CN103338387B - 云计算下能量消耗和视频质量联合优化的数据包调度方法 - Google Patents

Abstract

本发明公开了一种云计算下能量消耗和视频质量联合优化的数据包调度方法，其步骤如下：(1)假设一个云计算视频调度系统模型，定义视频失真减小量与能量消耗的效用函数，该模型的云数据中心收集用户请求，用户将请求的信息发送给视频调度器，视频调度器根据用户请求对用户请求队列进行视频调度优化；(2)对上述视频数据采用DAG模型来描述可调度帧集合中帧与帧之间的依赖关系；(3)在每个时隙，将上述的每个帧集合中帧与帧之间的依赖关系与系统状态最优调度优先级融合，视频调度器将当前帧集合中数据包按最优调度顺序向用户发送视频数据包。该方法能减小服务器的能量消耗，同时提高用户接收的视频质量，进而实现云计算中视频调度系统目标时刻的效用最大化。

Description

云计算下能量消耗和视频质量联合优化的数据包调度方法

技术领域

本发明涉及一种云计算下能量消耗和视频质量联合优化的数据包调度方法。

背景技术

云计算是指将计算任务分布在有大量计算机系统构成的资源池上，使各种应用系统能够根据需要获取计算能力、存储空间和软件信息服务。从计算的角度，云计算作为一种大规模的分布式的计算模型，该计算模型是一个网络化的数据中心，数据中心包含n个服务器，具有高性能的计算能力，加上低成本、动态可伸缩等特点，使之成为未来计算的重要发展方向。

随着通信技术的迅猛发展，人们通过通信网络实时获取视频数据已经成为可能，视频数据的特点是：数据量大、计算速度要求高、计算资源需求量及传输量大。当前的视频的应用中，例如：视频点播、视频会议等对减小视频失真的要求越来越高，因此，在视频调度传输过程中，在网络资源有限等的情况下，如何根据用户需求，采用有效调度算法，减小视频失真，使整个网络的性能得到优化，仍然面临很大的挑战。

数据包调度是视频传输中的一个关键问题，数据包调度方法的优异将直接影响网络资源的合理利用以及用户整体接收质量。传统的数据包调度方法中，大都忽略了视频不同帧之间的依赖关系，往往基于传统的分发网络，在能量消耗方面没有充分考虑服务器的负载情况，而在云计算中，计算机系统之间调度带来的能量消耗与服务器的负载情况和频率等有着紧密的联系，因此这些传统的数据包调度方法并不适用于云计算环境。另外，视频传输中的传统数据包调度方法，在数据包调度过程中，仅仅考虑当前时刻的目标最优化，并没有考虑目标时刻的目标最优化。

NicholasMastronarde等人提出在衰落信道下的一种点对点的能量消耗最小的视频数据包调度方法，并采用马尔科夫决策过程，对调度过程建立模型，然而，在该调度过程中，该方法并没有考虑视频不同帧之间的依赖关系。AdityaDua等人提出一种信道、截止时间和失真认知的数据包调度方法，该方法在每个时隙仅仅调度一个视频帧，忽略了视频不同帧之间的依赖关系，并且没有考虑服务器端的能量消耗。FangwenFu等人提出了一种在无线时变信道下的视频数据包调度方法，该方法考虑了视频不同帧之间的依赖关系以及发送端能量消耗的问题，并采用马尔科夫决策过程对调度问题建立模型，但是，该方法在能量消耗方面由于没有考虑发送服务器的负载情况，因此不适应于云计算中服务器的能量消耗优化。

发明内容

本发明的目的在于针对现有技术存在的不足，而提供一种云计算下能量消耗和视频质量联合优化的数据包调度方法，该方法能减小服务器的能量消耗，同时提高用户接收的视频质量，进而实现云计算中视频调度系统目标时刻的效用最大化。

为达到上述目的，本发明的构思是：假设一个云计算视频调度系统模型，定义视频失真减小量与能量消耗的效用函数，在兼顾服务器的能量消耗和用户接收的视频质量的情况下，对视频数据包进行优化调度，实现云计算中视频调度系统目标时刻的效用最大化。

