CN110213627B - 一种基于多小区用户移动性的流媒体缓存分配方法 - Google Patents

一种基于多小区用户移动性的流媒体缓存分配方法 Download PDF

Info

Publication number
CN110213627B
CN110213627B CN201910330993.1A CN201910330993A CN110213627B CN 110213627 B CN110213627 B CN 110213627B CN 201910330993 A CN201910330993 A CN 201910330993A CN 110213627 B CN110213627 B CN 110213627B
Authority
CN
China
Prior art keywords
cache
video
model
user
benefit
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.)
Active
Application number
CN201910330993.1A
Other languages
English (en)
Other versions
CN110213627A (zh
Inventor
刘伟
江义晟
杜薇
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201910330993.1A priority Critical patent/CN110213627B/zh
Publication of CN110213627A publication Critical patent/CN110213627A/zh
Application granted granted Critical
Publication of CN110213627B publication Critical patent/CN110213627B/zh
Active 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
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/24—Monitoring of processes or resources, e.g. monitoring of server load, available bandwidth, upstream requests
    • H04N21/2402—Monitoring of the downstream path of the transmission network, e.g. bandwidth available
    • 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
    • H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
    • H04N21/262—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists
    • H04N21/26208—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists the scheduling operation being performed under constraints
    • 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]
    • H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client 
    • H04N21/63—Control signaling related to video distribution between client, server and network components; Network processes for video distribution between server and clients or between remote clients, e.g. transmitting basic layer and enhancement layers over different transmission paths, setting up a peer-to-peer communication via Internet between remote STB's; Communication protocols; Addressing
    • H04N21/647—Control signaling between network components and server or clients; Network processes for video distribution between server and clients, e.g. controlling the quality of the video stream, by dropping packets, protecting content from unauthorised alteration within the network, monitoring of network load, bridging between two different networks, e.g. between IP and wireless
    • H04N21/64723—Monitoring of network processes or resources, e.g. monitoring of network load
    • H04N21/64738—Monitoring network characteristics, e.g. bandwidth, congestion level
    • 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

Landscapes

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

Abstract

本发明属于移动边缘计算领域，提供一种基于多小区用户移动性的动态规划算法的流媒体缓存分配装置及其工作方法，该装置能够收集边缘服务器的上下文感知信息，包括小区内用户的移动轨迹、终端的请求模式、当前网络负载和服务器资源的分配状态；该方法考虑时空局部性原理对用户的多小区重叠的切换概率进行抽象分析，建立流行度缓存模型和移动感知的预取模型；在满足存储、带宽和计算资源的约束前提下，建立最大化缓存效益的优化目标；通过动态规划为服务器做出最优的缓存放置和替换决策，从流行度统计，移动性感知和成本管理三个角度出发提高整体缓存效益。本发明能够有效降低终端的平均访问延迟和资源的拥塞成本，提升边缘计算系统的缓存性能。

