随着终端数据量的激增及隐私风险加剧,计算模式已经从ship data to code向ship code to data转变。然而,应用软件作为数据处理与信息服务供给的载体,往往追求功能的全面性而发展的过于臃肿,无法以精简化的形式去满足个性化的功能需求。对于单个业务负载而言,应用软件不仅过分冗余,还会因其大量的代码攻击面而带来更严重的安全隐患。因此,设计软件的自动切分及按需加载方法具有显著的研究意义。现有软件裁剪工作通常依赖于源代码分析展开或提出模块化的软件重构方案,具有较高的局限性。而部分基于二进制代码的软件裁剪工作则无法达到较高的裁剪准确度,易导致软件运行奔溃,影响用户体验。针对已有方法的不足,本文基于流式计算的思想,提出了一种面向轻量级设备的软件自动切分与按需加载方法。该方法能在无软件源代码、无需开发人员主动重构软件,且在用户无感知的前提下,将软件自动切分为细粒度的代码模块,然后按执行需要流动至目标设备。并且,在该模式下代码模块执行的性能,可与其在目标设备上按原生流程执行的性能相媲美。本文基于Linux内核平台,围绕细粒度软件切分方法,基于用户计算请求特点分析的按需加载方法,以及针对减少按需加载触发次数的预测方法三个具体内容展开,并提供系统化解决方案。本文的主要工作和贡献为:（1）提出了一种可动态配置粒度的软件自动切分方法,以缩小加载的计算粒度。该方法以4KB大小的页为基本切分粒度,能在不对软件源码进行任何修改情况下,完成自动切分。本研究还通过编写内核模块,为用户提供了动态配置切分粒度的接口。最后,我们对十款常见Linux软件进行了4KB及不同粒度自动切分。（2）提出了一种用户无感知的按需远程加载方法,为代码流动提供新的思路。不必用户提供需求信息,我们借助缺页异常来截获实际运行过程中的访问情况,构建出远程加载请求。为了确保远程加载的时效性,我们做了加载时延测试,并针对性地进行了性能优化。最后,实验证明优化加速后的远程加载性能,能够媲美本地磁盘加载。（3）提出了面向稳定业务场景的预测方法,以最小化远程加载触发的次数。若预测准确,直接缓存命中所需代码模块,就能避免向远端频繁请求。我们提出了离线动态跟踪预测方法。通过对预执行的动态跟踪,来构建执行时各操作的依赖代码集,作为正式执行的预测依据。最后,实验证明,该预测方法在业务场景较为稳定的环境中,能达到比Linux预读机制更高的准确度,占用更少的内存。图37幅,表5个,参考文献77篇