Cyberattack Detection in Mobile Cloud Computing: A Deep Learning Approach
Hanoi University of Science and Technology（河内科技大学）；Nanyang Technological University（南洋理工大学）；University of Technology Sydney（悉尼科技大学）
随着移动应用和云计算的快速增长，移动云计算引起了学术界和工业界的极大兴趣。然而，移动云应用面临着数据完整性、用户机密性和服务可用性等安全问题。针对此类问题的预防方法是在网络威胁对移动云计算系统造成严重影响之前检测并隔离网络威胁。在本文中，我们提出了一种新的框架，利用深度学习方法来检测移动云环境中的网络攻击。通过实验结果，我们表明，我们提出的框架不仅可以识别不同的网络攻击，而且在检测攻击时达到了很高的准确率（高达97.11%）。此外，我们提出了与当前的机器学习为基础的方法的比较，以证明我们提出的解决方案的有效性。
2017-12-16 cs.CR cs.DC cs.LG
Cooperative Caching Framework for Mobile Cloud Computing
由于移动设备和无线网络的进步，结合了移动计算和云计算的移动云计算自2009年以来获得了发展势头。移动设备和无线网络的特点使得移动云计算的实现比固定云更加复杂。本节列出了移动云计算中的一些主要问题。移动云计算中的关键问题之一是服务请求的端到端延迟。数据缓存是有线和无线网络中广泛使用的技术之一，用于提高数据访问效率。在本文中，我们探讨了一种合作的缓存方法，以提高移动云计算的数据访问效率的可能性。所提出的方法是基于cloudlets，为移动云计算设计的架构之一。
2013-07-29 cs.DC cs.NI
A Novel Application Licensing Framework for Mobile Cloud Environment
移动云计算是一种新技术，它可以增强智能手机应用程序在性能、能效和执行支持方面的能力。这些功能是通过专门的移动云应用程序开发模型支持的计算卸载技术实现的。然而，支持云的应用程序容易出现应用程序盗版问题，传统的许可框架对此毫无用处。因此，需要一个新的许可框架来控制移动云环境中的应用程序盗版。本文提出了一种新的应用程序许可框架的移动云环境，限制未经认证的智能手机和云资源上的应用程序的执行的初步设计。
2013-12-30 cs.CY cs.DC
A New Secure Mobile Cloud Architecture
移动电话、PDA和智能电话的需求和使用不断增加，这些设备的制造商正在不断改进这些设备的技术和可用性。由于这些设备的方便的形状和尺寸，它们的处理能力和功能，它们比传统的台式或膝上计算机更受欢迎。如今，移动设备正被用于执行台式或膝上计算机可用于的大多数任务。在此前提下，移动设备也被用来连接到云计算的资源，因此，移动云计算（MCC）。大多数移动设备看似无处不在和普遍存在的性质已经使其可以接受并足以匹配云计算的无处不在和普遍存在的性质。移动云计算据说增加了已知的云计算的挑战，因为大多数移动设备都有安全漏洞。
2015-04-25 cs.DC
Mobile Cloud Computing: A Comparison of Application Models
云计算是一个新兴的概念，它结合了计算的许多领域。云计算的基础是通过互联网提供服务、软件和处理能力，降低成本，增加存储，实现系统自动化，将服务提供与基础技术分离，并提供信息的灵活性和移动性。然而，这些好处的实际实现还远远没有达到移动应用程序，并打开了许多新的研究问题。为了更好地理解如何促进基于移动云的应用程序的构建，我们通过云计算原则的棱镜调查了移动计算中的现有工作。我们给出了一个移动云计算的定义，并提供了一个概述的结果，特别是移动云应用程序的模型。我们还强调了移动云计算领域的研究挑战。最后，我们提出了一些建议，以更好地理解移动云计算如何帮助构建更强大的移动应用程序。
2011-07-25 cs.DC cs.MM cs.NI
PriMask: Cascadable and Collusion-Resilient Data Masking for Mobile Cloud Inference
Nanyang Technological University（南洋理工大学）
移动云卸载对于基于大规模深度模型的推理任务是必不可少的。然而，将隐私丰富的推理数据传输到云端会引起担忧。本文提出了一种称为PriMask的系统的设计，在该系统中，移动终端使用一个秘密的小规模神经网络称为MaskNet的数据屏蔽传输前。PriMask显著削弱了云恢复数据或提取某些私有属性的能力。MaskNet是可扩展的，因为移动设备可以无缝地选择加入或退出其使用，而无需对云的推理服务进行任何修改。此外，移动设备使用不同的MaskNet，使得云和一些移动设备之间的勾结不会削弱对其他移动设备的保护。我们设计了一种{ \em分裂对抗学习}方法来训练一个神经网络，该网络在运行时间快速（在两秒内）生成一个新的MaskNet。我们将PriMask应用于三种具有不同模态和复杂性的移动传感应用，即，人类活动识别、城市环境人群感知和驾驶员行为识别。结果显示PriMask在所有三种应用中的有效性。
2022-11-12 cs.CR cs.DC cs.LG
Recent Advances in Mobile Grid and Cloud Computing
网格和云计算系统已被广泛用于解决科学和工程领域中的大型和复杂问题。这些系统包括通过高速网络连接的强大计算资源。由于移动计算和联网技术的最新进展，将诸如机器人、飞行器、传感器和智能电话的各种移动设备与网格和云计算系统集成已经变得可行。这种集成使下一代应用程序的设计和开发，通过在移动环境中的资源共享，也引入了一些挑战，由于动态和不可预测的网络。本文讨论了移动网格和云计算系统的设计和开发中的应用、研究挑战以及该领域的最新进展。
2018-10-16 cs.DC
Cloud-Based Augmentation for Mobile Devices: Motivation, Taxonomies, and Open Challenges
