CN110913239A

CN110913239A - 一种精细化的移动边缘计算的视频缓存更新方法

Info

Publication number: CN110913239A
Application number: CN201911102228.0A
Authority: CN
Inventors: 贺丽君; 黄鑫宇; 陈兴; 黄志伟; 胡士博; 徐上; 李清周; 刘贵忠; 李凡
Original assignee: Xian Jiaotong University
Current assignee: Xian Jiaotong University
Priority date: 2019-11-12
Filing date: 2019-11-12
Publication date: 2020-03-24
Anticipated expiration: 2039-11-12
Also published as: CN110913239B

Abstract

本发明公开了一种精细化的移动边缘计算的视频缓存更新方法，包括以下步骤：对缓存区Δ₁进行缓存更新的策略为：每隔长周期

更新一次，并缓存新的长周期

内流行度前20％视频的前15％的segment；在每次缓存调度短周期γ内，结合用户的播放状态及MEC服务器之间的协同合作，计算缓存效用函数，得最大化所有用户的缓存效用函数之和的缓存策略，然后利用所有用户的缓存效用函数之和的缓存策略对缓存区Δ₂和Δ₃进行缓存更新；根据整体删除优先级的高低，依次删除存储的segment，其中，所删除的segment不包括正在传输的segment，直到缓存空间大小能够存放即将下载的segment为止，该方法能够有效提高多MEC服务器场景下用户的整体性能。

Description

一种精细化的移动边缘计算的视频缓存更新方法

技术领域

本发明属于无线通信技术领域，涉及一种精细化的移动边缘计算的视频缓存更新方法。

背景技术

近些年来，移动数据流量的指数式增加和快速增长的智能终端设备对移动网络的架构和承载能力提出了越来越高的要求，思科公司预测截至2020年底，全球移动数据流量增长了71％，其中视频移动流量占据移动数据总流量的59％。移动内容的分发，特别是具有4K分辨率的超高清(UHD)视频，已成为为5G网络发展背景下的突出场景。移动边缘计算(MEC)作为第五代移动通信系统的一项关键技术，通过在移动网络边缘部署具有强大的计算、存储、处理功能的MEC服务器，来分担移动核心网络的压力。

由于MEC更靠近用户节点并具有强大的存储功能，可以实时地获取用户信息(用户需求、网络状态、播放状态等)。通过将多媒体视频内容预缓存到网络边缘服务器上，方便终端用户就近获取，可以避免视频内容从远端服务器的重复传输，从而缓解网络压力，节省带宽资源，实现更快的服务响应，改善用户的体验。

目前关于MEC缓存优化还存在着诸多问题。现存算法往往仅从视频流行度出发，忽略了视频内容和用户端的播放状态等对用户体验影响的关键因素，对用户体验水平提升有限。因此，综合考虑用户端的反馈信息，研究多MEC协作系统内的用户QoE驱动的MEC缓存优化和更新策略对提升用户体验至关重要。

发明内容

本发明的目的在于克服上述现有技术的缺点，提供了一种精细化的移动边缘计算的视频缓存更新方法，该方法能够有效提高多MEC服务器场景下用户的整体性能。

为达到上述目的，本发明所述的精细化的移动边缘计算的视频缓存更新方法包括以下步骤：

1)根据segment的流行度及内容特征对MEC服务器的缓存区域进行划分，得缓存区Δ₁、缓存区Δ₂及缓存区Δ₃；

2)根据视频的流行度，对缓存区Δ₁进行缓存更新，其中，对缓存区Δ₁进行缓存更新的策略为：每隔长周期

更新一次，并缓存新的长周期

内流行度前20％视频的前15％的segment；

对缓存区Δ₂和Δ₃进行缓存更新，其中，对缓存区Δ₂和Δ₃进行缓存更新的策略为：在每次缓存调度短周期γ内，结合用户的播放状态及MEC服务器之间的协同合作，计算缓存效用函数，得最大化所有用户的缓存效用函数之和的缓存策略，然后利用所有用户的缓存效用函数之和的缓存策略对缓存区Δ₂和Δ₃进行缓存更新；

3)对缓存区Δ₂和Δ₃进行删除，其中，对缓存区Δ₂和Δ₃进行删除的策略为：在每个缓存调度短周期γ内，根据segment请求次数及用户传输能力，计算segment的整体删除优先级，根据整体删除优先级的高低，依次删除存储的segment，其中，所删除的segment不包括正在传输的segment，直到缓存空间大小能够存放即将下载的segment为止；

