literature require continuous, high

literature require continuous, high-quality connectivity to the cloud, and involve large amounts of data transfer. There are several resource considerations that come into play. For example, the continuous transfer of data between the mobile device and the cloud will come at a high energy cost from the device battery. This cost only grows if the device is using the cellular network connection, due to variation in signal level, along with the variable network bandwidth and resulting data-rate. It may not be feasible for a mobile device to exhaust such energy continuously for the duration of the cloud interaction. As another example, as the bandwidth of the network connection may vary over time, levels of performance from the resulting data-rate cannot be guaranteed. This is very signiﬁcant in the areas of real-time applications where minimal latency is crucial. As ofﬂoaded tasks and applications execute on cloud infrastructure, cloud resources such as storage are used to compli- ment the local resources of the mobile device. The management of resources allocated to the mobile cloud at the cloud infra- structure also has to be taken into consideration. As the mobile device is a personal computing device, how this translates to the resources of a public cloud is important; existing approaches have proposed ofﬂoading portions of applications to the cloud, or even entire mobile operating systems. If all mobile device users ofﬂoad large and complex data to support such operations, then the management of energy and physical resources at the cloud must be a factor. The objective of this paper is to devise and examine the best practices in resource management, in the area of mobile cloud computing, and to derive a model for data and task ofﬂoading to the cloud, while considering the limited available resources. We will look at some of the previous approaches and models to energy and bandwidth resource management in the research literature, in the context of mobile cloud. We will augment these models with mobile cloud considerations, and apply them to existing approaches that have been taken for mobile cloud implementations, to understand how these approaches utilise the resources being studied. From this, we will devise and highlight the best practise approaches that solutions in the mobile cloud domain should adopt for managing these resources. We will then contrast these approaches and the resulting implications from the models with our cloud middleware solution, Context Aware Mobile Cloud Services (CAMCS) [1],currentlyunderdevelopment.Thiswillhighlighthowadisconnectedapproachfromthecloudcanbeofgreat beneﬁt to the conservation of resources on the mobile device, by minimising the usage of the scarcely available energy and bandwidth. This is enabled by the Cloud Personal Assistant (CPA) [2],acomponentofCAMCS,whichworkstocompleteuser tasks in the cloud in a disconnected fashion. We will also discuss how our middleware solution can avoid a large allocation of resources to the mobile cloud at the cloud server side, by the use of cloud services in SOA fashion, rather than allocation of entire virtual machines. We will present the results of several experiments performed with mobile devices, to derive a deci- sion model for data and task ofﬂoading to the CPA of a CAMCS user. This model considers the available resources and the nature of the data to be ofﬂoaded, as part of the ofﬂoad decision process, without requiring additional overhead from the mobile device. As a result of the adoption of these best practises and the derived model, our middleware can achieve the goal of efﬁcient resource management in the mobile cloud. To summarise, the contributions of this paper are:
Examination of existing energy models for mobile devices applied to mobile cloud approaches. Examination of bandwidth utilisation for mobile cloud approaches. Examination of cloud infrastructure resource requirements for mobile cloud approaches. Devise best practises for managing and utilising the aforementioned resources. A no-overhead decision model for task and data ofﬂoading based on results from experiments performed on mobile devices. Highlight how our cloud middleware meets the best practice requirements outlined.
The remainder of this paper is organised as follows; Section 2 looks at the related work. Section 3 introduces a model of our cloud middleware, CAMCS, along with the CPA component. Section 4 will analyse the energy resource management applied to existing solutions and our middleware. Section 5 will analyse bandwidth management applied to existing solu- tions and our middleware. Section 6 examines the cloud infrastructure resource considerations for the mobile cloud. Sec- tion 7 describes experiments performed to derive our ofﬂoad decision model for the mobile device, and presents the results of these experiments. Section 8,outlinesthederivedofﬂoaddecisionmodelbasedontheresultsoftheexperiments. Section 9 presents a discussi

