CN111107639B - 用于视频数据处理的资源分配方法及电子设备 - Google Patents
用于视频数据处理的资源分配方法及电子设备 Download PDFInfo
- Publication number
- CN111107639B CN111107639B CN201911206713.2A CN201911206713A CN111107639B CN 111107639 B CN111107639 B CN 111107639B CN 201911206713 A CN201911206713 A CN 201911206713A CN 111107639 B CN111107639 B CN 111107639B
- Authority
- CN
- China
- Prior art keywords
- video data
- target video
- user terminal
- constraint
- representing
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及通信技术领域,具体涉及用于视频数据处理的资源分配方法及电子设备,其中方法包括在每个优化周期获取多个目标视频数据;所述每个优化周期划分为多个连续的时间段;获取每个目标视频数据的参数;目标视频数据的参数包括长度以及网络数据流量;基于每个目标视频数据的参数,确定是否存储各个目标视频数据;根据每个优化周期内多个目标视频数据的存储结果,确定各个用户终端在每个时间段内对应的卸载决策、频谱资源以及计算资源的分配。在每个优化周期进行是否存储各个目标视频数据的确定,将所确定的存储结果作为在优化周期内的每个时间段确定卸载决策、频谱资源以及计算资源分配的输入,以保证资源分配与存储决策的同时联合优化。
Description
技术领域
本发明涉通信技术领域,具体涉及用于视频数据处理的资源分配方法及电子设备。
背景技术
因为用户对于视频服务需求的迅猛增长,视频数据传输被认为是下一代移动通信网络的一项重要服务。视频数据的传输通常需要占据大量无线电频谱资源,出于经济和实用角度的考虑,高效的无线传输是优质视频服务的基础。异构网络是下一代无线通信网络的重要特征和关键技术之一,它通过小蜂窝与宏蜂窝之间的重叠覆盖以及小蜂窝的密集部署,可以提高频谱利用率,从而实现网络容量的大幅度提高。
视频数据具有一个重要特征,即可重复利用性。为缓解回程链路负载,节约成本,受用户欢迎的视频内容应该存储于无线接入网内,供其它用户在未来时间里重复利用这些视频数据,这就对无线通信网的存储能力提出了一定要求。由于大量视频内容被多种多样的异构网终端消费,包括PC、智能手机、电视和平板电脑,而这些终端设备需要不同的视频数据速率、格式和分辨率。那么为满足不同的网络状况和匹配不同的终端设备,一个视频内容可能被编码为40多种不同的版本。由于有限的存储空间,存储视频内容的所有版本是很昂贵和不切实际的。因此,为了提高存储效率和节省存储空间,需要使用视频转码技术(Transcoding Technology)来将视频数据转化为不同的版本,以满足不同终端设备的要求。这样理论上只需要在网络中存储一种最高分辨率视频版本。然而,视频数据的转码运算通常需要大量计算资源,由于体积和电池寿命的限制,移动终端难以提供足够多的计算资源,这就要求无线通信网系统有能力为用户提供计算服务。
其中,在视频存储和转码计算服务中,视频片段的存储和替换周期较长,通常为几分钟到数小时,而转码计算和数据传输所涉及的频谱和计算资源分配的周期通常在毫秒到秒级。因此,视频存储决策和资源分配优化难以同时进行。
发明内容
有鉴于此,本发明实施例提供了一种用于视频数据处理的资源分配方法及电子设备,以解决视频数据处理过程中的资源分配问题。
根据第一方面,本发明实施例提供了一种用于视频数据处理的资源分配方法,包括:
在每个优化周期获取多个目标视频数据;其中,所述每个优化周期划分为多个连续的时间段;
获取每个所述目标视频数据的参数;所述目标视频数据的参数包括长度以及网络数据流量;
基于每个所述目标视频数据的参数,确定是否存储各个所述目标视频数据;
根据每个所述优化周期内所述多个目标视频数据的存储结果,确定各个用户终端在每个所述时间段内对应的卸载决策、频谱资源以及计算资源的分配;其中,所述卸载决策用于表示本地对各个所述用户终端对应的所述目标视频数据进行转码运算的百分比。
本发明实施例提供的用于视频数据处理的资源分配方法,将资源分配的处理分为两个部分,以适应不同优化变量之间的不同更新周期,即在每个优化周期进行是否存储各个目标视频数据的确定,将所确定的存储结果作为在优化周期内的每个时间段确定卸载决策、频谱资源以及计算资源分配的输入,以保证资源分配与存储决策的同时联合优化,提高了资源利用率。
结合第一方面,在第一方面第一实施方式中,所述基于每个所述目标视频数据的参数,确定是否存储各个所述目标视频数据,包括:
基于每个所述目标视频数据的长度,确定存储各个所述目标视频数据所造成的目标网络数据流量;
利用所述目标视频数据的参数、本地的存储容量以及所述目标网络数据流量,形成是否存储各个所述目标视频数据的第一约束条件;
以存储所有所述目标视频数据的收益最大化为目标,且利用所述第一约束条件确定是否存储各个所述目标视频数据。
本发明实施例提供的用于视频数据处理的资源分配方法,以存储所有目标视频数据的收益最大化为目标,利用第一约束条件对存储决策进行优化,可以保证优化得到的存储决策在满足约束条件的情况下达到存储收益最大化。
结合第一方面第一实施方式,在第一方面第二实施方式中,所述基于每个所述目标视频数据的长度,确定存储所述目标视频数据所造成的目标网络数据流量,包括:
提取各个所述目标视频数据的用户请求到达率;
计算所述用户请求到达率与所述目标视频数据的长度的乘积,得到存储所述目标视频数据所造成的目标网络数据流量。
结合第一方面第一实施方式,在第一方面第三实施方式中,所述利用所述目标视频数据的参数、本地的存储容量以及所述目标网络数据流量,形成是否存储各个所述目标视频数据的第一约束条件,包括:
形成存储所述目标网络数据的决策矢量,以得到第一约束子条件;
计算所述决策矢量与对应的所述目标网络数据的长度的乘积之和,形成第二约束子条件;
计算所述决策矢量与对应的所述目标网络数据流量的乘积,以形成第三约束子条件;
计算所有所述决策矢量与对应的所述目标网络数据流量的乘积之和,以形成第四约束子条件。
结合第一方面第三实施方式,在第一方面第四实施方式中,所述第一约束条件以及所述所有所述目标视频数据的收益最大化采用如下公式表示:
δ=exp{-Ω2/2};