最近，基于云的移动增强（CMA）方法已经从学术界和工业界获得了显着的基础。CMA是最先进的移动增强模型，它采用资源丰富的云来增加、增强和优化移动设备的计算能力，旨在执行资源密集型移动应用程序。增强型移动设备设想以最少的占用空间和脆弱性执行广泛的计算并存储超出其固有能力的大数据。研究人员利用各种基于云的计算资源（例如，远程云和附近的移动节点）以满足移动用户的各种计算需求。然而，采用基于云的计算资源并不是一个简单的灵丹妙药。理解影响增强过程的关键因素和基于云的资源类型的最佳选择是阻碍CMA适应性的一些挑战。本文全面调查移动增强领域，并提出了CMA方法的分类。本研究的目的是突出远程资源对增强过程的质量和可靠性的影响，并讨论在增强移动设备中采用各种基于云的资源的挑战和机遇。我们提出了增强的定义，动机和增强类型的分类，包括传统的和基于云的。我们批判性地分析了最先进的CMA方法，并将其分为四组：远距离固定，近距离固定，近距离移动和混合，以提出一个分类。重要的决策和性能限制因素，采用CMA方法的影响和未来CMA方法的决策流程图的示例。讨论了CMA方法对移动计算的影响，并指出了未来的研究方向。
2013-06-20 cs.DC
Research On Mobile Cloud Computing: Review, Trend, And Perspectives
移动云计算（MCC）结合了移动计算和云计算，自2009年以来已成为行业流行语之一，也是IT界的主要讨论话题。由于MCC仍处于发展初期，因此有必要对该技术进行透彻的了解，以便为未来的研究指明方向。本文从微控制器的产生背景、原理、特点、研究现状和发展趋势等方面对微控制器的研究进行了综述。首先简要介绍了移动计算的背景：从移动计算到云计算，然后讨论了移动计算的特点和研究现状。然后分析了移动云计算的特点和基础设施。文章最后分析了移动云计算面临的挑战，总结了相关的研究项目，并指出了未来的研究方向。
2012-06-06 cs.DC
Spontaneous Proximity Clouds: Making Mobile Devices to Collaborate for Resource and Data Sharing
移动云计算的基本动机是通过将应用卸载到强大的云资源上来增强移动设备的能力。然而，由于移动终端和云之间的长物理距离所带来的高卸载成本，这一目标无法完全实现。为了解决这个问题，我们提出了一个应用程序卸载到附近的移动云组成的移动设备在附近的一个自发的邻近云。我们介绍了我们提出的动态，蚂蚁启发，双目标卸载中间件-ACOMA，并解释其扩展执行一个密切的移动应用程序卸载。利用ACOMA基于学习的卸载决策过程，结合协同资源共享，移动设备可以协同进行决策缓存共享。我们使用真实的基准人脸识别和Monte-Carlo算法评估了ACOMA在协作模式下的性能，并实现了50%的执行时间增益。
2016-11-03 cs.DC cs.NI
A Novel Distributed Database Architectural Model for Mobile Cloud Computing
云计算是我们连接到服务器的方式，大型系统以分布式安全的方式，而无需担心本地内存限制。提出了一种面向移动云计算的新型分布式数据库体系结构模型（NDDAMMCC）。由于遵循尼尔森互联网带宽定律的无线技术和互联网的指数级增长，我们正处于云计算的新时代。在最近的技术时代，智能移动设备在各种日常人类需求中发挥着重要作用。适用性是如此巨大，移动系统上安装的应用程序的数量成为一个危险，由于本地内存限制的手机用户，并要求一种替代方法来解决这个本地内存问题。移动云计算（MCC）是解决这一问题的最终方案，我们的模型为这种新型的云计算技术提供了一条有前途的道路。
2022-02-21 cs.DC
A Novel Offloading Partitioning Algorithm in Mobile Cloud Computing
本文已被作者撤回
2015-11-12 cs.DC cs.PF
An Energy-Efficient Resource Management System for a Mobile Ad Hoc Cloud
最近，移动ad hoc云已经成为移动网络物理系统应用的一种有前途的技术，例如移动智能视频监控和灵巧家庭。在移动自组织云中，资源管理在最大化资源利用率和应用性能方面起着关键作用。与传统的分布式计算系统（例如云）中的资源管理不同，移动自组织云中的资源管理由于节点移动性、有限的电池功率、高延迟和动态网络环境而提出了许多挑战。与移动网络物理系统应用相关的实时要求使问题更具挑战性。当前，用于移动自组织云的现有资源管理系统未被设计为支持移动网络物理系统应用和应用任务之间的节能通信。在本文中，我们提出了一个新的能源效率的资源管理系统的移动ad hoc云。该系统由两层组成：网络层和中间件层。网络层为中间件层提供自组织网络和通信服务，并共享收集到的信息，以实现高效和鲁棒的资源管理决策。它使用（1）传输功率控制机制来提高能量效率和网络容量，（2）链路寿命来降低通信和能量消耗成本，以及（3）链路质量来估计数据传输时间。中间件层负责资源的发现、监控、迁移和分配。它接收来自用户的应用任务，并根据网络和节点级信息将任务分配给节点。
2019-03-21 cs.DC
A Mobile Ad hoc Cloud Computing and Networking Infrastructure for Automated Video Surveillance System
移动自动视频监控系统涉及到实时图像和视频处理算法的应用，需要大量的计算和存储资源。为了支持移动自动视频监控系统的执行，提出了一种移动ad hoc云计算和网络基础设施，其中通过移动ad hoc网络互连的多个移动设备被组合以创建虚拟超级计算节点。一种能量有效的资源分配方案也被提出用于实时自动视频监控任务的分配。为了实现移动设备之间的通信，已经开发了基于Wi-Fi直连的移动自组织云联网基础设施。更具体地，已经开发了路由层以支持组中的Wi-Fi直连设备之间的通信以及跨组的设备之间的多跳通信。该系统已在一组支持Wi-Fi Direct的三星移动设备上实现。
2018-10-16 cs.DC
A Qualitative Evaluation of Service Mesh-based Traffic Management for Mobile Edge Cloud
Service mesh正被广泛采用为基于微服务的应用程序中的流量管理的云原生机制，特别是对于托管在更集中的云环境中的通用IT工作负载。性能要求高的应用程序继续推动现代应用程序执行环境的去中心化，例如移动边缘云。本文对最先进的服务网格进行了系统的定性分析，以评估其设计是否适合解决移动边缘云环境中托管的性能要求苛刻的应用程序工作负载的流量管理需求。通过这种分析，我们认为，当今以可靠性为中心的服务网格设计无法满足不同类型的新兴移动边缘云工作负载的需求，并激励进一步研究高效的架构，更强的QoS保证和更高复杂性的云原生流量管理框架的抽象。
2022-05-12 cs.DC
A Cooperative Scheduling Scheme of Local Cloud and Internet Cloud for Delay-Aware Mobile Cloud Computing