literature require continuous, high-quality connectivity to the cloud, and involve large amounts of data transfer. There are several resource considerations that come into play. For example, the continuous transfer of data between the mobile device and the cloud will come at a high energy cost from the device battery. This cost only grows if the device is using the cellular network connection, due to variation in signal level, along with the variable network bandwidth and resulting data-rate. It may not be feasible for a mobile device to exhaust such energy continuously for the duration of the cloud interaction. As another example, as the bandwidth of the network connection may vary over time, levels of performance from the resulting data-rate cannot be guaranteed. This is very signiﬁcant in the areas of real-time applications where minimal latency is crucial. As ofﬂoaded tasks and applications execute on cloud infrastructure, cloud resources such as storage are used to compli- ment the local resources of the mobile device. The management of resources allocated to the mobile cloud at the cloud infra- structure also has to be taken into consideration. As the mobile device is a personal computing device, how this translates to the resources of a public cloud is important; existing approaches have proposed ofﬂoading portions of applications to the cloud, or even entire mobile operating systems. If all mobile device users ofﬂoad large and complex data to support such operations, then the management of energy and physical resources at the cloud must be a factor. The objective of this paper is to devise and examine the best practices in resource management, in the area of mobile cloud computing, and to derive a model for data and task ofﬂoading to the cloud, while considering the limited available resources. We will look at some of the previous approaches and models to energy and bandwidth resource management in the research literature, in the context of mobile cloud. We will augment these models with mobile cloud considerations, and apply them to existing approaches that have been taken for mobile cloud implementations, to understand how these approaches utilise the resources being studied. From this, we will devise and highlight the best practise approaches that solutions in the mobile cloud domain should adopt for managing these resources. We will then contrast these approaches and the resulting implications from the models with our cloud middleware solution, Context Aware Mobile Cloud Services (CAMCS) [1],currentlyunderdevelopment.Thiswillhighlighthowadisconnectedapproachfromthecloudcanbeofgreat beneﬁt to the conservation of resources on the mobile device, by minimising the usage of the scarcely available energy and bandwidth. This is enabled by the Cloud Personal Assistant (CPA) [2],acomponentofCAMCS,whichworkstocompleteuser tasks in the cloud in a disconnected fashion. We will also discuss how our middleware solution can avoid a large allocation of resources to the mobile cloud at the cloud server side, by the use of cloud services in SOA fashion, rather than allocation of entire virtual machines. We will present the results of several experiments performed with mobile devices, to derive a deci- sion model for data and task ofﬂoading to the CPA of a CAMCS user. This model considers the available resources and the nature of the data to be ofﬂoaded, as part of the ofﬂoad decision process, without requiring additional overhead from the mobile device. As a result of the adoption of these best practises and the derived model, our middleware can achieve the goal of efﬁcient resource management in the mobile cloud. To summarise, the contributions of this paper are:
 Examination of existing energy models for mobile devices applied to mobile cloud approaches.  Examination of bandwidth utilisation for mobile cloud approaches.  Examination of cloud infrastructure resource requirements for mobile cloud approaches.  Devise best practises for managing and utilising the aforementioned resources.  A no-overhead decision model for task and data ofﬂoading based on results from experiments performed on mobile devices.  Highlight how our cloud middleware meets the best practice requirements outlined.
The remainder of this paper is organised as follows; Section 2 looks at the related work. Section 3 introduces a model of our cloud middleware, CAMCS, along with the CPA component. Section 4 will analyse the energy resource management applied to existing solutions and our middleware. Section 5 will analyse bandwidth management applied to existing solu- tions and our middleware. Section 6 examines the cloud infrastructure resource considerations for the mobile cloud. Sec- tion 7 describes experiments performed to derive our ofﬂoad decision model for the mobile device, and presents the results of these experiments. Section 8,outlinesthederivedofﬂoaddecisionmodelbasedontheresultsoftheexperiments. Section 9 presents a discussi

0/5000

จาก: -

เป็น: -

ผลลัพธ์ (ไทย) 1: [สำเนา]

คัดลอก!

