CN111491175B - 一种基于视频内容特征的边缘网络缓存方法和装置 - Google Patents

一种基于视频内容特征的边缘网络缓存方法和装置 Download PDF

Info

Publication number
CN111491175B
CN111491175B CN202010191849.7A CN202010191849A CN111491175B CN 111491175 B CN111491175 B CN 111491175B CN 202010191849 A CN202010191849 A CN 202010191849A CN 111491175 B CN111491175 B CN 111491175B
Authority
CN
China
Prior art keywords
cache
video
node
video content
key feature
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
CN202010191849.7A
Other languages
English (en)
Other versions
CN111491175A (zh
Inventor
郭宗明
关宇
张行功
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.)
Peking University
Original Assignee
Peking University
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 Peking University filed Critical Peking University
Publication of CN111491175A publication Critical patent/CN111491175A/zh
Application granted granted Critical
Publication of CN111491175B publication Critical patent/CN111491175B/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
    • H04N21/231—Content storage operation, e.g. caching movies for short term storage, replicating data over plural servers, prioritizing data for deletion
    • H04N21/23106—Content storage operation, e.g. caching movies for short term storage, replicating data over plural servers, prioritizing data for deletion involving caching operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/433—Content storage operation, e.g. storage operation in response to a pause request, caching operations
    • H04N21/4331—Caching operations, e.g. of an advertisement for later insertion during playback
    • 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
    • H04N21/85—Assembly of content; Generation of multimedia applications
    • H04N21/858—Linking data to content, e.g. by linking an URL to a video object, by creating a hotspot
    • H04N21/8586—Linking data to content, e.g. by linking an URL to a video object, by creating a hotspot by using a URL

