文献阅读一

主要对《Pervasive Computing at Scale: Transforming the State of the Art 》的翻译和理解

题目理解：从题目可以看出本文说的是普适计算，但是与一般普适计算不同在于，文章关心有规模的普适计算，什么意思呢？后面会说明。还可以从题目看出，本文主要阐述从一般普适计算到有规模普适计算转变的最先进技术。

从摘要也能看出，文中重点说些先进的发展技术，之后会提出对未来该领域（有规模普适计算）的展望，以及有可能遇到的问题，鼓励更多的人们参与其中。

背景介绍：一些技术的发展（传感器、嵌入式设备、智能手机、无线网络、数据挖掘、云计算和社交网络等）使得普适计算愈发成熟，如得益于智能手机的测试平台，智能家居、人体区域网路、健康监测、移动社交媒体等。其中，智能设备通信技术、资源发现、信息融合、传播和路由，定位，跟踪，行为识别等技术功不可没。然而，这里面存在的主要问题就是规模太小，对现阶段无孔不入的大数据、云计算等海量数据处理概念来说，一般普适计算的确不能满足发展的需求。所以就提出了有规模的普适计算。“at Scale”个人翻译为有规模，比较倾向于一种层次变化，而不是像数据一样像云、海一样爆发，普适计算的转变应该有一种渐进的发展脉络。

1 什么是有规模的普适计算

一般的物理网络系统包含计算机、以信息为中心的物理和工程系统集成为通信、计算、控制系统，强调不探索人类情景。所以，普适计算与之区别于集中关注感知、交互和帮助个人或群体。这种关注又不能很明显，普适计算希望创造一种环境，嵌入网络设备来帮助人们提高生活质量而又不能让人们感受到底层通信和计算技术。总之，就是不被人们觉察的通信计算行为。

核心的普适计算技术在过去二十多年已经比较成功了，因此适时提出pervasive computing at scale（有规模普适计算PeCS）。这个概念提出是指普适计算在效率和功能上的扩展。但还是要注意系统性能扩展会带来开销的增长。

当然，并不是所有的普适计算的程序都适合或者都需要扩展。在未来，比较有意义的扩展，现阶段的应用如追踪个人，分析其行为模式，就可以扩展到大城市区域，像智慧城市和智慧社区，研究大区域的行为信息趋势。还有当前的智慧车辆，将来就可能扩展成整个国家的交通系统中。其中固然存在很多挑战，但是物联网和移动社交网络有帮助PeCS解决这些问题的潜能。

2 PeCS发展现状

1）优势：

Ø 微型化和便携设备的发展，功能越来越多。

Ø 参与者越来越多，诸如手机这样的智能移动便携设备，即使低收入的人群也能拥有。

Ø 设备的使用成本不高，应用程序稳步增加。应用程序设计上也越来越贴合人们期望，方面人们使用。

2）问题：

Ø PeCS设备通信和收集信息时，需要人们手动处理，给人们带来负担。

Ø 侵犯隐私和安全问题

Ø 设备的能量收集问题

Ø 设备普及带来的浪费资源现象，如手机更新换代迅速造成手机还能用就丢弃

Ø 并不是所有研究中心或者研究团体都支持

3 PeCS子领域

3.1 个人和群体模型的扩展

普适计算设备的快速发展带来了大规模传感器被部署，这样大量数据就需要被提取相关信息来分析。数据挖掘和机器学习可以提取重要的相关信息，来建立数据模型，帮助处理数据。新的算法、方法理论被应用建立人们的行为模型，可以分析生理和心理的如动作、情绪、身体举止、手势、监测异常行为等，但这些局限于数据的收集是来自实验研究，或者是可控制的真实现实世界的数据。因此，下一阶段的普适计算中，跨学科多领域的合作，需要研究最新技术解决真实现实世界的大规模数据和用户问题。

（1） 大规模数据集

大规模数据收集问题，可通过多模态收集（如视觉、音频、可穿戴设备、手机、环境传感器等）。需要规范统一数据格式和融合异质数据的技术。

动态收集数据，PeCS趋于随着时间收集数据，因而模型也需要可以捕获用户和设备或者其他用户交互的动态行为的演化模式。这很像在心理学和社会学中的研究。

大规模数据收集还带来标注问题，数据标签的代价很昂贵，采用众包和交互式机器学习算法可以起到一定作用。

（2）获取情景

情景分类很多：

computing/communication context (network connectivity, communication costs, resource accessibility), user context (user profile, location, activity, social situation, preference), physical context (lighting, temperature, noise, traffic conditions), or time context (hour of day, day of week, season, year) 

分析预测情景难度：需要从大量数据中学习相关情景以及隐私和安全问题。情景数据来源于大量设备，目前采用传感器信息融合技，把不同来源的信息整合成一个精确可用的情景描述。一个新方向是希望发展普适计算技术，提供情景信息和机制，再将这些信息整合到传统的用户模型范例中。

