云计算的架构及核心技术

第４期　薛慧丽：云计算的架构及核心技术　．６５．　的相关数据，有针对、有目的地将不同用户所使用的不同资　源或者不同服务进行有效统计，并通过完善、详细的报表形　式向各个用户收取准确费用。　１．２．２机制层　要对云计算进行有效的管理，就离不开云管理的机制　层。如果没有云管理机制的有效运维与整体部署，云计算中　心内部就不可能拥有更安全、更环保、更自动的现代管理。　和上面的用户层一样，机制层也包含了四个模块：运维管理、　资源管理、安全管理和容灾支持。其中，机制层的运维系统　越强健，自动化程度越高，云计算的运行就会越出色。资源　管理模块主要是对服务器、存储设备、网络设备等物理节点　的管理，其功能分别表现为自动部署、资源调度、资源池管理　等三个方面。而安全管理模块主要实现对用户账号、数据以　及服务平台上的各种应用等ＩＴ资源的全面保护，并且能够　保证云上的各种基础设施以及云中心所提供的各种资源，可　以由用户合法地访问和使用，另外更重要的还要使这些设施　和资源免受犯罪分子、恶意程序的侵害。安全管理模块在具　体细分上则有访问授权、数据加密、数据备份、安全审计、安　全策略、物理安全、网络隔离等七种机制。最后的容灾支持　就主要涉及了数据中心级别和物理节点级别两个层面。　１．２．３检测层　这一层涉及到云计算中心各个方面的检测与监控，其主　要功能是采集各种相关数据，以供应云管理中的用户层和机　制层的选择和使用。对云计算中心的检测与监控主要牵涉　三个层面。一是物理资源层，主要任务是检测与监控物理资　源的运行状况，比如ＣＰＵ使用率、内存利用率和网络带宽利　用率等；二是虚拟资源层，主要任务是检测与监控虚拟机的　ＣＰＵ使用率和内存利用率等；三是应用层，主要任务是检测　与记录每个应用每次请求的响应时问（Ｒｅｓｐｏｎｓｅ　Ｔｉｍｅ）和吞　吐量（Ｔｈｒｏｕｇｈｐｕｔ），以判断相关应用是否可以满足预先设定　的ＳＬＡ（Ｓｅｒｖｉｃｅ　Ｌｅｖｅｌ　Ａｇｒｅｅｍｅｎｔ，服务级别协议）。　２云计算的核心技术　云计算系统运用了多种实用技术，最为关键的则有五　种，分别是：ＭＡＰ—Ｒｅｄｕｃｅ编程模型、海量数据分存技术、海　量数据管理技术、虚拟化技术和云计算平台管理技术。下面　即对这五大核心技术进行重点研究，并给出综述。　２．１　ＭＡＰ—Ｒｅｄｕｃｅ编程模型　云计算中编程模型的最高原则与要求就是简单易用。　编程模型只有简单，用户的操作才会轻松，编程模型也只有　易用，用户才能享受到云服务的更大便利，才能对其善加利　用，并根据自己的某种特定需要或某个特定目的编写一些简　单而且易于实现的小程序，但是前提却必须对用户和编程人　员保证后台复杂任务调度和并行执行的完全透明。　例如，针对用户大规模数据集（大于１ＴＢ）的并行运算，　Ｇｏｏｇｌｅ公司就开发了ｊａｖａ、Ｐｙｔｈｏｎ、Ｃ＋＋等编程模型，这不仅　是一种简化了的分布式编程模型，而且也是一种高效的任务　调度模型。