| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第13-25页 |
| 1.1 论文研究背景 | 第13-18页 |
| 1.1.1 移动云计算的产生背景 | 第13-14页 |
| 1.1.2 移动云计算的概念和特点 | 第14-16页 |
| 1.1.3 移动云计算与其它研究领域的关系 | 第16-17页 |
| 1.1.4 移动云计算研究面临的挑战 | 第17-18页 |
| 1.2 论文的研究问题及其挑战 | 第18-20页 |
| 1.2.1 多用户场景下资源分配方案和计算迁移策略的研究 | 第18-19页 |
| 1.2.2 移动云中可模块化并行应用的性能优化算法 | 第19页 |
| 1.2.3 基于移动云架构的CNN模型分布式推理框架 | 第19-20页 |
| 1.3 论文主要研究工作 | 第20-24页 |
| 1.3.1 论文研究内容 | 第20-23页 |
| 1.3.2 论文组织结构 | 第23-24页 |
| 1.4 本章小结 | 第24-25页 |
| 第2章 移动云相关研究概述 | 第25-35页 |
| 2.1 引言 | 第25页 |
| 2.2 移动云架构 | 第25-29页 |
| 2.2.1 传统的移动云架构 | 第25-26页 |
| 2.2.2 结合微云的移动云计算架构 | 第26-27页 |
| 2.2.3 自组织移动设备组成资源云的移动云架构 | 第27-28页 |
| 2.2.4 混合移动云架构 | 第28页 |
| 2.2.5 本论文采用的移动云架构 | 第28-29页 |
| 2.3 适合利用移动云提升性能的典型应用 | 第29-30页 |
| 2.3.1 图像处理 | 第29页 |
| 2.3.2 图形建模和渲染 | 第29页 |
| 2.3.3 移动游戏 | 第29-30页 |
| 2.3.4 其他计算密集型应用 | 第30页 |
| 2.4 移动云的优化目标及解决方案 | 第30-31页 |
| 2.4.1 降低移动设备的功耗 | 第30-31页 |
| 2.4.2 提升移动应用的性能 | 第31页 |
| 2.5 移动云中计算迁移的相关技术 | 第31-34页 |
| 2.5.1 计算迁移中分布式执行 | 第32-33页 |
| 2.5.2 计算迁移粒度 | 第33-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第3章 多用户场景下的资源分配和计算迁移方案的研究 | 第35-59页 |
| 3.1 引言 | 第35-37页 |
| 3.2 相关背景和研究动机 | 第37-39页 |
| 3.2.1 将计算任务迁移至云数据中心 | 第37-38页 |
| 3.2.2 将计算任务迁移至微云 | 第38页 |
| 3.2.3 研究动机 | 第38-39页 |
| 3.2.4 小结 | 第39页 |
| 3.3 问题建模 | 第39-44页 |
| 3.3.1 系统模型 | 第39-40页 |
| 3.3.2 应用模型 | 第40-42页 |
| 3.3.3 网络模型 | 第42页 |
| 3.3.4 问题刻画 | 第42-44页 |
| 3.3.5 小结 | 第44页 |
| 3.4 解决方案 | 第44-53页 |
| 3.4.1 基于强化学习的在线资源分配策略 | 第45-49页 |
| 3.4.2 基于搜索剪枝的计算迁移方案决策 | 第49-52页 |
| 3.4.3 小结 | 第52-53页 |
| 3.5 实验评估 | 第53-57页 |
| 3.5.1 基于强化学习的在线资源分配策略评估 | 第53-54页 |
| 3.5.2 基于搜索剪枝的计算迁移决策评估 | 第54-57页 |
| 3.5.3 小结 | 第57页 |
| 3.6 相关研究 | 第57-58页 |
| 3.7 本章小结 | 第58-59页 |
| 第4章 移动云中可模块并行应用的计算迁移算法研究 | 第59-79页 |
| 4.1 引言 | 第59-61页 |
| 4.2 相关背景及研究动机 | 第61-66页 |
| 4.2.1 移动云计算架构 | 第61-62页 |
| 4.2.2 计算迁移 | 第62页 |
| 4.2.3 并行执行加速 | 第62-64页 |
| 4.2.4 研究动机 | 第64-65页 |
| 4.2.5 小结 | 第65-66页 |
| 4.3 问题建模 | 第66-70页 |
| 4.3.1 设备及网络 | 第66页 |
| 4.3.2 可模块并行的移动应用 | 第66-67页 |
| 4.3.3 应用的局部时间消耗 | 第67-68页 |
| 4.3.4 数据传输策略 | 第68-69页 |
| 4.3.5 问题描述 | 第69-70页 |
| 4.4 算法设计 | 第70-73页 |
| 4.4.1 模块执行地点:限制搜索范围 | 第70-71页 |
| 4.4.2 数据传输策略:贪心算法 | 第71-73页 |
| 4.5 实验评估 | 第73-76页 |
| 4.5.1 实验设置 | 第73-74页 |
| 4.5.2 模块间依赖程度对性能的影响 | 第74-76页 |
| 4.5.3 计算或通信密集对性能的影响 | 第76页 |
| 4.6 相关工作 | 第76-78页 |
| 4.7 本章小结 | 第78-79页 |
| 第5章 IF-CNN:基于计算迁移的CNN推理框架 | 第79-107页 |
| 5.1 引言 | 第79-81页 |
| 5.2 相关背景和研究动机 | 第81-85页 |
| 5.2.1 背景:卷积神经网络 | 第81-83页 |
| 5.2.2 研究动机 | 第83-85页 |
| 5.2.3 小结 | 第85页 |
| 5.3 推理框架概述 | 第85-94页 |
| 5.3.1 框架描述 | 第85-86页 |
| 5.3.2 预处理阶段——模型选择器 | 第86-89页 |
| 5.3.3 推理阶段 | 第89-93页 |
| 5.3.4 小结 | 第93-94页 |
| 5.4 实验部分 | 第94-104页 |
| 5.4.1 实验设置 | 第94页 |
| 5.4.2 内存消耗 | 第94-95页 |
| 5.4.3 模型复杂度 | 第95-96页 |
| 5.4.4 识别预测器 | 第96-97页 |
| 5.4.5 模型选择器 | 第97-98页 |
| 5.4.6 切分选择器 | 第98-99页 |
| 5.4.7 半精度推理 | 第99-100页 |
| 5.4.8 数据压缩 | 第100-101页 |
| 5.4.9 推理性能评估 | 第101-103页 |
| 5.4.10 小结 | 第103-104页 |
| 5.5 相关工作 | 第104-105页 |
| 5.6 本章小结 | 第105-107页 |
| 第6章 总结与展望 | 第107-111页 |
| 6.1 主要工作总结 | 第107-108页 |
| 6.2 主要贡献及创新 | 第108-110页 |
| 6.3 未来工作展望 | 第110-111页 |
| 参考文献 | 第111-121页 |
| 致谢 | 第121-123页 |
| 在读期间发表的学术论文与取得的研究成果 | 第123页 |