Description

一种基于多小区用户移动性的流媒体缓存分配方法
技术领域
本发明属于移动边缘计算领域，涉及一种多小区重叠环境中移动感知的视频缓存放置与替换策略，具体涉及一种基于多小区用户移动性的动态规划算法的流媒体缓存分配方法。
背景技术
随着通信技术和互联网技术的发展，平板电脑和智能手机等移动设备得到了迅速普及，用户通过智能终端访问移动互联网资源已趋于常态。根据2018年思科视觉网络指数预测，全球IP流量预测从2017年到2022年将增加接近三倍，并且到2022年，全球每月的移动数据流量将增长至396艾字节(EB)。此外，随着智能手机和平板电脑上视频播放数量的增长，来自这些设备的流量占互联网总流量的百分比在逐年提升。到2022年，智能手机将占全球互联网总流量的50％，远高于2017年的23％。而这些移动终端产生的数据中超过40％会在边缘环境中进行处理和存储。
这种爆发式的数据流量增长对移动终端的并发访问延迟、服务的稳定性和移动网络的负载带来了巨大的挑战。然而，移动核心网的演进相比与移动设备的增长趋势极其缓慢。此外，如移动短视频、增强现实等延迟敏感类应用，通过基站访问核心网的这种传统的移动通信模式难以满足大量用户实时访问的需求。这就对移动互联网中的存储、计算和带宽资源提出了更高的要求。
为了满足用户体验质量所需的低延迟、高稳定的要求，并降低移动互联网的负载。欧洲电信标准化协会(European Telecommunications Standards Institute，ETSI)在2014年提出基于5G演进架构的移动边缘计算。这是一项把互联网业务场景和移动基站深度融合的技术，移动边缘计算的基本思想是赋予边缘服务器相应的云计算能力。其基础架构由基站、移动边缘服务器、核心网和远程云组成。
移动边缘计算与云计算最大的区别在于它提供了一种新颖的计算环境，在终端设备的边缘为用户提供信息服务。边缘服务器具有对用户的临近性、服务处理的低延迟性、回程链路的低负载性和对用户端的移动感知性等特点，这为提高用户体验提供了新的思路。在移动边缘环境中，智能终端对视频业务的访问占据了数据流量的绝大部分。因此，在MEC的所有业务中，为基站边缘移动设备提供流媒体服务是具有巨大前景的典型应用场景。通过靠近用户端的MEC服务器，能够对智能终端的移动性和请求数据进行实时采集和分析，并感知网络带宽，存储和计算资源对用户的访问进行动态优化。
视频的请求分布符合zipf定律，且服务器小区内用户间所请求的内容存在较高的耦合度，即大多数移动终端的请求在短时间内将集中于流行度较高视频片段。所以流媒体的请求分布具有良好的可预测性。因此将流媒体数据缓存至网络边缘的观念应时而生，并且被认为是解决视频服务稳定性的关键技术之一，边缘服务器能缓存这些流媒体服务及其相关的数据来减少对核心网的访问，从而提升用户体验。
然而现有的流媒体缓存技术在现实应用中存在着巨大的局限性，传统流媒体服务的缓存策略主要考虑视频的流行度进行缓存状态的更新，按照视频的热度来分配存储和带宽资源。然而视频流行度只是移动用户偏好的主要表现形式之一，移动端用户在小区内的频繁移动和切换会导致服务请求不稳定甚至中断。这类基于流行度的缓存设计，并不适用于多小区相互重叠且终端用户在小区间有随机的移动性的边缘环境。因此，如何通过MEC服务器感知的用户行为特征设计出既能考虑用户移动性，又能权衡预取和缓存数据的方法有待进一步研究。
发明内容
本发明的目的就是为了克服上述现有技术中的不足之处，提供一种基于多小区用户移动性的流媒体缓存分配方法，其有效解决了移动环境中多用户并发请求流媒体视频的存储资源竞争问题，降低了请求延迟和网络负载，提升了边缘计算系统的缓存性能。
本发明解决其技术问题所采用的技术方案如下。
一种基于多小区用户移动性的流媒体缓存分配方法，包括以下步骤：
(1)在每个时间片初始化时，通过缓存分配装置收集边缘服务器的资源状态信息和智能终端的动态行为信息。
(2)从视频的依赖关系和时间局部性原理出发构建流行度模型、确定多小区移动性粒度划分并构建预取优先度模型。
(3)根据预取和缓存的适应度建立收益模型、拥塞成本模型和效益函数模型。
(4)在效益函数模型的基础上构建缓存候选队列。
(5)根据建立的缓存系统模型(即流行度模型、预取优先度模型、收益模型、拥塞成本模型和效益函数模型)与MEC服务器收集的智能终端的动态行为信息，对缓存的放置和替换做出动态决策，得到最优的分配结果。
(6)将边缘缓存的最新存储状态信息反馈到移动边缘计算系统和调度器。
进一步的，步骤(1)中所述的动态行为信息包括智能终端的移动轨迹和发出流媒体请求的偏好。
进一步的，步骤(2)中所述的流行度模型：单个流媒体视频片段
Figure GDA0002477895320000041
的流行度计算方式如下：
Figure GDA0002477895320000042
其中，流行度
Figure GDA0002477895320000043
由过去流行度
Figure GDA0002477895320000044
和将来流行度
Figure GDA0002477895320000045
两部分加权组成，α和β分别是历史访问中过去流行度和将来流行度在流行度模型中所占的权重，且α+β＝1，α和β可以由实验结果进行动态的调整以自适应于流行度的权衡，m表示视频的编码率，v为视频的类型，i是v视频第i个片段，
Figure GDA0002477895320000046
为视频片段
Figure GDA0002477895320000047
的大小，τ为时间片。
进一步的，步骤(2)中所述的多小区移动性粒度划分：通过对每个Overlap区域和服务器独占区间进行细粒度划分归类为Cell区块，从而统一用户移动过程中切换区域的表示。
进一步的，步骤(2)中所述的预取优先度模型：用户到达目标区域的概率Pu(τ)计算方式如下：
Figure GDA0002477895320000051
其中，in表示进入目标区域的人员，t(τ)表示从时间片0到τ内用户在当前Cell区块观测区域的总时间，tu,in(τ)是用户u从时间片0到τ内停留在目标Cell区块所花费的总时间。w(τ)是用户u在目标Cell区块与用户在当前Cell区块时间消耗的比率。
进一步的，步骤(3)中所述的收益模型，对于视频片段