（3）从海量、有噪数据中学习

数据的收集来自大量设备而且环境迥异，因此，需要需要高性能算法来实时处理信息。压缩感知在信号处理方面及机器视觉领域都可以提供这样的算法。机器学习基于不充分，不完整和噪声数据样本来做决策的算法和PeCS的这个场景很类似，因此可以设计研究健壮性更强的机器学习算法。

（4）合并社交网络数据

 社交网络了需要一种度量来评估网络结构的连通性和社会关系的强度。普适计算设备通过社会交互的感知提供一种直接的度量。个人认为比如使用手机设备的通话记录查看好友社交圈，或者蓝牙之类的。社交网络建模给PeCS也提出了新的契机，如交互建模可以帮助小朋友防止自闭或者判断是否有被欺负。还有可以促进健康行为，比如提供情景的建议，跑步计步器之类的吧。

3.2 PeCS设备扩展

这里是说不仅真的物理设备，比如传感器、手机这些可以作为PeCS的设备，可以扩展我们生活中存在的任何对象作为PeCS设备。这些对象是我们常见或熟悉的如建筑物之类的，他们不仅可以注册，还可以记录历史交互信息也可以通过网络路由重要信息。大规模部署智能对象会深刻影响我们的生活。虽然开发和设计这样的智能对象和嵌入式设备的能力和条件在提高，但是还是有一些概念性的问题值得讨论。

（1）智能对象的构造

几个问题：

1）如何在智能对象之间设计可扩展的通信架构？

2）多个智能对象的编程语言、工具和抽象必须指定一个设备无关的工作方式。

3）统一语义

（2）智能对象程序

 比如智能食物，如果食物可以嵌入标记记录交互信息，那么顾客就可以看到食物的产地、保质期和安全性。同样，如果车辆和交通灯之间嵌入标志，就可以提醒人们谁在过马路，可以避免潜在威胁。还有智能停车场、智能建筑、智能机器人等。

 如果所有对象都有标签，那整个物理世界就是一个可以查询的引擎。比如问一张桌子某本被放错的书的位置。如果要实现这样的设计，许多基础的设施都需要改进，比如书里面就得有一些感应器。

（3）智能手机

 目前的智能手机已经看起来很强大了，但是还是看看十年后的智能手机吧。可以想象，它们持续跟踪我们的生活，包括位置记录、从内外传感器接收的数据、还有基于手机的动作记录。除了海量的记录外，它们也帮助我们分析和解释数据以最大化数据价值。通过学习我们的动作和行为模式，手机将决定我们的日常生活，参与我们的行动。然而，需要这样的设想，手机必须要更强大，通信能力、存储能力，集成更多的交互技术。不幸的是，受限于无线数据带宽和电池，手机的扩展会变得缓慢。未来，手机将deploy opportunistic algorithms（不了解）在时空上提高性能。设备和标准的异质性会影响设备和设备的操作，如手机和其他对象、设备、建筑物的交互。

3.3 普适计算应用程序的扩展

 重点介绍医疗保健方面

 过去五年在智能医疗领域发展显著，包括：电子病历、用基于Web的工具监控健康状况、老年人的生活监测。PeCS可以在智能医疗领域发挥很大作用。

（1）随时按需查看健康信息 

现阶段的健康记录和信息都是分散在诊所和医院的，PeCS可以使用电子病历和个人健康记录，让人们通过智能设备如手机就可以查看健康记录。但是数据完整性，安全性，隐私性，可靠性，接口标准化，数据处理和可视化需要解决。

（2）关注精神健康

 这是一个很值得关注的问题，精神健康如抑郁症，自闭症，创伤后应激障碍（PTSD），慢性应激和认知能力下降。智慧健康技术可以及时筛选和治疗这样的问题。自我保健的方法不需要去医院也避免社会关注。在实现这一目标的主要挑战包括：传感器，算法，模型和用户界面的开发，来进行心理健康问题筛查，从而维护参与者的隐私治疗期间，以及确保评估治疗效果。

（3）及时干预

比如监视和鼓励体育运动减少肥胖的。未来，自我监控和实时干预可以开发帮助人们减少压力、解决上瘾问题，减轻沮丧感、抑郁、社会焦虑、认知衰退等

（4）预测评估和预防

不仅可以查看当前的身体健康状况，还学习预测健康状况以及疾病。什么症状变成疾病及出现什么症状会有可能生病是很关键的知识，这样才知道在什么时候进行干预。预测分析促进研究，以防止疾病的发病率和死亡率。

（5）设想验证及技术

智能健康的研究代价很大，因为它需要被验证在现实中采用不会影响我们的健康。比如我们穿的衣服就是用来检测身体某些健康水平，也要保证这些衣服不会对我们的身体状况产生不好的影响。因此，研究组织需要设计开放可扩展平台，智能健康测试平台需要设计并提供给社会测试数据集

3.4 通过云计算扩展

PeCS通过智能手机和传感器可能遇到存储和计算上的限制，而且手机没18-24个月就更新换代，造成了电子设备的浪费。因此，出现一种观点认为PeCS可以利用云计算来实现。现在，便携式和可穿戴设备都可以进行数据的收集、存储、分析，像无数计算机分散在各地一样发挥功效。

