行政院國家科學委員會專題研究計畫 期末報告

具備多層次用戶情境感知、安全及服務品質協調能力之智慧型雲端服務仲介器閘道開發(II)--子計畫四:開發雲端仲

介器閘道之環境感知資料加密與分散服務(II)

計 畫 類 別 ：整合型

計 畫 編 號 ： NSC 101-2221-E-156-002-

執 行 期 間 ： 101年 08 月 01 日至 102年 09 月 30 日

執 行 單 位 ：真理大學資訊工程學系（所）

計 畫主持人：蘇維宗

計畫參與人員：碩士班研究生-兼任助理人員：黃傑翔

碩士班研究生-兼任助理人員：戴正邑

碩士班研究生-兼任助理人員：梁強勝

大專生-兼任助理人員：李尚恩

大專生-兼任助理人員：高肇億

大專生-兼任助理人員：許友誠

大專生-兼任助理人員：鄭羽謙

報 告 附 件 ：出席國際會議研究心得報告及發表論文

公 開 資 訊 ：本計畫涉及專利或其他智慧財產權，2年後可公開查詢

中 華 民 國 102年 12 月 04 日

中 文 摘 要 ： 近年來，由於使用者可以透過行動裝置在任何時間任何地點

存取網路，使得行動裝置已經成為使用者用來連結雲端資料

中心的主要裝置。因此，行動運算與雲端運算的結合是一個

很明顯的發展趨勢。再者，由於積體電路技術的演進，使得

行動裝置的處理器運算速度與日俱增，但是電池技術發展卻

無法跟上積體電路技術發展的腳步。換句話說，行動裝置的

電池電力成為行動裝置執行運算密集(computation-

intensive)應用的絆腳石。行動裝置的電力耗損主要包含兩

大部分：處理資料的耗損以及傳輸資料的耗損。如果在行動

裝置上執行運算密集的應用程式將造成處理資料的能源耗損

增加；反之，如果運算密集的應用程式卸載到雲端資料中心

(將資料傳輸到雲端資料中心)進行運算則會造成傳輸資料的

能源耗損增加。因此，本計畫提出了節能運算卸載方法

(energy-efficient computation offloading approach，簡

稱 ECO)可以讓資源有限的行動裝置即將運算密集的應用卸載

到鄰近具有閒置資源的上進行分散式運算。在 ECO 中，每一

個運算工作要求都被假設是以 ad hoc 的方式由 cloudlet 中

具有閒置資源的裝置(含行動裝置)來完成。從過去文獻的研

究成果可以得知，行動雲端運算的概念適用在等待被處理的

資料是由周遭裝置本身所產生的應用上(例如，地域性的資

料)。在此環境下，卸載策略必須決定每個行動裝置應該直接

在本機上處理資料或是將資料傳送到雲端資料中心進行運算

會有較高的效能。由於不同的卸載策略會造成不同的總能源

損耗，為了最小化總能源損耗，ECO 必須很小心地根據所有

可能影響能源損耗的因子，例如資料大小、裝置運算能力、

網路頻寬、傳輸距離等，來進行最佳卸載策略的決策。然

而，由於這些異質裝置具有不同的能力與可用資源，因此要

進行運算卸載的最佳化是一個相當大的挑戰。最後，我們透

過了系統模擬與實作了行動雲端智慧型運算卸載系統(mobile

cloud smart offloading system，簡稱 MCSOS)雛形來實現

ECO 並以簡單的應用來呈現其效益。

中文關鍵詞： 行動運算、雲端運算、MapReduce、運算卸載、最佳化問題

英 文 摘 要 ： In recent years, mobile devices are becoming the

primary devices connected to cloud due to its

convenience for access data anytime and anywhere.

Thus, it is an unstoppable trend to converge mobile

computing and cloud computing. Unfortunately, the

technology of battery life extension could not keep

up the pace of integrated-circuit evolution. In other

words, the battery power does not enough to extend

the operation time for computation-intensive

applications. There are two sources of energy

consumption on mobile devices: computation and

communication. If the mobile device executes a

computation-intensive job, the energy consumption on

computation will increase； otherwise, if the mobile

device offloads this computation-intensive job to

cloud for computation outsourcing, the energy

consumption on communication will increase. In this

project, we proposed the energy-efficient computation

offloading approach (ECO) which let resource-limited

devices could offload its computation-intensive jobs

to nearby devices with idle resources for parallel

computing. In ECO, each job is assumed to be finished

by the devices (including mobile devices) with idle

resources in cloudlets in an ad hoc way. According to

the previous result, the concept of mobile cloud

computing is suit for the applications where the data

is generated by mobile devices locally (ex.

geographical data). In mobile cloud computing, the

computation offloading strategy indicates that

whether a mobile device should process data locally

or offload data to cloud for computation outsourcing

will result in higher performance. Since different

offloading strategy will result in different energy

consumption and response time, ECO must carefully

makes the decision on offloading strategy according

to the possible factors, such as data size,

computation power, network bandwidth, and

transmission distance, on energy consumption and

response time. However, it is a challenge to optimize

the computation offloading because the devices in

cloudlets are heterogeneous and have various

capabilities and available resources. In this

project, we evaluate the performance of ECO by

simulation. Moreover, we also design and develop the

prototype of mobile cloud smart offloading system

(MCSOS) to realize ECO.

