CN103701619B - 基于cdn和数据中心动态选择的互联网内容分发方法 - Google Patents

Abstract

本发明提供给的基于CDN和数据中心动态选择的互联网内容分发方法，包括步骤：入口服务器对用户动态数据请求，通过动态选择的互联网内容分发方法，执行选择过程，选择由哪一个内容分发网络CDN来接受用户服务请求、以及由哪一个数据中心提供数据。用户的请求被重定向到被选择的内容分发网络的一个副本服务器上，通过选择过程，选择一个分布式的数据中心，用来返回动态数据到被选择的内容分发网络上离用户最近的副本服务器上，被选择的副本服务器返回静态数据和动态数据给用户。本发明通过综合网络、CDN、数据中心的约束条件，求解混合整数线性规划，用以得到这三者间费用最优的数据流。动态数据处理的费用较传统方法平均降低10%以上。

Description

基于CDN和数据中心动态选择的互联网内容分发方法

技术领域

本发明涉及内容分发网络，具体地，涉及基于CDN和数据中心动态选择的互联网内容分发方法。

背景技术

内容分发网络（Content Distributed Network,CDN），是通过在网络各处放置副本服务器，作为用户和源服务器之间增加的Cache层，将用户的请求引导到Cache上获得源服务器的数据，从而使用户可就近取得所需内容，解决Internet网络拥挤的状况，提高用户访问网站的响应速度。其中，源服务器中数据存放在分布式的数据中心中，同时，用户访问的数据可能在不同服务器或数据中心中有多份拷贝。

用户访问的数据主要涉及动态数据和静态数据，其中，CDN中进行缓存的主要为静态数据，用户在进行静态数据访问时，在数据不过期时CDN可以直接通过副本服务器向用户返回缓存的内容。而动态数据的获得仍然需要CDN向源服务器进行请求，通过可以获得该数据的数据中心，向用户返回该数据。

当前，各个CDN提供商有着不同的计价标准。同时，每个CDN会将自己用户组按照不同的地理范围划分为不同的区域，不同区域间实行不同的计价标准，一般是按照使用的流量收费，也有个别CDN是按照网络访问次数收费或两者兼用。另外，用户较多使用CDN也会有费用上的优惠，即用户使用流量较多时，CDN提供商将会降低用户每单位流量的费用。

对于在内容分发网络中产生的费用，主要包含两个方面：

1)用户使用CDN的费用。

2)数据中心的电价。

在当前的研究中，学者们一直非常关心如何降低数据中心的电价，以及如何降低用户使用CDN的费用

在降低数据中心的电价方面，主要有以下几种方法：

1)数据中心内部

数据中心内部降低电价的方式有：动态地关闭暂时不使用的服务器；合理使用数据中心内的降温系统等。

2)多数据中心间

由于数据中心是分布式的，在不同地区，单位电能的电价可能不一样。同时，由于在一部分国家地区由于智能电网的作用，产生了实时电价，即同一地区不同时间的电价也可能不同。由于电价的差别，将数据分配给不同数据中心处理，将会使总电价降低。

目前的CDN分配策略，主要是将用户的请求数据分配到距离最近的CDN中。对用户使用CDN费用降低的方法主要为：在满足用户延时和负载限制的情况下，将用户的请求数据分配到用户可以访问的CDN中费用最低的CDN上。

虽然当前有各种各样的方法来降低数据中心中的电价或用户使用CDN的费用，但并没有一种方法将其综合考虑。即在当前的方法中，数据中心电价降低的方法有可能导致CDN费用的上涨，CDN费用降低的方法也可能导致数据中心电价的上涨，使在内容分发网络中产生的总费用增加或降低较少。因此，需要提供一种综合降低数据中心中电价及用户使用CDN费用的方法，以优化内容分发网络中产生的总费用。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于CDN和数据中心动态选择的互联网内容分发方法。本发明主要涉及三个发明点：COMIC框架，基于费用的cost-aware算法，cost-aware算法的辅助算法。其中COMIC框架主要用以描述用户向CDN请求数据时用户、CDN、数据中心间的相互联系及数据传输，是一种新型的用户、CDN、数据中心间的数据传输架构，用以支持我们设计的基于费用的cost-aware算法。基于费用的cost-aware算法，主要用以降低数据中心中电价及用户使用CDN的费用的总费用。cost-aware算法的辅助算法，用以减少在cost-aware算法中涉及到的变量个数，提高算法效率。