Figure GDA0002477895320000052
的总收益计算如下：
Figure GDA0002477895320000053
其中，
Figure GDA0002477895320000054
是预取和缓存的适应度函数，tprofit为预取或者缓存策略的总时延收益。
Figure GDA0002477895320000055
为用户的访问频率，
Figure GDA0002477895320000056
是MEC服务器中该视频的更新频率，视频访问频率与更新频率的比率越高，意味着该视频片段在缓存中存储的时间越长且被访问的频率越高；m表示视频的编码率，v为视频的类型，i是v视频第i个片段，u为移动的用户唯一标识。
步骤(3)中所述的拥塞成本模型，对于视频片段
Figure GDA0002477895320000057
的单位比特率的拥塞成本计算如下：
Figure GDA0002477895320000058
其中，req(τ)是当前目标MEC服务器小区范围内收到的所有请求缓存的视频片段大小之和。Cache是缓存容量大小，
Figure GDA0002477895320000059
为视频片段
Figure GDA00024778953200000510
的大小，
Figure GDA00024778953200000511
是上一时间片的拥塞成本，通过适应度函数ω(τ)在每个时间片初始化时对拥塞成本进行更新；n表示视频请求的类型。
步骤(3)中所述的效益函数模型，对于视频片段
Figure GDA0002477895320000061
的单位比特率的效益值
Figure GDA0002477895320000062
计算如下：
Figure GDA0002477895320000063
Lp+Lc＝1
其中μP(τ)和μc(τ)分别是视频
Figure GDA0002477895320000064
从初始时间片到τ时间片的效益和拥塞成本的均值，而σP(τ)和σc(τ)则分别是相应的标准差，通过Z-Score的归一化处理消除效益和成本的量纲。
进一步的，步骤(4)中所述的缓存候选队列，在每个时间片初始时MEC服务器对当前小区范围内所有不在缓存中的视频请求进行效益计算，根据缓存容量和用户请求视频
Figure GDA0002477895320000065
的效益值
Figure GDA0002477895320000066
对候选队列中的视频状态进行动态调节。
进一步的，步骤(5)的具体实现包含以下步骤：
步骤5.1，构建用户的Zipf请求模型，具体构建公式如下：
Figure GDA0002477895320000067
α∈(0,1)
其中，Pn为在频率表中排名第n的文件被请求概率，F为所有视频不同码率的全部片段总和，α是相应的Zipf分布参数。表示视频文件被请求的概率随着频率排名下降速度的快慢，α的取值越小意味着访问的视频越分散，请求行为的局部性越不显著。
步骤5.2，将用户的Zipf请求数据分配给移动轨迹数据集。在Hadoop集群上通过MapReduce将Zipf请求数据和T-Drive Taxi轨迹数据集进行匹配；
步骤5.3，建立缓存命中率模型，通过分析缓存总效益值与缓存命中率的关系对命中率模型进行量化，在时间片τ内缓存的总效益值计算如下：
Figure GDA0002477895320000071
其中，
Figure GDA0002477895320000072
表示视频片段
Figure GDA0002477895320000073
在τ时间片的收益值，
Figure GDA0002477895320000074
表示在τ时间片内视频段
Figure GDA0002477895320000075
是否存储在目标服务器缓存中，通过对效益值进行累加得到缓存总QoE效益值；n表示视频请求的类型，i是视频第i个片段，m表示视频的编码率，N为该区域视频请求的总数，I为该区域视频片段的总数,M为该区域视频码率的总数，其中，N、I和M由具体环境中的数据来确定；
缓存近似命中率的表达式计算如下：
MAX Chr(τ)＝η·logz[1+δ·Qbv(τ)ζ]
其中，η、z、δ和ζ是与总QoE效益值和缓存命中率有关的拟合参数；
步骤5.4，在命中率模型的基础上初始化边缘环境，对移动边缘计算环境进行初始化，启动缓存分配装置进行环境和资源状态的监测，并对流行度，移动性和效益函数的参数进行量化；
步骤5.5，通过候选队列和效益值
Figure GDA0002477895320000076
进行缓存决策，通过缓存分配装置收集的信息和流行度模型、预取优先度模型、收益模型、拥塞成本模型和效益函数模型构建视频缓存的候选队列，并根据候选队列和效益值
Figure GDA0002477895320000077
对缓存状态进行动态调整；
步骤5.6，结束。
进一步的，本发明方法中，边缘环境中各个微小区间相互不重叠，且MEC系统对缓存放置方案以时间片τ为单位进行周期的更新，即在时区[t,t+τ]初始时服务器将根据用户的动态请求和上下文信息进行缓存的放置和替换，时间片划分粒度越细越接近现实环境，此外，时间片内用户行为保持静止，在MBS覆盖范围的边缘服务器在地理位置上更接近移动用户，并通过本地高速链路通信实现无线资源的高密度空间重用，在移动边缘环境中流媒体视频是分段存储的，每个视频根据时间片τ和视频的播放时长进行分段，结合视频流媒体的特性，服务器可以存储同一视频内容不同码率的多个片段，并根据当前服务器存储性能、网络带宽条件等的变化，在传输视频时对视频码率进行自适应的调整。
本发明基于多小区用户移动性的流媒体缓存分配方法，其适用范围是多小区重叠的多用户移动边缘计算环境，缓存分配装置的环境监测模块通过收集MEC服务器和智能终端的动态信息，建立流行度模型、预取优先度模型、收益模型、拥塞成本模型和效益函数模型和缓存候选队列，并得到初始视频片段的缓存候选集，然后缓存决策模块根据环境监测模块收集的实时信息和建立的模型，最终采用基于动态规划算法的流媒体缓存分配方法为服务器缓存状态进行动态调整，得到最优的缓存放置与替换结果，从而减少资源竞争的拥塞成本，并提高系统级别的缓存命中率和用户体验质量。
附图说明
图1是本发明实施例的方法流程图。
图2是本发明实施例的流行度模型图。