云计算环境下的编程在严格、良好、实用的编程　模型的支持下即变得十分简单、便捷。Ｍａｐ—Ｒｅｄｕｃｅ编程模　型就是基于Ｍａｐ（映射）和Ｒｅｄｕｃｅ（化简）的理论和技术对要　执行的问题予以分解，其中的Ｍａｐ程序将相关数据区进行块　式切割，并调度或分配给大量的计算机实现相应的数据处　理，进一步地Ｒｅｄｕｃｅ程序即将分布式运算所得到的结果进　行汇总与输出。　正是因为ＭＡＰ—Ｒｅｄｕｃｅ存在着严格、良好、实用等许多　优势，可以使云用户享受到更简单、易用、便捷的服务，为此　几乎所有的ＩＴ厂商当前采用的编程模型，都是基于ＭＡＰ—　Ｒｅｄｕｃｅ的先进思想而开发得到的编程工具。Ｍａｐ—Ｒｅｄｕｃｅ　编程模型不仅对云计算来说高度适用，而且对多核、多处理　器、ｃｅｌｌｐｒｏｃｅｓｓｏｒ、异构机群也具有良好的适用性，并表现了与　云计算同样良好的性能。Ｍａｐ—Ｒｅｄｕｃｅ编程模型的缺点则　是只适用于内部松耦合的编写任务，以及能够高度并行化的　程序。所以改进编程模式，使其也可适用于内部紧耦合的编　写任务，并且能够更为高效地调度和执行任务，就成为Ｍａｐ　—Ｒｅｄｕｃｅ编程模型在未来很长一段时间内研究及发展的重　要方向。　２．２海量数据分存技术　数据量的发展已不容忽视，目前的数据库技术已经无法　应对这些蜂拥而至的数据浪潮，并且在各个领域均呈现严峻　的挑战趋势。这就是人们积极寻找构建新的云存储，即云数　据库的原因，期待藉此来容纳海量数据。现有的云数据库系　统大体可划分为三类：一类是基于Ｇｏｏｇｌｅ开创的ＧＦＳ　（Ｇｏｏｇｌｅ　Ｆｉｌｅ　Ｓｙｓｔｅｍ谷歌文件系统）　，主要运用了分布式储　存的方式；另一类是以ＤＹＮＡＭＯ为主体，采用了Ｐ２Ｐ处理结　构；第三类则是Ｈａｄｏｏｐ团队开发的ＨＤＦＳ（Ｈａｄｏｏｐ　Ｄｉｓｔｒｉｂｕｔｅｄ　Ｆｉｌｅ　Ｓｙｓｔｅｍ，Ｈａｄｏｏｐ分布式文件系统）　。大部分ＩＴ厂商，　包括ｙａｈｏｏ、Ｉｎｔｅｌ的“云”计划采用的都是ＨＤＦＳ的数据存储　技术。迄至目前为止，该领域开发的具有代表性的云数据库　系统主要有：ＨＡＤＯＯＰＤＢ、ＨＢＡＳＥ和ＣＡＳＳＡＮＤＲＡ。　当前，数据管理面临的挑战在于：如何去应对不断发展　的数据规模，如何提供一种良好的可扩展性，并且如何提供　一种有着良好成本效益的服务，同时如何去支持在这种模式　下具备的良好容错能力，以及形成一种可持续研发的机制。　因此未来的数据管理系统，其主要的研究方向即定位在：可　扩展性、成本效益和容错性，持续的简化能力和易于管理等　等，更重要的还有构造的云数据管理必须能支持多种形式的　应用，但这却是一个很复杂的问题，因为每种应用需求都不　一样，目前构建的云存储只是针对某种应用或者某种情况而　具体设置的，带有一定的局限性，所以支持多种形式的应用　将是云数据库研究的核心重点内容。　２．３海量数据管理技术　海量的数据应该怎样进行处理、分析，这就是云计算数　据管理技术必须解决的重要问题。