其中,C11、C12、C13、C14分别表示所述第一约束子条件、所述第二约束子条件、所述第三约束子条件以及所述第四约束子条件;w∈W=(1,2,...,W)表示每个所述目标视频数据;hw∈{0,1},表示对目标视频数据w的存储决定;表示hw对应的连续变量;ψw表示存储目标视频数据w的收益;表示存储目标视频数据w的资源开销;Lw表示目标视频数据w的长度;Y表示本地的存储容量;1/ιw表示目标视频片段w的传输间隙保持时间;rw表示传输目标视频数据w的速率;λw表示目标视频数据w的用户请求到达率;ε>0,ε代表影响参数λw不确定性的最大程度;O+[pw]表示分配给目标视频数据w的最大网络容量;O+[psum]表示分配给所有目标视频数据的最大网络容量;δ表示违背所述第三约束条件或所述第四约束条件的概率最大值;Ω为常数;ρw为传输存储的目标视频数据w所造成的目标网络数据流量;γ是一个取值于区间[-1,1]之内的零均值随机参数。
本发明实施例提供的用于视频数据处理的资源分配方法,以存储收益最大化为目标,使用基于概率的网络流量约束和存储空间约束,保证优化过程可以容忍优化参数的不确定性并充分利用存储空间,提高了资源分配方法的鲁棒性。
结合第一方面,或第一方面第一实施方式至第三实施方式中任一项,在第一方面第四实施方式中,根据每个所述优化周期内所述多个目标视频数据的存储结果,确定各个用户终端在每个所述时间段内对应的卸载决策、频谱资源以及计算资源的分配,包括:
基于每个所述优化周期内所述多个目标视频数据的存储结果,确定用户请求所述目标视频数据的命中结果;其中,所述命中结果包括直接命中、转码命中以及未命中;
获取本地的可用频带总带宽、小蜂窝与宏基站的回程链路带宽以及小基站向所述用户终端传输数据的频谱效率;其中,所述小蜂窝包括所述小基站以及对应的所述用户终端;
利用所述目标视频数据的命中结果、本地的可用频带总带宽、小蜂窝与宏基站的回程链路带宽以及小基站向所述用户终端传输数据的频谱效率,形成确定各个用户终端在每个所述时间段内对应的卸载决策、频谱资源以及计算资源的分配的第二约束条件;
以本地收益最大化为目标,且利用所述第二约束条件,确定各个用户终端在每个所述时间段内对应的卸载决策、频谱资源以及计算资源的分配;其中,所述本地收益为所述频谱资源的收益与所述计算资源的收益之和。
结合第一方面第五实施方式,在第一方面第六实施方式中,所述利用所述目标视频数据的命中结果、本地的可用频带总带宽、小蜂窝与宏基站的回程链路带宽以及小基站向所述用户终端传输数据的频谱效率,形成确定各个用户终端在每个所述时间段内对应的卸载决策、频谱资源以及计算资源的分配的第二约束条件,包括:
计算本地为各个所述用户终端分配的计算资源、对应的所述命中结果以及对应的所述卸载决策的乘积之和,形成第五约束子条件;
利用本地为各个所述用户终端分配的计算资源以及所述用户终端自身的计算能力,形成第六约束子条件;
利用本地为各个所述用户终端分配的频谱资源形成第七约束子条件;
计算本地为各个所述用户终端分配的频谱资源、所述本地的可用频带总带宽以及所述频谱效率的乘积,以形成第八约束子条件;
计算所有本地为各个所述用户终端分配的频谱资源、所述本地的可用频带总带宽以及所述频谱效率的乘积之和,以形成第九约束条件。
结合第一方面第六实施方式,在第一方面第七实施方式中,所述第二约束条件以及所述本地收益最大化采用如下公式表示:
其中,N为所有小蜂窝的集合;kn表示小基站n对应的用户终端k;Kn表示所有用户终端的集合;表示用户终端kn对应的卸载决策;表示本地为用户终端kn分配的计算资源;vn表示小蜂窝n收取费用的单价;F表示本地的全部计算资源;表示本地执行的用户终端kn的计算任务;表示本地为用户终端kn分配的频谱资源;θn表示向小蜂窝n中的用户终端所收取的传输目标视频数据的单价;B表示本地的可用频带总带宽;表示对应于用户终端kn的频谱效率;υn表示小蜂窝n租借频谱的单价;ηn表示租借小蜂窝n与宏基站之间回程链路的单价;pn表示小基站n向用户终端kn传输时的功率密度;pm表示小基站m向用户终端kn传输时的功率密度;和分别表示小基站n到用户终端kn和小基站m到用户终端kn的信道增益,m≠n;σ表示加性高斯白噪声的功率谱密度;表示用户终端kn自身的计算能力;表示用户终端kn对所请求的目标视频数据所需的最小传输速率;Ln表示小蜂窝n与宏基站的回程链路带宽。
本发明实施例提供的用于视频数据处理的资源分配方法,基于优化周期内确定出的存储策略对时间段内的卸载决策、频谱资源以及计算资源进行优化,将部分卸载策略、频谱资源和计算资源分配方案联合建模为一个优化问题,可以增加系统存储空间利用率并实现较高的系统收益。
根据第二方面,本发明实施例还提供了一种电子设备,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行本发明第一方面,或第一方面任一项实施方式中所述的用于视频数据处理的资源分配方法。
根据第三方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行本发明第一方面,或第一方面任一项实施方式中所述的用于视频数据处理的资源分配方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的通信网络系统的结构示意图;
图2是根据本发明实施例的用于视频数据处理的资源分配方法的流程图;
图3是根据本发明实施例的时间轴划分示意图;
图4是根据本发明实施例的用于视频数据处理的资源分配方法的流程图;
图5是根据本发明实施例的用于视频数据处理的资源分配方法的流程图;
图6是根据本发明实施例的不同命中结果对应的数据流向示意图;
图7是根据本发明实施例的用于视频数据处理的资源分配装置的结构框图;
图8是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,本发明实施例中所述的用于视频数据处理的资源分配方法是基于移动边缘计算(Mobile Edge Computing,简称为MEC)进行的,用以保证资源分配与存储决策的同时联合优化,提高视频传输中融合系统回程链路资源和存储资源的利用率。
图1示出了本发明实施例中所述的通信网络系统,如图1所示,本发明实施例采用双层异构网络(宏蜂窝和小蜂窝)作为无线传输场景,所述通信网络系统包括MEC服务器、宏基站以及多个小蜂窝(图1中仅示出了2个小蜂窝)。其中,宏基站与MEC服务器连接,多个小蜂窝与宏基站连接,以通过宏基站从MEC服务器中获取视频数据。所述的小蜂窝包括小基站以及多个用户终端(User Equipment,简称为UE),每个小蜂窝中的用户终端通过对应的小基站与宏基站通信,以从MEC服务器中获取视频数据。