根据上述的发明构思，本发明采用下述技术方案：

一种云计算下能量消耗和视频质量联合优化的数据包调度方法，其具体步骤如下：

(1)、假设一个云计算视频调度系统模型，该模型的云数据中心收集用户请求，用户将请求的信息发送给视频调度器，视频调度器根据用户请求对用户请求队列进行视频调度优化；

(2)、对上述视频数据采用DAG(DAG为英文DirectedAcyclicGraph的缩写，其中文译名为有向无环图)模型来描述可调度帧集合中帧与帧之间的依赖关系；

(3)、在每个时隙，将上述的每个帧集合中帧与帧之间的依赖关系与系统状态最优调度优先级融合，视频调度器将当前帧集合中数据包按最优调度顺序向用户发送视频数据包。

本发明的云计算下能量消耗和视频质量联合优化的数据包调度方法与现有技术相比较具有的优点是：该方法采用云计算视频调度系统模型，不仅能提高用户接收的视频质量，同时降低云计算中服务器的能量消耗，以实现云计算中视频调度系统中目标时刻的效用最大化。

附图说明

图1本发明的方法中的一种云计算视频调度系统模型结构的示意图；

图2本发明中的当前帧集合中I、P、B、P、B、P、B帧的调度优先级调度的示意图；

图3本发明的联合优化调度方法的能量消耗与现有的近视优化调度方法的能量消耗比较的视频失真减小量示意图；

图4本发明的联合优化调度方法的视频失真减小量与现有的近视优化调度方法比较的能量消耗示意图；

图5本发明的联合优化调度方法在不同时间阶段对应的能量消耗与现有的近视优化调度方法的能量消耗比较的能量消耗示意图；

图6本发明的联合优化调度方法的能量消耗与现有的近视优化调度方法比较的效用示意图。

具体实施方式

下面结合附图对本发明的实施例作进一步的详细说明。

本实施例以本发明的技术方案为前提下进行实施，给出了详细的实施方式，但本发明的保护范围不限于下述的实施例。

本发明的云计算下能量消耗和视频质量联合优化的数据包调度方法，该方法假设一个云计算视频调度系统模型，定义视频失真减小量与能量消耗的效用函数，在兼顾云数据中心的能量消耗和用户接收的视频质量的情况下，对视频数据包进行优化调度，实现云计算中视频调度系统目标时刻的效用最大化，其具体步骤如下：

(1)、假设一个云计算视频调度系统模型，该模型的云数据中心收集用户请求，将用户请求的信息发送给视频调度器，视频调度器根据用户请求对用户请求队列进行视频调度优化，所述的一个云计算视频调度系统模型包括n个用户、一个云数据中心，该数据中心包含N个服务器、N个视频调度器，每个服务器存储不同的视频数据包，如图1所示，云数据中心收集用户请求，将用户请求的信息发送给视频调度器，视频调度器根据用户请求对用户请求队列进行视频调度优化，其具体步骤如下：

(1-1)、计算每个时隙服务器的请求队列长度，假设云数据中心收集用户视频请求，视频调度器每个时隙接收用户的视频请求数，记为A(t)，每个时隙服务器的请求队列长度为Q(t)，其表达式为：

Q(t+1)＝max{Q(t)-R(t),0}+A(t)(1)

其中，Q(t)＜N，A(t)≤A_max，t+1表示t的下一个时刻，A_max表示每个时隙到达用户请求队列的最大用户请求数，R(t)表示在t时刻从用户请求队列中离开的用户请求数量；

(1-2)、计算t时刻从用户请求队列中离开的用户请求数量的转移概率。假设每个时隙每个服务器VM对一个用户请求服务，其表达式为：

L(t)＝Q(t)/N(2)

其中，L(t)表示t时刻服务器负载，L(t)∈(0,1)，在每个时隙，服务器负载随着用户请求队列Q(t)长度的变化，将服务器负载L(t)的状态转移组成一个有限状态的马尔科夫链，其转移概率为：