英文關鍵詞： Mobile computing, Cloud computing, MapReduce,

Computation offloading, Optimization problem

1

1. 研究背景與目的研究背景與目的研究背景與目的研究背景與目的

1.1.1.1.1.1.1.1. 研究背景研究背景研究背景研究背景

由於無線寬頻網路的快速發展，行動裝置已經成為使用者用來存取雲端上資料與服務的主要平台。

由於行動裝置通常是資源有限且以電池供電，所以在執行運算密集的應用程式時通常會需要較長的時

間且耗費較多的電力。所以近年來將行動裝置上的複雜運算卸載(offloading)到資源豐富之雲端資料中

心上執行的研究受到相當大的關注[1] [2] [3]。然而，因為行動裝置與雲端資料中心之間是透過無線網

路來進行通訊，所以不適當的運算卸載反而會造成更嚴重的延遲與能源損耗。因此，如何決定最佳的

運算卸載策略是運算卸載研究的一大挑戰且仍是許多學者致力於解決的問題。在過去多數研究中，卸

載策略都是事先確定的而無法根據裝置與網路狀態來進行調適。E. Cuervo等人是較早提出適應性編程

模型(adaptive programming model)的研究團隊。此模型可以根據目前的環境狀態來決定卸載策略[4]。通

常，在過去的研究中總是會假設行動裝置具有連線到雲端資料中心的能力。然而，在惡劣的環境中，

行動裝置可能因為災難或網路攻擊而失去連線到雲端資料中心的能力[5]。在這些狀況下，使用者無法

在存取雲端服務。因此，N. Fernando等人提出了行動雲運算(mobile cloud)的概念[6]，使得行動裝置上

的運算可以被卸載到周周其他具有豐富資源的裝置上。傳統的運算卸載研究主要著重在如何將運算從

資源缺乏的行動裝置卸載到資源豐富的雲端資料中心，而行動雲端運算的主要概念是如何有效整合運

用行動裝置與雲端資料中心上的資源。由於近年來行動裝置的運算能力快速成長(已經出現具有八核心

處理器的行動裝置)而漸漸超過使用者的需求，所以將運算卸載到周遭裝置組成之 cloudlet 中具有閒置

資源的行動裝置變得合理。因此，行動雲端運算的概念可以有效利用這些行動裝置上的閒置資源。此

外，採用行動雲端運算蓋輾可以減少行動裝置與雲端資料中心的資料傳輸，所以可能降低透過無線網

路傳遞大量資料造成的延遲與能源損耗。然而，在行動雲端運算概念下要達到卸載策略的最佳化會比

在傳統的雲端運算概念下更加複雜。這是因為行動網路是一個動態的環境而且在 cloudlet中的行動裝置

通常是異質的裝置而具有各種不同的能力與可用資源。

在此研究計畫中，我們提出了節能運算卸載方法(energy-efficient computation offloading approach，

簡稱 ECO)來解決在行動雲端運算環境中運算附載的最佳化問題。在 ECO 中，每一個運算工作要求都

被假設是以 ad hoc的方式由 cloudlet中具有閒置資源的裝置(含行動裝置)來完成。從過去文獻的研究成

果可以得知 [7]，行動雲端運算的概念適用在等待被處理的資料是由周遭裝置本身所產生的應用上(例

如，地域性的資料)。在此環境下，卸載策略必須決定每個行動裝置應該直接在本機上處理資料或是將

資料傳送到雲端資料中心進行運算會有較高的效能。由於不同的卸載策略會造成不同的總能源損耗，

為了最小化總能源損耗，ECO必須很小心地根據所有可能影響能源損耗的因子，例如資料大小、裝置

運算能力、網路頻寬、傳輸距離等，來進行最佳卸載策略的決策。然而，由於這些異質裝置具有不同

的能力與可用資源，因此要進行運算卸載的最佳化是一個相當大的挑戰。在此計畫中，我們首先將行

動雲端運算中運算卸載最佳化問題以數學模型的方式來表示。接著，我們設計了節能運算附載方法

(energy-efficient computation offloading approach，簡稱 ECO)並實作行動雲端智慧型運算卸載系統

(mobile cloud smart offloading system，簡稱MCSOS)雛形來解決此最佳化問題。

1.2.1.2.1.2.1.2. 研究動機研究動機研究動機研究動機

雲端運算與其底層技術近來被廣泛認為是最新的運算型態。例如，虛擬化(virtualization)技術是透

2

過提供隨選與彈性雲端服務以提高資源使用率的關鍵技術。近年來，由於使用者可以透過行動裝置在

任何時間任何地點存取網路，使得行動裝置已經成為使用者用來連結雲端資料中心的主要裝置。因此，

行動運算與雲端運算的結合是一個很明顯的發展趨勢。再者，由於積體電路技術的演進，使得行動裝

置的處理器運算速度與日俱增，但是電池技術發展卻無法跟上積體電路技術發展的腳步。換句話說，

行動裝置的電池電力成為行動裝置執行運算密集(computation-intensive)應用的絆腳石。行動裝置的電力

耗損主要包含兩大部分：處理資料的耗損以及傳輸資料的耗損。如果在行動裝置上執行運算密集的應

用程式將造成處理資料的能源耗損增加；反之，如果運算密集的應用程式卸載到雲端資料中心(將資料

傳輸到雲端資料中心)進行運算則會造成傳輸資料的能源耗損增加。因此，本計畫提出了另一種運算卸

載的情境，即將運算密集的應用卸載到鄰近具有閒置資源的上進行分散式運算，在考量裝置與網路狀

態不同動態決定應該採用哪種運算卸載策略才可以達到反應時間與能源損耗的最佳化。

2. 文獻探討文獻探討文獻探討文獻探討

行動雲端運算(mobile cloud computing，簡稱MCC)的概念是結合傳統雲端運算與行動運算的網路服

務模型。此概念主要為使用資源貧乏之行動裝置的使用者帶來效益。在 MCC 中，鄰近的裝置(包含行

動裝置)可以組成為一個稱為 cloudlet 的行動雲端資料中心並提供運算密集的服務。換句話說，使用資

源貧乏之行動裝置的使用者可以將運算密集的服務卸載到 cloudlet 中的裝置進行分散式運算以期達到

服務反應時間與能源耗損的最佳化。本計畫中提出在 MCC 中的運算卸載(computation offloading)主要

是基於MapReduce編程模型[8]。由 Google所提出的MapReduce編程模型主要是以平行與分散式演算

法在大量的運算節點中處理巨量資料的方法。目前有經有許多基於MapReduce技術所發展的開放原始

碼套件，其中 Apache Hadoop是其中一個較知名的套件。本計畫所提出的運算卸載系統就是根據 Apache

Hadoop所發展而成的。

2.1.2.1.2.1.2.1. 運算卸載運算卸載運算卸載運算卸載

運算卸載在行動雲端運算研究中主要是用來解決在行動裝置上執行運算密集應用所造成的效率與

耗能問題。其核心概念是以電池供電的行動裝置可以將運算密集的應用卸載到雲端資料中心。然而，

如果將資料傳送到雲端與在雲端上進行運算的總耗能低於在本地端自行運算的總耗能少，那麼運算卸

載才有其效益。細緻的運算卸載可以透過切割程式，然後僅將運算複雜且耗能的部分卸載的雲端資料

中心進行運算。細緻的運算卸載主要有兩種類型。第一類主要是透過程式設計師手動設計運算卸載的

程式並將程式以靜態的方式切割為卸載與不卸載的部分。然而，程式設計師的能力決定了運算卸載的

結果。此外，靜態的運算卸載最大的問題就是靜態切割無法根據網路環境來進行調適。因此，第二類

細緻的運算卸載方法採用的是動態的程式切割與卸載。由於行動裝置的運算資源、記憶體空間、網路

頻寬等會隨著環境而變化，所以程式設計師無法在事前得知這些資訊而設計最佳(例如，執行時間最短

或是最節省能源)的程式切割。有許多方法[9] [10] [11]被提出用來在程式執行前預測其能源損耗，例如

