CN102752325A - 基于对等网的大规模虚拟场景的高效下载方法 - Google Patents

Abstract

本发明涉及基于对等网的大规模虚拟场景的高效下载方法，该方法包括以下步骤：加入分布式虚拟环境；判定可视场景；兴趣区域的邻居发现；场景源发现；场景源选择；检测是否能提供服务，若为是，则下载优先级处理；场景传输；检测是否视点移动，若为否，则检测是否传输完毕，若为是，则检测是否视点移动，若为否，则预下载。本发明具有的有益效果：在场景下载中采用P2P技术，将集中式下载改为分布式下载，即场景下载源由单一的服务器改变为各个P2P节点，大大降低对服务器的性能需求；快速从节点获取所需要的场景资源，从而快速构建虚拟场景。

Description

基于对等网的大规模虚拟场景的高效下载方法

技术领域

本发明涉及网上三维场景的在多用户环境中的高效网络传输，特别是涉及基于对等网的大规模虚拟场景的高效下载方法。

背景技术

传统的虚拟现实系统都局限于本地构建和使用，随着互联网技术的发展，虚拟现实的应用领域进一步扩展，为了满足地理上广为分布的不同计算终端之间的交互需求，分布式虚拟现实(Distributed Virtual Reality，DVR)，又称分布式虚拟环境(DVE，Distributed Virtual Environments)应运而生。地理上分布于不同区域的计算终端，在本地构建虚拟环境，然后通过控制虚拟节点化身(avatar，用于代表真实用户的虚拟人)在一个共享的三维虚拟环境中进行交互或者漫游。

从分布式虚拟环境产生的原因来看，地理上广为分布的用户之间、用户和虚拟环境之间的通讯和交互需求是其产生的内在原因，也是分布式虚拟环境产生的充分条件；而正是由于虚拟现实和互联网技术的发展，从而在外部技术上推动了其产生，因此技术进步可以看成分布式虚拟环境产生和发展的必要条件。作为虚拟现实和网络技术结合所产生的交叉研究领域，分布式虚拟现实已在军事仿真训练、虚拟城市、大规模网络在线游戏MMOG、虚拟数字博物馆、网络在线学习等诸多领域得到了广泛的应用。

由于虚拟环境是众多化身的活动场所，因此在用户终端高效构建虚拟环境就成为DVE领域首要解决的问题。在互联网技术飞速发展的今天，网络基础设施的完善极大地推动了DVE领域的发展。对比通过CD/DVE-ROM预先安装来构建虚拟场景的方式，基于从服务器端下载虚拟场景已经成为地理上广为分布的用户节点快捷、便利地构建本地虚拟环境的主流方式。在这一方式中，用户需首先将存储于服务器上的虚拟场景全部下载到本地，经过重构、渲染等处理生成虚拟场景，然后在场景中开展特定的应用(与其余用户进交互或根据兴趣漫游)。

然而，随着虚拟场景在空间上的跨度和数据量与日俱增，分布在不同地域并发下载同一场景的用户数量也越来越多(最明显的例子是大量新加入MMOG的玩家需要同时从某地下载场景以构建本地游戏场景)，基于Client/Server的传统场景下载模式正面临着以下难以解决的“瓶颈”问题。

(1)大规模虚拟场景的下载实时性与服务器端有限带宽之间的矛盾。

目前各类虚拟场景的复杂度和规模都急剧增加。一个著名的例子是MMOG-Second Life，其场景数据量已经达到34TB，且仍持续增长；现有一些研究机构如NASA更致力于构建地球级别的大规模三维世界，例如X3D Earth(其数据量已经达到70TB)。用户对大规模场景数据的实时下载需求并未发生变化，但在基于client/server的下载模式中，服务器能提供的下载带宽却极其有限，尤其是在诸如MMOG这类大规模用户参与的DVE中，多用户同时下载的请求带来的带宽竞争现象尤其明显，极有可能造成网络拥塞。

