CN101868986B - 组播方法 - Google Patents

Abstract

一种用于组播数据的方法，包括：获得组播组中每个用户的最小效用偏好集合和效用偏好集合；计算用户正在请求的不同组播数据的相应概率分布；根据相应概率分布运行集合的操作点的博彩；以及组播根据博彩确定的操作点。对于可缩放分层数据，该方法包括：针对供应所有用户的最低数据层确定每个用户的初始效用和收益参数；使用初始化的概率向量运行层的博彩，以分配最低层；组播该最低层；针对多个数据层确定组中剩余用户中的每一个新初始效用和相应收益参数；根据确定的混合概率向量集合运行另一博彩，以从多个层中选择特定层；以及组播该特定层。

Description

组播方法

相关申请的交叉参考

本申请基于于2007年11月1日提交的题为“METHOD OFMULTICASTING”的美国临时专利申请序号No.60/001,464的优先权，其全部内容通过引用合并于此。

技术领域

本发明涉及向多个用户组播的方法，其中，至少一个用户具有不同于另一用户的信道状态。

背景技术

随着无线网络基础设施的快速发展，通过这些网络的视频服务的需求逐步增长。在各种服务之中，视频流已经成为最重要的应用之一。然而，在无线环境下，有效率地将编码的视频比特流流传输给大量用户并同时保证特定服务质量(QoS)仍然是一个挑战。

视频组播是一种通过网络向许多用户同时传递一个视频的有效的方式。与单播相比，视频组播通过共享通过网络传递的视频分组来提高带宽效率。然而，视频组播面对由无线网络应用产生的一些具体问题。例如，组播无线网络的特征通常是具有高度易出错并随时间变化的物理信道。此外，这种网络中的用户通常具有不同的信道状态。

重传和前向纠错(FEC)是两种一般使用的机制，以提高无线网络的吞吐量。然而，在组播情况下直接应用这两种机制时存在缺陷。例如，当为了易出错的单一用户的利益重复组播原始分组时，除了一个用户以外重传对于其他用户均效率低。事实上，802.11无线局域网(WLAN)不支持针对组播应用的链路层重传。同时，FEC可以保持恒定吞吐量和有限延迟。然而，为了保证特定QoS，通常选择FEC码用于最差信道状态。因此，当信道处于良好状态下时，不必要地降低了吞吐量。

由Majumdar、D.Sachs、I.Kozintsev、K.Ramchandran和M.Yeung(在“Multicast and unicast real-time video streaming over wirelessLANs”中，IEEE Trans.Circuits&System for Video Technol.，Vol.12，No.16，Jun 2002，pp.524-534)提出的混合自动重复请求(ARQ)方案组合了重传和FEC的利益。利用混合ARQ，服务器首先向客户端发送用户数据，然后发送FEC数据。在处理期间，当客户端已经接收到所有用户数据或足够FEC数据以恢复丢失时，客户端向服务器发送回肯定应答(ACK)。一旦服务器接收到ACK，其停止发送更多数据。由于可以根据当前信道状态适当调整发送至客户端的FEC数据量，混合ARQ能够保持高带宽效率。然而，当信道经历严重丢失时，混合ARQ可以导致无限延迟和带宽扩展。对于诸如视频流等实时服务，必须在视频分组回放期限之前，通过潜在有限带宽网络来传递该视频分组。从而对于这种应用而言，使用混合ARQ仍会发生视频数据丢失，且降低QoS。

在通过具有反馈的无线网络向组播组进行视频流传输的环境下，在本发明中设想组中的用户具有不同的信道状态，这样，至整个组的相同视频流传递对于组中的每个成员不是平等有效的。因此，在这种设想的组播组中，相信存在开发操作点策略的需要，该操作点策略对于所有用户是“公平且合理”的。

本发明的假定在于，良好的工作点应当提供良好的总体系统性能，而同时保持组中每个用户的合理性能。然而，由于组播网络中可能的不同信道状态，以上两种需求通常是矛盾的。这使得很难直接量化操作点的性能。这样，简要讨论针对“理想”操作点选择策略的一组直观要素。

第一直观要素是多数规则。该要素基于以下假定：如果多数用户具有相同或类似信道状态，则这些用户应当比其他用户更可能获得他们期望的操作点。这保证了合理良好的总体系统性能。