其中,MEC服务器在接收到用户终端的获取视频数据的请求之后,对相应的视频数据进行处理后发送给该用户终端。在本发明实施例的描述中视频数据处理以视频存储和转码为例,在进行视频数据的处理过程中就需要考虑资源利用率的问题。其中,所述的转码为MEC服务器中所存储的视频数据的分辨率与用于所请求的视频数据的分辨率不一致,就需要对所存储的视频数据进行分辨率的处理,即为所述的转码。具体地,在本发明实施例中联合优化视频存储决策、计算任务卸载以及频谱和计算资源分配问题;为了适应不同优化变量之间的不同更新周期,将资源分配的优化过程分为两个阶段,分别为目标视频数据存储决策阶段和频谱及计算资源分配阶段。其中,在资源分配的优化过程中,为了容忍优化参数的不确定性,使用鲁棒优化算法进行视频存储决策,以充分利用存储资源。更为具体的描述将在下文中进行详细描述。
根据本发明实施例,提供了一种用于视频数据处理的资源分配方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种用于视频数据处理的资源分配方法,可用于电子设备,例如图1中的MEC服务器等,在下文中的描述中以MEC服务器为例进行详细描述。图2是根据本发明实施例的用于视频数据处理的资源分配方法的流程图,如图2所示,该流程包括如下步骤:
S11,在每个优化周期获取多个目标视频数据。
其中,所述每个优化周期划分为多个连续的时间段。
在对该步骤进行描述之前,对所涉及到的优化周期以及时间段进行解释如下,如图3所示,时间线划分为首尾相接的优化周期,每个优化周期的长度为T;优化周期T又划分为若干时间段,时间段的长度为t。
其中,T是一个可以由用户偏好决定的参数。当T比较大的时候,意味着视频片段将被系统存储较长的时间,这可以降低存储替换的系统开销,但视频数据的更新速度会较低。当T较小的时候,存储替换的开销较高,但这带来了较高的视频数据更新速度。通常T取值数分钟到数小时。每个优化周期T由若干时间段t组成,t的取值通常为数毫秒到数秒。
如图3所示,本实施例中的资源分配方法划分为两个阶段进行处理,即在每一个优化周期T开始的时候,系统将执行第一阶段优化,即进行视频存储决策。之后系统按决策结果将相应视频数据暂存下来,直到下一优化周期开始。在本优化周期中,存储决策将作为第二阶段优化即资源分配的输入。第二阶段优化在每个时间段开始时执行一次。
在每个优化周期中网络中存在W个目标视频数据,每一个目标视频数据可以编码为J种级别的分辨率。使用w∈W=(1,2,...,W)来代表每个目标视频数据的内容,在本实施例中,以MEC服务器仅存储每个目标视频数据的最高分辨率版本,那么在这种情况下,每个被请求的目标视频数据版本可能通过如下三种方式中的一种获取:(1)直接存储命中:MEC服务器存储了被请求的视频片段,而UE请求的是该视频片段的最高分辨率版本。(2)转码命中:MEC服务器存储了被请求的视频片段,但UE请求的是较低分辨率的版本,因此需要执行转码运算来完成这次视频服务。(3)存储未命中:MEC服务器没有存储被请求的视频片段,请求被转发至因特网中的源服务器。在此情况下,在视频内容到达后,MEC服务器可以决定是否存储此内容的最高分辨率版本。
S12,获取每个目标视频数据的参数。
其中,所述目标视频数据的参数包括长度以及网络数据流量。
MEC服务器在获取到多个目标视频数据之后,通过对其进行解析就可以得到每个目标视频数据的长度以及对应的网络数据流量。
S13,基于每个目标视频数据的参数,确定是否存储各个目标视频数据。
MEC服务器利用每个目标视频数据的参数,并结合自身的一些参数(例如,存储容量、存储该目标视频数据所带来的目标流量数据的消耗)等等,或者也可以结合当前网络性能确定是否存储所获取到的目标视频数据。在本发明中对确定是否存储各个目标视频数据的方法并不做任何限制,具体将在下文中进行详细描述。
其中,使用hw∈{0,1},来代表对视频片段w的存储决定。具体来讲,如果MEC服务器决定存储此视频片段,设置hw=1;如果决定不存储此视频,设置hw=0。采用作为h={hw}w∈W所获取到的所有目标视频内容的存储决定矢量。
S14,根据每个优化周期内多个目标视频数据的存储结果,确定各个用户终端在每个时间段内对应的卸载决策、频谱资源以及计算资源的分配。
其中,所述卸载决策用于表示本地对各个用户终端对应的目标视频数据进行转码运算的百分比。
MEC服务器在每个优化周期确定对于每个目标视频数据是否存储之后,就可以在该优化周期内的每个时间段利用对应的存储决定,为用户终端进行资源的分配,具体地为用户终端在每个时间段内对应的卸载决策、频谱资源以及计算资源的分配。
当用户终端性MEC服务器发送视频数据请求且一个转码命中事件发生时,MEC服务器需要将被请求视频的最高分辨率版本转码为UE所需的较低分辨率的版本。或者,此视频片段的最高版本可以通过小蜂窝基站被发送到目的地UE处,由UE自行进行转码运算。为了利用UE和MEC之间平行计算的优势,在本发明实施例中,采用部分计算卸载机制。
具体来讲,代表目标视频数据由MEC服务器进行转码运算的百分比,剩余部分发送至UE处执行转码。其中,代表全部的转码运算由MEC服务器执行,而表示全部转码运算由UE完成。使用作为所有UE的计算卸载决策矢量。
其中,MEC服务器在利用每个目标视频数据的存储结果确定各个用户终端在每个时间段内对应的卸载决策、频谱资源以及计算资源的分配时,可以利用传输该目标视频数据所需要的带宽资源、频率资源与该系统所能够提供的带宽资源以及频谱资源进行对比分析进行确定。或者也可以采用其他方式进行确定等等,在此对具体的确定方法并不做任何限制。
本实施例提供的用于视频数据处理的资源分配方法,将资源分配的处理分为两个部分,以适应不同优化变量之间的不同更新周期,即在每个优化周期进行是否存储各个目标视频数据的确定,将所确定的存储结果作为在优化周期内的每个时间段确定卸载决策、频谱资源以及计算资源分配的输入,以保证资源分配与存储决策的同时联合优化,提高了资源利用率。
在本实施例中提供了一种用于视频数据处理的资源分配方法,可用于电子设备,例如服务器等,图4是根据本发明实施例的用于视频数据处理的资源分配方法的流程图,如图4所示,该流程包括如下步骤:
S21,在每个优化周期获取多个目标视频数据。
其中,所述每个优化周期划分为多个连续的时间段。
详细请参见图2所示实施例的S11,在此不再赘述。
S22,获取每个目标视频数据的参数。
其中,所述目标视频数据的参数包括长度以及网络数据流量。
详细请参见图2所示实施例的S12,在此不再赘述。
S23,基于每个目标视频数据的参数,确定是否存储各个目标视频数据。
在本实施例中,采用优化的方式确定是否存储各个目标视频数据,其中,优化的约束条件是基于目标视频数据的参数确定的,目标优化函数为存储所有目标视频数据的收益最大化。具体地,上述S23包括以下步骤:
S231,基于每个目标视频数据的长度,确定存储各个目标视频数据所造成的目标网络数据流量。
MEC服务器在确定目标视频数据所造成的目标网络数据流量时,还结合对于每个目标视频数据的用户请求达到率,以保证确定出的目标网络数据流量的可靠性。具体地,上述S231可以采用如下步骤实现:
(1)提取各个目标视频数据的用户请求到达率。