$p_{L_{t+1}/L_t}=p(L_{t+1}/L_t),p_{L_{t+1}/L_t}\∈\left[\mathrm{0,1}\right]$

其中，表示服务器的负载L(t)的状态转移概率，L_t+1表示t+1时刻的服务器负载，L_t表示t时刻的服务器负载；

(1-3)、采用一个二次式模型对服务器的能量消耗和单位时间内调度的数据包数量之间的非线性关系进行如下估计，其估计表达式为：

E(π_t,t)＝βL(t)(E_min+γ(π_t-π_min)²)，β＞0，γ＞0(4)

其中，π_t表示在每个时隙内视频调度器从服务器的视频数据中调度给用户的数据包数量，π_min表示可传输的最小数据包数量，E_min表示服务器调度π_min个数据包所消耗的最小能量，β和γ为折扣因子；

(2)、对上述视频数据采用DAG(DAG为英文DirectedAcyclicGraph的缩写，其中文译名为有向无环图)模型描述可调度帧集合中帧与帧f_i ^g之间的依赖关系，其具体步骤如下：

(2-1)、对视频数据进行周期性的编码，设T为周期，一个可调度帧集合包含N₀个帧记为其中f_i ^g表示GOP中的一个帧，每个帧f_i ^g包含一定数量的数据包，每个数据包对应一个失真减小量视频数据的特征包含：帧类型、数据包数量、解码截止时间和帧之间的依赖关系，其依赖性关系采用DAG模型描述，其表达式为：

DAG＝〈F,E〉(5)

其中，F表示可调度的帧集合，E是表示帧之间依赖关系的边界集合，若帧依赖于帧f_i ^g，则采用表示依赖于f_i ^g；

(2-2)、当前帧集合：

每个时隙，视频调度器所调度的帧集合，其解码截止时间在调度时间窗范围内，定义当前帧集合为：

$V_t=\left\{f_i^g\right|d_{f_i^g}\∈\[t,t+W\]\}---\left(6\right)$

其中，V_t表示当前帧集合，f_i ^g表示当前帧集合所包含的帧，表示帧f_i ^g的解码截止时间，[t,t+W]为调度时间窗，t表示调度时间窗的起始时刻，W表示调度时间窗的长度，将当前帧集合序列组成一个当前帧的马尔科夫链；

(2-3)、在当前帧集合V_t下，定义t时刻待调度的数据包缓冲区状态，即t时刻在缓冲区中等待调度的数据包数量，表示为：

b_t＝{b_f,t|f∈V_t}(7)

其中，b_t表示t时刻待调度的数据包缓冲区状态，V_t表示当前帧集合，b_f,t表示t时刻帧f中待调度的数据包数量，b_f,t满足b_f,t≤m_f，其中m_f表示帧f包含的数据包数量。t+1时刻缓冲区状态中包含的待调度的数据包的数量，采用下式表示：

$b_{f,t+1}=\left\{\begin{array}{c}{b}_{f,t}-{\mathrm{\π}}_{f,t},f\∈V\∩V_{t+1},\\ m_{f,t},f\∈V_{t+1}\backslash V_t.\end{array}\right.---\left(8\right)$

其中，V_t∩V_t+1表示从t时刻到t+1时刻的帧集合，V_t+1\V_t表示在t+1时刻新到达的帧集合，由公式(8)可知，缓冲区状态的转移与上一时刻所调度的数据包数量有关，将待调度的数据包缓冲区状态的转移组成一个缓冲区状态的马尔科夫链；

(2-4)、定义调度优先级状态：在每个时隙，将当前帧集合所包含的帧划分调度优先级，用一个优先级链表示，如图2所示的一个包含I、P、B、P、B、P、B帧的调度优先级调度的示意图，在当前的调度时间窗内，箭头的指向表示调度的顺序，调度过程按照此优先级链的顺序进行，具体如下：

定义一个调度优先级状态c_t＝{c_f,t|f∈V_t}，具体如下：

其中表示若帧f_i ^g在t时刻是被调度和解码，那么在t+1时刻被调度和解码；表示若帧f_i ^g在t时刻没有被调度，那么将在t+1时刻没有被调度和解码，将上述帧划分调度优先级状态的转移组成一个调度优先级状态的马尔科夫链。