而海量的数据集群要怎　样才能更好、更快地找到某个特定的数据，则成为云计算数　据管理技术首要攻关的技术难题。云计算的最大特点就是　对自身存储的海量数据，需要进行大规模的读取、处理和分　析，也就是说云数据的读操作频率非常之高，所以云计算海　量数据的管理其实就是一种读优化的数据管理模式。　在目前，云计算的海量数据管理技术主要包括由Ｇｏｏｇｌｅ　・６６・　智能计算机与应用　第４卷　公司开发的ＢＴ（Ｂｉ　ｇＴａｂｌｅ）数据管理技术，以及由Ｈａｄｏｏｐ团　队开发的开源数据管理技术（ＨＢａｓｅ）。针对ＢｉｇＴａｂｌｅ，Ｇｏｏｇｌｅ　公司给出了如下定义：ＢｉｇＴａｂｌｅ是一种为了管理结构化数据　（３）有利于节能、环保。在线迁移技术还可将零散、空闲　的虚拟机予以集中，并进行充分利用，而在虚拟机运行与工　作的同时，部分的物理机则可相应地关闭或进入休眠，从而　达到节能、环保的目的。　而设计的分布式存储系统，这些数据可以扩展到非常大的规　模，例如在数干台商用服务器上达到ＰＢ（Ｐｅｔａｂｙｔｅｓ）规模的数　据。实际上，云计算海量数据的管理就是一种读优化的数据　此外，在线迁移技术还可以在不影响服务质量的情况下　对云计算的数据中心进行全面的优化和管理。　２．４．２虚拟机快速部署技术　管理模式，所以ＢｉｇＴａｂｌｅ需解决的关键问题就是采用列存储　的方式，对海量数据的读操作进行最大限度的优化，从而最　充分地提高海量数据的准确读取率。ＢｉｇＴａｂｌｅ管理的数据存　针对怎样的速度才算快这一实际问题，Ｌａｇａｒ—Ｃａｖｉｌｌａ等　人研究了分布式环境下的并行虚拟机ｆｏｒｋ技术　，这种技术　储结构为：＜ｒｏｗ：ｓｔｒｉｎｇ，ｃｏｌｕｍｎ：ｓｔｒｉｎｇ，ｔｉｍｅ：ｉｎｔ６４＞ｓｔｒｉｎｇｏ　其中的基本元素是：行、列、记录板和时间戳。由此可以非常　清楚地看出，数据库领域中的列存储数据管理模式就是云计　算系统海量数据管理所采用的核心技术，也就是将云上的海　量数据按列划分后，再进行有序存储。　综上所述，云计算海量数据管理技术在未来的发展进程　中需要解决的关键问题则是应如何提高列存储方式的数据　更新速率和随机读取速率。　２．４虚拟化技术　虚拟化技术不仅是云计算基础设施服务层（ＩａａＳ）的重　要组成部分，而且更是云计算所表现出来的最为重要的特　性。根据对象的不同，云计算系统中的虚拟化技术可分为计　算虚拟化、存储虚拟化、网络虚拟化等。其中，计算虚拟化还　可进一步细分为应用虚拟化、系统虚拟化及桌面虚拟化。鉴　于海量数据为云计算提供了规模庞大的各种资源，为了使基　础设施服务实现按需分配，最有效的解决方法就是采用虚拟　化技术。虚拟化技术最强大的作用就在于可以让软件应用　与底层硬件彼此隔离的情况下，不但可以通过裂分模式实现　将单个资源划分为多个虚拟资源，还可以通过聚合模式实现　将多个资源接合成一个虚拟资源。