4)重复步骤2)至步骤3)进行下一个长调度周期

的缓存更新，直到用户的视频请求停止为止。

将MEC缓存区域划分为缓存区Δ₁、缓存区Δ₂及缓存区Δ₃的具体过程为；

流行视频的整个视频前15％的segment组成缓存区Δ₁；

流行视频的整个视频后85％的部分segment组成缓存区Δ₂；

非流行视频的整个视频的部分segment组成缓存区Δ₃。

根据用户剩余缓冲时间

传输能力

及segment文件大小

得缓存调度短周期γ下，用户的缓存优先级

为：

MEC服务器之间在不超过其传输能力的前提下能够协同合作分享并缓存segment，可表示为：

其中，CP_q,p为MEC服务器之间的传输能力，u·TTI为缓存周期大小。

根据segment的请求次数

及传输能力

与码率

的匹配关系，得缓存调度短周期γ下，本地MEC服务器q对应segment的不同版本删除优先级

为：

其中，ξ为大于0的常数和α>0为常数，

利用前一个时段的删除优先级

对当前时段的删除优先级进行更新，得整体删除优先级

为：

其中，λ为大于0的常数。

在新的周期

开始时，缓存区Δ₁改变的缓存空间大小

为：

缓存区Δ₂和缓存区Δ₃的缓存空间大小

利用

进行更新，更新过程可表示为：

以保证在每个缓存调度短周期γ内，在不超过链路带宽的条件下，尽可能为更多高优先级的用户缓存segment为优化目标，设定缓存效用函数为：

构建效用函数优化的问题为：

利用分支定界法求解所述效用函数优化的问题，得最优解，然后根据所述最优解确定最优的缓存更新策略。

本发明具有以下有益效果：

本发明所述的精细化的移动边缘计算的视频缓存更新方法在具体操作时，根据视频segment的流行度及内容特性将MEC服务器的缓存区域划分为缓存区Δ₁及缓存区Δ₂和缓存区Δ₃，针对不同的缓存区域制定相应的segment删除策略和缓存策略，其中，对于缓存区Δ₁，每隔长周期

更新一次，并缓存新的周期内流行度前20％视频的前e_f个segment；对于缓存区Δ₂和Δ₃，在每次缓存调度短周期γ内，结合用户的播放状态和MEC之间的协同合作，计算缓存效用函数，得最大化所有用户的缓存效用函数之和的缓存策略，同时对缓存区Δ₂和Δ₃实时删除策略，具体为：在每个缓存更新短周期γ内，根据segment请求次数和用户传输能力，计算segment的整体删除优先级，根据删除优先级的高低，依次删除存储的segment，直到缓存空间大小足以存放即将下载的segment为止。本发明综合考虑了用户播放状态、传输状态、segment流行度及内容特性等因素，在缓存空间有限的情况下，可以有效地提高多MEC服务器场景下用户的整体性能。

附图说明

图1为本发明的流程示意图；

图2为五种算法对应的用户吞吐量对比图(MEC服务器1)；

图3为五种算法对应的用户吞吐量对比图(MEC服务器2)；

图4为五种算法对应的用户吞吐量对比图(MEC服务器3)；

图5为五种算法对应的平均吞吐量对比图；

图6为五种算法对应的用户回程流量对比图(MEC服务器1)；

图7为五种算法对应的用户回程流量对比图(MEC服务器2)；

图8为五种算法对应的用户回程流量对比图(MEC服务器3)；

图9为五种算法对应的平均回程流量对比图；

图10为五种算法对应的平均播放卡顿时间对比图；

图11为五种算法对应的segment命中率的对比图。

具体实施方式

下面结合附图对本发明做进一步详细描述：

假设部署Q个MEC服务器，MEC服务器集合

每个MEC服务器的服务区域

由1个MEC和多个eNodeB组成，服务的用户个数为K_q，第q个MEC对应的eNodeB集合为：

则第h_q个eNodeB的用户集合为

其中，

多个eNodeB通过有线连接到MEC服务器上请求视频。

令

表示F个视频文件的集合，视频文件

对于用户来说，请求视频f的概率Req_k,f为：

其中，V＝{v₁,...,v_f,...,v_F}为F个视频的流行度排名，β为Zipf分布的参数，P_k,f为用户k对视频f的偏好概率，对用户k请求视频f的概率进行归一化处理，得

