第  40 卷  计  算  机  学  报  Vol.40 2017 论文在线出版号  No.28  CHINESE JOURNAL OF COMPUTERS  Online Publishing No.28 ——————————————— 本课题得到国家自然科学基金资助项目(NO.61370069，61672111)、北京市自然科学基金(No.4162043)、霍英东基金资助项目(No.132032)、北京市教委共建项目资助.  李继蕊(13051577007)，女，1979年生，博士研究生，副教授，计算机学会(CCF)学生会员（59819G）,  主要研究领域为移动云计算、分布式计算与可信服务、物联网.E-mail: ljrokyes@163.com.  李小勇，男，1975年生，博士，教授，博士生导师，计算机学会(CCF)高级会员（16891S）,主要研究领域为分布式计算与可信服务、网络安全、物联网.E-mail: lxyxjtu@163.com.  高云全，男，1981年生，博士研究生，讲师，计算机学会(CCF)学生会员（59821G）,主要研究领域为可信服务、物联网.E-mail: gaoyunq@ahut.edu.cn.  高雅丽，女，1991年生，博士研究生，计算机学会(CCF)学生会员（51702G）,主要研究领域为分布式计算与可信服务、移动群智感知网络.E-mail: gaoyali@bupt.edu.cn.  5G下移动云计算节能措施研究 李继蕊  李小勇    高云全  高雅丽 (北京邮电大学  可信分布式计算与服务教育部重点实验室，北京  100876) 摘  要  当今，绿色计算早已成为各行业追逐的目标。在移动云计算市场中，随着云计算服务带来的巨大商业利润和移动用户数量的迅速增长，不断成熟的5G移动技术及将来的市场深入应用，都将进一步引起对绿色移动云计算的新关注。降低移动云计算能耗是实现绿色计算的基础性工作。本文首先对5G下移动云计算能耗问题的研究方式进行分析；其次，评述、分析5G多项关键技术在网络设施与通信节能研究中的现状、存在的问题以及典型5G网络服务模式的案例；然后，分析、对比并总结5G在移动设备任务迁移和云服务中心两个方面的节能表现；最后，指出目前研究中存在的问题，并对未来的发展方向进行了展望。研究表明，5G的出现为实现绿色移动云计算带来了机遇和挑战，今后的工作重点是对5G下移动云计算的节能模型和方法进行攻关，为实际应用提供坚实的理论基础。 关键词  5G；移动云计算；绿色计算；能耗；计算卸载；迁移 中图法分类号  TP393   论文引用格式：   李继蕊，李小勇，高云全，高雅丽, 5G下移动云计算节能措施研究,2017, Vol.40,在线出版号  No.28 LI Ji-Rui，LI  Xiao-Yong，GAO Yun-Quan，GAO Ya-Li, Energy  Saving  Research on Mobile  Cloud  Computing  in  5G, 2017, Vol.40,Online Publishing No.28 Energy Saving Research on Mobile Cloud Computing in 5G LI Ji-Rui   LI Xiao-Yong     GAO Yun-Quan     GAO Ya-Li ( Key Laboratory of Trustworthy Distributed Computing and Service (BUPT) Ministry of Education, Beijing University of Posts and Telecommunications, Beijing 100876, China) Abstract  Nowadays, green computing has been the goal that various industries pursue. With the development of mobile cloud computing (MCC) and the coming of 5G, the related energy consumption problems give rise to new  and  hot  attention  for  green  MCC.  Reducing  energy  consumption is  the  basic  work  to  implement  green computing.  In  this  paper,  we  first  analyze  the  research  methods  of  energy  consumption  of  MCC  in  5G.  MCC architecture  consists  of  three  components:  mobile  devices,  network  facilities  and  communication,  and  cloud server center. Basing on the effect degree of 5G on the three parts, we adopt the order that followed by network facilities and communication, mobile devices, and cloud server center to extend the discussion about this issue. Second, for the energy-saving research of network infrastructure and communication, we review and analyze the current  situation  and  existing  problems  of  all  kinds  of  key  technologies  in  5G,  and  the  typical  samples  of 5G-network service mode. Wireless technology includes wireless transmission technology and wireless network 网络出版时间：2017-03-21 19:42:17网络出版地址：http://kns.cnki.net/kcms/detail/11.1826.TP.20170321.1942.002.html2  计  算  机  学  报  2017年  technology.  In  order  to  enhance  the  business  support  ability  of  mobile  Internet,  5G  has  introduced  many technologies to further tap the potential of spectrum efficiency in the field of wireless transmission technology, such as the  large-scale  MIMO (Multiple-Input  Multiple-Output) technology,  full  duplex  technology  and  multi carrier technology. In wireless network technology, 5G will employ more intelligent and more flexible network architectures  and  networking  technologies,  for  example,  hyper  dense  heterogeneous  cell  deployment,  SDWN (Software  Defined  Wireless  Network)  architecture  that  separates  the  control  and  the  forwarding,  and  unified self-organizing network etc. The improvement of wireless technology promotes the change of wireless network service mode, and the typical applications comprise the task-delegation service model based on Ad-Hoc mobile cloud and the dynamic cloudlet model. Third, we analyze, contrast and summarize the energy-saving cases of 5G in  terms  of  mobile  task  migration  and  cloud  data  center  respectively.  Battery  life  is  an  important  standard  to measure whether mobile devices are energy efficient. In this paper, we divide the related research results into two areas:  mobile  device  resource  management  and  mobile  task  migration. For  the  latter,  we  focus  on  the  service mode,  strategy  and  energy-consumption  measurement  model  of  mobile  offloading.  In  cloud  server  center,  we investigate  four  usual  energy  conservation  methods,  which  are  respectively  DVFS  (Dynamic  Voltage  and Frequency Scaling), ODPA (Online Dynamic Providing Algorithm), task scheduling and VM (Virtual Machine) migration.  Although  the  5G  has  the  minimum  direct  impact  on  the  energy  efficiency  research  of  cloud  server center, there are still some applications of 5G technology which main goal is to reduce the power consumption in cloud data server. Finally, in view of the three layers architecture of MCC, we analyze the research problems in detail and put forward the future development directions. In a word, this study shows that the emergence of 5G brings the opportunities and challenges to implement green MCC. Thus, the key emphasis in future work will be the  theoretical  research  of  the  model  and  method  of  energy  saving  of  MCC  in  5G,  which  provides  a  solid foundation for the practical applications. Key words  5G;  mobile  cloud  computing;  green  computing;  energy  consumption;  computation  offloading; migration   1    引言 绿色计算[1]如今已经成为各行业追逐的对象。文献[2]提到一个有关数据年复合增长率的技术汇报，它对2010-2016年这个时间段内全部绿色IT 市场的数据做了预测，并指出到2016年其年复合增长率将增加40.5%, 而同期数据总计将会高出16亿。1据IBM 统计，到2015年已经有1万亿左右的云端设备就续，大多数因特网用户主要通过移动网络设备访问远程服务器上的基于混合云的应用来完成工作。而我国政府在2015年9月的联大会议上明确提出：到2020年要实现40%至50%节能减排的宏伟目标[3]。 作为一种新型信息服务模式，移动云计算顺应这种时代需求而出现。近些年随着各种终端设备的广泛应用和其未来不可估计的使用数量，以及移动通信系统及技术的发展，未来注入到移动云计算中                                                                 1  http://readwrite.com/2010/06/07/ibm-a-world-with-1-trillion-co/ 的5G技术，将使其快速成长，并能为移动服务带来一系列全新的、热门的研究点[4]。未来以5G 主导的移动云计算应用，在节能降耗方面也向我们提供了新的机会和挑战。 2  5G下移动云计算的能耗问题 目前，已经开展了许多关于研究云计算能耗问题的工作。如文献[5]从云计算基础设施角度，将云服务中心领域分为硬件和软件两大类，其中硬件包括服务器和网络设备，软件包括云管理系统和各种应用程序。然后按照这四个部分分别对云计算能耗研究的成果展开讨论、总结和展望；文献[6]分析了68篇关于云服务中心能耗的研究成果，按照节能技术和高效节能方法分别从数据中心服务器、网络、服务器与网络的联合和再生能源技术四个方面对云计算节能研究进行分类评述和总结；文献[7]从虚拟化、系统资源、实现目标和采用的节能措施或方法等几个方面对数据中心能耗研究的的多项成果论文在线出版号  No.28  李继蕊等：5G下移动云计算节能措施研究  3  进行了分析讨论；文献[8]对云计算环境中当前用来保存计算机硬件及网络基础设施能量的方法和技术进行了系统分析和分类，并指出未来的一些主要研究挑战；文献[9]对数据中心进行能源效率计算研究调查，并提出云的能源效率管理架构原则，考虑QoS期望和设备功率使用特性的节能资源分配策略和调度算法以及一些开放研究挑战，解决这些挑战可以为资源消费者和供应者带来实质性好处；为了4  计  算  机  学  报  2017年  车载网络WLAN 卫星网络4G/5G Internet云服务中心网络设施及通信移动设备 图1  云计算应用模式下的移动互联网总体架构使数据中心的能效及性能得到进一步的提升，以各种基础设施的协同工作为研究基础，文献[10]全面致力于云计算环境中动态资源分配和配置算法的开发；文献[11]评估并预测了云计算平台的能效问题；文献[12]对云数据中心的能效技术进行调研和分类研究；文献[13]探讨了云数据中心的数据节能复制技术。由上可知，云服务中心是改善云计算能耗的重点研讨对象。 根据文献[14-18]中关于移动云计算概念的描述，图1展示了移动互联网在云计算应用模式下的总体架构。相较于云计算结构，移动云计算在体系架构上进一步突出了移动设备和无线移动网络的重要地位。在移动云计算中，降低能耗是信息和通信两个方面的一个强制需求[8]。移动云计算通过提升网络设施及通信、移动设备和云服务中心的资源节约率，共享和虚拟化处理能力，以求进一步合理地控制系统开销。在移动云计算众多能耗研究成果中，除了一些关注数据中心的节能降耗[19-20]外，许多成果从移动设备和网络通信两个方面的能耗优化对移动云计算进行节能研究，如文献[21]为了实现绿色移动云计算提出的一种基于动态能量感知的微云模式；文献[22]实现了一个节能的移动云计算任务卸载框架；为保护移动设备能效，文献[23]探讨了有关随机无线信道下的移动云计算能量最优化理论框架；文献[24]针对移动云计算中移动设备和服务器的整个能耗做了优化研究，将能量最小化问题模拟成一个拥塞博弈，从而提出一种博弈论方法。显然，参照云计算能耗优化的研究方法，可以根据图1从网络设施及通信、移动设备和云服务中心三个方面展开对移动云计算的能耗优化进行研究。 以2014年的数据流量为基础，1思科（Cisco）公司对未来全球移动数据流量进行了预测，并在一个有关思科视觉网络指数的白皮书中指出：到2019年，全球移动数据业务量将增长到每月24.3EB，其中，云应用服务占据整个移动数据业务量的90%。社会实际需求促使了新一代移动技术—5G的出现，它具有成本低、能耗低、安全可靠的特点。5G在带来巨大便利的同时，随着移动设备的迅速增加和普及，对网络设施、服务以及相关技术都提出了新的需求，未来随着5G更进一步的融入到移动云计算模式中，必将对移动云计算的能耗研究也带来了一系列的影响。首先，影响将体现在网络设施及通信的未来主导系统—5G自身的技术改进或变革上。5G是顺应时代需求而出现的，文献[25]曾指出：降低网络能耗是实现5G 高性能目标至关重要的需求，而5G系统高性能的实现主要依靠一些关键技术的实现或改进。网络接入技术（如：光载无线技术、高频段通信、云无线接入网、小蜂窝和大规模MIMO（Multiple-Input Multiple-Output）技术等），网络技术（如：超密集异构网络和软件定义网络等），机器间（M2M，Machine-to-Machine）通信技                                                                 1  http://vdisk.weibo.com/s/dGCJpMRG5imI 论文在线出版号  No.28  李继蕊等：5G下移动云计算节能措施研究  5  术，以及先进的波束形成技术等等是5G具有代表性的关键技术，结合超精益的设计，无线电接口上用户数据和系统控制平面的分离，虚拟化的网络功能等特点，促使5G相较于4G在频谱效率、传输速率、峰值速率、设备连接密度和流量密度等方面得到数十倍以上的提升，使端到端的时延达到ms级，保证了用户在速率为500km/s的高速移动时能够正常通信，同时在很大程度上也降低了移动云计算应用中的能量消耗。比如文献[26]对如何构建节能型5G移动网络的八种信息中心网络技术：自组织网络技术、超密集异构网络技术、内容分发网络技术以及软件定义网络技术等进行了分析与探讨；为了平衡和最优化异构无线网络中的频谱效率、能效和服务质量，文献[27]提出了一个合作型绿色异构网络的系统框架。其次，影响体现在因5G高性能技术的实现和应用所引起的移动云计算无线网络服务模式的变化上，即从传统的集中式云服务演化成如今的分散式云服务主导模式，如动态微云模式、雾计算或移动边缘模式和Ad-Hoc移动云任务委托服务模式等，这些模式的广泛应用也引起了网络通信能耗的测量因素、计算方法或模型等随之发生改变。第三，影响主要体现在移动设备任务迁移方面。移动设备作为移动通信系统应用的主要参与对象，随着5G的出现和应用以及无线异构网络的发展，蜂窝网与局域网的共存得到了进一步的增强，与具有高代价频谱授权的蜂窝技术相比，WiFi能利用未授权的频谱资源，因此可以为移动设备提供更多蜂窝网业务的机会卸载。同时，5G 无线网络服务模式的改变使D2D（Device-to-Device）、M2M的通信得到广泛应用，这将引起移动设备节能措施—移动计算卸载的服务模式及卸载策略等发生变化。如文献[28]根据5G中宏蜂窝基站、小小区基站和D2D三种计算卸载方式的特点，分析了缓存与计算卸载的关系，提出一个联合移动感知缓存和小小区基站密度的节能布置方案。文献[29]指出上行蜂窝系统的研究聚焦在最大化上行频谱效率，目的在于降低电池能量受限的移动设备的能耗；下行蜂窝系统及多小区网络主要研究每个用户在服务质量受限下的网络能效的最大化问题。第四，影响主要体现在云服务中心的网络资源供应或获取方式上。云服务中心作为大数据存储基地，为移动云计算应用提供了按需随时存储或获取的根本保证。为了提高移动设备的业务运行效率，作为融合了多种高性能技术的5G系统，使云中心的服务承载量下降，即将服务下放到基站、微云或其他移动设备上，从而降低了云服务中心的能耗。如文献[30]对5G系统中云辅助移动Ad-Hoc网络绿色数据中心的实现进行了研究。结合文献[31-40]等的相关研究内容，5G 系统节能降耗的研究在移动云计算体系结构的三个组成部分中均有体现，特别是网络设施与通信部分，5G 技术性能的提高对其节能研究的影响尤为突出[25]，其次是移动设备任务迁移部分和云服务中心部分。 综上所述，关于5G环境下移动云计算节能降耗措施研究的问题，本文按照5G对移动云计算体系结构中三个组成部分影响的重要程度，顺次从网络设施及通信、移动设备和云服务中心三个方面展开分析、探讨、对比和总结。 3  网络设施及通信节能研究 网络设施及通信是移动设备之间、云数据中心之间及移动设备与数据中心之间交互的基本保障。网络通信包括有线和无线两种方式。在移动云计算中，有线网络通信指的是云数据中心内部的通信和云数据中心之间的通信；而无线网络通信意指云数据中心与移动用户的通信。关于移动云计算网络设施及通信的节能研究可以按以上标准进行分类，详情如表1所示。由于本节重点在于探讨5G移动通信系统下网络设施及通信的节能研究，所以此处不再对有线网络能耗问题的研究讨论分析。 无线技术包含无线传输技术和无线网络技术。由表1可知，无线网络节能降耗的研究主要集中在基础硬件设施节能技术或方案的实现。作为面向2020 年以后因移动通信需求而发展的新一代移动通信系统，5G 未来侧重于实现与其他移动无线通信技术的无缝连接，并将提供随处可用的基础性业务以适应快速发展的社会需求和移动互联网应用[64]。为了适应移动无线网络的业务需求，5G 在无线传输技术和无线网络技术方面都有新的突破[65]。这两方面技术性能的进一步提高，使移动云计算应用模式中网络设施及通信效果得到很大改善的同时，能耗也大大降低，为移动无线网络节能研究带来了新的机会和挑战。因此，分析5G在无线传输技术和无线网络技术两个方面的节能研究现状及应用、抽取并总结目前存在的问题、探讨下一步研究的方向是非常有必要的。 6  计  算  机  学  报  2017年  3.1  5G无线传输技术节能研究与分析 在无线传输技术方面，为了使移动互联网的业务支撑能力有所上升，5G 引进成效突出的新型多载波技术、大规模MIMO技术、新的波形设计技术、编码调制技术及全双工技术等超高效能的无线传输关键技术，这些技术能够深入挖掘频谱效率以提升自身潜力。 1）大规模MIMO技术 频谱效率的数倍增长能够促使运营商的利益最大化，多天线多用户空分技术的出现有助于运营商通过大规模MIMO技术实现这一目标。多天线意味着大规模的天线配置，多用户指的是基站覆盖范围内的多个移动终端，依靠前者带来的空间自由度，大规模MIMO技术可以大幅度提升频谱效率，使得后者在同一时频资源上能够与基站同时进行通信；同时，它还可以使用大规模天线带来的分集与阵列增益，提升基站与用户通信的功效。特别地，在大规模分布式MIMO研究方面，我国一直走在国际的前列[66-68]。 信道模型、信道评估与信号检测技术、预编码技术、容量和传输技术性能分析等方面是近两年针对大规模MIMO技术的主要研究工作[69-72]。