根据本发明提供的基于CDN和数据中心动态选择的互联网内容分发方法，包括如下步骤：

步骤1：入口服务器接收用户对于数据的请求；

步骤2：入口服务器对用户对于数据的请求进行辨识，辨识为动态数据请求或者静态数据请求；对于动态数据请求，由入口服务器执行选择过程，其中，所述选择过程为：选择由哪一个内容分发网络CDN来接受用户服务请求、以及由哪一个数据中心提供数据；

步骤3：入口服务器返回基本的索引页给用户；

步骤4：通过选择过程，选择一个合适的内容分发网络CDN作为被选择的内容分发网络；

步骤5：用户的请求被重定向到所述被选择的内容分发网络上；

步骤6：用户的请求被重定向到被选择的内容分发网络的一个副本服务器上；

步骤7：通过选择过程，选择一个分布式的数据中心，用来返回动态数据到被选择的内容分发网络上离用户最近的副本服务器上；

步骤8：被选择的所述最近的副本服务器返回静态数据和动态数据给用户。

优选地，所述选择过程具体包括如下步骤：

步骤A1：利用输入的网络拓扑结构中集合CN_j、和集合ND_k，计算出待求集合CD_j，其中：

集合CN_j为内容分发网络c_j能够相连的数据中心n_k的集合，c_j表示编号为j的内容分发网络，n_k表示编号为k的数据中心；

集合ND_k为数据中心n_k能够处理的数据类型d_m的集合，d_m表示编号为m的数据类型；

集合CD_j为内容分发网络c_j能够处理的数据类型d_m的集合；

步骤A2，利用用户组集合U_s、集合UC_l、集合CD_j，求出对任意u_l∈U_s,c_j∈UC_l,d_m∈CD_j的组合，作为f_uc(u_l,c_j,d_m)的非零变量，其中，集合UC_l为所在地理位置为l的用户组u_l能够相连的内容分发网络c_j的集合，f_uc(u_l,c_j,d_m)为用户u_l向内容分发网络c_j对数据类型d_m的请求数；

步骤A3，利用内容分发网络的集合C_s、集合CN_j、集合CD_j，求出对任意c_j∈C_s,n_k∈CN_j,d_m∈ND_k的组合，作为f_cd(c_j,n_k,d_m)的非零变量，其中，f_cd(c_j,n_k,d_m)为内容分发网络c_j向数据中心n_k对数据类型d_m的请求数。

优选地，所述选择过程具体还包括如下步骤：

步骤B1：根据数据中心所在位置的实时电价、数据类型的特性、内容分发网络的计费函数，使用MATLAB的工具箱YALMIP进行混合整数线性规划求解，得到相应的f_uc(u_l,c_j,d_m)和f_cd(c_j,n_k,d_m)；

步骤B2：利用得到的f_uc(u_l,c_j,d_m)和f_cd(c_j,n_k,d_m)，判断来自地理位置为l的用户组 u_l关于数据类型d_m的请求由哪个内容分发网络c_j处理和哪个数据中心n_k处理。

优选地，所述数据类型的特性，包括：一个处理器可以同时处理数据的个数、处理一个数据类型的数据的平均耗电量、每种数据类型的平均大小。

优选地，在步骤B1中，所述混合整数线性规划求解，在待求的线性规划中，解向量中的参数中被约束全为整数，或部分为整数，以满足具体情况下的需求。

优选地，在步骤B2中，所述的判断来自地理位置为l的用户组u_l关于数据类型d_m的请求由哪个内容分发网络c_j处理和哪个数据中心n_k处理，具体为：

（1）对任意的u_l，根据相应的f_uc(u_l,c_j,d_m)，判断出该用户u_l关于数据类型d_m向内容分发网络c_j发送了多少请求；通过遍历所有的内容分发网络c_j，确定对于用户组u_l关于数据类型d_m的请求由哪个或哪些内容分发网络c_j处理；