(3)、在每个时隙，将上述的每个帧集合中帧与帧f_i ^g之间的依赖关系与系统状态最优调度优先级融合，视频调度器将当前帧集合中数据包按最优调度顺序向用户发送视频数据包，其具体步骤如下：

(3-1)、定义系统状态为S_t＝(L_t,V_t,b_t,c_t)，每个时隙视频调度器从当前帧集合中调度数据包数量，表示为：

π_t(L_t,V_t,b_t,c_t)＝{π_f,t|f∈V_t}(10)

其中，Vt表示当前帧集合，π_f,t表示对帧集合V_t中帧f调度数据包数量，满足0≤π_f,t≤b_f,t；

(3-2)、在上述系统状态s_t下，根据当前帧集合中帧的调度优先级，定义目标时刻的效用函数，记为u，其表达式为：

u＝u(s_t,π_t)(11)

其中，u(s_t,π_t)表示在当前系统状态s_t下对帧集合调度π_t个数据包所获得的效用。

上述效用函数包括视频失真减小量与能量消耗两部分，具体表达式为：

$u(s_t,{\mathrm{\π}}_t)=\underset{f\∈V_t}{\Σ}{r}_f{\mathrm{\π}}_{f,t}-\mathrm{\α}E({\mathrm{\π}}_{f,t},t),\mathrm{\α}>0---\left(12\right)$

其中，表示t时刻调度π_f,t个数据包所获得的视频失真减小量，r_f表示帧f中一个数据包的失真减小量，α为权衡因子，E(π_f,t,t)表示调度π_f,t个数据包对应的服务器能量消耗，式(12)中的αE(π_f,t,t)具体表达式为：

αE(π_f,t,t)＝μL(t)(E_min+γ(π_f,t-π_min)²)(13)

其中，μ＝αβ，β和γ均表示折扣因子，L(t)表示t时刻的服务器负载，π_f,t表示t时刻调度的数据包数量，π_min表示可传输的最小数据包数量，E_min表示服务器调度π_min个数据包所消耗的最小能量，调度系统的目标在于获得目标时刻的效用最大值，此效用最大值表达式为：

$U(s_t,{\mathrm{\π}}_t)=\underset{{\mathrm{\π}}_t,\∀t}{max}E\left\{\underset{t=0}{\overset{\mathrm{\∞}}{\Σ}}{\mathrm{\λ}}^{t}u(s_t,{\mathrm{\π}}_t)\right\}---\left(14\right)$

其中，λ为折扣因子，λ^t表示λ关于t的指数形式，其值随t变化，λ∈[0,1)；

(3-3)、将前面所述调度系统的目标优化过程看作是一个马尔科夫决策过程，通过求解以下贝尔曼方程，获得最优调度，贝尔曼方程为：

$U\left(s_t\right)=\underset{{\mathrm{\π}}_t,\∀t}{max}\{u(s_t,{\mathrm{\π}}_t)+\mathrm{\λ}\underset{s_{t+1}\∈S}{\Σ}P(s_{t+1}/s_t,{\mathrm{\π}}_t)U\left(s_{t+1}\right)\}---\left(15\right)$

其中，P(s_t+1/s_t,π_t)表示调度π_t个数据包后系统状态从s_t到s_t+1的转移概率，该系统状态转移概率满足下式：

$P(s_{t+1}/s_t,{\mathrm{\π}}_t)=p_{L_{t+1}/L_t}\underset{f\∈V_{t+1}\backslash V_t}{\Π}{\mathrm{PMF}}_f\left(m_f\right)---\left(16\right)$

式中表示服务器负载状态从L_t到L_t+1的转移概率，服务器负载状态的转移概率可通过用户请求的随机过程计算，表示帧集合V_t+1\V_t中新到达的帧的概率；

(3-4)、在每个时隙，将步骤(2-1)所述的每个帧集合中帧与帧f_i ^g之间的依赖关系与步骤(3-3)所述的最优调度优先级融合，视频调度器将当前帧集合中数据包按最优调度顺序向用户调度的视频数据包数量，记为其具体表达式为：