为了获得蜂窝网络上行/下行中大规模MIMO的天线最佳配置情况，在非合作多蜂窝TDD（Time  Division Duplexing）系统的上行和下行中，Jakob Hoydis等[69]假定每个基站天线数目是N个和每个小区有K个用户终端是大规模的情况。结合不相关信道中预编码器/检测器（如本征波束形成限制和匹配滤波器）的优势给系统带来的好处，并通过对多个实际场景（即N相对于K不是极其大）的分析得出：每个用户终端需要多少根天线才能取得具有无限多天线的最终性能极限的r %，以及需要最多多少个具有本征波束形成限制和匹配滤波器的天线才能实现最小均方差检测和正规化迫零的性能。在整个求解目标的过程中，系统模型将信道评估、导频污染以及每个链接的任意路径损耗和天线相关性等作为主要考虑因素并进行了相关计算。Saif等[70]对多用户MIMO广播信道进行研究，其中有M个单天线用户和N个发射天线，且要求每个天线发射恒包络信号，因为恒包络信号有利于高能效射频功率放大器的应用。此项研究在一定温和的信道增益条件下，对于固定的M，即使存在严格的每个天线恒包络约束，阵列增益也是可以实现的。并且这个研究采用寻找接近最优恒包络发射信号的预编码方案，使得系统运算复杂度降低，很大程度上节省了系统能量。文献[71]探究多小区干扰受限蜂窝网络中的信道评估的情况。采用多天线系统，这样的系 表1  网络设施及通信的节能研究 能耗分类  研究范围  描述  相关文献 有线网络 常规能效  一般的软硬件节能研究，比如：1ECONET项目。 [41] [42] [43] [44] [45] 能耗随负荷的缩放 它最初主要是设计能量感知的网络设备，即根据业务量负载管理设备功耗。休眠和速率自调整是两个具有代表性的方法。 [46] [47] 业务流管理和路由 基于单一设备的能量保护策略，网络中的能量保存可以通过探索高效节能的业务流管理和路由方法来实现。 [48] [49] [50] [51] 无线网络 常规能效 减少通信网络二氧化碳的释放，降低移动通信系统能耗，比如： 2GreenTouch项目和3EARTH项目。 [52] [53] [54] [55] 网络框架 从传统的宏蜂窝网络框架进化到HetNet（超密集异构网络）框架，它是降低网络能耗的主要方式。 [56] [57] [58] 能耗随负荷的缩放 无线网络设备可根据负荷情况线性地缩放能耗，比如：当组件不用时切换到空闲状态，它是设备降耗的重要手段。 [59] [60] 低复杂度处理 使无线通信处理变得更复杂的有限频谱资源容量最大化情况，比如：大规模MIMO传输、基站协作等。 [61] [62] [63]                                                                  1  http://www.econet-project.eu/ 2  http://www.greentouch.org/ 3  https://www.ict-earth.eu/ 论文在线出版号  No.28  李继蕊等：5G下移动云计算节能措施研究  7  统通过每个基站上的每小区波束形成方式处理多小区干扰问题。由于导频污染对信道评估会造成负面影响，构成了整体性能的主要瓶颈。作者采用信道评估阶段小区间低速率协作的方式解决以上问题，该协作方式利用了额外次要的关于用户信道的统计信息，它提供了一种鉴别跨干扰用户（甚至有密切相关导频序列）的有效方式。结果显示，在大数目天线系统中，导频污染影响在一定的信道协方差条件下完全消失。文献[72]探讨了一个适用于大规模MIMO系统的软启发式检测器。该检测器工作在bit级别且包含三个阶段，每个阶段均对bit进行检测和处理，检测器的工作过程主要由具有不同性能和复杂度的两个软启发式算法完成。 尽管大规模MIMO术在4G的基础上有可能将频谱效率和功率效率再提升一个量级，但依然存在一些问题。（1）缺乏广泛认可的信道模型。这主要因为对信道模型进行理论建模和实测的研究工作比较少；（2）FDD（Frequency Division Duplexing）系统和高速移动应用场景使得目前的信道传输方案难以实施。其原因在于常用的TDD系统中用户与基站间存在较大差距的天线数量、难以利用的互易型上下行信道、高复杂度的预编码与信号检测运算三个方面；（3）信道容量及传输方案的性能分析结果存在明显局限性。主要因为在分析时大都假设独立同分布信道，从而将大规模MIMO的瓶颈问题认为是导频污染。因此，对一系列与信道相关的研究进行深入分析和改进是非常必要的，比如：研究更加符合实际的信道模型，并分析它在一定实现复杂度和适度导频开销下可达到的功效及频谱效率、对信道容量产生的影响、最优的无线信道信息传输和获取方法、各种联合调配无线资源的方法等，均可以作为研究提升大规模MIMO技术性能的潜在领域。 2）全双工技术 全双工技术是在外围设备与微处理器之间采用接受线和发送线各自独立的方式，使数据在两个方向上同时进行传送操作，是同时、同频进行双向通信的技术。在理论上，它可以增加频谱使用的灵活性，因为它具有可将频谱利用率翻倍提升的巨大潜能。同时，随着信号处理技术和器件技术的不断改进，为了充分挖掘无线频谱资源，全双工技术已成为5G系统的一个重要研究方向。 尽管全双工系统实际上比半双工系统可以取得更大的速率，但全双工系统并未摒除来自硬件和误操作引起的自干扰信号的负面影响。为此，文献[73]提出一个信号模型，它可以获取并处理一些主要干扰因素，比如：振荡器相位噪声、混频器噪声和模拟-数字转换器的量化噪声等。该文献对速率增益区域也做了详细研究，最后实现全双工无线通信系统中速率增益区域与设计的折衷。实验证明，对于小发射功率的应用，这种折衷可以取得比半双工系统近似1.2至1.4倍的速率。针对自干扰问题，文献[74]在应用软件无线电的全双工通信系统中，提出以模拟无线电硬件总量为界的容量比较方式，通过注销重复利用的无线电，使系统自干扰影响降到最低。在全双工传输中双向信道不完美的自干扰消除效果影响下，文献[75]制定了最优的动态功率分配方案，其目的是为了实现无线全双工总速率的最优化。文献[76]在干扰受限的多跳网络中对全双工在延迟和吞吐量方面的影响做了研究。 全双工技术为5G性能提升带来巨大好处的同时，也存在一些挑战性的问题：（1）全双工技术性能测试实验存在局限性，比如无法实现在大量终端和大量基站组网情况下的实际测试；（2）天线抵消技术[77-78]效果不理想，不能适用于MIMO系统；（3）缺乏在更合理的干扰模型基础上对半双工和全双工技术在MIMO条件下进行全面深入的性能分析等。所以，针对大动态多小区覆盖下的全双工技术，需要深入研究的主要内容包括：干扰消除技术、容量分析、资源分配技术、组网技术及大规模组网条件下的实验验证、与MIMO技术的结合等。   3）滤波器组多载波技术（FBMC，Filter-bank Based Multicarrier） 干扰消除或优化和空口频谱的灵活利用等是5G 系统的重要问题。采用多个载波信号的多载波通信技术可以解决码间干扰问题，FBMC作为5G系统多载波方案的一个重要选择，吸引了诸多学者的研究兴趣[79-82]。因FBMC容易设计，计算效率高，且具有能提升频谱利用率和抗频率选择性衰落的优势，其调制技术也被广泛应用[83]。 随着未来5G的普及，FBMC技术的节能研究重点在于设计符合5G需求、以滤波器组为核心的算法。由于调制和原型两种滤波器的设计可以决定FBMC技术中多载波的性能，因此，对这两种滤波器的设计要求较为严格，而事实上类似于改变原型滤波器的长度以满足特定频率响应的设计或硬件实现都非常难，并且复杂度也很高。同时，认知无线电[84]作为解决频谱资源匮乏、非授权频段和授权8  计  算  机  学  报  2017年  频段利用率不平衡的关键技术，伴随近几年的理论发展，进一步推动了对FBMC技术的研究，使其更加符合5G系统的要求，值得深入。 3.2  5G无线网络技术节能研究与分析 在无线网络技术方面，超密集异构小区部署、统一的自组织网络、软件定义无线网络等将被5G作为更加智能和灵活的组网技术及网络架构所使用。 1）超密集异构网络技术 文献[85]指出：在未来无线网络的宏基站笼罩范围下，各种低功率节点（具有各类无线传输技术）的布置密度将是如今的10倍以上，且支持每25000个移动终端可同时共存于1平方公里的范围内[86]，站点及激活终端的数目将来甚至持平，即每一个终端都拥有一个小基站1。Bhushan等[87]讨论了网络致密化的优点，其中包括空间致密化。小小区的密集部署和频谱聚合是5G网络在不同频段最大化无线频谱的利用；而且，在这个密集的网络架构中，小小区的密集部署仅限于室内场景，室外用户依旧处在传统的宏蜂窝中，即致密化无线网络是对现有蜂窝网络的补充。 5G 网络是多种无线接入技术（现有的各种无线接入技术及其后续演进，如LTE、WiFi、4G 和5G 等）的共存，既有承担热点覆盖的低功率小基站，也有担任基础覆盖的宏基站。这些基站一般属于不同的运营商或用户，具有不同的网络架构，且多个网络会出现交叉覆盖等特点。结合5G小小区网络中回程业务面临的挑战，文献[88]对集中式和分布式无线回程网络架构进行了对比，结果表明，分布式无线回程网络架构更适合未来采用大规模MIMO天线和毫米波通信技术的5G网络。在5G移动通信系统中，毫米波通信一直被认为是小小区网络中无线回程的解决方案。大多数毫米波回程技术研究专注于天线阵列的设计和收发器的无线电频率元件，如波束形成和调制方案。文献[89]提出一个采用自适应子空间采样和分层波束码本的高效光束对准技术，且在小小区网络中实现。文献[90]评估了无线回程中毫米波频率上的短距离和中距离链路的可行性，并且也分析了收发器架构和技术的需求。文献[89]和[90]的实验结果表明，毫米波技术的引入及改进，很大程度上提高了5G网络的频谱性能。                                                                  1  Http://www.qualcomm.com/1000x/ 5G 中超密集异构网络带来了巨大利益，但也激发了一连串的问题，比如：（1）不同干扰类型的共存问题。由于多层次网络覆盖的存在，5G 网络中的干扰类型一般分为层间的和同层的，前者指不同覆盖层次之间的干扰，后者包括不同无线接入技术之间的干扰（共享频谱）和同一种无线接入技术之间的干扰（同频部署）；因此，为避免性能的损伤，实现多层次覆盖和各种无线接入技术的共存，需要寻求降低以上所有干扰的方法[91]。（2）因存在于邻近节点中的多个干扰源在强度上非常接近，使得5G系统不能直接使用目前比较成熟的干扰协调算法，比如：面向单个干扰源的算法；（3）超密集网络部署的存在，导致无线回传网络也变得越来越庞大和复杂，利用和接入链路相同的频谱及技术进行回传，能够灵活地部署节点，并降低部署成本，这是一个解决此问题的重要研究方向；（4）在超密集型小区部署中，小区间无明显的规则分界，通常会存在同一区域被多个小区覆盖的情况，当智能设备移动时，其频繁在小区间进行复杂的切换操作，致使其服务性能得不到保障，因此，需要开发新的更适合实际应用场景的切换算法；（5）因为不同区域大量节点的随机性关闭和开启，引发干扰图像和网络拓扑无规则的动态性大范围变化，因此，研究一些网络动态部署技术以适应这种时间和空间的动态变化是极其有必要的。 2）自组织网络技术 Ad-Hoc网络具有无中心化和节点之间的对等性、自发现、自组织、自动配置和自愈的特点，它原先被特指为自组织网络，但是随着拥有类似特性的网络的出现，比如：P2P（Peer-to-Peer）等，其概念趋向宽泛化。目前，将Ad-Hoc网络、IP网络和P2P网络均归为自组织网络。个人智能系统和自组织智能系统是自组织网络技术的研究目标，为此，它着重研究自组织情况下的一系列网络技术（比如：自组织的计算网、移动网、传感器网和存储网等），人机交互个性化界面技术，先进的信息安全系统，高可信且高弹性的数据网络，以及低成本的实时信息处理技术等。 与现有网络相比较，采用了复杂的无线网络架构和无线传输技术的5G 系统使得网络管理更复杂，5G 网络性能的保证迫切需要网络的深度智能化，即5G对自组织网络技术提出了更高的要求[92]。目前，应用5G技术的自组织网络存在的问题和挑战：（1）5G的网络节点部署方式，导致5G网络在论文在线出版号  No.28  李继蕊等：5G下移动云计算节能措施研究  9  网络拓扑结构、负载分布、干扰情况和移动性等方面与现有无线网络都存在明显的区别，因此，运营商面对的难题是网络节点的自动配置和维护；（2）因用户移动性和低功率节点的随机关开等引起的干扰源的不稳定和不固定，以及干扰源可能存在多个的问题，使得优化干扰协调技术难度增加；（3）必须优化网络动态部署技术，比如：优化无线资源调配和小站点的半静态与动态的开关等，目的在于使其适应业务环境（空间和时间）的动态变化；（4）为了避免频繁切换和优化选择切换目标小区，可以使用双连接等形式保证移动的平滑性；（5）为了实现智能化的无线回传网络，可以借助自组织网络功能解决其规模庞大、结构复杂的问题。 3）软件定义网络技术（SDN，Software Defined Network） SDN是将网络虚拟化的一种技术，它把一个软件层置于网络管理员和实体网络组件之间，使网络管理员不必手工配置物理的接入网络设备和硬件，而只需通过软件接口调整网络设备。它类似于虚拟化服务器和存储，目的在于简化维护和配置操作，但作为网络解决方案又不如后者完善。虽然SDN存在诸多的好处，但它还不是一项成熟的技术，因为主要的技术厂商还没有为所有的网络产品达成互操作的标准。但这也并不意味着SDN不值得研究。恰恰相反，目前，资源分片和信道隔离、监控与状态报告、切换等关键技术是SDN 在无线网络中应用的技术挑战，这些研究刚刚开始，还需要深入进行。   将SDN 的概念引入无线网络，形成软件定义无线网络（SDWN，Software  Defined  Wireless Network），是无线网络发展的重要方向[87,93-95]。目前，SDWN仍处于初步研究阶段，在多个方面吸引了许多研究人员的兴趣。OpenRoad[96]是第一个关于SDWN的研究。它设想通过从底层物理基础设施上分离网络服务，用户能自由地在任意无线基础设施之间移动。而且，他们提出了一种基于OpenFlow的开放和保守的兼容无线网络基础设施，并部署在大学校园里[97]。另外也有一些关于SDWN的研究集中在底层无线网络技术，如OpenRadio[98]提出了一种可编程无线数据平面，它在多芯硬件平台上实现，用于连续无线网络演进。  OpenRF[99]提出了软件定义跨层的结构，用于管理当今具有商业WiFi卡的网络中的MIMO信号处理。OpenRF采用SDN理念，使接入点能控制物理层的MIMO信号处理，例如干扰置零，相干波束形成和干扰对齐。软件定义的无线接入网络也是SDWN 的一个有吸引力的方向，因为无线接入网络给移动终端用户提供无处不在的无线连接并且集成了移动和无线的功能。SoftRAN[100]就是一个无线接入网络的软件定义集中式控制平面，它通过引入虚拟大基站实现。除此之外，还有很多研究关注软件定义LTE网络核心网[95]、1设备供应商、Ad-Hoc网络[87]等方面。 通过以上及相关文献可知，SDWN在如下几个方面面临一定的考验和挑战：支持异构网络、跨层软件定义、控制策略设计、公开接口、实时移动性、可扩展性和虚拟机迁移等，同时这些也为我们在SDWN方面的研究指明了方向。 3.3    无线网络通信典型应用分析 无线技术的改进，推进了无线网络服务模式的改变，以下两个是目前比较典型的模式应用。 1）Ad-Hoc移动云任务委托服务模式 基于Ad-Hoc 移动云的任务委托服务，Huerta-Canepa[101]提出了一种使用移动设备作为虚拟云计算提供者（MDaVCP，Mobile  Device  as Virtual Cloud Provider）的方法，其框架如图2所示。 活动管理特征提取上下文管理社会偏好/简介上下文窗口共享管理突发管理资源管理资源API资源监视器知识管理发现P2P组件移动管理卸载管理客户端存储管理字节码 任务委托标准API可变APP任务定制APP应用程序段虚拟机远程处理... ... ...P2P网络图2  Ad-Hoc移动云框架 虚拟云提供者的创建和使用过程是非常简单的。一个处在稳定状态的用户想要执行一个任务，如果该任务需要消耗比设备本身可用资源更多的资源和能耗，那么系统需要对该设备附近的节点进行监听。如果存在可用节点，系统会中断应用程序的装载并修改应用程序，以便可以使用虚拟云来运行。为了满足以上需求，MDaVCP必须做到：（1）                                                                 1  http://www.huawei.com/ilink/en/solutions/broader-smarter/ morematerial-b/HW_204206 10  计  算  机  学  报  2017年  进行资源监测和管理以至于识别出一个任务何时不能在本地移动设备上执行；（2）与已经存在的云APIs无缝集成；（3）具有适合于移动设备的分离和卸载模式；（4）寻找具有相同或相似目标用户的活动检测功能；（5）自发交互的网络支持；（6）保存中间结果的超高速内存缓冲模式。MDaVCP应用使得Ad-Hoc网络成为了一个轻量级的、资源友好的、节能的自组织无线网络框架。 2）动态微云模式 动态微云模式（Dynamic Cloudlet （DCL）-based Model）是近些年网络节能研究的一种典型服务应用模式。Keke Gai等[21]提出一个基于微云的动态节能移动云计算模式（DECM，Dynamic Energy-aware Cloudlet-based Mobile Cloud Computing），即利用动态微云模式解决无线通信应用中产生的额外能耗问题。图3展示了DECM的概念模型。 云服务器云服务器云服务器云计算层...Cloudlet  A Cloudlet CCloudletBCloudlets层（动态编程）...多个移动设备 移动用户层 图3  DECM概念工作流模型 在DECM中，Cloudlet作为一个连接移动设备和云服务的中间层，起到一个媒介的作用，主要执行业务逻辑判断。因动态规划功能被嵌入到Cloudlet，所以Cloudlet也称为动态Cloudlet。DECM的目标是找到在一定的时间限制内产生最小能耗的访问路线。整个能耗的计算与Cloudlet的总数、每个节点的时间代价、节点在某条方法路线上的服务性能水平和请求时传送服务的时间长度有着密切的关系。DECM就是利用在移动设备和云中心之间加入用于完成业务逻辑功能的动态Cloudlet，减轻了移动设备的负担，并降低了能量消耗；其不足之处主要在于实验仅采用单个服务请求进行测试，测试效果在客观普适性方面有一定的限制。 综上所述，在无线网络中，容量需求的增加促使异构网络架构向“宏蜂窝控制覆盖区域，小小区提供大部分容量”的框架模式转变。除了提供高容量外，这样的框架还具有降低网络能耗的巨大潜能。无论在学术方面还是工业方面，这种有效的异构网络都是一个非常值得研究的领域。为实现经济高效的小小区部署，最近的研究主要集中于提供无线回程与能量采集，因为回程和功率是两个显著的成本因素。而空闲模式控制的改进是能提高大量小小区能源效率的另一个重要研究范围。此外，对于宏蜂窝和微蜂窝，更有效的功率随负载的缩放和提高功放效率也尤为重要。同时，当小小区向更小模式发展的时候，处理复杂度成为能耗的一个限制因素。因此，低复杂度检测与编码算法和低功耗处理器也是进一步减少无线网络能源消耗的一个重要研究领域。而5G中高效节能的无线传输技术和无线网络技术可以促使以上这些研究的快速实现。 4  移动设备的节能研究   电池寿命是衡量移动设备是否节能的重要标准。当今，移动设备配备有类似定位服务和社交网络等丰富的移动应用程序，这些应用能够消耗很大的能量，缩短电池寿命。然而，电池技术的发展速度无法匹配移动设备上其余硬件组件的革新效果，它难以满足资源饥渴型移动应用的需求。因此，从移动设备其他方面进行节能研究非常有必要。文献[102]调研了从1999年至2011年5月之间的移动设备节能解决方案，根据各项成果提出的最优化类型将其划分为五个类别：节能操作系统、能量措施和功效模型、用户与应用和计算资源的交互、无线接口和协议的最优化、传感器优化管理和计算卸载。文献[103]指出，在软件架构方面，移动云计算使用基于云的移动扩展方式实现移动设备的节能降耗，基于云的移动扩展的主要方法包括移动计算卸载、多层编程、实时云流媒体和远程数据管理四种。综合上述分类方式，有关移动云计算中移动设备的节能研究，本节将其划分为两个范围：移动设备资源管理和移动任务迁移，详情如表2所示。 移动任务迁移作为移动设备实施节能的一项重要举措，主要依赖计算卸载实现。移动计算卸载是识别、分离移动应用的资源密集型组件并将其迁移到基于云的资源上的过程[103]，该过程主要包括任务如何分割、何时卸载、卸载到哪里执行三个部分，它是实现延长移动端电池寿命和提高其计算能力的主要措施[147]。移动计算卸载的完成一方面依赖于移动设备上各个本地资源的相互协作和支持，比如：节能移动操作系统ErdOS[104]（Android  OS的扩展）、Odyssey[148]或ECOSystem[149]，无线接口[125]，传感器[55]等，即移动计算卸载借用本地资源 论文在线出版号  No.28  李继蕊等：5G下移动云计算节能措施研究  11  表2  移动设备节能研究 研究范围  节能方法  描述  相关文献 本地资源管理 节能移动操作系统  通过移动平台和应用软件的协作统一对资源和能量进行管理。 [104] [105] [106] [107] [108]   [109] [110] [111] 能量措施和功率模型  从硬件组件能量消耗方式的角度建立节能模型或措施。  [112] [113] [114] [115] [116] 用户与应用程序和计算资源的交互 通过观察用户何时、何地、如何消耗电池电量及何时有充电的机会，确定电池充电周期和用户资源需求，设计相应节能系统。 [117] [118] [119] [120] [121] [122] 无线接口与协议优化 通过对协议栈的每一层利用不同的功率状态实现更有效的无线接口（即跨层优化）。 [123] [124] [125] [126] [127] [128] [129] [130] [101] 传感器优化管理 传感器包括GPS、基于网络的定位系统及具有不同分辨率和功率需求的定位加速度计，主要研究能耗和精确度的折衷。 [131] [132] [133] [134] [135]   [136] 移动任务迁移  移动计算卸载 将移动设备上的计算工作迁移到云、微云或其他设备执行的节能研究。 [137] [138] [139] [140] [141] [142] [143] [144] [145] [146] [28] 的能耗信息进行建模，比如：TDM（Ternary Decision Maker）模型[139]和MDP（Mobile Device Power）模型[141]。另一方面移动计算卸载可否顺利完成基本上主要依赖网络条件。结合5G的特征及相关文献可知，5G 下移动设备节能降耗研究主要集中在移动设备计算卸载方面，比如：文献[28，137-146]等。因此，本节先分析和评述一些与5G相关的移动计算卸载节能研究成果并在基本信息方面进行了比较，然后总结5G在此方面的关注点，给出未来的研究方向。 4.1  5G下移动设备任务迁移案例分析 在众多的移动云计算研究中，传统移动云框架是基于集中式的云计算，如文献[150]提出了一种基于集中式云计算的辅助药物推荐系统。但是，随着不断增长的移动数据量，集中式云架构具有更高的负荷和更长的回程链路延迟[143]，并且，卸载密集型计算任务到云端和处理结果返回的通信代价也增加。5G 网络技术为这些问题带来了新的解决办法。