CN109218814A - 一种云计算环境下QoE驱动的HAS直播频道调度方法 - Google Patents

Abstract

本发明公开了一种云计算环境下QoE驱动的HAS直播频道调度方法，包括提出了平均用户QoE的计算方法和模型，基于平均用户QoE的计算方法或模型，可以对HAS直播频道进行初始化部署和动态调度。在针对云端资源初始化分配的场景，在已知云端资源供给状态的情况下，研究以优化用户QoE为目标的HAS直播频道初始化部署方法，使得在满足每台虚拟流媒体服务器资源最大限制的条件下，最大化平均用户的QoE。针对云端资源动态整合的场景，研究以优化待上线频道的用户QoE为目标的HAS直播频道动态调度方法，使得在云端有限的资源供给条件下，依然能够保证频道最大化平均用户的QoE。

Description

一种云计算环境下QoE驱动的HAS直播频道调度方法

技术领域

本发明属于多媒体直播领域，具体涉及一种云计算环境下QoE驱动的HAS直播频道调度方法。

背景技术

随着互联网和多媒体技术的迅速发展，HTTP自适应流媒体(HAS)服务在异构网络与终端环境下已经成为了流媒体内容分发的主流趋势。伴随着云计算产业的市场规模化，云计算环境下大规模流媒体服务越来越受到用户青睐。如何在云计算平台上部署HAS服务并同时保证用户体验质量(QoE)具有重要的研究意义。

检索到的以下几篇与本发明相关的属于QoE驱动的HAS流媒体服务领域的专利，它们分别是：

1.中国专利201610846542.X，一种QoE驱动的多频道HAS码率自适应调度方法；

2.中国专利201611165090.5，一种移动流媒体用户体验质量QoE评估方法；

3.中国专利201610846697.3，一种QoE驱动的HTTP自适应流媒体直播服务器集群部署方法；

在上述专利1中公开了一种实现QoE驱动的多频道HAS码率自适应调度方法，通过视频内容类型、码率、卡顿三个因素，建立多频道HAS的QoE模型；服务端计算各个频道的消息参数值，包括该频道内的平均码率、平均码率级别、资源竞争的激烈程度，并将频道的消息参数值传递给各用户；根据接收到的频道的消息参数值和多频道HAS的QoE模型，制定QoE驱动的多频道HAS码率自适应算法，计算用户下一个视频切片请求的码率级别。

上述专利2中提供了一种移动流媒体用户体验质量QoE评估方法，首先设计移动流媒体QoE影响因素映射方法，即使用码率状态，码率切换幅度，码率切换次数映射为移动流媒体服务质量评价；考虑用户体验，加入设备抖动情况和用户观看位置的影响因素；然后设计移动流媒体QoE评价方法，即利用QoE影响因素的映射方法计算视频播放全程每个片段的QoE评分；再利用基于HAS(HTTP Adaptive Streaming)的系列位置效应量化方法反映用户心理效应，计算视频播放全程每个片段的影响权重系数；最后将每个片段的QoE评分与每个片段的权重系数作向量内积求得最终的用户QoE评分。

上述专利3中提供了一种QoE驱动的HTTP自适应流媒体直播服务器集群部署方法，旨在提供一种基于用户体验质量的流媒体直播服务器的调度部署方法，构建不同质量级别直播视频间实时转码的资源消耗代价矩阵和用户主观感受QoE量化模型，以直播频道为资源分配的基本单位，以虚拟机为直播服务的运行载体，根据直播频道输入的直播视频源的质量级别，合理地为每一个直播频道配置不同质量级别的输出视频，并在物理服务器资源有限的约束下，通过优化放置承载直播服务的虚拟机集群，达到提高直播服务平台整体QoE的目的；在观看直播视频时，实施本发明可有效地提高在异构、异变网络和异构终端环境下HTTP自适应流媒体直播服务给用户提供的体验质量。

上述相关发明专利都没有考虑到基于云计算环境下的流媒体自适应直播，不能在面向大规模、动态化的流媒体自适应直播场景中，考虑云计算环境下资源的全局优化，无法将云端资源的优化配置与服务质量评价方法紧密结合，因而有必要开发产生一种云计算环境下QoE驱动的HAS直播频道调度方法，来优化平均用户的QoE。

