CN107579974A

CN107579974A - 面向实时按需数据广播系统及容量提升的请求预处理方法

Info

Publication number: CN107579974A
Application number: CN201710786415.XA
Authority: CN
Inventors: 胡文斌; 邱振宇; 聂聪; 王欢; 严丽平; 杜博
Original assignee: Wuhan University WHU
Current assignee: Wuhan University WHU
Priority date: 2017-09-04
Filing date: 2017-09-04
Publication date: 2018-01-12
Anticipated expiration: 2037-09-04
Also published as: CN107579974B

Abstract

本发明公开了一种面向实时按需数据广播系统及容量提升的请求预处理方法，系统包括一个服务器、若干广播蜂窝网络cell；每个广播蜂窝网cell内包含一个基站、若干虚拟节点VN以及若干移动终端；移动终端利用虚拟节点通过无线网络接入基站，基站通过有线光纤网络接入服务器。方法首先包括一种最佳请求合并算法以合并用户请求，减少数量，同时，该方法包含一种合并请求优先级和剪枝算法以综合衡量合并请求优先级，剪枝多余合并请求，从而减少服务器处理请求数，提高系统广播效率。

Description

面向实时按需数据广播系统及容量提升的请求预处理方法

技术领域

本发明属于计算机科学和实时按需数据广播领域，具体涉及一种面向实时按需数据广播系统及容量提升的请求预处理方法。

背景技术

随着4G技术成熟，5G技术的迅速发展，无线网络与移动计算不断的融入到本发明日常生活中。大量的移动数据服务迫切需要一种可扩展的无线传播方法，以实现大规模数据的分发。无线数据广播正是这样一种方法，其利用信道共享技术，可以实现任意数量用户同时访问数据，非常适用于高负载系统(如：股票信息发布系统、实时交通信息发布系统)的信息传输。依据在广播过程中是否考虑实时用户请求，数据广播可分为两类：静态数据广播(push-based)和实时按需数据广播(pull-based)。静态数据广播依赖于数据访问模式的先验知识，周期性的以静态的方式广播预定的数据项，广播过程中不考虑实时用户需求。相反，实时按需数据广播通过上行信道接收实时用户请求，依据用户请求动态组织数据广播。实时按需数据广播兼具点对点通信的灵活性，以及数据广播的高效性，可扩展到大规模实时数据库，可适应动态数据访问模式以满足实时需求，越来越受到学者的关注。

在按需数据广播系统中，用户通过上行信道上传请求，服务器响应请求，动态组织被请求数据广播。现有文献关于按需数据广播的研究主要集中在数据调度算法，然而，随着用户数量和请求量的激增，图4展示的因大规模数据请求导致的问题不容忽视。一方面受限于硬件资源(内存，CPU)、控制信道、接入控制算法等，基站的接入容量有限。随着用户数量的不断增加，基站接入容量成为按需数据广播系统的瓶颈。另一方面，大量用户同时请求数据，服务器必须在极短的时间内响应，这也是对服务器并发处理请求能力的巨大挑战。例如，在股票更新期间，大量用户请求同时涌向股票服务器以获取最新的股票信息，将消耗大量上行带宽，导致极高的服务器并发量，严重时甚至会导致服务器奔溃。这些问题激励本发明研究按需数据广播系统中用户请求预处理问题。

目前针对实时按需数据广播调度的研究主要包括如下几个方面：(1)索引技术，其目的为缩短调谐时间以节省终端能量消耗。Sun等人针对于XML文档提出一种two-tier索引结构，第一层索引给用户提供全局XML镜像，第二层索引提供具体索引细节，能够以最小的索引代价提前通知移动终端数据广播时间，节省移动终端能耗。(2)考虑用户访问时间(average access time，AAT)。相关文献研究广播调度以最大限度的降低AAT。Aksoy D等人综合考虑数据项请求数和最长等待时间，提出RxW算法，以数据项请求数与最长等待时间的乘积衡量数据项广播优先级，但其不考虑周期广播。Xu等人考虑紧急度和请求满足率，提出SIN-α，对高速率请求环境有很好的适应性。Lu等人研究最大产出请求选择问题(maximumthroughput request selection problem,MTRS)和最小延迟请求排序问题(minimumlatency request order problem,MLRO)，针对用户请求，数据项提出两层调度算法(scheduling scheme with maximum gain heuristic,SLLH)，能够获得最佳的广播效率。(3)考虑请求截止期。在请求带有截止期的广播环境，请求失效率(loss rate,LR)代替等待时间成为最重要的考虑因素。相关文献对考虑截止期的实时按需数据广播调度进行了研究。Hu等人提出LxRxW算法，将即将失效数L、数据项请求数R、数据项最长等待时间W同时考虑，其权重指标能够全面的衡量数据项的优先级。Lei M等人同时考虑失效率和访问时间，其定义来表示当前时间节点不广播d_i所造成的开销，提出最大价值优先算法MVGF(maximum value gained first，MVGF)，每次选择Cost值最小的数据项广播。其由不广播数据项d_i所导致的失效请求数以及用户增长的平均访问时间共同决定。此外，相关文献针对多信道、多数据项问题进行了研究，主要优化多信道广播环境下可能出现的数据重叠、数据冲突等问题，优化调度，提高信道利用率。上述算法在降低移动终端能耗、减小等待时间、降低失效率等方面具有良好的效果，但没有关注到大规模数据广播调度应用过程中的系统容量限制问题，目前仍缺少一种有效提升按需数据广播系统容量，同时提高系统广播效率的方法。

发明内容

面向实时按需数据广播系统容量提升的请求预处理方法针对目前限制广播系统容量的两个瓶颈问题，本发明分别提出一种新的三层按需数据广播系统结构和请求预处理方法，一方面能够有效的增加基站接入容量，另一方面能够有效的降低服务器并发压力。

本发明的系统所采用的技术方案是：一种面向实时按需数据广播系统，其特征在于：包括一个服务器、若干广播蜂窝网络cell；每个广播蜂窝网cell内包含一个基站、若干虚拟节点VN以及若干移动终端；移动终端利用虚拟节点通过无线网络接入基站，基站通过有线光纤网络接入服务器。

本发明的方法所采用的技术方案是：一种面向实时按需数据广播系统容量提升的请求预处理方法，其特征在于：基站负责接收虚拟节点上传的用户请求，运用RPPM方法并对请求进行预处理，生成合并请求队列MRQ；