Xian等人[12]是透過設定一個逾時時間(timeout)，而當程式無法在逾時時間結束前在本地端完成就會被

卸載到雲端資料中心。這個逾時時間的長短必須花費一些成本並根據過去紀錄來獲取最佳的設定。另

外，如果最後這個運算必須被卸載的雲端資料中心，那麼這個逾時時間的測定會浪費一些能源。

為了讓行動裝置能夠有效益地使用雲端上的資源，必須在傳輸能源損耗與本地運算能源損耗之間

取得平衡[13]。適當地將運算從行動裝置卸載到雲端資料中心可以降低能源損耗。Liu等人[2]提出的運

3

算卸載方法可以將複雜且耗能的運算卸載到雲端資料中心。此方法只能運用在特定服務而且必須小心

地切割以確定耗能的部分。然而，此方法仍然無法根據裝置和網路狀況調適。E. Cuervo等人[4]提出的

應用程式開發系統可以支援具調適性的運算卸載。在此方法中程式設計師可以將某個函式(function)標

示為可遠端執行(remoteable)，而最後是否卸載的決策則是在程式執行時根據裝置與網路狀態動態決定

的。Kumar 等人[1]則是提出了一個簡單地資料量大小與網路頻寬的運算來進行卸載決策的數學模型。

雖然此方法可以透過運算卸載來降低耗能，然而卻沒有考慮到錯誤發生的可能。如果執行過程中因為

干擾與使用者已經移動到他處，則可能造成整個程序必須重新開始而造成更大的負載(overhead)。因此，

Ou S.等人 [14]提出可以再發生錯誤時只需要重新卸載部分工作的運算卸載系統。

然而，前述方法都是基於假設行動裝置可以直接連結到雲端資料中心。然而，行動裝置卻可能會

因為災難發生或網路攻擊而失去網路連線能力[5]。因此，N. Fernando等人[6]提出了行動雲端運算的概

念。在行動雲端運算中，資源貧乏的行動裝置可以成為一個 master node並將複雜且耗能的運算卸載到

鄰近具有豐富資源的 slave node 來進行平行運算以提高運算效能。然而，這樣的情境比單純的將運算

從行動裝置卸載到雲端資料中心更加複雜。由於鄰近裝置的能力與可用資源不同，所以本計畫主要是

提出一個方法來解決如何將工作分配到這些裝置上以提高運算效能的最佳化問題。

3. 研究方法研究方法研究方法研究方法

在本計畫中，我們基於 MapReduce 編程模型提出了一個節能運算卸載方法 (energy-efficient

computation offloading approach，簡稱 ECO)來解決在行動雲端運算中的最佳化運算卸載問題。我們所

提出來的方法之操作概念圖如圖 1所示。假設資源貧乏的 master node想要發出一個運算密集的運算要

求，但是卻沒辦法有效率地透過網際網路將此工作卸載到雲端資料中心。然而，為了讓此運算能夠更

有效率，master node可以將此運算遞交給鄰近的 service broker。Service broker會根據服務需求、裝置

與網路狀態將此工作以mapper任務遞交給在master node鄰近的 slave nodes進行分散式運算。這些 slave

nodes 可以自己的能力與剩餘資源選擇在本地端執行所分配到的 mapper 任務或是當在有網際網路連線

時將所分配到的 mapper任務卸載到 computation-assisted cloud，簡稱 CA cloud，進行運算。CA cloud

是由多台電腦所組成以增加運算效率。這些 mapper任務完成後，slave nodes所產生的中間結果會被傳

送到 CA cloud執行 reducer任務進行整合已產生最終的結果必回傳給 job tracker。最後，最終結果會由

job tracker傳回給 master node。

Job

Tracker

Service

Broker

Resource

Profiling

JS

FR

SR

FR

Computation-Assisted Cloud Slave(Mapper)

Slave Cloud

Mapper(Main Reducer)

Master Node

IR 1

Data 2

IRi

Data n

FR

SR: Service Request

FR: Final Result

JS: Job Summit

P : Program

IR: Intermediate Result

Data 2 Slave Node 2

Data n Slave Node n

PIR i Slave Node i

PIR 1

Slave Node 1

圖 1. 節能運算卸載方法的操作概念圖

4

在上面的情境中，ECO為去解決以最小化能源損耗的運算卸載最佳化問題。然而，再行動雲端運

算環境下運算卸載的最大挑戰就是 slave node是異質的，即具有不同的運算能力、網路頻寬以及與 CA

cloud之間的距離。上述這些因子都會影響到運算或傳輸所造成的能源耗損。因此，如何決定 slave node

應該在本地端執行 mapper任務或是將 mapper任務卸載到 CA cloud上執行以最小化總能源耗損是一個

非常重要的問題。為了有效解決這個問題，我們首先利用數學模型來描述在行動雲端運算中進行運算

卸載的最佳化問題，其中所使用到的服務條列於表 1中。

表 1. 符號表

符號符號符號符號 描述描述描述描述 � Slave node的個數 � Mapper任務的程式大小(byte) � Mapper任務產生的中間結果與輸入資料大小的比例 �� 等於 1代表 slave node �被決定應該在本地端執行mapper任務；等於 0代表 slave node �被決定應該將 mapper任務卸載到 CA cloud上進行運算 �� Slave node �所需要處理的資料大小(byte) �� Slave node �與 CA cloud間的距離(meter) �� Slave node �的運算速度(Hz) � Slave node �的網路頻寬(bps) ���� Slave node �執行 mapper任務時處理每一個 byte需要執行多少個 instructions

∆ CA cloud上用來加速運算的伺服器數量 � CA cloud伺服器的運算速度(Hz) ������,� CA cloud執行 mapper任務時處理每一個 byte需要執行多少個 instructions ������,� CA cloud執行 reducer任務時處理每一個 byte需要執行多少個 instructions ��� Slave node �的運算功率(Watt) ����� CA cloud的運算功率(Watt)

3.1.3.1.3.1.3.1. 運算卸載情境與對應的能源損耗模型運算卸載情境與對應的能源損耗模型運算卸載情境與對應的能源損耗模型運算卸載情境與對應的能源損耗模型

接下來，我們會討論在行動雲端運算下可能的三種運算卸載情境以及對應的能源損耗模型。首先，

不運算卸載的情境是一個極端的情境，即所有 slave nodes都會在本地端執行 mapper任務。接著，全運

算卸載的情境是另一個極端的情境，即所有 slave nodes都會將mapper任務卸載到 CA cloud進行運算。

最後，混合運算卸載的情境即是採用所提出之 ECO的運算卸載方法。再混合運算卸載情境中，每一個

slave node 都會根據自己的能力以及與 CA cloud 間的距離來決定是在本地端執行 mapper 任務或是將

mapper任務卸載到 CA cloud運算才能夠最小化總能源損耗。關於這三種運算卸載情境的運作方式與能

源損耗模型詳細說明如下。

3.1.1.3.1.1.3.1.1.3.1.1. 不運算卸載的情境不運算卸載的情境不運算卸載的情境不運算卸載的情境(Non-offloading Scenario)

