CN106850737A - 基于可扩展兴趣区域大规模dve场景对等渐进传输方法 - Google Patents
基于可扩展兴趣区域大规模dve场景对等渐进传输方法 Download PDFInfo
- Publication number
- CN106850737A CN106850737A CN201611151916.2A CN201611151916A CN106850737A CN 106850737 A CN106850737 A CN 106850737A CN 201611151916 A CN201611151916 A CN 201611151916A CN 106850737 A CN106850737 A CN 106850737A
- Authority
- CN
- China
- Prior art keywords
- scene
- interest
- node
- loading source
- incarnation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/104—Peer-to-peer [P2P] networks
- H04L67/1074—Peer-to-peer [P2P] networks for supporting data block transmission mechanisms
- H04L67/1078—Resource delivery mechanisms
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明涉及一种基于可扩展兴趣区域大规模DVE场景对等渐进传输方法。包括将化身的兴趣区域圆域分划为两个扇形兴趣区域,并分别将每个扇形兴趣区域动态地扩展为多层增量式兴趣扇形域;通过场景下载源分级搜索算法从多层增量式兴趣扇形域中搜索化身所需要的场景下载源集合;通过最优场景下载源选择算法从场景下载源集合中选择出最优场景下载源。根据节点AOI内的场景数据量和邻居节点的可用带宽给出了MISSOI的分划扩展算法,对场景增量下载的优先级进行了量化,以提高场景的拾取精度;减少了信息交互次数,显著提升了数据请求的准确度和成功率,提高了场景数据的传输效率,并对系统的负载进行了均衡优化。
Description
技术领域
本发明涉及一种分布式虚拟环境数据传输方法,特别涉及一种基于可扩展兴趣区域大规模DVE场景对等渐进传输方法。
背景技术
大规模DVE网络传输模式经历了三个发展阶段:(1)单服务器/多客户端;(2)多服务器/多客户端;(3)对等网(P2P,Peer-to-Peer)。第一种传输模式简单成熟,数据的一致性较好,但当大量用户同时下载时可能给服务器带来极高的工作负担;第二种模式利用多台服务器降低单台服务器的工作负载,虽然可使每台服务器负载有所下降,但当某些子区域内用户数量急剧增加时,单服务器/多客户端结构的缺陷依然存在,而“用户迁移”策略则会增加额外的开销;第三种模式充分利用了节点间的带宽,有效减轻了服务器端的负载。P2P网络传输DVE(Distributed Virtual Environments,分布式虚拟环境)场景的基本原理是:DVE中用户化身在虚拟空间中与邻近用户化身的AOI(area of interest,兴趣区域)存在重叠部分,由于不同用户在不同时刻访问了同一兴趣域,先到者已经下载并缓存了该区域内的场景,因此后来者可直接向其邻近化身节点请求下载场景来实现节点间的数据共享,从而充分利用节点网络带宽,来缓解服务器负载瓶颈问题,以提高数据传输效率。
目前针对基于P2P网络的DVE传输策略,较为通用的做法是根据用户当前视点确定落入其视野范围的场景,通过特定策略在P2P网络中发现拥有用户所需场景的节点,然后与之建立连接并下载该场景。但上述方法仍存在以下不足:
1)场景拾取策略简单。现有的场景拾取算法均为AOI静态拾取,没有与用户的视点特征和场景分布特征结合起来,拾取模式固化、粗糙,并且没有考虑场景级别的增量式渐进传输。
2)数据传输实时性低。大规模虚拟场景的数据复杂度很高,考虑到视点距离、场景遮挡等因素,视野中场景的构建和渲染具有相应的先后顺序,而当前的传输策略没有考虑到场景增量下载的优先级,导致数据传输的实时性较低。
3)数据请求成功率低。在判断潜在下载源的策略中,当前的算法并不考虑节点所在的区域及其优先级,并在选择下载源时,多采用随机选择策略,这造成了节点负载不均衡,数据请求成功率过低的现象,影响了DVE的传输效率。
因此,现有技术还有待于改进和发展。