所述RPPM方法包含最佳请求合并算法ORM和合并请求优先级和剪枝算法MRPP；

所述最佳请求合并算法ORM，具体实现包括以下步骤：

步骤A1：初始化合并请求队列

步骤A2：确定合并阈值Merge-T；

步骤A3：依据OWS策略确定最佳权重系数w₁,w₂；

步骤A4：将所有需要被预处理的请求Req_i依据p_i映射至Ftree；Ftree表示服务器提供给移动终端访问的目标数据项分层目录树；Bnode_i为Ftree中第i个分支节点，Bnode_i＝{p_i,D_i,N_i}，p_i为分支节点Bnode_i的绝对文件路径，D_i＝{d_i,1,...d_i,j,...d_i,h}为Bnode_i路径下包含的数据项集合，N_i为Bnode_i路径下包含的子分支节点集合；

步骤A5：以节点编号i递减的顺序计算Ftree内每一个Bnode_i的Merge-C_i；对于Bnode_i，基于线性加权和法的合并代价为Merge-C_i；

步骤A6：递归遍历Ftree内的每一个分支节点Bnode_i，若其Merge-C_i小于合并阈值Merge-T，则合并该分支节点内包含的请求，生成合并请求mReq_i，将所有生成的合并请求组织成合并请求队列MRQ；

所述合并请求优先级和剪枝算法MRPP，具体实现包括以下步骤：

步骤B1：步骤B1：初始化ρ＝0,σ＝0；其中ρ，σ为计算变量，ρ统计MRQ中合并请求数量，σ统计MRQ中请求数据量；

步骤B2：计算每一个合并请求mReq_i的优先级Weight_i，每计算一次，ρ＝ρ+1；其中mr_i为mReq_i包含的请求数，为mReq_i截止期，mt_i为mReq_i请求时间，mp_i为mReq_i指向请求数据的绝对路径，ms_i为mReq_i请求数据项大小；

步骤B3：将合并请求队列MRQ内的每一个合并请求mReq_i按照优先级递减的顺序排序；

步骤B4：从i＝1开始，循环执行步骤B5，直至i＝ρ；

步骤B5：判断σ＜Bw×T是否成立，其中Bw为广播系统带宽，T为广播周期；

若是，则σ＝σ+ms_i，其中ms_i为mReq_i包含的数据量；

否则，将mReq_i从MRQ中删除。

本发明面向实时按需数据广播系统容量提升的请求预处理方法针对目前限制广播系统容量的两个瓶颈问题，分别提出一种新的三层按需数据广播系统结构和请求预处理方法，一方面能够有效的增加基站接入容量，另一方面能够有效的降低服务器并发压力。具体的，该方法针对现有实时按需数据广播系统结构接基站接入容量不足的问题，借鉴目前正在飞速发展的微型基站思想，在传统的数据广播系统结构中引入虚拟节点层以分担基站接入开销，从而提出三层按需数据广播系统结构以提升基站容量。针对服务器并发能力限制问题，该方法利用按需数据广播的请求特征，提出一种请求预处理方法RPPM(RequestPre-Process Method)，RPPM包含如下两个算法：(1)针对于最大化请求合并问题(maximumrequest merge problem,MRM)，本发明提出一种最佳请求合并算法(optimal requestmerge algorithm,ORM)以合并用户请求，减少请求数量，降低上行信道及服务器压力。(2)针对于合并请求的最佳合并请求优先级问题(optimal merged request priorityproblem,OMRP)，本发明提出一种合并请求优先级和剪枝算法(merged request priorityand prune algorithm,MRPP)以综合衡量合并请求优先级，剪枝多余合并请求。结合三层按需数据广播系统结构和请求预处理方法，本发明能够有效的提高按需数据广播系统容量，提高系统广播效率。

附图说明

图1是本发明实施例的三层按需数据广播系统模型；

图2是本发明实施例的RPPM框架；

图3是本发明实施例的基于分层目录树的请求示意图；

图4是本发明实施例的基站接入容量问题和服务器并发压力问题示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本发明方法针对现有实时按需数据广播系统结构接基站接入容量不足的问题，借鉴目前正在飞速发展的微型基站思想，在传统的数据广播系统结构中引入虚拟节点层以分担基站接入开销，从而提出三层按需数据广播系统结构以提升基站容量。

针对服务器并发能力限制问题，利用按需数据广播的请求特征，提出一种请求预处理方法RPPM(Request Pre-Process Method)，RPPM包含如下两个算法：

(1)针对于最大化请求合并问题(maximum request merge problem,MRM)，本发明提出一种最佳请求合并算法(optimal request merge algorithm,ORM)以合并用户请求，减少请求数量，降低上行信道及服务器压力；

(2)针对于合并请求的最佳合并请求优先级问题(optimal merged requestpriority problem,OMRP)，本发明提出一种合并请求优先级和剪枝算法(merged requestpriority and prune algorithm,MRPP)以综合衡量合并请求优先级，剪枝多余合并请求。结合三层按需数据广播系统结构和请求预处理方法，本发明能够有效的提高按需数据广播系统容量，提高系统广播效率。

请见图1，本发明提供的一种面向实时按需数据广播系统，包括一个服务器、若干广播蜂窝网络cell；每个广播蜂窝网cell内包含一个基站、若干虚拟节点VN以及若干移动终端；移动终端利用虚拟节点通过无线网络接入基站，基站通过有线光纤网络接入服务器。

在传统的按需数据广播系统中，基站是移动设备的唯一无线接入点，因此基站的接入容量成为限制广播系统容量的一个瓶颈。目前最有效的缓解这个问题的方法是通过缩小蜂窝网络的大小，从而减少基站覆盖范围内接入用户数量，这就是所谓的微基站技术。然而新建微基站以替代现有的无线基站是一个耗时且昂贵的方法。受微基站技术思想的启发，本发明提出虚拟节点VN(Virtual Node)的概念，其功能类似于传统无线网络中的中继节点，工作于移动终端与基站之间，拥有比中继节点更强大的计算能力。在传统的按需数据广播系统结构中引入虚拟中点层，其主要负责用户接入控制，从而大大提高基站的接入容量。本发明提出的三层按需数据广播系统模型如图1所示。广播系统包括一个服务器，多个广播蜂窝网络cell。每个cell内包含一个基站，一组VNs以及一组移动终端。移动终端通过无线网络接入基站，基站通过有线光纤网络接入服务器。本发明提出的三层按需数据广播系统结构主要包含如下三层：(1)移动终端层；(2)虚拟节点层；(3)基站层。针对于每一层具体说明如下：

