CN109218747B - 超密集异构网络中基于用户移动性的视频业务分类缓存方法 - Google Patents

超密集异构网络中基于用户移动性的视频业务分类缓存方法 Download PDF

Info

Publication number
CN109218747B
CN109218747B CN201811109539.5A CN201811109539A CN109218747B CN 109218747 B CN109218747 B CN 109218747B CN 201811109539 A CN201811109539 A CN 201811109539A CN 109218747 B CN109218747 B CN 109218747B
Authority
CN
China
Prior art keywords
video
user
small base
file
cache
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.)
Expired - Fee Related
Application number
CN201811109539.5A
Other languages
English (en)
Other versions
CN109218747A (zh
Inventor
李曦
刘振亚
纪红
张鹤立
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN201811109539.5A priority Critical patent/CN109218747B/zh
Publication of CN109218747A publication Critical patent/CN109218747A/zh
Application granted granted Critical
Publication of CN109218747B publication Critical patent/CN109218747B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/21—Server components or server architectures
    • H04N21/222—Secondary servers, e.g. proxy server, cable television Head-end
    • H04N21/2223—Secondary servers, e.g. proxy server, cable television Head-end being a public access point, e.g. for downloading to or uploading from clients
    • 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
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching
    • 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
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching
    • H04L67/5682—Policies or rules for updating, deleting or replacing the stored data
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/231—Content storage operation, e.g. caching movies for short term storage, replicating data over plural servers, prioritizing data for deletion
    • H04N21/23106—Content storage operation, e.g. caching movies for short term storage, replicating data over plural servers, prioritizing data for deletion involving caching operations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/239—Interfacing the upstream path of the transmission network, e.g. prioritizing client content requests
    • H04N21/2393—Interfacing the upstream path of the transmission network, e.g. prioritizing client content requests involving handling client requests
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
    • H04N21/845—Structuring of content, e.g. decomposing content into time segments
    • H04N21/8456—Structuring of content, e.g. decomposing content into time segments by decomposing the content in the time domain, e.g. in time segments
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/10—Flow control between communication endpoints
    • H04W28/14—Flow control between communication endpoints using intermediate storage

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明是一种在超密集异构网络中基于用户移动性的视频业务分类缓存方法，属于无线通信技术领域。本发明将每个小基站的缓存空间分成两个区域，以分别为用户提供普通的网络视频和典型的流媒体视频，针对两种不同类型的视频服务业务采用不同的缓存策略。对普通的网络视频，采用编码缓存和延迟卸载策略，将缓存问题描述为一个以最小化缓存内容的平均传输成本的优化问题。对典型的流媒体视频，在用户以较高概率通过的小基站中预先放置所请求视频的未编码的视频片段。本发明可以显著降低缓存内容的平均传输成本，大大减少了回程网络中的流量。此外，所设计的缓存策略考虑了用户的移动性以及用户与小基站连接时长的限制，从而更加符合实际的网络场景。