（1）云访问

云的位置问题。任何设备通过有线、无线网络可以连入云，但是需要很多考量比如可靠性、带宽可用性、安全性延迟和反应等。一种解决策略就是使用临时云，比如家用电脑、车载电脑、交换电脑等，因为他们不用付费而且可以帮助维持状态，带来的问题就是，这样的移动云怎么保持和管理。

（2）移动云

延迟使移动系统恶化，是一个很大的挑战，因为人们对延迟很敏感，带来不好的用户体验。解决延迟的一个思路就是设计一个具有前瞻性交互框架的移动云，利用用户的移动路径信息（就是根据用户的行为情景数据推断用户的意图）访问预测的数据位置。

（3）云网络

未来PeCS利用大量的云计算中心，通过超高容量的无线网络与远程移动单元通信。此外，还有车辆和航空网络。

（4）云和人群

PeCS可以利用人群帮助完成数据密集型任务。众包(Crowd sourcing)或者外包任务，使数据的收集和处理更深入、大规模和高效。外包需要采取一些激励机制防止恶意或者不精确的提供数据，当然也有保护隐私。

把人群看成是一朵移动云把移动设备看是第一类实体，可以有效解决延迟问题，因为信息可以在移动设备和云之间传递。人群如何被组织和定义，需要均衡本地设备、属于邻居的人群，移动云和远程云，同时又不能让用户觉察到这种动态的产生。

3.5 通过能量分析和收集扩展

PeCS最大的挑战之一就是能量。目前最常用的能量供应来自于电池。下一代的系统有望使用数月乃至数年而不换电池。未来，PeCS将从环境中收集能量，如太阳能、风能、震动等。普适系统设计关闭清除能量，将有可能产生永久能量系统。与提高电池能力的缓慢进展相比，电子产品日新月异，嵌入式系统，集成电路设计也是能量收集的重要方向。然而，实现高效的微小能量收集系统有三方面的挑战：1）传感器本身制作工艺上的约束 2）输出太小 3）自然环境是高度随时间变化且有一定的范围浮动

（1）评估

一个电池的评估是用寿命，一个能量收集系统比较难定义度量标准，可行的评估方案就是看一个系统是否能够满足每天的计算和通信需求。

（2） 高效能量提取

当前有很多能量采集传感器，因此，需要对各种传感器采集方式和限制条件深入了解。能量传感器模块必须抽象出传感器设备，同时设计成一个能量采集系统。传感器开发模型的一个关键概念，就是要知道什么样的信息需要被捕获，且要告知整个系统如何设计。最后，从这些传感器提取的能量需要有效的存在传感器存储单元，如可充电电池或者电容器。新能源的存储架构也应探讨协同整合异构的储能元件（例如，薄膜电池和超级电容器），以尽量减少储能过程中损失。

（3）有效的能量管理 

要考虑能量的时空变化，相应的调节系统的性能和功耗。在网络层，研究人员需要解决如何构建大型网络，允许设备加入时同步连通，而能量没有不对称问题。

（4） 持续能量管理

PeCS的一个方向也可以是持续能量供应。智能电网研究取得进展，普适计算可以用来监测和测量能量消耗，碳的轨迹，建立人们移动及交互行为模型。这可以使组资源信息和个人家庭的资源信息共享。可以推测出社区及城市的能源消耗，指定相对应的机制，减少资源浪费。

3.6 人为因素影响PeCS

（1） 安全和隐私

大多数的大量部署互联网的小工具都是没有安全防御能力的，大多数设备包括手机都是采用野蛮的方式对付外来攻击。数据大量采集涉及隐私，如位置信息等。还要强调，大规模普世系统，看似消失在人们的生活中，可能成为网络战的目标，比如家庭供暖系统就很有可能受到攻击。PeCS还提出隐私保护的数据挖掘，还有在线社交数据的隐私。

（2）程序的接口扩展

（3）人机交互扩展

3.7 扩展PeCS的支持

为了支持有规模的普适计算的扩展性，许多异质的传感器和移动节点都参与了异构计算和通信平台，因此带来许多挑战，包括：可扩展的中间件设计来减轻设备和应用程序的异质性；多模式信息源的融合、识别和调解（即使信息不完整不确定）；动态随机方式下的资源发现、组合和管理。

（1）情景感知

任何一个普适计算系统的设计关键是用到有形或者无形的情景特征。情景如我们的位置、动作、社交等都是可以被数据捕获到的，是有形的，无形的就是情绪、注意力等。情景使普适计算和一般的物理网络不一样。同时，带来的挑战就是，从大量数据中获取的不确定信息，要进行多情景识别和多情景歧义调解。尽管在这个方向运用信息论开发概率模型来提高识别精度，但仍然存在一些问题，当多用户共享相同的普世计算的环境时，经常有冲突的目标。

（2）可扩展中间件

存在的中间件都是针对小规模的，因此PeCS需要新的算法设计和模型框架和中间件工具，来捕获和处理情景元数据，支持大规模的协同感知和计算。这些可扩展的中间件解决方案必须是轻量级的，可互操作的，安全的，并在信息的准确性，情景质量，延迟和资源消耗之间权衡。 

3.8 理论基础