移动终端层由一组移动终端设备组成。如图1所示，每个移动终端设备直接通过上行信道无线接入距其最近的VN。每当用户需要一个数据时，移动终端通过上行信道上传一个带有截止期的请求至VN，假设每个用户一次只产生一个请求，并且同一用户前后两次请求的数据之间不具有关联性。上传请求后，用户侦听下行广播信道获取数据，数据项大小是不唯一的。若请求在截止期内得到满足，则请求成功，否则请求失败。

虚拟节点层VNs由一组虚拟节点组成。VNs＝{VN₁,...VN_i,...VN_R}。每个虚拟节点VN管理其信号覆盖范围内的用户接入以降低基站的接入控制开销。每一个VN的信号覆盖范围互不重叠，一个cell内所有VN的信号覆盖组成该cell的工作范围。VN与基站保持长连接。每个VN内维护一个请求缓冲池Q。

基站层仅包含一个基站。基站负责接收虚拟节点层上传的用户请求，运用RPPM方法对请求进行预处理，生成合并请求队列MRQ(Merged Request Queue)。一旦PRRM运行完毕，基站立即将MRQ通过有线光纤网络上传至服务器，随后基站等待接收服务广播数据。一旦接收到服务器广播数据，其立即通过下行广播信道传送至移动终端。

基于三层系统结构的按需数据广播调度流程如表1所示：

表1基于三层系统结构的按需数据广播调度流程

为了方便方面的描述，对本发明中符号定义如下：

Ftree表示服务器提供给移动终端访问的目标数据项分层目录树；

Bnode_i为Ftree中第i个分支节点，即分层目录树中第i个文件夹，Bnode_i＝{p_i,D_i,N_i}其中p_i为分支节点Bnode_i的绝对文件路径，D_i＝{d_i,1,...d_i,j,...d_i,h}为Bnode_i路径下包含的数据项集合，N_i为Bnode_i路径下包含的子分支节点集合。如图4中D₁为分支节点，用表示，其中

U_i为分支节点Bnode_i下包含的有效数据项(即被请求的数据项)集合，V_i为分支节点Bnode_i下包含的无效数据项集合，R_i为Bnode_i包含的请求数。如图4中下有效数据项集合，下无效数据项集合,

为数据项d_i的大小，为Bnode_i下U_i包含的有效数据项大小总和，即为Bnode_i下V_i包含的无效数据项大小总和，即

为Bnode_i内数据项d_i,j包含的请求队列，为请求队列的长度，即d_i,j包含的请求个数；

IVR_i为Bnode_i下无效数据大小占总数据量大小的比率，即无效数据率。IVR_i影响请求合并的决策，若IVR_i过大，合并Bnode_i中包含的Q₂请求将导致过量的带宽浪费，则不能合并Q₂的请求。其中IVR_i的求解如式(1)；

RRR_i为合并Bnode_i内请求前后，Bnode_i内请求数据减少的比率，即请求减少率。RN_i为合并前Bnode_i包含的请求个数，则MRM_i为合并后Bnode_i包含的请求个数，由定义可知，Bnode_i包含的请求均可归为Q₂，若能合并Q₂，则MRM_i＝1，若不可合并，MRM_i为U_i包含的有效数据项个数|U_i|。即

mReq_i为请求合并生成的合并请求，其中mr_i为mReq_i包含的请求数，为mReq_i截止期，mt_i为mReq_i请求时间，mp_i为mReq_i指向请求数据的绝对路径，ms_i为mReq_i请求数据项大小；

Weight_i为mReq_i的优先级，Weight_i值越大，mReq_i优先级越高，越先得到响应；

Bw为下行广播信道带宽，T为广播周期长度。

本发明提供的一种面向实时按需数据广播系统容量提升的请求预处理方法，基站负责接收虚拟节点上传的用户请求，运用RPPM方法并对请求进行预处理，生成合并请求队列MRQ；

按需数据广播系统中服务器时接收用户请求，随着数据广播系统中移动用户和实时应用数量的增长，服务器并发处理请求压力问题变得更加棘手，尤其3G、4G网络环境下，其用户数据请求呈现请求多次、单次请求数据量小的特点。基于此，本发明对用户请求预处理进行了研究，提出最大化请求合并问题MRM和最佳合并请求优先级问题OMRP，并提出一种基于请求预处理的实时按需数据广播调度方法RPPM，针对问题MRM和OMRP，RPPM包含最佳请求合并算法ORM和合并请求优先级和剪枝算法MRPP，RPPM框架如图2所示。

MRPP借助ORM生成的合并请求队列MRQ，量化MRQ中合并请求的优先级，将各个请求按优先级由大到小排序，依据系统周期广播数据量剪枝MRQ，删除MRQ中部分低优先级合并请求。MRPP能够准确量化合并请求优先级，保证优先级最高的请求最先得到响应，并进一步减少合并请求的数量。

(1)最佳请求合并算法ORM；

ORM能以最佳的策略将用户请求进行合并，减少服务器所需处理请求数，生成请求合并队列MRQ。其中ORM大致可以分为如下几个步骤：1)确定基于阈值的合并策略；2)基于量子粒子群算法(quantum-behaved particle swarm algorithm，QPSO)快速确定最佳权重系数；3)合并请求生成MRQ；

下面首先介绍基于分层目录数的请求，其为请求合并提供可可行性，随后介绍算法分析，最后介绍算法的具体实现。

(1.1)基于分层目录树的请求；

一般的，服务器提供给移动终端访问的目标数据项大多以分层目录树的方式组织，用户访问数据时通过查询路径(例如:/D₁/W₂/d₃)对数据项进行定位。分层目录树的文件组织方式为按需数据广播请求合并提供了可行性。不失一般性，本发明假设用户查询路径包含URL中后两部分，即文件路径以及文件名。文件路径以及文件名指明了资源所在服务器的存储位置，其取值空间构成服务器提供给移动终端访问的树形目录结构。基于分层目录树的请求示意图如图3所示，其中方框表示文件夹，圆框表示可访问数据文件，用户请求通过查询路径p将请求定位于对应数据项，例如p₁＝:/D₁/W₂/d₃，故Req₁被映射至图3中数据项d₃所对应的位置。