移动云计算（MCC）是随着移动应用的普及而提出的一种帮助移动设备节省能量和提高计算性能的技术。为了进一步提高MCC的服务质量（QoS），可以将云服务器部署在本地，从而降低延迟。然而，本地云的计算资源通常是有限的。本文设计了一种基于阈值的策略，通过本地云和互联网云资源的协作来提高MCC的QoS，同时利用了本地云的低延迟和互联网云的丰富计算资源的优势。该策略还根据应用程序的延迟要求应用优先级队列。通过所提出的算法获得取决于业务负载的最佳阈值。仿真结果表明，在本地云过载的情况下，互联网云的辅助可以大大提高服务质量。如果本地云根据其延迟要求对任务进行排序，则可以实现更好的QoS，其中延迟敏感的应用程序在延迟容忍的应用程序之前执行。此外，该策略的最优阈值对系统的QoS有很好的影响。
2015-11-27 cs.DC cs.NI
Mobile Agent based Market Basket Analysis on Cloud
本文描述了一个基于位置的移动购物应用程序的设计和开发的面包店。整个应用程序都部署在云上。该系统采用三层体系结构，由前端、中间件和后端组成。前端层是一个基于位置的移动购物应用程序，用于android移动设备，用于购买附近地方的烘焙产品。前端级别还显示所购买产品之间的关联。中间件层提供了一个Web服务，用于从关系数据库生成JSON（JavaScript Object Notation）输出。它在移动应用程序和云中的服务器之间交换信息和数据。后端层提供Apache Tomcat Web服务器和MySQL数据库。该应用程序还使用Google Cloud Messaging来生成订单通知并将其发送给店主。
2014-11-25 cs.CY cs.DC
Robust Orchestration of Concurrent Application Workflows in Mobile Device Clouds
设想了一种混合移动/固定设备云，其利用现场中的移动和固定设备的感测、计算、通信和存储能力以及远程数据中心中的计算和存储服务器的感测、计算、通信和存储能力。可以利用移动终端云来实现创新的普及应用，这些应用依赖于对现场收集的传感器数据的实时、原位处理。为了支持设备云上的并发移动应用，提出了一种健壮、安全的分布式计算框架Maestro。Maestro的关键组件是（i）任务调度机制，除了任务重新分配之外，还采用受控的任务复制以实现鲁棒性，以及（ii）Dedup，用于在并发的普遍工作流中进行任务重复数据删除。提出了一种基于体系结构的解决方案，该方案依赖于任务分类和对任务类别的授权访问，用于不同级别的保护。通过基于Android和Linux的移动设备的原型测试平台以及模拟进行实验评估，以证明Maestro的能力。
2017-01-05 cs.DC
A Novel Load Balancing Scheme for Mobile Edge Computing
为了克服移动云计算（MCC）中远程云数据中心和终端设备之间的数据交换的长传播延迟，移动边缘计算（MEC）正在融合以将移动计算、网络控制和存储推向网络边缘。MEC中的云是一种移动性增强的小规模云，其中包含几个位于移动设备附近的MEC服务器。Cloudlet的主要目的是以低延迟稳定地向移动设备提供服务。当一个小云向数百万台移动设备提供数百种服务时，平衡负载以提高性能至关重要。在本文中，我们提出了一个三层移动混合层次P2P（MHP2P）模型作为一个云。MHP2P具有良好的服务查找效率、系统可扩展性和高稳定性。更重要的是，提供了一个负载平衡方案，使MHP 2P的负载可以很好地平衡MEC服务器和查询负载的增加。大量的仿真实验表明，该方案能够有效地提高基于MHP 2 P的MEC系统的负载均衡性能。
2021-12-19 cs.DC
On Optimal and Fair Service Allocation in Mobile Cloud Computing
研究了移动云计算中多种移动应用（单个或群组以及协作移动应用）的最优公平服务分配问题。我们利用了这样的观察，即使用分层云，即多个级别（本地和公共）的云可以提高移动应用程序的性能和可扩展性。我们提出了一个新的框架，移动应用程序作为一个位置-时间工作流（LTW）的任务建模，在这里用户的移动模式被翻译为移动服务的使用模式。我们发现，考虑到多个QoS目标，如应用程序延迟，设备功耗和用户成本/价格的LTW分层云资源的最佳映射是一个NP-硬问题，为单个和基于组的应用程序。我们提出了一种高效的启发式算法，称为MuSIC，能够表现良好（73%的最佳，比简单的策略好30%），并扩展到大量的用户，同时确保高的移动应用QoS。我们通过实施（在真实世界的云上）和使用丰富的移动应用程序（如密集信号处理，视频流和多媒体文件共享应用程序）的广泛模拟来评估MuSIC和2层移动云方法。我们的实验和仿真结果表明，音乐集成电路支持可扩展的操作（100+并发用户执行复杂的工作流），同时提高QoS。与仅使用公共云相比，我们观察到延迟和功耗降低了约25%（在固定价格限制下），价格降低了约35%（考虑固定延迟）。我们的研究还表明，MuSIC在不同的移动模式下表现得很好，例如随机路点和曼哈顿模型。
2013-08-20 cs.DC cs.NI
Distributed Inference on Mobile Edge and Cloud: A Data-Cartography based Clustering Approach
IIT Bombay（印度理工学院孟买分校）
本文提出基于数据制图的分布式推理方法\our{}，通过评估样本复杂度在移动、边缘和云端分配计算任务，在GLUE数据集上降低超43%推理成本且准确率下降不足0.5%。
2024-12-21 cs.AI cs.DC
CloneCloud: Boosting Mobile Device Applications Through Cloud Clone Execution
移动应用变得越来越普遍，并且在移动设备上提供越来越丰富的功能。与此同时，这些设备通常可以与更强大的机器（从笔记本电脑和台式机到商业云）实现强大的连接。本文介绍了CloneCloud的设计和实现，CloneCloud是一个自动转换移动应用程序以从云计算中受益的系统。该系统是灵活的应用程序分区器和执行运行时，其使得在应用程序级虚拟机中运行的未修改的移动应用程序能够将其执行的一部分从移动设备无缝地卸载到在计算云中操作的设备克隆上。CloneCloud使用静态分析和动态分析的组合来优化和自动分区应用程序，以便它以细粒度的方式迁移，在云中执行和重新集成计算，从而有效地利用资源。我们的评估表明，CloneCloud可以实现我们测试的智能手机应用程序的高达21.2倍的加速，并且它允许对不同的输入和网络进行不同的分区。
2010-09-26 cs.DC cs.OS