MEC设对于目标视频数据w的用户请求到达率服从泊松分布并用λw(Requests/second)来表示此到达率。
(2)计算用户请求到达率与目标视频数据的长度的乘积,得到存储目标视频数据所造成的目标网络数据流量。
S232,利用目标视频数据的参数、本地的存储容量以及目标网络数据流量,形成是否存储各个目标视频数据的第一约束条件。
MEC设备在得到存储目标网络数据流量之后,就可以结合各个目标视频数据的参数、目标网络数据流量、本地的存储容量形成是否存储各个目标视频数据的第一约束条件。具体地,上述S232包括以下步骤:
(1)形成存储目标网络数据的决策矢量,以得到第一约束子条件。
(2)计算决策矢量与对应的目标网络数据的长度的乘积之和,形成第二约束子条件。
第二约束子条件用于表明所有被存储的目标视频数据的数据量之和不超过MEC服务器的存储容量限制Y。具体地,利用决策矢量与对应的目标网络数据的长度的乘积,得到存储各个目标网络数据的数据量;再计算所有目标网络数据的数据量之和,以形成第二约束子条件。即,第二约束子条件可以表示为:
(3)计算决策矢量与对应的目标网络数据流量的乘积,以形成第三约束子条件。
第三约束子条件用于表示存储各个目标视频数据所引起的网络数据流量不超过MEC服务器为其分配的网络数据流量,使用C(bit/s)来代表网络容量。进一步地,为了保证不同视频片段之间传输机会的公平性,使用Cw来代表为传输视频片段w分配的网络容量。C和{Cw}取决于带宽分配矢量只有当如下条件满足时,系统才能够稳定,即,第三约束子条件表示为:
(4)计算所有决策矢量与对应的目标网络数据流量的乘积之和,以形成第四约束子条件。
第四约束子条件用于表示存储所有目标视频数据所引起的网络数据流量不超过MEC服务器的网络容量。即,
需要将无线电频谱分配矢量s从第三约束子条件以及后续的第四约束子条件中分离出去,采用一种基于反馈的方法来提供一个对网络容量(用于视频数据传输)的估计值。假设在时刻t为目标视频数据w分配的最大网络容量是预计分配给视频片段w的最大网络容量计算为:
那么,第三约束子条件可以重新表示为:
类似地,第四约束子条件可以表示为:
式中ε>0代表影响参数λw不确定性的最大程度,而γ是一个取值于区间[-1,1]之内的零均值随机参数;参数γ反映请求到达率的可能波动。这个表达式意味着实际中的请求到达率λw可按不超过的幅度偏离请求到达率的估计值因此,可能的偏离程度实际上是由参数ε控制的。因为较大的ε可以带来较好的鲁棒性,而较小的ε可以带来更可靠的资源预留,MEC服务器可以根据鲁棒等级要求和历史统计数据来调整此参数,以实现鲁棒性能和资源预留程度之间的平衡。
至此,问题符合鲁棒问题的定义。定义参数δ为置信等级,含义是违背第三约束子条件或第四约束子条件的概率最大是δ。那么,第三约束子条件进一步表示为:
相应地,第四约束子条件可以表示为:
S233,以存储所有目标视频数据的收益最大化为目标,且利用第一约束条件确定是否存储各个目标视频数据。
在上述S232中确定出各个约束条件之后,就可以以存储所有目标视频数据的收益最大化为目标,对存储矢量进行优化了。具体地,使用ψw来代表存储目标视频数据w的收益,而存储目标视频数据w的存储资源开销为因此,存储视频片段w的净收益为那么,存储所有目标视频数据的收益最大化的目标函数可以表示为:
那么,在确定出第一约束条件,以及目标函数之后,就可以对存储矢量h进行优化,具体地,第一约束条件以及所有目标视频数据的收益最大化采用如下公式表示:
δ=exp{-Ω2/2};
其中,C11、C12、C13、C14分别表示所述第一约束子条件、所述第二约束子条件、所述第三约束子条件以及所述第四约束子条件;w∈W=(1,2,...,W)表示每个所述目标视频数据;hw∈{0,1},表示对目标视频数据w的存储决定;表示hw对应的连续变量;ψw表示存储目标视频数据w的收益;表示存储目标视频数据w的资源开销;Lw表示目标视频数据w的长度;Y表示本地的存储容量;1/ιw表示目标视频片段w的传输间隙保持时间;rw表示传输目标视频数据w的速率;λw表示目标视频数据w的用户请求到达率;ε>0;O+[pw]表示分配给目标视频数据w的最大网络容量;O+[psum]表示分配给所有目标视频数据的最大网络容量;δ表示违背所述第三约束条件或所述第四约束条件的概率最大值。
上述问题为凸问题,容易求解。在优化阶段存储决策向量h={hw}w∈W确定后,就可以进入第二阶段的优化。
S24,根据每个优化周期内多个目标视频数据的存储结果,确定各个用户终端在每个时间段内对应的卸载决策、频谱资源以及计算资源的分配。
其中,所述卸载决策用于表示本地对各个用户终端对应的目标视频数据进行转码运算的百分比。
详细请参见图2所示实施例的S14,在此不再赘述。
本实施例提供的用于视频数据处理的资源分配方法,以存储所有目标视频数据的收益最大化为目标,利用第一约束条件对存储决策进行优化,可以保证优化得到的存储决策在满足约束条件的情况下达到存储收益最大化。
在本实施例中提供了一种用于视频数据处理的资源分配方法,可用于电子设备,例如服务器等,图5是根据本发明实施例的用于视频数据处理的资源分配方法的流程图,如图5所示,该流程包括如下步骤:
S31,在每个优化周期获取多个目标视频数据。
其中,所述每个优化周期划分为多个连续的时间段。
详细请参见图4所示实施例的S21,在此不再赘述。
S32,获取每个目标视频数据的参数。
其中,所述目标视频数据的参数包括长度以及网络数据流量。
详细请参见图4所示实施例的S22,在此不再赘述。
S33,基于每个目标视频数据的参数,确定是否存储各个目标视频数据。
详细请参见图4所示实施例的S23,在此不再赘述。
S34,根据每个优化周期内多个目标视频数据的存储结果,确定各个用户终端在每个时间段内对应的卸载决策、频谱资源以及计算资源的分配。
其中,所述卸载决策用于表示本地对各个用户终端对应的目标视频数据进行转码运算的百分比。
在本实施例中,同样采用优化的方式,对各个用户终端在每个时间段内对应的卸载决策、频谱资源以及计算资源的分配进行优化,在下文中将对优化的各个约束条件以及目标函数进行详细说明。在第一阶段存储决策向量h={hw}w∈W确定后,进入第二阶段优化,对频谱分配向量计算卸载决策向量和计算资源分配向量进行联合优化。具体地,上述S34包括以下步骤:
S341,基于每个优化周期内多个目标视频数据的存储结果,确定用户请求目标视频数据的命中结果。
其中,所述命中结果包括直接命中、转码命中以及未命中。
MEC服务器已经在每个优化周期内确定所获取到的目标视频数据的存储结果,在接收到的用户获取目标视频数据的请求之后,就可以基于用户请求进行命中结果的判断。当MEC服务器中存储有该目标视频数据,且用户请求的是该目标视频数据的最高分辨率形式,则此时的命中结果为直接命中;当MEC服务器中存储有该目标视频数据,但是用户请求的是该目标视频数据的低分辨率形式,则此时的命中结果为转码命中;当MEC服务器中并未存储有该目标视频数据,则此时的命中结果为未命中。