Description

超密集异构网络中基于用户移动性的视频业务分类缓存方法
技术领域
本发明属于无线通信技术领域，具体涉及一种在超密集异构网络中基于用户移动性的视频业务分类缓存方法。
背景技术
随着智能终端的普及和多媒体应用的多样化，移动数据流量在全球范围内呈现出前所未有的增长。移动网络中这种迅猛增长的流量将会导致更高的传输时延和能量消耗。用户急剧增长的需求正在推动无线通信技术在容量和覆盖方面接近其极限。为了应对这种严峻的挑战，研究人员已经提出在现有的网络中部署能够与传统的宏小区基站MBSs协同工作的小小区基站SBSs，以提升网络容量。然而，连接SBSs和核心网的过载且昂贵的回程链路逐渐成为提高网络性能的瓶颈。在移动网络边缘进行缓存已经成为缓解回程链路中拥塞的一种有效措施。将用户频繁请求的内容预先存储在小基站的缓存中，不仅可以避免通过回程链路冗余的文件检索，而且还能够降低用户体验的时延。近年来，为了满足不同的用户需求，各种多媒体应用不断涌现。不同类型的视频业务对缓存的内容具有不同的要求，比如针对流媒体视频，应该确保按序的内容传输，而普通的网络视频则没有这样的要求。
在小小区网络场景中，文献[1]研究了基于移动性的内容缓存问题，该问题被描述为一个优化问题，目的是最大化缓存的效用。由于该优化问题属于NP-完全问题，文中提出了一种多项式时间启发式解，并且证明了它的近似比是有界的。文献[2]首先将用户在小区中的驻留时间建模为一个服从指数分布的随机变量，然后基于编码缓存提出了一种文件分配策略。文献[3]研究了用户移动性对内容缓存的影响，旨在最大限度地减少宏小区网络的负载。
在超密集网络场景下，用户在小区间的切换将变得更加频繁。对用户的移动模式进行分析和利用可以显著提高缓存策略的效率。现有技术均假设一旦用户与小基站建立了连接，就能从所关联的小基站的缓存中下载所请求内容的所有数据，这是不合理的。文献[3]首次将延迟卸载技术引入到缓存中，但它没有对用户请求的有效期进行分析。此外，现有技术也并没有考虑不同的视频业务对缓存策略的影响，用户终端上不同类型的多媒体应用对缓存的内容具有不同的要求这一问题。
参考文献如下：
[1]Y.Guan,Y.Xiao,H.Feng,C.C.Shen and L.J.Cimini,"MobiCacher:Mobility-aware content caching in small-cell networks,"2014IEEE Global CommunicationsConference,Austin,TX,2014,pp.4537-4542.
[2]T.Liu,S.Zhou and Z.N.Tsinghua,"Mobility-aware coded-caching schemefor small cell network,"2017IEEE International Conference on Communications(ICC),Paris,2017,pp.1-6.
[3]K.Poularakis and L.Tassiulas,"Code,Cache and Deliver on the Move:ANovel Caching Paradigm in Hyper-Dense Small-Cell Networks,"in IEEETransactions on Mobile Computing,vol.16,no.3,pp.675-687,March 1 2017.
发明内容
在超密集异构网络场景中，用户在小区间的切换变得更加频繁，在小基站中对流行的内容进行缓存不仅可以避免冗余的文件检索，减少回程网络中的流量，而且还能够降低用户体验的时延。由于用户在小区中驻留时间的限制，用户在每次关联期间可能仅仅从连接的小基站获得缓存内容的一部分。此外，考虑到存在不同的视频服务类型，移动设备上不同类型的视频应用对缓存的内容具有不同的要求，需要制定不同的缓存策略。因此，本发明提供了一种超密集异构网络中基于用户移动性的视频业务分类缓存方法。
本发明提供的一种超密集异构网络中基于用户移动性的视频业务分类缓存方法，对普通的网络视频应用和典型的流媒体应用采用不同的缓存策略，包括如下步骤1～4。
步骤1，将每个小基站的缓存空间分成两个区域以存储不同的视频内容，从而为用户提供不同类型的视频业务，即网络视频和流媒体视频。将时间划分为相同的小时间段，每个小时间段的长度对应于小基站被用户访问的最短时长。
步骤2，若用户请求的是网络视频服务，执行步骤3，若用户请求的是流媒体视频服务，执行步骤4。
步骤3，采用编码缓存和延迟卸载策略对文件内容进行缓存，为用户提供普通的网络视频服务。
将缓存问题描述为一个以最小化缓存内容的平均传输成本的优化问题，如下：
设缓存策略
Figure BDA0001808729210000021
其中，
Figure BDA0001808729210000022
是小基站集合，
Figure BDA0001808729210000023
是视频库，xn,i是存储在小基站SBSn的缓存中视频文件fi的编码数据量；寻找最优的缓存策略，使得缓存内容的平均传输成本最小。
对原始视频文件进行编码，然后利用所求得的缓存策略将编码数据缓存到小基站中；当用户在移动的过程中发起一个网络视频文件请求时，每个请求被附上一个有效期T；如果满足用户在有效期内从小基站的缓存中下载的编码数据的总量至少等于原始文件的大小，就能成功恢复所请求的文件；否则，用户请求被重定向至宏基站，剩余的编码数据通过回程链路从远端服务器下载；最后，基于下载的编码数据恢复原始文件。
步骤4，将原始的视频文件分割成具有相同大小的数据块，并初始化小基站缓存；当用户发起一个流媒体视频请求时，根据预测的用户将要通过的小基站序列和在相应小区中的驻留时间，提前将未编码的视频文件数据块缓存到小基站中；每当用户移动到新的小区时，先判断在当前小基站的缓存中是否有用户请求的视频内容，如果有就直接从本地缓存下载，否则，就从远端服务器下载，直至整个文件下载完成。
