CN109982104B - 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 - Google Patents

Abstract

本发明涉及一种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，本发明设计了一种移动感知效用函数，并提出了一种新的移动边缘数据预取和缓存替换策略之间的权衡方法。不仅优化了不同视频之间边缘服务器缓存资源的分配，还为同一视频的不同码率分配存储资源。本发明证明了提出的缓存替换问题是一个背包约束的NP难(NP‑Hard)问题。为了解决这个问题，提出了一种移动感知视频预取缓存和替换(MAVPCR)算法，它是动态编程(DP)。本发明能够更好的解决数据预取和缓存替换策略的权衡。实验证明将优化问题转化为一个带有背包约束的整数线性规划，能够提高命中率，并且有效控制成本，同时减少视频失真率。

Description

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

技术领域

本发明涉及移动边缘计算的预取缓存策略问题，属于MEC领域，具体涉及一种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。

背景技术

随着无线通信技术的发展,4G移动通信网络已经进入人们的日常生活。移动通信网络已经进入人们的日常生活。手机、平板等移动设备通过网络来访问资源已经成为人们的日常生活方式。然而相比于无线接入网络的快速发展，移动核心演进却非常缓慢，传统的移动通信模式难以满足日益增长需求。因此，移动边缘计算(Mobile Edge Computing，MEC)应运而生，其基本思想是把云计算平台从移动核心网络内部迁到接入边缘，其基础架构由基站、移动边缘服务器核心网和远程云组成。与云计算最大的区别在于边缘服务器对用户的临近性、处理低延迟回程链路负载和对用户端的移动感知性。移动边缘计算提供了一种新颖的环境，在终端设备的边缘为用户提供信息服务，具备紧邻性、低时延和位置感知等特点，这为提高用户体验供了新的思路。

边缘服务器可以缓存应用服务及其相关的数据库来有效减少服务的延迟。然而，新型的网络媒体资源具有数量多、更新快流行度变化剧烈等特点，传统的估计算法不能对它们的缓存价值做出较准确估计。此外，移动网络缓存模型大多是被动缓存模型(Passivecache model)，当一个服务请求时，内容器会立即提供相应服务，当请求数爆炸式增长时，内容服务器可能无法即响应众多请求，网络性能会随之变差进而导致用户获得的服务体验。

为解决该问题，本发明给出了一种新的移动边缘数据预取和缓存替换策略之间的权衡方法。

发明内容

本发明建立起高效的用户个体移动性模型(IMM)来分析用户移动的概率，并抽象出移动概率与缓存值之间的关系。

本发明根据用户的移动概率和请求数据大小设计了一种移动感知效用函数，并提出了一种新的移动边缘数据预取和缓存替换策略之间的权衡方法。不仅优化了不同视频之间边缘服务器缓存资源的分配，还为同一视频的不同码率分配存储资源。

本发明证明了提出的缓存替换问题是一个背包约束的NP难(NP-Hard)问题。为了解决这个问题，提出了一种移动感知视频预取缓存和替换(MAVPCR)算法，它是动态编程(DP)。

具体采用如下技术方案：

一种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，其特征在于，包括

步骤1、获取移动边缘计算中所需的视频剪辑在目标MEC服务器中的缓存预取效益以及对应的视频存储位置；

步骤2、确定移动边缘计算中的目标函数及其约束条件；

步骤3、将步骤1中获取的多个缓存预取效益以及对应的视频存储位置代入目标函数后结合约束条件进行视频预取与缓存替换求解后得到最终的最优解集。

在上述的一种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，所述步骤2中，目标函数及其约束条件基于以下公式：

其中，v表示由服务提供商提供的一组视频文件，

N是视频的剪辑总数，其回放时间等于时间片τ，

M表示每个视频的编码速率，

表示时间片τ+1，在访问编码率m的视频v的片段i，一个效用函数来权衡缓存预取和，利润和成本之间的权衡，

表示在访问编码率m的视频v的片段i的大小，

表示时间片τ+1，访问编码率m的视频v的片段i是否存储在MEC服务器上，

C表示MEC服务器的缓存大小。

在上述的一种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，所述步骤2中，求解过程基于MAVPCR最优方案的动态规划算法，具体包括以下步骤：