发明内容
本发明的目的在于提供一种基于可扩展兴趣区域大规模DVE场景对等渐进传输方法,解决了现有技术存在的场景拾取策略简单、数据传输实时性低和数据请求成功率低的问题。
本发明的上述目的通过以下技术方案实现:
基于可扩展兴趣区域大规模DVE场景对等渐进传输方法,包括以下步骤:
步骤A00:将化身的兴趣区域圆域分划为两个扇形兴趣区域,并分别将每个扇形兴趣区域动态地扩展为多层增量式兴趣扇形域;
步骤B00:通过场景下载源分级搜索算法从多层增量式兴趣扇形域中搜索化身所需要的场景下载源集合;
步骤C00:通过最优场景下载源选择算法从场景下载源集合中选择出最优场景下载源。
所述的步骤A00具体包括以下步骤:
步骤a10:将化身的兴趣区域圆域细化并分划为两个扇形兴趣区域;
步骤a20:从兴趣区域的半径的中点处将其中一个扇形兴趣区域分划为两层扇形域,分别记为N扇形域层和F扇形域层;
步骤a30:分别计算每层扇形域内的场景文件数据量与该层扇形域内节点的可用带宽的比值,分别记为RN、RF;
步骤a40:比较RN和RF之差的绝对值是否小于阈值td,是,执行步骤a60,否,执行步骤a50;
步骤a50:减少RN和RF中较大值所在的扇形域层的半径直至RN和RF之差的绝对值小于td,并执行步骤a60;
步骤a60:分别判断RN、RF与ts的大小,若RN≥ts且RF≥ts,执行步骤a71,若RN≥ts且RF<ts,执行步骤a72,若RN<ts且RF≥ts,执行步骤a73,若RN<ts且RF<ts,执行步骤a80;
步骤a71:将N层从其当前半径中点处再分划为两个子层,并执行步骤a30;同时将F层从其当前半径中点处再分划为两个子层,并执行步骤a30;
步骤a72:将N层从其当前半径中点处再分划为两个子层,并执行步骤a30;
步骤a73:将F层从其当前半径中点处再分划为两个子层,并执行步骤a30;
步骤a80:其中一个扇形兴趣区域的多层增量式兴趣扇形域分划完成;
步骤a90:将另一个扇形兴趣区域重复执行步骤a20-步骤a80,化身兴趣区域的多层增量式兴趣扇形域分划完成。
所述的阈值td设定为0.1,阈值ts设定为1。
由两个扇形兴趣区域分别划分而成的两个多层增量式兴趣扇形域分别为当前可视区域和旋转后可视区域,其中当前可视区域的扇环夹角为120°,旋转后可视区域的扇环夹角为240°。
设定请求化身需要下载落入其多层增量式兴趣区域内Qi(-n≤i≤n-1)中的场景,所述的步骤B00具体包括以下步骤:
步骤b10:化身向Qi内的节点发送Pj的场景查询请求;
步骤b20:判断Pj的场景查询请求是否被Qi内的某些节点成功回应,是,执行步骤b90,否,执行步骤b30;
步骤b30:对当前MISAOI中的扩展层分别按照<Q(i+1),Q(1-i)>、<Q(i+2),Q-i>…的查询优先级顺序插入到二元组队列Quesearch,生成查询优先级队列Quesearch;
步骤b40:化身向队列Quesearch队头的扩展层内节点发送Pj的查询请求;
步骤b50:判断Pj的场景查询请求是否被某些节点成功回应,是,执行步骤b90,否,执行步骤b60;
步骤b60:判断Quesearch当前被查询的扩展层是否为队列的最后一层,否,执行步骤b70,是,执行步骤b81;
步骤b70:化身向队列Quesearch的下一层扩展层内节点发送Pj的查询请求,并执行步骤b50;
步骤b81:将现有n层MISAOI扩大至n+1层,并向该层中的节点发送Pj的查询请求;
步骤b82:判断Pj的场景查询请求是否被某些节点成功回应,是,执行步骤b90,否,执行步骤b83;
步骤b83:将服务器视为Pj最后的场景下载源;
步骤b90:化身所需要的场景下载源集合搜索结束。
所述的步骤C00具体包括以下步骤:
步骤c10:对场景Pi的每个场景下载源计算其资源得分;
步骤c20:筛选出Pi的场景下载源中资源得分高于阈值TResource的节点,按资源得分从高到低生成队列QSource;
步骤c30:将Pi的下载请求分配给QSource队头第一个节点,判断该节点是否可以提供场景Pi的下载服务,是,执行步骤c40,否,执行步骤c50;
步骤c40:该节点将数据Pi发送给请求化身,将该节点从队列QSource中删除,并结束最优场景下载源的搜索;
步骤c50:判断QSource队列中当前被请求下载资源的节点是否为队列的最后一个节点,否,执行步骤c60,是,执行步骤c70;
步骤c60:将Pi的下载请求分转发至队列QSource中的下一个节点,判断该节点是否可以提供场景Pi的下载服务,是,执行步骤c40,否,执行步骤c50;