（2）对任意的c_j，根据相应的f_cd(c_j,n_k,d_m)，判断出该内容分发网络c_j关于数据类型d_m向相应的数据中心n_k发送了多少请求；对相应的用户u_l，计算则为用户u_l通过内容分发网络c_j关于数据类型d_m向该数据中心n_k发送的平均请求数；遍历内容分发网络c_j及数据中心n_k，计算出用户u_l通过内容分发网络c_j关于数据类型d_m向该数据中心n_k发送的平均请求数。

与现有技术相比，本发明具有如下的有益效果：

显著降低用户在请求动态数据类型时使用CDN和数据中心的总费用，通过我们的各种实验，平均情况下可以降低总费用10%以上，在较好情况下可以达到降低总费用20%以上。同时，我们在降低总费用的同时，也通过cost-aware算法的约束条件，以保证CDN和数据中心的服务质量。

附图说明

通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1是图示出COMIC框架用户的请求在内容分发网络中进行处理的步骤。

图2为用户、CDN、数据中心、数据间的相互网络拓扑关系。

图3为图2中所选取的5个数据中心所在位置的24个小时的实时电价。

图4为图2中所选取的4个数据类型的特性，包括一个处理器可以同时处理数据的个数、处理一个数据类型的数据的平均耗电量、每种数据类型的平均大小。

图5、6、7为图2中选取的3个CDN的计费函数。

图8、9为cost-aware辅助算法的计算结果。

图10为具体实施例中COMIC框架下cost-aware算法同传统算法的节约比。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

本发明提供的COMIC（Cost Optimization for Internet Content Multihoming,网络内容分发费用优化）框架，用以描述用户向CDN请求数据时用户、CDN、数据中心间的相互联系及数据传输。并通过基于费用的cost-aware（费用依赖型）算法，以降低数据中心中电价及用户使用CDN的费用的总费用。同时，设计了cost-aware算法的辅助算法，以减少在cost-aware算法中涉及到的变量个数，提高算法效率。

通过COMIC框架，用户在CDN向请求数据时，其处理步骤同以往CDN处理用户请求的方式不同，不再是将用户对数据的请求直接重定向到距离用户最近的CDN中，由这个距离用户最近的CDN向拥有该数据的数据中心请求数据，而是通过COMIC的入口服务器，运行基于费用的cost-aware算法及其辅助算法，同时选择费用最合理的CDN和数据中心以处理数据请求。另外，我们的cost-aware算法及其辅助算法是针对于动态数据请求所做的优化算法，静态数据的请求不在这两个算法的考虑之内。

本发明COMIC框架的主要步骤为：

1)用户对于数据的请求被COMIC入口服务器接收；

2)入口服务器对用户的请求进行辨识，分为动态数据请求和静态数据请求；并对动态数据请求，运行基于费用的cost-aware算法及其辅助算法，以决定由哪一个CDN来接受用户服务请求以及由哪一个数据中心提供数据，将这次选择称为“记录”；

3)服务器返回基本的索引页给用户；

4)通过“记录”，选择一个合适的CDN；

5)用户的请求被重定向到被选择的CDN上；

6)用户的请求被重定向到被选择的CDN的一个副本服务器上；

7)通过“记录”选择一个分布式的数据中心，用来返回动态数据到被选择的CDN上离用户最近的副本服务器上；

8)被选择的副本服务器返回静态和动态数据给用户。

在我们设计的COMIC框架中，用户请求数据CDN和处理数据的数据中心一同由基于费用的cost-aware算法选定。基于费用的cost-aware算法是通过非线性规划描述，并通过cost-aware算法的辅助算法，通过减少算法中涉及到的变量个数及对约束条件的规范化处理，使其变为整数线性规划。由于算法的设计是综合数据中心电价及用户使用CDN的费用的求取的最优解，因此，其具有降低总费用的效果。

通过表1对基于费用的cost-aware算法作出相应说明：

表1是图示出基于费用的cost-aware算法的参数列表

在我们设计的COMIC框架中，主要涉及以下4个部分：

1)用户组u_l。

2)数据d_m。

3)CDN c_j

4)数据中心n_k

在基于费用的cost-aware算法中，基于实际考虑，我们设定：用户组仅能够向部分CDN发送数据请求，而每个CDN也只能够向部分数据中心请求数据，每个数据中心中只能够访问部分数据。图2显示了其四个主要部分间相互关系的一个实例。对于cost-aware算法中的涉及的用户组数据访问流程，我们通过表1中参数加以说明。