${\mathrm{\π}}_t^{*}=\arg \underset{{\mathrm{\π}}_t,\∀t}{max}\{u(s_t,{\mathrm{\π}}_t)+\mathrm{\λ}\underset{s_{t+1}\∈S}{\Σ}P(s_{t+1}/s_t,{\mathrm{\π}}_t)U\left(s_{t+1}\right)\}---\left(17\right)$

其中，表示数据包的最优调度数量，λ为折扣因子，λ∈[0,1)，π_t表示调度的数据包数量，P(s_t+1/s_t,π_t)表示调度π_t个数据包后，系统状态从s_t到s_t+1的转移概率，U(s_t+1)表示t+1时刻对应的系统状态s_t+1下的调度系统效用最大值。

如图2所示，当前帧集合中帧的数据包调度过程如下：

开始时，首先调度一个帧集合，一个帧集合包含一个I帧、一个P帧和一个B帧，即，I是内部编码帧，P是前向预测帧，B是双向内插帧。根据定义的当前帧集合中帧的调度优先级，按照此优先级链的顺序调度I帧的数据包，判断调度优先级状态c_t是否等于1，如果调度优先级状态c_t不等于1，则继续调度I帧剩余的数据包，如果调度优先级状态c_t等于1，则认定I帧的数据包调度完毕；

然后，调度P帧的数据包，判断调度优先级状态c_t是否等于1，如果调度优先级状态c_t不等于1，则继续调度P帧剩余的的数据包，如果调度优先级状态c_t等于1，则认定P帧的数据包调度完毕；

最后，调度B帧的数据包，判断调度优先级状态c_t是否等于1，如果调度优先级状态c_t不等于1，则继续调度B帧剩余的数据包，如果调度优先级状态c_t等于1，则认定B帧的数据包调度完毕。

当第一个时隙需要调度的数据包调度完毕后，参照上述帧的数据包调度过程，紧接着在下一个时隙调度下一个帧集合，直到下一个帧集合中的需要调度的数据包全部调度完成，每个时隙所调度的数据包数量由所获得的系统效用决定，即每个时隙调度的数据包都能获得系统效用最大值。为验证本发明的云计算下能量消耗和视频质量联合优化的数据包调度方法(以下简称本发明的联合优化调度方法)与现有的调度方法相比较具有性能优点，通过仿真实验加以验证。仿真实验中，视频序列的额帧率设置为30帧每秒，每个帧集合包含16个帧，权衡因子α取值范围为[1,10]。该实验结果通过调度多个帧集合视频数据得到。如图3所示，图中，横轴表示能量消耗(mJ)，纵轴表示失真减小量，带三角形曲线表示现有的调度方法的失真减小量曲线，带圆形所在的曲线表示本发明的联合优化调度方法的失真减小量曲线，从图3中可以看出，在横轴所示能量消耗相同时，本发明的联合优化调度方法获得的失真减小量明显高于现有的近视优化调度方法获得的失真减小量，因此，用户接收的视频质量相对更高。如图4所示，图中，横轴表示失真减小量，纵轴表示能量消耗(mJ)，带三角形曲线表示现有的调度方法的能量消耗曲线，带圆形所在的曲线表示本发明的联合优化调度方法的能量消耗曲线，从图4中可以观察到，在横轴所示用户获得相同失真减小量时，本发明的联合优化调度方法的能量消耗少于现有的近视优化调度方法的能量消耗。综上可见，在相同情况下，本发明的联合优化调度方法的失真减小量和能量消耗能要明显好于近视优化调度方法的失真减小量和能量消耗。

