| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第17-29页 |
| 1.1 论文研究背景 | 第17-22页 |
| 1.1.1 移动云计算的产生背景 | 第17-18页 |
| 1.1.2 移动云计算的概念及特点 | 第18-20页 |
| 1.1.3 移动云计算与其他研究领域的关系 | 第20-22页 |
| 1.2 论文的研究问题及其挑战 | 第22-25页 |
| 1.2.1 移动云环境下针对交互式应用的优化及执行框架 | 第22-23页 |
| 1.2.2 移动云中基于稀疏数据的自动化应用性能预测 | 第23页 |
| 1.2.3 多微云环境下提升基于数据流的交互式应用的优化算法 | 第23-25页 |
| 1.3 论文主要研究工作 | 第25-28页 |
| 1.3.1 论文研究内容 | 第25-26页 |
| 1.3.2 论文组织结构 | 第26-28页 |
| 1.4 本章小结 | 第28-29页 |
| 第2章 移动云计算相关研究概述 | 第29-41页 |
| 2.1 引言 | 第29页 |
| 2.2 移动云计算的架构 | 第29-32页 |
| 2.2.1 传统的移动云计算架构 | 第29-30页 |
| 2.2.2 增加了微云的移动云计算架构 | 第30-31页 |
| 2.2.3 由移动设备自组织成资源云的移动云计算架构 | 第31-32页 |
| 2.2.4 本论文所采用的移动云计算架构 | 第32页 |
| 2.3 适合用移动云计算提升性能的应用 | 第32-34页 |
| 2.3.1 图形建模和渲染 | 第32页 |
| 2.3.2 图像处理 | 第32-33页 |
| 2.3.3 语音识别及翻译 | 第33页 |
| 2.3.4 移动游戏 | 第33页 |
| 2.3.5 其他计算密集型应用 | 第33-34页 |
| 2.4 移动云计算的优化目标 | 第34-36页 |
| 2.4.1 降低能耗以延长电池续航 | 第34-35页 |
| 2.4.2 提升移动应用的性能 | 第35-36页 |
| 2.5 移动云计算中的计算迁移相关的各类技术 | 第36-39页 |
| 2.5.1 移动端与云端模块的共同执行 | 第36-37页 |
| 2.5.2 计算迁移的粒度 | 第37-39页 |
| 2.6 本章小结 | 第39-41页 |
| 第3章 面向交互式应用的移动云计算平台及其优化框架 | 第41-75页 |
| 3.1 引言 | 第41-44页 |
| 3.2 移动交互式应用的综合性能优化框架 | 第44-47页 |
| 3.2.1 应用的常规指标、质量指标及综合性能的定义 | 第44-45页 |
| 3.2.2 综合性能的优化框架 | 第45-47页 |
| 3.3 AppBooster的系统模型、设计目标及其纵览 | 第47-52页 |
| 3.3.1 系统模型 | 第48-49页 |
| 3.3.2 设计目标 | 第49页 |
| 3.3.3 设计纵览 | 第49-52页 |
| 3.4 应用开发的编程支持及接口 | 第52-55页 |
| 3.4.1 主流移动交互式应用的模型分类 | 第52页 |
| 3.4.2 模块——计算迁移的最小逻辑单元 | 第52-53页 |
| 3.4.3 将应用拆分成模块的方法 | 第53-54页 |
| 3.4.4 模块间的通讯 | 第54-55页 |
| 3.4.5 在移动端和云端执行同一个应用模块 | 第55页 |
| 3.5 提升应用性能的执行框架 | 第55-61页 |
| 3.5.1 实例——计算迁移的最小执行单位 | 第55-56页 |
| 3.5.2 应用参数的调节 | 第56-57页 |
| 3.5.3 应用计算的迁移 | 第57-58页 |
| 3.5.4 数据并行加速 | 第58-59页 |
| 3.5.5 流水线加速 | 第59-61页 |
| 3.6 对应用综合性能的预测及优化的实现细节 | 第61-65页 |
| 3.6.1 对应用综合性能的预测 | 第61-64页 |
| 3.6.2 对应用综合性能的优化 | 第64-65页 |
| 3.7 实验验证 | 第65-72页 |
| 3.7.1 应用的设置 | 第66-67页 |
| 3.7.2 实验环境的设置 | 第67页 |