发明内容

本发明的目的在于克服上述不足，提供一种云计算环境下QoE驱动的HAS直播频道调度方法，将云端资源的优化配置与服务质量评价方法紧密结合，优化平均用户QoE。

为了达到上述目的，本发明包括以下步骤：

步骤一，初始化部署模型是在已知视频服务提供商的预算、用户带宽分布函数以及输入的直播频道码率信息的条件下，针对不同组合的云计算资源供给状态，在满足每台虚拟流媒体服务器资源限制的同时，最大化所有直播频道的平均用户QoE值，实现QoE驱动的HAS直播频道初始化部署；

根据初始化部署模型进行初始化部署，将所有直播频道的最低质量级别版本放置到流媒体服务器，然后基于贪婪算法，为每个流媒体服务器上的所有直播频道进行增肥的操作，最大化频道的平均用户QoE；若流媒体服务器端剩余的带宽资源大于零，根据各频道用户的请求总带宽按比例分配；若流媒体服务器端剩余的计算资源大于零，根据各频道实时转码的请求总CPU核数按比例分配；

步骤二，动态调度模型是在已知虚拟流媒体服务器的购买组合、用户带宽分布函数以及新上线直播频道的码率信息，针对在线直播频道的分配矩阵，在满足每台虚拟流媒体服务器资源限制的同时，最大化频道动态调度前后的直播服务QoE增益，实现QoE驱动的HAS直播频道动态调度；

根据动态调度模型进行动态调度，将流媒体服务器的二维负荷属性表示服务器可用计算资源容量以及带宽资源容量，将直播频道的二维体积属性表示直播频道在流媒体服务器端请求的计算资源以及带宽资源；在流媒体服务器列表中取出一个流媒体服务器，开始遍历，取出的流媒体服务器按照流媒体服务器剩余空间由大到小排序，遍历按照直播频道体积由大到小排序，一次遍历完成后第一个服务器就装满；直至所有直播频道均已装满。

步骤一中，平均用户QoE的计算方法为：

其中，Q_avg(i)表示t时刻直播频道i的平均用户QoE，表示表示直播频道i为用户n提供服务所获得的视频流畅度主观感受，其中参数f_i表示直播频道i提供的实际帧率大小，参数表示用户n请求服务时渴望的帧率大小；表示直播频道i为用户n提供服务所获得的视频清晰度主观感受，其中参数r_i表示直播频道i的实际分辨率，参数表示用户n请求服务时的请求分辨率大小，参数w_i(r)表示分辨率为r的直播频道i的实际编码比特率；α与β为特征参数，根据直播频道内容种类的不同对应三种不同的参数值组合；表示直播频道流畅度主观感受的上限值，b表示收敛系数；v₃,v₄,v₅表示模型系数，C_i表示直播频道i实时转码所需要的CPU核数，C₀表示流媒体服务器操作系统级别已占用的CPU核数，r表示目标视频的分辨率，R_i表示直播频道i的分辨率集合，表示直播频道i实时转码为分辨率r与帧率f_i所消耗的CPU核数，B_i表示直播频道i响应用户请求所需要的带宽资源，λ_ir(t)表示t时刻观看频道i且分辨率为r的人数；f_max为视频服务提供商规定的最大帧率；r_max为视频服务提供商规定的最大分辨率；λ_i(t)表示t时刻观看直播频道i的总人数，F(x)用来表示用户带宽累积分布函数，表示比分辨率r高一个级别的视频分辨率；通过相邻两个分辨率级别的用户带宽累积分布函数求得观看分辨率为r的视频的用户比例。

步骤一中，初始化部署的具体方法如下：

第一步，根据所需确定用作流媒体服务器的虚拟机组合方案，将所有虚拟机依次添加至虚拟机列表，并按照添加顺序对虚拟机进行升序编号，对虚拟机的表头元素降序，标记为已访问；

第二步，计算当前所有直播频道的效用值e_i，并按照效用值的大小对直播频道进行降序排列，并按顺序添加到直播频道列表中；

第三步，若直播频道列表不为空，选择直播频道列表中的表头元素，为该直播频道最低质量级别的版本选择能够满足资源需求的流媒体服务器，并确保所选的流媒体服务器的编号在虚拟机列表中存在；如果有多个流媒体服务器可以满足要求，则选择剩余空间最大的流媒体服务器；若选择成功，将该直播频道最低质量级别的版本放置到对应流媒体服务器，并将该直播频道的分配方案记录到频道分配矩阵x_i,j中，同时从直播频道列表中移除该频道，然后更新服务器端的剩余空间；若选择不成功，则对该直播频道拒绝服务，记录直播频道的平均用户QoE值为0，并从直播频道列表中删除该频道；