对于用户多次请求视频的情况，视频请求函数g_k,f服从

的概率分布，g_k,f表示用户是否请求视频f，若请求则为1，否则为0。

本发明以最大化所有用户的效用函数之和为优化目标，在缓存区容量与传输带宽受限的条件下，对应的效用函数优化的问题为：

本发明所述的精细化的移动边缘计算的视频缓存更新方法包括以下步骤：

更新一次，并缓存新的长周期

内流行度前20％视频的前15％的segment；

4)重复步骤2)至步骤3)进行下一个长调度周期

的缓存更新，直到用户的视频请求停止为止。

下面参考图1进行详细的说明：

步骤11)：将MEC缓存区域划分为缓存区Δ₁、缓存区Δ₂及缓存区Δ₃的具体过程为；

流行视频的整个视频前15％的segment组成缓存区Δ₁；

流行视频的整个视频后85％的部分segment组成缓存区Δ₂；

非流行视频的整个视频的部分segment组成缓存区Δ₃。

其中，高流行度缓存区Δ₁，占用的空间大小为SH_q；缓存区Δ₁对应的剩余视频的部分segment组成的缓存区Δ₂，其他视频的部分segment组成的缓存区Δ₃，缓存区Δ₂及缓存区Δ₃的总大小为SC_q。

步骤12)：对于缓存区Δ₁，由于用户观看视频的前15％内容的概率较高，视频的前e_f个segment对用户的播放较为重要，因此在较短的更新周期内保持不变，但会每隔较长的周期

对区域内的视频更新一次，放入每段时间后新流行度下对应前20％视频的前15％的最高流行度版本的segment。

步骤13)：由于MEC服务器与远端服务器的传输带宽有限，在每个缓存周期内，无法保证所有用户请求的segment都被缓存，因此需要考虑用户缓存优先级，由于用户的剩余缓冲时间一般较低，对于那些请求新的segment的用户，为了更好地区分用户播放状态的紧急程度，采用分段指数函数来表示用户请求第i个segment的l版本优先级，得缓存调度短周期γ下，用户的缓存优先级

为：

其中，

表示在时间段_γ结束时，用户接收第i-1个segment的l版本时用户端的剩余缓冲时间，

μ_k为用户k缓冲区完全接收的即将播放的帧数， FR表示视频的帧率，若用户的剩余播放时间大于请求的下一个segment的传输时间，表示用户k为不紧急用户，将用户优先级置位0；

为常数，用户的优先级作为MEC是否优先缓存该segment的一个重要影响因素，MEC优先给高优先级的用户缓存segment。

若用户k请求的segment不在周边相连的MEC服务器，则需要向远端源服务器请求segment信息，由于用户与远端源服务器的距离较远，因此用户k的优先级需要提升，若用户k请求的segment在周边相连的MEC服务器，则用户优先级不变，用户优先级效用函数定义为：

在每次缓存调度周期内，尽可能给更多的高优先级用户缓存segment，即最大化所有用户的效用函数之和，形成效用函数优化的问题，具体求解最优的缓存策略τ*的方法如下：

需要解决的问题可以看作为一个关于

的0-1整数规划问题，为减少计算的复杂度，考虑将效用函数优化的问题进行变形等价转换。

首先根据限制条件(c2)将求解的范围进行缩小，对于限制条件(c2)当出现

1≤l≤L的情况时，记录这类用户集合为Ε_q，此时不需要考虑给这部分用户缓存segment，需要从

中去除Ε_q这部分用户。

然后统计当前周期内用户集合

中下一个segment，将所有的segment进行编号形成二维数组，分别为segment索引和版本，对于多个用户请求同一个segment的同一版本，提高该segment的效益，可表示为：

将是否给用户缓存某个segment转换为某个segment是否需要被缓存，将求解搜索的范围由

减小为I×L，I为

个用户需要下载的segment所组成的索引集合

的索引最大值，此时目标函数可以表示为：

由于限制条件(c4)中的

为已知常数，而k与i及segment索引一一对应，故用

和B_i,l表示，因此效用函数优化的问题可以转换为：

该效用函数优化的问题为0-1规划的标准形式，可利用分支定界法进行求解，具体求解步骤为：

a)将上述求解问题A转化为松弛问题B，自变量

求解问题B；

b)若问题B无可行解，则计算终止，此时A无解，否则转步骤c)；

c)检查问题B的最优解X^*，若刚好是0-1整数解，则输出问题A的最优解X^*，否则，则转至步骤d)；

d)在问题B的最优解X^*中，选择一个不符合0-1约束条件的

在问题B中增加约束条件：

更新最优解X^*；

e)在有最优解X^*的各分支问题中，选择目标函数值最大的问题，重新记为B，然后返回步骤c)；

步骤14)：检测缓存区Δ₂和缓存区Δ₃的剩余缓存空间是否可以缓存需要的segment；

由于缓存区Δ₂和缓存区Δ₃的大小为SC_q，当需要下载的segment超过缓存区Δ₂和缓存区Δ₃的剩余缓存空间大小，即

则需要进行删除策略，具体的删除策略为：

首先计算segment的删除优先级，对于本地MEC服务器q中的segment集合进行编号，对于需要决策删除的segment，根据segment的请求次数、传输能力与码率的匹配关系，得时间段γ下，本地MEC服务器q对应的segment的不同版本删除优先级：