使用来指示UE kn和MEC服务器之间的存储命中情况。令代表直接存储命中或是转码命中事件,用代表存储未命中事件。同时,引入指示向量来区别直接存储命中事件和转码命中事件。使用来代表UE kn的直接存储命中,而代表转码命中。给定由第一阶段优化得来的存储决策向量之后,可以准确地知道每个UE的存储命中情况,即和现在是常数向量。
其中,图6示出了不同命中结果下,视频数据的传输过程。当命中结果为直接存储命中时,用户终端直接从MEC服务器中获取目标视频数据;当命中结果为转码命中时,MEC服务器对相应的目标视频数据进行转码后,发送给相应的用户终端;当命中结果为未命中时,用户终端通过MEC服务器、核心网以及英特网从源服务器中获取到相应的视频数据。
S342,获取本地的可用频带总带宽、小蜂窝与宏基站的回程链路带宽以及小基站向用户终端传输数据的频谱效率。
其中,所述小蜂窝包括小基站以及对应的用户终端。
本地的一些参数可以事先存储的MEC服务器的内存中,也可以是MEC服务器在需要时从外界获取到等等。具体地,认为所有小蜂窝重叠使用同一段频谱,因此小蜂窝之间存在干扰。只存在下行链路传输,即无线传输是从小基站到从属于它的UE,而干扰是从其它小基站到此UE处。MEC服务器可用的频带总宽度是B Hz。宏基站与MEC服务器之间的回程链路带宽L bps,小蜂窝n与宏基站的回程链路带宽是Ln bps。
S343,利用目标视频数据的命中结果、本地的可用频带总带宽、小蜂窝与宏基站的回程链路带宽以及小基站向用户终端传输数据的频谱效率,形成确定各个用户终端在每个时间段内对应的卸载决策、频谱资源以及计算资源的分配的第二约束条件。
具体地,上述S343可以采用如下步骤实现:
(1)计算本地为各个用户终端分配的计算资源、对应的命中结果以及对应的卸载决策的乘积之和,形成第五约束子条件。
第五约束子条件是用于保证在整个系统中分配给所有用户终端的计算资源不超过MEC服务器的计算资源总量。
(2)利用本地为各个用户终端分配的计算资源以及用户终端自身的计算能力,形成第六约束子条件。
第六约束子条件是用于保证分配给每个用户终端的计算资源不小于它自身的计算能力,否则计算任务卸载将失去意义。其中,采用表示UE kn自身的计算能力,而F代表MEC服务器的全部计算资源。对于UE kn的转码操作,假定需要完成的计算任务量为具体来讲,代表完成该计算任务所需要的CPU周期总数。的值取决于UE kn所请求的目标视频数据以及它请求的分辨率级别。那么,第六约束子条件可以表示为:
(3)利用本地为各个用户终端分配的频谱资源形成第七约束子条件。
第七约束子条件用来表示在每个小蜂窝之中,分配给所有用户的频谱不重合,以符合系统模型的要求。那么,第七约束子条件表示为:
(4)计算本地为各个用户终端分配的频谱资源、本地的可用频带总带宽以及频谱效率的乘积,以形成第八约束子条件。
其中,小基站n向UE kn传输数据的频谱效率为:
式中,pn是小基站n向UE kn传输时的功率密度,pm表示小基站m向用户终端kn传输时的功率密度,而和分别是小基站n到UE kn和小基站m到UE kn的信道增益,m≠n;σ代表加性高斯白噪声的功率谱密度。
小基站n向UE kn传输数据的瞬时数据速率计算为:
那么,第八约束子条件表示为:
(5)计算所有本地为各个用户终端分配的频谱资源、本地的可用频带总带宽以及频谱效率的乘积之和,以形成第九约束子条件。
第九约束条件是因为回程链路的带宽约束,那么请结合上文,第九约束子条件表示为:
S344,以本地收益最大化为目标,且利用第二约束条件,确定各个用户终端在每个时间段内对应的卸载决策、频谱资源以及计算资源的分配。
其中,所述本地收益为频谱资源的收益与计算资源的收益之和。
(1)频谱资源的净收益
MEC系统运营商向移动网络运营商租借频谱和回程链路资源。从小蜂窝n租借无线频谱的单价是υnper Hz,而租借小蜂窝n和宏蜂窝之间回程链路的单价是ηn per bps。MEC系统运营商会向UE收取传输视频数据到UE的费用,单价定义为θn per bps(针对小蜂窝n之中的UE)。因此,MEC系统运营商向UE kn分配无线电频谱资源的净收益计算为:
(2)计算资源的净收益
MEC系统运营商只对分配给每单位计算任务的MEC计算资源和每单位计算任务对应的UE计算能力之间的差值收取费用。而对小蜂窝n收取费用的单位价格是νn。所以对UEkn分配计算资源的净收益计算为:
只有当一个转码命中事件发生时,MEC系统运营商才会向UE分配计算资源,但是会向所有UE分配频谱资源,因为在全部三种存储命中情况之下都会产生数据传输。因此定义MEC系统运营商的效用函数为:
式中u()是一个凸函数并且是一个增函数。因为总是非负,另外因为问题最优性考虑,这一项总是可以被放在函数u()之外。因为函数u()的增函数和凸函数性质,把放在函数u()内部不会影响问题的解的最优性。进一步定义:
作为优化问题的目标函数。
具体地,所述第二约束条件以及本地收益最大化采用如下公式表示:
其中,kn表示小基站n对应的用户终端k;Kn表示所有用户终端的集合;表示用户终端kn对应的卸载决策;表示本地为用户终端kn分配的计算资源;vn表示小蜂窝n收取费用的单价;F表示本地的全部计算资源;表示本地执行的用户终端kn的计算任务;表示本地为用户终端kn分配的频谱资源;θn表示向小蜂窝n中的用户终端所收取的传输目标视频数据的单价;B表示本地的可用频带总带宽;表示对应于用户终端kn的频谱效率;υn表示小蜂窝n租借频谱的单价;ηn表示租借小蜂窝n与宏基站之间回程链路的单价;pn表示小基站n向用户终端kn传输时的功率密度;和分别表示小基站n到用户终端kn和小基站m到用户终端kn的信道增益,m≠n;σ表示加性高斯白噪声的功率谱密度;表示用户终端kn自身的计算能力;表示用户终端kn对所请求的目标视频数据所需的最小传输速率;Ln表示小蜂窝n与宏基站的回程链路带宽。
此问题经过乘积项替换后即成为一个凸优化问题,容易求解。为降低信令开销,使用分布式算法(Alternating Direction Method of Multipliers,简称为ADMM)来求解。
本实施例提供的用于视频数据处理的资源分配方法,基于优化周期内确定出的存储策略对时间段内的卸载决策、频谱资源以及计算资源进行优化,将部分卸载策略、频谱资源和计算资源分配方案联合建模为一个优化问题,可以增加系统存储空间利用率并实现较高的系统收益。