用户组u_l通过周期性地访问数据类型d_m，由于CDN会缓存静态数据，因此，我们在此处更多地考虑动态数据。因此，将会把用户的请求分配到有该数据的数据中心n_k中去处理。然后，数据中心n_k向返回数据d_m，向用户组返回数据d_m。我们定义其中的相关函数如表1所示。f_uc(u_l,c_j,d_m)表示：用户u_l向对数据d_m的请求数。f_cd(c_j,n_k,d_m)表示：向数据中心n_k，对数据d_m的请求数。

由于最终的目标是同时减少数据中心中电价及用户使用CDN的费用的总费用。因此，我们将cost-aware算法中的目标函数分为两部分考虑。

1)减少用户使用CDN的费用。由于每个CDN的计价函数同用户组所在位置及用户组使用的流量相关。首先，由于不同的数据类型的请求其返回的数据大小不同，我们使用S(d_m)来表示。因此，首先按照地理位置计算流量，在一个在其r区域上的流量为使用C(c_j,r)表示在的r区域的计费函数。则在所有CDN的各个区域上，流量的总费用可以表示为： 对上式标记为C_cdn。

2)减少数据中心中电价。在一个上对于所有数据d_m的请求可以表示为由于不同数据中心由于地理位置的差别，可能产生不同的实时电 价；同时，由于不同的数据类型，可能导致服务器处理数据的运算耗电量不同。即数据中心中的电价同n_k和d_m有关，我们使用函数P(n_k,d_m)来表示这种价格函数。进而，所有数据中心的总耗电量可以表示为对上式标记为C_dc。

因此，目标函数可以表示为最小化C_cdn+C_dc。

进一步考虑相应的约束条件，需要考虑的约束条件主要为：

1)考虑网络的拓扑结构，对任意的数据中心n_k，如果其没有用户请求的数据d_m，则CDN不会将来自用户的请求分配到该数据中心上，使用布尔函数rep(n_k,d_m)表示数据中心n_k是否有数据d_m，该约束可以表示为 ${\∀c}_j,n_k,d_m,s.t.\mathrm{rep}(n_k,d_m)=0,f_{\mathrm{cd}}(c_j,n_k,d_m)=0.$

2)考虑网络的拓扑结构，如果CDN不能够连接到能够处理用户请求数据d_m的数据中心上，则该CDN不处理来自用户的对于数据d_m的请求，类似地，使用布尔函数D(c_j,d_m)表示是否能够连接到可以处理数据d_m的数据中心上，相应地，该约束可以形式化为 ${\∀u}_l,d_m,c_j,s.t.D(c_j,d_m)=0,f_{\mathrm{uc}}(u_l,c_j,d_m)=0$

3)CDN不会增加新的请求，也不会减少请求。从用户端到CDN的任何请求，都会被分配到相应数据中心中，该约束可以形式化为 ${\∀c}_j,d_m,\underset{n_k}{\mathrm{\Σ}}{f}_{\mathrm{cd}}(c_j,n_k,d_m)=\underset{u_l}{\mathrm{\Σ}}{f}_{\mathrm{uc}}(u_l,c_j,d_m).$

4)对任意一个用户组u_l，其对于任意数据类型d_m的请求，都会被某个CDN处理。该约束可以形式化为： ${\∀u}_l,d_m,\underset{c_j}{\mathrm{\Σ}}{f}_{\mathrm{uc}}(u_l,c_j,d_m)=r(u_l,d_m).$

5)为了满足Qos（Quality of Service,服务质量），数据中心的总处理能力，应不超过其拥有的总服务器可处理能力。该约束的形式化表示为: ${\∀n}_k,\underset{d_m}{\mathrm{\Σ}}\underset{c_j}{\mathrm{\Σ}}{f}_{\mathrm{cd}}(c_j,n_k,d_m)/\mathrm{\μ}\left(d_m\right)\≤m\left(n_k\right).$