在此情境中，所有 slave nodes都會在本地端執行所配置到的 mapper任務。此情境的資料流程圖如

圖 2所示並說明如後。第 1步，service broker會將 mapper任務的程式傳送給所有 slave nodes。第 2步，

所有 slave nodes會在本地端執行 mapper任務處理資料並產生中間結果(intermediate results)。第 3步，

所有 slave nodes會將中間結果回傳給 CA cloud。最後，CA cloud會執行 reducer任務將中間結果整合

5

成最終結果。

圖 2. 不運算卸載情境的資料流程圖

不運算卸載情境的能源損耗模型說明如後。我們以����表示所有 slave nodes的能源損耗，其數學模型以公式(1)描述。在公式(1)中，slave node �, ���,�(�)代表的是 slave node �在第 1步中透過無線網路接收 mapper 任務程式的能源損耗。接著，在第 2 步中，slave node �會損耗��� ×���的能源來執行mapper任務。��,�(�� × �� ,��)則是 slave node �將中間結果回傳給 CA cloud的能源損耗，其中�� × ��是中間結果的資料大小；��是 slave node �與 CA cloud間的距離。因此，所有 slave nodes的總能源損耗，即����，可以用下列數學模型表示：

���� = �����,����+ ��� × ��� + ��,�(�� × �� ,��)�

���

(1)

其中���是 slave node �完成 mapper任務所需要花費的時間，其數學式為 ��� = �� × ������ (2)

此外，我們以�����表示 CA cloud的能源損耗，其數學模型以公式(3)描述如下 ����� = ����� × ����� × ∆ (3)

其中，�����是 CA cloud完成 reducer任務所需要花費的時間，其數學式為

6

����� = �� × �� × ������,�� × ∆ (4) 因此，我們以��表示不運算卸載情境的總能源損耗，即為所有 slave nodes的能源損耗����與 CA cloud的能源損耗�����的總和，其數學模型以公式(5)描述如下。

�� = ���� + ����� (5)

3.1.2.3.1.2.3.1.2.3.1.2. 全運算卸載的情境全運算卸載的情境全運算卸載的情境全運算卸載的情境(Full-offloading Scenario)

在此情境中，所有 slave nodes會將 mapper任務卸載到 CA cloud進行運算。此情境的資料流程圖

如圖 3所示並說明如後。第 1步，所有 slave nodes會將資料透過無線網路傳送給 CA cloud。第 2步，

CA cloud會執行 mapper任務並產生所有中間結果。第 3步，CA cloud會繼續執行 reducer任務將所有

中間結果整合為最終結果。

全運算卸載情境的能源損耗模型說明如後。我們以����表示所有 slave nodes透過無線網路傳將資料傳送給 CA cloud的能源損耗，其��與��分別為 slave node �傳送的資料量大小以及與 CA cloud間的距離，其數學模型可以公式(6)描述。

���� = ���,���� ,���

���

(6)

圖 3. 全運算卸載情境的資料流程圖

此外，我們以�����表示 CA cloud的能源損耗，其數學模型以公式(7)描述如下

7

����� = ����� × ����� + ����� × ����� (7) 其中 where �����是 CA cloud完成 mapper任務所需要花費的時間，其數學式為

����� = �� × ������,�� × ∆ (8) 因此，我們以��表示全運算卸載情境的總能源損耗，其數學模型以公式(9)描述如下。

�� = ���� + ����� (9)

3.1.3.3.1.3.3.1.3.3.1.3. 混合運算卸載的情境混合運算卸載的情境混合運算卸載的情境混合運算卸載的情境(Hybrid-offloading Scenario)

在此情境中，我們所提出的 ECO會以最小化總能源損耗為目的根據 slave node能力與其他可能影

像能源損耗的參數來決定該 slave node 應該在本地端執行 mapper 任務或是將 mapper 任務卸載到 CA

cloud進行運算。

混合運算卸載情境的能源損耗模型說明如後。公式(10)是用來描述 slave nodes �在本地端執行mapper任務或是將 mapper任務卸載到 CA cloud進行運算之能源損耗的數學模型。

��� = �� × ���� + �1 − ��� × ���� (10) 其中����與����分別為 slave nodes �在本地端執行mapper任務或是將mapper任務卸載到 CA cloud進行運算的能源損耗並分別以公式(11)與(12)來描述。

���� = ���,���� + ��� × ��� + ��,�(�� × �� ,��) (11) ���� = ��,����,��� + ����� × ����� (12)

此外，������是 CA cloud完成 reducer任務所需要花費的時間，其數學式為 ������ = ����� × ����� (13)

因此，我們以�表示混合運算卸載情境的總能源損耗，其數學模型以公式(14)描述如下 � = ����

���

+ ������ (14)

3.1.4.3.1.4.3.1.4.3.1.4. 在行動雲端算下的運算卸載最佳化問題在行動雲端算下的運算卸載最佳化問題在行動雲端算下的運算卸載最佳化問題在行動雲端算下的運算卸載最佳化問題

8

在混合式運算卸載情境中，所提出的 ECO主要被用來解決在行動雲端運算中的運算卸載最佳化問

題。此問題的目的在於透過決定最佳的運算卸載策略，即決定每個 slave node應該在本地端執行 mapper

任務或是將 mapper任務卸載到 CA cloud進行運算，以最小化總能源損耗。然而，因為通常 slave nodes

都是以電池供電且資源有限，所以此最佳化問題會受限於 slave node �的剩餘可用資源。換句話說，slave node �在資源不足的情況下就可能無法或是只能限制在某種運算卸載情境下才能被選作運算節點。 此最佳化問題的數學模型以公式(15)描述如後。對所有 slave node �，� = 1, 2, … , �，而言，��就是

其運算卸載策略，其中�� ∈ {0, 1}。如果��為0，代表 slave node �應該將 mapper 任務卸載到 CA cloud進行運算。反之，如果��為 1，代表 slave node �應該在本地端執行 mapper任務。

Minimize

� = ����

���

+ ������

Subject to

�� × ���� + �1 − ��� × ��,����, ��� ≤ ��, ∀�=1,…,n �� = �0, 如果� !��"���被決定應該將� ##��任務卸載到$�"%�

1, 如果� !��"���被決定應該在本地端執行� ##��任務

(15)

4. 結果與討論結果與討論結果與討論結果與討論

在實作系統之前，我們透過模擬來評估所提出之 ECO運算卸載方法的效能。模擬的目的主要是比

較不運算卸載、全運算卸載以及採用 ECO的混合運算卸載在能源損耗上的效能表現。此外，我們也會

與 Antti P. Miettinen等人[18]提出的運算卸載方法進行比較。模擬的環境與結果說明如後。

4.1.4.1.4.1.4.1. 模擬模擬模擬模擬環境環境環境環境

模擬中的 slave nodes根據其運算能力(500 MHz與 1 GHz)以及與 CA cloud間的距離(10 m與 100 m)

被分成四類。表 3列出了這四類 slave nodes的詳細設定與分佈比例。這些設定主要是參考過去的研究

所訂定[19] [20] [21] [22]，模擬中不同型態的 slave nodes是依據不同的比例去分佈的。另外，表四列出

的 CA cloud能力設計是參考[23]。在模擬中，我們用 10個具有雙核心的主機來模擬 CA cloud。

4.2.4.2.4.2.4.2. 模擬模擬模擬模擬結果結果結果結果

我們針對三種不同的�值進行模擬，�值代表的在 mapper任務產生的中間結果與輸入資料大小的比

9

例。根據我們模擬的結果，如果處理的資料量大於 10 MB，那麼最佳的運算卸載一定是不運算卸載。

這是因為在目前的無線網路傳輸技術下，資料的傳輸非常的消耗能源。因此，在我們後續的模擬中只

針對資料量介於 1 MB與 10 MB的情況進行模擬。另外，模擬中是由 20個 slave nodes共享 300 Mbps

的無線網路頻寬。

圖 4 顯示的是當�為 0.1 時的模擬結果。當資料量介於 1 MB 到 9 MB 時，混合運算卸載(標示為hybrid-offloading)的能源損耗會比其他方法還低。既然 ECO 可以解決最佳化運算卸載問題，能源耗損