步骤c70:降低阈值TResource,并执行步骤c20。
设定场景文件的下载请求化身有n个场景下载源,通过以下公式来评估每个场景下载源的资源得分状况:
其中,ResourceScore(i)为场景下载源i的资源得分,NumofRequest(i)为场景下载源i正在处理的下载请求数量,Bw(i)为目前场景下载源i的可用带宽,而Lat(i)表示下载请求节点到场景下载源i的基本网络传输延时,分别分配权重α,β和γ,α+β+γ=1,这三个权重初始均设为等值。
本发明的有益效果在于:本发明通过提供一种基于可扩展AOI的大规模DVE场景对等渐进传输方法,首先定义了多层增量式可扩展兴趣扇形区域(MISSOI,Multi-Layered&Incrementally Scalable SOI),根据节点AOI内的场景数据量和邻居节点的可用带宽给出了MISSOI的分划扩展算法,对场景增量下载的优先级进行了量化,以提高场景的拾取精度;然后基于多层增量式可扩展兴趣区域(MISAOI,Multi-layered&Incrementally ScalableAOI)和负载均衡思想提出了场景下载源分级搜索算法和最优场景下载源选择算法,以上算法减少了信息交互次数,显著提升了数据请求的准确度和成功率,提高了场景数据的传输效率,并对系统的负载进行了均衡优化。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明中基于可扩展兴趣区域大规模DVE场景对等渐进传输方法的步骤流程图。
图2是本发明中多层增量式兴趣扇形域MISSOI的结构示意图。
图3是本发明中步骤A00的具体流程图。
图4是本发明中MISAOI场景下载源分级搜索策略的结构示意图。
图5是本发明中步骤B00的具体流程图。
图6是本发明中步骤C00的具体流程图。
具体实施方式
下面结合附图进一步说明本发明的详细内容及其具体实施方式。
参见图1至图6所示,本发明的基于可扩展兴趣区域(AOI,area of interest)大规模DVE(Distributed Virtual Environments,分布式虚拟环境)场景对等渐进传输方法,具体包括以下步骤:
步骤A00:将化身的兴趣区域圆域分划为两个扇形兴趣区域(SOI,Sector ofInterests),并分别将每个扇形兴趣区域动态地扩展为多层增量式兴趣扇形域(MISSOI,Multi-layered&Incrementally Scalable SOI);
步骤B00:通过场景下载源分级搜索算法从多层增量式兴趣扇形域中搜索化身所需要的场景下载源集合;
步骤C00:通过最优场景下载源选择算法从场景下载源集合中选择出最优场景下载源。
具体地,为适应P2P网络(Peer-to-Peer,对等网络)中场景的并行传输需求,所述步骤A00中将现有的AOI扩展为多层增量式兴趣扇形域(MISSOI),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,假设现有两个n层MISSOI,每个MISSOI由n个同心扇区组成,上下两个同心MISSOI对应组成一个AOI。按照当前视线方向从远到近,标识每个子区域为Qn,Qn-1,…,Q0,…,Q-(n-1)。MISSOI的最外层半径即为AOI的半径R,均为观察者的最大可视距离。从整体上看,这两个MISSOI分别又可称为CVR(Current Visible Region,当前可视区域,由Q1,Q2,…Qn组成的一个扇环,扇环夹角通常为120°)和VRA(Visible Region AfterRotation,旋转后可视区域,由Q0,Q-1,Q-2,…Q-(n-1)组成)。如图3所示,所述步骤A00具体包括以下步骤:
步骤a10:将化身的AOI圆域细化并分划为两个SOI;
步骤a20:从AOI的半径R的中点处将其中一个SOI分划为两层扇形域,分别记为N扇形域层和F扇形域层;
步骤a30:分别计算每层扇形域内的场景文件数据量与该层扇形域内节点的可用带宽的比值,分别记为RN、RF;
步骤a40:比较RN和RF之差的绝对值是否小于阈值td,是,执行步骤a60,否,执行步骤a50;
步骤a50:减少RN和RF中较大值所在的扇形域层的半径直至RN和RF之差的绝对值小于td,并执行步骤a60;
步骤a60:分别判断RN、RF与ts的大小,若RN≥ts且RF≥ts,执行步骤a71,若RN≥ts且RF<ts,执行步骤a72,若RN<ts且RF≥ts,执行步骤a73,若RN<ts且RF<ts,执行步骤a80;