若直播频道列表为空，则跳转至步骤十；

第四步，采集虚拟机列表的参数，从虚拟机列表的表头元素开始选择流媒体服务器，对该流媒体服务器上面的直播频道进行增肥操作，计算出该频道的平均用户QoE并保存，然后将该流媒体服务器从虚拟机列表中移除；

第五步，重复第四步，直至虚拟机列表为空，求出所有直播频道的平均用户QoE值，并将所有直播频道的平均用户QoE值及相应的频道分配矩阵x_i,j与虚拟机进行关联；

第六步，返回第一步，直至所有虚拟机的表头元素均被标记为已访问；

第七步，在虚拟机中寻找最大的所有直播频道的平均用户QoE值所对应的虚拟机组合方案，将虚拟机组合方案的频道分配矩阵x_i,j输出，完成初始化部署。

第二步中，直播频道的效用值e_i的计算方法如下：

e_i表示频道i的效用值，Q_avg(i)表示频道i的平均用户QoE，[x]⁺表示max(x,0)；M为虚拟流媒体服务器的总数，N为直播频道的数量，j为虚拟流媒体服务器的编号，c_i表示直播频道i实时转码所需要的CPU核数，C_j表示虚拟流媒体服务器j的CPU核数，b_i表示直播频道i响应用户请求所需要的带宽资源，B_j表示虚拟流媒体服务器j的物理带宽。

步骤二中，动态调度的具体方法如下：

第一步，对在线的直播频道按照体积的属性值由大到小进行排列并按顺序添加至直播频道列表，对流媒体服务器按照负荷属性的剩余空间由大到小进行排列并按顺序添加至流媒体服务器列表；

第二步，选择流媒体服务器列表中的表头元素，并记录该流媒体服务器的编号；按照在线直播频道的分配矩阵x_i,j从在线频道列表中删除该流媒体服务器上已有的直播频道，最后从流媒体服务器列表中移除该流媒体服务器；

第三步，选择在线频道列表中的表头元素；如果该直播频道被标记为未访问，将该频道调度到第二步中从流媒体服务器列表中取出的表头对应的流媒体服务器，并更新如果调度成功，将该频道从在线频道列表中移除；如果调度不成功，将该频道降序并标记为已访问；

如果该直播频道被标记为已访问，则将当前在线频道列表中所有频道标记为未访问，然后跳转至第二步；若在线频道列表为空，则完成动态调度。

步骤一中，初始化部署模型为：

其中，N是在线直播频道的数量，M是虚拟流媒体服务器的数量，i为直播频道的序号，j为虚拟流媒体服务器的序号；x_i,j为在线直播频道的分配矩阵，若将直播频道i部署在虚拟流媒体服务器j上，则x_i,j＝1；若不将直播频道i部署在虚拟流媒体服务器j上，则x_i,j＝0；$为视频服务提供商的预算；为云厂商提供的虚拟流媒体服务器的规格集合，表示规格编号为的虚拟流媒体服务器，为规格编号为的虚拟流媒体服务器对应的价格，表示规格编号为的虚拟流媒体服务器购买的数量；C_j表示虚拟流媒体服务器j的CPU核数；λ_ir′(t)表示服务器端使用自适应策略后，t时刻观看频道i且分辨率为r的人数；B_j表示虚拟流媒体服务器j的物理带宽；

初始化部署模型用于获得相应的x_i,j作为初始化部署方案。

步骤一中，动态调度模型为：

其中，ΔQ表示直播频道动态调度前后的QoE增益，N是直播频道的数量，M是虚拟流媒体服务器的数量，K为待上线直播频道的数量，x_i,j为在线直播频道的分配矩阵；为直播频道动态调度整合后的分配矩阵，若将直播频道i部署在虚拟流媒体服务器j上，则 若不将直播频道i部署在虚拟流媒体服务器j上，则c_i为直播频道i请求的CPU核数；C_j为虚拟流媒体服务器j的CPU核数；b_i为直播频道i请求的物理带宽，B_j为虚拟流媒体服务器j的物理带宽；

动态调度模型用于获得相应的作为动态调度方案。

与现有技术相比，本发明的方法包括初始化部署方法和动态调度方法，用于优化在云计算平台上部署HAS直播服务的用户体验质量问题。为了使得本方法能够优化平均用户的QoE，本发明采用了优化平均用户的QoE；初始化部署方法中，在已知云端资源供给状态的情况下，本发明基于贪婪算法的思想最大化平均用户的QoE；在动态调度方法中，通过传统装箱方法进行动态调度，使得在云端有限的资源供给条件下，依然能够保证频道最大化平均用户的QoE。