當然會比極端的不運算卸載與全運算卸載等情境低，這是因為這兩個情境其實只是混合運算卸載的特

殊案例。此外，由於 ECO在進行最佳化決策時有將距離這個影響無線傳輸耗能甚鉅的因子考慮進來，

因此能夠在估算能源損耗時比Miettinen等人提出來的方法更加準確。

圖 5顯示的是當�為 0.5時的模擬結果。從模擬結果可以看出混合運算卸載的能源損耗雖然還是比其他方法低，但是與�為 0.1實的結果差距較小。這是因為中間結果的大小增加後，花在將中間結果傳送給 CA cloud進行 reducer任務的傳輸耗能增加所造成

最後，圖 6顯示的是當�為 1時的模擬結果。模擬結果顯示混合運算卸載的能源損耗完全等同於全運算卸載。這是因為中間結果的大小等於輸入資料的大小，由於中間結果最後勢必會傳送到 CA cloud，

所以最佳的決策當然就是直接將資料交給 CA cloud來執行 mapper運算會更節省能源。

表 2. Slave nodes 的規格

規格規格規格規格

型態型態型態型態

1 2 3 4

CPU (MHz) - �� 500 500 1000 1000 Distance to the CA cloud (m) - �� 10 100 10 100 Bandwidth (Mbps) - � 300/number of device CPU Energy Consumption

(nJ/cycle) 1.2

Number of instructions required per byte of

data - ���� 4 Transmitter Power

(nJ/bit) 50

Receiver Power

(nJ/bit) 50

Transmitter Amplifier

(pJ/bit) 100

Program Size (MB) - P 10

Ratio of Distribution 50% 20% 20% 10%

10

表 3. CA Cloud 伺服器的規格

規格規格規格規格 數值數值數值數值

CPU (GHz) - � 2.167

CPU Energy Consumption

(nJ/cycle) 11

Number of instructions required per byte of data

as running the mapper task - ��������,� 4

Number of instructions required per byte of data

as running the reducer task - ��������,� 4

Number of the CA cloud server - ∆ 10

圖 4. 不同方法的能源耗損比較(20個 slave nodes、頻寬 300 Mbps、� = 0.1)

11

圖 5. 不同方法的能源耗損比較(20個 slave nodes、頻寬 300 Mbps、� = 0.5)

圖 6. 不同方法的能源耗損比較(20個 slave nodes、頻寬 300 Mbps、� = 1)

12

5. 系統實作系統實作系統實作系統實作

經過模擬驗證後，本計畫基本國科會開放軟體計劃精神依據所提出的方法實作行動雲端運算智慧

型運算卸載系統(Mobile Cloud Smart Offloading System，簡稱MCSOS)。圖 7為MCSIS的操作概念圖，

其中包含的角色有 service broker、task tracker、job tracker與 trust offloading server。在 CA cloud上執

行的 service broker主要負責根據網路環境狀況來決定最佳的運算卸載策略。在 slave node上執行的 task

tracker主要負責監控在 slave nodes上 mapper任務的執行狀況。在 CA cloud上執行的 job tracker主要

負責監控使用者服務要求的執行狀況。最後，在 CA cloud上執行的 trust offloading server主要負責整個

系統中認證(authentication)、授權(authorization)與計費(accounting)，即所謂 AAA，的工作。在MCSOS

系統中，slave nodes上的 task tracker必須透過無線網路連線到 CA cloud上的 service broker已形成一個

cloudlet。為了能夠得到最佳的運算卸載策略，service broker必須蒐集三種不同的環境狀態資訊：

1. 服務狀態服務狀態服務狀態服務狀態(service status)。。。。要求服務的 master node必須提供與該服務相關的資訊，包含程式大

小、服務型態與其他初始化參數。

2. 網路狀態網路狀態網路狀態網路狀態(network status)。。。。 網路狀態資訊包含網路頻寬與網路品質等。

3. 裝置狀態裝置狀態裝置狀態裝置狀態(device status)。。。。裝置狀態資訊包含裝置的能力與可用資源，像是運算能力、剩餘儲

存空間與剩餘電力或是裝置與 CA cloud間的距離等。

在MCSOS的設計中也考量了在行動雲端運算上進行運算卸載的安全性機制。安全性機制主要實作

在負責 AAA功能的 trust offloading server上。圖 7為MCSOS的操作概念圖，其操作步驟說明如下。

1. Service request (with data) in secure channel：：：：使用者送出工作要求給在 CA cloud上執行的

service broker。因為這個要求包含了個人用來進行 AAA的資訊，所以必須在安全的通道上傳

送。

2. AAA negotiation：：：：trust offloading server會將工作分配給可信任且具有足夠授權的 slave nodes

進行運算。在這個步驟中，也可以加入計費機制已提供 slave nodes 願意提供其閒置資源的意

願。

3. Service profiling：：：：接下來，service broker負責收息與管理上面所提到的服務、網路與裝置狀

態。這些狀態會以 XML的格式來維護。

4. Secure data dispersion：：：：trust offloading server會將 slave nodes的安全等級傳回給 service prober。

接著，service broker就可以根據環境狀態與 slave nodes的安全性等級來決定最佳且安全的運

算卸載策略。

5. Job submitting: After generating the offloading strategy. The service broker then submits the

offloading strategy to the job tracker which is responsible for deploying the mapper tasks to trusted

mobile devices and monitoring the running status of mapper tasks.