本发明实施例提供的用于视频数据处理的资源分配方法,考虑基于MEC的视频存储与转码中的存储决策、部分计算卸载决策及资源分配的联合优化问题,提出具有不同的时间尺度的视频存储决策和资源分配决策方案。首先对优化周期的视频存储决策优化。针对视频存储决策的优化过程中用户请求到达的不确定性和传统方案中常数网络流量约束造成的存储空间浪费问题,将存储决策问题建模为一个鲁棒优化问题。该问题以存储收益最大化为目标,使用基于概率的网络流量约束和存储空间约束,保证优化模型可以容忍优化参数的不确定性并充分利用存储空间,提高算法鲁棒性。其次,基于优化周期视频存储最优决策,研究时间段的视频传输频谱资源和转码计算资源分配问题,采用部分计算卸载机制,以最大化系统收益为目标,将部分卸载策略、频谱和计算资源分配方案联合建模为一个优化问题。为降低信令开销并减小计算复杂度,使用一种分布式算法。本发明可以显著增加存储空间利用率并实现较高的系统收益。
在本实施例中还提供了一种用于视频数据处理的资源分配装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种用于视频数据处理的资源分配装置,如图7所示,包括:
第一获取模块41,用于在每个优化周期获取多个目标视频数据;其中,所述每个优化周期划分为多个连续的时间段。
第二获取模块42,用于获取每个所述目标视频数据的参数;所述目标视频数据的参数包括长度以及网络数据流量。
存储决策模块43,用于基于每个所述目标视频数据的参数,确定是否存储各个所述目标视频数据。
资源分配模块44,用于根据每个所述优化周期内所述多个目标视频数据的存储结果,确定各个用户终端在每个所述时间段内对应的卸载决策、频谱资源以及计算资源的分配;其中,所述卸载决策用于表示本地对各个所述用户终端对应的所述目标视频数据进行转码运算的百分比。
本实施例提供的用于视频数据处理的资源分配装置,将资源分配的处理分为两个部分,以适应不同优化变量之间的不同更新周期,即在每个优化周期进行是否存储各个目标视频数据的确定,将所确定的存储结果作为在优化周期内的每个时间段确定卸载决策、频谱资源以及计算资源分配的输入,以保证资源分配与存储决策的同时联合优化,提高了资源利用率。
本实施例中的用于视频数据处理的资源分配装置是以功能单元的形式来呈现,这里的单元是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各个模块的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本发明实施例还提供一种电子设备,具有上述图7所示的用于视频数据处理的资源分配装置。
请参阅图8,图8是本发明可选实施例提供的一种电子设备的结构示意图,如图8所示,该电子设备可以包括:至少一个处理器51,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口53,存储器54,至少一个通信总线52。其中,通信总线52用于实现这些组件之间的连接通信。其中,通信接口53可以包括显示屏(Display)、键盘(Keyboard),可选通信接口53还可以包括标准的有线接口、无线接口。存储器54可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。存储器54可选的还可以是至少一个位于远离前述处理器51的存储装置。其中处理器51可以结合图7所描述的装置,存储器54中存储应用程序,且处理器51调用存储器54中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线52可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线52可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器54可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器54还可以包括上述种类的存储器的组合。
其中,处理器51可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器51还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器54还用于存储程序指令。处理器51可以调用程序指令,实现如本申请图1至6实施例中所示的用于视频数据处理的资源分配方法。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的用于视频数据处理的资源分配方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种用于视频数据处理的资源分配方法,其特征在于,包括:
在每个优化周期获取多个目标视频数据;其中,所述每个优化周期划分为多个连续的时间段;
获取每个所述目标视频数据的参数;所述目标视频数据的参数包括长度以及网络数据流量;
基于每个所述目标视频数据的参数,确定是否存储各个所述目标视频数据;
根据每个所述优化周期内所述多个目标视频数据的存储结果,确定各个用户终端在每个所述时间段内对应的卸载决策、频谱资源以及计算资源的分配;其中,所述卸载决策用于表示本地对各个所述用户终端对应的所述目标视频数据进行转码运算的百分比。
2.根据权利要求1所述的方法,其特征在于,所述基于每个所述目标视频数据的参数,确定是否存储各个所述目标视频数据,包括:
基于每个所述目标视频数据的长度,确定存储各个所述目标视频数据所造成的目标网络数据流量;
利用所述目标视频数据的参数、本地的存储容量以及所述目标网络数据流量,形成是否存储各个所述目标视频数据的第一约束条件;
以存储所有所述目标视频数据的收益最大化为目标,且利用所述第一约束条件确定是否存储各个所述目标视频数据。
3.根据权利要求2所述的方法,其特征在于,所述基于每个所述目标视频数据的长度,确定存储所述目标视频数据所造成的目标网络数据流量,包括:
提取各个所述目标视频数据的用户请求到达率;
计算所述用户请求到达率与所述目标视频数据的长度的乘积,得到存储所述目标视频数据所造成的目标网络数据流量。
4.根据权利要求2所述的方法,其特征在于,所述利用所述目标视频数据的参数、本地的存储容量以及所述目标网络数据流量,形成是否存储各个所述目标视频数据的第一约束条件,包括:
形成存储所述目标网络数据的决策矢量,以得到第一约束子条件;
计算所述决策矢量与对应的所述目标网络数据的长度的乘积之和,形成第二约束子条件;
计算所述决策矢量与对应的所述目标网络数据流量的乘积,以形成第三约束子条件;
计算所有所述决策矢量与对应的所述目标网络数据流量的乘积之和,以形成第四约束子条件。
5.根据权利要求4所述的方法,其特征在于,所述第一约束条件以及所述所有所述目标视频数据的收益最大化采用如下公式表示:
δ=exp{-Ω2/2};