步骤1：定义最优解集A＝{v1，v2，v3，..,vn}，

A是存储在MEC服务器上的所有视频剪辑的集合；确认子问题和状态，为了MEC服务器存储的容量C中视频剪辑总价值最大化，定义了一个二维数组，其中每个元素代表一个状态，即前i个视频剪辑中若干个放入容量为C的MEC服务器中最大价值；数组为：SQ(i,C)，其中SQ(i,C)表示前i个中若干个视频剪辑放入容量为C的MEC服务器中的最大价值；

步骤2：确定状态：01背包中的一个状态就是表示第i个物体是否放入体积为C的背包中；

定义总共有N个视频剪辑，初始状态为SQ(0,C)和SQ(N,C)都为0，前者表示前0个视频剪辑(也就是空视频剪辑)，无论装入多大的容量C中总价值都为0，后者表示体积为0的容量C中任何价值的物品都装不进去；

步骤3：转移函数，对于每个视频剪辑，有两个选择，将其放入缓存中或不放在缓存中，决定在于是否能比之前的存储容量价值大；整个系统中有N个视频剪辑，需要做出N个选择；用

表示进行第一次选择后得到的最大值；

如果将第i个选定的视频剪辑放入缓存，则在上一次结果的基础上为该选择添加视频效益值；

如果第一选择的视频剪辑没有放在缓存中，那么SQ应该是

使用上面描述的最优子结构和递归关系，得到以下内容:

其中，

表示在访问编码率m下第v个视频第i个视频片段的编号，

表示前一个编号。

因此，本发明具有如下优点：在5G无线网络中，在移动边缘服务器上缓存或预取视频可以利用高速本地链路来减轻核心网络的负载。通过构建本发明的模型，更好的解决数据预取和缓存替换策略的权衡。实验证明将优化问题转化为一个带有背包约束的整数线性规划，能够提高命中率，并且有效控制成本，同时减少视频失真率。

附图说明

图1是移动边缘计算架构示意图。

图2是视频片段图。

图3是用户视频选取情况图。

图4是Visited数据图示。

图5是当前Visit数据图示。

图6是视频流行度图示。

图7是用户移动与服务器范围图示。

图8是三个用户的经纬度移动数据图示。

图9是流行度和预取优先权重标准化图示。

图10是视频片段选取的图示。

具体实施方式

视频流行度无法准确度量，采用了结合视频段过去与现在流行度得方式最终得到视频流行度计算模型。

本发明旨在抽象出移动概率与缓存值之间的关系，来决定将什么数据存储在边缘服务器中。因为边缘服务器的内存与带宽均受客观因素限制，因此挑选出时下点击率高的数据存储在边缘服务器中成为了提高整个系统运行效率的关键。显然当用户是静态时，只需考虑用户点选某一视频的概率与该视频所可能的大小，并在两者之间进行权衡即可。但事实中的用户是不可能静止的，每一个个体有他们自己的行为逻辑，而每一个个体是又独一无二的，当用户离开当前服务器或者进入当前服务器时数据的热度都会因此改变，所以预测用户下一步的行动轨迹，建立一个有效的个体移动模型是这个项目的难点之一。该问题已被解决。图一描述了服务器与用户之间的关系。

在目前的项目中，考虑到服务器信号覆盖率与信号重合问题在用户移动时是一个复杂程度不低于缓存预取策略的问题，而项目主要攻克的是视频在边缘服务器的缓存预取问题，因此，对这一部分进行了适当的简化，假设用户所在地区始终有服务器覆盖且服务器信号没有重叠。

为了使得所计算出来的视频热度更加贴近实际情况，引入了时间段的概念，时间段中所包含的时间越短，那么模型的精度也就越准确。

在MEC服务器中，V表示由服务提供商提供的视频文件集。每个v∈V被分成片段并由i∈{1,2,3，...，Nv}表示，Nv是视频片段的总数，并且其播放持续时间等于时间片τ。F用于表示视频总数和服务提供商提供的不同剪辑。此外，