附图说明

图1为本发明中用户规模及预算固定时直播频道数变化对平均用户QoE的影响示意图；

图2为本发明中直播频道数及预算固定时用户规模变化对平均用户QoE的影响示意图；

图3为本发明中预算固定时直播频道数与用户规模变化对平均用户QoE的影响示意图；

图4为本发明中用户规模及预算固定时新增直播频道数变化对平均用户QoE的影响示意图；

图5为本发明中用户规模及新增直播频道数固定时预算变化对平均用户QoE的影响示意图。

具体实施方式

下面结合附图对本发明做进一步说明。

1、基于HAS直播频道负载特征的QoE模型

建立云计算环境下直播频道的资源负载与HAS直播用户体验的映射关系，其基于HAS直播频道负载特征的QoE模型，如下所示：

表示用户n向直播频道i请求服务所最终获得的QoE值；表示表示直播频道i为用户n提供服务所获得的视频流畅度主观感受，其中参数f_i表示直播频道i提供的实际帧率大小，参数表示用户n请求服务时渴望的帧率大小；表示直播频道i为用户n提供服务所获得的视频清晰度主观感受，其中参数r_i表示直播频道i的实际分辨率，参数表示用户n请求服务时的请求分辨率大小，参数w_i(r)表示分辨率为r的直播频道i的实际编码比特率；α与β为特征参数，根据直播频道内容种类的不同对应三种不同的参数值组合；表示直播频道i按照分辨率集合R_i实时转码为帧率f_i的各版本目标视频，所请求的CPU核数应严格小于或等于服务器端为频道i所分配的计算资源； 表示t时刻直播频道i按照分辨率集合R_i为各版本目标视频的用户分发内容，所有用户请求的总带宽资源应严格小于或等于服务器端为频道i所分配的带宽资源；f_i＝min{f_max,f_i}保证直播频道i的帧率f_i不超过视频服务提供商规定的最大帧率f_max；r_i＝min{r_max,r_i}保证直播频道i的分辨率r_i不超过视频服务提供商规定的最大分辨率r_max。其中，表示直播频道流畅度主观感受的上限值，一般取值为5，b表示收敛系数；

表示直播频道i实时转码为分辨率r与帧率f_i所消耗的CPU核数，其取值可由实时转码代价计算公式TC(x,y)求得，

TC(x,y)表示为频道实时转码的代价，m表示离线转码时主机的CPU核数，c_xy表示离线转码期间CPU的平均使用率，l_xy表示码率级别x的视频离线转码为码率级别y的视频所需要的时长，t_x表示原始码率级别x的视频时长。当x>y时，其值表示码率级别x的视频实时转码为码率级别y的视频时，频道所需要的单核CPU资源消耗比；其他情况下不能转码，值用-1表示。

2、平均用户QoE计算方法

直播频道i的平均用户QoE的计算公式如下：

Q_avg(i)表示t时刻直播频道i的平均用户QoE，λ_i(t)表示t时刻观看直播频道i的总人数，λ_ir(t)表示t时刻观看直播频道i且视频分辨率为r的人数，保证了直播频道各分辨率版本的视频观看人数之和等于该频道的观看总人数，F(x)用来表示用户带宽累积分布函数，表示比分辨率r高一个级别的视频分辨率。通过相邻两个分辨率级别的用户带宽累积分布函数求得观看分辨率为r的视频的用户比例，该算式刚好阐述了自适应策略，即带宽分布在直播频道相邻两个分辨率对应码率间的用户会自适应观看w_i(r)对应的分辨率级别视频。因此，公式的含义是在t时刻观看直播频道i且分辨率为r的人数等于在t时刻观看直播频道n的总人数乘以观看分辨率为r的视频的用户比例。

3、频道初始化部署建模

在云计算资源初始化分配的场景下，已知视频服务提供商的预算，用户带宽分布函数以及输入的直播频道码率信息，针对不同组合的云计算资源供给状态，在满足每台虚拟流媒体服务器资源限制的同时，实现QoE驱动的HAS直播频道初始化部署。建立如下数学模型：