图3是本发明实施例的多小区用户移动场景图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明实施例提供一种基于多小区用户移动性的流媒体缓存分配方法，包含以下步骤：
步骤1：在每个时间片初始化时，通过缓存分配装置收集边缘服务器的资源状态信息和智能终端的动态行为信息。
资源状态信息和智能终端的动态行为信息包括当前网络负载、计算资源使用率、存储资源使用率、终端的移动性和请求偏好信息。
步骤2：从视频的依赖关系和时间局部性原理出发构建流行度模型、确定多小区移动性粒度划分并构建预取优先度模型。
(1)流行度模型。如图2所示，时间线上不同用户的历史请求在权值系数Kt的作用下对流行度造成的影响程度也不相同。内容流行度是一个重要因素，访问量越高的视频其流行度也越大。视频的历史访问记录将写入MEC服务器的日志文件中，为更精确地进行视频流媒体预取缓存，以不同码率视频片段为操作对象，将同一视频的不同码率片段均作不同视频片段处理，并关注每个视频片段的流行热度，并根据时间局部性和缓存的顺序原则将流行度分为过去流行度和将来流行度两个部分进行计算。单个视频片段
Figure GDA0002477895320000091
的流行度计算如下：
Figure GDA0002477895320000101
其中α和β分别是历史访问中过去流行度和将来流行度在流行度模型中所占的权重，且α+β＝1，α和β可以由实验结果进行动态的调整以自适应于流行度的权衡，m表示视频的编码率，v为视频的类型，i是v视频第i个片段，
Figure GDA0002477895320000102
为视频片段
Figure GDA0002477895320000103
的大小，τ为时间片。
此外，为了充分利用缓存资源，通过计算单位比特的流行度来提高缓存策略的收益。引入视频片段
Figure GDA0002477895320000104
的大小
Figure GDA0002477895320000105
对进行单位存储流行度的量化。
(2)确定多小区移动性粒度划分。如图3所示，单个宏基站内不同微基站的小区覆盖范围不同，且存在多小区相互重叠和单服务器独占小区的场景。为了统一用户移动过程中切换区域的表示，对每个Overlap区域和服务器独占区间进行细粒度划分统称为Cell区块。
不同区块的集合用Cblock＝{1i,2i,…,bi,…,Bi}表示，i为该区块重叠的小区数量，特别地当i＝0时表示小区无重叠。并将用户在Cell区块间的一次移动过程称为一跳。其中用户的轨迹可以分为在服务器独占区和小区重叠区间的移动，边缘环境中在不同时间片具有随机移动性的用户可以在Cell区块间频繁移动，且保持连续请求。
(3)预取优先度模型。用户的移动行为被分为移动和逗留这两部分。用户在每个时间片初始时决定进行移动或者逗留，每次移动或逗留的时间是时间片长度的整数倍。令M(k,t)和N(k,t)分别代表移动部分和逗留部分的行为。假设用户在t时间片停留在Cell区块k，用户的移动模式可表示为：P(k,t)＝{N(k,t)|1≤k≤K,t∈T}+{M(k,t)|1≤k≤K,t∈T}其中k代表不同的Cell区块，K为Cell区块的总数，M(k,t)和N(k,t)用于描述在t时间片用户所处的Cell区块位置。用户到达目标区域的概率Pu(τ)计算如下：
Figure GDA0002477895320000111
其中，in表示进入目标区域的人员，t(τ)表示从时间片0到τ内用户在当前Cell区块观测区域的总时间，tu,in(τ)是用户u从时间片0到τ内停留在目标Cell区块所花费的总时间。w(τ)是用户u在目标Cell区块与用户在当前Cell区块时间消耗的比率。
步骤3：根据预取和缓存的适应度建立收益模型、拥塞成本模型和效益函数模型。
(1)收益模型。在移动边缘环境中，时延的收益只能是缓存或者预取其中的一种。l1,l2为二元变量，表示具体通过预取或缓存获得收益的情况，则总时延收益tprofit计算如下：
tprofit＝l1·tprefetc+l2·tcache
l1+l2＝1，l1∈(0，1)，l2∈(0，1)
视频片段的收益和该视频的适应度函数有关，适应度越高的视频在将来被访问的概率也越高，整体收益也越好。在时延收益tprofit的基础上，视频片段
Figure GDA0002477895320000112
的总收益计算如下：
Figure GDA0002477895320000113
其中，
Figure GDA0002477895320000114
是预取和缓存的适应度函数，tprofit为预取或者缓存策略的总时延收益。
Figure GDA0002477895320000115
为用户的访问频率，
Figure GDA0002477895320000116
是MEC服务器中该视频的更新频率，视频访问频率与更新频率的比率越高，意味着该视频片段在缓存中存储的时间越长且被访问的频率越高。m表示视频的编码率，v为视频的类型，i是v视频第i个片段，u为移动的用户唯一标识。
(2)拥塞成本模型。拥塞成本可以根据服务器的计算、存储和带宽等资源分配状态来动态调整数据存储的拥塞价格，从而充分利用缓存空间。为了确定拥塞成本对缓存需求和剩余缓存之间的适应度，通过ω(τ)表示拥塞成本的更新参数，这取决于当前时间片MEC服务器的资源富余程度和用户兴趣转移率，则ω(τ)计算如下：
Figure GDA0002477895320000121
其中，resource(τ)表示在τ时间片目标MEC服务器(用户访问的服务器)资源的使用率，
Figure GDA0002477895320000122
是用户的兴趣转移率。若
Figure GDA0002477895320000123
为正值，服务器的资源使用率越低，兴趣转移率越高时适应度函数和拥塞成本将降低。反之，若
Figure GDA0002477895320000124
为负时表示
Figure GDA0002477895320000125
的流行趋势逐渐下降，此时
Figure GDA0002477895320000126
的值和资源使用率越高则表示缓存收益越小，拥塞成本将上升。此外，为了降低目标MEC缓存大小对成本的影响，视频片段
Figure GDA0002477895320000127
