CN105049872A - 蜂窝网中车载移动用户视频业务的缓存管理方法 - Google Patents

Abstract

本发明公开了一种蜂窝网络中车载移动用户的视频业务的缓存管理方法，根据用户的移动模型对用户的运动过程进行预测，同时根据拟定的视频QoE评价模型，对用户请求的视频进行相应的处理，利用用户移动沿线的基站缓存来对用户进行多媒体数据的传输。本发明在保证数据的一致性的同时，减少回程网络的传输压力。另外对基站的有限缓存空间进行优化，在保证用户服务质量的同时，能够满足更多用户对于多媒体数据业务的需求。<pb pnum="1" />

Description

蜂窝网中车载移动用户视频业务的缓存管理方法

技术领域

本发明涉及在蜂窝网络中视频业务的缓存管理技术领域，具体是一种基于QoE评价体系的蜂窝网络中车载移动用户视频业务的缓存管理方法。

背景技术

当前，智能移动终端对多媒体业务的需求爆炸式快速增殖,但由于现有无线网络低效的资源管理模式以及无线资源缺乏等因素导致了无线网络容量以及无线链路带宽不能很好地应对宽带业务需求的跳跃式增长。针对这个难题，国内外学者提出了有别于传统无线网络的信息存储与转发方式-分布式协作存储与转发，以应对无线网络中大量冗余信息的远距离传输对无线资源的不必要消耗。所谓分布式协作存储，就是将网络中的数据分布式地缓存在不同的单独物理机器上。不同的缓存单元之间可以进行通信，以获得全网的数据缓存信息，然后根据所制定的协作策略来进行数据的重复，分割和删除等一系列简单的操作，来提高移动无线网络中的数据的存储和传输的效率。对于所需存储空间较大的文件，可以将文件分割，然后分块存储于不同的物理机器上，以提高数据的搜索效率。另外，分布式缓存还可以看作是数据的滤波器，用户可以根据实际的需要制定合适的缓存管理策略，这样在网络中对无用的数据就起到了一定的过滤作用，可以在一定程度上减少数据的冗杂度，节约数据的存储空间，提高数据的搜索效率。

随着信息与网络技术的快速发展，网络用户对于多样性服务的需求日益增加，网络服务供应商的竞争日趋激烈。为了获得更多的经济利益，承载更多的网络业务，供应商必须保证自己提供的服务能够得到更多用户的认同。因此，研究人员提出了很多以用户认可程度为基准的网络服务评价标准。目前，被广泛采用的是服务质量(QualityofService,QoS)。QoS的评价指标包括网络的时延，丢包率，吞吐率，误码率等。但是，这些评价标准主要是在技术层面反映了服务的性能，忽略了用户的主观因素，并不能反映用户主观的对于服务本身的认可程度。所以，研究人员又提出了另一中评价方法用户体验(QualityofExperience,QoE)。

QoE所体现的是一种主观感受，即用户在与网络服务的交互过程中，用户对于服务本身的一种主观评断。由此可以看出，影响QoE的因素有用户本身和服务本身两个因素。但是，两者是在一定的客观环境中进行交互过程，所以客观环境在一定程度上对QoE也会产生一定的影响。其中我们主要关注的是服务层面的影响因素，对于服务本身而言，它包括网络层，应用层和服务层的影响。对于用户本身，它包含了用户的身心状况，期望与自身背景等影响因素。客观环境包含服务的运行环境，社会环境和自然环境等影响因素。

发明内容

为克服上述现有技术的不足，本发明提供一种蜂窝网中车载移动用户多媒体视频业务的基于QoE的分布式缓存管理方法，在保证数据一致性的基础上，减轻回程网络的压力，同时优化基站缓存空间，在保证用户服务品质的基础上，满足更多用户对于多媒体数据业务的需求。

本发明的技术解决方案如下：

一种蜂窝网络中车载移动用户的视频业务的缓存管理方法，其特点在于，该方法包括如下步骤：

①根据车辆用户行驶过程中的GPS信息，获得用户在整个运动过程中依次经过的小区编号；

②根据车辆用户行驶过程中在各个小区驻留时间的历史数据，设定Hyper-Erlang分布的各项参数，并利用该分布对新加入用户车辆在各小区的驻留时间进行模拟，获得用户车辆在各小区中的驻留时间；

