人「针对 Untracked的不足,提 择接入点的计算开销. Cellular与wiFi切换节能的 出轨迹追踪的概念,并在 Untracked的基础上改进 研究必须将这些开销考虑在内 提出了 Untracked2. Untracked2通过前进感知策 4.2定位服务节能 略得到一系列连续位置来确定当前的位置,如图7 在移动云计算环境中,越来越多的应用程序提所示,它通过指南针检测用户前进方向和方向变化, 供位置服务.然而,定位过程中实时通信和计算的能根据速度和方向计算用户现在与原来位置的距离 量消耗较大定位服务的节能也就成为节能研究的同时根据指南针给出的初始走向计算用户的移动 个重要方向定位节能研究主要可分为基于移动距离当用户运动方向发生变化时,上述两种计算 终端的优化和基于云的优化两类.基于移动终端的方法得到的位置会产生偏差.当偏差大于误差阈 优化主要是通过预测或改变移动终端选择数据源的值时,GPS会更新用户的位置相比于 En Tracked, 方式实现节能;基于云的优化则主要通过将定位计 tRacked2大大提高了GPS开启的间隔;基于占 算迁移到云端或获取云端共享定位数据达到节能空比( duty-cycle)策略,提高了传感器和指南针的使 效果 用效率;基于速度阈值策略支持对不同移动方式的 4.2.1基于移动终端的能耗优化 基于移动终端的能耗优化主要有两类方法: 是动态预测( Dynamic Prediction,DP);二是动态选 择( Dynamic selection,DS).两类方法都是旨在通过 能耗较小的传感器实现定位,从而降低高能耗GPS 的使用率.DP通过能耗较少的传感器(如指南针 图7 UnTracked2策略
另外，一些学者针对具体应用提出了相应的节 能方案．Ｂｕｉ等人［２４］重点针对网页载入的能耗问题， 通过感知网络状态而动态调整下载策略和画面渲染 的方式，在保证用户体验前提下，实现了节能２４．４％ 的效果．Ｚｈａｎｇ等人［２５］则通过减少视频尾流量和动 态分配信道方式，将ＷｉＦｉ条件下的视频传输能耗 减少了２９％～６１％． ４．１．３Ｃｅｌｌｕｌａｒ与ＷｉＦｉ切换节能 由于ＷｉＦｉ网络的有效传输速率大于Ｃｅｌｌｕｌａｒ 网络，一些研究基于这一事实，研究Ｃｅｌｌｕｌａｒ与ＷｉＦｉ 的切换节能［８１８２］，目标是将负载从Ｃｅｌｌｕｌａｒ网络迁 移至ＷｉＦｉ网络，从而减少数据传输的总体能耗． Ｒａｈｍａｔｉ等人［８１］利用Ｃｅｌｌｕｌａｒ网络和ＷｉＦｉ网 络的互补优势，基于网络状况的估计，智能地选择节 能的方式来传输数据．为了避免周期性扫描ＷｉＦｉ 带来不必要的能耗，文中设计了内容感知算法，估算 ＷｉＦｉ网络分布和信号强度，只有在ＷｉＦｉ信号强度 比较强时进行扫描，减少了３５％的能耗．Ｙｅｔｉｍ等 人［８２］比较了４种调度算法，旨在最小化Ｃｅｌｌｕｌａｒ网 络使用，从而减少数据传输能耗，并在真实的系统上 进行了实现．实验结果显示，基于ＭＩＬＰ调度策略通 过预测数据请求，在传输调度时检测ＷｉＦｉ的可用 性和吞吐量，决策是否需要进行切换，最大限度地节 约开销和能量．值得指出的是，Ｃｅｌｌｕｌａｒ与ＷｉＦｉ切 换主要的开销包括切换过程中的时间开销、数据流 的迁移开销以及移动终端从多个ＷｉＦｉ接入点中选 择接入点的计算开销．Ｃｅｌｌｕｌａｒ与ＷｉＦｉ切换节能的 研究必须将这些开销考虑在内． ４２定位服务节能 在移动云计算环境中，越来越多的应用程序提 供位置服务．然而，定位过程中实时通信和计算的能 量消耗较大．定位服务的节能也就成为节能研究的 一个重要方向．定位节能研究主要可分为基于移动 终端的优化和基于云的优化两类．基于移动终端的 优化主要是通过预测或改变移动终端选择数据源的 方式实现节能；基于云的优化则主要通过将定位计 算迁移到云端或获取云端共享定位数据达到节能 效果．４．２．