本发明与现有技术相比，具有以下明显优势：
(1)本发明方法在超密集异构网络场景下，针对不同类型的视频服务，分别提出了两种不同的缓存策略，从仿真结果中可以看出，本发明基于用户移动性的缓存策略可以显著降低缓存内容的传输成本。
(2)本发明方法将延迟卸载引入到基站缓存中，并对用户请求的有效期进行分析。基于有效期的临界值提出了一种最优的缓存策略。在用户请求有效期大于其临界值时，给出了一种近似缓存策略，以使从本地缓存中下载的数据量最大化，大大减少了回程网络中的流量。
(3)本发明方法同时考虑了用户移动性以及与小基站连接时长的限制，更加符合实际的场景。
附图说明
图1是本发明中基于用户移动性的视频业务分类缓存策略的一个场景模型图；
图2是本发明方法中针对普通网络视频的在T＝Tc时的缓存算法1示意图；
图3是本发明方法中针对普通网络视频的在T＞Tc时的缓存算法2示意图；
图4是本发明中普通的网络视频服务的流程图；
图5是本发明中典型的流媒体视频服务的流程图；
图6是本发明的缓存策略产生的平均传输成本随小基站缓存容量变化的关系图；
图7是本发明的缓存策略产生的平均传输成本随齐普夫分布指数变化的关系图；
图8是本发明的缓存策略产生的平均传输成本随用户请求有效期变化的关系图；
图9是本发明的缓存策略产生的平均传输成本随传输速率变化的关系图。
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，下面结合附图和实施例对本发明作进一步的详细描述。
本发明针对不同类型的视频服务提出了两种不同的缓存策略。对于普通的网络视频应用，采用编码缓存和延迟卸载策略，将缓存问题描述为一个以最小化缓存内容的平均传输成本的优化问题。对于典型的流媒体应用，在小基站的缓存中存储的是未编码的视频片段，相应的缓存方案是在用户以较高概率通过的小基站集合中预先放置所请求视频的数据块，这些数据块是该用户在每个小区内最可能下载的视频片段，目的是最大化从本地缓存下载的数据量。
如图1所示，为本发明实施例的基于用户移动性的视频业务分类缓存方法的一个应用场景，所考虑的网络场景是一个用于视频传输的异构网络，由一个宏基站，N个小基站和位于核心网的远端服务器组成，N为正整数。每个小基站SBSn都配有一个存储大小为Cn的缓存。小基站的覆盖区域可能彼此重叠，且一个用户可能同时被多个小基站覆盖。由于小基站的覆盖区域相对而言比较小，因此移动用户可能频繁地进出小小区，从而在不同的时间连接到不同的小基站。特别地，假设用户在任何特定时刻只能与一个小基站发生关联。
用户对于视频内容的偏好可以通过分析该用户的历史请求数据进行学习，并且假设在一段时间内是已知的。每个用户独立地请求位于视频库
Figure BDA0001808729210000041
中的文件，视频库由F个视频文件组成，文件流行度分布服从齐普夫定律(参考文献4:M.Cha,H.Kwak,P.Rodriguez,Y.-Y.Ahn,and S.Moon,“I tube,you tube,everybody tubes:analyzing the world'slargest user generated content video system,”in Proceedings of the 7th ACMSIGCOMM Conference on Internet Measurement,2007,pp.1-14.)。从而，第i个最流行的视频文件fi被用户请求的概率pi为：
Figure BDA0001808729210000042
其中，γ是齐普夫分布的指数，表征了用户请求之间的相关度。齐普夫分布的指数越大，用户的请求就越集中在那些流行度较高的文件。
因用户终端上不同类型的多媒体应用对缓存的内容具有不同的要求，本发明方法考虑将每个小基站的缓存空间分成两个区域以存储不同的内容，从而为用户提供不同的视频业务，即普通的网络视频和典型的流媒体视频。
对于普通的网络视频应用，在小基站的缓存中存储视频文件的编码数据，以提高内容访问的效率。通过适当的编码，当以任何次序下载的编码数据的总量至少等于原始文件的大小时，就可以成功恢复所请求的文件。
对于典型的流媒体应用，应该确保按序的数据包传输。由于特定于此类应用的存储空间是有限的，为了提高缓存命中率，在小基站的缓存中只能放置一些视频片段。将每个文件切分成具有相同大小的数据块，每个数据块由一个序号进行标识。用户从相关联的小基站顺序收集数据块，从而可以满足用户在线观看流式视频的需求。
本发明的基于用户移动性的视频业务分类缓存策略，除了将小基站的缓存空间对应不同类型的视频业务进行划分外，还从时间和空间两个维度对用户的移动性进行建模。首先，将时间划分为相同的小时间段，每个小时间段的长度对应于小基站被用户访问的最短时长。然后，在宏小区内识别出被用户频繁访问的地点，例如拥挤的十字路口、购物中心、体育场等。这些地点可以通过使用一些聚类算法从用户的历史轨迹中进行识别，且每个重要地点可能被多个小基站覆盖。此外，还存在一个非重要地点，它由宏小区内所有剩余的小基站覆盖。
针对普通的网络视频，本发明采用编码缓存和延迟卸载策略(参考文献5：K.Lee,J.Lee,Y.Yi,I.Rhee and S.Chong,"Mobile Data Offloading:How Much Can WiFiDeliver？,"in IEEE/ACM Transactions on Networking,vol.21,no.2,pp.536-550,April2013.)，即为了满足服务质量要求，每个用户请求都具有一个有效期T。也就是说，一旦一个视频请求被发起，它必须在T个小时间段内由用户在移动的过程中遇到的小基站完整服务。如果在这个时间段内从小基站下载的编码数据量不足以恢复原始文件，则剩余的视频片段将通过回程链路从位于核心网的远端服务器下载，这在带宽和时延方面显然是昂贵的。