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明公开了一种基于视频内容特征的内容缓存方法和装置。本发明涉及网络缓存与视频领域，能够在边缘网络存储空间有限、请求分布分散的情况下显著提升网络缓存命中率，从而提升视频传输质量。本发明提出一种新颖的基于特征的内容缓存策略，通过采集视频文件内容上的特征来进行缓存准入，从而反映出用户对视频文件的偏好，从而提高网络缓存的内容复用率。本发明的主要贡献包括：通过视频内容特征采集的方法，提出了一个衡量视频缓存价值的新的衡量标准，通过视频内容特征来进行缓存；通过树状数据结构对特征空间进行压缩，并通过强化学习的方法实时更新出存入缓存的特征空间，从而大大减小了算法的功耗，使之可以实际应用于边缘网络节点之上。

Description

一种基于视频内容特征的边缘网络缓存方法和装置
技术领域
本发明属于网络流媒体传输技术领域，具体涉及到一种提升缓存命中率从而降低视频传输延迟的缓存方法和装置。
背景技术
由于在当今网络传输中，视频流量已经占全部流量的绝大部分，因此针对视频的特点作出高效的缓存策略可以有效降低网络的带宽消耗。其中，缓存准入策略是提升缓存性能的一个重要方法。
自1994年以来，缓存准入策略逐渐得到了广泛研究并有了一定的应用。在当前方法中，缓存准入策略可以分为两类:(1)基于请求频率的缓存准入策略(2Q,PSS,TLRU和BloomFilter)，(2)基于内容大小的缓存准入策略(Threshold,LRU-S,AdaptSize)。
基于请求频率的缓存准入策略普遍应用于大型网络缓存节点(例如大型CDN节点)。缓存节点会维护一张巨大的内容请求频率表，用于记录所有内容在近期被请求的频率。因此，缓存节点可以根据内容的访问频率来决定是否让内容进入缓存。该方法的应用有两个前提:首先是节点的存储、运算能力要足够大，因为实时维护所有内容的请求热度需要占用一定的存储和计算资源，其次是请求的密集程度要足够大，从而使对内容的请求能够形成统计上的热度分布。
基于内容大小的缓存准入策略普遍应用于内存中。由于内存中文件大小相差巨大(大文件可能是小文件的107倍)，接收一个大文件可能会导致数量众多的小文件被替换出缓存，在此过程中会消耗大量读写资源。因此，内存的缓存准入策略普遍倾向于只接受大小小于一定阈值的文件，而将大文件阻挡出去。
以上两种方法在应用于边缘节点缓存时都存在一些问题。边缘节点是指位于网络边缘，计算能力和存储能力都较弱的缓存设备。基于请求频率的缓存准入策略需要较大的请求密集程度和较强的设备运算能力，基于内容大小的缓存准入策略适用于大小悬殊的文件请求。然而视频文件普遍属于大文件，大小大致在一个数量级，没有过于悬殊的差距，而且边缘缓存难以提供足够的访问密集程度以形成稳定的热度分布。因此，现有方法并不适合边缘节点的视频缓存。
发明内容
本发明的目的是针对边缘网络视频传输中缓存命中率低的问题，提出了一种能够在边缘缓存节点空间有限、请求分布随机的情况下，通过视频内容相关特征、挖掘用户喜好，从而尽可能多地命中用户对视频请求的一种视频内容缓存策略，减少视频传输网络延迟。
本发明采用的技术方案如下：
一种基于视频内容特征的边缘网络缓存方法，包括以下步骤：
收集视频内容信息；
利用收集的视频内容信息，学习具有不同特征的视频的缓存命中率，建立关键特征学习模型；
利用关键特征学习模型，建立缓存准入决策模型；
利用缓存准入决策模型，判断视频内容是否被允许进入缓存。
进一步地，所述建立关键特征学习模型，包括：
建立树状特征空间模型；
定义树状特征空间模型中各节点所维护的信息，每个节点i代表一个特征子空间，并维护其整体命中率和热度；如果i是叶节点，则相应的特征子空间称为关键特征组合；
通过节点扩展和节点修剪两个基本操作进行模型训练，训练过程中实时获得当前的关键特征组合及该关键特征组合下的视频文件的缓存命中率。
进一步地，所述节点扩展是定期扩展有潜力的叶节点，将特征子空间划分为更小的特征子空间，在所述更小的特征子空间下的视频请求到达时生成子节点；所述节点修剪是定期修剪空闲节点，如果在某个特征子空间下对视频内容的请求量在一定时间内低于阈值，则删除相应的节点。
进一步地，所述利用关键特征学习模型，建立缓存准入决策模型，包括：
计算各个关键特征组合的收益；
选择代表K个关键特征组合的K个叶节点获得最高收益，并允许该K个叶节点进入缓存；
对每个选择的叶节点进行收益更新。
进一步地，采用收益函数F(hi,li,ci)计算各个关键特征组合的收益：
Figure BDA0002416213910000021
其中，对于给定的叶节点i，hi定义为其关键特征组合下视频内容的最近命中率，li定义为叶节点i所在的层数，ci定义为i在历史上已被缓存准入决策模型缓存的次数，δ1、δ2和δ3是三个恒定偏移量。
进一步地，所述对每个选择的叶节点进行收益更新，是对于每个选定的叶节点i，hi的值根据节点i下视频内容的实际命中率进行更新，ci增加1，然后缓存准入决策模型根据收益函数F(hi,li,ci)的定义获得更新后的收益函数。
进一步地，每经过一段时间，对关键特征学习模型和缓存准入决策模型进行更新。