MOMCC: Market-Oriented Architecture for Mobile Cloud Computing Based on Service Oriented Architecture
利用云计算来增强移动设备（尤其是智能手机）的计算能力的愿景很可能转变为现实。移动设备对云计算的利用催生了一个新的研究领域--移动云计算（MCC）。然而，像可移植性和互操作性的问题应该得到解决的移动增强，这是一个不平凡的任务，使用基于组件的方法。面向服务的架构（SOA）是一种很有前途的设计理念，被移动计算和云计算社区所接受，以使用称为服务的预制构建块来刺激可移植的复杂应用程序。利用远程云资源托管和运行服务受到长WAN延迟的阻碍。利用附近的移动设备会延长WAN延迟，同时会产生一系列新问题，如服务发布和发现以及客户端-服务器安全性、可靠性和服务可用性。在本文中，我们提出了一个面向市场的架构，基于SOA，以刺激发布，发现和托管服务附近的移动，这减少了长WAN延迟，并创造了一个商业机会，鼓励移动业主拥抱服务托管。一组手机模拟附近的云计算平台。我们通过使不熟练的移动所有者/用户能够托管由熟练的开发人员开发的服务来创建\textit{Service host}的新角色。显然，服务可用性、可靠性和面向服务的移动应用程序可移植性将在我们的移动云基础设施中朝着绿色普适计算的方向提高。
2012-06-27 cs.DC cs.NI cs.SE
Tripod of Requirements in Horizontal Heterogeneous Mobile Cloud Computing
移动计算的最近趋势是在移动设备中执行资源密集型应用，而不管需要即将到来的技术的底层资源限制（例如，有限的处理器和能量）。云计算在固定计算机中的繁荣孕育了移动云计算（MCC）技术，该技术旨在除了节省能量之外还增强移动设备的计算和存储能力。然而，与云计算相比，MCC更加异构和不可靠（由于无线连接）。操作系统的变化、数据碎片以及安全和隐私等问题阻碍和减缓了MCC的实施和普及。在本文中，我们将MCC描述为一个水平异构生态系统，并确定了影响移动云解决方案和MCC成功的13个关键指标和方法。我们将它们分为三个主要类别，即普遍性，信任和能源效率，并在MCC中设计了一个三脚架。我们提出的三脚架表明，MCC的成功可以通过减少移动性挑战（例如无缝连接，碎片化），增加信任和提高能源效率来实现。
2012-05-15 cs.DC
MAMoC: Multisite Adaptive Offloading Framework for Mobile Cloud Applications
本文介绍了MAMoC，这是一个框架，它将各种基础设施类型（包括移动设备，cloudlets和远程云资源）汇集在一个统一的API下。MAMoC允许移动应用程序利用多个卸载目的地的功能。MAMoC的智能卸载决策引擎适应这种异构环境中的上下文变化，以减少单站点和多站点卸载场景的总体运行时间。MAMoC是通过一组卸载实验，评估我们的卸载决策引擎的性能进行评估。结果表明，卸载计算使用我们的框架可以减少单站点和多站点卸载场景的整体任务完成时间。
2017-11-15 cs.DC
Mobile Edge Cloud: Opportunities and Challenges
移动边缘云是物联网和灵巧家庭、智能视频监控等网络物理系统应用的新兴技术。在灵巧家庭中，部署各种传感器以监测家庭环境和个人的生理健康。传感器收集的数据被发送到应用程序，在应用程序中，许多用于情感和情绪检测、活动识别和情况管理的算法被应用于提供医疗保健和紧急相关服务，并管理家中的资源。这些算法的执行需要大量的计算和存储资源。为了解决这个问题，传统的方法是将收集的数据发送到互联网云上的应用程序。这种方法具有几个问题，例如高通信延迟、通信能耗和到核心网络的不必要的数据流量。为了克服传统的基于云的方法的缺点，提出了一种称为移动边缘云的新系统。在移动边缘云中，通过无线局域网互连的多个移动设备和固定设备被组合在一起，在家庭等本地物理区域创建小型云基础设施。与传统的移动分布式计算系统相比，移动边缘云由于其异构的计算环境、异构的动态网络环境、节点的移动性以及有限的电池电量而带来了一些复杂的挑战。与物联网和网络物理系统应用相关的实时要求使这个问题更具挑战性。在本文中，我们描述了与移动边缘云系统的设计和开发相关的应用和挑战，并提出了一种基于跨层设计方法的架构，以实现有效的决策。
2018-11-03 cs.DC
A Stochastic Programming Approach for Risk Management in Mobile Cloud Computing
移动云计算的发展给移动用户以及云服务提供商带来了诸多好处。然而，移动云计算正面临着一些挑战，特别是安全相关的问题，由于越来越多的网络攻击，这可能会造成严重的损失。在本文中，我们提出了一个动态的框架以及先进的风险管理策略，以最大限度地减少网络攻击对云服务提供商造成的损失。特别地，该框架允许云服务提供商选择适当的安全解决方案，例如，安全软件/硬件实施和保险政策，以应对不同类型的攻击。此外，采用随机规划方法，以最小化云服务提供商在其财务能力和攻击及其潜在损失的不确定性的预期总损失。通过数值评估，我们表明，我们的方法是一种有效的工具，不仅可以处理不确定性下的网络攻击，而且可以最大限度地减少云服务提供商的总损失。
2017-12-16 cs.CR cs.DC
An Auction Mechanism for Resource Allocation in Mobile Cloud Computing Systems
移动云计算系统由云服务提供商向移动云用户分配的异构服务和资源组成。一方面，这些资源中的一些是可替代的（例如，用户可以从不同的地方使用存储），它们具有与用户类似的功能。另一方面，一些资源是互补的，用户将需要它们作为捆绑（例如，用户需要无线连接和存储以用于在线照片张贴）。在本文中，我们首先模型的资源分配过程的移动云计算系统作为一个拍卖机制的溢价和折扣因素。溢价和折扣因子表示服务提供商提供的云资源之间的互补和替代关系。然后，我们分析了所提出的拍卖机制中用户的个体理性和激励相容性（真实性）属性。讨论了拍卖机制中的资源分配和费用收取方案的最优解。
2013-04-23 cs.DC cs.GT
Inter-Layer Per-Mobile Optimization of Cloud Mobile Computing: A Message-Passing Approach