依据请求数据项所在分层目录树位置的不同，可将用户请求分为三类，不同用户请求类别对合并有重大影响，故本文将用户请求类别定义如下：

定义1(第一类请求)：针对于同一数据项的不同请求为第一类请求，由符号Q₁表示。对于这一类请求，各请求的不同点为请求时间、请求截止期。

定义2(第二类请求)：针对于同一文件目录下不同数据项的请求为第二类请求，由符号Q₂表示，对于这一类请求，其请求时间、请求截止期以及请求查询路径p均可能不同，但p中仅文件名(即数据项名称)不同。

定义3(第三类请求)：针对于不同文件目录下不同数据项的请求为第三类请求，由符号Q₃表示，对于这一类请求，其请求时间、请求截止期以及请求查询路径p均可能不同，且p中文件路径以及文件名均不同。

(1.2)请求合并分析；

合并属于Q₁的请求并不会导致无效数据的产生，故问题存在于第二类请求Q₂的合并。由定义可知，属于Q₂请求必将关联于同一文件夹，即位于Ftree中某一分支节点Bnode_i下。子问题二的关键即根据IVR_i和RRR_i来判定是否合并Bnode_i内的第二类请求。其中IVR_i为Bnode_i包含的无效数据率，若IVR_i越大，合并请求导致的无效数据越多，广播效率越低。RRR_i为请求的减少率，RRR_i越大，合并请求所减少的请求越多，上行带宽和服务器负载减轻越明显。根据用户请求的随机性，RRR_i的增大不避免的将引起IVR_i的增大，RRR_i和IVR_i相互作用和矛盾，故子问题二为典型的多目标二分决策问题。常见的多目标决策方法有分层序列法，目标规划法，线性加权和法等，其中线性加权和法更简单高效，本发明基于线性加权和法定义合并代价Merge-C，提出基于阈值分析的合并策略。其中合并代价定义如下。

定义4(合并代价)：因合并Bnode_i内Q₂请求所产生的代价即为合并代价Merge-C，其权衡IVR和RRR。对于Bnode_i，基于线性加权和法的合并代价可由式(3)表示。

Merge-C_i刻画合并Bnode_i内Q₂请求的代价，为了保证合并的有效性以及广播效率，本发明提出基于合并阈值Merge-T分析的合并策略，针对Bnode_i内Q₂请求合并决策如式(4)。

由式(3)，(4)可知，Merge-T决定了合并粒度，Merge-T越大合并粒度越大。在真实的数据广播系统中，Merge-T应根据实际的系统需求，综合考虑广播效率和系统负载压力确定。式(3)中将IVR_i和RRR_i基于线性加权和确定Merge-C，其中权重系数w₁,w₂决定了IVR_i和RRR_i对Merge-C的影响大小，是寻求合并最优解的关键。

同时，合并请求包含多个用户请求，如何准确的确定合并请求特征参数以全面的替代被合并请求(包括请求等待时间、截止期，其影响调度优先级的确定)，保证被合并请求的可满足性也是合并请求面临的问题。

在本发明中，合并请求的数据特征如下其中mr_i,mp_i,ms_i由实际请求情况直接确定，需通过算法确定。常见的综合数据特征的方法包括平均值、中位数、众数等，但均不适用于的确定。因为合并请求的必须要保证包含在该合并请求内的所有请求在对应的均能得到满足。以平均数为例，假设存在如下三个请求：需要合并生成若合并请求将导致Req₁和Req₂失效，因为故为了保证能满足所有被合并请求的截止期，应取针对mt_i的确定，因mt_i不同于其没有确定的判优指标，mt_i刻画的是被合并请求整体的等待时间。例如：mReq_a包含请求Req₁,Req₂和Req₃，对应的t₁＝1,t₂＝5,t₃＝6。mReq_b包含请求Req₄,Req₅和Req₆，对应的t₄＝2,t₅＝2,t₆＝2。若mt_i＝min(t₁,t₂,...t_n)，则mt_a＝1＜mt_b＝2。则单从请求时间考虑，mReq_a优先级高于mReq_b。若mt_i＝avg(t₁,t₂,...t_n)，则mt_a＝4＞mt_b＝2。则单从请求时间考虑，mReq_a优先级低于mReq_b。显然，取mt_i＝avg(t₁,t₂,...t_n)更为合理，因为mReq_b整体紧急程度要高于mReq_a。考虑到整体的平均访问时间AAT并兼顾公平性，取mt_i＝avg(t₁,t₂,t₃)更为合理。综上分析，合并请求的特征参数可由式(5)确定。

其中，为请求Req_i的截止期，t_i表示请求Req_i发送时间。

结合以上分析，本发明提出ORM算法，其主要包括两部分：

1)基于量子粒子群优化算法QPSO的最佳权重搜索策略(optimal weight search，OWS)以快速确定式(3)中最佳权重系数；

2)借助于确定最佳权重系数的式(3)以及合并决策式(4)，合并请求。具体如下：

OWS策略：量子信息的基本存储单元是量子比特，|0＞和|1＞表示一个量子比特的两种极化状态，量子比特状态可表示为P_i,c|0＞+P_i,s|1>，P_i,c和P_i,s为|0>和|1>的概率幅。式(3)中权重系数组成权重数组W＝{w₁,w₂}，令为权重数组W对应的适应度值，适应度值越大，则表示权重数组W越优秀。OWS策略具体可分为四步。

1)生成携带权重数组的初始量子粒子群：假设初始化m个量子粒子，粒子数目越多，初始权重数组差异性越大。其中第i个量子态粒子编码方式如式(6)所示。量子粒子携带权重数组，因权重数组中包含两个参数，故每个粒子编码方式包含两组正余弦值。其中θ_i,j＝2π×rnd，rnd为(0,1)内的随机数，i＝1,2,...m。m为量子粒子群中粒子数目。

将上面的量子粒子的位置按照正余弦拆分，即可得到每个量子态粒子所占据的两个位置，其分别对应于概率幅P_i,s和P_i,c，可用式(7)和式(8)表示。

P_i,s＝(sinθ_i,1,sinθ_i,2) (7)；

P_i,c＝(cosθ_i,1,cosθ_i,2) (8)；

每个量子态粒子的概率幅P_i,s和P_i,c可通过式(9)和(10)转化为权重数组W_i,s和W_i.c，W可取值为W_i,s或W_i,c。

2)更新权重数组：权重数组的更新是随着概率幅P_i,s和P_i,c的更新而实现的。每次迭代，都将P_i,s和P_i,c通过式(11)得到和然后令实现更新，继续下次迭代。