如文献[151]考虑了用户终端和小小区基站的计算能力；文献[143,152-154]考虑了卸载计算任务到移动边缘云。通过对比，在5G超密集型蜂窝网络中使用小小区基站和用户终端来解决计算卸载的问题，其性能更优越。近两年相关研究成果如下。 1）移动卸载服务模式 随着各种各样的网络资源在通信、缓存和计算等方面的普遍应用，急需一些新兴技术以满足5G网络中用户体验质量不断增长的需求[155-161]，尤其是物联网[162-163]和健康医疗系统[164]，异构蜂窝网络[165]的出现恰好满足以上需求，它由宏蜂窝基站、智能终端和小小区基站组成。考虑到传统集中式移动云架构的高负荷和高回程链路延迟以及终端移动性的特点，文献[28]探讨了缓存与计算卸载之间的区别与联系，并根据宏蜂窝基站、小小区基站和D2D三种计算卸载方式的优缺点，提出了一个混合计算卸载设计：联合移动感知缓存和小小区基站密度布置方案。该方案紧密结合5G的要求，根据一定的概率模型，分别计算宏蜂窝基站、小小区基站和D2D三种应用场景会提供服务的概率，通过对比概率值大小进行选择，这种方式充分考虑了用户的移动性特点，同时，该方案还重点关注缓存和通信能耗的计算，并给出详细的能耗计算模型，使得最终结果更符合实际情况。为了降低移动任务迁移过程中的能耗，Min  Chen等[137]根据5G系统中移动云计算服务模型的特点，对Ad-Hoc Cloudlet中计算卸载适用的服务模式：RCS（Remote Cloud Service）和CCS（Connected  Ad-Hoc Cloudlet Service）进行了研究，提出一个全新的计算卸载适用模式：OCS（Opportunity Ad-Hoc Cloudlet Service）模式。该模式主要依据5G密集型小区部署的特征而提出，其主要优势在于不限制用户移动的同时，利用机会连接[166]实现一个计算节点和多个服务节点之间的交互，以达到通过高效的计算卸载实现节能的目的。该模式事先设定一个计算任务能被分割成多个子任务，根据特定的应用程序，子任务互不相同或有唯一标识，且每个服务节点仅仅只能运行一个子任务，当计算执行产生相对较长的时延时，在计算节点和服务节点的一个较短连接期间能够完成一个子任务的内容传送，且不考虑包的丢失和12  计  算  机  学  报  2017年  网络中传送大量数据引起的通信开销。这些设定会在很大程度上影响OCS模式的实际应用效果，并且它也未考虑移动设备空闲时的能耗和详细的通信干扰计算。 2）移动卸载策略研究 Xu  Chen[138]提出了一种分散式计算卸载博弈（DCOG，Decentralized Computation  Offloading Game）方法实现移动设备的能效保护。DCOG模型主要利用分散式计算卸载博弈的有限步改善属性方法，使得在一个称为决策时间槽的时间段内只有一个移动设备用户改善他的计算卸载决策。显然，使用分散式计算卸载机制能为多个并行移动设备用户提供相互都满意的卸载决策结果，这是一个多用户合作博弈的过程[167]。DCOG采用通信和计算的能耗与执行时间的加权和最小化作为卸载决策目标，在能耗计算中详细考虑了因5G密集型小区部署引发的干扰计算问题，并使用博弈方式决策计算卸载是否要继续。DCOG的不足在于：第一，研究的应用场景采用近似静态的情况，即在一个计算卸载期间内，所有参与的移动设备用户保持不变，而两个卸载期间所参与的用户可以不同。第二，能量消耗和执行时间开销的权重取值具有主观人为性，不能很好地反应客观事实。第三，在执行干扰计算时，未考虑5G多小区协作中不同情况下干扰计算模型的不同。 移动边缘计算是由国际标准组织“欧洲电信标准化协会”提出的一种技术，它在5G演进架构的基础上，深度融合了互联网业务和基站，具有低延时、更为遍及的地理分布、位置感知、适应移动性的应用以及支持更多的边缘终端的明显特性。且能使得移动业务部署更加方便，满足更广泛的节点接入。针对计算集中式最优化的NP难题，文献[143]采用博弈论方法分析、设计和实现了一个分布式计算卸载算法，它可以实现纳什均衡，推导出收敛时间的上限，并在两个重要性能指标方面量化了针对集中式求最优解的有效比率，这是一种适用于移动边缘计算的有效计算卸载模式，重点关注移动边缘计算中在多通道无线干扰环境下多用户的计算卸载问题。对于干扰计算，作者依然采用文献[138]中用过的模型，但这一点不符合5G网络中因密集型小区部署和多小区协作而导致的干扰计算模型分情况计算问题，而干扰计算对网络数据传输速率起决定作用。   3）移动卸载能耗测量模型 为了评估应用程序在本地和云端执行时的能耗，Farhan Azmat Ali等[141]提出一个移动设备功率（MDP，Mobile Device Power）模型，其中能耗评估提供输入来决定应用程序在运行时哪一部分将被卸载。为了支持基于能量的动态卸载，MDP模型使用AIOLOS框架[168]实现Android手机和远程云设施之间的组件卸载[169]。图4 展示了基于节能动态卸载方法的能量消耗模型。   云(Cloud)利用率&频率(utilization&frequency)包的传输速率(packet rate)亮度(brightness level)资源利用监测器(Resource usage monitor)功率模型(Power model)部署决策(Deployment decision)部署执行(Deployment execution)CPU Wi-Fi DisplayApplicationAndriod(kernel)移动设备(Mobile device) 图4  MDP节能动态卸载框架 MDP模型将CPU、Memory、Display、WiFi四个方面的实际能耗作为评估是否卸载的基本标准，考虑因素具有全面性和客观性。能耗模型中所 用参数的值都是通过移动设备上的一个功率监测器实际测量得到，具有客观实时动态性。该模型无需事先分割代码，节省开销。其不足在于没有明确给出CPU、Memory、Display、WiFi四种能耗之间的关系函数E。 Ying-Dar  Lin等[139]提出了一个在后台运行的移动应用：“三元决策”（TDM，Ternary Decision Maker）省时节能卸载框架。“三元”指CPU、GPU（Graphics Processing Unit）[170]和Cloud，是移动应用程序可能被执行的三个位置，图5显示了其应用执行的流程。 TDM框架不用事先对任务进行分割，即不会有分割的开销生成，在移动应用程序执行期间动态决定某模块是否要分割且分割后卸载到哪个目标运行；其总代价函数客观地综合考虑性能和能耗的比重，尽可能将影响决策的主要因素都考虑到。该方法适合于所有Android系统的移动设备，且不用再配备额外的硬件设备。其不足之处：第一，未考虑在获取影响因素值时产生的一定能量开销；第二，TDM的准确性没有在其他不同的移动设备、 论文在线出版号  No.28  李继蕊等：5G下移动云计算节能措施研究  13  Pbasic应用程序（Application）模块（Module）CPU CoprocessorNetwork Interface Card     内存（Memory）      µcpu ,Pcpuµcop ,Pcop PnicµmemtcompNinputNoutputBµcld软件(Software)硬件(Hardware)call module()移动系统(Mobile System)图5  应用程序执行流程 移动应用及网络环境中取得验证，也没有考虑安全性等问题。 事实上，文献[139]和[141]建立的无线网络能耗模型与5G网络没有直接关系，完全是从移动设备本身的硬件能量消耗情况作为研究出发点，但可以考虑作为5G网络技术应用成熟后的一种移动计算卸载能耗测量模型使用。 4）其他 考虑线程级别的代码卸载，Mahbub  E  Khoda等[140]提出了一个“ExTrade”（Exact  and  tradeoff decision  making  system）卸载决策系统，其框架如图6所示。ExTrade将5G的特征参数充分考虑到卸载决策计算的因素中；时间和能量的节余权重根据电池余量计算，具有更高的自适应性；使用拉格朗日乘子解决多个优化目标间的非线性关系，结果更具客观性；由于环境和应用的时刻动态变化性，预估执行时间值使用回归统计方法，这使最终决策结果具有更高的准确度。其不足之处主要在于实验中对5G 系统的一个移动设备仅使用了一个云服务器，这使得卸载任务时移动设备没有办法选择有更好服务性能的服务器。针对基于小小区的LTE 网络，文献[142]提出一个无线资源调度和计算卸载联合优化框架。通过利用它们在信道条件和应用程序属性上的认识，能够适应在本地处理、卸载和保持空闲三个状态之间处理的决定。其中，移动用户使用附近具有一定计算能力的小小区基站（SCeNBs）提供的服务，以达到使用户终端上通过本地或远程方式运行应用程序的平均能耗最小化，且满足应用程序的平均延迟约束的目标。根据离线动态编程方法，为找到最优无线调度—卸载策略，针对目标设计确定和随机两种解决方案。而且，在卸载计算中充分考虑通信模型的干扰问题，并使用确切的本地处理和卸载计算的能耗模型。 4.2  5G下移动任务迁移节能研究分析 表3是对4.1 节中列举文献能耗研究模型的分析比较。其中，能耗研究考虑因素是指移动云计算整个应用过程中大部分研究使用的、可能会产生能耗的指标因子，其中D2C（Device-to-Cloud）指移动设备与云（包括小小区基站和宏基站）的通信；其他设备指其他移动或固定设备；研究对象粒度指研究方法中使用的操作对象粒度级别；而代码是否事先分割和卸载目的地两个指标主要是为使用计算卸载方式降低移动设备能耗所设置的；各个研究方法在计算能耗或能耗相关因素时，会采用设计新模型、新模式或提高算法等方式，考虑到这些模式或算法本身是否还可以提高、完善，增加了指标“可扩展性”；关于这些模式或算法是否可以适用到任何通信技术的移动云计算环境中，增加了指标“适用性”；为了考察这些模型在研究时是否考虑符合5G特征的要求，增加指标“与5G相关性”的比较。 决策者/执行处理器(Decision Maker/Execution Handler)移动设备(Mobile)分析器(Profiler)拉格朗日求解器(LagrangeSolver)统计回归模型(StatisticalRegressionModel)代码(Code) 数据(Data)应用(Application)客户端处理器(Client Handler)云(Cloud)克隆(Clone)代码(Code) 数据(Data)应用(Application)云平台(Cloud Platform) 图6  ExTrade系统框架14  计  算  机  学  报  2017年  表3  移动任务卸载能耗研究各文献参数分析对比 文献 能耗研究考虑因素 研究对 象粒度 代码事先分割 扩展性  适用性 与5G相关性  卸载目的地  移动设备  云服务器  D2C通信  其他代理 空闲  执行  空闲  执行  上传  下载  执行  通信 [28]  No  Yes  No  Yes  Yes  Yes  Yes  Yes  Task  Yes  High  High  High Cloud、Cloudlet、 Other Mobile Devices [137]  No  Yes  No  Yes  Yes  Yes  No  Yes  Task  Yes  High  High  High Cloud、Cloudlet、 Other Mobile Devices [138]  No  Yes  No  Yes  Yes  No  No  No  Task  Yes  Medium  High  High  Cloud、Cloudlet [143]  No  Yes  No  Yes  Yes  Yes  No  No  Task  Yes  Medium  High  High  Cloud、Cloudlet [141]  No  Yes  No  No  Yes  No  No  No  Method  No  Medium  Medium  Low  Cloud [139]  Yes  Yes  Yes  Yes  No  No  Yes  Yes  Module  No  Medium  Medium  Low  CPU、GPU、Cloud [140]  Yes  Yes  No  No  Yes  No  No  No  Thread  Yes  Medium  Medium  High  Cloud [142]  Yes  Yes  No  Yes  Yes  Yes  No  No  Task  Yes  High  High  High  Cloudlet 综上分析与对比可知，在传统的宏蜂窝网络中，能量以一种相对聚焦的方法传递，基站与移动设备之间的距离非常大，卸载计算任务或结果返回时需要相当高的传输功率，针对此问题，5G 网络采用密集型小区部署方案，利用小小区为用户卸载提供服务。和移动计算卸载相关的小小区基站密集型部署有两个优点：第一，它能降低计算卸载和整个无线访问通道延迟的传输功耗，特别是能降低几个数量级的路径损耗，直到传输功率不在限制因素的范围；第二，它能增加移动设备在短距离范围内找到接入点的概率。因此，如果一些小小区基站被赋予了额外的云功能，无线通信和计算资源的可扩展性必会有所改善。目前，5G 网络密集型小区部署方案主要引起了移动计算卸载服务模式的改变，比如文献[137]和[28]。但是5G 网络小区的密集性也增加了干扰环境的复杂度，而干扰计算是移动计算卸载中通信能耗模型的一个关键因素，比如文献[138]和[143]，5G提倡用多小区协作方法来解决干扰计算的问题。随着移动应用的多样化和移动数据量的急剧增长，卸载任务变得比较复杂且卸载时间延长，5G提供大规模MIMO举措实施处理分流，以缩短卸载任务到云端的时间。可是在最大化频谱资源有限容量的同时，大规模MIMO使无线通信处理变得越来越复杂，并且传统的基于集中式云计算的异构网络环境表现出了超高负荷和超长ADSL回程链路延迟，5G 网络应用毫米波链接技术克制了回程链路的限制，缩短计算卸载引发的延迟。毫米波链接方式具有非常高的容量和方向性，为无线接入点转发用户卸载请求到云上提供了一种有效的可缩短延迟的方法，它们常被用在家庭基站网络中。此外，这些高容量的链接在无线通信和计算方面促进了小小区基站间的合作[171]。而认知无线技术在实际应用中不仅具有自我学习的能力，还可能引起能耗模型的改变，它在制定最优跨网络计算资源卸载决策时起着重要的作用。 5  云服务中心节能措施 在移动云计算模式中，云中心由许多分散在世界各处的数据中心组成，主要以基础设施（Infrastructure）、平台（Platform）和软件（Software）形式向用户提供资源服务。绿色和平组织报告称：数据中心的全球电力需求大约是31GW，相当于将近18000 个家庭用度[172]，数据中心的电力需求增长非常快。J.Koomey[173]曾经指出：2010年，通信、功率分布、冷却和服务器的能量利用率占美国整个功耗的1.7%到2.2%之间，数据中心在运行时的能耗大约是一小时432KW，计算服务约占整个数据中心功耗的70%，交换和通信链路约占30%。图7展示了整个数据中心的能耗分布情况。 根据图7及相关文献，可将云数据中心的能耗研究归结为四个方面：服务、网络、服务和网络的混合、再生能源技术（新的研究方向），并且每个方面都有多种不同的解决办法，详情如表4所示。 5.1  云服务中心典型节能研究分析 1）动态电压频率扩展（DVFS，Dynamic Voltage and Frequency Scaling） DVFS是降低云数据中心能耗的一种重要方式。频率越高，电压也越高，为了实现能源节约， 论文在线出版号  No.28  李继蕊等：5G下移动云计算节能措施研究  15  70%15%10%5%15%5%53%36%11%数据中心 服务访问交换聚合交换内核交换计算服务线卡底架端口收发机交换43%12%16%17%8%4%CPU外围设备内存 主板硬盘其他 图7  数据中心能耗分布 DVFS可根据实际运行情况对芯片的电压和运行频率做动态调整。Xue Lin等[19]提出了一个具有DVFS的任务调度方法，该方法在应用完成时间的硬约束下，最小化移动设备上一个应用的整个能耗。不同于传统的本地任务调度问题[198]，在DVFS算法调度过程中，强化了任务优先级的需求；相对于文献中提到的任务调度算法，DVFS的整个计算复杂度较小，但忽略了任务执行结果返回的能耗，这将会对算法应用的任务类型有所限制。 2）动态服务供给（ODPA，Online  Dynamic Providing Algorithm） 不断变化是用户请求的特性，因为请求方式未知，甚至不能提前预测。此外，本地服务器和公共IaaS云之间的通信代价也不能忽视，如果租用的虚拟机数量动态调整，那么这个通信代价也将呈现动态变化的特性。而且，IaaS云上的虚拟机租用价格也是变化的且不可预测。所有这些变化的因素都会对云服务供给产生很大作用。动态服务供给是指根据动态的用户需求，通过租用公共云上不同数量的虚拟机，SaaS提供者可以按比例扩展或缩减本身服务的计算能力。目前存在一些研究，如文献[199]和[200]，都要求对用户需求和虚拟机价格有个预先的认识或做一个精确的预测，而且不考虑用户请求的动态性，这势必不能明确提高混合云的动态服务供给性能。针对上述问题，Li S等提出了一种应用基于云动态服务供给的系统模型[182]，其框架如图8所示。 相较于以往的模型，ODPA中用户的请求是任意的，不用对公共云上虚拟机的价格做精确预测，同时也会考虑本地服务和IaaS云间的通信代价；对于实际问题数据，使用Lyapunov优化框架进行理论建模，并根据实际应用情况，实现资源或服务的在线动态分配，比传统的理想化离线优化分配方法成本更低，更节能。 表4  云数据中心节能研究研究范围  采用措施  描述  相关文献 服务 虚拟化技术 在一个服务器上生成多个虚拟机，可减少使用中硬件的数量并降低其操作开销，提高资源利用率，是降低服务器能耗的主要技术之一。  [174] [175] [176] [177]  [178] [179] [180] [181]  [182] [19] 动态功率管理 通过降低计算服务的功率实现节能，主要采用使非活跃状态的服务器转到睡眠模式实现。 动态电压/频率扩展  根据当前负载设置CPU的功率。 网络 自适应链接速率  通过动态设置链路数据速率以减少链路能耗。 [183] [184] [185] [186]  [187] [188] [189] [30] 虚拟网络嵌入 通过最优化方法使用嵌入式算法在较少数量的物理设施上分配虚拟网络资源，同时使空闲网络资源关闭或转到休眠状态。 睡眠模式  将空闲网络资源关闭或转到休眠状态。 绿色路由  通过向较少数量的网络资源提供路由服务达到减少能量使用。 服务与网络 的混合 链路状态适配  根据每个链路上流量的信息，功率控制器适应链路状态。 [190] [191] [192] [193] [194]    服务器负载合并 通过消除网络冗余降低能耗。即合并少量链接和交换上的业务量，并关闭空闲的链接和交换。 网络业务量合并  合并较少链接和交换中的网络业务量，并允许控制器关掉未用资源。 再生技术  可再生能源 应用实例：1苹果的新北卡罗莱纳州数据中心，雅虎纽约数据中心，谷歌数据中心和微软数据中心。 [195] [196] [197]                                                                  1  http://www.apple.com/environment/reports/docs/Apple_Facilities_Report_2013.pdf 16  计  算  机  学  报  2017年  虚拟机价格本地服务器状态请求工作量系统状态长期调度短期调度动态供给公共云本地服务器 子队列...队列查询状态决策 图8  ODPA系统框架图 3）任务调度 在异构云环境中，为了实现绿色多目标调度，李智勇等[179]提出一个新的Memetic优化方法（MOMA，Multi-Objective Memetic Algorithm），即多目标Memetic调度算法。MOMA算法使用基于Pareto多目标优化的调度决策流程，如图9所示。 任务DAG模型Pareto最优解集多目标优化算法单个解任务分配系统、任务、管理需求等动态特征实时目标偏好权重决策 图9  基于Pareto多目标优化的调度决策流程 MOMA是一个随机搜索算法且用于并行计算系统。它考虑计算系统性能和能耗的折衷求解，运行中会反复对解空间进行评估和搜索，并对当前调度的非关键和关键任务分别进行局部寻优，它是基于群智能优化的，能够在调度策略上减少评估计算，具有很好的平行性，并且可以缩短算法的收敛时间，使得算法的计算开销降到最低。相对于传统多目标算法，MOMA的不足在于多了DAG（Directed Acyclic Graph）[201]任务图分层处理和局部搜索两个操作，尽管两个操作的计算复杂度远小于种群适应度评估的计算复杂度，但一定程度上增加了系统的计算开销。 4）虚拟机迁移 为了保证车载网络中各种操作过程的顺利执行，针对不同虚拟机间的通信延迟和调度不同虚拟机时的环境切换延迟，Neeraj Kumar等[181]提出了一个贝叶斯联合博弈（BCG，Bayesian  Coalition Game,）[202-203]和基于学习自动机（LA，learning automata）[204-205]的智能虚拟机迁移方法。其中，博弈论是对展现竞争或搏斗的行为进行研究的理论和方法，将其应用到虚拟机迁移和调度过程中，能有效的控制虚拟机负载均衡的问题，在一定程度上达到节能降耗的效果；学习自动机是具有可变结构的随机自动机与随机环境相互作用的模型，将其应用到车载网的移动设备上，使移动设备根据环境条件和以往自己的动作进行学习判断，选择对自身和大家都有利的决策；在不完全的信息获取情况下，贝叶斯决策首先用主观概率评估部分未知状态，其次，对于发生概率的修正则使用贝叶斯公式，然后，最优结果由修正概率和期望值联合给出。贝叶斯与博弈论的联合应用能减少虚拟机迁移和调度过程中的不必要的复杂操作，降低了能耗。其不足之处主要在于没有考虑整个过程中的通信和存储能耗，也忽视了基于贝叶斯的虚拟机管理器在为请求创建和使用DAG过程中的能耗。 5.2    5G下云数据中心节能研究分析 在不考虑与外围设备交互的情况下，云数据中心节能降耗的研究主要体现在数据中心服务器及通信（数据中心内部及区间的通信）、数据中心云管理系统（虚拟化、监测系统和调度）和应用（运行环境、应用程序和操作系统）[5]三个方面。另外，根据表4和相关文献的详细评述，5G作为一种移动无线网络技术，对云数据中心在以上三个方面的节能降耗研究不会起到直接的作用，除非数据中心内部或数据中心之间使用移动无线网络进行通信。 虽然5G 不能直接影响云服务中心节能的研究，但是5G技术的某些应用情况会充分考虑云数据服务器的能耗问题。如为了解决5G应用中由于用户移动致使连接丧失，进而因重新路由选择和搜索服务器资源导致的能耗激增和性能的下降，Nguyen Dinh Han等[30]提出的一种5G中云辅助[206]的移动Ad-Hoc 网络（MANET）机制，云辅助的MANET是一个P2P 的网络覆盖，由移动设备（peers）和接入MANET的云数据服务器组成，逻辑上连入MANET的云数据服务器，即是能和peers形成间接或直接通信的云服务器，被称为super-peer。当super-peers进入这个P2P网络覆盖区域时，区域内所有super-peers都知道彼此数据信息，当在这个区域内因用户移动发生连接丧失时，super-peers间互相合作从而有效地进行路由选择和信息搜索。这个机制作用在网络协议的应用层，主要有服务通知、服务更新和服务分发三部分组成。图10展示了它的能耗计算模型性能验证效果。 