是优化的目标函数，表示为最大化所有直播频道的平均用户QoE值。保障了视频服务提供商的预算$大于等于实际租赁云平台上各种规格编号的虚拟流媒体服务器的总租金。表示为租赁各种规格编号虚拟机的总数等于视频服务提供商实际管理的虚拟流媒体服务器的总数M。 保证了每台虚拟流媒体服务器所能提供的计算资源容量大于等于其上所有直播频道实际使用的计算资源总和。保证了每台虚拟流媒体服务器所能提供的带宽资源容量大于等于其上所有直播频道实际使用的带宽资源总和。 用于保障每一个直播频道都会被部署到一台虚拟流媒体服务器。

4、QoE驱动的HAS直播频道初始化部署方法

使用商品价值(用以衡量平均用户QoE)与商品重量(用以衡量服务器端资源消耗)的比值定义“效用值”的概念，进而试图为效用值最大的商品优先选择背包，即优先选择平均用户QoE较高且能够节省较多物理资源的直播频道进行部署。同时，考虑到频道间的公平性，我们为服务器端节省较多物理资源定义了“剩余空间”的概念，表示为该服务器剩余计算资源*剩余带宽资源/(该服务器当前频道数+1)。其次，为了确保有一个可行解，我们将所有直播频道的最低质量级别版本(按照最低帧率进行实时转码且所有用户观看最低级别分辨率的视频)放置到流媒体服务器。最后，基于贪婪算法的思想，通过迭代的过程为每个流媒体服务器上的所有直播频道进行“增肥”的操作，以最大化频道的平均用户QoE。考虑到服务的公平性及简单性，若服务器端剩余的带宽资源大于零，根据各频道用户的请求总带宽按比例分配；若服务器端剩余的计算资源大于零，根据各频道实时转码的请求总CPU核数按比例分配。针对云端资源初始化分配的场景进行HAS直播频道初始化部署的具体步骤如下：

Step1：根据视频服务提供商的预算$与云厂商提供的虚拟机规格集合下各种虚拟机的价格计算出服务提供商可能购买的虚拟机组合，并将所有可能的虚拟机组合方案添加至虚拟机购买组合列表PurchaseList。

Step2：若虚拟机购买组合列表PurchaseList不为空，选择列表PurchaseList中的表头元素，将该虚拟机组合方案中的所有虚拟机依次添加至虚拟机列表VMList，同时按照添加顺序对虚拟机进行升序编号，并记录该组合方案中的虚拟机总个数M。上述操作完成后对表头元素降序，并标记为已访问。若虚拟机购买组合列表PurchaseList为空，则直接跳转至第十步。

Step3：计算当前所有直播频道的效用值e_i，并按照效用值的大小对直播频道进行降序排列，并按顺序添加到直播频道列表ChannelList中。

Step4：若直播频道列表ChannelList不为空，选择列表中的表头元素，为该频道最低质量级别的版本选择可以满足其资源需求的流媒体服务器，注意确保所选的流媒体服务器的编号在虚拟机列表VMList中存在。如果有多个流媒体服务器可以满足要求，则优先选择剩余空间最大的服务器。若选择成功，将该频道最低质量级别的版本放置到对应服务器，并将该频道的分配方案记录到频道分配矩阵x_i,j中，同时从直播频道列表ChannelList中移除该频道，然后更新服务器端的剩余资源；若选择不成功，则对该频道拒绝服务，记录频道的平均用户QoE值为0，并从直播频道列表ChannelList中删除。若直播频道列表ChannelList为空，跳转至第十步。

Step5：重复第二步操作，直至直播频道列表ChannelList为空，即表示当前所有直播频道的最低版本均已成功放入相应的流媒体服务器。

Step6：若虚拟机列表VMList不为空，从列表的表头元素开始选择流媒体服务器，对该服务器上面的直播频道进行增肥操作，计算出频道价值并保存，然后将该流媒体服务器从列表中移除；若虚拟机列表VMList为空，则直接跳转至第八步。

Step7：重复第六步，直至虚拟机列表VMList为空，即表示各频道的平均用户QoE均已计算完成，通过求平均值的方法求出所有频道的平均用户QoE值，并将该QoE值及最终分配矩阵x_i,j与方案列表中的虚拟机组合方案进行关联。