在这里主要介绍虚拟机　在线迁移技术和虚拟机快速部署技术。　２．４．１　虚拟机在线迁移技术　在线迁移技术是在２００５年由Ｃｌａｒｋ等人提出的一种具　有重大意义的ＩＴ技术，当时主要是采用了迭代的预复制（ｐｒｅ　—ｃｏｐｙ）策略进行迁移的。虚拟机的在线迁移技术对整个云　计算系统的有效管理，以及云平台中各种服务的实现都具有　决定性的重要意义。所谓在线迁移就是指虚拟机在运行状　态下实现从这台物理机移动到另一台物理机上的技术。该　技术主要有以下三个优点，分别是：　（１）有利于提高云系统的可靠性。这种可靠性主要体现　在两个方面，一是当物理机要进行维护时，在线迁移技术可　以将该物理机的虚拟机转移到另外的物理机上。二是当主　虚拟机发生异常或出现错误时，在线迁移技术可将云服务无　缝切换至备份虚拟机，Ｒｅｍｕｓ系统即是实现虚拟机在线备份　的先行者。这一技术最可称道之处就是当主虚拟机出现异　常或错误时，系统的无缝切换不但不会影响任务的执行，而　且还将提高系统的可靠性。　（２）有利于优化性能、均衡负载。当物理机的负载过重　时，在线迁移技术可以将过重的负载进行部分转移，此时的　虚拟机即起到了均衡负载，优化性能的作用。　最大限度可以在１Ｓ内完成３２台虚拟机的快速部署。　一般情况下，传统的虚拟机部署要经过创建虚拟机、安　装操作系统与应用程序、配置主机属性（如网络、主机名等）、　启动虚拟机等四个阶段，这就导致部署速度太慢，完全达不　到云服务的高强度、高弹性的性能要求。于是因为受到操作　系统ｆｏｒｋ原语的启发，即有学者提出了基于ｆｏｒｋ思想的虚拟　机部署方式，也就是利用父虚拟机迅速克隆出大量子虚拟机　的部署方式。基于ｆｏｒｋ思想方式下的子虚拟机可以完全继　承父虚拟机的所有内存状态信息，还可以在创建后即时可　用。快速部署技术最需要解决的就是速度，为此当虚拟机要　进行大规模的部署时，可以并行创建多个子虚拟机，而且能　在不依赖于父虚拟机的情况下，维持其独立的内存和空间。　为了进一步提高速度，就要减少文件的复制开销，“写时复　制”（ＣＯＷ：ｃｏｐｙ—Ｏｉｌ—ｗｒｉｔｅ）技术则提供了该问题的解决之　道：子虚拟机在执行“读操作”与“写操作”时，将会判断该文件　是否已被更新，若已更新即将更新后的文件写入本机磁盘。　基于ｆｏｒｋ思想的虚拟机部署技术是一种即时（Ｏｉｌ—ｄｅ—　ｍａｎｄ）部署技术，虽然提高了部署速度与执行效率，但通过这　种技术所部署的子虚拟机却不能实现持久性保存。　２．５云计算平台管理技术　因为云计算所聚集的资源非常之多，要处理的数据更是　非常庞大，所以云计算系统需要的服务器数量也是非常惊人　的，并且这些服务器都可能放置在不同的地点，还要同时运　行着成百上千种不同的应用。怎样才能更有效地管理这众　多的服务器，怎样才能更好地保证整个系统随时随地都能提　供不间断的云服务，这对于云计算来说是一个堪称严峻的巨　大挑战。