其中

由式(11)可知，每次迭代，量子粒子概率幅的更新均基于上一次迭代结果进行，通过Δθ_i,j(t+1)通过上一步Δθ_i,j(t)确定，从而确保了已搜索得到的最优解不会被抛弃。

以上两步是为了提供符合QPSO的操作设定，而量子信息的引入主要是在下面的第三步中。其能够有效的保证搜索的全局收敛性。

3)权重值变异：原始的QPSO算法易陷入局部最优，主要原因在于搜索过程中权重数组的多样性丢失。OWS借助量子非门实现变异操作来避免多样性丢失。设权重数据变异概率为P_m，在(0,1)之间随机生成随机数rnd_i，如果rnd_i＜P_m，则将该量子粒子上的量子比特通过式(12)进行变异操作。

4)设P_i,l对应的W_i,l为粒子i当前搜索到的适应度值最高的权重数组，P_g对应的W_g为整个粒子群当前搜索到的适应度最大的权重数组。迭代g_max的步骤如过程1所示。

过程1.

1.FORg＝1to g_max DO：

2.FOR i＝1tom：

3.依据P_i,s和P_i,c通过式(9)，(10)得到W_i,s和W_i.c；

4.IFfitness(W_i,c)＞fitness(W_i,l)THEN P_i,l＝P_i,c；

5.IFfitness(W_i,s)＞fitness(W_i,l)THEN P_i,l＝P_i,s；

6.IFfitness(W_i,l)＞fitness(W_g)THEN P_g＝P_i,l；

7.END FOR

8.END FOR

请求合并：一旦式(3)中最佳权重系数w₁,w₂确定，便可依据式(3)式(4)和式(5)进行请求合并。具体的请求合并分为如下三步。

1)请求映射；

依据p_i将Req_i映射至Ftree，即将Req_i添加至对应请求数据项d_i,j的请求队列尾部。

2)计算合并代价Merge-C；

以节点编号递减的顺序计算Ftree中各分支节点的Merge-C_i值，针对Bnode_i其Merge-C_i求解方法如下：1)对于Bnode_i内每一个数据项d_i,j，如果则将d_i,j加入到集合V_i，否则将d_i,j加入U_i，2)对于Bnode_i中的每一个分支节点Bnode_j，U_i＝U_i∪U_j，V_i＝V_i∪V_j，依据式(1)和(2)计算IVR_i和RRR_i3)根据式(3)计算Merge-C_i。

3)生成合并请求队列MRQ；

递归遍历Ftree中每一个分支节点Bnode_i，依据式(4)考察请求合并。其递归函数Merge(Bnode)如式(13)。

在递归遍历过程中，若Bnode_i＝null，则函数直接返回。若Merge-C_i≤Merge-T，则合并Bnode_i中Q₂请求。若Merge-C_i＞Merge-T，则不合并Bnode_i中Q₂，但无条件合并Q₁。合并请求mReq_j生成过程如下：1)依据式(5)计算2)如果mReq_j由Q₁生成，Q₁指向数据项d_i，则mp_j=p_i,若果mReq_j由Q₂生成，Q₂关联Bnode_i，则mp_j＝p_i，mr_j＝R_i。

综上，ORM算法的具体实现如表2所示。

表2算法ORM

(2)合并请求优先级和剪枝算法MRPP；

ORM算法生成的合并请求队列MRQ包含的请求数据可能在一个广播周期内无法全部得到响应，并且由于合并，MRQ内合并请求优先级无法确定，这导致OMRP问题的产生。本发明首先分析影响合并请求优先级的策略因素，随后详细介绍针对OMRP问题的请求优先级和剪枝算法MRPP。

现有的调度算法大多都是针对于数据项优先级的量化分析，根据一定的策略因素衡量数据项优先级，一般的策略因素包括数据项大小、等待时间、请求数、截止期等。根据合并请求的定义可知，其同数据项拥有相同的数据特性，即mReq_i包含请求数据项大小、合并请求数、截止期和等待时间等基本信息，为量化合并请求优先级提供了策略因素。各策略因素对mReq_i优先级的影响分析如下：

数据项大小：合并请求所对应的数据项越大，响应该请求所耗费的时间越长。换而言之，数据项越大所消耗的带宽越多，其他条件相同的情况下，为了降低AAT和LR，数据项大小同合并请求优先级成反比；

等待时间：为了防止热度较低的数据项请求出现饿死现象，降低AAT，合并请求的等待时长必须被考虑，即等待时间越长，优先级越高；

合并请求数：合并请求所包含的请求数目是衡量一个合并请求优先级的重要因素，合并请求数越大，说明响应该请求所能同时满足的用户数越大，AAT和LR越低，故合并请求数越大，优先级越高；

截止期：截止期是影响合并请求优先级另一重要因素，截止期刻画合并请求的紧急度，必须优先响应截止期小的请求以减低LR。故截止期与优先级成反比。

基于以上分析，本发明提出了MRPP算法，其综合考虑以上四个因素，量化合并请求优先级。其中等待时间影响平均访问时间AAT，合并请求数决定热度，可直接作为量化指标。数据项大小影响广播时间，广播时间同截止期结合，影响请求失效率LR，MRPP算法通过将其转化为失效数的方式更直观的转化为量化指标。具体的，合并请求mReq_i的优先级Weight_i可由式(14)求解，其中mr_i为mReq_i包含的请求数，W_i为mReq_i的等待时间，设当前系统时间为t，则W_i＝t-mt_i，SL_i为假设当前时间节点t响应mReq_i将导致的其他请求失效的失效数，可由式(15)求解。

其中mr_j为合并请求mReq_j所包含的请求数。SL_i的取值可能为0，此时就用mr_i×W_i作为mReq_i的优先级，因此将式(14)修改成式(16)。

MRPP基于式(16)，先量化MRQ中合并请求优先级，随后依据优先级剪枝MRQ。设ρ为加入当前广播周期考虑范围内的合并请求个数，σ为加入当前广播周期数据项大小总和。具体的MRPP实现如表3所示。