步骤a71:将N层从其当前半径中点处再分划为两个子层,并执行步骤a30;同时将F层从其当前半径中点处再分划为两个子层,并执行步骤a30;
步骤a72:将N层从其当前半径中点处再分划为两个子层,并执行步骤a30;
步骤a73:将F层从其当前半径中点处再分划为两个子层,并执行步骤a30;
步骤a80:其中一个SOI的多层增量式兴趣扇形域分划完成;
步骤a90:将另一个SOI重复执行步骤a20-步骤a80,化身AOI的多层增量式兴趣扇形域分划完成。
其中,阈值td为MISSOI分层的终止条件(设定为0.1),而ts则是MISSOI分划的终止条件(设定为1)。待分划结束后,单层SOI就演变为一个层数为2n的MISSOI。
步骤a10至步骤a80定义了对单层SOI进行分划得到MISSOI的过程,目的在于分划后每层内的场景下载请求量与分配给该层内的节点资源(如带宽)相匹配。我们使用了Voronoi图的邻居发现策略来发现MISSOI及其各层内的节点。
对于邻居节点的发现和下载源的搜索,我们将做整体化考虑,由于在场景漫游中,化身视点的移动方向是多变的,兴趣扇区和自身SOI之间有重叠的邻居节点,不一定在自身的SOI中,但绝大部分在自身的AOI中,我们把视点前后的两个MISSOI合并成为MISAOI(Multi-layered&Incrementally Scalable AOI),这样将更加有利于邻居节点的判定和选择。
当一个请求节点需要下载给定区域内场景时,由于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,因此这些节点更有可能成为合适的场景下载源。基于以上认识,本技术方案提出一种基于MISAOI的场景下载源分级搜索策略,如图4所示。假设一个请求节点需要下载落入其MISAOI内Qi(-n≤i≤n-1)中的场景,如图5所示,所述步骤B00具体包括以下步骤:
步骤b10:化身向Qi内的节点发送Pj的场景查询请求;
步骤b20:判断Pj的场景查询请求是否被Qi内的某些节点成功回应,是,执行步骤b90,否,执行步骤b30;
步骤b30:对当前MISAOI中的扩展层分别按照<Q(i+1),Q(1-i)>、<Q(i+2),Q-i>…的查询优先级顺序插入到二元组队列Quesearch,生成查询优先级队列Quesearch;
步骤b40:化身向队列Quesearch队头的扩展层内节点发送Pj的查询请求;
步骤b50:判断Pj的场景查询请求是否被某些节点成功回应,是,执行步骤b90,否,执行步骤b60;
步骤b60:判断Quesearch当前被查询的扩展层是否为队列的最后一层,否,执行步骤b70,是,执行步骤b81;
步骤b70:化身向队列Quesearch的下一层扩展层内节点发送Pj的查询请求,并执行步骤b50;
步骤b81:将现有n层MISAOI扩大至n+1层,并向该层中的节点发送Pj的查询请求;
步骤b82:判断Pj的场景查询请求是否被某些节点成功回应,是,执行步骤b90,否,执行步骤b83;
步骤b83:将服务器视为Pj最后的场景下载源;
步骤b90:化身所需要的场景下载源集合搜索结束。
为了对节点的整体供应能力进行统一的优化调度,本技术方案提出了一种“场景下载请求动态分配”策略:对于场景文件下载请求队列中的每一个请求,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。假定某场景文件的下载请求节点有n个场景下载源,通过以下公式来评估每个场景下载源的资源得分状况,设ResourceScore(i)为场景下载源i的资源得分,NumofRequest(i)为场景下载源i正在处理的下载请求数量,Bw(i)为目前场景下载源i的可用带宽,而Lat(i)表示下载请求节点到场景下载源i的基本网络传输延时,分别分配权重α,β和γ,α+β+γ=1,这三个权重初始均设为等值。
如图6所示,所述步骤C00包括以下步骤:
步骤c10:对场景Pi的每个场景下载源,用式1计算其资源得分;
步骤c20:筛选出Pi的场景下载源中资源得分高于阈值TResource的节点,按资源得分从高到低生成队列QSource;
步骤c30:将Pi的下载请求分配给QSource队头第一个节点,判断该节点是否可以提供场景Pi的下载服务,是,执行步骤c40,否,执行步骤c50;
步骤c40:该节点将数据Pi发送给请求化身,将该节点从队列QSource中删除,并结束最优场景下载源的搜索;
步骤c50:判断QSource队列中当前被请求下载资源的节点是否为队列的最后一个节点,否,执行步骤c60,是,执行步骤c70;