| 3.7.3 与固定应用参数的计算迁移策略的性能比较 | 第67-69页 |
| 3.7.4 应用在持续变化的网络条件下的性能评估 | 第69-72页 |
| 3.8 相关工作介绍 | 第72-73页 |
| 3.9 本章小结 | 第73-75页 |
| 第4章 移动云中基于稀疏数据的自动化应用性能预测 | 第75-105页 |
| 4.1 引言 | 第75-78页 |
| 4.2 背景介绍 | 第78-80页 |
| 4.2.1 移动云计算生态系统 | 第78-79页 |
| 4.2.2 对性能预测的需求：自动化预测的能力及对数据稀疏的鲁棒性 | 第79-80页 |
| 4.2.3 基于神经网络的性能预测 | 第80页 |
| 4.3 移动云环境下应用性能的影响因素 | 第80-84页 |
| 4.3.1 设备的处理能力 | 第81-82页 |
| 4.3.2 应用的迁移方案 | 第82页 |
| 4.3.3 移动端与云端之间的网络连接状况 | 第82-83页 |
| 4.3.4 移动应用的参数设置 | 第83-84页 |
| 4.3.5 应用处理的输入数据 | 第84页 |
| 4.4 应用性能预测的框架设计 | 第84-92页 |
| 4.4.1 应用的模型 | 第84-85页 |
| 4.4.2 将复杂的性能模型分割为几个简单的模型 | 第85-86页 |
| 4.4.3 基于中间参数计算应用的整体性能 | 第86-88页 |
| 4.4.4 预测模块执行时间并使用自动化特征学习应对数据稀疏问题 | 第88-89页 |
| 4.4.5 预测模块之间的通讯时间 | 第89-90页 |
| 4.4.6 将输入数据的特征作为预测输入以降低其不确定性带来的影响 | 第90-92页 |
| 4.5 实验评估及讨论 | 第92-102页 |
| 4.5.1 对不同移动设备上每个应用模块的执行时间预测 | 第93-95页 |
| 4.5.2 对模块间通讯时间的预测 | 第95-99页 |
| 4.5.3 应用响应时间的预测 | 第99-102页 |
| 4.6 相关工作 | 第102页 |
| 4.7 本章小结 | 第102-105页 |
| 第5章 多微云环境下基于数据流的交互式应用的优化算法 | 第105-127页 |
| 5.1 引言 | 第105-107页 |
| 5.2 相关工作介绍 | 第107-108页 |
| 5.3 系统模型 | 第108-111页 |
| 5.3.1 面向移动应用的细粒度数据流模型 | 第108-110页 |
| 5.3.2 设备(节点)的计算能力及其之间的带宽 | 第110-111页 |
| 5.3.3 用户在提升性能及降低能耗之间的偏好 | 第111页 |
| 5.3.4 计算迁移及资源分配的策略 | 第111页 |
| 5.3.5 移动设备上的能耗 | 第111页 |
| 5.4 问题描述 | 第111-114页 |
| 5.4.1 移动用户的效用 | 第112-113页 |
| 5.4.2 计算和通讯的限制 | 第113-114页 |
| 5.4.3 整体效用的最大化 | 第114页 |
| 5.5 算法设计 | 第114-120页 |
| 5.5.1 第一阶段：一次性的离线预处理 | 第114-116页 |
| 5.5.2 第二阶段：在线的贪心算法 | 第116页 |
| 5.5.3 利用图切分算法部署模块实例 | 第116-118页 |
| 5.5.4 计算复杂度分析 | 第118-120页 |
| 5.6 性能评估 | 第120-124页 |
| 5.6.1 实验配置 | 第120-121页 |
| 5.6.2 系统规模对性能的影响 | 第121-122页 |
| 5.6.3 应用的特点对算法性能的影响 | 第122-123页 |
| 5.6.4 网络带宽对算法性能的影响 | 第123-124页 |
| 5.7 本章小结 | 第124-127页 |
| 第6章 总结与展望 | 第127-131页 |
| 6.1 主要工作总结 | 第127-129页 |
| 6.2 主要贡献及创新 | 第129-130页 |
| 6.3 未来工作展望 | 第130-131页 |
| 参考文献 | 第131-139页 |
| 致谢 | 第139-141页 |
| 在读期间发表的学术论文与取得的研究成果 | 第141-142页 |