在用户请求的有效期内访问的地点序列被称为该用户的移动模式，即rw＝{v1,v2,…,vT}，其中，vi表示用户在第i个小时间段访问的地点，每个地点可由一个地理区域表征，每个地理区域由若干个小小区覆盖。用
Figure BDA0001808729210000051
表示所有可能的移动模式的集合，用户选取移动模式rw的概率qw，
Figure BDA0001808729210000052
由如下式子得出：
Figure BDA0001808729210000053
其中，p(v1)表示在用户发起一个视频请求时位于地点v1的概率，p(vi+1|vi)表示在地点vi和地点vi+1之间的转移概率。这些概率值可以利用用户的历史移动数据进行估计。基于此，可以得到所有可能的移动模式及相应的出现概率。
针对典型的流媒体视频，本发明采用非编码缓存，即在小基站的缓存中放置的是由切分好的数据块构成的原始视频片段。研究的重点主要是利用给定的或预测的用户移动性信息在小基站的缓存中进行有效的内容放置。本发明把所识别的地点对应的地理区域内的小基站访问序列称为用户的移动轨迹。假设由部署在宏基站处的移动性预测实体完成对用户轨迹的预测，每当用户发起一个视频请求时，与其关联的小基站就即刻通知移动性预测实体对该用户在当前区域内的移动轨迹进行预测。
本发明方法的重点在于基于用户的移动性设计缓存策略，缓存策略所涉及的用户在地点之间的转移概率和移动性预测的结果假设是已知的。下面结合图2和图3来说明本发明方法针对不同类型的视频服务，分别提出的不同的缓存策略。
(1)普通的网络视频的缓存策略。
设缓存策略
Figure BDA0001808729210000054
Figure BDA0001808729210000055
是N个小基站构成的集合，N是小基站的个数，其中xn,i表示存储在小基站SBSn的缓存中视频文件fi的编码数据量。考虑到小基站之间在部署带宽和平均负载方面的差异，用Bn表示小基站SBSn在一个小时间段内向用户传输的平均数据量。在移动模式rw中，用户可能多次连接到相同的小基站。在与小基站SBSn的第j次关联期间，在此时间段内下载的视频文件fi的非冗余编码数据量
Figure BDA0001808729210000056
可由下式给出：
Figure BDA0001808729210000057
对于一个请求视频文件fi并选取移动模式rw的用户而言，从本地小基站下载的编码数据总量ui,w表示为：
Figure BDA0001808729210000058
其中，
Figure BDA00018087292100000610
表示在移动模式rw中遇到的小基站的子集，si表示视频文件fi的大小；aw,n表示在移动模式rw中小基站SBSn被访问的小时间段数。
如果在用户请求有效期内从本地小基站下载的编码数据总量ui,w小于原始视频文件fi的大小si，那么剩余的视频片段就需要从远端服务器进行下载。对于视频文件fi而言，通过回程链路从位于核心网的远端服务器下载的编码数据量
Figure BDA0001808729210000062
可表示为：
Figure BDA0001808729210000063
显然，由位于核心网的远端服务器和小基站的本地缓存服务一个用户请求将给运营商带来不同级别的传输成本，例如小基站的能耗，回程网络中产生的流量等。
假设从小基站的缓存中下载单位编码数据量的成本为ω0，通过回程链路从远端服务器下载单位编码数据量的成本为ω1，则在用户选取移动模式rw的情况下，视频文件fi的下载成本可由下式给出：
ui,wω0+(si-ui,w)ω1＝siω1-ui,w(ω1-ω0) (6)
本发明目标是寻找最优的缓存策略，以最小化请求内容的平均传输成本，因此这个优化问题可以表述为：
Figure BDA0001808729210000064
Figure BDA0001808729210000065
Figure BDA0001808729210000066
其中，C'n表示小基站SBSn的缓存中用于存储原始文件编码数据的容量大小，满足C'n＜Cn。约束条件(8)表示在SBSn的缓存中复制视频文件fi的编码数据大于它的大小对于恢复原始文件是不必要的。约束条件(9)表示缓存容量的约束。令Φ(χ)表示由遇到的小基站传输的平均编码数据量Φ(χ)，即为
Figure BDA0001808729210000067
由于ω1＞ω0，最小化文件下载的传输成本等同于最大化从小基站缓存下载的编码数据量Φ(χ)。
在求解上述优化问题之前，先讨论下用户请求的有效期限T。有效期限的临界值Tc可由下式得出：
Figure BDA0001808729210000068
其中，si,min是视频文件
Figure BDA0001808729210000069
大小的最小值，Bn,max指的是小基站SBSn在一个小时间段内向用户传输的平均数据量的最大值。
在T＜Tc的情况下，这意味着无论用户选取哪种移动模式，以及请求哪个视频文件，都不可能利用在有效期内从小基站缓存中下载的编码数据成功恢复所请求的视频文件。也就是说，几乎没有用户请求可以由本地小基站完整服务，这显然不是移动运营商想要看到的结果。因此，本发明采用的用户请求有效期限满足T≥Tc。同时，T也不能被设置过大，以不明显降低用户的体验质量。
接下来，本发明将首先在T＝Tc时给出最优的缓存策略，然后在此解的基础上进行迭代优化以最大化从本地缓存中下载的编码数据量，从而最大限度地降低平均传输成本。在T＝Tc时，公式(4)可以简化为如下等式：
Figure BDA0001808729210000071
公式(10)可以重写为如下：
Figure BDA0001808729210000072
从Φ(χ)的结构和上述约束条件(8)和(9)可以看出，一个小基站的缓存策略并不会影响其它的小基站。因此，可以将此问题分解为N个独立的子问题，以分布式的方式进行求解。对于小基站SBSn，子问题
Figure BDA0001808729210000073
可以表述为如下：