论文在线出版号  No.28  李继蕊等：5G下移动云计算节能措施研究  17  稳定状态(Stable)预活动状态(Pre-Active)活跃状态(Active)连接丧失Link loss业务请求Transactionsrequest路由选择更新(Route update)+路由选择(Routing)+搜索(Searching)S1S2S3Super-peer云数据服务器(Cloud data server)云数据服务器(Cloud data server)111132连接能耗(Link energy consumption云数据服务能耗(Energy consumption by cloud data server)通常方法的搜索和路由选择(Searching and routing in normal methods)MANET机制的路由选择(Routing with our proposed mechanism) 图10  通常方法与MANET机制的搜索和路由选择的能耗比 云辅助的MANET机制的主要优点在于它能减少云数据服务中因搜索和路由选择引起的能耗问题。其不足在于使用云辅助的MANET机制降低能耗的同时没有考虑整个网络的性能，也没有考虑信息交换和生成节点关系结构图产生的能耗。虽然这样的方式存在很大的不足，但今后依然可以考虑通过扩展或提高类似的方法对与5G相关的云数据中心进行节能降耗研究。表5列出了5.1节中4个案例和5.2节中的1个案例在能耗研究中多个参数的对比情况，其参数含义同表3。 6  存在问题及展望 6.1  存在的问题及解决方案 5G还未给出明确的标准，但5G是未来移动通信系统发展的必然结果，它的主要目标在于使移动用户时刻处于联网状态。相对于4G蜂窝网络的多天线技术（8端口Multi  User-MIMO），5G网络在基站安装几百根天线（128根、256根或者更多），从而实现几百个天线同时发送数据，可以带来更多的性能优势。高频段毫米波通信可以为5G应用提供充足的可用带宽和较优的天线增益。5G 的超密集小区覆盖使得小区边界消失，获得小区分裂增益，并结合有效改善网络覆盖的技术，比如中继等，在一定程度上大大地提升了系统容量。针对频谱资源紧缺的无线通信系统问题，5G 应用中使用了能够提升蜂窝通信系统频谱效率的终端直连D2D技术。全双工技术在理论上可使5G空闲频谱效率提升一倍。为了降低网络的建设成本和维护难度，未来5G采用基于无线电协作、处理集中化和实时云计算架构的绿色无线接入网架构—C-RAN，该架构能够使网络的复杂度和层级降低，从而使系统时延减少。作为未来主导的无线通信系统和技术，由于多种无线接入方式的协作，5G 将不再是孤立的。未来随着大数据与移动云计算的融合需求，联网终端不断多元化、智能化和便携式的发展趋势及其数量呈指数级的增长速度，在很多方面都对终端提出了至高需求，比如终端的数据传输和处理能力。作为服务类型的终端，融合的接入技术的应用使其进一步泛网化，若以用户利益为主，它必须具有综合感知及交互、用户体验良好和应用的多样化等核心特性。总之，系统稳定、成本低、功耗低将成为5G下移动云计算应用的重要指标。 无疑，5G 系统自身技术性能的实现和提升，在本质上能够提高移动云计算的服务质量，并降低移动云计算的能耗，但同时也激发了一连串的问题和挑战，比如，在未来网络流量成一千倍增长的情况下，为保证总体网络能耗不增加，那么端到端的比特能耗效率需要提升一千倍，这对各方面的协议 表5  云服务中心能耗研究各案例参数对比 案例 （按举措命名） 能耗研究考虑因素 研究对 象粒度 扩展性  适用性 与5G相关性 移动设备  云服务器  D2C通信  其他代理 空闲  执行  空闲  执行  上传  下载  执行  通信 动态电压频率扩展  No  Yes  No  Yes  Yes  No  No  No  Task  Medium  High  Medium 动态服务供给  No  No  No  Yes  Yes  Yes  No  Yes  Request  Medium  High  Medium 任务调度  No  No  Yes  Yes  No  No  No  No  Task  Medium  High  Low 虚拟机迁移  No  No  Yes  Yes  No  No  No  No  Request  Medium  High  Low 路由选择和搜索  No  No  Yes  Yes  Yes  Yes  No  Yes  Data  High  High  High 18  计  算  机  学  报  2017年  设计和技术（内容分发、路由交换、网络架构、空口传输等）带来巨大挑战；随着技术的进步，可以预见未来的智能终端需要支持10多个无线电技术，如果想要多模终端达到空口速率1Gbit/s且成本低、功耗低，待机时间是目前的四、五倍，则终端电池技术、芯片及应用等都面临着一系列的挑战。除此之外，复杂的网络拓扑结构，如何智能化无线回传网络，如何设计或选择合理的大规模MIMO的天线形态、频段，依赖于场景和应用的合适的MU（Multi user）配对算法与天线分块或者分布式的天线分配方法又是什么，如何设计网络节点动态部署方案以适应时间和空间的变化，信道模型、容量及传输方案如何选择，如何对干扰环境进行分析及建模，需要考虑智能终端的实时移动性的特点，以及支持移动用户频繁切换的技术、物理资源的调度和资源分配、频谱资源、大规模组网技术、控制策略的设计、可扩展性等等，为5G系统的应用及移动云计算的节能研究也带来了严峻的挑战。为了灵活应对上述挑战，结合第3、4、5节的分析、评述和探讨，5G下移动云计算节能措施研究将从如下方面分别提出相应的解决方案。 1）网络设施及通信 l  移动无线技术 为提升5G无线技术的性能，可以从影响或决定其效果的方法、措施着手。比如干扰模型或计算问题会对全双工技术、超密集异构网络技术、自组织网络技术等的性能产生一定的决定作用。因此，可以从详细分析干扰产生的原因并进行分类，构建合理的干扰模型，设计高效的干扰协调算法或优化干扰协调技术，寻求降低干扰带来的性能损伤方法等方面进行研究；信道的模型、容量及传输方案和天线抵消技术会影响到大规模MIMO在频谱效率和功效上的改善。所以，深入研究切合实际环境的信道模型，分析信道模型对信道容量的影响，分析实际信道模型在适度的导频开销和一定实现复杂度下可达到的频谱效率及功效，以及研究最优信道信息获取方法、无线传输方法、多用户共享空间无线资源的联合调配方法等，均可以作为研究提升大规模  MIMO 技术性能的潜在领域。复杂且庞大的无线回传网络、移动用户的频繁切换和网络节点的部署方案是超密集异构网络技术和自组织网络技术提高性能均需亟待解决的问题。因此，可以从分析无线回传网络的环境特点开始，利用和接入链路相同的频谱及技术进行回传，设计灵活的且能适应业务等随时间和空间动态变化的节点部署方案，能使网络节点自动配置和维护，开发或优化适合超密集型异构网络应用场景的切换算法，保障移动终端的服务性能等等。 l  网络服务模式 根据实际需求，设计或选择适合5G系统应用的移动云计算网络服务模式。超密集异构网络部署方式和大规模的MIMO天线阵列促使5G系统采用“宏基站提供覆盖范围，小基站或小区提供容量”的服务部署模式。密集型小区部署使得D2D或M2M通信在5G环境的移动云计算中将普遍存在，这势必在根本上改变以往移动环境中以移动设备直连云数据中心为主的交互模式。D2D通信使得5G下移动云计算向“微云计算”、“雾计算”或“移动边缘计算”等的服务模式转变。在这些新的服务模式中，服务功能基本都是依靠多小区协作的方式共同完成。因此，为支持5G中新网络服务模式的顺利进行，在技术上必须使以下问题达到很好的解决效果，比如：网络节点的动态部署、自动配置和维护，良好的信号模型，高性能的干扰消除技术和认知无线电技术，回传网络的智能化，足够的频谱资源，实时移动性，控制策略的设计等。在新的服务模式应用方面，需要设计或选择合理的、贴合实际需要的模型及算法等。 2）移动设备 l  移动设备配置 5G 网络会为计算、存储、网络资源、连接提供一体化的分布式平台，延迟可以低到毫秒级，将实现真正的物联网。5G 网络下，移动设备可高效地实现跨4G LTE、5G、WiFi的并发连接和聚合[47]，相对于4G，大屏智能终端是5G时代的特征，终端体积的轻便化、主频性能的持续提升以及芯片的多核多模化等均对终端的耗电性能提出了更高的需求，因此，可以开发或改进屏幕显示技术、芯片架构、低复杂度算法及射频功放技术等以改善终端功耗。除此之外，还可以考虑提高支持5G通信的移动操作系统性能和优化5G下移动设备的无线多接口及协议等。 l  移动任务迁移 移动任务迁移是5G系统应用对移动设备节能研究产生影响最大的一项，主要表现在移动卸载模式、卸载决策策略、卸载能耗评估模型及其他等方面。5G 密集型小区部署使得移动用户不仅可以将任务卸载的云端或微云，还可以卸载到附近的、具论文在线出版号  No.28  李继蕊等：5G下移动云计算节能措施研究  19  有处理能力的其他移动设备，这个移动设备可能是同小区的，也可能是不同小区的。多种卸载目的地的并存使得移动卸载模式变得复杂，这种复杂的移动卸载模式，也使得移动卸载决策策略随之复杂化。并且，移动性或动态性的突显使计算结果取回的情况更难控制。由表3及相关文献分析可知，5G环境下移动计算卸载考虑的能耗因素还不够全面，尤其是附近终端设备的计算能耗、D2D间通信的能耗和移动设备空闲的能耗，同时存在为数不多的研究会将5G通信中对能耗影响不容忽视的噪声干扰和其他执行无线传输但不包含在移动云计算环境中的干扰因素作为重点考虑指标。而且，对于一个能耗研究方法的性能是否优于其他同类研究方法的评价是一个非常困难的工作，在表3列举的能耗研究模型中，有的仅仅以能耗为目标，有的以系统能耗和性能的各种关系（简单和、加权和、非线性关系等）为目标评价函数，并且评价大多采用模拟实验的方法进行功能的评价，很少进行实际性能评测。即使存在以硬件设备实际能耗建模作为性能评测标准的研究，但由于5G技术还未被应用，所以其效果很难评价。 因此，结合与移动任务迁移紧密相关的5G特征，如超密集小区覆盖、高频段毫米波通信、终端直连D2D、终端多种无线接入方式的合作等，对5G 下的移动卸载场景进行详细分析，确定移动卸载参与对象及角色分配，设计合理的移动卸载模式，选择适合的移动卸载策略，构建正确的移动卸载能耗模型，开发或改进并实现高效低复杂度的移动卸载算法等均可以作为5G下移动任务迁移实现能耗优化的解决方案。 3）云数据中心 5G 在云数据中心节能研究中不存在直接的表现，但是5G超密集型异构网络部署和大规模MIMO天线阵列等技术引起的一系列变化，如：网络服务模式的变化、用户与数据中心交互模式的变化、网络拓扑结构的变化等等都会对云数据中心节能降耗产生很大的影响，可以考虑作为提升云服务中心能耗优化的措施或方法。 6.2  展望 结合第6.1 节中提出的问题及相应的解决方案，可以从以下几个方面对5G环境下移动云计算节能降耗的研究做进一步的工作： 1）对于5G作用下的移动云计算，无论研究哪一个组成部分或过程的能耗，为了使测量结果具有客观真实性，对于重要能耗指标要尽可能考虑完全，比如：使用计算卸载降低移动设备能耗的方式中，移动设备空闲时的能耗、其他代理执行期间的能耗，决定通信能耗的复杂干扰计算模型的选取等都应该考虑到能耗模型的构建中。 2）在5G下移动云计算的应用场景中，应进一步给出更合理的能耗目标评价标准，比如：用硬件组件的实际能耗作为测量标准或采用最真实场景的数据参数。这里要尽可能的同时考虑系统能耗和性能的折衷问题，也即是服务质量与服务体验折衷的问题。 3）尽量结合5G移动通信系统的技术指标和重要特征，进一步提高移动云计算中云数据中心的节能降耗效果。比如：可以通过改进无线移动网络服务模式或提高搜索云服务器的路由算法降低云数据中心的能耗等。 4）结合如人工智能、机器学习、随机几何理论、数据挖掘等其他学科的知识，探索适合5G环境下绿色移动云计算各种应用的新模型、新方法。比如：由移动无线技术带来的能耗问题。对于全双工总速率最大化问题，它本身不是凸优化问题，但是可以通过制定最严格的下界功能和使用变量变动对数使其转化成凸优化问题；采用随机几何理论可以对异构网络的覆盖概率、中继OFDM（Orthogonal  Frequency  Division  Multiplexing）或FBMC的系统容量以及认知无线Ad  Hoc网络容量等进行分析建模；可以通过改进机器学习中的算法等提高认知无线电技术的性能；也可以应用或改进机器学习中的小波神经网络、广义小神经模型计算机、核学习机和支持向量机等算法解决通信系统中的信道均衡问题。可以用蚁群算法、粒子群算法、博弈论等智能算法或几种算法的结合实现移动计算卸载中最优目标网络资源的选取或任务调度等性能的提高。同时，也可以结合这些知识对无线网络服务模式做进一步优化，比如移动边缘计算模式。 7  结论 从绿色计算的概念被提出以来，关于移动云计算在绿色计算方面的各种研究就层出不穷，尤其是能耗或能效保护措施及技术的研究，这些研究涉及了移动设备、网络设施及通信和云服务中心的软件和硬件等多个方面。而5G移动技术的到来及其在20  计  算  机  学  报  2017年  可扩展性、多用途、能量效率、容量、智能性、用户体验等方面的新高要求，进一步对移动云计算能耗模型研究提出了新的挑战，可以说，实现5G环境下移动云计算的节能降耗是非常活跃的一个方向。通过本文可以看出，5G 环境下移动云计算的各个物理组成部分的节能研究还处于起始阶段，仍需广大研究工作者们的继续努力。 参 考 文 献 [1] Guo Bing, Shen Yan, Shao Zi-Li. The Redefinition and Some Discussion of  Green  Computing.  Chinese  Journal  of  Computers,  2009,   32(12):2311-2319. (郭兵,  沈艳,  邵子立.  绿色计算的重定义与若干探讨.  计算机学报, 2009, 32(12):2311-2319.) [2]  Li  Yuan-Song,  Liang  Jin-Ming.  Energy  Saving  in  Mobile  Cloud Computing. Fire Control & Command Control, 2015, 40(8):150-154. (黎远松,  梁金明.  基于移动云计算架构下的能效保护研究.  火力与指挥控制, 2015, 40(8):150-154.) [3] Guo  Min-Yi.  Green  Computing:  Connotation  and  Tendency.  Computer Engineering, 2010, 36(10):1-7. (过敏意.  绿色计算:内涵及趋势.  计算机工程, 2010, 36(10):1-7.) [4] Wang X, Han G, Du X, et al. Mobile cloud computing in 5G: Emerging trends, issues, and challenges. IEEE Network, 2015, 29(2):4-5. [5] Mastelic T, Oleksiak A, Claussen H, et al. Cloud computing: Survey on energy  efficiency.  ACM  Computing  Surveys  (CSUR),  2015,  47(2):1- 36. [6]  Ghani  I,  Niknejad  N,  Jeong  S  R.  Energy  Saving  In  Green  Cloud Computing  Data  Centers:  A  Review.  Journal  of  Theoretical  and Applied Information Technology, 2015, 74(1):16-30. [7]  Beloglazov  A,  Buyya  R,  Lee  Y  C,  et  al.  A  taxonomy  and  survey  of energy-efficient data centers and cloud computing systems. Advances in computers, 2011, 82(2): 47-111. [8]  Berl  A,  Gelenbe  E,  Girolamo  M  D,  et  al.  Energy-Efficient  Cloud Computing. Computer Journal, 2010, 53(7):1045-1051. [9]  Beloglazov  A,  Abawajy  J,  Buyya  R.  Energy-aware  resource  allocation heuristics  for  efficient  management  of  data  centers  for  cloud computing.  Future  generation  computer  systems,  2012,  28(5): 755-768. [10] Buyya R, Beloglazov A, Abawajy J. Energy-Efficient Management of Data Center Resources for Cloud Computing: A Vision, Architectural Elements, and Open Challenges. Eprint Arxiv, 2010, 12(4):6-17.  [11]  Subirats  J,  Guitart  J.  Assessing  and  forecasting  energy  efficiency  on Cloud  computing  platforms.  Future  Generation  Computer  Systems, 2015, 45: 70-94.  [12] Kaur T, Chana I. Energy Efficiency Techniques in Cloud Computing: A Survey and Taxonomy. Acm Computing Surveys, 2015, 48(2):1-46. [13]  Boru  D,  Kliazovich  D,  Granelli  F,  et  al.  Energy-efficient  data replication in cloud computing datacenters. Cluster Computing, 2015, 18(1): 385-402. [14]  Sanaei  Z,  Abolfazli  S,  Gani  A,  et  al.  Heterogeneity  in  mobile  cloud computing: taxonomy and open challenges. Communications Surveys & Tutorials, IEEE, 2014, 16(1): 369-392.  [15]  Liu  F,  Shu  P, Jin  H, et al. Gearing  resource-poor  mobile devices  with powerful  clouds:  architectures,  challenges,  and  applications.  IEEE Wireless Communications, 2013, 20(3):14-22. [16]  Bonino  D,  De  Russis  L,  Corno  F,  et  al.  JEERP:  Energy-Aware Enterprise Resource Planning. IT Professional, 2014 (4): 50-56. [17]  Sabharwal  M,  Agrawal  A,  Metri  G.  Enabling  green  it  through energy-aware software. IT Professional, 2013, 15(1): 19-27.  [18] Sanaei, Z, Abolfazli, S, Gani, A, et al. Heterogeneity in Mobile Cloud Computing:  Taxonomy  and  Open  Challenges.  IEEE  Communications Surveys & Tutorials, 2014, 16(1):369-392. [19] Lin X, Wang Y, Xie Q, et al. Task scheduling with dynamic voltage and frequency  scaling  for  energy  minimization  in  the  mobile  cloud computing  environment.  IEEE  Transactions  on  Services  Computing, 2015, 8(2): 175-186. [20]  Zhang  W,  Wen  Y,  Wu  D  O.  Energy-efficient  scheduling  policy  for collaborative execution in mobile cloud computing//Proceedings of the 32nd  IEEE  International  Conference  on  Computer  Communications. Turin, Italy, 2013:190-194. [21] Gai  K,  Qiu  M,  Zhao  H,  et  al.  Dynamic  energy-aware  cloudlet-based mobile  cloud  computing  model  for  green  computing.  Journal  of Network and Computer Applications, 2016, 59: 46-54. [22]  Shiraz  M,  Gani  A,  Shamim  A,  et  al.  Energy  efficient  computational offloading  framework  for  mobile  cloud  computing.  Journal  of  Grid Computing, 2015, 13(1): 1-18. [23]  Zhang  W,  Wen  Y,  Guan  K,  et  al.  Energy-optimal  mobile  cloud computing  under  stochastic  wireless  channel.  IEEE  Transactions  on Wireless Communications, 2013, 12(9): 4569-4581. [24] Ge Y, Zhang Y, Qiu Q, et al. A game theoretic resource allocation for overall  energy  minimization  in  mobile  cloud  computing system//Proceedings of the 2012 ACM/IEEE international symposium on  Low power  electronics  and  design.  