literature require continuous, high-quality connectivity to the cloud, and involve large amounts of data transfer. There are several resource considerations that come into play. For example, the continuous transfer of data between the mobile device and the cloud will come at a high energy cost from the device battery. This cost only grows if the device is using the cellular network connection, due to variation in signal level, along with the variable network bandwidth and resulting data-rate. It may not be feasible for a mobile device to exhaust such energy continuously for the duration of the cloud interaction. As another example, as the bandwidth of the network connection may vary over time, levels of performance from the resulting data-rate cannot be guaranteed. This is very signiﬁcant in the areas of real-time applications where minimal latency is crucial. As ofﬂoaded tasks and applications execute on cloud infrastructure, cloud resources such as storage are used to compli- ment the local resources of the mobile device. The management of resources allocated to the mobile cloud at the cloud infra- structure also has to be taken into consideration. As the mobile device is a personal computing device, how this translates to the resources of a public cloud is important; existing approaches have proposed ofﬂoading portions of applications to the cloud, or even entire mobile operating systems. If all mobile device users ofﬂoad large and complex data to support such operations, then the management of energy and physical resources at the cloud must be a factor. The objective of this paper is to devise and examine the best practices in resource management, in the area of mobile cloud computing, and to derive a model for data and task ofﬂoading to the cloud, while considering the limited available resources. We will look at some of the previous approaches and models to energy and bandwidth resource management in the research literature, in the context of mobile cloud. We will augment these models with mobile cloud considerations, and apply them to existing approaches that have been taken for mobile cloud implementations, to understand how these approaches utilise the resources being studied. From this, we will devise and highlight the best practise approaches that solutions in the mobile cloud domain should adopt for managing these resources. We will then contrast these approaches and the resulting implications from the models with our cloud middleware solution, Context Aware Mobile Cloud Services (CAMCS) [1],currentlyunderdevelopment.Thiswillhighlighthowadisconnectedapproachfromthecloudcanbeofgreat beneﬁt to the conservation of resources on the mobile device, by minimising the usage of the scarcely available energy and bandwidth. This is enabled by the Cloud Personal Assistant (CPA) [2],acomponentofCAMCS,whichworkstocompleteuser tasks in the cloud in a disconnected fashion. We will also discuss how our middleware solution can avoid a large allocation of resources to the mobile cloud at the cloud server side, by the use of cloud services in SOA fashion, rather than allocation of entire virtual machines. We will present the results of several experiments performed with mobile devices, to derive a deci- sion model for data and task ofﬂoading to the CPA of a CAMCS user. This model considers the available resources and the nature of the data to be ofﬂoaded, as part of the ofﬂoad decision process, without requiring additional overhead from the mobile device. As a result of the adoption of these best practises and the derived model, our middleware can achieve the goal of efﬁcient resource management in the mobile cloud. To summarise, the contributions of this paper are: Examination of existing energy models for mobile devices applied to mobile cloud approaches. Examination of bandwidth utilisation for mobile cloud approaches. Examination of cloud infrastructure resource requirements for mobile cloud approaches. Devise best practises for managing and utilising the aforementioned resources. A no-overhead decision model for task and data ofﬂoading based on results from experiments performed on mobile devices. Highlight how our cloud middleware meets the best practice requirements outlined.The remainder of this paper is organised as follows; Section 2 looks at the related work. Section 3 introduces a model of our cloud middleware, CAMCS, along with the CPA component. Section 4 will analyse the energy resource management applied to existing solutions and our middleware. Section 5 will analyse bandwidth management applied to existing solu- tions and our middleware. Section 6 examines the cloud infrastructure resource considerations for the mobile cloud. Sec- tion 7 describes experiments performed to derive our ofﬂoad decision model for the mobile device, and presents the results of these experiments. Section 8,outlinesthederivedofﬂoaddecisionmodelbasedontheresultsoftheexperiments. Section 9 presents a discussi

การแปล กรุณารอสักครู่..

ผลลัพธ์ (ไทย) 2:[สำเนา]

คัดลอก!