Figure BDA0001808729210000074
Figure BDA0001808729210000075
Figure BDA0001808729210000076
其中，k标识小时间段的变量，k从1取到T。
Figure BDA0001808729210000077
Figure BDA0001808729210000078
和
Figure BDA0001808729210000079
分别表示在有效期内小基站SBSn被访问的小时间段数等于k和不小于k的移动模式的子集。可以注意到子问题
Figure BDA00018087292100000710
中的目标函数是F个单调递增的分段线性函数的叠加。
Figure BDA00018087292100000711
为在与小基站SBSn的第k次关联期间。
对于优化变量xn,i而言，这个子问题
Figure BDA00018087292100000712
的目标函数和约束条件均是线性的，因此可以通过使用线性优化技术来求解。具体来讲，子问题
Figure BDA00018087292100000713
可被归结为一类背包问题。这类背包问题的最优解可以通过如图2所示的算法1求得，即每次将具有最高价值权重比的物品迭代地放入背包中，直至装满背包。算法1总结了在T＝Tc时具体的缓存算法。
算法1的过程包括：对于背包问题，总共有F·T个“物品”，每个物品由下标(i,k)进行标识，具有价值和权重两个属性。每个物品代表视频文件的编码数据块，每个数据块的大小为Bn。
Figure BDA0001808729210000081
表示下标为(i,k)的物品的价值，si表示下标为(i,k)的物品的权重，对应于同一个文件的编码数据块具有相同的权重。小基站的缓存中用于放置普通网络视频文件编码数据的存储区域大小为Cn'，相当于背包的容量。每次将价值与权重之比最大的编码数据块放入缓存中，直到存储区域没有剩余空间，即装满整个背包。
当T＞Tc时，从本地小基站下载的编码数据量ui,w不能简化为形如(12)的形式，因此也就无法得到缓存策略的最优解。从而，为了最大限度地降低缓存内容的传输成本，考虑基于算法1得到的最优解
Figure BDA0001808729210000082
进行迭代优化。缓存优化的准则主要是基于视频文件的流行度。也就是说，在小基站的缓存中如果存在一些文件缓存了相同的编码数据量，那么可以减少不太流行的文件对应的编码数据量，同时增加流行度较高的文件对应的编码数据量。如图3所示的算法2描述了缓存策略近似解的求解过程。
算法2的过程包括如下步骤a～c：
步骤a：找出可用于增加和减少编码数据量的视频文件集合。方法是：如果存在一些视频文件缓存了相同的编码数据量，则在这些视频文件中，流行度最高的文件就是可用于增加缓存数据量的文件，将其放入集合
Figure BDA0001808729210000083
中，流行度最低且已缓存数据量大于0的文件就是可用于减少缓存数据量的文件，将其放入集合
Figure BDA0001808729210000084
中。
步骤b：分别计算集合
Figure BDA0001808729210000085
中的每个文件在其缓存数据量增加Bn时，导致平均传输成本的变化量
Figure BDA0001808729210000086
分别计算集合
Figure BDA0001808729210000087
中的每个文件在其缓存数据量减少Bn时，导致平均传输成本的变化量
Figure BDA0001808729210000088
步骤c：如果
Figure BDA0001808729210000089
中最小值的绝对值大于
Figure BDA00018087292100000810
中的最小值，则执行缓存优化，即分别增加和减少相应视频文件的缓存数据量，然后重复执行上述步骤a和b。否则，退出程序。
其中，
Figure BDA00018087292100000811
和
Figure BDA00018087292100000812
分别表示用于增加和减少缓存数据量的文件集合，Vin(i)和Vde(i)分别表示当文件fi的缓存数据量增加和减少Bn时，平均传输成本Ω(χ)的变化量。如果|Vin(i+)|＞Vde(i-)，并且文件fi-的缓存数据量xn,i-大于0，就可以执行缓存优化。
如图4所示，本发明对普通的网络视频服务的整体流程是：首先，对原始文件进行编码，比如编码为最大距离可分码(MDS码)；根据缓存算法1和算法2将编码数据缓存到小基站中。然后，用户在移动的过程中发起一个视频请求，每个用户请求被附上一个有效期。其次，如果满足用户在有效期内从小基站的缓存中下载的编码数据的总量至少等于原始文件的大小，就可以成功恢复所请求的文件。否则，用户请求被发至宏基站，剩余的编码数据通过回程链路从远端服务器下载。最后，基于下载的编码数据恢复原始文件。
(2)典型的流媒体视频的缓存策略。
每当用户发起一个视频请求时，与其关联的小基站就立刻通知移动性预测实体对该用户在当前地点相应的地理区域内可能的移动轨迹进行预测。移动过程中关联的小基站序列，可由位于宏基站处的移动性预测实体进行预测。本发明假设在制定缓存策略前，用户的移动轨迹已经由移动性预测实体预测出来，包含用户通过的小基站序列和在相应小区中的驻留时间。基于预测的轨迹和相应的驻留时间，由宏基站确定需要进行缓存内容更新的小基站集合以及它们分别需要缓存的视频片段。在用户离开当前所在地点，进入相邻地点的区域内之后，重新执行上述步骤，直到所请求的文件被完全下载。缓存策略的原理是在用户以较高概率访问的小基站序列中预先放置所请求视频的数据块，这些数据块是该用户在每个小区内最可能下载的视频片段。