云计算平台管理技术所要解决的最为关键的问题　就是怎样才能使众多的服务器可以协同工作，从而以最便捷　方式的进行各种业务部署，并以最快的速度发现和恢复系统　的故障，再通过智能化、自动化的手段使规模庞大的系统实　现并获得最可靠、稳定的运营。　云计算管理系统中至为关键的一环是如何解决系统的　可扩展性问题。系统的可扩展性包含两个维度。第一个维　度是节点规模的可扩展性，管理系统应该能够管理几万甚至　几十万节点规模的云计算平台；第二个维度是网络拓扑的可　扩展性，由于监控系统、部署系统等模块需要通过多种网络　协议直接对硬件资源进行管理，因此管理系统必须能够适应　各种不同的网络拓扑结构，甚至能够管理跨数据中心的云计　算平台。　搭建一套云计算平台，强大的监控管理系统是必不可少　第４期　薛慧丽：云计算的架构及核心技术　・６７・　的。当然，任何工具都不是万能的，专业人员在实际维护过　程中发现，云计算平台管理的三大利器Ｎａｇｉｏｓ、Ｇａｎｇｌｉａ和　明显，比如数据的隐私问题、信息的安全问题、软件的许可证　问题、网络的传输速度问题等等，而这些都需要ＩＴ业界公司　在今后的产业化进程中对其不断地发展和完善，从而避免一　些不必要纠纷与问题的发生。　Ｓｐｌｕｎｋ也经常会出现误报，如果规则定义得不好，大量的警　报邮件将如潮水一样涌来，反而掩盖了真正的问题。可以　说，在云计算平台的运维管理上，表现了明显的动态性质，也　就是随着规模的不断增大和应用的日益多样，还需要进一步　地实践和不断总结　Ｊ。　参考文献：　［１］ＭＥＬＬＰ，ＧＲＡＮＣＥ．ＴｈｅＮＩＳＴ　ｄｅｉｆｎｉｔｉｏｎ　ｏｆ　ｃｌｏｕｄ　ｃｏｍｐｕｔｉｎｇ［Ｒ］．Ｎａ—　ｔｉｏｎａｌ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｓｔａｎｄａｒｄｓ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，２０１　１．　３云计算的挑战与机遇　我国《北京“祥云工程”行动计划》提出将在２０１５年，使　“云计算”的三类典型服务——基础设施服务、平台服务及软　件服务形成５００亿元产业规模，由此带动云计算产业链形成　２　０００亿元产值　。据ＩＤＣ预测，用于云计算服务上的支出　在接下来的５年间可能会出现３倍的增长，２０１２年可达４２０　亿美元的市场规模，并占据ＩＴ支出增长总量的２５％份额。　Ｇａｒｔｎｅｒ公司也同时预测，云计算服务将在２０１４年得到强势　增长，全球云计算服务市场营收总额将达到１　０００亿英　镑　。这一切均已表明，云计算已经成为ＩＴ产业未来发展　的重要趋势和潮流方向。如今，亚马逊的云计算系统已经完　成了从理论到应用的转化，其云计算部门（Ａｗｓ）２０１０年的　销售收入即已达到５亿美元，２０１１年的销售收入也达到了　［２］ＧＩＬＬＥＮＡ，ＢＲＯＵＳＳＡＲＤＦＷ，ＰＥＲＲＹ　Ｒ，ｅｔ　ａｔ．