其中,C11、C12、C13、C14分别表示所述第一约束子条件、所述第二约束子条件、所述第三约束子条件以及所述第四约束子条件;w∈W=(1,2,...,W)表示每个所述目标视频数据;表示对目标视频数据w的存储决定;表示hw对应的连续变量;ψw表示存储目标视频数据w的收益;表示存储目标视频数据w的资源开销;Lw表示目标视频数据w的长度;Y表示本地的存储容量;1/ιw表示目标视频片段w的传输间隙保持时间;rw表示传输目标视频数据w的速率;λw表示目标视频数据w的用户请求到达率;ε>0,ε代表影响参数λw不确定性的最大程度;O+[pw]表示分配给目标视频数据w的最大网络容量;O+[psum]表示分配给所有目标视频数据的最大网络容量;δ表示违背所述第三约束子条件或所述第四约束子条件的概率最大值;Ω为常数;ρw为传输存储的目标视频数据w所造成的目标网络数据流量;γ是一个取值于区间[-1,1]之内的零均值随机参数。
6.根据权利要求1-5中任一项所述的方法,其特征在于,根据每个所述优化周期内所述多个目标视频数据的存储结果,确定各个用户终端在每个所述时间段内对应的卸载决策、频谱资源以及计算资源的分配,包括:
基于每个所述优化周期内所述多个目标视频数据的存储结果,确定用户请求所述目标视频数据的命中结果;其中,所述命中结果包括直接命中、转码命中以及未命中;
获取本地的可用频带总带宽、小蜂窝与宏基站的回程链路带宽以及小基站向所述用户终端传输数据的频谱效率;其中,所述小蜂窝包括所述小基站以及对应的所述用户终端;
利用所述目标视频数据的命中结果、本地的可用频带总带宽、小蜂窝与宏基站的回程链路带宽以及小基站向所述用户终端传输数据的频谱效率,形成确定各个用户终端在每个所述时间段内对应的卸载决策、频谱资源以及计算资源的分配的第二约束条件;
以本地收益最大化为目标,且利用所述第二约束条件,确定各个用户终端在每个所述时间段内对应的卸载决策、频谱资源以及计算资源的分配;其中,所述本地收益为所述频谱资源的收益与所述计算资源的收益之和。
7.根据权利要求6所述的方法,其特征在于,所述利用所述目标视频数据的命中结果、本地的可用频带总带宽、小蜂窝与宏基站的回程链路带宽以及小基站向所述用户终端传输数据的频谱效率,形成确定各个用户终端在每个所述时间段内对应的卸载决策、频谱资源以及计算资源的分配的第二约束条件,包括:
计算本地为各个所述用户终端分配的计算资源、对应的所述命中结果以及对应的所述卸载决策的乘积之和,形成第五约束子条件;
利用本地为各个所述用户终端分配的计算资源以及所述用户终端自身的计算能力,形成第六约束子条件;
利用本地为各个所述用户终端分配的频谱资源形成第七约束子条件;
计算本地为各个所述用户终端分配的频谱资源、所述本地的可用频带总带宽以及所述频谱效率的乘积,以形成第八约束子条件;
计算所有本地为各个所述用户终端分配的频谱资源、所述本地的可用频带总带宽以及所述频谱效率的乘积之和,以形成第九约束条件。
8.根据权利要求7所述的方法,其特征在于,所述第二约束条件以及所述本地收益最大化采用如下公式表示:
其中,N为所有小蜂窝的集合;kn表示小基站n对应的用户终端k;Kn表示所有用户终端的集合;表示用户终端kn对应的卸载决策;表示本地为用户终端kn分配的计算资源;vn表示小蜂窝n收取费用的单价;F表示本地的全部计算资源;表示本地执行的用户终端kn的计算任务;表示本地为用户终端kn分配的频谱资源;θn表示向小蜂窝n中的用户终端所收取的传输目标视频数据的单价;B表示本地的可用频带总带宽;表示对应于用户终端kn的频谱效率;υn表示小蜂窝n租借频谱的单价;ηn表示租借小蜂窝n与宏基站之间回程链路的单价;pn表示小基站n向用户终端kn传输时的功率密度;pm表示小基站m向用户终端kn传输时的功率密度;和分别表示小基站n到用户终端kn和小基站m到用户终端kn的信道增益,m≠n;σ表示加性高斯白噪声的功率谱密度;表示用户终端kn自身的计算能力;表示用户终端kn对所请求的目标视频数据所需的最小传输速率;Ln表示小蜂窝n与宏基站的回程链路带宽。
9.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-8中任一项所述的用于视频数据处理的资源分配方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-8中任一项所述的用于视频数据处理的资源分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911206713.2A CN111107639B (zh) | 2019-11-29 | 2019-11-29 | 用于视频数据处理的资源分配方法及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911206713.2A CN111107639B (zh) | 2019-11-29 | 2019-11-29 | 用于视频数据处理的资源分配方法及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111107639A CN111107639A (zh) | 2020-05-05 |
CN111107639B true CN111107639B (zh) | 2023-05-05 |
Family
ID=70421163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911206713.2A Active CN111107639B (zh) | 2019-11-29 | 2019-11-29 | 用于视频数据处理的资源分配方法及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111107639B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668902B (zh) * | 2020-12-31 | 2024-02-06 | 上海众源网络有限公司 | 一种资源分配方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110087318A (zh) * | 2019-04-24 | 2019-08-02 | 重庆邮电大学 | 基于5g移动边缘计算的任务卸载和资源分配联合优化方法 |
CN110312231A (zh) * | 2019-06-28 | 2019-10-08 | 重庆邮电大学 | 一种车联网中基于移动边缘计算的内容缓存决策和资源分配联合优化方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105992219A (zh) * | 2015-02-26 | 2016-10-05 | 中兴通讯股份有限公司 | 一种获取异构网的管理策略的方法和装置 |
US20190075586A1 (en) * | 2016-03-31 | 2019-03-07 | Nec Corporation | Radio access network node, external node, and method therefor |