③根据步骤②得到的用户在不同小区中的驻留时间，以及用户请求的视频时长，按比例对相应视频进行分块处理；

④考虑基站的缓存容量、用户的QoE要求和用户的优先级，计算视频块的比特率；

⑤计算用户对相应视频的服务质量评价QoE，公式如下：

$QoE\left(r_{u_{k}n}\right)=\underset{k=1}{\overset{\left|U\right|}{\&Sigma;}}\underset{j=1}{\overset{\left|M\right|}{\&Sigma;}}\frac{t_{u_{k}n}^d}{t_{m_j}^s}(1+{\mathrm{PR}}_{u_k})\&lsqb;A_{m_j}ln\left(r_{u_{k}n}\right)+B_{m_j}\&rsqb;---(4-2)$

式中，代表用户u_k的优先级，|U|代表所有用户的集合，|M|代表视频集合，代表用户u_k在标号为n的小区中的驻留时间，代表相应视频的时长，代表相应视频块的比特率，和代表对应于该视频的QoE评价参数。

根据式(4-2)得到的QoE数值，如果QoE≥3,则视为用户需求得到满足。如果所有用户的QoE需求得到满足，则将相应的视频块缓存于相应的基站当中；否则，根据用户的优先级，选择性忽略低优先级用户队列中末尾用户的视频请求，重新进行处理后的视频块比特率分配情况的计算，再重复上述步骤，来保证整体用户对于服务的满足率。

与现有技术相比，本发明的有益效果是：该发明说提出的缓存管理办法，能够在满足用户服务质量的前提下，满足更多用户对于视频服务的需求。通过缓存的方法，减轻了网络接入的压力，对于减轻网络负载压力具有积极意义。

附图说明

图1是面向移动用户QoE保证的蜂窝网分布式协作缓存办法场景。

图2是QoE拟合曲线。

图3是视频分割以及比特率分配示意图。

图4是本发明蜂窝网络中车载移动用户的视频业务的缓存管理方法的流程图。

具体实施方式

以下结合附图对本发明作进一步的详细描述。

本发明涉及的运行环境如图1所示，具体的场景细节如下所示：

在车载用户移动的过程中，用户会向网络提出关于多媒体数据服务的请求，比如视频请求。但是由于视频等多媒体数据文件的存储空间较大，以及用户的移动性，数据的传输往往不能在一个小区内完成。为了保证用户请求数据的一致性和连续性，也为了减轻网络接入的压力，会预先将用户所请求的数据根据 用户的移动模型进行分割，然后将不同的数据块缓存于用户预定路线沿线的基站缓存空间中。但是由于基站缓存空间的有限性，不可能将所有用户请求的数据缓存在基站中，并保持文件对应的比特率不变。所以，在文件分割之后，会根据用户基本的QoE标准，对各个数据块所占有的比特率进行相应的调整，来实现对缓存空间的优化利用。然而实际情况中，还要考虑到用户之间的优先级区别以及视频资源合理的比特率传输范围。综上，可以将场景目标变为一个最优化问题，利用广义既约梯度法，可以对问题进行求解，从而实现分布式的缓存管理办法。

一.用户移动路线建模

由于蜂窝小区的半径不同，用户的移动方式不同，用户在移动过程中的速度变化和无线信道的不稳定性，将用户在蜂窝网中的运动模型简化成用户在不同小区中的驻留时间模型。采用Hyper-Erlang分布来对用户的小区驻留时间进行模拟。所谓驻留时间，就是用户在相邻两次小区频率切换之间的间隔时间。Erlang分布是连续型概率分布，多用于表示独立随机事件发生的时间间隔，能够更好的对现实数据进行拟合。Hyper-Erlang的概率分布函数如式(1-1已知)所示：

$f_{x_d}\left(t\right)=\underset{i=1}{\overset{n}{\&Sigma;}}\frac{p_i{\mathrm{\&eta;}}_i^l{t}^{l-1}}{(l-1)!}{e}^{-{\mathrm{\&eta;}}_{i}t}---\left(1-1\right)$