วรรณกรรมต้องใช้อย่างต่อเนื่อง, การเชื่อมต่อที่มีคุณภาพสูงไปยังเมฆและเกี่ยวข้องกับจำนวนมากของการถ่ายโอนข้อมูล มีการพิจารณาทรัพยากรหลายอย่างที่เข้ามาเล่นเป็น ยกตัวอย่างเช่นการถ่ายโอนต่อเนื่องของข้อมูลระหว่างอุปกรณ์โทรศัพท์มือถือและระบบคลาวด์จะมีค่าใช้จ่ายพลังงานสูงจากแบตเตอรี่อุปกรณ์ ค่าใช้จ่ายนี้เติบโตเพียงว่าอุปกรณ์ที่ใช้เชื่อมต่อเครือข่ายโทรศัพท์มือถือเนื่องจากการเปลี่ยนแปลงในระดับสัญญาณพร้อมกับแบนด์วิธเครือข่ายตัวแปรและส่งผลให้อัตราข้อมูล มันอาจจะไม่เป็นไปได้สำหรับโทรศัพท์มือถือที่จะหมดพลังงานดังกล่าวอย่างต่อเนื่องในช่วงระยะเวลาของการปฏิสัมพันธ์เมฆ เป็นอีกหนึ่งตัวอย่างเช่นแบนด์วิดธ์ของการเชื่อมต่อเครือข่ายอาจแตกต่างกันในช่วงเวลาที่ระดับของประสิทธิภาพการทำงานจากที่เกิดข้อมูลอัตราไม่สามารถรับประกันได้ นี่คือลาดเทมีนัยสำคัญมากในพื้นที่ของการใช้งานในเวลาจริงที่แฝงน้อยที่สุดเป็นสิ่งสำคัญ ในฐานะที่เป็นงานชั้น oaded และการประยุกต์ใช้ดำเนินการเกี่ยวกับโครงสร้างพื้นฐานของเมฆเมฆทรัพยากรเช่นการจัดเก็บจะใช้ในการ compli- ment ทรัพยากรในท้องถิ่นของอุปกรณ์มือถือ การบริหารจัดการทรัพยากรที่จัดสรรให้กับระบบคลาวด์มือถือในพื้นฐานของโครงสร้างระบบคลาวด์ยังมีการจะนำมาพิจารณา ในฐานะที่เป็นโทรศัพท์มือถือเป็นอุปกรณ์คอมพิวเตอร์ส่วนบุคคลวิธีนี้แปลเป็นทรัพยากรของระบบคลาวด์สาธารณะเป็นสิ่งที่สำคัญ; วิธีการที่มีอยู่ได้เสนอส่วน oading ฟลอริด้าของการใช้งานระบบคลาวด์หรือแม้กระทั่งทั้งระบบปฏิบัติการมือถือ หากผู้ใช้โทรศัพท์มือถือของข้อมูลขนาดใหญ่และซับซ้อน FL OAD เพื่อสนับสนุนการดำเนินงานดังกล่าวแล้วการบริหารจัดการการใช้พลังงานและทรัพยากรทางกายภาพที่มีเมฆจะต้องเป็นปัจจัย วัตถุประสงค์ของการวิจัยนี้คือการออกแบบและตรวจสอบการปฏิบัติที่ดีที่สุดในการจัดการทรัพยากรในพื้นที่ของ cloud computing มือถือและจะได้รับแบบจำลองสำหรับข้อมูลและงานของฟลอริด้า oading ไปยังเมฆในขณะที่เมื่อพิจารณาจากทรัพยากรที่มีอยู่ จำกัด เราจะดูที่บางส่วนของวิธีการก่อนหน้านี้และรูปแบบการใช้พลังงานและการจัดการทรัพยากรแบนด์วิดธ์ในวรรณคดีวิจัยในบริบทของระบบคลาวด์โทรศัพท์มือถือ เราจะเพิ่มรูปแบบเหล่านี้กับการพิจารณาเมฆมือถือและนำไปใช้กับวิธีการที่มีอยู่ที่ได้รับการดำเนินการสำหรับการใช้งานระบบคลาวด์บนมือถือที่จะเข้าใจว่าวิธีการเหล่านี้ใช้ประโยชน์จากทรัพยากรที่มีการศึกษา จากนี้เราจะประดิษฐ์และไฮไลต์ที่ดีที่สุดวิธีปฏิบัติว่าการแก้ปัญหาในโดเมนเมฆมือถือควรนำมาใช้ในการบริหารจัดการทรัพยากรเหล่านี้ จากนั้นเราจะคมชัดวิธีการเหล่านี้และผลกระทบที่เกิดจากรุ่นที่มีวิธีการแก้ปัญหาของเราเมฆมิดเดิลแวร์บริบทตระหนักถึงบริการโทรศัพท์มือถือระบบคลาวด์ (CAMCS) [1], currentlyunderdevelopment.Thiswillhighlighthowadisconnectedapproachfromthecloudcanbeofgreat Bene Fi T เพื่อการอนุรักษ์ทรัพยากรบนอุปกรณ์มือถือโดยการลดการใช้งานของ พลังงานที่มีอยู่แทบและแบนด์วิดธ์ นี้จะเปิดใช้งานโดยผู้ช่วยกลุ่มส่วนบุคคล (CPA) [2], acomponentofCAMCS, whichworkstocompleteuser งานในระบบคลาวด์ในแฟชั่นถอด นอกจากนี้เรายังจะหารือถึงวิธีการแก้ปัญหามิดเดิลแวร์ของเราสามารถหลีกเลี่ยงการจัดสรรขนาดใหญ่ของทรัพยากรที่จะเมฆมือถือที่ฝั่งเซิร์ฟเวอร์คลาวด์โดยการใช้บริการคลาวด์ในแฟชั่น SOA มากกว่าการจัดสรรเครื่องเสมือนทั้งหมด เราจะนำเสนอผลการทดลองหลายดำเนินการกับโทรศัพท์มือถือที่จะได้รับรูปแบบไซออนได้ตัดสินใจสำหรับข้อมูลและงานของฟลอริด้า oading การสอบบัญชีรับอนุญาตของผู้ใช้ CAMCS ที่ รูปแบบนี้จะพิจารณาทรัพยากรที่มีอยู่และธรรมชาติของข้อมูลที่จะเป็นฟลอริด้า oaded เป็นส่วนหนึ่งของฟลอริด้าของกระบวนการตัดสินใจ OAD โดยไม่ต้องมีค่าใช้จ่ายเพิ่มเติมจากอุปกรณ์มือถือ อันเป็นผลมาจากการยอมรับของเหล่านี้ปฏิบัติที่ดีที่สุดและรูปแบบที่ได้รับการมิดเดิลแวร์ของเราสามารถบรรลุเป้าหมายของการ EF Fi ประสิทธิภาพการจัดการทรัพยากรในระบบคลาวด์บนมือถือ เพื่อสรุปผลงานของบทความนี้คือ
? การตรวจสอบรูปแบบการใช้พลังงานที่มีอยู่สำหรับอุปกรณ์มือถือนำไปใช้กับวิธีเมฆมือถือ ? การตรวจสอบการใช้แบนด์วิธสำหรับวิธีเมฆมือถือ ? การตรวจสอบความต้องการทรัพยากรโครงสร้างพื้นฐานคลาวด์สำหรับวิธีเมฆมือถือ ? ประดิษฐ์ปฏิบัติที่ดีที่สุดสำหรับการจัดการและการใช้ประโยชน์จากทรัพยากรดังกล่าวข้างต้น ? รูปแบบการตัดสินใจไม่มีค่าใช้จ่ายสำหรับงานและข้อมูลที่ฟลอริด้า oading ขึ้นอยู่กับผลจากการทดลองดำเนินการบนอุปกรณ์มือถือ ? . เน้นวิธีการมิดเดิลแวร์ของเราเมฆตรงตามความต้องการปฏิบัติที่ดีที่สุดที่ระบุไว้
ส่วนที่เหลือของบทความนี้มีการจัดระเบียบดังต่อไปนี้ ส่วนที่ 2 มีลักษณะที่เกี่ยวข้องกับงาน มาตรา 3 ให้นำเสนอรูปแบบของมิดเดิ้ลคลาวด์ของเรา CAMCS พร้อมกับส่วนประกอบสอบบัญชีรับอนุญาต มาตรา 4 จะวิเคราะห์การจัดการทรัพยากรพลังงานที่นำไปใช้ในการแก้ปัญหาที่มีอยู่และมิดเดิลแวร์ของเรา มาตรา 5 จะวิเคราะห์การจัดการแบนด์วิดธ์นำไปใช้กับการนำโซลูชันที่มีอยู่และมิดเดิลแวร์ของเรา มาตรา 6 ตรวจสอบการพิจารณาทรัพยากรโครงสร้างพื้นฐานคลาวด์สำหรับมือถือระบบคลาวด์ การ SEC-7 อธิบายการทดลองดำเนินการให้ได้มาซึ่งของเราของรูปแบบการตัดสินใจของฟลอริด้า OAD สำหรับอุปกรณ์มือถือและนำเสนอผลการทดลองเหล่านี้ มาตรา 8 outlinesthederivedof FL oaddecisionmodelbasedontheresultsoftheexperiments มาตรา 9 การจัด discussi