１基于移动终端的能耗优化 基于移动终端的能耗优化主要有两类方法：一 是动态预测（ＤｙｎａｍｉｃＰｒｅｄｉｃｔｉｏｎ，ＤＰ）；二是动态选 择（Ｄｙｎａｍｉｃｓｅｌｅｃｔｉｏｎ，ＤＳ）．两类方法都是旨在通过 能耗较小的传感器实现定位，从而降低高能耗ＧＰＳ 的使用率．ＤＰ通过能耗较少的传感器（如指南针、 加速度传感器等）估算当前位置的不确定度．当不确 定度超出误差阈值时，将触发ＧＰＳ重新进行定位． ＤＳ根据当前定位技术的覆盖和精度的需求动态地 选择使用ＧＰＳ，ＷｉＦｉ和ＧＳＭ定位． Ｌｅｏｎｈａｒｄｉ等人［８３］最先提出基于时间和距离的 追踪．后续的研究［８４８５］正式地提出了动态追踪技术， 主要用于节能和ＧＰＳ定位．Ｆａｒｒｅｌｌ等人［８４］在通信 延迟和目标速度恒定不变的前提下，结合查询和报 告协议，给出特定环境最优参数值．Ｙｏｕ等人［８５］在 定位精确度和延迟、定位目标速度以及用于判断定 位目标移动的加速度都是恒定不变的前提下，提出 的追踪定位方法将定位精度提高了５６．３４％，能耗 减少了６８．９２％．动态追踪技术进一步发展，分成了 现在的动态预测［２６２７］和动态选择技术［２８］． ＥｎＴｒａｃｋｅｄ［２６］架构作为最主要的动态预测方 案，首先由移动终端通过ＧＰＳ获得初始位置后关闭 ＧＰＳ．当用户移动时，由感应器探测用户移动状态， 并通过速度和精确度评估模块估算用户的速度．当 估算的误差超过预设的误差阈值时，再次开启ＧＰＳ 进行定位．ＥｎＴｒａｃｋｅｄ的问题在于，加速度传感器在 定位过程中一直处于工作状态，这在某些场景下可 能会比开启ＧＰＳ定位的能耗更大．另外，此方法只 能检测用户的突然移动，而手机持续高速移动可能 导致定位失败． 图７ＥｎＴｒａｃｋｅｄ２策略 Ｋｊｒｇａａｒｄ等人［２７］针对ＥｎＴｒａｃｋｅｄ的不足，提 出轨迹追踪的概念，并在ＥｎＴｒａｃｋｅｄ的基础上改进 提出了ＥｎＴｒａｃｋｅｄ２．ＥｎＴｒａｃｋｅｄ２通过前进感知策 略得到一系列连续位置来确定当前的位置，如图７ 所示．它通过指南针检测用户前进方向和方向变化， 根据速度和方向计算用户现在与原来位置的距离． 同时根据指南针给出的初始走向计算用户的移动 距离．当用户运动方向发生变化时，上述两种计算 方法得到的位置会产生偏差．当偏差大于误差阈 值时，ＧＰＳ会更新用户的位置．相比于ＥｎＴｒａｃｋｅｄ， ＥｎＴｒａｃｋｅｄ２大大提高了ＧＰＳ开启的间隔；基于占 空比（ｄｕｔｙｃｙｃｌｅ）策略，提高了传感器和指南针的使 用效率；基于速度阈值策略支持对不同移动方式的 ２期 崔勇等：移动云计算研究进展与趋势 ２８１
计算机学报 2017年 检测;简化的移动轨迹算法减少了信息的发送,降低通过迁移能耗密集型部分不仅为了节约能量,也 了通信开销.然而,当请求的误差阈值比较小时,为后期节能提供了空间. LEAPT∞将先前跟踪得到 Untracked2的错误率较高 的码相位与CTN结合,在无需解码和定位计算 在城市环境中,由于建筑物等干扰,GPS定位的前提下产生新的码相位,以节约能量.CO-GPS 不是非常精确,甚至难以获得.RAPS2同时使用( Cloud- Offloaded GPS)对LEAP进行扩展,将 DP和DS策略,在GPS不可用的情况下,实现了基原始GPS信号传输至云端进行处理.实验表明传输 于手机基站的定位服务.RAPS记录当前手机基站2ms的数据足以用于定位,传输10ms的数据(40KB) ID和RSS信息,基于历史速度信息估算用户当前可以使定位精度达到35m.更高精确度的需求需要 位置.RAPS还提出了多移动用户间位置信息共享.更多数据的传输,这必将带来更多的传输能耗和服 RAPS的不足在于,它专门为市区行人制定策略,并务器存储能耗.