具体的缓存方案是：在开始时，所有小基站的缓存中放置的都是每个视频文件最前面的一些数据块。其中，在小基站SBSn中缓存的视频文件fi的视频片段大小为min{piC″n,si}，C″n表示SBSn的缓存中用于存储未编码视频片段的容量大小，满足C″n＜Cn。然后，当用户对某一个视频文件发起请求时，宏基站将移动性预测实体预测的所有可能轨迹按出现概率从大到小进行排序，从中选择出最可能出现的一组轨迹，且满足它们的概率之和不小于阈值τ。最后，根据预测的小基站序列和在相应小区中的驻留时间，确定在每个小基站的缓存中应该放置的数据块范围。在具体进行缓存时，决策结果的前一个数据块和后一个数据块(如果存在)也应该放置在对应小基站的缓存中，从而可以在用户的移动速度出现微小变化的情况下，也能从本地缓存中下载数据，而不是通过回程链路从远端服务器进行下载。
由于无论采用何种移动性预测模型，预测结果都不可能完全准确。因此，在缓存算法中，选择的是一组轨迹而不是只选择最可能的一条轨迹。此外，在对用户的轨迹进行预测时，预测的范围是在当前所在地点对应的地理区域内，而不是整个宏小区，以减少由于预测结果不准确造成的损失。因为小基站的存储空间是有限的，所以在存储空间已满且需要放置新的数据块时，就需要提供一种缓存替换策略，以确定哪些数据块应该被移除。显然，那些已经被用户下载过的视频片段就是需要被移除的数据块。其中，流行度较低的文件对应的数据块应该首先被移除。
如图5所示，本发明方法针对典型的流媒体视频服务的流程，包括：首先，将原始文件分割成相同大小的数据块，并初始化小基站缓存。然后，当用户发起一个视频请求时，由移动性预测实体完成用户轨迹的预测。根据预测的小基站序列和在相应小区中的驻留时间，提前将未编码的视频数据块缓存到小基站中。最后，每当用户移动到新的小区，先判断在当前小基站的缓存中是否有用户请求的内容，如果有就直接从本地缓存下载。否则，就从远端服务器下载。直至整个文件下载完成。
下面对本发明提供的方法进行仿真及性能分析。
在T≥Tc的情况下，对执行迭代优化之后的近似缓存策略和T＝Tc时的最优缓存策略，以及和现有的最大流行度缓存策略的性能进行了比较分析。在仿真中，使用的性能指标是所请求内容的平均传输成本。
仿真场景是一个典型的异构网络，如图1所示。为实现无缝覆盖，在一个宏小区内部署了7个具有相同缓存容量的小基站，它们分别代表不同的地点。在仿真中，采用基于马尔可夫链的随机游走对用户的移动性进行建模，用户以相同的转移概率在不同的地点之间移动。除非另有说明，否则在整个仿真中涉及的参数如表1所示。
表1仿真参数设置
参数 值
小基站的个数(N) 7
视频库中文件的个数(F) 100
缓存容量(C'<sub>n</sub>) 20％
视频文件f<sub>i</sub>的大小(s<sub>i</sub>) 60MB
在一个小时间段内传输的数据量(B<sub>n</sub>) 20MB
用户请求的有效期(T) 5
齐普夫分布的指数(γ) 1.0
用户在相同地点之间的转移概率(q<sub>ll</sub>) 0.4
从小基站缓存下载单个文件的成本(ω<sub>0</sub>) 0
从远端服务器下载单个文件的成本(ω<sub>1</sub>) 100
本发明首先研究了缓存容量的大小对所提出的缓存策略性能的影响，如图6所示，为本发明的基于用户移动性的视频业务分类缓存策略的平均传输成本随小基站缓存容量变化的关系。在仿真中，小基站的缓存容量从占整个视频库大小的10％逐渐增加到50％。从图6中可以看出，随着缓存容量的增加，所有缓存策略的平均传输成本都不断减小。缓存容量越大，在本地缓存中可存储的文件个数和编码数据就越多。当用户发起一个视频请求时，命中率也就越高。此外，还可以发现执行迭代优化之后的近似缓存策略的性能总是优于最优缓存策略，并且这两种缓存策略的性能明显优于最大流行度缓存。这是因为最大流行度缓存在进行缓存决策时仅仅考虑用户的需求，而没有考虑用户的移动模式。
如图7所示，为本发明提出的缓存策略产生的平均传输成本与齐普夫分布的指数之间的关系。从图7中可以看出，随着齐普夫分布的指数γ从0.4增加到1.6，所有缓存策略的平均传输成本都呈现出下降的趋势。可以发现，实施迭代优化之后的近似缓存算法的性能始终优于其他缓存算法，并且它们之间的差距随着齐普夫分布指数的增加而不断缩小。正如我们所知，齐普夫分布的指数描述的是用户请求之间的相关度。它的值越大，用户的偏好就越集中在一少部分流行度较高的视频文件。也就是说，增加γ的值就相应地增加了本地缓存中的文件被用户请求的概率，从而降低了所请求内容的平均传输成本。
接着，本发明探讨了用户请求的有效期对缓存策略性能的影响，如图8所示，为本发明提出的缓存策略产生的平均传输成本随用户请求有效期的变化关系。在仿真中，用户请求的有效期从3个小时间段增加到7个小时间段。从图8中可以看出，近似缓存策略和最优缓存策略的平均传输成本都逐渐降低，这是由于请求的有效期越长，用户与不同的小基站关联的机会就越多，在有效期内就可以从本地缓存中下载更多的数据量，这就相应减少了通过回程链路从远端服务器下载的数据量。需要注意的是，最大流行度缓存的性能始终保持不变。因为该缓存策略在小基站的缓存中放置的都是本地最流行的视频文件，而且所有小基站的缓存中放置的都是相同的编码数据。用户请求有效期T的变化对于用户可以从小基站的缓存中下载的数据量没有影响。
最后研究了传输速率对缓存策略性能的影响，如图9所示，为本发明提出的缓存策略产生的平均传输成本随传输速率的变化关系，其中，传输速率由小基站在一个小时间段内可向用户传输的数据量表征。在仿真中，传输速率可取以下一些数值：12MB,15MB,20MB,30MB,60MB。它们分别对应用户可以在一个小时间段内下载1/5,1/4,1/3,1/2和1个文件。随着传输速率的增加，小基站可以在与用户连接期间传输更多的数据，从而降低平均传输成本。然而，随着传输速率的继续增加，平均传输成本不再降低，而是开始增加。根据所提出的缓存算法，在传输速率较高的情况下，对于每个被考虑缓存的视频文件，需要在缓存中放置更多的编码数据。由于小基站的缓存空间有限，这就相当于减少了由本地缓存直接服务的请求数量。当传输速率增加到60MB，即用户可在一个小时间段内下载整个视频，三种缓存策略的性能大致相同。