Redondo  Beach,  USA,  2012: 279-284. [25] Frenger  P,  Olsson  M,  Yading  Y.  5G  Energy  Effieiency:  Key  Concept and  Potential  Technology.  Telecommunications  Network  Technology, 2015, 5:48-53. [26] Zhou Bo. Discussion on the technologies of building energy saving 5g mobile network. China New Telecommunications, 2016, 11: 55-55. (周波.  关于构建节能型  5g 移动网络的技术探讨.  中国新通信, 2016, 11: 55-55.) [27] Hu  R  Q,  Qian  Y.  An  energy  efficient  and  spectrum  efficient  wireless heterogeneous  network  framework  for  5G  systems.  IEEE Communications Magazine, 2014, 52(5): 94-101. [28]  Chen  M,  Hao  Y,  Qiu  M,  et  al.  Mobility-Aware  Caching  and Computation  Offloading  in  5G  Ultra-Dense  Cellular  Networks. Sensors, 2016, 16(7): 974. [29]  Wu  G,  Yang  C,  Li  S,  et  al.  Recent  advances  in  energy-efficient networks  and  their  application  in  5G  systems.  IEEE  Wireless Communications, 2015, 22(2): 145-151. [30] Han N D, Chung Y, Jo M. Green data centers for cloud-assisted mobile ad hoc networks in 5G. IEEE Network, 2015, 29(2): 70-76. [31] Zhang  S,  Xu  X,  Lu  L,  et  al.  Sparse  code  multiple  access:  An  energy efficient uplink approach for 5G wireless systems//Proceedings of the 2014  IEEE  Global  Communications  Conference.  Austin,  USA,  2014: 4782-4787. [32]  Sabella  D,  De  Domenico  A,  Katranaras  E,  et  al.  Energy  Efficiency benefits  of  RAN-as-a-Service  concept  for  a  cloud-based  5G  mobile network infrastructure. IEEE Access, 2014, 2: 1586-1597. [33] Liu Y, Zhang Y, Yu R, et al. Integrated energy and spectrum harvesting 论文在线出版号  No.28  李继蕊等：5G下移动云计算节能措施研究  21  for 5G wireless communications. IEEE Network, 2015, 29(3): 75-81. [34] Hong X, Wang J, Wang C X, et al. Cognitive radio in 5G: a perspective on  energy-spectral  efficiency  trade-off.  IEEE  Communications Magazine, 2014, 52(7): 46-53. [35]  Mavromoustakis  C  X,  Bourdena  A,  Mastorakis  G,  et  al.  An energy-aware scheme for efficient spectrum utilization in a 5G mobile cognitive  radio  network  architecture.  Telecommunication  Systems, 2015, 59(1): 63-75. [36]  Bai  Q,  Nossek  J  A.  Energy  efficiency  maximization  for  5G  multi‐antenna  receivers.  Transactions  on  Emerging  Telecommunications Technologies, 2015, 26(1): 3-14. [37]  Cavalcante  R  L  G,  Stanczak  S,  Schubert  M,  et  al.  Toward Energy-Efficient  5G  Wireless  Communications  Technologies:  Tools for  decoupling  the  scaling  of  networks  from  the  growth  of  operating power. IEEE Signal Processing Magazine, 2014, 31(6): 24-34. [38]  Mumtaz  S,  Huq  K  M  S,  Rodriguez  J.  Direct  mobile-to-mobile communication:  Paradigm  for  5G.  IEEE  Wireless  Communications, 2014, 21(5): 14-23. [39]  Chih-Lin  I, Rowell  C,  Han  S,  et  al.  Toward  green  and  soft:  a  5G perspective. IEEE Communications Magazine, 2014, 52(2): 66-73. [40]  Zappone  A,  Sanguinetti  L,  Bacci  G,  et  al.  Energy-efficient  power control:  A  look  at  5G  wireless  technologies.  IEEE  Transactions  on Signal Processing, 2016, 64(7): 1668-1683. [41]  Gupta  M,  Singh  S.  Greening  of  the  Internet//Proceedings  of  the  2003 conference on Applications, technologies, architectures, and protocols for computer communications. Karlsruhe, Germany, 2003: 19-26. [42]  Bolla  R,  Bruschi  R,  Davoli  F,  et  al.  Energy  efficiency  in  the  future internet:  a  survey  of  existing  approaches  and  trends  in  energy-aware fixed  network  infrastructures.  IEEE  Communications  Surveys  & Tutorials, 2011, 13(2): 223-244. [43] Bianzino A P, Chaudet C, Rossi D, et al. A survey of green networking research.  IEEE  Communications  Surveys  &  Tutorials,  2012,  14(1): 3-20. [44] Ge J, Yao H B, Wang X, et al. Stretchable conductors based on silver nanowires:  improved  performance  through  a  binary  network  design. Angewandte Chemie, 2013, 125(6): 1698-1703. [45]  Bari  M  F,  Boutaba  R,  Esteves  R,  et  al.  Data  center  network virtualization:  A  survey.  IEEE  Communications  Surveys  &  Tutorials, 2013, 15(2): 909-928. [46]  Gupta  V  K,  Singh  A  K,  Al  Khayat  M,  et  al.  Neutral  carriers  based polymeric membrane electrodes for selective determination of mercury (II). Analytica chimica acta, 2007, 590(1): 81-90. [47]  Nedevschi  S,  Popa  L,  Iannaccone G,  et  al. Reducing  Network  Energy Consumption  via  Sleeping  and  Rate-Adaptation//Proceedings  of  the 5th  USENIX  Symposium  on  Networked  Systems  Design  and Implementation. San Francisco, USA, 2008: 323-336. [48] Zhang Z K, Liu C, Zhang Y C, et al. Solving the cold-start problem in recommender  systems  with  social  tags.  EPL  (Europhysics  Letters), 2010, 92(2): 28002. [49] Vasić N, Kostić D. Energy-aware  traffic  engineering//Proceedings  of the  1st  International  Conference  on  Energy-Efficient  Computing  and Networking. New York, USA, 2010: 169-178. [50]  Vasić  N,  Bhurat  P,  Novaković  D,  et  al.  Identifying  and  using energy-critical  paths//Proceedings  of  the  Seventh  Conference  on emerging  Networking  EXperiments  and  Technologies.  Tokyo,  Japan, 2011:1-12. [51]  Cianfrani  A,  Eramo  V,  Listanti  M,  et  al.  An  OSPF-integrated  routing strategy for QoS-aware energy saving in IP backbone networks. IEEE Transactions  on  Network  and  Service  Management,  2012,  9(3): 254-267. [52] Suarez  L,  Nuaymi  L,  Bonnin  J  M.  An  overview  and  classification  of research  approaches  in  green  wireless  networks.  Eurasip  journal  on wireless communications and networking, 2012, 2012(1):142. [53]  Oliveira  L,  Sadok  D  H,  Gonçalves  G,  et  al.  Collaborative  Algorithm with  a  Green  Touch.  Lecture  Notes  of  the  Institute  for  Computer Sciences Social Informatics & Telecommunications Engineering, 2012, 73:51-62. [54] Auer G, Giannini V, Desset C, et al. How much energy is needed to run a  wireless  network?.  IEEE  Wireless  Communications,  2011,  18(5): 40-49. [55]  Correia  L  M,  Zeller  D,  Blume  O,  et  al.  Challenges  and  enabling technologies  for  energy  aware  mobile  radio  networks.  IEEE Communications Magazine, 2010, 48(11): 66-72. [56]  Claussen  J  C,  Franklin  A  D,  ul  Haque  A,  et  al.  Electrochemical biosensor  of  nanocube-augmented  carbon  nanotube  networks.  Acs Nano, 2009, 3(1): 37-44. [57]  Razavi  R,  Claussen  H.  Urban  small  cell  deployments:  Impact  on  the network  energy  consumption//Proceedings  of  the  IEEE  Wireless Communications  and  NETWORKING  Conference  Workshops.  Paris, France, 2012:47-52. [58]  Yang  H,  Marzetta  T  L.  Performance  of  conjugate  and  zero-forcing beamforming  in  large-scale  antenna  systems.  IEEE  Journal  on Selected Areas in Communications, 2013, 31(2): 172-179.  [59]  Grebennikov  A,  Bulja  S.  High-efficiency  Doherty  power  amplifiers: Historical  aspect  and  modern  trends.  Proceedings  of  the  IEEE,  2012, 100(12): 3190-3219. [60]  Claussen  H,  Ashraf  I,  Ho  L  T  W.  Dynamic  idle  mode  procedures  for femtocells. Bell Labs Technical Journal, 2010, 15(2): 95-116. [61]  Mesleh  R  Y,  Haas  H,  Sinanovic  S,  et  al.  Spatial  modulation.  IEEE Transactions on Vehicular Technology, 2008, 57(4): 2228-2241. [62]  Hochwald  B  M,  Ten  Brink  S.  Achieving  near-capacity  on  a multiple-antenna channel. IEEE transactions on communications, 2003, 51(3): 389-399. [63]  Claussen  H,  Karimi  H  R,  Mulgrew  B.  Low  complexity  detection  of high-order  modulations  in  multiple  antenna  systems.  IEE Proceedings-Communications, 2005, 152(6): 789-796. [64]  You  Xiaohu,et  al.  The  5G  mobile  communication:  the  development trends  and  its  emerging  key  techniques.  China  Science:  Information Science, 2014, 5(16): 551-563. (尤肖虎,  潘志文,  高西奇,  等.  5G  移动通信发展趋势与若干关键技术.  中国科学:  信息科学, 2014, 5(16): 551-563.) [65]  Wang  C  X,  Haider  F,  Gao  X,  et  al.  Cellular  architecture  and  key technologies  for  5G  wireless  communication  networks.  IEEE Communications Magazine, 2014, 52(2): 122-130. [66]  Tao  X,  Xu  X,  Cui  Q.  An  overview  of  cooperative  communications. IEEE Communications Magazine, 2012, 50(6): 65-71. [67] You X H, Wang D M, Sheng B, et al. Cooperative distributed antenna systems  for  mobile  communications:  coordinated  and  distributed MIMO. IEEE Wireless Communications, 2010, 17(3): 35-43. [68] You X, Wang D, Zhu P, et al. Cell edge performance of cellular mobile systems.  IEEE  Journal  on  Selected  Areas  in  Communications,  2011, 29(6): 1139-1150. [69] Hoydis  J,  Ten  Brink  S,  Debbah  M.  Massive  MIMO  in the  UL/DL  of cellular networks: How many antennas do we need?. IEEE Journal on 22  计  算  机  学  报  2017年  selected Areas in Communications, 2013, 31(2): 160-171. [70]  Mohammed  S  K,  Larsson  E  G.  Per-antenna  constant  envelope precoding  for  large multi-user MIMO  systems.  IEEE  Transactions on Communications, 2013, 61(3): 1059-1071. [71] Yin H, Gesbert D, Filippou M, et al. A coordinated approach to channel estimation  in  large-scale  multiple-antenna  systems.  IEEE  Journal  on Selected Areas in Communications, 2013, 31(2): 264-273. [72] Švač P, Meyer F, Riegler E, et al. Soft-heuristic  detectors  for  large MIMO  systems.  IEEE  Transactions  on  Signal  Processing,  2013, 61(18): 4573-4586. [73]  Ahmed  E,  Eltawil  A  M,  Sabharwal  A.  Rate  gain  region  and  design tradeoffs for full-duplex wireless communications. IEEE Transactions on Wireless Communications, 2013, 12(7): 3556-3565. [74]  Aggarwal  V,  Duarte  M,  Sabharwal  A,  et  al.  Full-  or  half-duplex?  A capacity  analysis  with  bounded  radio  resources//Proceedings  of  the 2012  IEEE  Information  Theory  Workshop.  Lausanne,  Switzerland, 2012:207-211. [75]  Cheng  W,  Zhang  X,  Zhang  H.  Optimal  dynamic  power  control  for full-duplex  bidirectional-channel  based  wireless networks//Proceedings  of  the 32nd  IEEE  International  Conference on Computer Communications. Turin, Italy, 2013:3120-3128. [76]  Ju  H,  Lim  S,  Kim  D,  et  al.  Full  duplexity  in  beamforming-based multi-hop  relay  networks.  IEEE  Journal  on  Selected  Areas  in Communications, 2012, 30(8): 1554-1565. [77]  Jain  M,  Choi  J  I,  Kim  T,  et  al.  