6. Job initialization：：：：job tracker 會根據所決定的運算卸載策略來準備要遞送給 slave nodes 的

mapper任務。

7. Mapper assignment (with encrypted data optionally)：：：：job tracker根據所決定的運算卸載策略

將 mapper任務遞送給具有授權之 slave nodes上的 task trackers。

8. Mapper executing (on multiple mobile devices)：：：：每一個 task tracker會根據所決定的運算卸載

策略而選擇在本地端執行 mapper任務或是將 mapper任務卸載到 CA cloud上進行運算以產生

中間結果。

9. Intermediate result submitting (from multiple mobile devices)：：：：mapper任務所產生的中間結果

13

會由 task trackers傳送給 job tracker以進行整合。

10. Reducer executing：：：：當 job tracker接收到所有的中間結果後，就會執行 reducer任務來整合中

間結果並產生最終結果。

11. Return final result：：：：最終結果由 job tracker回傳給發出工作要求的使用者。

圖 7. MCSOS的操作概念圖

5.1.5.1.5.1.5.1. MCSOS系統架構系統架構系統架構系統架構

圖 8為MCSOS的系統架構圖。在MCSOS中，主要實現所提出的 ECO方法已進行最佳運算卸載

決策的元件被實作在 service broker中的雲端資源配置器(cloud resource provisioner，簡稱 CRP)中。CRP

主要負責的就是分析網路環境狀態並得到最佳的運算卸載策略。其中，任務分配計畫(task arrangement

plan)就是由 CRP所產生出來的運算卸載策略；此計畫會被傳送給 job tracker以進行分散式運算。CRP

會透過 job tracker持續監控 mapper任務的執行狀況。例如當 slave node發生錯誤時 CRP可以透過 job

tracker回傳的 job statistics即時取得相關的資訊，然後 CRP就可以據此產生新的任務分配計畫傳送給

job tracker以確保工作能夠被正確地完成。

圖 8. MCSOS系統架構圖

14

圖 9為 CRP的流程圖，說明了 CRP的詳細運作流程。CRP的第 1個步驟是收集服務、網路與裝

置的狀態。接下來這些狀態被輸入到運算卸載最佳化演算法中以產生可以最小化總能源損耗的運算卸

載策略。運算卸載最佳化演算法的輸出就是任務分配計畫，任務分配計畫其實就是一個 0-1 決策問題

的結果。當決策結果為 0代表此 slave node應該將 mapper任務卸載到 CA cloud上運算；而當決策結果

為 1時代表此 slave node應該在本地端執行 mapper任務。如果在工作執行過程中發生任何異常，CRP

可以從新產生任務分配計畫以確保工作可以被正確地完成。

圖 9. 雲端資源配置器(Cloud Resource Provisioner)流程圖

5.2.5.2.5.2.5.2. MCSOS系統系統系統系統執行畫面執行畫面執行畫面執行畫面

MCSOS在認證部分主要是整合 Facebook來進行使用者身份的驗證，使用者必須透過 Facebook登

入 MCSOS 系統後，才能夠發出運算工作的要求，登入 Facebook 的畫面如圖 10 所示。登入 MCSOS

後，使用者可以發送運算工作要求給鄰近的 service broker，service broker會依據前述流程將此工作要

求分配給鄰近的 slave nodes以進行分散式運算。運算後的結果，使用者可以選擇是否公布在 Facebook

上。圖 11為使用者發出排序(sort)工作要求給鄰近的 slave nodes運算後所得到的結果公布在 Facebook

上的畫面。

本計畫所開發的程式碼模組基於國科會開放軟體計畫精神，除了將程式碼開放於中研院的

15

OpenFoundry上之外，其中也挑選了兩個軟體模組開放在知名的開放原始碼平台 GitHub上。

1. devMgr軟體模組軟體模組軟體模組軟體模組。。。。此模組主要是實作 service broker管理cloudlet中 slave nodes的加入與離開，

並可以收集到 slave nodes的裝置狀態。GitHub網址為 https://github.com/ucanlab/devMgr。

2. LibDeviceInspector (for Android)。。。。此模組主要是實作可以藉由簡單的 API 函示呼叫來取得

Android裝置的硬體資源現況。GitHub的網址為 https://github.com/ucanlab/LibDeviceInspector。

圖 10. 使用者透過 Facebook登入MCSOS的畫面

圖 11. 使用者將MCSOS運算結果公布在 Facebook上的畫面

6. 結論與建議結論與建議結論與建議結論與建議

本計畫規劃在異質階層式雲端架構中透過中介器閘道提供使用者安全且高效能的雲端服務，預計

以 3年完成。第 1年，我們利用實驗證明了所提出的方法在異質雲端叢集中執行MapReduce工作可以

根據工作特徵與節點資源來配置適當的節點與 mapper任務數量並且有效地提升運算效能。第 2年，由

16

於目前行動終端裝置的普及以及快速發展，我們認為這些行動裝置也可能在異質階層式雲端架構成為

形成雲端運算架構中的一環。因此，發展了節能運算卸載方法(energy-efficient computation offloading

approach，簡稱 ECO)來討論如何在由行動裝置所有成的雲端運算平台中進行運算卸載的最佳化問題。

為了評估與驗證 ECO 的效益，我們透過了系統模擬並接著實作了行動雲端運算智慧型運算卸載系統

(Mobile Cloud Smart Offloading System，簡稱MCSOS)。另外，基於國科會開放軟體計畫的宗旨，我們

將所開發的軟體模組開放於 OpenFoundry與 GitHub中，希望能為進行相關研究的學者能夠提供一些幫

助。從過去的文獻探討中發現，執行與本計畫類似研究議題的團隊包含了加州柏克萊大學分校的

BOINC[25]與卡耐基美濃大學所開發的 Hyrax[26]，可以顯見這個主題雖然尚未普及，但是已經受到國

際研究團隊的關注。此外，本人在執行此計畫同時，也曾與普渡大學電機與電腦工程學系陸永祥教授

進行相關議題的討論，陸教授認為此概念雖然是一個芬常有趣的議題，但是最大的問題恐怕還是找到

一個殺手級的應用來呈現這個概念的效益。最後，感謝國科會開放軟體計畫提供資金讓本人所帶領的

團隊能夠執行此一計畫。未來，本人如果計畫繼續獲得研究經費，將朝向以具體的應用來延續與呈現

此計畫的研究成果。

參考文獻參考文獻參考文獻參考文獻

[1] Karthik Kumar and Yung-Hsiang Lu, "Cloud Computing For Mobile Users: Can Offloading

Computation Save Energy?," IEEE Computer, vol. 43, no. 4, pp. 51-56, April 2010.

[2] Jibang Liu and Yung-Hsiang Lu, "Energy Savings in Privacy-Preserving Computation Offloading with

Protection by Homomorphic Encryption," in Proceedings of the 2010 international conference on Power

aware computing and systems (HotPower '10), Vancouver, BC, Canada, 2010, pp. 1-7.

[3] Jibang Liu, Karthik Kumar, and Lu Yung-Hsiang, "Tradeoff Between Energy Savings and Privacy

Protection in Computation Offloading," in Proceedings of the 16th ACM/IEEE international symposium

on Low power electronics and design (ISLPED '10), Downtown Austin, Texas USA, 2010, pp. 213-218.

[4] Eduardo Cuervo et al., "MAUI: Making Smartphones Last Longer with Code Offload," in Proceedings of

the 8th international conference on Mobile systems, applications, and services (MobiSys'10), San

Francisco, CA, USA, 2010, pp. 49-62.

[5] Kiryong Ha, Grace Lewis, Soumya Simanta, and Mahadev Satyanarayanan, "Cloud Offload in Hostile

Environments," School of Computer Science Carnegie Mellon University, Pittsburgh, PA, 2011.

[6] Niroshinie Fernando, Seng W. Loke, and Wenny Rahayu, "Dynamic Mobile Cloud Computing: Ad Hoc

and Opportunistic Job Sharing," in 4th IEEE International Conference on Utility and Cloud Computing,

Melbourne, Australia, 2011, pp. 281-286.