被定义为视频v的剪辑i。

为了获得不同请求

的流行度，将流行度分为三个部分，根据时间局部性原理和缓存的顺序局部性进行计算。

是在时间片τ之前访问编码率m的视频v的片段i的次数。

是在时间片τ中访问编码率m的视频v的片段i的次数。

是在时间片τ中访问编码率m的视频v的片段i-1(片段i的前体)的次数。

在图三中，通过对用户甲对不同视频的不同剪辑的请求来说明三个流行度统计规则。用户甲对不同的视频片段进行访问。当前时间片段访问视频C的片段4，就将其记为

此外，图中的甲的时间线表示用户在过去一段时间中对视频A、B、C中不同剪辑片段的访问情况。同样用户甲在之前的时间片段中对视频C中片段4的访问记为

中。在这里，所有流行度都与不同的视频片段和用户相互关联且独一无二。过去流行度(PastPop)反映了在时间片τ之前被访问的视频片段的流行度：

现在，根据时间局部性原理，如果访问了某一视频片段，很可能在不久的将来再次访问。当前流行度(CurrentPop)反映了时间片τ中视频片段的流行度：

然后，根据顺序局部性原理，未来流行度(FuturePop)反映了视频片段i-1在时间片τ中的流行度。剪辑i-1的流行度越高，将来访问视频剪辑的概率就越高，它可以表示为：

因此，通过考虑三个流行度规则，在时间片τ+1中预测的视频片段i的流行度是：

其中α，β和μ分别决定三个流行度的权重，在这里流行度是全新引进的概念，流行度与过去流行度、现在流行度、未来流行度三者间在一定程度上正相关，此外为保持等式合理，规定α、β、μ之和为1。此外α，β和μ的取值由实验结果动态调整，并找到最优解。

记录视频片段

的大小。最后，单位空间的流行度被用作视频剪辑

的优先级变量：

实验中采集了不同视频与视频剪辑片段的访问数据，并计算出了相对应的流行度数据。其中视频材料取自于YouTube视频剪辑片段，用户行为模式为随机行为，即随机在某个时间段随机进行视频片段的访问。图四即为视频片段的访问情况，横坐标为访问的对应视频的编号，为了表格清晰直观因此仅设定了300个视频且每个视频有200个剪辑片段

此外图六是视频流行度的统计表，x轴表示视频编号，y轴表示视频的片段号，z轴则表示视频单位空间的流行度

具体算法与模型实现Ⅱ：

已知用户移动轨迹时如何预测下一步用户的行动，来更改服务器中的缓存内容。

用户移动性模型主要通过历史轨迹预测用户的未来移动。具体地，通过考虑在τ时间片之前的用户的移动轨迹来预测将出现在目标MEC服务器的范围内的用户。在时间片中，用户的移动和请求是静态的。换句话说，状态和位置仅在时间片的末尾发生变化。如图七所示，根据目标MEC服务器的半径R，选择2R范围作为观察区域，并预测观察区域内的用户。考虑到用户的行为模式，观察区域内的用户下次更有可能到达目标MEC覆盖区域切片。假设历史运动的数据由T-Drive Taxi轨迹提供。利用这些轨迹，可以预测用户在下一个时间片中的位置，并且每个用户将具有被时间片划分的轨迹。

上图是移动模型中的目标MEC覆盖范围和观察区域(实线区域是目标mec覆盖范围，虚线和实线之间的区域是观察区域。观察区域完全由服务器覆盖邻近目标MEC)。具体而言，移动模型基于IMM(个体移动模型)的思想。IMM可用于评估用户移动的性能并预测用户进入目标MEC区域的概率。并且它将用户的移动行为分为移动和逗留两部分。在本报告中，用户在每个时间片之后决定是否移动。此外，每次移动或逗留的时间是时间片长度的整数倍。令t(τ)表示从时间片0到τ的用户行为的总时间成本。t_u,in(τ)是用户u从时间片0到τ停留在目标MEC服务器区域所花费的总时间。因此，将用户u在目标MEC服务器区域中的时间消耗与用户行为的整个时间消耗之间的比率记为ω(τ)

进一步计算用户到达目标区域的概率Pu，表示为：

上述P_u表示了个人用户进入目标MEC服务器范围的概率。引入

表示请求相应视频剪辑片段的用户。然后，通过线性平均方法将用户移动的概率转换为请求的概率。如图是用户移动数据，数据来自Microsoft用户GPS轨迹数据。图中共有三个用户个体，横坐标表示经度，纵坐标表示纬度。