Step8：跳转至第二步，直至虚拟机购买组合列表PurchaseList中的所有元素均被标记为已访问。

Step9：在虚拟机购买组合列表PurchaseList中寻找最大的QoE值所对应的虚拟机组合方案，将该方案的频道分配矩阵x_i,j输出。

Setp10：算法结束。

针对提出的云计算环境下QoE驱动的HAS直播频道初始化部署算法(QoE-aware)，选取最坏适应(Worst-fit)算法和OPT-ORS^[58]算法两个算法进行有效性对比验证。在用户规模及视频服务提供商的预算均不变的情况下，随着直播频道数量的逐渐增加，云平台提供直播服务的平均用户QoE的变化趋势如附图1。在直播频道数及视频服务提供商的预算均不变的情况下，随着用户规模的逐渐增加，云平台提供直播服务的平均用户QoE的变化趋势如附图2所示。仅给定视频服务提供商的预算，在直播频道数和用户规模均动态变化的情况下，一段时间内直播服务的平均用户QoE分布情况如附图3所示。

5、频道动态调度建模

在云端资源动态整合的场景下，已知虚拟流媒体服务器的购买组合，用户带宽分布函数以及新上线直播频道的码率信息，针对在线直播频道的分配矩阵，在满足每台虚拟流媒体服务器资源限制的同时，实现QoE驱动的HAS直播频道动态调度。建立如下数学模型：

上述公式中，是我们优化的目标函数，表示了频道动态调度前后的直播服务QoE增益。保证了每台虚拟流媒体服务器所能提供的计算资源容量大于等于其上所有直播频道实际使用的计算资源总和。保证了每台虚拟流媒体服务器所能提供的带宽资源容量大于等于其上所有直播频道实际使用的带宽资源总和。用于保障每一个直播频道(在线与“待上线”)都会被部署到一台虚拟流媒体服务器。

6、QoE驱动的HAS直播频道动态调度方法

基于传统装箱方法，将虚拟流媒体直播服务器看作一个箱子，二维“负荷”属性表示虚拟服务器可用计算资源容量以及带宽资源容量，将直播频道看作是一件物品，二维“体积”属性表示直播频道在服务器端请求的计算资源以及带宽资源。从服务器列表(按照服务器“剩余空间”由小到大排序)中取出一个服务器，开始遍历频道(按照频道“体积”由大到小排序)，一次遍历完成后第一个服务器就装满，以此类推，直至所有频道均已成功装入。针对云端资源动态整合的场景进行HAS直播频道动态调度的具体步骤如下：

Step1：对在线的直播频道按照“体积”的属性值由大到小进行排列并按顺序添加至在线频道列表OnlineList，对流媒体服务器按照“负荷”属性的剩余空间由大到小进行排列并按顺序添加至虚拟机列表VMList。

Step2：若虚拟机列表VMList不为空，选择列表中的表头元素，并记录该流媒体服务器的编号。按照在线直播频道的分配矩阵x_i,j从在线频道列表OnlineList中删除该流媒体服务器上已有的直播频道，最后从列表中移除该流媒体服务器。若虚拟机列表VMList为空，直接跳转至第四步。

Step3：若在线频道列表OnlineList不为空，选择列表中的表头元素。如果该直播频道被标记为未访问，将该频道调度至第二步取得的流媒体服务器，并更新如果调度成功，将该频道从OnlineList列表中移除；如果调度不成功，将该频道降序并标记为已访问。如果该直播频道被标记为已访问，则将当前在线频道列表OnlineList中所有频道标记为未访问，然后跳转至第二步。若在线频道列表OnlineList为空，直接跳转至第四步。

Step4：算法结束。

针对提出的QoE驱动的HAS直播频道初始化部署算法(称为QoE-aware Placement算法)，将提出的QoE驱动的HAS直播频道动态调度算法称为QoE-aware Scheduling算法。在用户规模及视频服务提供商的预算均不变的情况下，随着即将上线的直播频道数逐渐增加，云平台提供直播服务的平均用户QoE在两种算法下的变化趋势如附图4所示。在即将上线的直播频道数及用户规模均不变的情况下，随着视频服务提供商预算的逐渐增加，云平台提供直播服务的平均用户QoE在两种算法下的变化趋势如附图5所示。

Claims (7)

1.一种云计算环境下QoE驱动的HAS直播频道调度方法，其特征在于，包括以下步骤：

步骤一，初始化部署模型是在已知视频服务提供商的预算、用户带宽分布函数以及输入的直播频道码率信息的条件下，针对不同组合的云计算资源供给状态，在满足每台虚拟流媒体服务器资源限制的同时，最大化所有直播频道的平均用户QoE值，实现QoE驱动的HAS直播频道初始化部署；