(2)服务器端的有限处理能力与多用户并发下载之间的矛盾。

DVE中用户规模越来越大，流行的MMOG通常都有数万乃至数十万用户同时在线。在基于client/server的下载模式中，大规模用户对大规模场景数据的同时请求势必给服务器带来极高的负载，并可能带来服务器瘫痪。

发明内容

本发明的目的是在于提供一种基于对等网的大规模虚拟场景的高效下载方法，可解决现有技术的下载模式陈旧、下载速度慢等问题。

本发明的技术方案：基于对等网的大规模虚拟场景的高效下载方法，其特征在于，该方法包括以下步骤：

(1)加入分布式虚拟环境；

(2)判定可视场景；

(3)兴趣区域的邻居发现；

(4)场景源发现；

(5)场景源选择；

(6)检测是否能提供服务，若为是，则继续下一步，若为否，则返回步骤(4)；

(7)下载优先级处理；

(8)场景传输；

(9)检测是否视点移动，若为否，则继续下一步，若为是，则返回步骤(2)；

(10)检测是否传输完毕，若为是，则继续下一步，若为否，则返回步骤(8)；

(11)检测是否视点移动，若为否，则继续下一步，若为是，则返回步骤(2)；

(12)预下载。

本发明具有的有益效果：

(1)在场景下载中采用P2P技术，将集中式下载改为分布式下载，即场景下载源由单一的服务器改变为各个P2P节点，大大降低对服务器的性能需求；

(2)快速从节点获取所需要的场景资源，从而快速构建虚拟场景。

附图说明

图1是本发明基于对等网的大规模虚拟场景的高效下载方法的流程示意图；

图2是本发明的可扩展多层兴趣区域示意图；

图3是本发明的节点注册过程示意图；

图4是本发明的节点加入DVE过程的示意图；

图5是本发明的节点在移动过程中发现SMLAOI邻居示意图；

图6是本发明的节点离开P2P-DVE示意图；

图7是本发明的场景下载增量信息的格式示意图；

图8是本发明的SMLAOI场景下载源分级搜索示意图；

图9是本发明的场景下载请求动态分配过程示意图；

图10是本发明的场景传输示意图；

图11是本发明的两种运动模式示意图；

图12是本发明的P2P-DVE仿真模拟平台示意图；

图13是本发明的场景请求服务成功率示意图；

图14是本发明的下载饱和度示意图；

图15是本发明的下载饱和度时序图；

图16是本发明的服务器端下载率示意图。

具体实施方式

为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：

该实施例的图1中，基于对等网的大规模虚拟场景的高效下载方法，该方法包括以下步骤：

(1)加入分布式虚拟环境；

(2)判定可视场景；

(3)兴趣区域的邻居发现；

(4)场景源发现；

(5)场景源选择；

(6)检测是否能提供服务，若为是，则继续下一步，若为否，则返回步骤(4)；

(7)下载优先级处理；

(8)场景传输；

(9)检测是否视点移动，若为否，则继续下一步，若为是，则返回步骤(2)；

(10)检测是否传输完毕，若为是，则继续下一步，若为否，则返回步骤(8)；

(11)检测是否视点移动，若为否，则继续下一步，若为是，则返回步骤(2)；

(12)预下载。

本发明主要包含以下四部分内容：

1.将传统单层兴趣区域提升为可扩展多层兴趣区域，并根据每层节点资源及场景数据量匹配的原则给出了可扩展多层兴趣区域的分划技术。根据虚拟场景渐进式传输的特点，又提出可扩展多层兴趣区域下载增量/减量的概念，并采用一种高效方案快速拾取下载增量；针对视点旋转过程中的场景拾取，提出旋转增量/减量的概念，并同样给出拾取旋转增量的方法。