表3算法MRPP

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims

1.一种面向实时按需数据广播系统，其特征在于：包括一个服务器、若干广播蜂窝网络cell；每个广播蜂窝网cell内包含一个基站、若干虚拟节点VN以及若干移动终端；移动终端利用虚拟节点通过无线网络接入基站，基站通过有线光纤网络接入服务器。

2.根据权利要求1所述的面向实时按需数据广播系统，其特征在于：每个移动终端直接通过上行信道无线接入距其最近的虚拟节点VN，每当用户需要一个数据时，移动终端通过上行信道上传一个带有截止期的请求至虚拟节点VN，假设每个用户一次只产生一个请求，并且同一用户前后两次请求的数据之间不具有关联性；上传请求后，用户侦听下行广播信道获取数据，数据项大小是不唯一的；若请求在截止期内得到满足，则请求成功，否则请求失败。

3.根据权利要求1所述的面向实时按需数据广播系统，其特征在于：每个虚拟节点VN管理其信号覆盖范围内的用户接入以降低基站的接入控制开销；虚拟节点VN的信号覆盖范围互不重叠，一个广播蜂窝网络cell内所有虚拟节点VN的信号覆盖组成该广播蜂窝网络cell的工作范围；虚拟节点VN与基站保持长连接；每个虚拟节点VN内维护一个请求缓冲池Q。

4.根据权利要求1所述的面向实时按需数据广播系统，其特征在于：基站负责接收虚拟节点上传的用户请求，并对请求进行预处理，生成合并请求队列MRQ；一旦预处理完毕，基站立即将MRQ通过有线光纤网络上传至服务器，随后基站等待接收服务器广播数据；一旦接收到服务器广播数据，其立即通过下行广播信道传送至移动终端。

5.一种面向实时按需数据广播系统容量提升的请求预处理方法，其特征在于：基站负责接收虚拟节点上传的用户请求，运用RPPM方法并对请求进行预处理，生成合并请求队列MRQ；

所述最佳请求合并算法ORM，具体实现包括以下步骤：

步骤A1：初始化合并请求队列

步骤A2：确定合并阈值Merge-T；

步骤A3：确定最佳权重系数w₁,w₂；

步骤B1：初始化ρ＝0,σ＝0；其中ρ，σ为计算变量，ρ统计MRQ中合并请求数量，σ统计MRQ中请求数据量；

步骤B4：从i＝1开始，循环执行步骤B5，直至i＝ρ；

若是，则σ＝σ+ms_i，其中ms_i为mReq_i包含的数据量；

否则，将mReq_i从MRQ中删除。

6.根据权利要求5所述的面向实时按需数据广播系统容量提升的请求预处理方法，其特征在于：最佳请求合并算法ORM中，假设用户查询路径包含URL中后两部分：文件路径以及文件名；文件路径以及文件名指明了资源所在服务器的存储位置，其取值空间构成服务器提供给移动终端访问的树形目录结构；用户请求通过查询路径将请求定位于对应数据项；

依据请求数据项所在分层目录树位置的不同，将用户请求分为三类：

第一类请求：针对于同一数据项的不同请求为第一类请求，由符号Q₁表示；对于这一类请求，各请求的不同点为请求时间、请求截止期；

第二类请求：针对于同一文件目录下不同数据项的请求为第二类请求，由符号Q₂表示；对于这一类请求，其请求时间、请求截止期以及请求查询路径p均可能不同，但p中仅文件名不同；

第三类请求：针对于不同文件目录下不同数据项的请求为第三类请求，由符号Q₃表示；对于这一类请求，其请求时间、请求截止期以及请求查询路径p均可能不同，且p中文件路径以及文件名均不同；

基于线性加权和法定义合并代价Merge-C：因合并Bnode_i内Q₂请求所产生的代价；

对于Bnode_i，基于线性加权和法的合并代价为：

其中，Bnode_i为Ftree中第i个分支节点，Bnode_i＝{p_i,D_i,N_i}，p_i为分支节点Bnode_i的绝对文件路径，D_i＝{d_i,1,...d_i,j,...d_i,h}为Bnode_i路径下包含的数据项集合，N_i为Bnode_i路径下包含的子分支节点集合；Ftree表示服务器提供给移动终端访问的目标数据项分层目录树；RRR_i为合并Bnode_i内请求前后，Bnode_i内请求数据减少的比率，w₁,w₂为权重系数；

IVR_i为Bnode_i下未被请求的数据大小占总数据量大小的比率；

<mrow> <msub> <mi>IVR</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <msub> <mi>S</mi> <msub> <mi>V</mi> <mi>i</mi> </msub> </msub> <mrow> <msub> <mi>S</mi> <msub> <mi>U</mi> <mi>i</mi> </msub> </msub> <mo>+</mo> <msub> <mi>S</mi> <msub> <mi>V</mi> <mi>i</mi> </msub> </msub> </mrow> </mfrac> <mo>=</mo> <mfrac> <mrow> <munder> <mo>&Sigma;</mo> <mrow> <msub> <mi>d</mi> <mi>i</mi> </msub> <mo>&Element;</mo> <msub> <mi>V</mi> <mi>i</mi> </msub> </mrow> </munder> <msub> <mi>S</mi> <msub> <mi>d</mi> <mi>i</mi> </msub> </msub> </mrow> <mrow> <munder> <mo>&Sigma;</mo> <mrow> <msub> <mi>d</mi> <mi>i</mi> </msub> <mo>&Element;</mo> <msub> <mi>U</mi> <mi>i</mi> </msub> </mrow> </munder> <msub> <mi>S</mi> <msub> <mi>d</mi> <mi>i</mi> </msub> </msub> <mo>+</mo> <munder> <mo>&Sigma;</mo> <mrow> <msub> <mi>d</mi> <mi>i</mi> </msub> <mo>&Element;</mo> <msub> <mi>V</mi> <mi>i</mi> </msub> </mrow> </munder> <msub> <mi>S</mi> <msub> <mi>d</mi> <mi>i</mi> </msub> </msub> </mrow> </mfrac> <mo>;</mo> </mrow>

U_i为分支节点Bnode_i下包含的被请求的数据项集合，V_i为分支节点Bnode_i下包含的未被请求的数据项集合，R_i为Bnode_i包含的请求数；为数据项d_i的大小，为Bnode_i下U_i包含的被请求的数据项大小总和，即为Bnode_i下V_i包含的未被请求的数据项大小总和，即