云移动计算使得能够经由无线接口将计算密集型应用从移动终端卸载到云处理器。鉴于应用层的卸载决策与物理层参数之间的强烈相互作用，这些参数决定了与移动云通信相关的能量和延迟，本文研究了跨两层的细粒度任务卸载的层间优化。在现有技术中，在处理和通信的串行实现下，该问题被公式化为混合整数程序，导致任务数量呈指数级的复杂性。在这项工作中，相反，算法的解决方案，提出了利用典型应用程序的调用图的结构，通过调用图上的消息传递，在串行和并行实现的处理和通信。对于调用树，所提出的解决方案具有线性的任务数量的复杂性，和有效的扩展更一般的调用图，包括“地图”和“减少”型任务。此外，所提出的方案是最佳的串行实现，并提供了原则性的并行实现。广泛的数值结果产生洞察层间优化的影响和两种实现的比较。
2015-08-26 cs.DC cs.NI
SAMI: Service-Based Arbitrated Multi-Tier Infrastructure for Mobile Cloud Computing
移动云计算（MCC）是旨在缓解移动设备资源匮乏的最新移动计算技术。最近，已经提出了若干方法和技术来通过利用云计算来增强移动设备。然而，长WAN延迟和信任仍然是MCC的两个主要问题，阻碍了其愿景。本文对MCC进行了分析，并对其存在的问题进行了讨论。我们利用面向服务的架构（SOA），提出了一个仲裁的多层基础设施模型命名为SAMI MCC。我们的体系结构由三个主要层组成，即SOA、仲裁器和基础设施。该架构的主要优势在于其多层基础设施层，该层利用来自云、移动网络运营商（MNO）和MNO授权经销商这三个主要来源的基础设施。在基础设施层之上，仲裁器层被设计为基于诸如资源需求、延迟和安全性等多个度量对服务进行分类并为其分配合适的资源。利用SAMI可以促进基于服务的平台中立移动应用程序的开发和部署。
2012-06-27 cs.DC cs.NI
Characterizing the Deep Neural Networks Inference Performance of Mobile Applications
当今的移动应用越来越多地利用深度神经网络来提供新的功能，例如图像和语音识别。要使用预先训练的深度神经网络，移动开发人员可以将其托管在云服务器中，称为基于云的推理，或者将其与移动应用程序一起发布，称为设备上的推理。在这项工作中，我们使用流行的卷积神经网络研究了这两种常见方法在移动设备和公共云上的推理性能。我们的测量研究表明，需要设备上和基于云的推理来支持移动应用程序。特别是，较新的移动设备能够在合理的时间内运行移动优化的CNN模型。然而，对于较旧的移动设备或使用更复杂的CNN模型，移动应用程序应该选择基于云的推理。我们进一步证明，可变的网络条件可能导致基于云的推理端到端时间不佳。为了支持高效的基于云的推理，我们提出了一种称为CNNSelect的CNN模型选择算法，该算法为每个推理请求动态选择最合适的CNN模型，并调整其选择以匹配由可变移动环境引起的不同SLA和执行时间预算。CNNSelect的关键思想是使用一组CNN模型在运行时进行推理速度和准确性的权衡。我们证明了CNNSelect平滑地提高了推理准确性，同时在比贪婪基线多88.5%的情况下保持了SLA的实现。
2019-09-10 cs.DC cs.PF
Energy-Efficient Offloading in Mobile Edge Computing with Edge-Cloud Collaboration
多址移动边缘计算是一种新兴的技术，使计算资源接近终端移动用户。通过在WiFi接入点或蜂窝基站部署边缘服务器，可以扩展移动用户的计算能力。现有的工作大多假设远程云服务器可以被视为一个特殊的边缘服务器或边缘服务器愿意合作，这是不切实际的。在这项工作中，我们提出了一个边缘云合作架构，边缘服务器可以租用远程云服务器，以加快移动用户的任务计算。在此架构下，计算卸载问题被建模为一个具有延迟约束的混合整数规划问题，这是NP-难的。目标是最小化移动设备的总能耗。我们提出了一个贪心算法以及模拟退火算法来有效地解决这个问题。大量的仿真结果表明，所提出的贪心算法和模拟退火算法可以达到接近最优的性能。平均而言，所提出的贪心算法仅需31%的额外能量开销就能达到与Brute Force可选算法相同的应用程序完成时间预算性能。模拟退火算法可以达到与贪心算法相似的性能。
2018-11-09 cs.DC
MCDS: AI Augmented Workflow Scheduling in Mobile Edge Cloud Computing Systems
Imperial College London（帝国理工学院）；Loughborough University（拉夫堡大学）
工作流调度是并行和分布式计算（PDC）中一个长期研究的问题，其目的是有效地利用计算资源以满足用户的服务需求。最近提出的调度方法利用边缘计算平台的低响应时间来优化应用服务质量（QoS）。然而，由于计算异构性，移动设备的变化和工作负载资源需求的不稳定性，在移动边缘云系统中调度工作流应用程序是具有挑战性的。为了克服这些困难，这是必不可少的，但同时具有挑战性的，制定一个长远的优化方案，有效地模拟QoS目标。在这项工作中，我们提出MCDS：蒙特卡洛学习使用深度代理模型，以有效地调度工作流应用程序在移动边缘云计算系统。MCDS是一种基于人工智能（AI）的调度方法，其使用基于树的搜索策略和基于深度神经网络的代理模型来估计即时动作的长期QoS影响，以实现调度决策的鲁棒优化。在物理和模拟边缘云测试平台上的实验表明，MCDS可以在能耗、响应时间、SLA违规和成本方面分别提高至少6.13%、4.56%、45.09%和30.71%。
2021-12-14 cs.AI cs.DC cs.PF
CloudEye: A New Paradigm of Video Analysis System for Mobile Visual Scenarios
Tsinghua University（清华大学）；Peking University（北京大学）；Peng Cheng Laboratory（鹏城实验室）
针对移动视觉场景资源受限与边缘云延迟问题，本文提出由快速推理、特征挖掘和质量编码模块组成的 CloudEye 系统，实现带宽、速度与精度的显著提升。
2024-10-24 cs.CV cs.DC
HierTrain: Fast Hierarchical Edge AI Learning with Hybrid Parallelism in Mobile-Edge-Cloud Computing
Sun Yat-sen University（中山大学）