第二直观要素是单独公平性。该要素提供，不应当完全拒绝为单独用户提供服务，也不应当过度惩罚一个用户。所有用户应当共享(优选地，平等地)由于所选操作点的QoS劣化。

第三直观要素是灵活性。该要素本质上是对以下事实的认识：前两个要素是矛盾的，并且一个要素相对于另一个要素是优选的。这里，策略对于实现这样偏好应当是灵活的。

根据直观要素之间的潜在矛盾，看起来一些定量系统性能度量在表征具体组播环境中的操作点方面是有帮助的。在下文中，现在将提供一系列方法，同时分析这些方法如何影响以上概述的直观要素。假定组播组具有N个用户，并且服务器可以选择M个不同的操作点，其中，每个操作点表示为S_m(其中，1≤m≤M)。对于每个用户j(1≤j≤N)，当选择操作点S_m时，其相应性能度量表示为U_j，m。

最差情况方法根据组中具有最差信道状态的用户来选择操作点。换言之，所选操作点仅对于具有最差信道状态的那些用户是最佳的，而不管组中具有其他信道状态的用户的数目。这会过度惩罚具有较好信道状态的用户的子组，并会降低整体系统性能。没有在第一和第二直观要素之间进行调整方面提供任何灵活性。

平均性能方法定义基于组中所有用户的平均性能的度量。这里，通过优化以下度量来获得操作点：

$m^{*}=\arg \left(\mathrm{Max}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{U}_{j,m}\right),1\≤m\≤M$

该方法满足第一要素，但是不满足第二要素，这是由于会过度惩罚组中的一些用户。该方法表面上不提供在第一和第二要素之间进行调整方面的灵活性。

加权平均方法将度量定义为组中用户的加权平均性能，并且通过对以下度量的优化来获得操作点：

$m^{*}=\arg \left(\underset{m}{\mathrm{Max}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{W}_j{U}_{j.}\right)$

其中

$\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{W}_j=1\mathrm{and}1\≤m\≤M$

权重W_j反映整个系统中用户j的重要性。针对权重的示例可以是：

$W_j=\left\{\begin{array}{cc}1/N_g& P_j\≤P_{\mathrm{th}}\\ 0& P_j>P_{\mathrm{th}}\end{array}\right.$

其中，P_j是用户j经历的信道错误/丢失率，P_th是预置阈值，以及N_g是组中具有P_j小于P_th的用户的数目。该加权方法仅对具有合理良好信道状态的用户进行平均，而排除具有不良信道状态的那些用户。该方法可以为所选用户子组提供良好性能。然而，该方法也会惩罚组中的特定用户；因此不满足第二要素。此外，该方法不能在第一和第二要素之间进行调整方面提供灵活性。

极大劣化方法选择操作点S_m，该方法可以最小化所有用户之中的最大性能劣化：

$M^{*}=\arg \left\{\mathrm{Min}\right[\mathrm{Max}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}({U^{*}}_j-U_{j,m})\left]\right\},1\≤m\≤M$

其中，U^* _j是所有可用操作点之中用户j可实现的最优性能。该方法不对对组中的多数用户给出偏好，因此，可以折衷总体系统性能，但不满足第一要素。这样，该方法不能提供在第一和第二要素之间进行调整方面提供灵活性。

发明内容

一种用于组播数据的方法包括：获得组播组中每个用户的最小效用偏好集合；获得组播组中每个用户的效用偏好；计算用户正在请求的不同组播数据的相应概率分布；根据相应概率分布运行偏好操作点集合的博彩(lottery)；以及组播根据博彩确定的操作点。对于可缩放分层数据，该方法包括：针对供应所有用户的最低数据层确定组中每个用户的初始效用和收益参数；将概率向量初始化为(1，...，0)；使用概率向量运行层的博彩，以分配最低层；组播该最低层；当确认组中的至少一个用户已经接收到该最低层时，针对多个数据层确定组中剩余用户中的每一个的新初始效用和相应收益参数；确定多个数据层的混合概率向量集合；根据混合概率向量集合运行另一博彩，以从多个层中选择特定层；以及组播该特定层。