步骤c60:将Pi的下载请求分转发至队列QSource中的下一个节点,判断该节点是否可以提供场景Pi的下载服务,是,执行步骤c40,否,执行步骤c50;
步骤c70:降低阈值TResource,并执行步骤c20。
本技术方案根据节点AOI内的场景数据量和邻居节点的可用带宽对AOI进行划分,以提高场景的拾取精度,然后基于多层AOI和负载均衡思想提出了下载源搜索策略和选择策略,定义了多层增量式可扩展兴趣扇形区域(MISSOI,Multi-Layered&IncrementallyScalable SOI),给出了MISSOI的分划扩展算法,给出了基于多层增量式可扩展兴趣区域(MISAOI,Multi-layered&Incrementally Scalable AOI)的场景下载源分级搜索算法,提供最优场景下载源选择算法;通过以上算法不但提高了场景的拾取精度,提高数据请求的准确度,还提高数据请求成功率。
本技术方案提出了MISSOI的概念,量化了场景增量下载的优先级,根据视点由近及远的渐进增量式的加载场景,以最小的下载量来满足场景漫游的视觉体验;基于MISAOI的场景下载源分级搜索策略,对场景下载源的选择范围进行了分级,使得请求节点向最有可能拥有该数据的节点进行服务请求,减少了通信量,并均衡了各个节点的服务负载,避免了某些节点服务过载;根据“场景下载请求动态分配”策略,量化了节点的服务能力,可以对虚拟场景中节点的整体服务能力进行动态优化调整。
以上所述仅为本发明的优选实例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于可扩展兴趣区域大规模DVE场景对等渐进传输方法,其特征在于:包括以下步骤:
步骤A00:将化身的兴趣区域圆域分划为两个扇形兴趣区域,并分别将每个扇形兴趣区域动态地扩展为多层增量式兴趣扇形域;
步骤B00:通过场景下载源分级搜索算法从多层增量式兴趣扇形域中搜索化身所需要的场景下载源集合;
步骤C00:通过最优场景下载源选择算法从场景下载源集合中选择出最优场景下载源。
2.根据权利要求1所述的基于可扩展兴趣区域大规模DVE场景对等渐进传输方法,其特征在于:所述的步骤A00具体包括以下步骤:
步骤a10:将化身的兴趣区域圆域细化并分划为两个扇形兴趣区域;
步骤a20:从兴趣区域的半径的中点处将其中一个扇形兴趣区域分划为两层扇形域,分别记为N扇形域层和F扇形域层;
步骤a30:分别计算每层扇形域内的场景文件数据量与该层扇形域内节点的可用带宽的比值,分别记为RN、RF;
步骤a40:比较RN和RF之差的绝对值是否小于阈值td,是,执行步骤a60,否,执行步骤a50;
步骤a50:减少RN和RF中较大值所在的扇形域层的半径直至RN和RF之差的绝对值小于td,并执行步骤a60;
步骤a60:分别判断RN、RF与ts的大小,若RN≥ts且RF≥ts,执行步骤a71,若RN≥ts且RF<ts,执行步骤a72,若RN<ts且RF≥ts,执行步骤a73,若RN<ts且RF<ts,执行步骤a80;
步骤a71:将N层从其当前半径中点处再分划为两个子层,并执行步骤a30;同时将F层从其当前半径中点处再分划为两个子层,并执行步骤a30;
步骤a72:将N层从其当前半径中点处再分划为两个子层,并执行步骤a30;
步骤a73:将F层从其当前半径中点处再分划为两个子层,并执行步骤a30;
步骤a80:其中一个扇形兴趣区域的多层增量式兴趣扇形域分划完成;
步骤a90:将另一个扇形兴趣区域重复执行步骤a20-步骤a80,化身兴趣区域的多层增量式兴趣扇形域分划完成。
3.根据权利要求2所述的基于可扩展兴趣区域大规模DVE场景对等渐进传输方法,其特征在于:所述的阈值td设定为0.1,阈值ts设定为1。
4.根据权利要求1或2所述的基于可扩展兴趣区域大规模DVE场景对等渐进传输方法,其特征在于:由两个扇形兴趣区域分别划分而成的两个多层增量式兴趣扇形域分别为当前可视区域和旋转后可视区域,其中当前可视区域的扇环夹角为120°,旋转后可视区域的扇环夹角为240°。
5.根据权利要求1所述的基于可扩展兴趣区域大规模DVE场景对等渐进传输方法,其特征在于:设定请求化身需要下载落入其多层增量式兴趣区域内Qi(-n≤i≤n-1)中的场景,所述的步骤B00具体包括以下步骤:
步骤b10:化身向Qi内的节点发送Pj的场景查询请求;
步骤b20:判断Pj的场景查询请求是否被Qi内的某些节点成功回应,是,执行步骤b90,否,执行步骤b30;
