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。     

基于位置信息的流式移动应用推送系统的研究

目前与位置相关的移动应用越来越多,传统应用分发模式中,用户需要手动对应用进行搜索、下载、安装以及卸载,不利于提升用户使用应用服务的体验。设计并实现了基于位置信息的流式移动应用推送系统,该系统中服务器利用移动终端位置信息将相关应用解析、安装,并推送到移动终端显示,移动终端根据用户的选择从服务器流式加载应用。该系统使得用户在切换位置时,不用下载、安装即可使用和当前位置相关的应用服务。实验表明,和传统应用分发模式相比,在3G网络环境下可以减少64.37%的应用获取时延,在4G网络环境下可以减少74.49%的应用获取时延。     

基于密度聚类构建物流配送问题的毁灭移除算法

研究多车型大规模物流配送问题，针对企业配送门店规模大且聚集的特点，在自适应大规模邻域搜索（ALNS）框架下提出一种新的邻域映射方式：基于密度聚类的毁灭移除算法。ALNS包含毁灭与重建两个阶段，通过不断对当前解进行破坏和重建得到更好解。在毁灭阶段，随机选择一条路线进行密度聚类得到簇集合，然后按簇对路线上的门店进行移除；重建阶段随机选择贪婪插入法或Regret-2插入法将移除的门店插入到合适的路线上得到新配送方案。通过国际基准测试案例验证了所提算法的有效性，与已有算法对比，基于密度聚类的毁灭移除算法的ALNS算法求解结果比案例已知最优解平均误差更低，求解质量更优；应用于实际场景中，该算法能在有限时间内求得较好的配送方案。     

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。     

互联网端到端多径可靠传输协议研究

随着有线网络中多路径路由的部署和异构无线网络的发展,通信对等双方存在多条IP路径的场景越来越普遍.由于传统的单径传输协议无法充分发挥多路径带来的好处,如何设计有效的端到端多径可靠传输协议来提高端到端性能并保证网络资源分配的公平性成为研究的热点.多条路径的差异性给多径传输协议的设计带来诸多的问题:分组乱序造成接收缓存阻塞,不合理的多径分组调度造成吞吐率的抑制,缺乏多径协同造成带宽未充分利用和多径异构性造成网络资源分配不公平.就如何应对这些问题对现有协议多路径协议进行综述,并指出协议发展的趋势以及开放的研究问题.     

基于用户行为的流式应用分发系统缓存设计

在目前的流式应用分发系统中,客户端通过流式加载的形式按需加载应用资源,因此客户端需要频繁访问远程服务器,从而导致服务器过载、流量消耗增加、应用启动缓慢等问题。针对上述问题,设计了流式应用分发系统的缓存及综合用户行为预测策略A-RBFS（Adaptive Recently Behavior Frequently Size）。该策略同时考虑用户使用行为、客户端状态和应用大小等因素,并根据客户端剩余存储空间大小调节缓存空间总大小。实验结果表明,在同等条件下,该缓存替换策略明显优于LRU和LFU缓存替换策略。