如今，深度神经网络（DNN）是许多新兴边缘AI应用的核心推动力。训练DNN的传统方法通常在中央服务器或云中心实现，用于集中式学习，由于大量数据样本从设备传输到远程云，这通常是耗时且需要资源的。为了克服这些缺点，我们考虑在移动边缘云计算（MECC）范式上加速DNN的学习过程。在本文中，我们提出了HierTrain，一个分层的边缘AI学习框架，它有效地将DNN训练任务部署在分层的MECC架构上。我们开发了一种新的\textit{hybrid parallelism}方法，这是HierTrain的关键，可以在边缘设备，边缘服务器和云中心三个级别上自适应地分配DNN模型层和数据样本。然后，我们制定了在层粒度和样本粒度上调度DNN训练任务的问题。解决这个优化问题使我们能够实现最小的训练时间。我们进一步实现了一个由边缘设备、边缘服务器和云服务器组成的硬件原型，并在其上进行了大量的实验。实验结果表明，HierTrain与基于云的分层训练方法相比，可以实现高达6.9倍的加速比。
2020-03-22 cs.DC cs.LG cs.NI
e112: A Context-Aware Mobile Emergency Communication Platform Leveraging Smartphone Sensing and Cloud Services
Uppsala University（乌普萨拉大学）；University of Cyprus（塞浦路斯大学）；University of Nicosia（尼科西亚大学）
本文提出e112平台，通过智能手机和云服务提升灾害期间公民与当局的沟通效率，核心方法包括SOS请求、定制警报和撤离指导，主要贡献是验证简单设计能有效提升应急响应能力。
2026-04-22 cs.DC
Efficient Resource Allocation for On-Demand Mobile-Edge Cloud Computing
移动边缘云计算是一种在普适无线电接入网络的边缘靠近移动用户处提供云计算能力的新范例。针对提供灵活的按需移动边缘云服务，本文提出了一个综合框架，包括面向用户的资源高效计算卸载机制和面向网络运营商的联合通信和计算（JCC）资源分配机制。具体来说，我们首先研究了用户的资源有效的计算卸载问题，以减少用户的资源占用，通过确定其最佳的通信和计算资源配置文件具有最小的资源占用，同时满足QoS约束。然后，我们解决的关键问题，用户准入控制JCC资源分配，以适当地选择一组用户的资源需求的满足。我们发现的准入控制问题是NP-难的，因此开发了一个有效的近似解决方案，通过仔细设计的用户排名标准，严格推导出其性能保证的低复杂度。为防止部分用户在获取移动边缘云服务时虚报估值的操纵行为，进一步借助临界值法这一有力工具，设计出JCC资源分配的真实定价方案。广泛的性能评估表明，所提出的方案可以实现按需移动边缘云计算的卓越性能。
2018-06-08 cs.DC cs.NI
Enhanced Mobile Computing Experience with Cloud Offloading
对提高移动终端性能的需求与对更长电池寿命的期望直接冲突。将计算卸载到多个设备是降低移动应用能耗和提高性能的有效方法。Android提供了创建移动应用程序的机制，但缺乏用于确定代码应在何处执行的本地调度系统。本文介绍了Jade，一个为Android应用程序添加复杂的能量感知计算卸载功能的系统。Jade监控设备和应用程序的状态，并自动决定代码应该在哪里执行。Jade通过适应Android和非Android设备的分布式网络中的工作负载变化、通信成本和能源状态来动态调整卸载策略。Jade通过提供易于使用的Jade API，最大限度地减少了开发人员构建具有计算卸载能力的应用程序的负担。评估表明，Jade可以有效降低移动应用平均功耗高达39%，同时提高应用性能。
2017-10-12 cs.DC
Towards Collaborative Intelligence Friendly Architectures for Deep Learning
现代移动设备配备了图形处理器（GPU）等高性能硬件资源，使端侧智能服务变得更加可行。即使是最近，专门的硅作为神经引擎也被用于移动设备。然而，大多数移动设备仍然无法使用非常深入的模型执行实时推理。与当今智能应用的深度模型相关的计算通常仅在云上执行。这种仅云的方法需要通过移动无线网络将大量原始数据上传到云，并在云服务器上施加相当大的计算和通信负载。最近的研究表明，通过在移动终端和云端之间分担工作负载，可以显著降低移动应用中深度神经网络的延迟和能耗。在这种称为协作智能的方法中，在移动终端上计算的中间特征被卸载到云，而不是网络的原始输入数据，从而减少了需要发送到云的数据的大小。在本文中，我们通过引入一个负责更大程度地减少需要卸载到云的特征数据大小的单元，设计了一种新的协作智能友好架构，其中该单元放置在深度模型的选定层之后。我们提出的方法在不同的无线网络中，与ResNet-50的现状仅云方法相比，端到端延迟平均提高了53倍，移动能耗平均提高了68倍，而准确性损失不到2%。
2019-02-01 cs.DC
Panorama: A Framework to Support Collaborative Context Monitoring on Co-Located Mobile Devices
在广泛采用复杂的上下文感知应用程序的一个关键挑战是连续感测和上下文计算的要求。本文介绍了全景，一个中间件，确定协作机会，卸载上下文计算任务附近的移动设备以及cloudlets/云。Panorama的核心是一个多目标优化器，它考虑了不同的约束条件，如访问成本、计算能力、访问延迟、能耗和数据隐私，并有效地计算出同时针对不同目标优化的协作计划，如最小化成本、能耗和/或执行时间。Panorama支持发现附近的设备和小云/云，计算最佳协作计划，将计算分发到参与设备，并返回结果。本文提供了一个广泛的评估全景通过两个代表性的上下文监控应用程序在一组Android设备和一个cloudlet/云在不同的限制。
2021-01-12 cs.DC
Mobility-Induced Service Migration in Mobile Micro-Clouds
移动微云是分布式计算中的一种新兴技术，旨在当集中式服务可能遭受连接性差和延迟长的问题时，为网络边缘提供无缝的计算/数据访问。与传统云不同，移动微云更小，部署更接近用户，通常连接到蜂窝基站或无线网络接入点。由于每个基站或接入点的覆盖区域相对较小，当用户跨越由附接到不同微云的不同基站或接入点覆盖的区域移动时，服务性能和服务迁移的问题变得重要。在本文中，我们考虑这样的移民问题。我们建模的一般问题作为一个马尔可夫决策过程（MDP），并表明，在移动用户遵循一维非对称随机游走移动模型的特殊情况下，服务迁移的最佳策略是一个阈值策略。我们得到了由任意阈值引起的代价的解析解，然后提出了一种寻找最佳阈值的算法。所提出的算法是更有效的解决MDPs的标准机制。
2015-03-17 cs.DC cs.NI math.OC
Mobile Cloud Computing: A Review on Smartphone Augmentation Approaches