[7] Jeff Kelly. (201, March) The Dual Role of Mobile Devices for Big Data. [Online].

http://wikibon.org/blog/the-dual-role-of-mobile-devices-for-big-data/

17

[8] Wikipedia. (2012, Dec.) [Online]. http://en.wikipedia.org/wiki/MapReduce

[9] Zhiyuan Li, Cheng Wang, and Rong Xu, "Computation offloading to save energy on handheld devices: a

partition scheme," in Proceeding CASES '01 Proceedings of the 2001 international conference on

Compilers, architecture, and synthesis for embedded systems, New York, 2001, pp. 238-246.

[10] Wolski R., Gurun S., Krintz C., and Nurmi D., "Using bandwidth data to make computation offloading

decisions," in Parallel and Distributed Processing, 2008. IPDPS 2008. IEEE International Symposium,

Miami, 2008, pp. 1-8.

[11] Kung Yang, Ou S., and Hsiao-Hwa Chen, "On effective offloading services for resource-constrained

mobile devices running heavier mobile Internet applications," Communications Magazine, IEEE, vol. 46,

no. 1, pp. 56-63, January 2008.

[12] Changjiu Xian, Yung-Hsiang Lu, and Zhiyuan Li, "Adaptive computation offloading for energy

conservation on battery-powered systems," in Parallel and Distributed Systems, 2007 International

Conference, Hsinchu, 2007, pp. 1-8.

[13] Xiao Ma, Yong Cui, Lian Wang, and Ivan Stojmenovic, "Energy Optimizations for Mobile Terminals via

Computation Offloading ," in The Second IEEE International Conference On Parallel, Distributed and

Grid Computing, India, 2012, pp. 1-6.

[14] Ou S., Kun Yang, Liotta A., and Liang Hu, "Performance Analysis of Offloading Systems in Mobile

Wireless Environments," in Communications, 2007. ICC '07. IEEE International Conference, Glasgow,

2007, pp. 1821-1826.

[15] Wendi B. Heinzelman, Anantha P. Chandrakasan, and Hari Balakrishnan, "An Application-Specific

Protocol Architecture for Wireless Microsensor Networks ," IEEE TRANSACTIONS ON WIRELESS

COMMUNICATIONS, vol. 1, no. 4, pp. 660-670, Octocber 2002.

[16] Stephanie Lindsey, Cauligi Raghavendra, and Krishna M. Sivalingam, "Data Gathering Algorithms in

Sensor Networks Using Energy Metrics," IEEE TRANSACTIONS ON PARALLEL AND DISTRIBUTED

SYSTEMS, vol. 13, no. 9, pp. 924-935, September 2002.

[17] Siva D. Muruganathan, Daniel C. F. Ma, Rolly I. Bhasin, and Abraham O. Fapojuwo, "A Centralized

Energy-Efficient Routing Protocol for Wireless Sensor Networks ," IEEE Radio Communications, vol.

43, no. 3, pp. S8-S13, March 2005.

[18] Antti P. Miettinen and Jukka K. Nurminen, "Energy Efficiency Of Mobile Clients In Cloud Computing,"

in HotCloud'10 Proceedings of the 2nd USENIX conference on Hot topics in cloud computing, CA, 2010,

pp. 4-4.

18

[19] Juan Castillo, Hector Posadas, Eugenio Villar, and Marcos Martinez, "Energy Consumption Estimation

Technique in Embedded Processors with Stable Power Consumption based on Source-Code Operator

Energy Figures ," E.T.S.I. Industriales y Telecom , Santander, Technical report. [Online].

http://gim.teisa.unican.es/pub_files/file_326.pdf

[20] Wendi Rabiner Heinzelman, Anantha Chandrakasan, and Hari Balakrishnan, "Energy-Efficient

Communication Protocol For Wireless Microsensor Networks," in System Sciences, 2000. Proceedings

of the 33rd Annual Hawaii International Conference on, Cambridge, MA, 2000, pp. 1-10.

[21] Aki Saarinen et al., "Can offloading save energy for popular apps?," in Proceeding MobiArch '12

Proceedings of the seventh ACM international workshop on Mobility in the evolving internet

architecture, NY, USA, 2012, pp. 3-10.

[22] G. P. Perrucci, Frank Hanns Paul Fitzek, and Jorg Widner, "Survey on Energy Consumption Entities on

the Smartphone Platform," in Vehicular Technology Conference (VTC Spring), 2011 IEEE 73rd,

Yokohama, JAPAN, 2011, pp. 1-6.

[23] Ed Grochowski and Murali Annawaram, "Energy per Instruction Trends in Intel Microprocessors," Intel

Microarchitecture Research Lab, CA, Technical report 2006.

[24] Kiryong Ha, Grace Lewis, Soumya Simanta, and Mahadev Satyanarayanan, "Cloud Offload in Hostile

Environments," Pittsburgh, PA, 2011.

[25] BOINC Project at UC Berkeley. Available: http://boinc.berkeley.edu/

[26] Eugene E. Marinelli, “Hyrax: Cloud Computing on Mobile Devices using MapReduce,” Master Thesis,

School of Computer Science, Carnegie Mellon Universirty, CMU-CS-09-164, 2009.

1

國科會補助專題研究計畫項下出席國際學術會議心得報告國科會補助專題研究計畫項下出席國際學術會議心得報告國科會補助專題研究計畫項下出席國際學術會議心得報告國科會補助專題研究計畫項下出席國際學術會議心得報告

日期：102 年 8 月 19 日

一一一一、、、、參加會議經過參加會議經過參加會議經過參加會議經過

本次參加的是第 2屆 IEEE中國通訊國際會議(以下簡稱 IEEE ICCC)，其規模與網路通訊領域重

要會議 IEEE ICC相當，差別於舉辦地點在中國。第 2屆的會議選在中國非常富有歷史地位的陝西省

西安市舉行，西安為古時多個朝代帝王建立王朝之地，也是絲綢之路的起始地（古名為長安）。IEEE

ICCC在中國屬於非常大型的會議。開幕式邀請到雪梨大學的教授 Abbas Jamalipour博士、CIC的副

主席以及陝西省通訊部代表共同主持，其議程包含了 4 場專題演講、2 個短期課程、與 151 篇研究

論文的發表，其議題涵蓋無線通訊、無線網路、綠能通訊、訊號處理、通訊理論、網路安全、品質

保證、新型網路服務、光纖網路等通訊相關領域。本人所呈現的海報受到多位學者關注，甚至還提

供一些相關的資訊供本人參考。另外，有的學者覺得本論文所提出的方法給予佳評，但是對於資訊

安全的部分需要增強。

二二二二、、、、與會心得與會心得與會心得與會心得

在此次會議中，除了專題演講邀請到美國 Stanford University的電機教授 Andrea Goldsmith給予

的精彩演講外，當然在會中也與多所知名大學的學者交流，例如新加坡資訊通信研究院、新加坡南

洋理工大學、新加坡國立大學、美國康乃爾大學、美國佛羅里達大學，印度英迪拉·甘地技術研究院，

台灣中央大學，香港科技大學，香港理工大學以及中國多所重要的大學。在交流中也發現本次參與

會議的學者大多數（九成）都為博士等級或教授。從聊天中也發現不少有趣的研究，參與此會議讓

我拓展了不少研究視野。

三三三三、、、、建議建議建議建議

首先，感謝我的指導教授蘇維宗老師讓我有機會可以擔任國科會專題研究計畫的研究助理而得

以有機會在國際會議上發表研究成果。由於國科會專題研究計畫有核定國外差旅費，讓我能夠在此

計畫編號 NSC 101-2221-E-156-002

計畫名稱 子計畫四：開發雲端仲介器閘道之環境感知資料加密與分散服務(II)