Practical,  real-time,  full  duplex wireless//Proceedings  of  the  17th  annual  international  conference  on Mobile computing and networking. Las Vegas, USA, 2011: 301-312.  [78]  Choi  J  I,  Jain  M,  Srinivasan  K,  et  al.  Achieving  single  channel,  full duplex  wireless  communication//Proceedings  of the  sixteenth  annual international  conference  on  Mobile  computing  and  networking. Chicago, USA, 2010: 1-12. [79] Wunder G, Kasparick M, ten Brink S, et al. 5GNOW: Challenging the LTE  design  paradigms  of  orthogonality  and synchronicity//Proceedings  of  the  2013  IEEE  77th  Vehicular Technology Conference (VTC Spring). Dresden, Germany, 2013: 1-5. [80] Estella I, Pascual-Iserte A, Payaró M. OFDM and FBMC performance comparison for multistream MIMO systems// Proceedings of the 2010 IEEE Future Network & Mobile Summit. Florence, Italy, 2010: 1-8.  [81] Sahin A, Guvenc I, Arslan H. A survey on multicarrier communications: Prototype  filters,  lattice  structures,  and implementation aspects.  IEEE Communications Surveys & Tutorials, 2014, 16(3): 1312-1338. [82] Pinchon  D,  Siohan  P.  Derivation  of  analytical expressions  for  flexible PR  low  complexity  FBMC  Systems//Proceedings  of  European  Signal Processing Conference. Marrakech, Morocco, 2013:1–5.   [83] Wang  G,  Chen  Q,  Ren  Z.  Modelling  of  time-varying  discrete-time systems. IET signal processing, 2011, 5(1): 104-112. [84]  Farhang-Boroujeny  B,  Kempter  R.  Multicarrier  communication techniques  for  spectrum  sensing  and  communication  in  cognitive radios. IEEE Communications Magazine, 2008, 46(4): 80-85. [85]  Hwang  I,  Song  B,  Soliman  S  S.  A  holistic  view  on  hyper-dense heterogeneous  and  small  cell  networks.  IEEE  Communications Magazine, 2013, 51(6): 20-27. [86] Liu S, Wu J, Koh C H, et al. A 25 Gb/s (/km 2) urban wireless network beyond IMT-advanced. IEEE Communications Magazine, 2011, 49(2): 122-129. [87] Costanzo S, Galluccio L, Morabito G, et al. Software defined wireless networks:  Unbridling  sdns// Proceedings  of  the 2012  IEEE  European Workshop  on  Software  Defined  Networking.  Berlin,  German,  2012: 1-6. [88]  Ge  X,  Cheng  H,  Guizani  M,  et  al.  5G  wireless  backhaul  networks: challenges and research advances. IEEE Network, 2014, 28(6): 6-11.  [89]  Hur  S,  Kim  T,  Love  D  J,  et  al.  Millimeter  wave  beamforming  for wireless  backhaul  and  access  in  small  cell  networks.  IEEE Transactions on Communications, 2013, 61(10): 4391-4403. [90] Dehos C, González J L, De Domenico A, et al. Millimeter-wave access and backhauling: the solution to the exponential data traffic increase in 5G  mobile  communications  systems?.  IEEE  Communications Magazine, 2014, 52(9): 88-95. [91] Galiotto  C,  Marchetti  N,  Doyle  L.  Flexible  spectrum  sharing  and interference  coordination  for  low  power  nodes  in  heterogeneous networks//  Proceedings  of  the  2012  IEEE  Vehicular  Technology Conference (VTC Fall). Québec City, Canada, 2012: 1-5. [92] Aliu O G, Imran A, Imran M A, et al. A survey of self organisation in future cellular networks. IEEE Communications Surveys & Tutorials, 2013, 15(1): 336-361. [93]  Demestichas  P,  Georgakopoulos  A,  Karvounas  D,  et  al.  5G  on  the horizon: key challenges for the radio-access network. IEEE Vehicular Technology Magazine, 2013, 8(3): 47-53. [94]  Savarese  G,  Vaser  M,  Ruggieri  M.  A  software  defined networking-based  context-aware  framework  combining  4G  cellular networks  with  m2m//Proceedings  of  the  2013  16th  International Symposium  on  Wireless  Personal  Multimedia  Communications (WPMC). Atlantic City, USA, 2013: 1-6. [95]  Li  L  E,  Mao  Z  M,  Rexford  J.  Toward  software-defined  cellular networks//  Proceedings  of  the  2012  IEEE  European  Workshop  on Software Defined Networking. The Hague, Netherlands, 2012: 7-12. [96] Yang  M,  Li  Y,  Jin  D,  et  al.  Software-defined  and  virtualized  future mobile  and  wireless  networks:  A  survey.  Mobile  Networks  and Applications, 2015, 20(1): 4-18. [97]  Yap  K  K,  Kobayashi  M,  Underhill  D,  et  al.  The  stanford  openroads deployment//Proceedings  of  the  4th  ACM  international  workshop  on Experimental evaluation and characterization. New York, USA, 2009: 59-66. [98]  Bansal  M,  Mehlman  J,  Katti  S,  et  al.  Openradio:  a  programmable wireless dataplane// Proceedings of the first workshop on Hot topics in software defined networks. Helsinki, Finland, 2012: 109-114. [99] Kumar S, Cifuentes D, Gollakota S, et al. Bringing cross-layer MIMO to today's  wireless  LANs.  ACM  Sigcomm  Computer Communication Review, 2013, 43(4):387-398. [100] Gudipati A, Perry D, Li L E, et al. SoftRAN: Software defined radio access  network//Proceedings  of  the  second  ACM  SIGCOMM workshop on Hot topics in software defined networking. Hong Kong, China, 2013: 25-30. [101]  Huerta-Canepa  G, Lee  D.  A  virtual  cloud  computing  provider  for mobile  devices//Proceedings  of  the  1st  ACM  Workshop  on  Mobile Cloud  Computing  &  Services:  Social  Networks  and  Beyond.  San Francisco, USA, 2010:1-5. [102] Vallina-Rodriguez N, Crowcroft J. Energy management techniques in modern mobile handsets. IEEE Communications Surveys & Tutorials, 2013, 15(1): 179-198. [103]  Abolfazli S,  Sanaei  Z,  Sanaei  M,  et  al.  Mobile  cloud  computing: the-state-of-the-art,  challenges,  and  future  research.  Hoboken,  USA: John Wiley & Sons Inc, 2015. [104] Vallina-Rodriguez  N,  Crowcroft  J.  ErdOS:  achieving  energy  savings 论文在线出版号  No.28  李继蕊等：5G下移动云计算节能措施研究  23  in  mobile  OS//Proceedings  of  the  sixth  international  workshop  on MobiArch. Bethesda, USA, 2011: 37-42. [105]  Belay  A,  Prekas  G,  Klimovic  A,  et  al.  IX:  a  protected  dataplane operating system for high throughput and low latency// Proceedings of the  Usenix  Conference  on  Operating  Systems  Design  and Implementation. Broomfield, USA, 2014:49-65. [106]  Lin  F  X,  Wang  Z,  Zhong  L.  K2:  a  mobile  operating  system  for heterogeneous  coherence  domains.  ACM  SIGPLAN  Notices,  2014, 49(4): 285-300. [107] Rumble S M, Stutsman R, Levis P, et al. Apprehending joule thieves with  cinder.  ACM  SIGCOMM  Computer  Communication  Review, 2010, 40(1): 106-111. [108]  Roy  A,  Rumble  S  M,  Stutsman  R,  et  al.  Energy  management  in mobile  devices  with  the  cinder  operating  system//Proceedings  of  the sixth  conference  on  Computer  systems.  Salzburg,  Austria,  2011: 139-152. [109] Chu  D,  Kansal  A,  Liu  J,  et  al.  Mobile  apps:  it's  time  to  move  up  to CondOS// Proceedings  of  the Usenix  Conference  on  Hot  Topics  in Operating Systems. Napa, USA, 2011:1-5. [110]  Flinn  J,  Satyanarayanan  M.  Managing  battery  lifetime  with energy-aware  adaptation.  ACM  Transactions  on  Computer  Systems (TOCS), 2004, 22(2): 137-179. [111] Snowdon D C, Le Sueur E, Petters S M, et al. Koala: A platform for OS-level  power  management//Proceedings  of  the 4th  ACM  European conference  on  Computer  systems.  Nuremberg,  Germany,  2009: 289-302. [112]  Shye  A,  Scholbrock  B,  Memik  G.  Into  the  wild:  studying  real  user activity  patterns  to  guide  power  optimizations  for  mobile architectures//Proceedings  of  the  42nd  Annual  IEEE/ACM International Symposium on Microarchitecture. New York, USA, 2009: 168-178. [113] Xiao Y, Bhaumik R, Yang Z, et al. A system-level model for runtime power  estimation  on  mobile  devices//Proceedings  of  the  IEEE/ACM International  Conference  on Green  Computing  and  Communications (GreenCom). Hangzhou, China, 2010: 27-34.   [114] Perrucci G P, Fitzek F H P, Sasso G, et al. On the impact of 2G and 3G network usage for mobile phones' battery life//Proceedings of the 2009 European Wireless Conference. Aalborg, Danmark, 2009:255-259. [115]  Rice  A,  Hay  S.  Decomposing  power  measurements  for  mobile devices//Proceedings  of  the  IEEE  International  Conference  on Pervasive Computing  and  Communications.  Mannheim,  Germany, 2010:70-78. [116] Zhang L, Tiwana B, Qian Z, et al. Accurate online power estimation and  automatic  battery  behavior  based  power  model  generation  for smartphones//Proceedings  of  the  International  Conference  on Hardware/software  Codesign  and  System  Synthesis,  CODES+ISSS. Scottsdale, USA, 2010:105-114. [117] Shepard C, Rahmati A, Tossell C, et al. LiveLab: measuring wireless networks  and  smartphone  users  in  the  field.  ACM  SIGMETRICS Performance Evaluation Review, 2011, 38(3): 15-20. [118] Oliver E, Keshav S. Data driven smartphone energy level prediction. Waterloo:  University  of  Waterloo,  University  of  Waterloo  Technical Report:CS-2010-06, 2010. [119]  Falaki  H,  Mahajan  R,  Kandula  S,  et  al.  Diversity  in  smartphone usage//Proceedings  of  the  8th  international  conference  on  Mobile systems,  applications,  and  services.  San  Francisco, USA,  2010: 179-194. [120]  Vallina-Rodriguez  N,  Hui  P,  Crowcroft  J,  et  al.  Exhausting  battery statistics:  understanding  the  energy  demands  on  mobile handsets//Proceedings  of  the  second  ACM  SIGCOMM  workshop  on Networking,  systems,  and  applications  on  mobile  handhelds.  New Delhi, India, 2010: 9-14. [121] Falaki H, Lymberopoulos D, Mahajan R, et al. A first look at traffic on smartphones//Proceedings of the 10th ACM SIGCOMM conference on Internet measurement. Melbourne, Australia, 2010: 281-287. [122]  Trestian  I,  Ranjan  S,  Kuzmanovic  A,  et  al.  Measuring  serendipity: connecting  people,  locations  and  interests  in  a  mobile  3G network//Proceedings  of  the  9th  ACM  SIGCOMM  conference  on Internet measurement conference. Chicago, USA, 2009: 267-279. [123] Krashinsky  R,  Balakrishnan  H.  Minimizing  energy  for  wireless  web access  with  bounded  slowdown.  Wireless  Networks,  2005,  11(1-2): 135-148. [124]  Zhou  R,  Xiong  Y,  Xing  G,  et  al.  