一种网络缓存装置，其包括：
模型训练模块，用于收集视频内容信息；利用收集的视频内容信息，学习具有不同特征的视频的缓存命中率，建立关键特征学习模型；利用关键特征学习模型，建立缓存准入决策模型；
缓存准入决策模块，用于利用缓存准入决策模型，判断视频内容是否被允许进入缓存。
本发明针对边缘视频缓存节点存储空间小、请求分散难以形成热度统计的特点，设计了基于视频内容特征的缓存准入策略。不同于传统的缓存准入策略，本发明通过视频内容相关的特征汇集类似的视频，并训练模型以得到它们的平均命中率，而不是建立所有视频内容的请求频率直方图。然后，应用强化学习算法来实时进行缓存准入决策。例如，通过检查视频的类别，作者和时间长度，可以决定是否允许此视频进入缓存。由于本发明通过内容特征来划分不同的视频并以特征为粒度预测内容热度，它不需要建立巨大的内容热度表，同时能良好适应单个内容在边缘节点热度不稳定的特点，因此可以在边缘节点上取得良好的效果。
本发明通过采集视频文件内容上的特征来进行缓存准入，从而反映出用户对视频文件的偏好。因为用户的偏好是相对稳定的，从而提高网络缓存的内容复用率。本发明的主要贡献包括：(1)通过视频内容特征采集的方法，提出了一个衡量视频缓存价值的新的衡量标准，并通过这些视频内容特征来进行缓存。(2)为克服视频内容特征庞大、边缘网络请求多变的问题，通过树状数据结构对特征空间进行压缩，并通过强化学习的方法实时更新出存入缓存的特征空间，从而大大减小了算法的功耗，使之可以实际应用于边缘网络节点之上。
本发明中的缓存方法有两个主要优势：
(1)适用于较分散的请求分布。本发明所提及的缓存算法基于特征而不是基于单个内容进行热度统计，将类似内容汇聚为一类，可以在分散、难以形成热度分布的请求中，有效抵消基于内容做统计产生的巨大偏差。
(2)轻量级算法。本发明提及的缓存算法是一种轻量级算法，由于只需要统计不同特征的视频热度而不需要记录所有视频的请求频率，算法运行只需要少量的存储空间。因此非常适合应用于计算、存储能力受限的边缘节点。
附图说明
图1是本发明所提及的基于视频内容特征缓存策略的示例图。
图2是关键特征学习模型的示意图。
图3是本发明方法的流程图。
具体实施方式
本发明属于网络视频缓存领域，具体涉及到一种改善边缘网络视频文件缓存效率的缓存策略。通过对视频内容特征的分析，决定哪些内容存入缓存中，从而提升缓存命中率，提升视频传输质量。
视频可以具有类别(电影，卡通或体育视频)，视频作者，时间长度，发布日期和许多其他特征等特征，而视频的热度与这些特征高度相关。因此可以通过视频的内容特征来决定应该允许哪些特征进行缓存的视频。
图1展示了一个例子。在此示例中，有3种类型的视频特征：类别，作者和时间长度。假设Alice是一位著名的歌手，她的短音乐视频都非常受欢迎。此时Alice的一个新的音乐视频到达边缘节点。采用本发明的方法检查其特征，发现该视频的类别为音乐，其作者为Alice，时间长度较短。该方法可以估计这是(或将是)具有高命中率的流行视频，所以它会被接收进缓存。
本发明中边缘网络节点缓存策略方案包括以下步骤：
(1)视频内容信息收集(Information Collector,IC)。
(2)建立关键特征学习模型(Critical Feature Learning Model，CFLM)。CFLM采用IC生成的输入向量，并学习具有不同特征的视频的预期命中率。
(3)建立缓存准入决策模型(Admission Decision Model，ADM)。当CFLM完成学习时，ADM使用强化学习来决定应该接收哪些特征的视频文件。
以下详细介绍这3个基本步骤。
(1)视频内容信息收集
由于目前视频网站普遍对视频会有各种标签(例如类别、作者、发布时间等等)，且这些信息都包含于与视频关联的html文件中，因此在本发明中，直接通过发送http请求的方式即可获得。且视频的内容特征信息均为纯文本，相比视频本身几乎不占空间。
(2)建立关键特征学习模型(Critical Feature Learning Model，CFLM)
(2.1)建立树状特征空间模型。CFLM的一个例子如图2所示。CFLM是一个有若干层节点的树。在此示例中，深度为0(根)的节点表示视频服务提供者。深度为1，2和3的节点用来区分具有不同类别，作者和长度的视频。深度为4的每个节点表示唯一视频。
(2.2)定义各节点所维护的信息。CFLM中的每个节点i代表一个特征子空间，并维护其整体命中率和热度。特别地，如果i是叶节点，则相应的特征子空间称为关键特征组合。关键特征组合可以被视为缓存准入策略中的特征准入阈值。由于CFLM不是完全树，因此叶节点可以仅表示单维特征下的所有视频，也可表示多维特征组合下的所有视频。显然，所有关键特征组合构成整个特征空间的不重叠划分。
(2.3)模型训练。在开始时，根结点是CFLM中唯一的一个节点。CFLM训练仅包括2个基本操作：(2.3.1)节点扩展和(2.3.2)节点修剪。