การแปล กรุณารอสักครู่..

ผลลัพธ์ (ไทย) 3:[สำเนา]

คัดลอก!

วรรณกรรมต้องต่อเนื่องคุณภาพสูง การเชื่อมต่อไปยังเมฆและเกี่ยวข้องกับจำนวนมากของการถ่ายโอนข้อมูล มีการพิจารณาทรัพยากรต่าง ๆ ที่เข้ามาเล่น ตัวอย่างเช่นการถ่ายโอนอย่างต่อเนื่องของข้อมูลระหว่างอุปกรณ์เคลื่อนที่และเมฆจะมาที่ราคาพลังงานสูงจากอุปกรณ์แบตเตอรี่ ต้นทุนนี้เติบโตเท่านั้น ถ้าเป็นอุปกรณ์ที่ใช้เชื่อมต่อเครือข่ายโทรศัพท์เคลื่อนที่ เนื่องจากการเปลี่ยนแปลงในระดับของสัญญาณ พร้อมกับใช้เครือข่ายแบนด์วิดธ์และผลคะแนนข้อมูล มันไม่อาจเป็นไปได้สำหรับอุปกรณ์มือถือเช่นท่อไอเสียพลังงานอย่างต่อเนื่องสำหรับระยะเวลาของเมฆ การเกิดปฏิกิริยา อีกตัวอย่างหนึ่ง เช่น แบนด์วิดธ์ของการเชื่อมต่อเครือข่ายอาจจะแตกต่างกันไปในช่วงเวลา ระดับของประสิทธิภาพจากผลคะแนนของข้อมูลไม่สามารถรับประกันได้ นี้มาก signi จึงไม่สามารถในส่วนของเรียลไทม์การใช้งานที่แฝงน้อยที่สุดเป็นสําคัญ เป็นﬂ oaded งานและโปรแกรมรันบนโครงสร้างพื้นฐานเมฆ , เมฆทรัพยากร เช่น กระเป๋าที่ใช้ compli การทรัพยากรท้องถิ่นของอุปกรณ์มือถือ โครงสร้างการจัดการทรัพยากรที่จัดสรรไปยังเมฆมือถือที่เมฆใต้ยังต้องได้รับการพิจารณาต่อไป เป็นโทรศัพท์มือถือเป็นอุปกรณ์คอมพิวเตอร์ วิธีนี้แปลว่าทรัพยากรของเมฆสาธารณะเป็นสำคัญ แนวทางที่มีอยู่มีการเสนอของﬂ oading บางส่วนของโปรแกรมเมฆหรือแม้กระทั่งทั้งมือถือระบบปฏิบัติการ ถ้าโทรศัพท์มือถือผู้ใช้ﬂโอ๊ตขนาดใหญ่และซับซ้อนของข้อมูลเพื่อสนับสนุนการดำเนินงานดังกล่าว จากนั้นการจัดการพลังงานและทรัพยากรทางกายภาพที่เมฆจะเป็นปัจจัย การวิจัยนี้มีวัตถุประสงค์เพื่อออกแบบและตรวจสอบการปฏิบัติที่ดีที่สุดในการจัดการทรัพยากรในพื้นที่ของคอมพิวเตอร์เมฆมือถือ และสร้างแบบจำลองข้อมูลและงานของﬂ oading ไปยังเมฆ , ในขณะที่การพิจารณาจำกัดของทรัพยากร เราจะดูที่บางส่วนของวิธีการเดิมและรูปแบบเพื่อให้พลังงานและการจัดการทรัพยากรแบนด์วิดธ์ในวรรณกรรม ในบริบทของเมฆเคลื่อนที่ เราจะเพิ่มรุ่นนี้ด้วยการพิจารณาเมฆเคลื่อนที่และใช้พวกเขาเพื่อที่มีอยู่ วิธีการที่ได้รับการถ่ายสำหรับการใช้งานเมฆมือถือ เข้าใจว่าวิธีเหล่านี้ใช้ทรัพยากรทางการศึกษา จากเรื่องนี้ เราจะคิดค้นและเน้นการปฏิบัติที่ดีที่สุดวิธีที่โซลูชั่นในเมฆมือถือโดเมนควรเลือกสำหรับการจัดการทรัพยากรเหล่านี้ เราก็จะคมชัดวิธีการเหล่านี้และผลกระทบที่เกิดจากโมเดลกับเมฆมิดเดิลแวร์โซลูชั่น