ZiFi:  wireless  LAN  discovery  via ZigBee  interference  signatures//Proceedings  of  the  sixteenth  annual international  conference  on  Mobile  computing  and  networking. Chicago, USA, 2010: 49-60. [125] Peng Q, Chen M, Walid A, et al. Energy efficient multipath TCP for mobile  devices//Proceedings  of  the  15th  ACM  international symposium on Mobile ad hoc networking and computing. Philadelphia, USA, 2014: 257-266. [126] Pluntke C, Eggert L, Kiukkonen N. Saving mobile device energy with multipath  TCP//Proceedings  of  the  sixth  international  workshop  on MobiArch. Bethesda, USA, 2011: 1-6. [127] Lim Y, Chen Y C, Nahum E M, et al. How green is multipath TCP for mobile  devices?//Proceedings  of  the  4th  workshop  on  All  things cellular:  operations,  applications, &  challenges.  Chicago, USA,  2014: 3-8. [128]  Pathak  A,  Hu  Y  C,  Zhang  M.  Where  is  the  energy  spent  inside  my app?:  fine  grained  energy  accounting  on  smartphones  with Eprof//Proceedings  of  the  7th  ACM  European  conference  on Computer Systems. Bern, Switzerland, 2012: 29-42. [129] Perrucci G P, Fitzek F H P, Widmer J. Survey on energy consumption entities  on  the  smartphone  platform//  Proceedings  of  the  IEEE  73rd Vehicular  Technology  Conference  (VTC  Spring). Budapest,  Hungary, 2011: 1-6. [130] Raiciu C, Niculescu D, Bagnulo M, et al. Opportunistic mobility with multipath  TCP//Proceedings  of  the  sixth  international  workshop  on MobiArch. Bethesda, USA, 2011: 7-12. [131] Lane N D, Miluzzo E, Lu H, et al. A survey of mobile phone sensing. IEEE Communications magazine, 2010, 48(9): 140-150. [132] Constandache  I,  Gaonkar  S,  Sayler  M,  et  al.  Enloc:  Energy-efficient localization  for  mobile  phones//Proceedings  of  the  28th  IEEE Conference  on  Computer  Communications.  Rio  De  Janeiro,  Brazil, 2009: 2716-2720. [133] Lin K, Kansal A, Lymberopoulos D, et al. Energy-accuracy trade-off for  continuous  mobile  device  location//Proceedings  of  the  8th international conference on Mobile systems, applications, and services. San Francisco, USA, 2010: 285-298. [134] Paek J, Kim J, Govindan R. Energy-efficient rate-adaptive GPS-based positioning  for  smartphones//Proceedings  of  the  8th  international conference  on  Mobile  systems,  applications,  and  services.  San Francisco, USA, 2010: 299-314. [135] Zhuang  Z,  Kim  K  H,  Singh  J  P.  Improving energy  efficiency  of location  sensing  on smartphones//Proceedings  of  the 8th international 24  计  算  机  学  报  2017年  conference  on  Mobile  systems,  applications,  and  services.  San Francisco, USA, 2010: 315-330. [136] Lu H, Yang J, Liu Z, et al. The Jigsaw continuous sensing engine for mobile phone applications//Proceedings of the 8th ACM conference on embedded  networked  sensor  systems.  San  Francisco, USA,  2010: 71-84. [137] Chen M, Hao Y, Li Y, et al. On the computation offloading at ad hoc cloudlet:  architecture  and  service  modes.  IEEE  Communications Magazine, 2015, 53(6):18-24. [138]  Chen  X.  Decentralized  Computation  Offloading  Game  for  Mobile Cloud  Computing.  IEEE  Transactions  on  Parallel  &  Distributed Systems, 2014, 26(4):974-983. [139]  Lin  Y  D,  Chu  T  H,  Lai  Y  C,  et  al.  Time-and-Energy-Aware Computation  Offloading  in  Handheld  Devices  to  Coprocessors  and Clouds. IEEE Systems Journal, 2015, 9(2):393-405. [140] Khoda M E, Razzaque M A, Almogren A, et al. Efficient Computation Offloading  Decision  in  Mobile  Cloud  Computing  over  5G  Network. Mobile Networks and Applications, 2016, 21(5): 777-792. [141] Ali F A, Simoens P, Verbelen T, et al. Mobile device power models for energy  efficient  dynamic  offloading  at  runtime.  Journal  of  Systems and Software, 2016, 113: 173-187. [142] Labidi W, Sarkiss M, Kamoun M. Energy-optimal resource scheduling and computation offloading in small cell networks// Proceedings of the 22nd International Conference on Telecommunications (ICT). Sydney, Australia, 2015: 313-318. [143]  Chen  X,  Jiao  L,  Li  W,  et  al.  Efficient  Multi-User  Computation Offloading  for  Mobile-Edge  Cloud  Computing.  IEEE/ACM Transactions on Networking, 2016,5(24):2795 – 2808. [144] Flinn J, Park S Y, Satyanarayanan M. Balancing performance, energy, and  quality  in  pervasive  computing//Proceedings  of  the  22nd International  Conference  on  Distributed  Computing  Systems.  Paris, France, 2002: 217-226. [145]  Cuervo  E,  Balasubramanian  A,  Cho  D,  et  al.  MAUI:  making smartphones  last  longer  with  code  offload//Proceedings  of  the  8th international conference on Mobile systems, applications, and services. San Francisco, USA, 2010: 49-62. [146]  Gurun  S,  Krintz  C,  Wolski  R.  NWSLite:  a  light-weight  prediction utility  for  mobile  devices//Proceedings  of  the  2nd  international conference  on  Mobile  systems,  applications,  and  services.  Boston, USA, 2004: 2-11. [147] Kumar K, Liu J, Lu Y H, et al. A survey of computation offloading for mobile  systems.  Mobile  Networks  and  Applications,  2013,  18(1): 129-140.   [148]  Noble  B,  Price  M,  Satyanarayanan  M.  A  programming  interface  for application-aware  adaptation  in  mobile  computing.  Computing Systems, 1995, 8(4): 345-363. [149] Ellis C S. The case for higher-level power management// Proceedings of  the  Seventh  Workshop  on  Hot  Topics  in  Operating  Systems.  Rio Rico, USA, 1999: 162-167. [150] Zhang Y, Zhang D, Hassan M M, et al. CADRE: Cloud-assisted drug recommendation service for online pharmacies. Mobile Networks and Applications, 2015, 20(3): 348-355. [151]  Li  Y,  Wang  W.  Can mobile  cloudlets  support  mobile applications?  // Proceedings  of  the  IEEE  INFOCOM  2014-IEEE  Conference  on Computer Communications. Toronto, Canada, 2014: 1060-1068. [152]  Tong  L,  Li  Y,  Gao  W.  A  hierarchical  edge  cloud  architecture  for mobile computing// Proceedings of the IEEE International Conference on  Computer  Communications(INFOCOM).  San  Franciso,  USA, 2016:1-9.  [153] Liu Q, Ma Y, Alhussein M, et al. Green data center with IoT sensing and  cloud-assisted  smart  temperature  control  system.  Computer Networks, 2016, 101: 104-112. [154]  Ge  X,  Huang  X,  Wang  Y,  et  al. Energy-efficiency  optimization  for MIMO-OFDM  mobile  multimedia  communication  systems  with  QoS constraints. IEEE Transactions on Vehicular Technology, 2014, 63(5): 2127-2138. [155]  Li  J,  Qiu  M,  Ming  Z,  et  al.  Online  optimization  for  scheduling preemptable  tasks  on  IaaS  cloud  systems.  Journal  of  Parallel  and Distributed Computing, 2012, 72(5): 666-677.    [156]  Li  J,  Ming  Z,  Qiu  M,  et  al.  Resource  allocation  robustness  in multi-core embedded systems  with inaccurate information.  Journal  of Systems Architecture, 2011, 57(9): 840-849. [157]  Ge  X,  Tu  S,  Mao  G,  et  al.  5G  ultra-dense  cellular  networks.  IEEE Wireless Communications, 2016, 23(1): 72-79. [158] Volk M, Sterle J, Sedlar U, et al. An approach to modeling and control of  QoE  in  next  generation  networks:  Next  Generation  Telco  IT Architectures. IEEE communications magazine, 2010, 48(8): 126-135.  [159] Lin K, Wang W, Wang X, et al. Qoe-driven spectrum assignment for 5g wireless networks using sdr. IEEE Wireless Communications, 2015, 22(6): 48-55.  [160]  Hossain  M  S,  Muhammad  G,  Alhamid  M  F,  et  al.  Audio-visual emotion recognition using big data towards 5g. Mobile Networks and Applications, 2016, 21(5): 753-763.   [161] Zheng K, Zhang X, Zheng Q, et al. Quality-of-experience assessment and its application to video services in LTE networks. IEEE Wireless Communications, 2015, 22(1): 70-78.  [162]  Sterle  J,  Sedlar  U,  Rugelj  M,  et  al.  Application-driven  OAM framework for heterogeneous IoT environments. International Journal of Distributed Sensor Networks, 2016, 2016:3. [163]  Sedlar  U,  Rugelj  M,  Volk  M,  et  al.  Deploying  and  managing  a network of autonomous internet measurement probes: lessons learned. International Journal of Distributed Sensor Networks, 2015, 2015: 1-8. [164]  Zhang  Y,  Qiu  M,  Tsai  C  W,  et  al.  Health-CPS:  Healthcare Cyber-Physical  System  Assisted  by  Cloud  and  Big  Data.  IEEE Systems Journal, 2017, 11(1):88-95. [165]  Qiu  M,  Sha  E  H  M.  Cost  minimization  while  satisfying  hard/soft timing  constraints  for  heterogeneous  embedded  systems.  ACM Transactions on Design Automation of Electronic Systems (TODAES), 2009, 14(2): 25. [166] Han  B,  Hui  P,  Kumar  V  S  A,  et  al.  Mobile  data  offloading  through opportunistic  communications  and  social  participation.  IEEE Transactions on Mobile Computing, 2012, 11(5): 821-834.   [167]  Yang  L,  Cao  J,  Yuan  Y,  et  al.  A  framework  for  partitioning  and execution  of  data  stream  applications  in  mobile  cloud  computing. ACM  SIGMETRICS  Performance  Evaluation  Review,  2013,  40(4): 23-32. [168] Verbelen  T,  Simoens  P,  De  Turck  F,  et  al.  AIOLOS:  Middleware  for improving  mobile  application  performance  through  cyber  foraging. Journal of Systems and Software, 2012, 85(11): 2629-2639.   [169] Huang J, Qian F, Gerber A, et al. A close examination of performance and  power  characteristics  of  4G  LTE  networks//Proceedings  of  the 10th  international  conference  on  Mobile  systems,  applications,  and services. Low Wood Bay, UK, 2012: 225-238. [170]  Wang  Y  C,  Donyanavard  B,  Cheng  K  T.  Energy-Aware  Real-Time 论文在线出版号  No.28  李继蕊等：5G下移动云计算节能措施研究  25  Face  Recognition System on Mobile CPU-GPU Platform. Trends and Topics  in  Computer  Vision.Berlin  Heidelberg,Germany:  Springer Verlag, 2012. [171]  Rappaport  T  S,  Sun  S,  Mayzus  R,  et  al.  Millimeter  wave  mobile communications  for  5G  cellular:  It  will  work!. IEEE Access,  2013, 1(1): 335-349. [172] Cook G. How clean is your cloud?. Haryana, India: Cyber Media India Ltd, 2012. [173]  Koomey  J.  Growth  in  data  center  electricity  use  2005  to  2010. The New York Times.Oakland, USA: Analytical Press, 2011 [174]  Hsu  C  H,  Slagter  K  D,  Chen  S  C,  et  al.  Optimizing  energy consumption  with  task  consolidation in  clouds.  Information  Sciences, 2014, 258: 452-462. [175]  Wang  L,  Khan  S  U,  Chen  D,  et  al.  Energy-aware  parallel  task scheduling  in  a  cluster.  Future  Generation  Computer  Systems,  2013, 29(7): 1661-1670. [176] Ghribi C, Hadji M, Zeghlache D. Energy efficient VM scheduling for cloud  data  centers:  exact  allocation  and  migration  algorithms// Proceedings  of  the  13th  IEEE/ACM  International  Symposium  on Cluster,  Cloud  and  Grid  Computing  (CCGrid).  