Ｏｐｔｉｍｉｚｉｎｇ　ｉｎｆｒｓａｔｎｃｒ－　ｔｕｒｅ：ｔｈｅ　ｒｅｌａｔｉｏｎｓｈｉｐ　ｂｅｔｗｅｅｎ　ｉｔ　ｌａｂｏｒ　ｃｏｓｔｓ　ａｎｄ　ｂｅｓｔ　ｐｒａｃｔｉｃｅｓ　ｆｏｒ　ｍａｎ一　ｎｇ　ｔｈｅ　ｗｉｎｄｏｗｓ　ｄｅｓｋｔｏｐ［ＥＢ／ＯＬ］．ｈｎｐ：／／ｄｏｗｎｌｏａｄ．Ｍｉｃｒｏｓｏｆｔ．　ｃｏｒｎ／ｄｏｗｎｌｏａｄ／ａ／４／４／ａ４４７４ｂ０ｃ—．５７ｄ８＿—．４１　ａ２—．ａｆｅ６—．　３２０３７ｆａ９３ｅａ６／ＩＤＣ—ｗｉｎｄｅｓｋｔｏｐＩＯｗｈｉｔｅｐａｐｅｒ．ｐｄｆ　２００７．　［３］ＧＨＥＭＡＷＡＴ　Ｓ，ＧＯＢＩＯＦＦ　Ｈ，ＬＥＵＮＧ　Ｐ—Ｎ—Ｔ．Ｔｈｅ　Ｇｏｏｇｌｅ　ｆｉｌｅ　ｓｙｓｔｅｍ［ｃ　Ｊ／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　Ｎｉｎｅｔｅｅｎｔｈ　ＡＣＭ　Ｓｙｍｐｏｓｉｕｍ　ｏｎ　Ｏｐ—　ｃｒａｔｉｎｇ　Ｓｙｓｔｅｍｓ　Ｐｒｉｎｃｉｐｌｅｓ，Ｏｃｔ．２００３．　［４］Ｈａｄｏｏｐ：ｈｔｔｐ：／／ｈａｄｏｏｐ．ａｐａｃｈｅ．ｏｒｇ／．　［５］ＡＮＤＲＨ，ＬＡＧＡＲ—ＣＡＶＩＬＬＡＳ，ＷＨＩＴＹＪＡ，ｅｔ　ａｔ．Ｓｎｏｗ　Ｆｌｏｃｋ：ｖｉｒｔｕａｌ　ｍａｃｈｉｎｅ　ｃｌｏｎｉｎｇ　ａｓ　ａ　ｉｆｒｓｔ　ｃｌａｓｓ　ｃｌｏｕｄ　ｐｉｒｍｉｔｉｖｅ［Ｊ］．ＡＣＭ　Ｔｒａｎｓ　Ｃｏｍ—　ｐｕｔ　Ｓｙｓｔ，２０１１，２９（１）：１—４５．　［６］张志宏．云计算平台管理系统的研究与实现［Ｊ］．电信工程技术　与标准化，２０１２（４）：２１—２５．　［７］新华网［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｎｅｗｓ．ｘｉｎｈｕａｎｅｔ．ｃｏｍ／２０１０—１０／０６／ｃ一　１２６３２８８１．ｈｔｍ．　７．５Ｏ亿美元，到２０１４年，亚马逊ＡＷＳ部门的销售收入可将　达到大约２５亿美元。　４结束语　虽然云计算模式拥有众多优点，但是存在的问题也非常　［８］ｅＮｅｔ硅谷动力［ＥＢ／ＯＬ］．ｈｔｔｐ：／／ｗｗｗ．ｅｎｅｔ．ｃｏｎｒ．ｅｎ／ａｒｔｉｃｌｅ／２０１　Ｏ／　０６２４／Ａ２０】００６２４６７４３７６．ｓｈｔｍｌ　（上接第６２页）　［１３］ＫＡＲＡＭＳＨＵＫ　Ｄ，ＮＯＵＬＡＳ　Ａ，ＳＣＥＬＬＡＴＯ　Ｓ，ｅｔ　ａ１．Ｇｅｏ—ｓｐｏｔ—　ｔｉｎｇ：ｍｉｎｉｎｇ　ｏｎｌｉｎｅ　ｌｏｃａｔｉｏｎ—ｂａｓｅｄ　ｓｅｒｖｉｃｅｓ　ｆｏｒ　ｏｐｔｉｍａｌ　ｒｅｔａｉｌ　ｓｔｏｒｅ　［１６］ＹＯＯＮ　Ｈ，ＺＨＥＮＧ　Ｙ，ＸＩＥ　Ｘ，ｅｔ　１ａ．Ｓｏｃｉｌａ　ｉｔｉｎｅｒａｒｙ　ｒｅｃｏｍｍｅｎｄａ．　ｔｉｏｎ　ｆｒｏｍ　ｕｓｅｒ—ｇｅｎｅｒａｔｅｄ　ｄｉｇｉｔａｌ　ｔｒａｉｌｓ［Ｊ］．Ｐｅｒｓｏｎａｌ　ａｎｄ　Ｕｂｉｑｕｉｔｏｕｓ　Ｃｏｍｐｕｔｉｎｇ，２０１１．　