步骤b30:对当前MISAOI中的扩展层分别按照<Q(i+1),Q(1-i)>、<Q(i+2),Q-i>…的查询优先级顺序插入到二元组队列Quesearch,生成查询优先级队列Quesearch;
步骤b40:化身向队列Quesearch队头的扩展层内节点发送Pj的查询请求;
步骤b50:判断Pj的场景查询请求是否被某些节点成功回应,是,执行步骤b90,否,执行步骤b60;
步骤b60:判断Quesearch当前被查询的扩展层是否为队列的最后一层,否,执行步骤b70,是,执行步骤b81;
步骤b70:化身向队列Quesearch的下一层扩展层内节点发送Pj的查询请求,并执行步骤b50;
步骤b81:将现有n层MISAOI扩大至n+1层,并向该层中的节点发送Pj的查询请求;
步骤b82:判断Pj的场景查询请求是否被某些节点成功回应,是,执行步骤b90,否,执行步骤b83;
步骤b83:将服务器视为Pj最后的场景下载源;
步骤b90:化身所需要的场景下载源集合搜索结束。
6.根据权利要求1所述的基于可扩展兴趣区域大规模DVE场景对等渐进传输方法,其特征在于:所述的步骤C00具体包括以下步骤:
步骤c10:对场景Pi的每个场景下载源计算其资源得分;
步骤c20:筛选出Pi的场景下载源中资源得分高于阈值TResource的节点,按资源得分从高到低生成队列QSource;
步骤c30:将Pi的下载请求分配给QSource队头第一个节点,判断该节点是否可以提供场景Pi的下载服务,是,执行步骤c40,否,执行步骤c50;
步骤c40:该节点将数据Pi发送给请求化身,将该节点从队列QSource中删除,并结束最优场景下载源的搜索;
步骤c50:判断QSource队列中当前被请求下载资源的节点是否为队列的最后一个节点,否,执行步骤c60,是,执行步骤c70;
步骤c60:将Pi的下载请求分转发至队列QSource中的下一个节点,判断该节点是否可以提供场景Pi的下载服务,是,执行步骤c40,否,执行步骤c50;
步骤c70:降低阈值TResource,并执行步骤c20。
7.根据权利要求6所述的基于可扩展兴趣区域大规模DVE场景对等渐进传输方法,其特征在于:设定场景文件的下载请求化身有n个场景下载源,通过以下公式来评估每个场景下载源的资源得分状况:
其中,ResourceScore(i)为场景下载源i的资源得分,NumofRequest(i)为场景下载源i正在处理的下载请求数量,Bw(i)为目前场景下载源i的可用带宽,而Lat(i)表示下载请求节点到场景下载源i的基本网络传输延时,分别分配权重α,β和γ,α+β+γ=1,这三个权重初始均设为等值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611151916.2A CN106850737A (zh) | 2016-12-14 | 2016-12-14 | 基于可扩展兴趣区域大规模dve场景对等渐进传输方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611151916.2A CN106850737A (zh) | 2016-12-14 | 2016-12-14 | 基于可扩展兴趣区域大规模dve场景对等渐进传输方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106850737A true CN106850737A (zh) | 2017-06-13 |
Family
ID=59140038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611151916.2A Pending CN106850737A (zh) | 2016-12-14 | 2016-12-14 | 基于可扩展兴趣区域大规模dve场景对等渐进传输方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106850737A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108449374A (zh) * | 2017-10-16 | 2018-08-24 | 同济大学 | Web3D虚拟场景对等传输数据调度方法及平台 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102752325A (zh) * | 2011-04-18 | 2012-10-24 | 贾金原 | 基于对等网的大规模虚拟场景的高效下载方法 |
-
2016
