论文部分内容阅读
自从智能手机兴起之后，越来越多的任务也正在被逐步部署于智能移动设备和移动网络中，这些对计算、存储、安全等要求较高的任务是对现有移动设备的挑战。为了解决智能手机繁重的任务与孱弱性能之间的矛盾，移动云计算被提出并快速发展。但是传统云计算的客户端-服务端模式并不适用于网络情况较为复杂的智能手机。因此便演化出了计算迁移以及云端代理模式的移动云计算。这些针对移动设备的云计算服务普遍都需要稳定的网络连接以提供可靠的计算服务。在移动设备网络状况波动巨大的情况下，实现移动云计算，就需要一个可靠的移动设备网络带宽预测系统的支持。 本文具体的研究工作如下: (1)根据传统聚类算法的特点，改进并提出一种新的聚类算法，其通过使用分裂式的迭代过程，可以逐步将数据集分裂为子集，避免了传统聚类算法聚类开始时需要确定集群数的限制，并降低了算法的时间复杂度。此外，通过基于阈值的噪声数据过滤，可以在迭代过程中剔除噪声数据，提升了聚类算法对干扰数据的忍耐力，非常适合应用于对用户地理位置信息的聚类工作。 (2)使用聚类算法对用户的行为数据聚类，计算用户经常访问的地点，并对其行为模式进行建模，将大量数据抽象提炼为可以用于量化分析的用户行为模型。 (3)根据用户行为模型，应用隐式马尔科夫链及相关算法，对用户一段时间内的运动轨迹和网络波动情况作出预测，辅助移动云计算平台提供稳定的移动云计算服务。