为了能充分验证本发明的联合优化调度方法相较于现有方法所具有的性能优势，还通过调度更多个帧集合的视频数据包的仿真实验加以验证，如图5所示，图中，横轴表示时间阶段，纵轴表示能量消耗(mJ)，带三角形曲线表示现有的调度方法的能量消耗曲线，带圆形所在的曲线表示本发明的联合优化调度方法的能量消耗曲线，从图3中可以看出，调度的视频数据包在不同时间阶段对应的能量消耗是不同的，在横轴所示的时间阶段内，本发明的联合优化调度方法的能量消耗明显少于现有的近视优化调度方法的能量消耗。如图6所示，图中，横轴表示能量消耗(mJ)，纵轴表示效用，带三角形曲线表示现有的调度方法的效用曲线，带圆形所在的曲线表示本发明的联合优化调度方法的效用曲线，为系统调度π_t个数据包所获得的失真减小量和能量消耗比较示意图，从图6中可以看出，在能量消耗相同时，本发明的联合优化调度方法获得的系统调度π_t个数据包所获得的失真减小量明显高于现有的近视优化调度方法获得的系统调度π_t个数据包所获得的失真减小量。

Claims (3)

1.一种云计算下能量消耗和视频质量联合优化的数据包调度方法，其特征在于：假设一个云计算视频调度系统模型，定义视频失真减小量与能量消耗的效用函数，在兼顾服务器的能量消耗和用户接收的视频质量的情况下，对视频数据包进行优化调度，实现云计算中视频调度系统目标时刻的效用最大化，其具体步骤如下：

(1)、假设一个云计算视频调度系统模型，该模型的云数据中心收集用户请求，用户将请求的信息发送给视频调度器，视频调度器根据用户请求对用户请求队列进行视频调度优化；

(2)、对上述视频数据采用有向无环图DAG模型描述可调度帧集合中帧与帧f_i ^g之间的依赖关系，其具体步骤如下：

(2-1)、对视频数据进行周期性的编码，设T为周期，一个可调度帧集合包含N₀个帧f₁ ^g,f₂ ^g,...,记为其中，f_i ^g表示GOP中的一个帧，每个帧f_i ^g包含一定数量的数据包，每个数据包对应一个失真减小量视频数据的特征包含：帧类型、数据包数量、解码截止时间和帧之间的依赖关系，其依赖性关系采用DAG模型描述，其表达式为：

DAG＝＝〈F,E〉(5)

其中，F表示可调度的帧集合，E是表示帧之间依赖关系的边界集合，若帧依赖于帧f_i ^g，则采用表示依赖于f_i ^g；

(2-2)、当前帧集合：

每个时隙，视频调度器所调度的帧集合，其解码截止时间在调度时间窗范围内，定义当前帧集合为：

$V_t=\left\{f_i^g\right|d_{f_i^g}\∈\[t,t+W\]\}---\left(6\right)$

其中，V_t表示当前帧集合，f_i ^g表示当前帧集合所包含的帧，表示帧f_i ^g的解码截止时间，[t,t+W]为调度时间窗，t表示调度时间窗的起始时刻，W表示调度时间窗的长度，可将当前帧集合序列组成一个当前帧的马尔科夫链；

(2-3)、在当前帧集合V_t下，定义t时刻待调度的数据包缓冲区状态，即t时刻在缓冲区中等待调度的数据包数量，表示为：

b_t＝{b_f,t|f∈V_t}(7)

其中，b_t表示t时刻待调度的数据包缓冲区状态，V_t表示当前帧集合，b_f,t表示t时刻帧f中待调度的数据包数量，b_f,t满足b_f,t≤m_f，其中m_f表示帧f包含的数据包数量，t+1时刻缓冲区状态中包含的待调度的数据包的数量，采用下式表示：

$b_{f,t+1}=\left\{\begin{array}{c}{b}_{f,t}-{\mathrm{\π}}_{f,t},f\∈V_t\∩V_{t+1},\\ m_{f,t},f\∈V_{t+1}\backslash V_t.\end{array}\right.---\left(8\right)$

其中，V_t∩V_t+1表示从t时刻到t+1时刻的帧集合，V_t+1\V_t表示在t+1时刻新到达的帧集合，π_f,t表示对帧集合V_t中帧f调度数据包数量；由公式(8)可知，缓冲区状态的转移与上一时刻所调度的数据包数量有关，将待调度的数据包缓冲区状态的转移组成一个缓冲区状态的马尔科夫链；