บริบททราบมือถือเมฆบริการ ( camcs ) [ 1 ] , currentlyunderdevelopment.thiswillhighlighthowadisconnectedapproachfromthecloudcanbeofgreat ดีจึงต้องการอนุรักษ์ทรัพยากรบนอุปกรณ์มือถือ โดยการลดการใช้พลังงานและไม่ใช้ของแบนด์วิดธ์ เปิดใช้ตัวเลือกนี้ โดยเมฆ ผู้ช่วยส่วนตัว ( CPA ) [ 2 ] acomponentofcamcs whichworkstocompleteuser , งานในเมฆในการตัดแฟชั่น เราจะหารือถึงวิธีการแก้ปัญหาการตลาดของเราสามารถหลีกเลี่ยงการจัดสรรขนาดใหญ่ของทรัพยากรเมฆเมฆมือถือที่ฝั่งเซิร์ฟเวอร์ โดยการใช้บริการเมฆ SOA แฟชั่นมากกว่าการจัดสรรเครื่องเสมือนทั้งหมด พวกเราจะนำเสนอผลการทดลองหลายกับโทรศัพท์มือถือที่จะได้รับดังนั้นรูปแบบไซออนสำหรับข้อมูลและงานของﬂ oading กับ CPA ของผู้ใช้ camcs . รูปแบบนี้จะพิจารณาทรัพยากรที่มีอยู่และลักษณะของข้อมูลที่จะﬂ oaded , เป็นส่วนหนึ่งของﬂโอ๊ต กระบวนการตัดสินใจ โดยค่าใช้จ่ายเพิ่มเติมจากอุปกรณ์มือถือ ผลของการใช้รูปแบบเหล่านี้และที่ดีที่สุด และมิดเดิลแวร์ของเราสามารถบรรลุเป้าหมายของ EF จึง cient การจัดการทรัพยากรในเมฆเคลื่อนที่ เพื่อสรุป , ผลงานของบทความนี้คือ :การตรวจสอบแบบจำลองพลังงานที่มีอยู่สำหรับอุปกรณ์มือถือที่ใช้กับแนวเมฆเคลื่อนที่ การตรวจสอบแบนด์วิดธ์การใช้เมฆเคลื่อนเข้าใกล้ การตรวจสอบความต้องการทรัพยากรโครงสร้างพื้นฐานเมฆเมฆเคลื่อนเข้าใกล้ ประดิษฐ์ที่ดีที่สุดสำหรับการจัดการและการใช้ทรัพยากรดังกล่าว ไม่ค่าใช้จ่ายการตัดสินใจรูปแบบงานและข้อมูลﬂ oading ขึ้นอยู่กับผลลัพธ์จากการทดลองบนอุปกรณ์มือถือ เน้นวิธีการตัวกลางเมฆของเราตรงกับความต้องการของการปฏิบัติที่ดีที่สุดที่ระบุไว้ .ส่วนที่เหลือของบทความนี้คือจัดดังนี้ ส่วนที่ 1 ลักษณะงานที่เกี่ยวข้อง ส่วนที่ 3 แนะนำรูปแบบของตัวกลางเมฆของเรา camcs พร้อมกับ CPA เป็นส่วนประกอบ มาตรา 4 จะวิเคราะห์การบริหารทรัพยากรพลังงานที่มีอยู่และใช้โซลูชั่นการตลาดของเรา ส่วนที่ 5 จะวิเคราะห์การจัดการแบนด์วิดธ์ที่ใช้ที่มีอยู่ซูลู - ใช้งานและการตลาดของเรา มาตรา 6 การตรวจสอบทรัพยากรโครงสร้างพื้นฐานเมฆโดยเมฆเคลื่อนที่ วินาที - tion 7 อธิบายการทดลองเพื่อให้ได้ของแบบจำลองการตัดสินใจโอ๊ตﬂสำหรับอุปกรณ์มือถือ และเสนอผลการทดลองเหล่านี้ มาตรา ๘ outlinesthederivedof ﬂ oaddecisionmodelbasedontheresultsoftheexperiments . secti

การแปล กรุณารอสักครู่..

ภาษาอื่น ๆ

การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.