附图说明

图1是根据本发明的选择操作点进行组播的流程图。

图2是根据本发明的为可缩放分层数据选择操作点的流程图。

具体实施方式

本发明提供了一种在噪声/有损环境下选择组播网络中的操作点的方法。形式方法使用博弈论策略(即，纳什谈判博弈)。每个可用操作点S_m定义为纯策略，并且这种操作点的数目表示为M。由于策略的离散属性，对于服务器或功能等同物而言选择操作点的简单但公平的方式是，在可能的策略集合S内运行博彩，S＝(S₁，S₂，...，S_m)。接着，服务器调查用户的总数，以确定U_j，m，U_j，m是用于特定操作S_m的每个用户j的效用函数。该方法然后可以包括计算相应概率分布向量λ＝(λ₁，λ₂，...λ_M)。这与纳什谈判博弈中的“混合策略”相对应，并且为了简单起见，该方法将每个混合策略表示为概率分布向量λ。对于混合策略，用户同意的概率集合λ ^*可以是约定的或由服务器预定。首先，混合策略是纳什谈判解，当且仅当混合策略满足公平收益的差(U_j(λ ^*))和初始效用d_j的算术乘积大于或等于收益的差(U_j(λ))和初始效用d_j的算术乘积。

然后确定用户偏好，并将其表征为用户j的效用函数U_j，m，该函数反映了当选择操作点S_m时的收益。该用户偏好应当与用户的服务质量(QoS)相关。对于混合策略分布向量λ，用户j关心其预期收益，该预期收益可以写为：

$U_j\left(\underset{\‾}{\mathrm{\λ}}\right)=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\λ}}_m{u}_{j,m}$

并且对于混合策略A，整个组的效用可以表示为

U(λ)＝(U₁(λ)，U₂(λ))，...，U_m(λ))。

然后确定用户j的初始效用。初始效用d_j反映当参与博弈时用户期望保证的最小收益(或等同地，其QoS)。

博弈具有唯一解决方案(称为NBS)。在混合策略情况下，正好是根据公平用户同意的概率分布向量λ ^*并在博彩中使用。当且仅当混合策略分布向量λ ^*满足所有可行λ的条件时，该混合策略分布向量λ ^*是NBS：

$\underset{j=1}{\overset{N}{\mathrm{\Π}}}(\mathrm{Uj}\left({\underset{\‾}{\mathrm{\λ}}}^{*}\right)-d_j)\≥\underset{j=1}{\overset{N}{\mathrm{\Π}}}(\mathrm{Uj}\left(\underset{\‾}{\mathrm{\λ}}\right)-d_j)$

组播服务器能够通过求解以下最优化问题来找到NBS概率分布向量λ ^*：

$\max \underset{j=1}{\overset{N}{\mathrm{\Π}}}(\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\λ}}_m{u}_{j,m}{-d}_j)$

这样

$\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_m=1$

并且

$\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_m{u}_{j,m}\≥d_j$

对于任何用户j(1≤j≤N)。

考虑被划分成多个子会话的组播会话，在该子会话期间服务器可以每次改变操作点。在每个子会话开始时，服务器首先检查在用户组中是否存在任何变化。这样的变化包括：N、M、{S_m}集合、或{(U_j，m，d_j)}集合。如果存在变化，则服务器重新计算：

$\max \underset{j=1}{\overset{N}{\mathrm{\Π}}}(\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\λ}}_m{u}_{j,m}-d_j)$

以便获得更新的NBS向量λ ^*；否则，服务器继续使用先前的NBS向量λ ^*。基于概率分布向量λ ^*，服务器根据λ ^*随机选择操作点S_m，并使用该操作点S_m在整个子会话期间进行组播。

图1示出了本发明的特征的一般流程图。设置是组播环境，其中，服务器或功能等同物同时向具有不同信道状态或不同数据错误/丢失状态的不同用户传输相同数据。本发明首先以开始框100开始，开始框100涉及提供有用数据进行传输。方框110涉及通过考察组中的用户来确定组中用户j的初始效用d_j和收益参数w_m。方框120涉及通过找到以下最优化问题来确定NBS混合概率集合λ ^*：

$\max \underset{j=1}{\overset{N}{\mathrm{\Π}}}(\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\λ}}_m{u}_{j,m}-d_j)$