2.针对节点化身在漫游中随时改变位置的特点，提出了一种基于Voronoi图的节点通信机制，该机制主要通过节点之间的消息转发来定位节点化身，从而降低了服务器负载。

3.提出一种复合式场景下载源发现策略，其包括“场景信息主动通知”和“请求-应答”两个阶段。在场景信息主动通知阶段，通过周期性地接受来自虚拟邻居节点的消息，节点就能够感知自身所需场景资源的拥有者；当场景信息主动通知策略不能完全发现请求节点所需场景资源的拥有者时，则启动请求-应答策略。在请求-应答阶段中，设计了一种基于可扩展多层兴趣区域的分级场景下载源搜索策略，该策略优先向拥有那些最有可能拥有指定区域内场景的节点发出查询请求，避免了向全局网络发送查询请求所带来的巨大通信开销。

3.设计了一种最优场景下载源的选择策略。该策略选择对场景下载性能影响最大的三种因素：CPU负载、网络延时及可用带宽进行综合评价，并采用层次分析法来确定各因素的权重，从而筛选出最适合传输场景的节点。

4.在P2P文件共享应用中，若节点存在自私行为(只想下载而不愿意提供上传)，则会导致囚徒困境，从而造成系统性能的极大损失。为了避免在三维场景传输中的囚徒困境，设计了一种基于传输贡献的针锋相对策略。该策略通过计算一定周期内请求节点对自身的场景传输贡献，对贡献较大的节点进行奖励，即优先处理来自这些节点的下载请求，并阻塞来自传输贡献较小的节点的请求。

可扩展兴趣区域

为适应P2P网络中场景的并行传输需求，本发明将现有的兴趣区域(area ofinterest，AOI)扩展为可扩展多层兴趣域SMLAOI(Scalable Multi-Layer AOI)，其用于当前可视场景的判定和场景下载源的搜索。如图2所示，假设现有一个n层SMLAOI，其由n个同心圆组成，每个同心圆又可分为两个子区域。按照当前视线方向从远到近，标识每个子区域为Q_n，Q_n-1，...，Q₀，...，Q_-(n-1)。SMLAOI的最外层半径即AOI半径R，均为观察者的最大可视距离。从整体上看，SMLAOI又被分划为CVR(Current Visible Region，当前可视区域，由Q₁，Q₂，...Q_n组成的一个扇环，夹角通常为120°)和VRA(Visible Region After Rotation，旋转后可视区域，由Q₀，Q_-1，Q_-2，...Q_-(n-1)组成)。

P2P网络中节点的邻居化身发现

设计了一种用于搜索SMLAOI邻居化身的机制。将节点化身在P2P-DVE中的活动分为主要三个阶段：

(a)节点化身加入阶段；

(b)节点化身移动阶段；

(c)节点化身退出阶段。

下面简单描述这三个阶段。

(a)节点化身加入阶段

新加入DVE的节点化身连接到某服务器进行注册(值得注意的是，在整个P2P网络中，可能存在不止一台服务器，节点化身需要根据网络延时等因素选择一台服务器注册)。如图3所示，节点在获得服务器A、B、C及D到自身的TTS后，由于D到自身网络延时最小，故选择向D注册。服务器将为该节点化身分配在其在P2P-DVE中的全局唯一节点化身ID。

新加入DVE的节点向P2P-DVE的所有节点发送“查询消息包”，“消息查询包”的格式为：<包头，新加入节点化身在DVE二维平面上的坐标，节点IP>。

新加入节点的消息查询包经过贪心扩散，将最终为P2P-DVE中的某节点收到(这里将其命名为接受者)，接收者将向新加入的节点返回一个虚拟邻居列表，在该虚拟邻居列表中包含AOI邻居和紧密邻居。新加入节点和该虚拟邻居列表中的每个节点都直接建立连接，然后构造以自己化身为中心的一个Voronoi图，同时，那些被连接的节点也会随之更新其自身的Voronoi图。

经过以上步骤后，新加入节点化身完成了对自己初始加入位置的其它邻近虚拟节点化身的发现。接下来介绍节点化身在移动过程中对邻近虚拟节点化身的发现。图4给出一个节点加入DVE的例子。在左边图中，黑色圆点及三角形表示服务器及其紧密邻居；橙色圆点则表示要加入DVE的节点，蓝色圆点及正方形表示接收者及其紧密邻居；橙色箭头则表示信息的传递过程；右边图则表示节点加入DVE之后更新的Voronoi图，阴影部分是被影响的邻居化身。