其中(i∈{1,2,...,n})，

式中相关的参数所代表的含义如表1所示。

表1Hyper-Erlang分布各项参数含义

利用车辆在该蜂窝区域行驶时，在各小区的驻留时间的历史数据对Hyper-Erlang分布中的参数进行设定。同时采用该分布对新加入用户车辆在各小区的驻留时间进行模拟，获得用户车辆在各小区中的驻留时间，利用车辆在 各小区的驻留时间表示整个运动过程。

二、QoE评价体系建模

2.1针对于MOS的QoE量化标准，采用的是基于心理学中韦伯-费希纳定律的QoE评价方法。在心理学中，韦伯-费希纳定律所体现的是物理刺激程度与它被人感受的刺激之间的关系。两者之间呈现一种对数特征。韦伯-费希纳定律在连续意义上，表现了心理量和物理量之间的关系。

根据韦伯-费希纳定律设定比特率和用户QoE评分之间的计算公式如式(2-1需要根据实际数据计算得到服务评分)所示：

${\mathrm{QoE}}_{MOS}=\left\{\begin{array}{cc}0& r<r_{\min }\\ A\ln \left(r\right)+B& r_{\min }\&le;r\&le;r_{\max }\\ 5& r>r_{\max }\end{array}\right.---\left(2-1\right)$

式中r代表视频文件的比特率，A和B是针对于特定视频文件根据实测数据拟合得到定值参数，即针对于不同视频A和B的数值会有所不同。根据实测数据，拟合得到的曲线如图2所示。

2.2根据已有文献中的实测数据(表2)，拟合得到的曲线，该曲线表明，视频比特率与用户的服务体验之间符合韦伯.费希纳所描述的对数关系；

表2视频QoE与比特率关系拟合数据

三.视频的分割与存储

根据用户的小区驻留时间和视频文件的时间比例，将视频文件分割成不同视频块以存储于用户预定路线沿线的小区基站中。同时，这些视频块由于缓存空间有限会具有不同的比特率，来保证对缓存空间的最优化利用,如图3所示。

考虑到我们场景的特点，视频块的存储空间大小与比特率之间的函数关系 如式(3-1根据实际数据计算)所示：

S＝μa*r+b(3-1)

其中，μ代表相应的比例系数，由驻留时间和视频时长计算所得。a*r代表比特率为的视频文件存储所需要的空间大小，a是一个比例常数,对于不同的视频文件会有所不同。b代表元数据的存储空间，由于元数据所需要的存储空间较缓存空间而言极小，所以在计算的过程中一般不被列入考虑范围。

四.视频块比特率调整

本发明在保证用户服务品质的基础上，尽可能满足更多用户对于多媒体业务的需求。根据上述场景描述，场景目标可以用一个受限的最优化问题表示，相关公式如式(4-1推导公式)所示。

$\max \&Sigma;S_{u_k}$

$\begin{array}{cc}s.t.& \&ForAll;n\&Element;N\underset{k=1}{\overset{\left|U\right|}{\&Sigma;}}({\mathrm{\&mu;}}_{j}a*r_{u_{k}n}+b)\&le;v---(4-1)\end{array}$

$r_{u_k}^l\&le;r_{u_{k}n}\&le;r_{u_k}^u$

其中， $S_{u_k}=\{\begin{array}{cc}1& {\mathrm{QoE}}_{u_k}\&GreaterEqual;3\\ 0& {\mathrm{QoE}}_{u_k}<3\end{array},$ 表示用户u_k整个运动过程中的服务体验，用户在单个小区中的服务体验通过式(4-2根据实际数据计算得到用户评分)计算：

$QoE\left(r_{u_{k}n}\right)=\underset{k=1}{\overset{\left|U\right|}{\&Sigma;}}\underset{j=1}{\overset{\left|M\right|}{\&Sigma;}}\frac{t_{u_{k}n}^d}{t_{m_j}^s}(1+{\mathrm{PR}}_{u_k})\&lsqb;A_{m_j}ln\left(r_{u_{k}n}\right)+B_{m_j}\&rsqb;---(4-2)$