-
2019
- 2019-11-29 CN CN201911206713.2A patent/CN111107639B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110087318A (zh) * | 2019-04-24 | 2019-08-02 | 重庆邮电大学 | 基于5g移动边缘计算的任务卸载和资源分配联合优化方法 |
CN110312231A (zh) * | 2019-06-28 | 2019-10-08 | 重庆邮电大学 | 一种车联网中基于移动边缘计算的内容缓存决策和资源分配联合优化方法 |
Non-Patent Citations (1)
Title |
---|
Joint computation offloading, resource allocation and content caching in cellular networks with mobile edge computing;Chenmeng Wang等;《2017 IEEE International Conference on Communications (ICC)》;20170731;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111107639A (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230019669A1 (en) | Systems and methods for enhanced feedback for cascaded federated machine learning | |
CN110418418B (zh) | 基于移动边缘计算的无线资源调度方法和装置 | |
EP3605329B1 (en) | Connected cache empowered edge cloud computing offloading | |
CN111431941B (zh) | 一种基于移动边缘计算的实时视频码率自适应方法 | |
Manogaran et al. | Artificial intelligence and blockchain-assisted offloading approach for data availability maximization in edge nodes | |
US11974147B2 (en) | Dynamic cloudlet fog node deployment architecture | |
Gudkova et al. | Service failure and interruption probability analysis for licensed shared access regulatory framework | |
US10681588B2 (en) | Flow control in multi-rat 5G wireless networks | |
US10484750B2 (en) | Methods, radio communication device and base station device for managing a media stream | |
US11490149B2 (en) | Cap-based client-network interaction for improved streaming experience | |
US11558116B2 (en) | Hybrid fiber coaxial fed 5G small cell surveillance with hybrid fiber coaxial hosted mobile edge computing | |
CN111107639B (zh) | 用于视频数据处理的资源分配方法及电子设备 | |
US10271218B2 (en) | Enable access point availability prediction | |
CN114118748B (zh) | 一种服务质量预测方法、装置、电子设备及存储介质 | |
US9258557B2 (en) | Rate optimization for scalable video transmission | |
CN113687876A (zh) | 信息处理方法、自动驾驶控制方法和电子设备 | |
Choi et al. | Delay-sensitive and power-efficient quality control of dynamic video streaming using adaptive super-resolution | |
Erfanian et al. | Cd-lwte: Cost-and delay-aware light-weight transcoding at the edge | |
US11910042B2 (en) | Dynamic allocation of compute capacity in video stream processing | |
WO2021102929A1 (zh) | 用于视频数据处理的资源分配方法及电子设备 | |
CN112449016A (zh) | 一种任务卸载方法、装置、存储介质及电子设备 | |
US10564601B2 (en) | Method and system for image processing and data transmission in network-based multi-camera environment | |
Thakkar et al. | Performance Analysis of Real-Time Video Surveillance Application Leveraging Edge and Cloud | |
US20220408234A1 (en) | Method for providing service in edge network including multiple access points, and system therefor | |
Lee et al. | Adaptive and Stabilized Streaming for Edge-Assisted Connected Vehicles under Heterogeneous Computing Constraints |
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 |