智能手机最近在繁重的移动处理中获得了显著的普及，而用户正在增加他们对丰富计算体验的期望。然而，资源限制和当前移动计算的进步阻碍了这一愿景。因此，资源密集型应用程序执行仍然是移动计算中的一项具有挑战性的任务，这需要设备增强。在这篇文章中，智能手机增强方法进行了审查，并分为两个主要群体，即硬件和软件。生成高端硬件是硬件增强方法的一个子集，而保存本地资源和减少资源需求的方法被归类为软件增强方法。我们的研究主张，consreving智能手机的原生资源，这主要是通过任务卸载完成，更适合于已经开发的应用程序比新的，由于昂贵的重新开发过程。云计算作为增强智能手机的主要基石技术之一，最近获得了巨大的发展。我们提出了密集型移动应用程序的样本执行模型，并设计了增强方法的分类。为了更好地理解，本研究的结果总结在一个表格中。
2012-05-15 cs.DC
Energy-Aware Adaptive Offloading of Soft Real-Time Jobs in Mobile Edge Clouds
我们提出了一个模型，用于测量卸载软实时的【形】作业对多层云基础设施的影响。这些作业源自移动设备，卸载策略可以选择在本地、相邻设备、云服务器或基础设施云服务器中执行它们。在本规范中，我们提出了几种这样的卸载策略，其特征在于它们对云层的差异化使用，其目标是优化执行时间和/或能耗。我们使用Jay实现了该模型的一个实例，Jay是一种用于混合边缘云中自适应计算卸载的软件框架。该框架是模块化的，并允许模型和卸载策略被无缝地实施，同时提供工具来基于系统反馈做出明智的运行时卸载决策，即通过内置的系统分析器，该分析器收集每个参与设备或服务器的运行时信息，例如工作负载、能耗和可用带宽。结果表明，卸载策略的运行时条件敏感，可以有效地和动态地调整他们的卸载决策，以产生显着的收益，在他们的目标优化功能，即执行时间，能源消耗和履行的工作期限。
2021-06-02 cs.DC
Location Privacy in Mobile Edge Clouds: A Chaff-based Approach
在本文中，我们考虑移动边缘云（MEC）中的用户位置隐私。MEC是部署在网络边缘的小型云，以提供接近移动用户的云服务，并且已经提出了许多解决方案，通过迁移服务以跟随其用户来最大化服务本地化。然而，用户和他的服务的协同定位意味着观察MEC之间的服务迁移的网络窃听者可以将用户定位到一个MEC覆盖区域，该MEC覆盖区域可以相当小（例如，毫微微小区）。我们考虑使用箔条服务来抵御这样的窃听者，重点是控制箔条的策略。假设窃听者进行最大似然（ML）检测，我们认为这两个启发式策略，模仿用户的移动性和优化策略，旨在最大限度地减少检测或跟踪精度。我们表明，一个单一的箔条控制的最佳策略或其在线变化可以驱动窃听者的跟踪精度为零时，用户的移动性是足够的随机。我们进一步提出了扩展的策略，利用随机化防御先进的窃听者知道的战略。我们的解决方案的有效性是通过合成和跟踪驱动的模拟验证。
2017-09-10 cs.DC
Administrative Decentralization in Edge-Cloud Multi-Agent for Mobile Automation
School of Computer Science and Technology, Huazhong University of Science and Technology（华中科技大学计算机科学与技术学院）；International School Beijing University of Posts and Telccommunication（北京邮电大学国际学院）
本文提出AdecPilot，通过将行政去中心化原则应用于边缘-云多智能体框架，实现边缘代理的重新定义，提升任务成功率并降低云资源消耗与延迟。
2026-04-09 cs.DC
NeuPart: Using Analytical Models to Drive Energy-Efficient Partitioning of CNN Computations on Cloud-Connected Mobile Clients
卷积神经网络（CNN）上的数据处理给能量受限的移动平台带来了沉重的负担。这项工作通过在客户端上的原位处理和云中卸载的计算之间划分CNN计算来优化移动客户端上的能源。制定了一个新的分析CNN能量模型，捕获基于ASIC的深度学习加速器的原位计算的所有主要组成部分。该模型的基准对测得的硅数据。分析框架用于确定运行时客户端和云之间的最佳能量划分点。在标准CNN拓扑上，分区计算被证明可以在客户端上提供比完全基于云或完全原位计算显著的节能。例如，在80 Mbps有效比特率和0.78 W传输功率下，AlexNet [SqueezeNet]的最佳分区在完全基于云的计算中节省了高达52.4% [73.4%]的能量，在完全原位计算中节省了27.3% [28.8%]的能量。
2020-06-25 cs.DC eess.SP
TIMBER: On supporting data pipelines in Mobile Cloud Environments
本文提出TIMBER框架，用于在移动边缘云环境中高效支持移动数据处理流水线，实验表明其平均降低66.245%运营成本并保持高达96.4%的相似吞吐量。
2024-10-08 cs.DC
An Ensemble Mobile-Cloud Computing Method for Affordable and Accurate Glucometer Readout
Technical University of Munich（慕尼黑工业大学）；Sharif University of Technology（谢里夫理工大学）
尽管在开发用于定期监测血液特性的先进无线医疗设备方面做出了必要的努力，但在许多国家，许多这样的设备对于每个人来说都是不可用的或负担不起的。或者使用普通设备，患者应该手动将数据记录到移动健康监测中。它会导致几个问题：（1）据报道，客户倾向于输入不切实际的数据;（2）每天多次输入值令人烦恼，并导致客户离开移动应用程序。因此，迫切需要使用现在无处不在的智能手机，通过从医疗设备屏幕捕获图像并自动提取有用信息来减少错误。然而，在其发展过程中存在一些挑战：（1）数据稀缺导致了不切实际的方法，其准确性非常低：据我们所知，在这种情况下只有小数据集可用;（2）准确性-可用性权衡：可以在移动电话上执行不太精确的算法以保持较高的可用性，或者可替换地在云上部署更精确和更计算密集的算法，然而，代价是在连接性差/没有连接性的情况下可用性较低。我们提出了一个集成学习算法，移动云计算服务架构，和一个简单的压缩技术，以实现更高的可用性和更快的响应时间，同时提供更高的准确性，通过集成云和移动端的预测。此外，我们提出了一种算法来生成合成训练数据，这有助于利用深度学习模型来提高准确性。我们提出的方法实现了三个主要目标：（1）在两个不同数据集上的准确率分别为92.1%和97.7%，将以前的方法提高了40%，（2）将所需带宽减少了45倍，准确率下降了1%，（3）与仅移动，仅云，拆分计算和早期退出服务模型相比，提供了更好的可用…