Claims (5)

1.一种超密集异构网络中基于用户移动性的视频业务分类缓存方法，其特征在于，包括如下步骤：
步骤1，将每个小基站的缓存空间分成两个区域以存储不同的视频内容，从而为用户提供不同类型的视频业务，即网络视频和流媒体视频；将时间划分为相同的小时间段，每个小时间段的长度对应于小基站被用户访问的最短时长；
步骤2，若用户请求的是网络视频服务，执行步骤3，若用户请求的是流媒体视频服务，执行步骤4；
步骤3，采用编码缓存和延迟卸载策略对文件内容进行缓存，为用户提供网络视频服务；
将缓存问题描述为一个以最小化缓存内容的平均传输成本的优化问题，如下：
设缓存策略
Figure FDA0002405189320000011
其中，
Figure FDA0002405189320000012
是小基站集合，
Figure FDA0002405189320000013
是视频库，xn,i是存储在小基站SBSn的缓存中视频文件fi的编码数据量；寻找最优的缓存策略，使得缓存内容的平均传输成本最小；
对原始视频文件进行编码，然后利用所求得的缓存策略将编码数据缓存到小基站中；当用户在移动的过程中发起一个网络视频文件请求时，每个请求被附上一个有效期T；如果满足用户在有效期内从小基站的缓存中下载的编码数据的总量至少等于原始文件的大小，就能成功恢复所请求的文件；否则，用户请求被重定向至宏基站，剩余的编码数据通过回程链路从远端服务器下载；最后，基于下载的编码数据恢复原始文件；
其中，在求解所述的优化问题时，首先求得用户请求的有效期T等于临界值Tc时的最优缓存策略，然后在所得到的最优解的基础上进行迭代优化，以最大化从本地缓存中下载的编码数据量；
所述的临界值Tc根据下式得到：
Figure FDA0002405189320000014
其中，si,min是视频文件大小的最小值，Bn,max指的是小基站SBSn在一个小时间段内向用户传输的平均数据量的最大值；
若用户请求的有效期T等于临界值Tc，求得最优缓存策略；此时，由用户遇到的小基站传输的平均编码数据量
Figure FDA0002405189320000018
为：
Figure FDA0002405189320000015
求解一个小基站的缓存策略并不影响其它的小基站，因此将求取最优缓存策略的问题分解为N个独立的子问题，以分布式的方式进行求解；N为小基站个数；
对于小基站SBSn，子问题
Figure FDA0002405189320000016
表述如下：
Figure FDA0002405189320000017
Figure FDA0002405189320000021
其中，
Figure FDA0002405189320000022
表示所有可能的移动模式的集合，qw表示用户选取移动模式rw的概率，
Figure FDA0002405189320000023
pi为视频文件fi被用户请求的概率；Bn表示小基站SBSn在一个小时间段内向用户传输的平均数据量；aw,n表示在移动模式rw中小基站SBSn被访问的小时间段数；
Figure FDA0002405189320000024
Figure FDA0002405189320000025
表示在有效期内小基站SBSn被访问的小时间段数不小于k的移动模式的子集；
Figure FDA0002405189320000026
为在与小基站SBSn的第k次关联期间，在此时间段内下载的视频文件fi的非冗余编码数据量；si表示视频文件fi的大小；C'n表示小基站SBSn的缓存中用于存储原始文件编码数据的容量大小；
步骤4，将原始的视频文件分割成具有相同大小的数据块，并初始化小基站缓存；当用户发起一个流媒体视频请求时，根据预测的用户将要通过的小基站序列和在相应小区中的驻留时间，提前将未编码的视频文件数据块缓存到小基站中；每当用户移动到新的小区时，先判断在当前小基站的缓存中是否有用户请求的视频内容，如果有就直接从本地缓存下载，否则，就从远端服务器下载，直至整个文件下载完成。
2.根据权利要求1所述的方法，其特征在于，所述的子问题
Figure FDA0002405189320000027
归结为一类背包问题，通过每次将具有最高价值权重比的物品迭代地放入背包中，直至装满背包来进行求解；所述的物品代表视频文件的编码数据块，每个数据块的大小为Bn；
求解过程包括：对于背包问题，总共有F·T个物品，每个物品由下标(i,k)进行标识，具有价值和权重两个属性，
Figure FDA0002405189320000028
表示下标为(i,k)的物品的价值，si表示下标为(i,k)的物品的权重，即对应于同一个文件的编码数据块具有相同的权重；背包的容量为小基站中用于放置网络视频文件编码数据的存储区域大小Cn'；每次将价值与权重之比最大的编码数据块放入缓存中，直到存储区域没有剩余空间，装满整个背包。
3.根据权利要求1所述的方法，其特征在于，所述的步骤3中，当用户请求的有效期T大于临界值Tc时，在求得T＝Tc时的最优解的基础上基于视频文件的流行度进行迭代优化，包括：
步骤a：找出用于增加和减少编码数据量的视频文件集合；寻找方法是：如果存在一些视频文件缓存了相同的编码数据量，则在这些视频文件中，流行度最高的文件是将增加缓存数据量的文件，将该文件放入集合
Figure FDA0002405189320000029
中，将流行度最低且已缓存数据量大于0的文件作为将减少缓存数据量的文件，并放入集合
Figure FDA00024051893200000210
中；
步骤b：分别计算集合
Figure FDA00024051893200000211
中的每个文件在其缓存数据量增加Bn时，导致平均传输成本的变化量Vin(i+),
Figure FDA00024051893200000212
分别计算集合
Figure FDA00024051893200000213
中的每个文件在其缓存数据量减少Bn时，导致平均传输成本的变化量Vde(i-)
Figure FDA00024051893200000214
Bn表示小基站SBSn在一个小时间段内向用户传输的平均数据量；
步骤c：如果Vin(i+),
Figure FDA00024051893200000215
中最小值的绝对值大于Vde(i-),
Figure FDA00024051893200000216
中的最小值，则执行缓存优化，分别增加和减少相应视频文件的缓存数据量，然后重复执行上述步骤a和b；否则，退出迭代优化程序。
4.根据权利要求1所述的方法，其特征在于，所述的步骤4中，对流媒体视频文件分块时，对每个数据块用一个序号进行标识，用户从相关联的小基站顺序收集数据块。
5.根据权利要求1或4所述的方法，其特征在于，所述的步骤4中，在将未编码的视频文件数据块缓存到小基站中时，是放置流媒体视频文件的最前面序号的数据块，在小基站SBSn中缓存的视频文件fi的视频片段大小为min{piC″n,si}，其中，pi为视频文件fi被用户请求的概率，C″n表示SBSn的缓存中用于存储未编码视频片段的容量大小，si表示视频文件fi的大小；当用户对某一个视频文件发起请求时，宏基站将数据块放入小基站的缓存时，将决策放入数据块的前、后一个数据块也放入缓存。
CN201811109539.5A 2018-09-21 2018-09-21 超密集异构网络中基于用户移动性的视频业务分类缓存方法 Expired - Fee Related CN109218747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811109539.5A CN109218747B (zh) 2018-09-21 2018-09-21 超密集异构网络中基于用户移动性的视频业务分类缓存方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811109539.5A CN109218747B (zh) 2018-09-21 2018-09-21 超密集异构网络中基于用户移动性的视频业务分类缓存方法