用户可以根据精度需求权衡能耗和 不适用于其他场景,且RSs列表服务需要在云端数定位精度 据中心的支持下才能有效工作. Nodari等人则基 (3)基于共享信息的定位节能 于运行轨迹建模减少终端与定位服务器通信的方式 通过共享其他设备的位置信息以减少自身的定 实现节能 位开销,是定位节能的另一种重要方式. Hongge等 4.2.2基于云的能耗优化 人[提出 ECOPS系统,移动终端通过WFi建立虚 除上述在移动终端上实现的优化策略外,学者拟ad-hoc网络共享位置信息.移动终端分为两种模 们又提出了借助云端来减少移动终端能耗的方案,式:位置广播者(PB)和位置接受者(PR).当移动终 主要包括基于存储历史轨迹信息的定位、迁移计算端拥有足够的电池电量和最新的位置信息,它就可 密集型任务至云端和通过邻近移动终端分享精确位以成为PB,否则就是PR.系统通过权衡位置精确度 置信息实现定位 和能耗来定义位置信息的有效时间.PB通过WiFi (1)基于历史轨迹信息的定位节能 热点向PR提供最新的位置信息,PR尽可能地搜集 电子地图近年来发展迅速,用户位置和轨迹信GPS坐标和信号强度(RSSI),并在相应范围内搜集 息通常被收集并存储在云端.通过适当的利用云端最近的3个PB,通过3点测量法进行定位.当搜集 的信息,用户可以以比较节能的方式获取位置信息.的PB只有一个或两个时,PR就将PB的位置或两 用户的移动通常是在同一时间段内移动到某个区PB的交集作为定位点 域,具有时空一致性这意味着我们可以高效地在部 分区域进行定位基于历史轨迹信息的定位通过云5数据安全与隐私保护 端存储的大量历史位置和轨迹信息,结合用户移动 性进行定位 移动用户在获得云计算丰富服务的同时,也面 路线图最先应用于提高车辆追踪的精度 临越来越多数据泄漏、窃听和隐私暴露等安全威胁. VTrack8将路线图匹配和WFi定位相结合,以提为了深入理解移动云计算安全的研究方向,本节从 高定位精度和降低能耗. TRack8扩展了 VTrack云端数据安全、用户隐私保护和移动终端安全等方 的功能,通过历史数据库匹配一系列的GSM信号面对目前主要的安全方案进行了总结分析 塔进行定位. CRack将地理位置分为同一大小的方5.1云端数据安全 格,每个方格拥有周围GSM以及信号强度的列表 移动云计算环境中,用户的数据和计算任务通 CRack还进一步利用能耗较低的传感器如指南针、过无线网络迁移到并不完全可信的云端数据中心, 感应器来增加定位精度.这些通过地理位置描绘用而且还要支持在线査询、多用户数据共享等.这不仅 户信息的方法自动建立并更新数据集,随着定位的面临来自外部攻击者的威胁,甚至可能由于云服务 持续进行,用户的数据集非常庞大,冗余严重 提供者的内部攻击或不当操作,造成数据泄露、损坏 (2)基于计算迁移的定位节能 或丢失[9.针对这些新型的安全威胁,研究者们在 将定位服务的信号解码和计算处理迁移至云端服传统安全机制的基础上,提出了一系列针对云端数 务器02也是定位节能重要的一类方法.A-GPS据安全的创新解决方案 在原始GPS基础上减少了接收信号的多普勒频移和5.1.1身份认证与访问控制 码相移的不确定性,支持了更大的覆盖范围.A-GPS 身份认证是云端数据安全存储的关键技术.针
检测；简化的移动轨迹算法减少了信息的发送，降低 了通信开销．然而，当请求的误差阈值比较小时， ＥｎＴｒａｃｋｅｄ２的错误率较高． 在城市环境中，由于建筑物等干扰，ＧＰＳ定位 不是非常精确，甚至难以获得．ＲＡＰＳ［２８］同时使用 ＤＰ和ＤＳ策略，在ＧＰＳ不可用的情况下，实现了基 于手机基站的定位服务．ＲＡＰＳ记录当前手机基站 ＩＤ和ＲＳＳ信息，基于历史速度信息估算用户当前 位置．ＲＡＰＳ还提出了多移动用户间位置信息共享． ＲＡＰＳ的不足在于，它专门为市区行人制定策略，并 不适用于其他场景，且ＲＳＳ列表服务需要在云端数 据中心的支持下才能有效工作．Ｎｏｄａｒｉ等人［８６］则基 于运行轨迹建模减少终端与定位服务器通信的方式 实现节能． ４．