在求得视频流行度与预测了用户的运动轨迹后，将两者结合起来得到缓存预取模型。

表示在τ时间片的观察区域中请求相同视频片段

的用户的数量。视频请求可以从相邻服务器发送到目标MEC服务器。然后，计算

的平均比特请求概率

用于测量预取的值：

是视频片段

的预取优先级变量。

下面的函数是平衡视频剪辑的流行度

和预取优先级

并且统一不同方面的两个参数。然后，通过线性加权得到最终函数：

其中规定W_γ与W_σ之和为1，W_γ和W_σ分别代表视频流行度和视频预取优先级的权重，两者的值主要由服务器的特性确定，不同的服务器有不同的最优解。当服务器重视流行度时，流行度是主要的优化目标，W_γ>W_σ；当服务器重视用户移动性时，预取优先级是主要的优化目标，W_γ<W_σ。在实际场景中，可以通过多属性决策理论(MADM)来确定流行度和预取优先权重分布。如图是模拟服务器中通过标准函数得到的最终结果:

具体算法与模型实现Ⅲ：

当用户提出请求时，发送到MEC服务器的请求时间由t_r表示。如果缓存命中，请求的视频片段将直接返回给用户,返回时间可以用时间t_u表示。第二种种情况是缓存没有存储相应的剪辑。因此,远程云的资源将被请求，所花费的时间由t_c表示。l是二进制变量，l＝1表示服务器处理时间为t_d，l＝0表示服务器处理时间为t_c。因此，服务器中的视频处理时间只能是t_d或t_c，表示为t_k：

t_k＝lt_d+(1-l)t_c,l∈{0,1} (9)

用户在观察区的请求将提前从邻近的MEC服务器提交到MEC服务器。因此，如果用户不发送不同的请求，则将保存请求时间t_r。同样，视频剪辑的处理也是预先进行的，这减少了t_c的时间。因此，预取数据命中后的预期利润为T＝(t_r+t_c)。此外，预取的利润与用户访问频率υ和视频更新频率ρ在MEC服务器上有关。视频接入频率与更新频率之比越高，利润越大。然后将视频的盈利函数认为：

此外，总成本由当前时间片上的缓存存储确定的三种不同的相互排他性成本组成。当视频命中时，缓存占用MEC服务器的存储资源，每单位数据的存储成本用St表示。如果缓存没有击中视频剪辑，而是存储相应比特率的视频剪辑，则服务器的计算资源可用于编码变换，换算的单位成本可以用Ca来表示。在其他情况下，服务器需要从远程云获取视频剪辑，这将消耗返回链路的带宽资源。对应单位的数据带宽成本用Ba表示。然后，在τ+1的目标MEC服务器上处理片段

的成本是：

缓存每个时间片都做出替换决定，所有缓存和预取数据都存储在MEC服务器中。因为服务器存储资源有限，就要权衡数据缓存与删除，以获得最高收益。在相同的存储中，构建实用函数来权衡缓存和预取的好处。效用函数是：

其中w_p+w_c＝1，w_p和w_c代表利润和成本之间的不同权衡，它们可以由服务提供者设置。w_p的值越高，就意味着服务提供者更多关注用户体验。因为缓存的好处越大，用户访问请求数据的可能性就越大。再者，w_c的值越大，服务提供商越喜欢节能策略。因此，成本较低的视频剪辑更有可能被选择。Q是对缓存单元存储效益的判断。视频片段在缓存存满之前，只要Q大于0，就可以将视频片段存储在MEC服务器中。当缓存已满时，Q值较低的视频更有可能被替换或不预取。

是视频剪辑

在目标MEC服务器中的缓存预取效益。c表示MEC服务器的缓存大小。MEC服务器的缓存大小是有限的。为了充分利用缓存r从服务器源出发，最大限度地提高整个缓存的实用价值，有必要选择一个具有较高实用价值的视频剪辑进行存储。从数学上讲，MAVPCR问题可以是将其表述为0-1整数线性规划，该问题可定义为：

其中(13a)指示存储的视频剪辑的总大小不能超过服务器的缓存大小。(13b)表明，所选收益的值为非负值。可以看到(13c)中

指示视频是否存储在MEC服务器上。具体来说，如果缓存存储视频剪辑

的值等于1，否则等于0。

这是一个经典的0-1背包问题。任何0-1背包问题都是NP-难问题。为了快速得到最优解，提出了一种求解MAVPCR最优方案的动态规划算法，如算法1所述。表明了动态规划算法的可行性。