Publications (2)

Publication Number Publication Date
CN109218747A CN109218747A (zh) 2019-01-15
CN109218747B true CN109218747B (zh) 2020-05-26

Family

ID=64985447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811109539.5A Expired - Fee Related CN109218747B (zh) 2018-09-21 2018-09-21 超密集异构网络中基于用户移动性的视频业务分类缓存方法

Country Status (1)

Country Link
CN (1) CN109218747B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109673018B (zh) * 2019-02-13 2020-09-15 同济大学 无线异构网络中的新型内容缓存分布优化方法
CN109977036B (zh) * 2019-02-19 2021-10-29 东软集团股份有限公司 缓存流程模板的方法、装置、存储介质及电子设备
CN110138836B (zh) * 2019-04-15 2020-04-03 北京邮电大学 一种基于优化能量效率的线上协作缓存方法
CN110213627B (zh) * 2019-04-23 2020-09-01 武汉理工大学 一种基于多小区用户移动性的流媒体缓存分配方法
CN111314349B (zh) * 2020-02-19 2021-11-12 东南大学 雾无线接入网中基于联合最大距离可分码与簇协作的编码缓存方法
CN111277666B (zh) * 2020-02-21 2021-06-01 南京邮电大学 一种基于新鲜度的在线协作缓存方法
CN111782612B (zh) * 2020-05-14 2022-07-26 北京航空航天大学 跨域虚拟数据空间中文件数据边缘缓存方法
CN111741495B (zh) * 2020-06-22 2023-06-23 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 异构网络中高能效编码缓存内容放置方案设计方法
CN112911717B (zh) * 2021-02-07 2023-04-25 中国科学院计算技术研究所 一种前传网mds编码数据包传输方法
CN113542351B (zh) * 2021-06-07 2022-11-25 北京邮电大学 一种基于车载网络的内容缓存方法及装置
CN113573270B (zh) * 2021-07-08 2024-03-08 杭州电子科技大学 大规模网络下触发型数据的部分区域可靠收集方法
CN113810933B (zh) * 2021-08-31 2023-09-26 南京邮电大学 一种基于能量采集与用户移动性的缓存方法
CN115174481B (zh) * 2022-07-20 2023-06-16 广东工业大学 一种无人机辅助边缘车联网服务和内容混合缓存的方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7028096B1 (en) * 1999-09-14 2006-04-11 Streaming21, Inc. Method and apparatus for caching for streaming data
CN104363635B (zh) * 2014-10-28 2017-10-17 清华大学 快速能耗优化的流媒体应用带宽资源分配方法
CN107548102B (zh) * 2017-08-16 2019-10-08 北京邮电大学 一种边缘缓存网络中最小化用户时延的基站缓存方法
CN107682896A (zh) * 2017-09-30 2018-02-09 北京科技大学 一种超密集异构网络承载分流方法
CN107889160B (zh) * 2017-11-15 2020-03-17 北京邮电大学 一种考虑用户时延的小小区网络边缘部分缓存方法
CN108541027B (zh) * 2018-04-24 2022-05-31 南京邮电大学 一种基于边缘云网络的通信计算资源置换方法

Also Published As

Publication number Publication date
CN109218747A (zh) 2019-01-15

Similar Documents

Publication Publication Date Title
CN109218747B (zh) 超密集异构网络中基于用户移动性的视频业务分类缓存方法
Zhong et al. A deep reinforcement learning-based framework for content caching
CN110213627B (zh) 一种基于多小区用户移动性的流媒体缓存分配方法
CN111741495B (zh) 异构网络中高能效编码缓存内容放置方案设计方法
CN109982104B (zh) 移动边缘计算中移动感知的视频预取与缓存替换决策方法
CN111935784A (zh) 一种雾计算网络中基于联邦学习的内容缓存方法
CN112565377B (zh) 车联网中一种面向用户服务体验的内容分级优化缓存方法
CN110677861B (zh) 面向5g异构网络的网络选择方法
CN108093435A (zh) 基于缓存流行内容的蜂窝下行链路网络能效优化系统及方法
CN103781115A (zh) 一种蜂窝网络中基于传输代价的分布式基站缓存替换方法
CN110913430B (zh) 无线网络中文件的主动式协作缓存方法及缓存管理装置
CN113810931A (zh) 一种面向移动边缘计算网络的自适应视频缓存方法
CN117873402B (zh) 一种基于异步联邦学习和感知聚类的协作边缘缓存优化方法
CN115720237A (zh) 边缘网络自适应比特率视频的缓存和资源调度方法
CN113993168B (zh) 一种雾无线接入网中基于多智能体强化学习的协作缓存方法
Huang et al. Joint data caching and computation offloading in UAV-assisted Internet of Vehicles via federated deep reinforcement learning
Li et al. Collaborative optimization of edge-cloud computation offloading in internet of vehicles
Wang et al. Agile Cache Replacement in Edge Computing via Offline-Online Deep Reinforcement Learning
CN110784881A (zh) 一种物联终端多级边缘节点主动缓存方法、设备及介质
Li et al. A proactive mobile edge cache policy based on the prediction by partial matching
Yan et al. Assessing the energy consumption of 5G wireless edge caching
CN113810933A (zh) 一种基于能量采集与用户移动性的缓存方法
Hatami et al. Online caching policy with user preferences and time-dependent requests: A reinforcement learning approach
Huang et al. Service caching and task offloading for mobile edge computing-enabled intelligent connected vehicles
Choi Survey on Reinforcement Learning Approaches for Cache-Assisted Video Streaming System

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200526

CF01 Termination of patent right due to non-payment of annual fee