(b)节点化身移动阶段

移动的节点化身将向自己当前所有已经建立连接的虚拟邻居发送“位置更新消息包”，“位置更新消息包”格式如下：<包头，下一步在DVE二维平面上的坐标，下一步所需要的场景增量信息，自身所存储的场景信息>。

在接受到这类“位置更新消息包”后，该节点的虚拟邻居节点会做出不同处理。不是边缘邻居的节点接受该“位置更新消息包”后，直接丢弃该“位置更新消息包”；而该移动化身的边界邻居在接受到该位置更新消息包后，边界邻居将检查自身的紧密邻居是否对该移动节点化身可见(即落入对方的AOI内)，或者自身的紧密邻居已经成为该移动化身所在节点的紧密邻居；

如果以上条件满足，则该边界邻居向移动节点化身发送通知，通知信息将对“位置更新消息包”中的查询进行回应，即返回自身Cache中所拥有的场景信息。移动化身所在节点在收到该通知后，直接和新发现的虚拟邻居建立连接。如果该移动节点化身的边界邻居发现自身已经离开该移动节点化身的AOI范围后，同样会向该移动节点化身发送通知，这样移动节点化身就会与这类节点断开连接。

图5给出一个节点在DVE中平移过程中发现SMLAOI邻居的例子。在左边图中，黑色圆点、正方形、三角形及星形分别表示某个移动节点、它的紧密邻居、边缘邻居及符合两种邻居特征的邻居。在右边图中，叉形则表示在节点化身平移后不再属于AOI邻居的节点化身。

(c)节点化身的退出阶段

该机制保证节点化身的正常退出和异常退出(断电或者其它因素)没有区别，只需要简单断开和所有其余节点的连接；而受到节点化身离开P2P-DVE影响的其余节点化身则更新其自身Voronoi图。图6给出节点离开DVE的一个示例，图中，黑色正方形表示离开的节点。

在节点较为密集的P2P-DVE中，为避免因局部区域节点化身过于密集而导致的网络拥塞现象，采用了AOI半径的动态调整机制。该AOI半径动态调整机制的基本思路如下：以节点Vk为例，当Vk的CPU负载超过阈值时，则减小SMLAOI半径，以降低其工作负载。

场景下载源搜索

每个观察者在每步移动后，都将向自己的当前AOI邻居发送自己的场景下载增量信息，该信息格式如图7所示，Obj_ID表示物体的标识，Max_ID则表示本地已经接受到该物体的网格增量。由于物体的重构依赖于连续的网格增量，因此若场景文件片编号分别为1、2、3，5的网格增量被本地接受，该物体当前的Max_ID即为3而不是5。

对于新发现的AOI邻居，则向其发送自身当前Cache空间内存储的所有已经下载场景的信息。这样在收到信息后，观察者将直接向拥有该场景文件的节点请求场景传输。但主动通知场景信息的这种方式仍然存在缺陷：不能保证仅通过场景信息的主动通知实现对场景下载源的完全发现。

当一个请求节点需要下载给定区域内场景时，可以看出由于节点视野范围的限制，只有部分SMLAOI邻居对该给定区域产生兴趣；而那些目前节点化身正位于该区域或离该区域较近的节点与该请求节点有更多相同的兴趣域。

基于以上认识，首先向这类节点发送场景查询请，则找到场景下载源的概率相比首先向那些节点化身距离该区域较远的节点发送查询请求的概率更高。如图8所示，提出一种基于SMLAOI的场景下载源分级搜索策略。

场景下载源选择

尽管对于某一个场景文件而言，可能找到多个场景下载源，而实际上请求节点只能从其中一个场景下载源获得该场景文件。

首先，网络中节点的资源状况千差万别，包括可用带宽、Cache容量、CPU处理能力等。其次，在像因特网这样的广域网环境中，任意两个节点在建立连接后，在物理距离、传输时延上也各不相同；而在P2P覆盖网中，任意两个节点之间的虚拟连接映射为广域网中的多条物理连接，因此差别就显得更大。