ｐｌａｃｅｍｅｎｔ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１９　ＡＣＭ　ＳＩＧＫＤＤ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｋｎｏｗｌｅｄｇｅ　Ｄｉｓｃｏｖｅｒｙ　ａｎｄ　Ｄａｔａ　Ｍｉｎｉｎｇ，ＫＤＤ’１３，　ＡＣＭ，Ｎｅｗ　Ｙｏｒｋ，ＮＹ，ＵＳＡ，２０１３：７９３—８０１．　［１７］ＺＨＥＮＧ　Ｙ，ＺＨＡＮＧ　Ｌ，ＭＡ　ｚ，ｅｔ　１ａ．Ｒｅｃｏｍｍｅｎｄｉｎｇ　ｆｉｒｅｎｄｓ　ａｎｄ　ｌｏ—　ｃａｔｉｏｎｓ　ｂａｓｅｄ　ｏｎ　ｉｎｄｉｖｉｄｕａｌ　ｌｏｃａｔｉｏｎ　ｈｉｓｔｏｒｙ『Ｊ］．ＡＣＭ　Ｔｒａｎｓ．　Ｗｅｂ５，２０１１，５：１—５，４４．　［１４］ＹＵＡＮ　Ｊ，ＺＨＥＮＧ　Ｙ，ＸＩＮＧ　Ｘ．Ｄｉｓｃｏｖｅｉｒｎｇ　ｒｅｇｉｏｎｓ　ｏｆ　ｄｉｆｆｅｒｅｎｔ　［１８］ＺＨＥＮＧ　Ｙ，ＸＩＥ　Ｘ．Ｌｅａｎｉｒｎｇ　ｔｒａｖｅｌ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ　ｆｒｏｍ　ｕｓｅｒ—　ｇｅｎｅｒａｔｅｄ　ｇｐｓ　ｔｒａｃｅｓ［Ｊ］．ＡＣＭ　Ｔｒａｎｓ．Ｉｎｔｅｌ１．Ｓｙｓｔ．Ｔｅｃｈｎｏ１．２，　２０１１，２：１～２，２９．　ｆｕｎｃｔｉｏｎｓ　ｉｎ　ａ　ｃｉｔｙ　ｕｓｉｎｇ　ｈｕｍａｎ　ｍｏｂｉｌｉｔｙ　ａｎｄ　ｐｏｉｓ［Ｃ］／／ＫＤＤ，　２０１２．　［１５］ＹＯＯＮ　Ｈ，ＺＨＥＮＧＹ，ＸＩＥＸ，ｅｔ　ａ１．Ｓｍａｒｔｉｔｉｎｅｒａｒｙ　ｂａｓｅｄ　ｏｎ　ｕｓｅｒ～　ｇｅｎｅｒａｔｅｄ　ｇｐｓ　ｔｒａｊｅｃｔｏｒｉｅｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　７　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｕｂｉｑｕｉｔｏｕｓ　Ｉｎｔｅｌｌｉｇｅｎｃｅ　ａｎｄ　Ｃｏｍｐｕｔｉｎｇ，ＵＩＣ’１０，　Ｓｐｒｉｎｇｅｒ—Ｖｅｒｌａｇ，Ｂｅｒｌｉｎ，Ｈｅｉｄｅｌｂｅｒｇ，２０１０：１９—３４．　［１９］ＺＨＥＮＧ　Ｖ　Ｗ，ＺＨＥＮＧ　Ｙ，ＸＩＥ　Ｘ，ｅｔ　ａ１．Ｃｏｌｌｂｏａｒａｔｉｖｅ　ｌｏｃａｔｉｏｎ　ａｎｄ　ａｃｔｉｖｉｔｙ　ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ　ｗｉｔｈ　ｇｐｓ　ｈｉｓｔｏｒｙ　ｄａｔａ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　１９　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｗｏｒｌｄ　ｗｉｄｅ　ｗｅｂ，ＷＷＷ’１０，　ＡＣＭ，Ｎｅｗ　Ｙｏｒｋ，ＮＹ，ＵＳＡ，２０１０：１０２９—１０３８．