的单位比特率的拥塞成本计算如下：
Figure GDA0002477895320000128
其中，req(τ)是当前目标MEC服务器小区范围内收到的所有请求缓存的视频片段大小之和。Cache是缓存容量大小，
Figure GDA0002477895320000129
为视频片段
Figure GDA00024778953200001210
的大小，
Figure GDA00024778953200001211
是上一时间片的拥塞成本，通过适应度函数ω(τ)在每个时间片初始化时对拥塞成本进行更新；n表示视频请求的类型。
(3)效益函数模型。为了解决在有限的缓存空间中存储最有价值的数据，构造效益函数以权衡缓存空间和存储视频数据的效益。不同视频片段的效益值相互独立，且为该视频片段收益和拥塞成本的差值，则视频段
Figure GDA0002477895320000131
的单位比特的效益值
Figure GDA0002477895320000132
计算如下：
Figure GDA0002477895320000133
Lp+Lc＝1
其中μP(τ)和μc(τ)分别是视频
Figure GDA0002477895320000134
从初始时间片到τ时间片的效益和拥塞成本的均值，而σP(τ)和σc(τ)则分别是相应的标准差，通过Z-Score的归一化处理消除效益和成本的量纲。此外Lp和Lc分别是利润和成本之间的不同权衡，它们由目标MEC服务器进行动态调整。当前时间片lp值越高意味着此时空余资源充足服务器将更加关注用户体验，缓存的单位存储QoE收益越多，用户访问请求数据的概率就越大。若Lc的价值越大，表示当前时间片资源富余不足需要偏向拥塞成本节约型策略。
步骤4：在效益函数模型的基础上构建缓存候选队列。
在每个时间片初始时MEC服务器对当前小区范围内所有不在缓存中的视频请求进行效益计算，并将QoE效益值大于存储阈值k(k>0)的视频片段列入缓存的候选队列中。若缓存未满，则在视频缓存请求的候选队列中按照
Figure GDA0002477895320000135
对视频的效益值进行排序，在存储满之前将视频放入缓存。若缓存已满，服务器将检查比较候选队列中视频的最大效益值和缓存中视频的最小效益值，如果候选队列视频的效益值大于末位缓存效益值则发生替换策略，直到末位缓存的效益值不小于候选队列中的最大值。
步骤5：根据建立的流行度模型、预取优先度模型、收益模型、拥塞成本模型和效益函数模型与MEC服务器收集的动态行为信息，对缓存的放置和替换做出动态决策，得到最优的分配结果。最大化缓存命中率的具体实施过程包含以下子步骤：
(1)构建用户的Zipf请求模型。在小区内用户的请求行为具有相应的局部性，并符合Zipf分布的规律即一个视频片段被请求的频率与它被请求频率的排名成反比。其中排名越高的视频被访问的概率就越高，排名从高到低呈现指数衰减规律，在频率表中排名第n的文件被请求概率计算如下：
Figure GDA0002477895320000141
α∈(0,1)
其中，F为所有视频不同码率的全部片段总和，α是相应的Zipf分布参数。表示视频文件被请求的概率随着频率排名下降速度的快慢，α的取值越小意味着访问的视频越分散，请求行为的局部性越不显著。其次，用户请求的平均间隔符合Poisson分布，泊松分布的均值λ设置为2.3s。
(2)将用户的Zipf请求数据分配给移动轨迹数据集。在Hadoop集群上通过MapReduce将Zipf请求数据和T-Drive Taxi轨迹数据集进行匹配。在Map过程中，从数据集中读取轨迹并按空间离散化。然后视频访问路径被分配给来自Zipf的请求数据，并且将带有服务访问路径的时间离散化。此外，根据时间片、视频内容和位置对请求进行划分。最后在Reduce过程中计算相同视频片段
Figure GDA0002477895320000151
的请求数，并输出相应的工作负载跟踪。通过这种方式可以确定每个请求发出时的时间和地点，即获得在一天内视频请求与运动轨迹相结合的数据。
(3)建立缓存命中率模型，通过分析缓存总效益值与缓存命中率的关系对命中率模型进行量化，在时间片τ内缓存的总效益值计算如下：
Figure GDA0002477895320000152
其中，
Figure GDA0002477895320000153
表示视频片段
Figure GDA0002477895320000154
在τ时间片的收益值，
Figure GDA0002477895320000155
表示在τ时间片内视频段
Figure GDA0002477895320000156
是否存储在目标服务器缓存中，通过对效益值进行累加得到缓存总QoE效益值。n表示视频请求的类型，i是视频第i个片段，m表示视频的编码率，N为该区域视频请求的总数，I为该区域视频片段的总数,M为该区域视频码率的总数，其中，N、I和M由具体环境中的数据来确定。此外，缓存中的总QoE效益值Qbv(τ)和缓存命中率存在相应的函数关系。缓存命中率会随着效益值的增长波动上升，而增长趋势随着缓存满后逐渐降低，缓存近似命中率的表达式计算如下：
MAxChr(τ)＝η·logz[1+δ·Qbv(τ)ζ]
其中，η、z、δ和ζ是与总QoE效益值和缓存命中率有关的拟合参数。可以通过最大化缓存命中率寻求最佳的缓存放置与替换方法。
(4)在命中率模型的基础上初始化边缘环境。对边缘环境中目标MEC的缓存放置集E和不同参数进行初始化，保证在时间片τ＝0时服务处于初始状态。接着，每经过一个时间片进行一次决策处理，计算出在边缘环境中所有视频片段的效益值
Figure GDA0002477895320000161
(5)通过候选队列和效益值
Figure GDA0002477895320000162
进行缓存决策。通过递归和迭代选取高效益值的视频片段放入缓存预取的候选队列L。然后为候选队列中的视频片段根据效益值进行排序。并按照效益值从高到低查看是否在候选队列，若是则放入缓存中。最后，结束迭代过程，输出视频缓存状态集E，得到每个时间片的缓存状态。
步骤6：将边缘缓存的最新存储状态信息反馈到移动边缘计算系统和调度器。
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)