(2-4)、定义调度优先级状态：在每个时隙，将当前帧集合所包含的帧划分调度优先级，用一个优先级链表示，调度过程按照此优先级链的顺序进行，具体如下：

定义一个调度优先级状态c_t＝{c_f,t|f∈V_t},具体如下：

其中，表示若帧f_i ^g在t时刻是被调度和解码，那么在t+1时刻被调度和解码；表示若帧f_i ^g在t时刻没有被调度，那么将在t＝1时刻没有被调度和解码，将上述帧划分调度优先级状态的转移组成一个调度优先级状态的马尔科夫链；

(3)、在每个时隙，将上述的每个帧集合中帧与帧f_i ^g之间的依赖关系与系统状态最优调度优先级融合，视频调度器将当前帧集合中数据包按最优调度顺序向用户发送视频数据包。

2.根据权利要求书1所述的云计算下能量消耗和视频质量联合优化的数据包调度方法，其特征在于，上述步骤(1)所述的一个云计算视频调度系统模型，该模型的云数据中心收集用户请求，将用户请求的信息发送给视频调度器，视频调度器根据用户请求对用户请求队列进行视频调度优化，所述的一个云计算视频调度系统模型包括n个用户、一个云数据中心，该数据中心包含N个服务器、N个视频调度器，每个服务器存储不同的视频数据包，其具体步骤如下：

(1-1)、计算每个时隙服务器的请求队列长度，假设云数据中心收集用户视频请求，视频调度器在每个时隙接收用户的视频请求数，记为A(t)，每个时隙服务器的请求队列长度为Q(t)，其表达式为：

Q(t+1)＝max{Q(t)-R(t),0}+A(t)(1)

其中，Q(t)＜N，t+1表示t的下一个时刻，A(t)≤A_max，A_max表示每个时隙到达用户请求队列的最大用户请求数，R(t)表示在t时刻从用户请求队列中离开的用户请求数量；

(1-2)、计算t时刻从用户请求队列中离开的用户请求数量的转移概率，假设每个时隙每个服务器VM对一个用户请求服务，其表达式为：

L(t)＝Q(t)/N(2)

其中，L(t)表示t时刻服务器负载，L(t)∈(0,1)，在每个时隙，服务器负载随着用户请求队列Q(t)长度的变化，将服务器负载L(t)的状态转移组成一个有限状态的马尔科夫链，其转移概率为：

$p_{L_{t+1}/L_t}=p(L_{t+1}/L_t),p_{L_{t+1}/L_t}\∈\[0,1\]---\left(3\right)$

其中，表示服务器的负载L(t)的状态转移概率，L_t+1表示t+1时刻的服务器负载，L_t表示t时刻的服务器负载；

(1-3)、采用一个二次式模型对服务器的能量消耗和单位时间内调度的数据包数量之间的非线性关系进行如下估计，其估计表达式为：

E(π_t,t)＝βL(t)(E_min+γ(π_t-π_min)²)β＞0，γ＞0(4)

其中，π_t表示在每个时隙内视频调度器从服务器的视频数据中调度给用户的数据包数量，π_min表示可传输的最小数据包数量，E_min表示服务器调度π_min个数据包所消耗的最小能量，β和γ为折扣因子。

3.根据权利要求书1所述的云计算下能量消耗和视频质量联合优化的数据包调度方法，其特征在于，上述步骤(2)所述的在每个时隙，将上述的每个帧集合中帧与帧f_i ^g之间的依赖关系与系统状态最优调度优先级融合，视频调度器将当前帧集合中数据包按最优调度顺序向用户发送视频数据包，其具体步骤如下：

(3-1)、定义系统状态为S_t＝(L_t,V_t,b_t,c_t)，每个时隙视频调度器从当前帧集合中调度数据包数量，表示为：

π_t(L_t,V_t,b_t,c_t)＝{π_f,t|f∈V_t}(10)

其中，V_t表示当前帧集合，π_f,t表示对帧集合V_t中帧f调度数据包数量，满足0≤π_f,t≤b_f,t；

(3-2)、在上述系统状态s_t下，根据当前帧集合中帧的调度优先级，定义目标时刻的效用函数，记为u，其表达式为：

u＝u(s_t,π_t)(11)