根据初始化模型进行初始化部署，将所有直播频道的最低质量级别版本放置到流媒体服务器，然后基于贪婪算法，为每个流媒体服务器上的所有直播频道进行增肥的操作，最大化频道的平均用户QoE；若流媒体服务器端剩余的带宽资源大于零，根据各频道用户的请求总带宽按比例分配；若流媒体服务器端剩余的计算资源大于零，根据各频道实时转码的请求总CPU核数按比例分配；

步骤二，动态调度模型是在已知虚拟流媒体服务器的购买组合、用户带宽分布函数以及新上线直播频道的码率信息，针对在线直播频道的分配矩阵，在满足每台虚拟流媒体服务器资源限制的同时，最大化频道动态调度前后的直播服务QoE增益，实现QoE驱动的HAS直播频道动态调度；

根据动态调整模型进行动态调度，将流媒体服务器的二维负荷属性表示服务器可用计算资源容量以及带宽资源容量，将直播频道的二维体积属性表示直播频道在流媒体服务器端请求的计算资源以及带宽资源；在流媒体服务器列表中取出一个流媒体服务器，开始遍历，取出的流媒体服务器按照流媒体服务器剩余空间由大到小排序，遍历按照直播频道体积由大到小排序，一次遍历完成后第一个服务器就装满；直至所有直播频道均已装满。

2.根据权利要求1所述的一种云计算环境下QoE驱动的HAS直播频道调度方法，其特征在于，步骤一中，平均用户QoE的计算方法为：

And，f_i＝min{f_max,f_i},r_i＝min{r_max,r_i}

其中，Q_avg(i)表示t时刻直播频道i的平均用户QoE，表示表示直播频道i为用户n提供服务所获得的视频流畅度主观感受，其中参数f_i表示直播频道i提供的实际帧率大小，参数表示用户n请求服务时渴望的帧率大小；表示直播频道i为用户n提供服务所获得的视频清晰度主观感受，其中参数r_i表示直播频道i的实际分辨率，参数表示用户n请求服务时的请求分辨率大小，参数w_i(r)表示分辨率为r的直播频道i的实际编码比特率；α与β为特征参数，根据直播频道内容种类的不同对应三种不同的参数值组合；表示直播频道流畅度主观感受的上限值，b表示收敛系数；v₃,v₄,v₅表示模型系数，C_i表示直播频道i实时转码所需要的CPU核数，C₀表示流媒体服务器操作系统级别已占用的CPU核数，r表示目标视频的分辨率，R_i表示直播频道i的分辨率集合，表示直播频道i实时转码为分辨率r与帧率f_i所消耗的CPU核数，B_i表示直播频道i响应用户请求所需要的带宽资源，λ_ir(t)表示t时刻观看频道i且分辨率为r的人数；f_max为视频服务提供商规定的最大帧率；r_max为视频服务提供商规定的最大分辨率；λ_i(t)表示t时刻观看直播频道i的总人数，F(x)用来表示用户带宽累积分布函数，表示比分辨率r高一个级别的视频分辨率；通过相邻两个分辨率级别的用户带宽累积分布函数求得观看分辨率为r的视频的用户比例。

3.根据权利要求1所述的一种云计算环境下QoE驱动的HAS直播频道调度方法，其特征在于，步骤一中，初始化部署的具体方法如下：

第一步，根据所需确定用作流媒体服务器的虚拟机组合方案，将所有虚拟机依次添加至虚拟机列表，并按照添加顺序对虚拟机进行升序编号，对虚拟机的表头元素降序，标记为已访问；

第二步，计算当前所有直播频道的效用值e_i，并按照效用值的大小对直播频道进行降序排列，并按顺序添加到直播频道列表中；

第三步，若直播频道列表不为空，选择直播频道列表中的表头元素，为该直播频道最低质量级别的版本选择能够满足资源需求的流媒体服务器，并确保所选的流媒体服务器的编号在虚拟机列表中存在；如果有多个流媒体服务器可以满足要求，则选择剩余空间最大的流媒体服务器；若选择成功，将该直播频道最低质量级别的版本放置到对应流媒体服务器，并将该直播频道的分配方案记录到频道分配矩阵x_i,j中，同时从直播频道列表中移除该频道，然后更新服务器端的剩余空间；若选择不成功，则对该直播频道拒绝服务，记录直播频道的平均用户QoE值为0，并从直播频道列表中删除该频道；