其中

$\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_m=1.$

方框130涉及在可能策略的集合S内运行可用操作点的博彩。这里，根据NBS混合概率分布集合λ ^*，基于给予操作点的权重来随机选择操作点。方框140然后涉及获胜操作点S_m的组播。该获胜操作点可以是比特流数据。方框160是确定会话是否完整的步骤，其中，服务或功能等同物验证用户已经接收到与获胜操作点的组播相称的所有可用数据。这可以采用肯定应答的形式。如果用户感到满意，则方框170反映完成会话。如果任何用户具有已被改变和需要不同操作点的状态，则方框160提供策略的概率分布λ ^*的更新。方框130然后返回选择获胜操作点。方框130、140、150和160可以重复运行，直到所有用户已经肯定应答对组播表示满意为止。

a.组播可缩放分层数据

可缩放分层数据是指被组织成多个层的数据，使得较低层数据比较高层数据更重要。这种类型的数据通常可以从可缩放音频、视频或图像编码器的输出中发现。例如，用于视频编码的可缩放视频编码(SVC)[5]，用于图像编码的JPEG2000、以及用于音频编码的AAC(经由ISO/IEC 14496-1：2005/FDAM 3Scalable Video Coding(WG 11N9197))。

考虑将可缩放分层用户数据划分成多个数据分组，并每次组播服务器从层中选择一个数据分组进行传输。为了保护用户数据，添加冗余数据(例如，FEC)，该冗余数据在每个层中或者跨过所有层。这些冗余数据也被分成发送的分组。对于具有M个层的可缩放分层数据，服务器可以组播来自任何层的数据分组。从而混合策略集合的大小为M，并且每个纯策略S_m对应于选择来自层m的分组进行组播。该方法定义了，当选择纯策略S_m时用户j的效用函数U_j，m如下：U_j，m＝w_m，当用户j向层m请求分组或其他情况时，U_j，m＝0，(其中，w_m∈R⁺)。将收益参数w_m定义为使得其直接与QoS提高相关。例如，对于可缩放视频编码(SVC)而言，当用户请求来自层m的分组时，可以将收益参数定义为MSE(均方差)缩减。对于可缩放分层数据，将收益参数定义为使得w_i≥w_j(其中，0≤i＜j)。确保服务器为量化总体系统性能给出组播来自较低层的用户数据的偏好。对于可缩放分层数据，将用户j的初始效用d_j定义为使得其随着用户请求来自较高层的分组而降低。具体地，该方法将用于用户j请求来自层m的分组的d_j定义如下以反映约束：

d_j＝w_m/α^m，其中，α∈R，并且α≥1。

根据以上定义，α用作调整第一和第二直观因素(即，分别为用于合理良好总体系统性能的多数规则和用于确保不应当完全拒绝为单独用户提供服务也不应当过度惩罚一个用户的单独公平性)之间的偏好的参数。

对于较小α值，向请求较低层的用户给予更多偏好。由于较低层数据比较高层数据更重要，这可以保证良好的总体性能。另一方面，对于较大α值，更平等地对待所有用户，所以多数用户可以从所有策略的观点受益，从而更平等地对待所有用户。因此，可以灵活调整因素(1)和(2)。

总之，服务器执行如下用于可缩放分层数据组播的操作点选择：

步骤1.将向量λ ^*初始化为(1，...，0)以向组中的所有用户组播最低层。

步骤2.如果用户状态改变和/或获得肯定应答，转向步骤3；否则转向步骤5。

步骤4.跟踪肯定应答发送方用户j。记录其请求层，并基于d_j＝w_m/α^m(其中，α∈R，并且α≥1)更新其U_j，m和d_j，并且U_j，m＝w_m，当用户j向层m请求分组或其他情况时，U_j，m＝0。

步骤5.通过求解以下公式来更新λ ^*：

$\max \underset{j=1}{\overset{N}{\mathrm{\Π}}}(\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\λ}}_m{u}_{j,m}-d_j)$

使得

$\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_m=1$

并且

$\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\λ}}_m{u}_{j,m}\≥d_j,(1\≤j\≤N)$