6)为了满足Qos，CDN的处理能力应不超过其可处理能力。该约束可形式化表示为： ${\∀c}_j,\underset{d_m}{\mathrm{\Σ}}S\left(d_m\right)\underset{u_l}{\mathrm{\Σ}}{f}_{\mathrm{uc}}(u_l,c_j,d_m)\≤G\left(c_j\right).$

7)变量的非负约束，即： ${\∀u}_l,c_j,d_m,f_{\mathrm{uc}}(u_l,c_j,d_m)\≥0$ 和 ${\∀c}_j,n_k,d_m,f_{\mathrm{cd}}(c_j,n_k,d_m)\≥0.$ 通过以上的目标函数和约束，共同构成基于费用的cost-aware算法的非线性规划形式，如下所示：

$C_{\mathrm{cdn}}=\underset{c_j}{\mathrm{\Σ}}\underset{r}{\mathrm{\Σ}}C(c_j,r)\underset{d_m}{\mathrm{\Σ}}S\left(d_m\right)\underset{l\∈L_j^r}{\mathrm{\Σ}}{f}_{\mathrm{uc}}(u_l,c_j,d_m).$

$C_{\mathrm{dc}}=\underset{n_k}{\mathrm{\Σ}}\underset{d_m}{\mathrm{\Σ}}P(n_k,d_m)\underset{c_j}{\mathrm{\Σ}}{f}_{\mathrm{cd}}(c_j,n_k,d_m).$

s.t.

${\∀u}_l,d_m,\underset{c_j}{\mathrm{\Σ}}{f}_{\mathrm{uc}}(u_l,c_j,d_m)=r(u_l,d_m),$

${\∀n}_k,\underset{d_m}{\mathrm{\Σ}}\underset{c_j}{\mathrm{\Σ}}{f}_{\mathrm{cd}}(c_j,n_k,d_m)/\mathrm{\μ}\left(d_m\right)\≤m\left(n_k\right),$

${\∀c}_j,d_m,\underset{n_k}{\mathrm{\Σ}}{f}_{\mathrm{cd}}(c_j,n_k,d_m)=\underset{u_l}{\mathrm{\Σ}}{f}_{\mathrm{uc}}(u_l,c_j,d_m),$

${\∀c}_j,n_k,d_m,s.t.\mathrm{rep}(n_k,d_m)=0,f_{\mathrm{cd}}(c_j,n_k,d_m)=0,$

${\∀u}_l,d_m,c_j,s.t.D(c_j,d_m)=0,f_{\mathrm{uc}}(u_l,c_j,d_m)=0,$

${\∀c}_j,\underset{d_m}{\mathrm{\Σ}}S\left(d_m\right)\underset{u_l}{\mathrm{\Σ}}{f}_{\mathrm{uc}}(u_l,c_j,d_m)\≤G\left(c_j\right),$

${\∀u}_l,c_j,d_m,f_{\mathrm{uc}}(u_l,c_j,d_m)\≥0,$

${\∀c}_j,n_k,d_m,f_{\mathrm{cd}}(c_j,n_k,d_m)\≥0.$

通过求解，可以得到对相应请求应分配的CDN和数据中心的优化解。不过，这种求解其计算量较大，通过cost-aware算法的辅助算法可以减少变量数，优化求解过程。

Cost-aware算法的辅助算法主要为减少基于费用的cost-aware算法中涉及到的变量，并对非线性约束处理，使其可以通过整数线性规划工具求解。Cost-aware算法的辅助算法如下所示：

1.首先，遍历同相连的数据中心n_k，以及数据中心n_k中有的数据d_m，计算

对于每个其能够访问的数据d_m，将其存入集合CD_j中。

2.对于f_uc(u_l,c_j,d_m)中的非零变量，其可以通过用户组u_l，同u_l相连的可以访问到的数据d_m，三者的组合产生

3.对于f_cd(c_j,n_k,d_m)中的非零变量，其可以通过相连的数据中心n_k，数据中心n_k可以访问到的数据d_m，三者的组合产生。

在本实施例中，各个用户组对于不同数据类型的请求数，来自于http://ita.ee.lbl.gov/网站1995年8月30日在EPA服务器上的负载数据，并取该数据的40倍作为具体实施例中的请求数。另外，需要说明的是，在该具体实施例中的用户请求数，均认为是动态数据类型的请求。