其中，ζ>0和α>0为常数，

为用户k在接收第i个segment时的平均传输能力与码率的匹配关系，

可表示为：

其中，

表示用户k在接收第i个segment时的平均传输能力，

表示第i个segment的码率，仅根据一个时段内的删除优先级进行删除策略是不准确的，为表示第i个segment在时间段_γ的整体删除优先级，考虑利用前一个时段的删除优先级对当前时段的删除优先级进行更新，因此第i个segment到当前时间段γ为止的整体删除优先级

可表示为：

其中，0<λ<1为常数。

在每个缓存更新周期内，计算segment的整体删除优先级，根据删除优先级的高低，依次删除存储的segment，其中，删除的segment不包括正在传输的segment，直到缓存空间大小足以存放即将下载的segment为止。

下面给出仿真设置和实验结果分析。

仿真参数设置

在维也纳LTE-A下行链路系统级仿真平台的基础上进行修改，添加视频源服务器、MEC服务器及缓存更新算法模块，仿真平台使用MATLAB语言以面向对象方式实现，采用时间驱动的方式进行仿真，支持多基站多用户的网络拓扑、真实视频流仿真、MEC服务器仿真、用户移动模型、多种调度和资源分配策略、基站和终端用户各节点之间的多种路径损耗及QoE评估等功能。详细的仿真参数设置如表1、表2所示。实验结果中，现存的缓存更新算法为LRU、LFU、WGDSF和RBCC算法，本发明对应的算法为proposed算法。

仿真系统场景参数对照表1。

表1

视频仿真参数对照表2。

表2

测试的视频包括CIF和720P两种格式，具体的包括16个标准的CIF视频序列和720P视频序列。在所有测试的视频序列中，Highway的码率最低而Park_joy的码率最高。每一个测试的视频序列利用H.264/AVC(Advanced Video Coding)被预先编码为5个不同版本的视频segments。每个segment包含60帧，对应的时间长度为2s，因为每个视频序列包含600帧，每个视频序列的长度为20s。视频的初始流行度服从参数β＝0.6的zipf分布，视频请求的到达服从参数λ＝0.8的泊松分布，用户数设置为378，用户随机分布在6个基站的服务区域。MEC服务器1、2及3初始缓存空间大小分别为650MB、500MB和550MB。此外，实验中选择的删除优先级参数为α＝0.5,ζ＝0.8，缓存优先级参数为ω＝2，缓存更新周期参数u＝100。

实验结果和分析

第一组实验：五种算法的用户吞吐量和平均吞吐量对比，该实验主要评估各算法对应用户吞吐量在不同MEC服务器上的分布情况。实验结果如图2、图3、图4及图5所示。由图2、图3、图4及图5可以看出，本发明的用户吞吐量整体上高于其他对比算法，平均用户吞吐量随着总的MEC缓存空间的增加都保持上升趋势，并始终保持最高。可以说明本发明可以使得更多的用户的吞吐量维持在较高的水平，从而改善系统的整体性能。

第二组实验：五种算法的用户回程流量和平均回程流量对比，实验结果如图6、图7、图8和图9所示。从整体上看，与其他四种算法相比，虽然proposed算法(本发明)对应的用户回程流量存在个别用户的回程流量高于其他算法的情况，但是保证了绝大多数用户的回程流量低于其他算法。随着MEC缓存大小的增加，各算法对应的用户平均回程流量逐渐降低，但proposed算法对应的平均回程流量始终保持最低。从而证明了本发明通过将用户传输能力及播放状态考虑进来进行缓存策略，可以极大地提高系统segment的利用率，从而提高系统的整体性能。

第三组实验：五种算法的平均播放卡顿时间和segment命中率对比。实验结果如图10和图11所示。在初始阶段，proposed算法对应的用户卡顿时间最低，其次是WGDSF算法和RBCC算法，LRU算法对应的用户卡顿时间最高。随着总的MEC缓存大小的增加，各算法对应的用户平均卡顿时间逐渐减小，而segment命中率逐渐提高，这是因为MEC缓存大小的增加使得MEC有更大的空间去缓存更多版本的segment，基站可以从MEC服务器中下载更加合适版本的segment提供给用户，进而降低用户的卡顿时间，提升segment命中率，从而证明了本发明对于segment进行实时的精细化更新，可以大大的提高系统资源的利用率，从而提高系统的整体性能。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。