２．２基于云的能耗优化 除上述在移动终端上实现的优化策略外，学者 们又提出了借助云端来减少移动终端能耗的方案， 主要包括基于存储历史轨迹信息的定位、迁移计算 密集型任务至云端和通过邻近移动终端分享精确位 置信息实现定位． （１）基于历史轨迹信息的定位节能 电子地图近年来发展迅速，用户位置和轨迹信 息通常被收集并存储在云端．通过适当的利用云端 的信息，用户可以以比较节能的方式获取位置信息． 用户的移动通常是在同一时间段内移动到某个区 域，具有时空一致性．这意味着我们可以高效地在部 分区域进行定位．基于历史轨迹信息的定位通过云 端存储的大量历史位置和轨迹信息，结合用户移动 性进行定位． 路线图最先应用于提高车辆追踪的精度［８７］． ＶＴｒａｃｋ［８８］将路线图匹配和ＷｉＦｉ定位相结合，以提 高定位精度和降低能耗．ＣＴｒａｃｋ［８９］扩展了ＶＴｒａｃｋ 的功能，通过历史数据库匹配一系列的ＧＳＭ信号 塔进行定位．ＣＴｒａｃｋ将地理位置分为同一大小的方 格，每个方格拥有周围ＧＳＭ以及信号强度的列表． ＣＴｒａｃｋ还进一步利用能耗较低的传感器如指南针、 感应器来增加定位精度．这些通过地理位置描绘用 户信息的方法自动建立并更新数据集，随着定位的 持续进行，用户的数据集非常庞大，冗余严重． （２）基于计算迁移的定位节能 将定位服务的信号解码和计算处理迁移至云端服 务器［９０９２］也是定位节能重要的一类方法．ＡＧＰＳ［９０９１］ 在原始ＧＰＳ基础上减少了接收信号的多普勒频移和 码相移的不确定性，支持了更大的覆盖范围．ＡＧＰＳ 通过迁移能耗密集型部分不仅为了节约能量，也 为后期节能提供了空间．ＬＥＡＰ［９２］将先前跟踪得到 的码相位与ＣＴＮ［９１］结合，在无需解码和定位计算 的前提下产生新的码相位，以节约能量．ＣＯＧＰＳ （ＣｌｏｕｄＯｆｆｌｏａｄｅｄＧＰＳ）［９３］对ＬＥＡＰ进行扩展，将 原始ＧＰＳ信号传输至云端进行处理．实验表明传输 ２ｍｓ的数据足以用于定位，传输１０ｍｓ的数据（４０ＫＢ） 可以使定位精度达到３５ｍ．更高精确度的需求需要 更多数据的传输，这必将带来更多的传输能耗和服 务器存储能耗．用户可以根据精度需求权衡能耗和 定位精度．（３）基于共享信息的定位节能 通过共享其他设备的位置信息以减少自身的定 位开销，是定位节能的另一种重要方式．Ｄｈｏｎｄｇｅ等 人［９４］提出ＥＣＯＰＳ系统，移动终端通过ＷｉＦｉ建立虚 拟ａｄｈｏｃ网络共享位置信息．移动终端分为两种模 式：位置广播者（ＰＢ）和位置接受者（ＰＲ）．当移动终 端拥有足够的电池电量和最新的位置信息，它就可 以成为ＰＢ，否则就是ＰＲ．系统通过权衡位置精确度 和能耗来定义位置信息的有效时间．ＰＢ通过ＷｉＦｉ 热点向ＰＲ提供最新的位置信息，ＰＲ尽可能地搜集 ＧＰＳ坐标和信号强度（ＲＳＳＩ），并在相应范围内搜集 最近的３个ＰＢ，通过３点测量法进行定位．当搜集 的ＰＢ只有一个或两个时，ＰＲ就将ＰＢ的位置或两 ＰＢ的交集作为定位点． ５数据安全与隐私保护 移动用户在获得云计算丰富服务的同时，也面 临越来越多数据泄漏、窃听和隐私暴露等安全威胁． 为了深入理解移动云计算安全的研究方向，本节从 云端数据安全、用户隐私保护和移动终端安全等方 面对目前主要的安全方案进行了总结分析． ５１云端数据安全 移动云计算环境中，用户的数据和计算任务通 过无线网络迁移到并不完全可信的云端数据中心， 而且还要支持在线查询、多用户数据共享等．这不仅 面临来自外部攻击者的威胁，甚至可能由于云服务 提供者的内部攻击或不当操作，造成数据泄露、损坏 或丢失［９５９６］．针对这些新型的安全威胁，研究者们在 传统安全机制的基础上，提出了一系列针对云端数 据安全的创新解决方案． ５．１．１身份认证与访问控制 身份认证是云端数据安全存储的关键技术．针 ２８２ 计 算 机 学 报 ２０１７年