步骤6.根据向量λ ^*随机地挑选获胜策略S_m，并且组播来自层m的分组。

步骤7.如果发生肯定应答或用户状态变化，转向步骤3；否则完成会话。

图2示出了用于组播上述可缩放分层数据的本发明的操作点选择方法的操作流程。本发明以方框200开始，方框200涉及首先提供有用数据进行传输。方框210涉及通过考察组中的用户来确定组中每个用户j的初始效用d_j和收益参数w_m。方框220涉及确定与可以供应组中所有用户的最低层相关的初始概率集合λ ^*。方框230是根据初始概率集合λ ^*运行博彩。然后如方框240所示，组播在方框230中确定的层m。方框250表示与用户的通信以确定组播层m的成功接收和/或用户状态的一些变化。方框260涉及重新评估请求来自与上次不同的层的数据的用户j的初始效用d_j和收益参数w_m。方框270涉及确定与组中所有用户的初始效用和收益参数的新集合相对应的概率分布λ ^*。方框280涉及确定是否完成组播会话。如果没有完成，则从方框230开始重复相同过程。

为了更好理解本发明，提供本发明的简单示例，其中，存在两个用户1、2(即，N＝2)以及具有效用值u₁、u₂的两个数据层。两个用户具有初始效用值d₁、d₂。仅一个用户正在请求的层具有针对用户的非零效用。组播服务器可以通过求解以下最优化问题来找到NBS概率分布向量λ ^*：

$\mathrm{Max}\underset{j=1}{\overset{2}{\mathrm{\Π}}}(\underset{m=1}{\overset{2}{\mathrm{\Σ}}}{\mathrm{\λ}}_m{u}_{j,m}-d_j)=\max U({\mathrm{\λ}}_1,{\mathrm{\λ}}_2)=(u_1{\mathrm{\λ}}_1-d_1)(u_2{\mathrm{\λ}}_2-d_2)$

使得，λ₁+λ₁＝1。m与操作点的数目相对应，j与用户的数目相对应。概率λ₁和λ₂简化为λ₁＝0.5+0.5(d₁/u₁-d₂/u₂)和λ₂＝0.5+0.5(d₂/u₂-d₁/u₁)。

在简单示例中，如果对于第一层效用u₁＝w₁，对于第二层效用u₂＝w₂，w₁＞w₂，并且用户可以请求层i(i∈{1，2})，则遵循以下公式d_j＝w_i/αⁱ，其中α≥1，并且α∈R。

当两个用户正请求相同层i＝1时，则λ₁＝λ₂＝0.5+0.5(w₁/α¹-w₁/α¹)＝0.5。当两个用户正请求相同层i＝2时，则λ₁＝λ₂＝0.5+0.5(w₂/α²-w₂/α²)＝0.5。在该示例中的博彩中，存在用户1期望的选择初始效用或最小收益(即，d₁)的0.5概率，以及用户2期望的选择初始效用或最小收益(即，d₂)的0.5概率。然而，由于在示例中，两个用户正建立其针对相同层的初始效用或最小收益时，博彩选择两个用户已经标识的层(i＝1或2)。

当用户1正请求层1并且用户2正请求相同层2时，则λ₁＝0.5+0.5((w₁/α¹)/w₁-(w₂/α²)/w₂)＝0.5+0.5(1/α-1/α²)，并且λ₂＝0.5+0.5((w₂/α²)/w₂-(w₁/α¹)/w₁)＝0.5+0.5(1/α²-1/α)。根据α≥1，则，1/α≥1/α²并且λ₁≥λ₂。当λ₁大于λ₂时，根据需要，在博彩期间给予用户1较高偏好，这是由于用户1正请求更重要的层1。

如上所述，能够容易地将结果扩展至其他两个用户多个层的情况。假定用户1正请求具有初始效用函数值d_i＝w_i/αⁱ的层并且用户2正请求具有初始效用函数值d_j＝w_j/α^j的层，则λ₁＝0.5+0.5(1/αⁱ-1/α^j)，并且λ₂＝0.5+0.5(1/α^j-1/αⁱ)。在一个特定示例中，当用户1正请求层1、用户2正请求层2、并且α＝1.2时，λ₁＝0.5+0.5((w₁/α¹)/w₁-(w₂/α²)/w₂)＝0.5+0.5(1/α-1/α²)＝0.5694，并且λ₂＝0.5+0.5((w₂/α²)/w₂-(w₁/α¹)/w₁)＝0.5+0.5(1/α²-1/α)＝0.4306。在另一特定示例中，当用户1正请求层1、用户2正请求层2、并且α＝1.5时，λ₁＝0.5+0.5((w₁/α¹)/w₁-(w₂/α²)/w₂)＝0.5+0.5(1/α-1/α²)＝0.6111，并且λ₂＝0.5+0.5((w₂/α²)/w₂-(w₁/α¹)/w₁)＝0.5+0.5(1/α²-1/α)＝0.3889。