1.一种基于多小区用户移动性的流媒体缓存分配方法，其特征在于该方法包括以下步骤：
(1)在每个时间片初始化时，通过缓存分配装置收集边缘服务器的资源状态信息和智能终端的动态行为信息；所述动态行为信息包括智能终端的移动轨迹和发出流媒体请求的偏好；
(2)从视频的依赖关系和时间局部性原理出发构建流行度模型、确定多小区移动性粒度划分并构建预取优先度模型；
所述的流行度模型，单个流媒体视频片段
Figure FDA0002477895310000011
的流行度计算如下：
Figure FDA0002477895310000012
其中，流行度
Figure FDA0002477895310000013
由过去流行度
Figure FDA0002477895310000014
和将来流行度
Figure FDA0002477895310000015
两部分加权组成，α和β分别是历史访问中过去流行度和将来流行度在流行度模型中所占的权重，且α+β＝1，α和β可以由实验结果进行动态的调整以自适应于流行度的权衡，m表示视频的编码率，v为视频的类型，i为v视频第i个片段，
Figure FDA0002477895310000016
为视频片段
Figure FDA0002477895310000017
的大小，τ为时间片；
所述的多小区移动性粒度划分，通过对每个Overlap区域和服务器独占区间进行细粒度划分归类为Cell区块，从而统一用户移动过程中切换区域的表示；
所述的预取优先度模型，用户到达目标区域的概率Pu(τ)计算方式如下：
Figure FDA0002477895310000018
其中，in表示进入目标区域的人员，t(τ)表示从时间片0到τ内用户在当前Cell区块观测区域的总时间，tu,in(τ)是用户u从时间片0到τ内停留在目标Cell区块所花费的总时间，w(τ)是用户u在目标Cell区块与用户在当前Cell区块时间消耗的比率；
(3)根据预取和缓存的适应度建立收益模型、拥塞成本模型和效益函数模型；
所述的收益模型，对于视频片段
Figure FDA0002477895310000021
的总收益计算如下：
Figure FDA0002477895310000022
其中，
Figure FDA0002477895310000023
是预取和缓存的适应度函数，tprofit为预取或者缓存策略的总时延收益，
Figure FDA0002477895310000024
为用户的访问频率，
Figure FDA0002477895310000025
是MEC服务器中该视频的更新频率；m表示视频的编码率，v为视频的类型，i为v视频第i个片段，u为移动的用户唯一标识；
所述的拥塞成本模型，对于视频片段
Figure FDA0002477895310000026
的单位比特率的拥塞成本计算如下：
Figure FDA0002477895310000027
其中，req(τ)是当前目标MEC服务器小区范围内收到的所有请求缓存的视频片段大小之和，Cache是缓存容量大小，
Figure FDA0002477895310000028
为视频片段
Figure FDA0002477895310000029
的大小，
Figure FDA00024778953100000210
是上一时间片的拥塞成本，通过适应度函数ω(τ)在每个时间片初始化时对拥塞成本进行更新；n表示视频请求的类型；
所述的效益函数模型，对于视频片段
Figure FDA00024778953100000211
的单位比特率的效益值
Figure FDA00024778953100000212
计算如下：
Figure FDA0002477895310000031
Lp+Lc＝1
其中，μP(τ)和μc(τ)分别是视频
Figure FDA0002477895310000032
从初始时间片到τ时间片的效益和拥塞成本的均值，而σP(τ)和σc(τ)则分别是相应的标准差，通过Z-Score的归一化处理消除效益和成本的量纲；
(4)在效益函数模型的基础上构建缓存候选队列；所述的缓存候选队列，在每个时间片初始时MEC服务器对当前小区范围内所有不在缓存中的视频请求进行效益计算，根据缓存容量和用户请求视频
Figure FDA0002477895310000033
的效益值
Figure FDA0002477895310000034
对候选队列中的视频状态进行动态调节；
(5)根据建立的缓存系统模型和MEC服务器收集的动态行为信息，对缓存的放置和替换做出动态决策，得到最优的分配结果；上述缓存系统模型包括流行度模型、预取优先度模型、收益模型、拥塞成本模型和效益函数模型；具体实现包含以下步骤：
步骤5.1，构建用户的Zipf请求模型，具体构建公式如下：
Figure FDA0002477895310000035
α∈(0,1)
其中，Pn为在频率表中排名第n的文件被请求概率，F为所有视频不同码率的全部片段总和，α是相应的Zipf分布参数，表示视频文件被请求的概率随着频率排名下降速度的快慢，α的取值越小意味着访问的视频越分散，请求行为的局部性越不显著；
步骤5.2，将用户的Zipf请求数据分配给移动轨迹数据集，在Hadoop集群上通过MapReduce将Zipf请求数据和T-Drive Taxi轨迹数据集进行匹配；
步骤5.3，建立缓存命中率模型，通过分析缓存总效益值与缓存命中率的关系对命中率模型进行量化，在时间片τ内缓存的总效益值计算如下：
Figure FDA0002477895310000041
其中，
Figure FDA0002477895310000042
表示视频片段
Figure FDA0002477895310000043
在τ时间片的收益值，
Figure FDA0002477895310000044
表示在τ时间片内视频段
Figure FDA0002477895310000045
是否存储在目标服务器缓存中，通过对效益值进行累加得到缓存总QoE效益值；n表示视频请求的类型，i为n视频第i个片段，m表示视频的编码率，N为该区域视频请求的总数，I为该区域视频片段的总数，M为该区域视频码率的总数，其中，N、I和M由具体环境中的数据来确定；
缓存近似命中率的表达式计算如下：
MAX Chr(τ)＝η·logz[1+δ·Qbv(τ)ζ]
其中，η、z、δ和ζ是与总QoE效益值和缓存命中率有关的拟合参数；
步骤5.4，在命中率模型的基础上初始化边缘环境，对移动边缘计算环境进行初始化，启动缓存分配装置进行环境和资源状态的监测，并对流行度，移动性和效益函数的参数进行量化；
步骤5.5，通过候选队列和效益值
Figure FDA0002477895310000046
进行缓存决策，通过缓存分配装置收集的信息和缓存系统模型构建视频缓存的候选队列，并根据候选队列和效益值
Figure FDA0002477895310000047
对缓存状态进行动态调整；
步骤5.6，结束；
(6)将边缘缓存的最新存储状态信息反馈到移动边缘计算系统和调度器。
CN201910330993.1A 2019-04-23 2019-04-23 一种基于多小区用户移动性的流媒体缓存分配方法 Active CN110213627B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910330993.1A CN110213627B (zh) 2019-04-23 2019-04-23 一种基于多小区用户移动性的流媒体缓存分配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910330993.1A CN110213627B (zh) 2019-04-23 2019-04-23 一种基于多小区用户移动性的流媒体缓存分配方法