其中代表用户u_k的优先级。

采用广义既约梯度法来求解该变量存在上线限的线性条件约束下的非线性最优化问题。既约梯度法是目前求解非线性规划问题的最有效的方法之一。这种方法通过消去某些变量在降维空间中运算，能够较快的确定最优解，可用来解决大型问题。

蜂窝网中车载移动用户视频业务的缓存管理办法的具体流程图如图4所示，包括：

步骤1.根据用户行驶过程中的GPS信息，获得用户预期的行驶路线，即用户在整个运动过程中依次经过的小区编号。

步骤2.根据车辆用户行驶过程中在各个小区驻留时间的历史数据，设定Hyper-Erlang分布的各项参数，进而对新加入车载用户的驻留时间进行模拟。

步骤3.根据上述步骤得到的驻留时间以及用户请求的视频时长，对相应视频按比例进行分块处理，保证文件的连续性。

步骤4.根据上述得到的视频块文件，考虑基站的缓存空间，用户的QoE要求以及用户的优先级区别，对视频块的比特率进行计算。

步骤5.根据上述得到的视频预存储比特率，计算用户对相应视频的服务评价(QoE)，如果满足所有用户的QoE需求，则将相应的视频块缓存与相应的基站当中。否则，根据用户的优先级，选择性忽略低优先级用户队列中末尾用户的视频请求，来保证整体用户对于服务的满足率。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (2)

1.一种蜂窝网络中车载移动用户的视频业务的缓存管理方法，其特征在于，该方法包括如下步骤：

①根据车辆用户行驶过程中的GPS信息，获得用户在整个运动过程中依次经过的小区编号；

②根据车辆用户行驶过程中在各个小区驻留时间的历史数据，设定Hyper-Erlang分布的各项参数，并利用该分布对新加入用户车辆在各小区的驻留时间进行模拟，获得用户车辆在各小区中的驻留时间；

③根据步骤②得到的用户在不同小区中的驻留时间，以及用户请求的视频时长，按比例对相应视频进行分块处理；

④考虑基站的缓存容量、用户的QoE要求和用户的优先级，计算视频块的比特率；

⑤计算用户对相应视频的服务质量评价QoE，公式如下：

$\mathrm{QoE}\left(r_{u_{k}n}\right)=\underset{k=1}{\overset{\left|U\right|}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{\left|M\right|}{\mathrm{\&Sigma;}}}\frac{t_{u_{k}n}^d}{t_{m_j}^s}(1+{\mathrm{PR}}_{u_k})\left[\begin{array}{cc}{A}_{m_j}& \ln \left(r_{u_{k}n}\right)+B_{m_j}\end{array}\right]---(4-2)$

式中，代表用户u_k的优先级，|U|代表所有用户的集合，|M|代表视频集合，代表用户u_k在标号为n的小区中的驻留时间，代表相应视频的时长，代表相应视频块的比特率，和代表对应于该视频的QoE评价参数；

如果QoE≥3,即所有用户的QoE需求得到满足，则将相应的视频块缓存于相应的基站当中；

否则，根据用户的优先级去区别，以及用户接入网络的时间，忽略低优先级用户队列中末尾用户的视频请求，重新计算进行处理后的视频块比特率分配，来保证整体用户对于服务的满足率。

2.根据权利要求1所述的基于QoE的分布式缓存管理方法，其特征在于，视频的服务质量评价QoE体系建模，具体包括：

2.1设定比特率和用户QoE评分之间关系，公式：

${\mathrm{QoE}}_{\mathrm{MOS}}=\left\{\begin{array}{cc}0& r<r_{\min }\\ A\ln \left(r\right)+B& r_{\min }\&le;r\&le;r_{\max }\\ 5& r>r_{\max }\end{array}\right.---(2-1)$

式中，r为视频文件的比特率，A和B是根据实测数据拟合得到的针对于特定视频文件的QoE评价参数，即对于不同视频A和B的值会有不同；

2.2根据已有文献中的实测数据，拟合得到的曲线，该曲线表明，视频比特率与用户的服务体验之间符合韦伯.费希纳所描述的对数关系。