- 2016-12-14 CN CN201611151916.2A patent/CN106850737A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102752325A (zh) * | 2011-04-18 | 2012-10-24 | 贾金原 | 基于对等网的大规模虚拟场景的高效下载方法 |
Non-Patent Citations (1)
Title |
---|
贾金元: ""基于多层增量式可扩展扇形兴趣区域的大规模DVE场景对等渐进式传输机制"", 《计算机学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108449374A (zh) * | 2017-10-16 | 2018-08-24 | 同济大学 | Web3D虚拟场景对等传输数据调度方法及平台 |
CN108449374B (zh) * | 2017-10-16 | 2020-08-14 | 吉林吉动盘古网络科技股份有限公司 | Web3D虚拟场景对等传输数据调度方法及平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017080172A1 (zh) | 网络调度方法和系统 | |
CN103347068B (zh) | 一种基于代理集群网络缓存加速方法 | |
US9241240B2 (en) | Techniques for server-controlled tiling of location-based information | |
CN103095727B (zh) | P2p资源定位方法 | |
CN103455531B (zh) | 一种支持高维数据实时有偏查询的并行索引方法 | |
CN109376123A (zh) | 管理文件的方法、分布式存储系统和管理节点 | |
CN112799839B (zh) | 请求处理方法、装置、计算机可读存储介质及电子设备 | |
CN108920552A (zh) | 一种面向多源大数据流的分布式索引方法 | |
CN110830562A (zh) | 一种基于虚拟节点的有限负载一致性哈希负载均衡策略 | |
CN102045392A (zh) | 一种无结构p2p网络的基于兴趣的自适应拓扑优化方法 | |
CN108282522A (zh) | 基于动态路由的数据存储访问方法及系统 | |
Souri et al. | A survey for replica placement techniques in data grid environment | |
CN103107944B (zh) | 一种内容定位方法和路由设备 | |
CN101465875A (zh) | 一种基于网络定位的负载均衡算法 | |
Tang et al. | Coordinate-based efficient indexing mechanism for intelligent IoT systems in heterogeneous edge computing | |
CN106850737A (zh) | 基于可扩展兴趣区域大规模dve场景对等渐进传输方法 | |
CN103825916A (zh) | 一种资源下载方法及系统 | |
Wang et al. | Interest‐driven avatar neighbor‐organizing for P2P transmission in distributed virtual worlds | |
CN101123610B (zh) | 一种混和分布式重叠网络装置及其服务注册方法 | |
JP4675631B2 (ja) | インデックスサーバ及びp2pネットワークシステム | |
CN100559758C (zh) | 基于组合式建造p2p系统的方法 | |
CN103678008B (zh) | 数据读取方法及相应的数据读取装置 | |
Al Ridhawi et al. | Client-side partial file caching for cloud-based systems | |
CN104391861B (zh) | 一种基于比例尺级别变化的专题图的获取方法 | |
CN103701846B (zh) | 基于节点临近度估计的对等网络资源搜索优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170613 |