出國人員

姓名 黃傑翔

服務機構

及職稱 真理大學資訊工程學系/兼任助理

會議時間 102年 8月 12日至

102年 8月 14日 會議地點 中國西安

會議名稱 (中文)第 2屆 IEEE中國通訊國際會議

(英文) Second IEEE International Conference on Communication in China

發表論文

題目

(中文) 行動雲端智慧卸載系統

(英文) Mobile Cloud with Smart Offloading System

2

次參加學術會議時不需要擔心經費的問題。

四四四四、、、、攜回資料名稱及內容攜回資料名稱及內容攜回資料名稱及內容攜回資料名稱及內容

1. ICCC 2013 會議議程一本 (Program)

2. ICCC 2013 論文全文 USB隨身碟一只 (Proceeding)

五五五五、、、、其他其他其他其他

國科會補助計畫衍生研發成果推廣資料表日 期: 2 0 13/10/17

國 科 會補助計畫

計 畫 名 稱: 子 計 畫 四:開 發 雲 端 仲介器閘道之環境感知資料加密與分散服務( I I )

計 畫 主 持 人: 蘇 維 宗

計 畫 編 號: 1 0 1 -2 2 2 1-E -1 5 6 -0 0 2 - 學 門 領 域: 推 動 計 畫-開 放 軟 體

無 研 發成果推廣資料

101年度專題研究計畫研究成果彙整表

計畫主持人：蘇維宗 計畫編號：101-2221-E-156-002- 計畫名稱：具備多層次用戶情境感知、安全及服務品質協調能力之智慧型雲端服務仲介器閘道開發

(II)--子計畫四:開發雲端仲介器閘道之環境感知資料加密與分散服務(II) 量化

成果項目 實際已達成數（被接受

或已發表）

預期總達成數(含實際已達成數)

本計畫實

際貢獻百分比

單位

備 註 （ 質 化 說

明：如數個計畫共同成果、成果列 為 該 期 刊 之封 面 故 事 ...等）

期刊論文 0 0 100%

研究報告/技術報告 3 0 100% 需求規格、專案規

畫書、測試計畫與報告、成果報告

研討會論文 0 0 100%

篇

論文著作

專書 0 0 100%

申請中件數 1 1 100% 透過智慧型雲端

閘道器進行家電控制 專利

已獲得件數 0 0 100%

件

件數 0 0 100% 件

技術移轉 權利金 0 0 100% 千元

碩士生 2 2 100%

戴正邑、梁強勝(另有學士級兼任助理 - 高肇億、許友誠、鄭羽謙)

博士生 0 0 100% 博士後研究員 0 0 100%

國內

參與計畫人力 （本國籍）

專任助理 0 0 100%

人次

期刊論文 0 1 0% 已投稿(審查中) 研究報告/技術報告 0 0 100% 研討會論文 1 1 100%

篇

論文著作

專書 0 0 100% 章/本 申請中件數 0 0 100%

專利 已獲得件數 0 0 100%

件

件數 0 0 100% 件 技術移轉

權利金 0 0 100% 千元

碩士生 1 1 100%

黃傑翔(目前為國立成功大學資訊工程研究所博士班學生)

博士生 0 0 100%

國外

參與計畫人力 （外國籍）

博士後研究員 0 0 100%

人次

專任助理 0 0 100%

其他成果 (無法以量化表達之成果如辦理學術活動、獲得獎項、重要國際合作、研究成果國際影響力及其他協助產業技術發展之具體效益事項等，請以文字敘述填列。)

相關研究成果

1.已相關之議題申請並獲得國科會補助，於 102年 7~9 月赴美國普渡大學與該校電機系 陸永祥教授進行短期研究。

指導學生參加競賽：

1.許友誠、鄭羽謙、黃靖修, ＇＇聲控家電控制系統＇＇, 2013 資訊應用服務創新競賽(入圍)

2.李尚恩、曾奕愷、李明祐, ＇＇小小星球(Little Planet)＇＇, 2013 年第

九屆全國電子設計創意競賽大專組行動 APP類(第一名)

成果項目 量化 名稱或內容性質簡述 測驗工具(含質性與量性) 0 課程/模組 0 電腦及網路系統或工具 0 教材 0 舉辦之活動/競賽 0 研討會/工作坊 0 電子報、網站 0

科 教 處 計 畫 加 填 項 目 計畫成果推廣之參與（閱聽）人數 0

國科會補助專題研究計畫成果報告自評表

請就研究內容與原計畫相符程度、達成預期目標情況、研究成果之學術或應用價

值（簡要敘述成果所代表之意義、價值、影響或進一步發展之可能性）、是否適

合在學術期刊發表或申請專利、主要發現或其他有關價值等，作一綜合評估。

1. 請就研究內容與原計畫相符程度、達成預期目標情況作一綜合評估 ■達成目標 □未達成目標（請說明，以 100字為限）

□實驗失敗

□因故實驗中斷 □其他原因

說明：

2. 研究成果在學術期刊發表或申請專利等情形： 論文：■已發表 □未發表之文稿 □撰寫中 □無

專利：□已獲得 ■申請中 □無

技轉：□已技轉 □洽談中 ■無

其他：（以 100字為限） 3. 請依學術成就、技術創新、社會影響等方面，評估研究成果之學術或應用價值（簡要敘述成果所代表之意義、價值、影響或進一步發展之可能性）（以

500字為限） 從國際上學術單位進行利用行動裝置的閒置資源進行協同運算(collaborative

computing)的相關研究，包含加州大學柏克萊分校的 BOINC 發展的行動裝置自願運算以及

卡耐基美濃大學發展的 Hyrax 系統，可以發現此研究議題確受到學術單位的重視。本研究

的成果有別於卡耐基美濃大學 Hyrax 系統直接將 Hadoop 移植到 Android 裝置上，而是自

行研發一個類似 MapReduce 的運行架構，在系統負載上會比 Hyrax 系統還要小，但相反的

在功能性上當然沒有 Hadoop 完整。另外，從行動上網以及雲端運算日漸普及後，行動網

路的頻寬已經出現匱乏的現象，如果能夠根據此研究議題的成果，讓部分的服務要求能在

區域端完成就不會浪費掉行動網路的頻寬(類似 proxy 的概念)。