b.组播分层服务的应用

组播网络中的分层服务是指基于特定度量保证以优先顺序排列到若干组中的服务。例如，预订组播组中优质服务的用户可以比预订基本服务的那些用户获得更好的QoS。根据本发明的操作选择策略，可以利用每个组中保持的特定公平性来实现分层服务。对于具有较高优先级保证的用户组，可以将组中每个用户j(1≤j≤N)的初始效用d_j设置为较大值，或者将效用函数U_j，m(1≤m≤M)设置为较小值。另一方面，对于具有较低优先级保证的用户组，选择组中每个用户j的初始效用d_j具有较小值，或者将效用函数U_j，m(1≤m≤M)设置为较大值。

根据以上操作，在求解概率向量λ ^*之后，具有较高优先级的用户组比具有较低优先级的用户组在获得他们期望的操作点方面具有更高概率。

在本发明的一个实施例中，在运行博彩中使用的概率λ₁至λ_M在与算术乘积的最大值相对应的值的20％内。换言之，本发明的实施例旨在考虑概率向量λ ^*中在根据博弈论确定的值的20％内的乘积概率的备选形式方法。

Claims (6)

1.一种用于组播数据的方法，包括：

确定组播组中每个用户的最小效用偏好集合；

确定用户请求的数据的效用；

计算用户正在请求的数据的相应的策略概率分布；

根据所述相应的策略概率分布运行最小效用偏好的博彩；以及

组播根据博彩确定的操作点；

其中如果任一用户需要不同操作点，则执行以下步骤：

更新针对所述任一用户的策略概率分布；以及

基于更新的策略概率分布通过运行博彩来选择另一操作点。

2.根据权利要求1所述的方法，包括以下步骤：将最小效用偏好与由操作点设置而引起的针对用户的最小吞吐量或服务质量相关联。

3.根据权利要求1所述的方法，包括以下步骤：建立用户请求的不同数据的相对重要性或用户请求的相对重要性，使得在确定数据的效用的步骤中将数据的效用与相对重要性相关联。

4.根据权利要求1所述的方法，包括以下步骤：将所述相应的策略概率分布定义为λ＝(λ₁，...，λ_M)，其中M是操作点的数目，其中，概率λ₁至λ_M是相应地与第一操作点S₁至最后操作点S_M相关联的概率，并且

$\underset{j=1}{\overset{M}{\mathrm{\Σ}{\mathrm{\λ}}_m}}=1.$

5.根据权利要求4所述的方法，包括最大化算术乘积

$\underset{j=1}{\overset{N}{\mathrm{\Π}}}(\underset{m=1}{\overset{M}{\mathrm{\Σ}{\mathrm{\λ}}_m}}{u}_{j,m}-d_j)$ 的步骤，

其中，u_j，m是用户j的操作点m的效用函数，d_j是用于计算所述相应的策略概率分布的用户j的最小效用偏好。

6.一种用于组播数据的方法，包括：

确定组播组中每个用户的最小效用偏好集合；

确定用户请求的数据的效用；

根据策略概率分布λ＝(λ₁，...，λ_M)运行最小效用偏好的博彩，其中，M是操作点的数目，其中，概率λ₁至λ_M是相应地与第一操作点S₁至最后操作点S_M相关联的概率，并且

$\underset{j=1}{\overset{M}{\mathrm{\Σ}{\mathrm{\λ}}_m}}=1$

其中，概率λ₁至λ_M表示在与以下算术乘积的最大值相对应的值的20％内的值

$\underset{j=1}{\overset{N}{\mathrm{\Π}}}(\underset{m=1}{\overset{M}{\mathrm{\Σ}{\mathrm{\λ}}_m}}{u}_{j,m}-d_j)$

其中，u_j，m是用户j的操作点m的效用函数，d_j是用户j的最小效用偏好；并且

组播根据博彩确定的操作点；

其中如果任一用户需要不同操作点，则执行以下步骤：

更新针对所述任一用户的策略概率分布；以及

基于更新的策略概率分布通过运行博彩来选择另一操作点。