作为一种新兴的计算模式,移动云计算正在深刻地改变着人们的生活方式。移动云计算的重要特征之一是可能同时有成千上万个移动终端(如智能手机)连接到云端,而这些终端通常携带有丰富的传感器,可以感知物理世界上下文的变化。这种泛在的上下文感知能力与云端的强大计算能力结合,有可能形成对物理世界状态的全面把握,将极大地提高位置服务、社交网络、应急救灾等领域的用户体验。然而,传统上下文感知计算等领域的已有研究通常仅关注小规模上下文信息的聚合(例如单个智能教室内部),很难支撑“云+端”环境下大规模、异构上下文信息的综合。如何在移动云计算背景下实施大规模上下文信息的处理、生成综合性的上下文态势,已经成为迫切需要解决的挑战。本课题针对上述挑战,对移动云计算环境下大规模上下文综合的态势感知技术深入研究。课题首先提出了面向移动云计算环境的上下文管理模型,进而以这一模型为基础,对上下文综合的态势感知三类关键技术进行了研究。(1)移动终端如何对上下文建模。对上下文进行良好的建模表示可以为上下文获取、传输、聚合的研究提供基础支持,分析了现有的一些上下文建模方法,根据课题的领域特征,提出了一个兼具标记模型特性和键值对模型特性的上下文模型,该模型具有可理解性、可移植性、通用性等优点。(2)移动终端如何获取上下文。移动终端具有很强的异构性,各终端之间的配置差异也很大,一种好的上下文获取方式应该能够适合各个移动终端。分析了现有的一些上下文获取方式,提出了一种综合软件抽象和客户端/服务器模式的上下文获取方式,使得移动终端能够统一地获取到上下文信息,并由云端管理并处理大规模上下文信息。(3)云端如何聚合大规模的上下文。传统的上下文感知计算中对于上下文聚合一般有基于规则和基于用例两类算法,大规模的上下文处理,特别是实时处理需要强大计算能力的支持,根据云计算的基本架构,基于MapReduce计算模型,提出了一种基于规则的大规模上下文聚合算法,使其能够在云中完成对大规模上下文聚合的工作。以上述工作为基础,实现了一个面向移动云计算环境的上下文管理框架原型系统,其移动终端部分在Android移动平台上实现,云端部分在Hadoop平台上实现。通过一个基于该框架的交通态势感知应用验证了框架的有效性和灵活性。