Publications (2)

Publication Number Publication Date
CN110213627A CN110213627A (zh) 2019-09-06
CN110213627B true CN110213627B (zh) 2020-09-01

Family

ID=67786308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910330993.1A Active CN110213627B (zh) 2019-04-23 2019-04-23 一种基于多小区用户移动性的流媒体缓存分配方法

Country Status (1)

Country Link
CN (1) CN110213627B (zh)

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110572699A (zh) * 2019-10-09 2019-12-13 北京邮电大学 一种基于多小区簇的网络辅助视频流媒体传输优化方法
CN111225023B (zh) * 2019-11-19 2022-02-25 中国联合网络通信集团有限公司 一种缓存方法及装置
CN112911344B (zh) * 2019-11-19 2024-05-24 中兴通讯股份有限公司 一种发送方法、存储介质和电子装置
CN111163364B (zh) * 2019-12-31 2021-10-29 北方工业大学 视频播放网站对发往基站的信号码率实施均衡控制的方法
CN111459657B (zh) * 2020-03-09 2023-03-31 重庆邮电大学 一种基于边缘协助的数据质量感知的任务分配方法
CN111431941B (zh) * 2020-05-13 2021-08-27 南京工业大学 一种基于移动边缘计算的实时视频码率自适应方法
CN112423027B (zh) * 2020-10-22 2021-10-22 武汉理工大学 一种基于差分隐私的移动流媒体边缘协作分发装置及方法
CN112423125A (zh) * 2020-11-20 2021-02-26 上海哔哩哔哩科技有限公司 视频加载方法及装置
CN112437156B (zh) * 2020-11-23 2022-01-14 兰州理工大学 一种基于mec-d2d的分布式协同缓存方法
CN112749010B (zh) * 2020-12-31 2024-03-12 中南大学 融合推荐系统的边缘计算任务分配方法
CN112822727B (zh) * 2021-01-29 2022-07-01 重庆邮电大学 一种基于移动性和流行度感知的自适应边缘内容缓存方法
CN113225584B (zh) * 2021-03-24 2022-02-22 西安交通大学 一种基于编码和缓存的跨层联合的视频传输方法、系统
CN113297152B (zh) * 2021-05-11 2022-11-11 国网河南省电力公司信息通信公司 一种电力物联网边缘服务器缓存更新的方法及装置
CN113722531A (zh) * 2021-09-08 2021-11-30 北京奇艺世纪科技有限公司 一种数据存储方法、装置、系统、设备及存储介质
CN115002138B (zh) * 2022-03-04 2023-07-04 昆明理工大学 一种基于终端无人机巡航视频数据的边缘缓存方法
CN114980212B (zh) * 2022-04-29 2023-11-21 中移互联网有限公司 边缘缓存方法、装置、电子设备及可读存储介质
CN115051996B (zh) * 2022-06-16 2023-07-11 桂林电子科技大学 一种多接入边缘计算下基于本地视频效用值的视频缓存管理方法
CN115866051A (zh) * 2022-11-15 2023-03-28 重庆邮电大学 一种基于内容流行度的边缘缓存方法
CN116805923B (zh) * 2023-08-25 2023-11-10 淳安华数数字电视有限公司 基于边缘计算的宽带通信方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107889160A (zh) * 2017-11-15 2018-04-06 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
CN107911711A (zh) * 2017-10-24 2018-04-13 北京邮电大学 一种考虑分区的边缘缓存替换改进方法
CN108521436A (zh) * 2018-02-01 2018-09-11 上海交通大学 基于终端计算存储的移动虚拟现实传输方法及系统
CN108712659A (zh) * 2018-05-15 2018-10-26 山东师范大学 一种基于用户驱动的耦合式视频分发方法及系统
CN108833468A (zh) * 2018-04-27 2018-11-16 广州西麦科技股份有限公司 基于移动边缘计算的视频处理方法、装置、设备及介质