针对Bnode_i内Q₂请求合并决策为：

<mrow> <mi>M</mi> <mi>e</mi> <mi>r</mi> <mi>g</mi> <mi>e</mi> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>t</mi> <mi>u</mi> <mi>r</mi> <mi>e</mi> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mi>M</mi> <mi>e</mi> <mi>r</mi> <mi>g</mi> <mi>e</mi> <mo>-</mo> <msub> <mi>C</mi> <mi>i</mi> </msub> <mo>&le;</mo> <mi>M</mi> <mi>e</mi> <mi>r</mi> <mi>g</mi> <mi>e</mi> <mo>-</mo> <mi>T</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>f</mi> <mi>a</mi> <mi>l</mi> <mi>s</mi> <mi>e</mi> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <mi>M</mi> <mi>e</mi> <mi>r</mi> <mi>g</mi> <mi>e</mi> <mo>-</mo> <msub> <mi>C</mi> <mi>i</mi> </msub> <mo>&GreaterEqual;</mo> <mi>M</mi> <mi>e</mi> <mi>r</mi> <mi>g</mi> <mi>e</mi> <mo>-</mo> <mi>T</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>;</mo> </mrow>

其中，Merge-T为合并阈值，根据实际的系统需求，综合考虑广播效率和系统负载压力确定。

7.根据权利要求6所述的面向实时按需数据广播系统容量提升的请求预处理方法，其特征在于：最佳请求合并算法ORM中，当合并请求包含多个用户请求时，合并请求的特征参数由下式确定：

其中，为请求Req_i的截止期，t_i表示请求Req_i发送时间。

8.根据权利要求5所述的面向实时按需数据广播系统容量提升的请求预处理方法，其特征在于：最佳请求合并算法ORM中，通过基于量子粒子群优化算法QPSO的最佳权重搜索策略OWS快速确定最佳权重系数w₁,w₂；具体实现包括以下子步骤：

步骤A1：生成携带权重数组的初始量子粒子群；

假设初始化m个量子粒子，第i个量子态粒子编码方式为：

<mrow> <msub> <mi>P</mi> <mi>i</mi> </msub> <mo>=</mo> <mrow> <mo>&lsqb;</mo> <mrow> <mfenced open = "|" close = "|"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>cos&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>1</mn> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>sin&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>1</mn> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mfenced open = "|" close = "|"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>cos&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>2</mn> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>sin&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>2</mn> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow> <mo>&rsqb;</mo> </mrow> <mo>;</mo> </mrow>

其中θ_i,j＝2π×rnd，rnd为(0,1)内的随机数，i＝1,2,...m，m为量子粒子群中粒子数目；

将量子粒子的位置按照正余弦拆分，即可得到每个量子态粒子所占据的两个位置，其分别对应于概率幅P_i,s和P_i,c：

P_i,s＝(sinθ_i,1,sinθ_i,2)；

P_i,c＝(cosθ_i,1,cosθ_i,2)；

每个量子态粒子的概率幅P_i,s和P_i,c通过下式转化为权重数组W_i,s和W_i.c，

<mrow> <msub> <mi>W</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>s</mi> </mrow> </msub> <mo>=</mo> <mo>{</mo> <mfrac> <mrow> <msub> <mi>sin&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>1</mn> </mrow> </msub> </mrow> <mrow> <msub> <mi>sin&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>sin&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>2</mn> </mrow> </msub> </mrow> </mfrac> <mo>,</mo> <mfrac> <mrow> <msub> <mi>sin&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>2</mn> </mrow> </msub> </mrow> <mrow> <msub> <mi>sin&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>sin&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>2</mn> </mrow> </msub> </mrow> </mfrac> <mo>}</mo> <mo>;</mo> </mrow>

<mrow> <msub> <mi>W</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>c</mi> </mrow> </msub> <mo>=</mo> <mo>{</mo> <mfrac> <mrow> <msub> <mi>cos&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>1</mn> </mrow> </msub> </mrow> <mrow> <msub> <mi>cos&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>cos&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>2</mn> </mrow> </msub> </mrow> </mfrac> <mo>,</mo> <mfrac> <mrow> <msub> <mi>cos&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>2</mn> </mrow> </msub> </mrow> <mrow> <msub> <mi>cos&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>cos&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>2</mn> </mrow> </msub> </mrow> </mfrac> <mo>}</mo> <mo>;</mo> </mrow>

W取值为W_i,s或W_i,c；

步骤A2：更新权重数组；

权重数组的更新是随着概率幅P_i,s和P_i,c的更新而实现的；每次迭代，都将P_i,s和P_i,c通过下式得到和然后令实现更新，继续下次迭代；

<mrow> <mover> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mi>s</mi> </mrow> </msub> <mo>&OverBar;</mo> </mover> <mo>=</mo> <mrow> <mo>(</mo> <mi>s</mi> <mi>i</mi> <mi>n</mi> <mo>(</mo> <mrow> <msub> <mi>&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>&Delta;&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>,</mo> <mi>s</mi> <mi>i</mi> <mi>n</mi> <mo>(</mo> <mrow> <msub> <mi>&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>2</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>&Delta;&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>2</mn> </mrow> </msub> <mrow> <mo>(</mo> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>;</mo> </mrow>

<mrow> <mover> <msub> <mi>P</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>c</mi> </mrow> </msub> <mo>&OverBar;</mo> </mover> <mo>=</mo> <mrow> <mo>(</mo> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mo>(</mo> <mrow> <msub> <mi>&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>&Delta;&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>1</mn> </mrow> </msub> <mrow> <mo>(</mo> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>,</mo> <mi>c</mi> <mi>o</mi> <mi>s</mi> <mo>(</mo> <mrow> <msub> <mi>&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>2</mn> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>&Delta;&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mn>2</mn> </mrow> </msub> <mrow> <mo>(</mo> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>;</mo> </mrow>

其中Δθ_i,j(t+1)＝wΔθ_i,j(t)+c₁r₁(Δθ_l)+c₂r₂(Δθ_g)，

步骤A3：权重值变异；

设权重数据变异概率为P_m，在(0,1)之间随机生成随机数rnd_i，如果rnd_i＜P_m，则将该量子粒子上的量子比特通过下式进行变异操作；

<mrow> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mn>1</mn> </mtd> </mtr> </mtable> </mfenced> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <msub> <mi>cos&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>sin&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>=</mo> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <mrow> <mi>cos</mi> <mrow> <mo>(</mo> <mfrac> <mi>&pi;</mi> <mn>2</mn> </mfrac> <mo>-</mo> <msub> <mi>&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>sin</mi> <mo>(</mo> <mfrac> <mi>&pi;</mi> <mn>2</mn> </mfrac> <mo>-</mo> <msub> <mi>&theta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>,</mo> <mi>j</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>;</mo> </mrow>