提出一种新的场景下载源选择机制-“最优场景下载源”选择机制。对于场景文件下载请求队列中的每一个请求，在经过对现有场景下载源的可用资源的全面评估后，请求节点将从其当前所有场景下载源中选择一个处理能力最强的节点(最优场景下载源)来提供下载服务。

以场景请求节点V_k为例，假定某场景文件的下载请求节点的场景下载源集合为S(P_i)，S＝{N₁，N₂，...，N_n}。尽管现实中存在许多因素可以影响场景传输性能，目前本文只考虑其中几个最为关键的因素，它们分别是：

Ucpu(N_i)：节点N_i当前CPU利用率，其值域为[0，1]；

Bupload(N_i)：节点N_i此刻可用的上传带宽；

L(N_i；V_k)：请求节点与节点N_i之间的网络延时。

通过公式(4.1)来评估每个场景下载源的资源得分状况。通常而言，客户端带宽为0之100Kb/s，而网络延时为0至10S。为了公平的评价每个指标，本文首先利用两个“归一化因子”Factor_Bw和Factor_Lat对它们进行归一化处理；在归一化完成之后，Bw(N_i)和Lat(N_i；requester)的值域也为[0，1]。

$\mathrm{ResourceScore}\left(N_i\right)=\mathrm{\&alpha;}(1-U_{\mathrm{CPU}}\left(N_i\right)+\mathrm{\&beta;}\frac{\mathrm{Bupload}\left(N_i\right)}{F_{\mathrm{Bw}}}+\mathrm{\&gamma;}\frac{L(N_i,V_k)}{F_{\mathrm{Lat}}}$

设ResourceScore(i)为每个场景下载源的资源得分，由于以上三个因素对资源得分均有影响，因此需要为以上三个因素分别分配权重α，β和γ，α+β+γ＝1。

基于P2P场景下载中的最优场景下载源选择问题可以归为层次分析法适用的复杂决策问题。层次分析法的基本步骤可以归纳如下：

1、建立层次结构模型。在深入分析实际问题的基础上，将有关的各个因素按照不同属性自上而下地分解成若干层次，同一层的所有因素从属于上一层的因素或对上层因素有影响，同时又支配下一层的因素或受到下层因素的作用。最上层为目标层，通常只有1个因素，最下层通常为方案层，中间可以有一个或几个层次，通常为准则层。当准则过多时(譬如多于9个)应进一步分解出子准则层。

2、构造成对比较阵。从层次结构模型的第2层开始，对于从属于(或影响)上一层每个因素的同一层诸因素，用成对比较法和1-9比较尺度构追成对比较阵，直到最下层。

3、计算权向量并做一致性检验。对于每一个成对比较阵计算最大特征根及对应特征向量，利用一致性指标、随机一致性指标和一致性比率做一致性检验。若检验通过，特征向量(归一化后)即为权向量：若不通过，需重新构追成对比较阵。

4、计算组合权向量并做组合一致性检验。通过计算最下层对目标的组合权向量，并根据公式做组合一致性检验；若检验通过，则可按照组合权向量表示的结果进行决策，否则需要重新考虑模型或重新构造那些一致性比率较大的成对比较阵。

图9显示了场景下载请求的动态分配过程。图中节点A首先被选择为最优场景下载源，请求节点首先将下载请求发送给节点A，然而节点A在接受该场景下载请求后，因为自身的原因不能提供下载服务，请求节点则重新选择节点B为最优场景下载源；节点B在接受请求后，按照文件传输优先级向请求节点传输数据。

场景请求处理

如图10所示，为了处理来自不同场景请求者的文件下载请求，提出一种“基于传输贡献的针锋相对”策略。这一策略的基本思路是奖励那些在场景传输中对己方贡献最大的请求节点，同时适当地“惩罚”那些在场景传输中对己方贡献小的请求节点，这一思路反映了漫游的特性。具体的场景文件服务策略如下。