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7143170B2 (en) * 2003-04-30 2006-11-28 Akamai Technologies, Inc. Automatic migration of data via a distributed computer network
CN102075562B (zh) * 2010-12-03 2014-08-20 华为技术有限公司 协作缓存的方法和装置
US9774636B2 (en) * 2012-07-24 2017-09-26 Cisco Technology, Inc. Utilize extra web semantic for video caching
US20140118541A1 (en) * 2012-10-26 2014-05-01 Sensormatic Electronics, LLC Transcoding mixing and distribution system and method for a video security system
CN107995651A (zh) * 2016-10-27 2018-05-04 中国电信股份有限公司 用于获取基站负载信息的方法、虚拟基站和mec服务器
CN108076488B (zh) * 2016-11-14 2021-01-05 华为技术有限公司 用于小区切换的方法、装置和系统
US10062414B1 (en) * 2017-08-22 2018-08-28 Futurewei Technologies, Inc. Determining a future field of view (FOV) for a particular user viewing a 360 degree video stream in a network
CN109660819A (zh) * 2017-10-10 2019-04-19 中国移动通信有限公司研究院 基于移动边缘计算的业务缓存方法、装置及服务基站
CN107909108B (zh) * 2017-11-15 2021-06-11 东南大学 基于内容流行度预测的边缘缓存系统及其方法
CN108616816B (zh) * 2018-05-07 2020-07-03 重庆邮电大学 一种基于极限学习的车辆轨迹预测和mec应用迁移方法
CN109274527B (zh) * 2018-08-31 2021-11-26 南京邮电大学 一种用于支持mec的scn蜂窝网的缓存优化方法
CN109218747B (zh) * 2018-09-21 2020-05-26 北京邮电大学 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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107911711A (zh) * 2017-10-24 2018-04-13 北京邮电大学 一种考虑分区的边缘缓存替换改进方法
CN107889160A (zh) * 2017-11-15 2018-04-06 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
CN108521436A (zh) * 2018-02-01 2018-09-11 上海交通大学 基于终端计算存储的移动虚拟现实传输方法及系统
CN108833468A (zh) * 2018-04-27 2018-11-16 广州西麦科技股份有限公司 基于移动边缘计算的视频处理方法、装置、设备及介质
CN108712659A (zh) * 2018-05-15 2018-10-26 山东师范大学 一种基于用户驱动的耦合式视频分发方法及系统

Also Published As

Publication number Publication date
CN110213627A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
CN110213627B (zh) 一种基于多小区用户移动性的流媒体缓存分配方法
Safavat et al. Recent advances in mobile edge computing and content caching
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
CN111031102A (zh) 一种多用户、多任务的移动边缘计算系统中可缓存的任务迁移方法
CN111107566B (zh) 一种电力物联网场景中基于协同内容缓存的卸载方法
CN110933139A (zh) 一种解决Web服务器高并发的系统及方法
CN106791887B (zh) 无线网络中视频的分布式缓存和传输优化方法
Li et al. Method of resource estimation based on QoS in edge computing
CN109831796B (zh) 无线网络虚拟化中的资源分配方法
US8874095B2 (en) Techniques for improving cache effectiveness of caches with low user population
CN115884094B (zh) 一种基于边缘计算的多场景协作优化缓存方法
Zheng et al. 5G network-oriented hierarchical distributed cloud computing system resource optimization scheduling and allocation
Hajiakhondi-Meybodi et al. Cache replacement schemes based on adaptive time window for video on demand services in femtocell networks
Li et al. DQN-enabled content caching and quantum ant colony-based computation offloading in MEC
Zhao et al. Queue-based and learning-based dynamic resources allocation for virtual streaming media server cluster of multi-version VoD system
Sai et al. Cooperative and efficient content caching and distribution mechanism in 5G network
Liu et al. Mobility-aware video prefetch caching and replacement strategies in mobile-edge computing networks
Peng et al. Value‐aware cache replacement in edge networks for Internet of Things
Ma et al. APRank: Joint mobility and preference-based mobile video prefetching
Xie et al. Caching resource sharing in radio access networks: a game theoretic approach
Zhu et al. Multi-bitrate video caching for D2D-enabled cellular networks
Li et al. Collaborative optimization of edge-cloud computation offloading in internet of vehicles
Abuhadra et al. Proactive in-network caching for mobile on-demand video streaming
CN117202265A (zh) 边缘环境下基于dqn的服务迁移方法
CN112911614A (zh) 基于动态请求d2d网络中的协作编码缓存方法

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
GR01 Patent grant
GR01 Patent grant