最优子结构：假设问题的最优解集A＝{v1，v2，v3，..,vn}，

A是存储在MEC服务器上的所有视频剪辑的集合。视频片段v_i∈A，A'＝A-v_i表示去除v_i后的子问题，A'＝A-v_i是子问题的最优解。因此，该问题具有最优的子结构。

递归关系：对于每个视频剪辑，有两个选择，将其放入缓存中或不放在缓存中。整个系统中有F个视频剪辑，所以需要做出F个选择。用

表示进行第一次选择后得到的最大值.递归如下：如果将第i个选定的视频剪辑放入缓存，则在上一次结果的基础上为该选择添加视频效益值。

如果第一选择的视频剪辑没有放在缓存中，那么SQ应该是：

使用上面描述的最优子结构和递归关系，可以得到以下内容:

选取了200多个视频片段，每个视频大概200左右的片段，每个视频剪辑片段大小不超过3，多个zipf分布函数生成visited和visit数据集，通过编写MAVPCR-DP算法，将容量C设置为100，即最后选取了100个视频剪辑片段，纵坐标表示视频编号，横坐标表示片段编号，图10表示的就是对应的视频和片段的选取结果.

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (2)

1.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，其特征在于，包括

步骤1、获取移动边缘计算中所需的视频剪辑在目标MEC服务器中的缓存预取效益以及对应的视频存储位置；

步骤2、确定移动边缘计算中的目标函数及其约束条件；

步骤3、将步骤1中获取的多个缓存预取效益以及对应的视频存储位置代入目标函数后结合约束条件进行视频预取与缓存替换求解后得到最终的最优解集；

所述步骤2中，目标函数及其约束条件基于以下公式：

其中，v表示由服务提供商提供的一组视频文件，

N是视频的剪辑总数，其回放时间等于时间片τ，

M表示每个视频的编码速率，

表示时间片τ+1，在访问编码率m的视频v的片段i上以用来权衡缓存预取和的效用函数,效用函数是:

其中w_p+w_c＝1，w_p和w_c代表利润和成本之间的不同权衡，

表示在访问编码率m的视频v的片段i的大小，

表示时间片τ+1，访问编码率m的视频v的片段i是否存储在MEC服务器上，C表示MEC服务器的缓存大小；

在

取值为1时表示该视频片段存储在MEC服务器当中，

取值为0时表示未储存。

2.根据权利要求1所述的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，其特征在于，所述步骤2中，求解过程基于MAVPCR最优方案的动态规划算法，具体包括以下步骤：

步骤2.1：定义最优解集A＝{v1，v2，v3，..,vn}，

A是存储在MEC服务器上的所有视频剪辑的集合；确认子问题和状态，为了MEC服务器存储的容量C中视频剪辑总价值最大化，定义了一个二维数组，其中每个元素代表一个状态，即前i个视频剪辑中若干个放入容量为C的MEC服务器中最大价值；数组为：SQ(i,C)，其中SQ(i,C)表示前i个中若干个视频剪辑放入容量为C的MEC服务器中的最大价值；

步骤2.2：确定状态：01背包中的一个状态就是表示第i个物体是否放入体积为C的背包中；

定义总共有N个视频剪辑，初始状态为SQ(0,C)和SQ(N,C)都为0，前者表示前0个视频剪辑，无论装入多大的容量C中总价值都为0，后者表示体积为0的容量C中任何价值的物品都装不进去；

步骤2.3：转移函数，对于每个视频剪辑，有两个选择，将其放入缓存中或不放在缓存中，决定在于是否能比之前的存储容量价值大；整个系统中有N个视频剪辑，需要做出N个选择；用

表示进行第一次选择后得到的最大值；

如果将第i个选定的视频剪辑放入缓存，则在上一次结果的基础上为该选择添加视频效益值；

如果第一选择的视频剪辑没有放在缓存中，那么SQ应该是

使用上面描述的最优子结构和递归关系，得到以下内容:

其中，

表示在访问编码率m下第v个视频第i个视频片段的编号，

表示前一个编号。

Images