令P_N(V_k，O_i)表示节点V_k目前已经拥有物体O_i的网格增量文件数目(注意这并不是物体O_i实际所拥有的网格增量文件的总数目)。P_ID(P_ij)表示物体O_i的网格增量文件P_j的ID，分别定义每个场景文件的价值如下。

物体O_i的基网格文件的价值为P_N(O_i)，其中N为该物体所拥有网格增量的数目

物体O_i的网格增量文件P_j的价值定义为：P_N(O_i)-P_ID(P_ij)

从以上定义，可以看出若网格增量文件的ID越小，则该网格增量文件的价值越高。定义请求节点V_k所传输文件的总价值为Svalue(V_K)，则有：

$S_{\mathrm{value}}=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}[P_N\left(O_i\right)+\underset{j=1}{\overset{P_N(O_{i)}}{\mathrm{\&Sigma;}}}{P}_N\left(O_i\right)-P_{\mathrm{ID}}\left(P_{\mathrm{ij}}\right)]$

场景下载源检查每个场景请求者一定周期内所传输场景文件的总价值，若某个场景请求者所传输场景文件的总价值越高，则来自该请求节点文件下载请求将会被以更高的优先级服务。而若某个若某个场景请求者所传输场景文件的总价值较低，则来自该请求节点文件下载请求将会被场景传输者阻塞。而在上一个场景文件请求被服务后，若所有请求节点对场景下载服务提供者均未有任何传输贡献，则该场景下载源将选择一个网络延时最小的节点服务。

实施例1

由于存在以下原因：

(1)为了展示对等网下载场景相对于传统C/S模式的下载的优越性，只验证几十个节点的原型系统尚不够；

(2)在广域网环境中构建一个大规模P2P网络显得不太现实。

基于C++语言实实现了一个在局域网内模拟大规模节点行走漫游并下载的模拟器。

首先构建一个大规模虚拟世界并存储于一台服务器。在这个虚拟世界中，所有物体都赋予同样的模型数据量，且所有物体在虚拟平面上的位置都随机放置；接下来，对场景中的所有物体都进行多分辨率化简，在经过多分辨率化简后，每个物体均生成一个基网格和一系列网格增量流式文件；然后将整个虚拟世界从水平面划分为若干个下载单元，并对每个下载单元，均建立场景描述文件。

在当前已知的对等网场景流式传输的课题研究中，例如法国电信研究院的WideReality、德国特里尔大学的HyperVerse及台湾省淡江大学的FLoD，WideReality及HyperVerse是基于飞行漫游模式的场景下载。我们所从事的研究工作与FLoD均为基于行走漫游模式的场景渐进式下载，且均采用了场景文件的多分辨率处理；因此，主要通过与FLoD及Enhanced-FLoD的对比测试来反映本专利的性能。在实验中，一些节点同时进入P2P覆盖网，节点的运动模式类似于FLoD中的运动模式，如图11及图12所示，分为以下两类。

(1)随机运动(Random Way-point，RW)，在这一运动类型中，节点化身每步的移动方向随机产生，这一运动模式的设计理念来源于虚拟漫游中的用户按照兴趣的随机漫游。

(2)聚集运动(Cluster Walk，CW)，在这一运动类型的设计理念来源于现实中的用户体验-即在虚拟城市的漫游过程中，所有用户对一些共同的区域都产生兴趣，例如该城市的中心广场地带等；因此所有节点节点化身将尽可能朝着距离自己最近的“热点区域”移动，本文采用聚集运动模式进行实验时，在虚拟空间中设置一定数量的热点区域。