2023-01-04 cs.CV cs.DC
Phone2Cloud: Exploiting Computation Offloading for Energy Saving on Smartphones in Mobile Cloud Computing
随着智能手机应用的繁荣，智能手机的节能越来越受到关注。在本文中，我们设计了Phone2Cloud，一个计算卸载为基础的系统，在移动云计算的背景下，智能手机上的节能。Phone2Cloud将运行在智能手机上的应用程序的计算卸载到云端。目标是提高智能手机的能源效率，同时通过减少执行时间来提高应用程序的性能。通过这种方式，可以改善用户的体验。在Android和Hadoop环境下实现了Phone2Cloud的原型系统。两组实验，包括应用实验和场景实验，进行评估系统。实验结果表明，Phone2Cloud可以有效地为智能手机节省能源并减少应用程序的执行时间。
2020-08-09 cs.DC cs.NI
BAMCloud: A Cloud Based Mobile Biometric Authentication Framework
随着转向移动银行的用户数量呈指数级增长，各个国家都在采用生物识别解决方案作为安全措施。生物识别技术在消费者的日常生活中变得越来越普遍的主要原因是因为使用他们的移动电话可以轻松地实时的捕获生物识别数据。生物识别技术正在提供潜在的安全框架，使银行业务比以往任何时候都更加方便和安全。与此同时，在生物识别系统中注册的指数增长产生了大量的高维数据，导致移动银行系统的性能下降。因此，为了克服由于这种数据泛滥而产生的性能问题，本文旨在提出一种基于高性能集群云的分布式移动生物识别系统。高可用性，更好的时间效率和可扩展性是使用所提出的系统的一些额外的优点。本文提出了一种基于云的移动生物特征认证框架（BAMCloud），该框架使用动态签名并执行认证。它包括使用任何手持移动终端捕获数据的步骤，然后通过云以分布式方式存储，预处理和训练系统。为此，我们在Hadoop平台上使用MapReduce实现了它，并使用Levenberg-Marquardt反向传播神经网络进行训练。此外，所采用的方法是非常新颖的，因为它实现了8.5倍的加速比和96.23%的性能。此外，实施系统的成本效益分析表明，该系统的实施和执行成本低于现有的。实验表明，更好的性能相比，在最近的文献中使用的其他方法，所提出的框架。
2017-05-19 cs.CR cs.DC
Live Service Migration in Mobile Edge Clouds
移动边缘云（MEC）通过在网络边缘安装小型云基础设施，将云的优势更贴近用户。这使得新一代的实时应用成为可能，例如智能交通系统中的即时对象识别和安全辅助，这些应用需要非常低的延迟。邻近性带来的一个关键问题是如何确保用户在不同位置移动时始终获得良好的性能。在MEC之间迁移服务被视为实现这一目标的手段。本文提供了一个分层框架，用于迁移封装在虚拟机（VM）或容器中的主动服务应用程序。这种分层方法可以大幅减少服务停机时间。该框架很容易使用现成的技术实现，其关键优势之一是它支持容器，这是一种有前途的新兴技术，提供了虚拟机的切实好处。在该框架下，通过实验对各种实际应用的迁移性能进行了评估.从实验结果得出的见解进行了讨论。
2017-08-02 cs.DC cs.NI
Process migration-based computational offloading framework for IoT-supported mobile edge/cloud computing
移动设备已成为物联网（IoT）不可或缺的组成部分。然而，这些设备在处理能力、电池功率和存储空间方面具有资源约束，从而阻碍了通常需要宽带宽、严格的响应时间、长电池寿命和重计算能力的计算密集型应用的执行。移动云计算和移动边缘计算（MEC）是可以使用卸载算法来满足上述要求的新兴技术。本文分析了边缘网络中依赖于平台的原生应用程序对计算卸载的影响，提出了一个轻量级的基于进程迁移的计算卸载框架。所提出的框架不需要边缘服务器上的应用程序二进制文件，因此可以无缝迁移本地应用程序。建议的框架进行评估，使用实验测试平台。数值结果表明，该框架节省了近44%的执行时间和84%的能源消耗。因此，所提出的框架显示了MEC中资源密集型物联网应用程序处理的巨大潜力。
2019-09-24 cs.DC cs.NI
An edge-fog-cloud platform for anticipatory learning process designed for Internet of Mobile Things
本文提出了一种新的数据分析架构，目标是在移动物联网的背景下进行预期的学习过程。该架构是地理分布的，由边缘，雾和云资源组成，这些资源共同运作以支持这种预期的学习过程。我们设计的架构可以管理来自IoMT设备的大量数据流，并在连续的阶段中分析边缘，雾和云的资源层次结构。我们讨论了每一层的分析任务的特点。我们注意到，网络中传输的数据量从边缘到雾，最后到云都在减少，而计算的复杂性却在增加。这种设计允许支持不同类型的分析需求，根据所利用的资源类型，从实时到历史。我们已经实施了拟议的架构作为一个概念验证使用的过境数据从加拿大大蒙克顿地区的饲料。
2018-06-19 cs.CY cs.DC cs.NI
Profitable Task Allocation in Mobile Cloud Computing
我们提出了一个游戏理论框架的任务分配在移动云计算，对应的计算任务卸载到一组附近的移动设备。具体来说，在我们的框架中，一个分销商节点举行了一个多维拍卖分配附近的移动节点之间的计算能力和计算成本的基础上，在这些节点的工作的任务，以减少整体作业完成时间的目标。我们提出的拍卖还具有所需的激励兼容性属性，确保移动设备真实地显示其功能和成本，并且这些设备从任务分配中受益。为了处理节点的移动性，我们在自适应的时间间隔进行多个拍卖。我们开发了一种启发式的方法，动态地找到最佳的拍卖之间的时间间隔，以尽量减少不必要的拍卖和随之而来的开销。我们评估我们的框架和方法使用现实世界和合成的流动性痕迹。我们的评估结果表明，我们的博弈论框架提高了作业完成时间的2-5倍，在本地执行作业所需的时间相比，同时最大限度地减少拍卖的数量和随之而来的开销。我们的方法也是有利可图的附近的节点，执行分销商的任务，这些节点收到的补偿高于他们的实际成本。
2016-08-30 cs.DC cs.GT cs.NI