其中，u(s_t,π_t)表示在当前系统状态s_t下对帧集合调度π_t个数据包所获得的效用，

上述效用函数包括视频失真减小量与能量消耗两部分，具体表达式为：

$\begin{array}{cc}u(s_t,{\mathrm{\π}}_t)=\underset{f\∈V_t}{\Σ}{r}_f{\mathrm{\π}}_{f,t}-\mathrm{\α}E({\mathrm{\π}}_{f,t},t)& \mathrm{\α}>0\end{array}---\left(12\right)$

其中，表示t时刻调度π_f,t个数据包所获得的视频失真减小量，r_f表示帧f中一个数据包的失真减小量，α为权衡因子，E(π_f,t,t)表示调度π_f,t个数据包对应的服务器能量消耗，式(12)中的αE(π_f,t,t)具体表达式为：

αE(π_f,t,t)＝μL(t)(E_min+γ(π_f,t-π_min)²)(13)

其中，μ＝αβ，β和γ均表示折扣因子，L(t)表示t时刻的服务器负载，π_f,t表示t时刻调度的数据包数量，π_min表示可传输的最小数据包数量，E_min表示服务器调度π_min个数据包所消耗的最小能量，调度系统的目标在于获得目标时刻的效用最大值，此效用最大值表达式为：

$U(s_t,{\mathrm{\π}}_t)=\underset{{\mathrm{\π}}_t,\∀t}{max}E\left\{\underset{t=0}{\overset{\mathrm{\∞}}{\Σ}}{\mathrm{\λ}}^{t}u(s_t,{\mathrm{\π}}_t)\right\}---\left(14\right)$

其中，λ为折扣因子，λ^t表示λ关于t的指数形式，其值随t变化，λ∈[0,1)；

(3-3)、将前面所述调度系统的目标优化过程看作是一个马尔科夫决策过程，通过求解以下贝尔曼方程，获得最优调度，贝尔曼方程为：

$U\left(s_t\right)=\underset{{\mathrm{\π}}_t,\∀t}{max}\{u(s_t,{\mathrm{\π}}_t)+\mathrm{\λ}\underset{s_{t+1}\∈S}{\Σ}P(s_{t+1}/s_t,{\mathrm{\π}}_t)U\left(s_{t+1}\right)\}---\left(15\right)$

其中，P(s_t+1/s_t,π_t)表示调度π_t个数据包后系统状态从s_t到s_t+1的转移概率，该系统状态转移概率满足下式：

$p(s_{t+1}/s_t,{\mathrm{\π}}_t)=p_{L_{t+1}/L_t}\underset{f\∈V_{t+1}\backslash V_t}{\mathrm{\Π}}{\mathrm{PMF}}_f\left(m_f\right)---\left(16\right)$

式中表示服务器负载状态从L_t到L_t+1的转移概率，服务器负载状态的转移概率通过用户请求的随机过程计算，表示帧集合V_t+1\V_t中新到达的帧的概率；

(3-4)、在每个时隙，将步骤(2-1)所述的每个帧集合中帧与f_i ^g之间的依赖关系与步骤(3-3)所述的最优调度优先级融合，视频调度器将当前帧集合中数据包按最优调度顺序向用户调度视频数据包数量，记为具体表达式为：

${\mathrm{\π}}_t^{*}=\arg \underset{{\mathrm{\π}}_t,\∀t}{max}\{u(s_t,{\mathrm{\π}}_t)+\mathrm{\λ}\underset{s_{t+1}\∈S}{\Σ}P(s_{t+1}/s_t,{\mathrm{\π}}_t)U\left(s_{t+1}\right)\}---\left(17\right)$

其中，表示数据包的最优调度数量，λ为折扣因子，λ∈[0,1)，π_t表示调度的数据包数量，P(s_t+1/s_t,π_t)表示调度π_t个数据包后系统状态从s_t到s_t+1的转移概率，U(s_t+1)表示t+1时刻对应的系统状态s_t+1下的调度系统效用最大值。