若直播频道列表为空，则跳转至步骤十；

第四步，采集虚拟机列表的参数，从虚拟机列表的表头元素开始选择流媒体服务器，对该流媒体服务器上面的直播频道进行增肥操作，计算出该频道的平均用户QoE并保存，然后将该流媒体服务器从虚拟机列表中移除；

第五步，重复第四步，直至虚拟机列表为空，求出所有直播频道的平均用户QoE值，并将所有直播频道的平均用户QoE值及相应的频道分配矩阵x_i,j与虚拟机进行关联；

第六步，返回第一步，直至所有虚拟机的表头元素均被标记为已访问；

第七步，在虚拟机中寻找最大的所有直播频道的平均用户QoE值所对应的虚拟机组合方案，将虚拟机组合方案的频道分配矩阵x_i,j输出，完成初始化部署。

4.根据权利要求3所述的一种云计算环境下QoE驱动的HAS直播频道调度方法，其特征在于，第二步中，直播频道的效用值e_i的计算方法如下：

e_i表示频道i的效用值，Q_avg(i)表示频道i的平均用户QoE，[x]⁺表示max(x,0)；M为虚拟流媒体服务器的总数，N为直播频道的数量，j为虚拟流媒体服务器的编号，c_i表示直播频道i实时转码所需要的CPU核数，C_j表示虚拟流媒体服务器j的CPU核数，b_i表示直播频道i响应用户请求所需要的带宽资源，B_j表示虚拟流媒体服务器j的物理带宽。

5.根据权利要求1所述的一种云计算环境下QoE驱动的HAS直播频道调度方法，其特征在于，步骤二中，动态调度的具体方法如下：

第一步，对在线的直播频道按照体积的属性值由大到小进行排列并按顺序添加至直播频道列表，对流媒体服务器按照负荷属性的剩余空间由大到小进行排列并按顺序添加至流媒体服务器列表；

第二步，选择流媒体服务器列表中的表头元素，并记录该流媒体服务器的编号；按照在线直播频道的分配矩阵x_i,j从在线频道列表中删除该流媒体服务器上已有的直播频道，最后从流媒体服务器列表中移除该流媒体服务器；

第三步，选择在线频道列表中的表头元素；如果该直播频道被标记为未访问，将该频道调度到第二步中从流媒体服务器列表中取出的表头对应的流媒体服务器，并更新如果调度成功，将该频道从在线频道列表中移除；如果调度不成功，将该频道降序并标记为已访问；

如果该直播频道被标记为已访问，则将当前在线频道列表中所有频道标记为未访问，然后跳转至第二步；若在线频道列表为空，则完成动态调度。

6.根据权利要求1所述的云计算环境下QoE驱动的HAS直播频道调度方法，其特征在于，步骤一中，初始化部署模型为：

其中，N是在线直播频道的数量，M是虚拟流媒体服务器的数量，i为直播频道的序号，j为虚拟流媒体服务器的序号；x_i,j为在线直播频道的分配矩阵，若将直播频道i部署在虚拟流媒体服务器j上，则x_i,j＝1；若不将直播频道i部署在虚拟流媒体服务器j上，则x_i,j＝0；$为视频服务提供商的预算；为云厂商提供的虚拟流媒体服务器的规格集合，表示规格编号为的虚拟流媒体服务器， 为规格编号为的虚拟流媒体服务器对应的价格，表示规格编号为的虚拟流媒体服务器购买的数量；C_j表示虚拟流媒体服务器j的CPU核数；λ_ir′(t)表示服务器端使用自适应策略后，t时刻观看频道i且分辨率为r的人数；B_j表示虚拟流媒体服务器j的物理带宽；

初始化部署模型用于获得相应的x_i,j作为初始化部署方案。

7.根据权利要求1所述的云计算环境下QoE驱动的HAS直播频道调度方法，其特征在于，步骤一中，动态调度模型为：

其中，ΔQ表示直播频道动态调度前后的QoE增益，N是直播频道的数量，M是虚拟流媒体服务器的数量，K为待上线直播频道的数量，x_i,j为在线直播频道的分配矩阵；为直播频道动态调度整合后的分配矩阵，若将直播频道i部署在虚拟流媒体服务器j上，则 若不将直播频道i部署在虚拟流媒体服务器j上，则c_i为直播频道i请求的CPU核数；C_j为虚拟流媒体服务器j的CPU核数；b_i为直播频道i请求的物理带宽，B_j为虚拟流媒体服务器j的物理带宽；

动态调度模型用于获得相应的作为动态调度方案。