场景下载请求成功率

场景下载请求成功率(DRSR，Downloading Request Successful Ratio)是当用户每步发送的场景文件下载请求时，能被场景下载源成功回应的下载请求数与总共发送的场景下载请求数之比。图显示，不论P2P-DVE中的节点规模和观察者运动模式，SPT中的场景下载请求成功率呈现出良好的稳定趋势(始终高于95％)。图13同样显示FLOD和Enhanced-FLoD中的场景下载请求成功率随着节点数量的增加而呈现增加的趋势。具体而言，当P2P-DVE中节点数量为200时，FLOD和Enhanced-FLoD中的场景下载请求成功率分别为60％及62％。当P2P-DVE中节点数量增加至2000时，FLOD和Enhanced-FLoD中的场景下载请求成功率分别接近80％及超过80％。然而，FLOD和Enhanced-FLoD中的场景下载请求成功率仍然低于SPT中的同一指标。

下载饱和度

下载饱和度(Downloading Fill Ratio)即用户在漫游过程中，每步能够成功下载的当前可视场景占所有可视场景总量的比例。下载饱和度是描述下载性能的另一个重要指标之一，若下载饱和度越高，则虚拟漫游的实时性和视觉效果就会越好。图14显示了FLoD、Enhanced-FLoD及SPT中的下载饱和度。可以清楚的看出，不论P2P-DVE中的节点规模及观察者运动模式，SPT中的下载饱和度均高于90％，其高于FLoD和Enhanced-FLoD的这一指标。进一步，Enhanced-FLoD中的下载饱和度同样高于FLoD中的这一指标。

饱和度的时序图

下载饱和度的时序图(FR-Time series)反应了用户加入虚拟空间后，下载饱和度随时间流逝而呈现的变化情况。若观察者能够用更短的时间就能够达到较高的下载饱和度，则反应出该下载机制越能够提供更好的性能。如图15显示，SPT达到较高下载饱和度(80％)所耗费的步数明显少于FLoD和Enhanced-FLoD，这体现出SPT相对于FLoD和Enhanced-FLoD的明显优势。以节点规模为2000为例，在聚集运动模式中，SPT仅需不到200步即可以达到80％的下载饱和度；然而，FLoD和Enhanced-FLoD各自需要超过650步和900步才能达到同样的下载饱和度。而在随机运动模式中(节点数量仍然为1000)，SPT同样仅需不到200步即可以达到80％的下载饱和度；然而，FLoD和Enhanced-FLoD各自需要超过650步和900步才能达到同样的下载饱和度。同样地，得益于场景下载源发现策略及最优场景下载源选择策略，相比FLoD和Enhanced-FLoD，观察者在SPT中能够更快地获得场景数据，从而等待更少时间就能体验到更流畅的漫游。

服务器端下载率

服务器端下载率(SDR，Server Downloading Ratio)即用户从服务器端下载的场景数据量占其所有下载场景数据量的比值，基于P2P的虚拟场景传输机制的目的就在于尽可能地降低服务器端的工作负担。从图16可看出，随着节点数量的增加，无论是在随机运动还是聚集运动这两种漫游模式，SDR值都呈现明显的下降趋势。以节点为2000为例，绝大部分虚拟场景都是通过节点之间的相互传输来下载的，只有极少比例(SDR低于在5％以内)的场景是从服务器端下载的。显然，与SDR为100％的C/S下载模式相比，SPT能够大幅度降低服务器端的负载。

综上所述，仅为本发明的较佳实施例而已，并非用来限定本发明实施的范围，凡依本发明权利要求范围所述的形状、构造、特征及精神所为的均等变化与修饰，均应包括于本发明的权利要求范围内。

Claims (1)

1.基于对等网的大规模虚拟场景的高效下载方法，其特征在于，该方法包括以下步骤：

(1)加入分布式虚拟环境；

(2)判定可视场景；

(3)兴趣区域的邻居发现；

(4)场景源发现；

(5)场景源选择；

(6)检测是否能提供服务，若为是，则继续下一步，若为否，则返回步骤(4)；

(7)下载优先级处理；

(8)场景传输；

(9)检测是否视点移动，若为否，则继续下一步，若为是，则返回步骤(2)；

(10)检测是否传输完毕，若为是，则继续下一步，若为否，则返回步骤(8)；

(11)检测是否视点移动，若为否，则继续下一步，若为是，则返回步骤(2)；

(12)预下载。

Images