Delft,  Netherlands, 2013: 671-678. [177]  Aroca  R  V,  Gonçalves  L  M  G.  Towards  green  data  centers:  A comparison of x86 and ARM architectures power efficiency. Journal of Parallel and Distributed Computing, 2012, 72(12): 1770-1780. [178]  Lee  Y  C,  Zomaya  A  Y.  Energy  efficient  utilization  of  resources  in cloud  computing  systems.  The  Journal  of  Supercomputing,  2012, 60(2): 268-280. [179]  Li  Zhi-Yong,  Chen  Shao-Miao,  Yang  Bo,  et  al.  Multi-Objective Memetic  Algorithm  for  Task  Scheduling  on  Heterogeneous  Cloud. Chinese Journal of Computers, 2016, 39(2):377-390. (李智勇,  陈少淼,  杨波,等.  异构云环境多目标Memetic优化任务调度方法.  计算机学报, 2016, 39(2):377-390.)  [180] Dabbagh M, Hamdaoui B, Guizani M, et al. Toward energy-efficient cloud  computing:  Prediction,  consolidation,  and  overcommitment. IEEE Network, 2015, 29(2): 56-61. [181] Kumar  N, Zeadally  S,  Chilamkurti  N,  et  al.  Performance  analysis  of Bayesian  coalition  game-based  energy-aware  virtual  machine migration  in  vehicular  mobile  cloud. IEEE  Network,  2015,  29(2): 62-69. [182] Li S, Zhou Y, Jiao L, et al. Towards Operational Cost Minimization in Hybrid Clouds for Dynamic Resource Provisioning with Delay-Aware Optimization.  IEEE  Transactions  on  Services  Computing, 2015,  8(3): 398-409. [183]  Botero  J  F,  Hesselbach  X,  Duelli  M,  et  al.  Energy  efficient  virtual network  embedding.  IEEE  Communications  Letters,  2012,  16(5): 756-759. [184] Fischer A, Botero J F, Beck M T, et al. Virtual network embedding: A survey.  IEEE  Communications  Surveys  &  Tutorials,  2013,  15(4): 1888-1906. [185]  Heller  B,  Seetharaman  S,  Mahadevan  P,  et  al.  ElasticTree:  saving energy  in  data  center  networks//  Proceedings  of  the  Usenix Symposium  on  Networked  Systems  Design  and  Implementation, NSDI 2010. San Jose, USA, 2010:249-264. [186] Si  W,  Taheri  J,  Zomaya  A. A distributed  energy  saving  approach  for Ethernet switches in data centers// Proceedings of the 2012 IEEE 37th Conference  on  Local  Computer  Networks  (LCN).  Clearwater,  USA, 2012:505-512. [187]  Shang  Y,  Li  D,  Xu  M.  Energy-aware  routing  in  data  center network//Proceedings  of  the  first  ACM  SIGCOMM  workshop  on Green networking. New Delhi, India, 2010: 1-8. [188]  Xu  M,  Shang  Y,  Li  D,  et  al.  Greening  data  center  networks  with throughput-guaranteed  power-aware  routing.  Computer  Networks, 2013, 57(15): 2880-2899. [189]  Chiaraviglio  L,  Matta  I.  Greencoop:  cooperative  green  routing  with energy-efficient  servers//Proceedings  of  the  1st  International Conference  on  Energy-Efficient  Computing  and  Networking.  Passau, Germany, 2010: 191-194. [190]  Kliazovich  D,  Bouvry  P,  Khan  S  U.  GreenCloud:  a  packet-level simulator of energy-aware  cloud computing data centers. The Journal of Supercomputing, 2012, 62(3): 1263-1283. [191] Fang W, Liang X, Li S, et al. VMPlanner: Optimizing virtual machine placement  and  traffic  flow  routing  to  reduce  network  power  costs  in cloud data centers . Computer Networks, 2013, 57(1): 179-196. [192]  Shirayanagi  H,  Yamada  H,  Kenji  K.  Honeyguide:  A  vm migration-aware  network  topology  for  saving  energy  consumption  in data  center  networks.  IEICE  TRANSACTIONS  on  Information  and Systems, 2013, 96(9): 2055-2064. [193] Gill B S, Gill S K, Jain P. Analysis of energy aware data center using green  cloud  simulator  in  cloud  computing.  International  Journal Computer Trends &Technology, 2013, 5(3): 154-159. [194] Koseoglu M, Karasan E. Joint resource and network scheduling with adaptive  offset  determination  for  optical  burst  switched  grids.  Future Generation Computer Systems, 2010, 26(4): 576-589. [195] Liu Z, Chen Y, Bash C, et al. Renewable and cooling aware workload management  for  sustainable  data  centers.  ACM  Sigmetrics Performance Evaluation Review, 2012, 40(1):175-186. [196]  Chiriac  V  A,  Chiriac  F.  Novel  energy  recovery  systems  for  the efficient  cooling  of  data  centers  using  absorption  chillers  and renewable  energy  resources//Proceedings  of  the  13th  IEEE Intersociety  Conference  on  Thermal  and  Thermomechanical Phenomena  in  Electronic  Systems  (ITherm).  San  Diego,  USA,  2012: 814-820. [197] Dumitru I, Fagarasan I, Iliescu S, et al. Increasing energy efficiency in data  centers  using  energy  management//Proceedings  of  the 2011 IEEE/ACM  International  Conference  on  Green  Computing  and Communications (GreenCom). Chengdu, China, 2011: 159-165. [198]  Topcuouglu  H,  Hariri  S,  Wu  M  Y.  Performance-Effective  and Low-Complexity  Task  Scheduling  for  Heterogeneous  Computing. IEEE  Transactions  on  Parallel  &  Distributed  Systems,  2002, 13(3):260-274.   [199]  Ardagna  D,  Panicucci  B,  Passacantando  M.  A  game  theoretic formulation  of  the  service  provisioning  problem  in  cloud systems//Proceedings  of  the  20th  international  conference  on  World wide web. Hyderabad, India, 2011: 177-186. [200]  Guo  T,  Sharma  U,  Wood  T,  et  al.  Seagull:  intelligent  cloud  bursting for  enterprise  applications//  Proceedings  of  the the  2012  USENIX Annual Technical Conference (USENIX ATC 12). Boston, USA, 2012: 361-366. [201] Xu Y, Li K, He L, et al. A DAG scheduling scheme on heterogeneous computing  systems  using  double  molecular  structure-based  chemical reaction  optimization.  Journal  of  parallel  and  distributed  computing, 2013, 73(9): 1306-1322.   [202]  Kumar  N,  Lee  J  H,  Rodrigues  J  J  P  C. Intelligent  mobile  video surveillance  system  as  a  bayesian  coalition  game  in  vehicular  sensor 26  计  算  机  学  报  2017年  networks:  learning  automata  approach.  IEEE  Transactions  on Intelligent Transportation Systems, 2015, 16(3): 1148-1161. [203] Song  L,  Niyato  D,  Han  Z,  et  al.  Game-theoretic  resource  allocation methods  for  device-to-device  communication.  IEEE  Wireless Communications, 2014, 21(3): 136-144. [204]  Kumar  N,  Kim  J.  ELACCA:  efficient  learning  automata  based  cell clustering  algorithm  for  wireless  sensor  networks.  Wireless  personal communications, 2013, 73(4): 1495-1512. [205] Kumar N, Chilamkurti N, Rodrigues J J P C. Learning automata-based opportunistic  data  aggregation  and  forwarding  scheme  for  alert generation in  vehicular  ad hoc networks.  Computer  Communications, 2014, 39: 22-32. [206]  Wang  X,  Kwon  T  T,  Choi  Y,  et  al.  Cloud-assisted  adaptive  video streaming  and  social-aware  video  prefetching  for  mobile  users. IEEE Wireless Communications, 2013, 20(3): 72-79.   LI  Ji-Rui, born  in  1979, Ph.D  student, associate  professor.  Her  research interests  include  mobile  cloud computing,  distributed  computing  and trusted services, and internet of things.   LI  Xiao-Yong,  born  in  1975,  Ph.D, Professor.  His  research interests  include  distributed  computing  and  trusted  services, network secure and internet of things.   Gao  Yun-Quan,  born  in  1981,  Ph.D  student,  lecturer.  His research interests include trusted services and internet of things.  Gao Ya-Li, born in 1991, Ph.D student. Her research interests include distributed computing and trusted services, and mobile crowd sensing network.  Background In recent years, resources limitation (include computation, storage  and  energy)  becomes increasingly  distinct,  and  green computing  has  been  the  main  goal  that  various  industries pursue.  In  mobile  cloud  computing  (MCC),  the  gigantic business  profits brought  by  cloud  server,  the  rapid  growth  in the  number  of  mobile  intelligent  terminal,  and  the  gradual maturity of 5G technologies, will all attract further attention to green  MCC.  Reducing  energy  consumption  of  MCC  is  the basic  work  to  reality  green  computing. For  the  past  several years,  most  of  energy  consumption  researches  about  MCC focused  on  the environment of  4G  and  below  or  the  hardware facilities in 5G, but the different between 5G and 4G is apparent in  terms  of  the  characters,  thus,  the  basis  of  the  energy conservation study for MCC is likely to change. What’s  more, to  solve  the  limited  spectrum  resource  and  the  like,  5G  has introduced  many  efficient  technologies  such  as  the  large-scale MIMO  (Multi-Input  Multi-Output)  technology,  multi  carrier technology, full duplex technology, hyper dense heterogeneous cell deployment, SDWN (Software Defined Wireless Network), and  unified  self-organizing  network.  These  technologies  can promote  the  change  of  wireless  network  service  mode  and bring new attention for the energy conservation study of MCC in  5G.  In  this  paper, our  research  works  on  reviewing  the energy  saving measure for  MCC  in  5G,  firstly,  describing  the newest and typical research methods of energy consumption for MCC in 5G; secondly comparing the evaluation factors of these researches; finally, analyzing the current problems and looking forward  to  the future  development  directions.  This  work  is partly supported by The National Nature Science Foundation of China  (No.61370069,  61672111),  Beijing  Natural  Science Foundation  (No.4162043),  Fok  Ying  Tung  Education Foundation  (No.132032)  and  the  Cosponsored  Project  of Beijing Committee of Education. Our group has been working on  the  energy  consumption  optimization  for  cloud  computing and IoT (Internet of Things). Many papers have been published in  international  conferences  and  journals,  such  as CollaborateCom,  ICC,  International  Journal  of  Software Engineering  and  Knowledge  Engineering, IEEE  Transactions on Services Computing, and Journal on Communications. This paper  tries  to  analyze  and  contrast  all  kinds  of  reference materials,  which  focus  on  the  energy  conservation  study  of MCC  in  5G.  Its  main  goal  is  to  conclude  the  current  existing problems, and it also points out the key research directions for the future. This work will provide a solid theoretical foundation for the practical applications.