步骤A4：设P_i,l对应的W_i,l为粒子i当前搜索到的适应度值最高的权重数组，P_g对应的W_g为整个粒子群当前搜索到的适应度最大的权重数组；则迭代g_max的过程为：

(1)从i＝0开始，循环执行下述步骤(2)，直至i＝g_max；

(2)从j＝0开始，循环执行下述步骤(3)-(6)，直至j＝m；

(3)依据P_i,s和P_i,c通过式(12)，(13)得到W_i,s和W_i.c；

(4)如果fitness(W_i,c)＞fitness(W_i,l)，则令P_i,l＝P_i,c；

(5)如果fitness(W_i,s)＞fitness(W_i,l)，则令P_i,l＝P_i,s；

(6)如果fitness(W_i,l)＞fitness(W_g)，则令P_g＝P_i,l。

9.根据权利要求5所述的面向实时按需数据广播系统容量提升的请求预处理方法，其特征在于：最佳请求合并算法ORM中，通过确定最佳权重系数w₁,w₂以及合并决策，合并请求；具体实现包括以下子步骤：

步骤B1：请求映射；

依据p_i将用户请求Req_i映射至Ftree，即将Req_i添加至对应请求数据项d_i,j的请求队列尾部；

步骤B2：计算合并代价Merge-C；

以节点编号递减的顺序计算Ftree中各分支节点的Merge-C_i值，针对Bnode_i其Merge-C_i求解方法如下：

(1)对于Bnode_i内每一个数据项d_i,j，如果则将d_i,j加入到集合V_i，否则将d_i,j加入U_i，为Bnode_i内数据项d_i,j包含的请求队列，为请求队列的长度，即d_i,j包含的请求个数；

(2)对于Bnode_i中的每一个分支节点Bnode_j，U_i＝U_i∪U_j，V_i＝V_i∪V_j，计算IVR_i和RRR_i；

(3)计算Merge-C_i；

步骤B3：生成合并请求队列MRQ；

递归遍历Ftree中每一个分支节点Bnode_i，其递归函数Merge(Bnode)为：

在递归遍历过程中，若Bnode_i＝null，则函数直接返回；若Merge-C_i≤Merge-T，则合并Bnode_i中Q₂请求；若Merge-C_i＞Merge-T，则不合并Bnode_i中Q₂，但无条件合并Q₁；

合并请求mReq_j生成过程如下：

(1)计算

(2)如果mReq_j由Q₁生成，Q₁指向数据项d_i，则mp_j＝p_i，若果mReq_j由Q₂生成，Q₂关联Bnode_i，则mp_j＝p_i，mr_j＝R_i。

10.根据权利要求5所述的面向实时按需数据广播系统容量提升的请求预处理方法，其特征在于：合并请求优先级和剪枝算法MRPP中，首先详细分析影响合并请求优先级的因素，具体包括数据项大小、等待时间、合并请求数、截止期；其中，数据项大小其他条件相同的情况下，数据项大小同合并请求优先级成反比；等待时间越长，优先级越高；合并请求数越大，优先级越高；截止期与优先级成反比；

综合考虑以上四个因素，量化合并请求优先级；其中等待时间影响平均访问时间AAT，合并请求数决定热度，直接作为量化指标；数据项大小影响广播时间，广播时间同截止期结合，影响请求失效率LR，MRPP算法通过将其转化为失效数的方式更直观的转化为量化指标；

具体的，合并请求mReq_i的优先级weight_i求解如下：

<mrow> <msub> <mi>weight</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>mr</mi> <mi>i</mi> </msub> <mo>&times;</mo> <msub> <mi>W</mi> <mi>i</mi> </msub> </mrow> <mrow> <msub> <mi>SL</mi> <mi>i</mi> </msub> </mrow> </mfrac> <mo>;</mo> </mrow>

其中mr_i为mReq_i包含的请求数，W_i为mReq_i的等待时间，设当前系统时间为t，则W_i＝t-mt_i，SL_i为假设当前时间节点t响应mReq_i将导致的其他请求失效的失效数，求解如下：

<mrow> <msub> <mi>SL</mi> <mi>i</mi> </msub> <mo>=</mo> <munder> <mo>&Sigma;</mo> <mrow> <mi>m</mi> <msub> <mo>&part;</mo> <mi>j</mi> </msub> <mo><</mo> <mi>t</mi> <mo>+</mo> <mfrac> <mrow> <mi>B</mi> <mi>w</mi> </mrow> <mrow> <msub> <mi>ms</mi> <mi>j</mi> </msub> </mrow> </mfrac> <mo>,</mo> <mi>j</mi> <mo>&NotEqual;</mo> <mi>i</mi> </mrow> </munder> <msub> <mi>mr</mi> <mi>j</mi> </msub> <mo>;</mo> </mrow>

其中mr_j为合并请求mReq_j所包含的请求数。

SL_i的取值可能为0，此时就用mr_i×W_i作为mReq_i的优先级，因此最终合并请求mReq_i的优先级weight_i求解如下

<mrow> <msub> <mi>Weight</mi> <mi>i</mi> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mfrac> <mrow> <msub> <mi>mr</mi> <mi>i</mi> </msub> <mo>&times;</mo> <msub> <mi>W</mi> <mi>i</mi> </msub> </mrow> <mrow> <msub> <mi>SL</mi> <mi>i</mi> </msub> </mrow> </mfrac> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <msub> <mi>SL</mi> <mi>i</mi> </msub> <mo>&NotEqual;</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>mr</mi> <mi>i</mi> </msub> <mo>&times;</mo> <msub> <mi>W</mi> <mi>i</mi> </msub> </mrow> </mtd> <mtd> <mrow> <mi>i</mi> <mi>f</mi> </mrow> </mtd> <mtd> <mrow> <msub> <mi>SL</mi> <mi>i</mi> </msub> <mo>=</mo> <mn>0</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>.</mo> </mrow>