用户情境感知的流式移动应用推荐

在目前流式应用分发系统中,客户端的移动应用分发都是依靠系统后台管理员人工操作或者简单地依靠位置信息为用户分发应用,没有考虑到用户在不同的情境活动下对应用的需求差异问题。针对上述问题,提出一种基于用户情境感知的流式应用推荐机制。该机制通过采集流式应用场景下用户的情境信息数据,利用机器学习Xgboost算法识别用户情境活动,并根据识别的用户情境来为用户推荐应用。同时,利用用户的反馈信息进一步提高用户个性化应用推荐的准确度。实验结果表明,Xgboost算法在准确率和时间开销上性能优于传统算法,在流式应用分发系统中有很高的实际应用价值。     

面向BYOD的流式移动应用分发系统

在目前BYOD解决方案实现方式中,程序、数据全部存储在移动设备中,安全保障主要依赖移动设备上复杂的访问控制;同时现有方案不能充分利用移动设备的位置信息进行权限管理。针对上述问题,结合应用流式的思想,设计并实现了一个流式移动应用分发系统——AS-Droid。其拥有基于位置信息进行灵活的应用授权、管理的能力,并且使用轻量级客户端。实验结果表明,系统在BYOD下具备可用性,健壮性及安全性。进一步实验数据表明,在应用下载、安装及启动过程中,AS-Droid系统比Android系统能够减少超过35%的时延及大约25%的流量消耗,同时两种系统能耗基本持平。