在本具体实施例中，数据中心电价每小时产生一次数据，产生24小时共24次数据。

该具体实施例中，如图1所示，COMIC框架下本发明提供的方法包括的步骤如下（其中，图1中括号及其内的数字编号与下文中步骤序号相对应）：

步骤（1），5个用户组u_l将各自对于相应数据的请求发送至COMIC入口服务器；

步骤（2），入口服务器对用户的请求进行辨识，分为动态数据请求和静态数据请求。对4种动态数据类型d_m，其请求数分别为r(u_l,d_m)。对动态数据请求，运行基于费用的cost-aware算法及其辅助算法，以决定由哪一个CDNc_j来接受用户服务请求以及由哪一个数据中心n_k提供数据，将这次选择称为“记录”；

步骤（3），服务器返回基本的索引页给用户；

步骤（4），通过“记录”中已经由cost-aware算法算出的结果，选择相应的CDN c_j；

步骤（5），用户的请求被重定向到被选择的CDN上；

步骤（6），用户的请求被重定向到被选择的CDN的一个副本服务器上；

步骤（7），通过“记录”已经由cost-aware算法算出的结果，选择相应的分布式数据中心n_k，用来返回动态数据到被选择的CDN上离用户最近的副本服务器上；

步骤（8），被选择的副本服务器返回静态和动态数据给用户u_l；

该具体实施例中，在步骤2时运行的基于费用的cost-aware算法及其辅助算法流程为：

先运行cost-aware算法的辅助算法，以减少变量个数，再运行基于费用的cost-aware算法。

其中cost-aware算法的辅助算法运行步骤为：

步骤1，利用输入的网络拓扑结构中CN_j(CDNc_j能够相连的数据中心n_k的集合)和ND_k(数据中心n_k能够处理的数据类型d_m的集合)，计算出待求集合CD_j(CDN c_j能够处理的数据类型d_m的集合)；

步骤2，利用用户组集合U_s，用户组u_l能够相连的CDNc_j的集合UC_l，集合CD_j，求出对任意u_l∈U_s,c_j∈UC_l,d_m∈CD_j的组合，作为f_uc(u_l,c_j,d_m)的非零变量。

步骤3，利用CDN的集合C_s，集合CN_j，集合CD_j，求出对任意c_j∈C_s,n_k∈CN_j,d_m∈ND_k的组合，作为f_cd(c_j,n_k,d_m)的非零变量。

通过3个步骤，该具体实施例中f_uc(u_l,c_j,d_m)的非零变量和f_cd(c_j,n_k,d_m)的非零变量分别为图8黑体部分。

之后，运行基于费用的cost-aware算法，此时，其形式变为整数线性规划，可以通过整数线性规划工具求解，在本具体实施例中使用了一个matlab工具箱，YALMIP进行混合整数线性规划求解。整数线性规划中相关参数具体见图3-图7。cost-aware算法运行步骤如下：

步骤1，利用图3-图7中相关参数，使用YALMIP进行混合整数线性规划求解，得到相应的f_uc(ul,c_j,d_m)和f_cd(c_j,n_k,d_m)

步骤2，利用得到的f_uc(u_l,c_j,d_m)和f_cd(c_j,n_k,d_m)，判断来自用户组u_l关于数据类型d_m的请求应该由哪个CDNc_j处理和哪个数据中心n_k处理。

通过与用相同参数的传统方法比较。如图10，可以发现，在该具体实施例中，通过我们的方法，可以有效降低20%

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (5)

1.一种基于CDN和数据中心动态选择的互联网内容分发方法，其特征在于，包括如下步骤：

步骤1：入口服务器接收用户对于数据的请求；

步骤2：入口服务器对用户对于数据的请求进行辨识，辨识为动态数据请求或者静态数据请求；对于动态数据请求，由入口服务器执行选择过程，其中，所述选择过程为：选择由哪一个内容分发网络CDN来接受用户服务请求、以及由哪一个数据中心提供数据；

步骤3：入口服务器返回基本的索引页给用户；

步骤4：通过选择过程，选择一个合适的内容分发网络CDN作为被选择的内容分发网络；

步骤5：用户的请求被重定向到所述被选择的内容分发网络上；

步骤6：用户的请求被重定向到被选择的内容分发网络的一个副本服务器上；

步骤7：通过选择过程，选择一个分布式的数据中心，用来返回动态数据到被选择的内容分发网络上离用户最近的副本服务器上；

步骤8：被选择的所述最近的副本服务器返回静态数据和动态数据给用户；

所述选择过程具体包括如下步骤：

步骤A1：利用输入的网络拓扑结构中集合CN_j、和集合ND_k，计算出待求集合CD_j，其中：

集合CN_j为内容分发网络c_j能够相连的数据中心n_k的集合，c_j表示编号为j的内容分发网络，n_k表示编号为k的数据中心；

集合ND_k为数据中心n_k能够处理的数据类型d_m的集合，d_m表示编号为m的数据类型；

集合CD_j为内容分发网络c_j能够处理的数据类型d_m的集合；

步骤A2，利用用户组集合U_s、集合UC_l、集合CD_j，求出对任意u_l∈U_s,c_j∈UC_l,d_m∈CD_j的组合，作为f_uc(u_l,c_j,d_m)的非零变量，其中，集合UC_l为所在地理位置为l的用户组u_l能够相连的内容分发网络c_j的集合，f_uc(u_l,c_j,d_m)为用户u_l向内容分发网络c_j对数据类型d_m的请求数；

步骤A3，利用内容分发网络的集合C_s、集合CN_j、集合CD_j，求出对任意c_j∈C_s,n_k∈CN_j,d_m∈ND_k的组合，作为f_cd(c_j,n_k,d_m)的非零变量，其中，f_cd(c_j,n_k,d_m)为内容分发网络c_j向数据中心n_k对数据类型d_m的请求数。

2.根据权利要求1所述的基于CDN和数据中心动态选择的互联网内容分发方法，其特征在于，所述选择过程具体还包括如下步骤：

步骤B1：根据数据中心所在位置的实时电价、数据类型的特性、内容分发网络的计费函数，使用MATLAB的工具箱YALMIP进行混合整数线性规划求解，得到相应的f_uc(u_l,c_j,d_m)和f_cd(c_j,n_k,d_m)；

步骤B2：利用得到的f_uc(u_l,c_j,d_m)和f_cd(c_j,n_k,d_m)，判断来自地理位置为l的用户组u_l关于数据类型d_m的请求由哪个内容分发网络c_j处理和哪个数据中心n_k处理。

3.根据权利要求2所述的基于CDN和数据中心动态选择的互联网内容分发方法，其特征在于，所述数据类型的特性，包括：一个处理器可以同时处理数据的个数、处理一个数据类型的数据的平均耗电量、每种数据类型的平均大小。

4.根据权利要求2所述的基于CDN和数据中心动态选择的互联网内容分发方法，其特征在于，在步骤B1中，所述混合整数线性规划求解，在待求的线性规划中，解向量中的参数中被约束全为整数，或部分为整数，以满足具体情况下的需求。

5.根据权利要求2所述的基于CDN和数据中心动态选择的互联网内容分发方法，其特征在于，在步骤B2中，所述的判断来自地理位置为l的用户组u_l关于数据类型d_m的请求由哪个内容分发网络c_j处理和哪个数据中心n_k处理，具体为：

(1)对任意的u_l，根据相应的f_uc(u_l,c_j,d_m)，判断出该用户u_l关于数据类型d_m向内容分发网络c_j发送了多少请求；通过遍历所有的内容分发网络c_j，确定对于用户组u_l关于数据类型d_m的请求由哪个或哪些内容分发网络c_j处理；

(2)对任意的c_j，根据相应的f_cd(c_j,n_k,d_m)，判断出该内容分发网络c_j关于数据类型d_m向相应的数据中心n_k发送了多少请求；对相应的用户u_l，计算则为用户u_l通过内容分发网络c_j关于数据类型d_m向该数据中心n_k发送的平均请求数；遍历内容分发网络c_j及数据中心n_k，计算出用户u_l通过内容分发网络c_j关于数据类型d_m向该数据中心n_k发送的平均请求数。