(2.3.1)节点扩展：CFLM定期扩展有潜力的叶节点。如果某个关键特征组合具有较高的热度但命中率较低，则表明此关键特征组合下有许多不同的视频，但并非所有视频都有较高的热度。我们需要分辨出哪些视频热度高，哪些热度低。CFLM扩展相应的叶节点并将特征子空间划分为更小的子空间。例如，“root/cartoons”是有潜力的的叶节点(因此cartoons是一个关键特征组合)。CFLM将此节点标记为非叶节点，然后在这些较小的特征子空间下的视频请求到达时生成子节点，如“root/cartoons/<10min”或“root/cartoons/10min-30min”，从而将这个特征空间进一步细分。
(2.3.2)节点修剪：CFLM定期修剪空闲节点。如果在某个特征子空间下对视频内容的请求太少(一定时间内请求量低于阈值T)，则CFLM将删除相应的节点以保持CFLM大小不会过大。显然，如果节点处于空闲状态，则其所有子节点都处于空闲状态(因为其子节点的热度必定比父节点更小)。
在CFLM训练过程中，可以实时获得当前的关键特征组合及其该特征组合下的视频文件的缓存命中率。
(3)建立缓存准入决策模型(Admission Decision Model，ADM)
ADM是对CFLM中各个关键特征组合进行不断尝试并试验出哪些特征组合进入缓存的算法。
(3.1)对各个关键特征组合的收益计算。给定CFLM中的叶节点i(也表示关键特征组合)，将hi定义为该关键特征组合下视频内容的最近命中率，将li定义为CFLM中叶节点i所在的层数，并将ci定义为i在历史上已被ADM接纳的次数(即被ADM缓存的次数)。然后，定义收益函数F(hi,li,ci)以模拟接受关键特征组合的偏好：
Figure BDA0002416213910000051
其中δ1，δ2和δ3是三个恒定偏移量。
(3.2)选择合适的关键特征组合，进行缓存决策。在每一轮中，ADM选择K个叶子节点(代表K个关键特征组合)获得最高收益，并允许他们进入缓存。K的取值一般为10。
(3.3)收益更新。做出决定后，对于每个选定的叶节点i，hi的值将根据节点i下视频内容的实际命中率进行更新，ci将增加1。然后ADM可以根据收益函数F(hi,li,ci)的定义来获得更新后的收益函数。
注：如果从未选择过叶节点i，则默认将其命中率hi设置为其父级的命中率。这通常是不准确的。选择叶节点后，将根据实际命中率更新值。
图3所示为本发明方法的主要流程，具体实施步骤如下：
(1)初始化。一开始，根结点是CFLM中唯一的一个节点，整个特征空间是唯一关键特征组合。ADM将选择整个特征空间作为准入的特征空间。因此允许所有视频内容进入缓存。
(2)CFLM训练。基于节点扩展和修剪，CFLM经过训练可生成关键特征组合及其近期的命中率。
(3)ADM训练。在所有关键特征组合中，选择前K％的关键特征组合。这些关键特征组合下的所有内容都将被允许缓存，其他内容则不被允许。
(4)实时缓存准入决策。当视频内容来到网络缓存节点时，通过简单检查ADM是否选择了其特征组合，为每个视频内容提供是否缓存的判断。这些操作的执行复杂度极低，可以非常高效地完成。经过一段时间后，回到第2阶段即步骤(2)，以更新CFLM和ADM。在实践中，可以每小时更新一次模型(跳到第2阶段)。
为验证本发明，通过TCPdump的方式采集了经过一个路由节点的所有向bilibili视频网站的HTTP请求，同时通过网页爬虫的方法获取到每个视频的内容相关特征。请求数据包含连续24小时，共计1.5*106条请求，包括2.5*104个视频文件。实验结果表明，本发明通过采集视频文件内容上的特征来进行缓存准入，能够在边缘节点上取得良好的效果，非常适合应用于计算、存储能力受限的边缘节点。
本发明在边缘缓存节点的实施中，主要包括接收视频内容请求后、接收视频内容文件后两个处理流程：
(1)当边缘节点收到视频内容请求：首先抽取该视频内容请求的URL，然后通过源视频网站中视频内容URL和视频信息页的URL的关系，转换成对应视频信息页的URL，然后对其视频信息页发起一个新的HTTP请求。当视频信息页返回时，则抽取出其中反映视频内容的特征，用于训练本发明所描述的模型。
(2)当边缘节点收到视频内容文件：同理通过视频文件和视频信息页的URL关系进行URL转换，获取视频信息页，提取该视频内容的相应特征。根据该视频的特征，使用本发明中提到的模型来决定是否准入该视频进入缓存。若无法获得该视频的特征，则默认禁止视频内容进入缓存。
基于同一发明构思，本发明的另一个实施例提供一种网络缓存装置，其包括：
模型训练模块，用于收集视频内容信息；利用收集的视频内容信息，学习具有不同特征的视频的缓存命中率，建立关键特征学习模型；利用关键特征学习模型，建立缓存准入决策模型；
缓存准入决策模块，用于利用缓存准入决策模型，判断视频内容是否被允许进入缓存。
基于同一发明构思，本发明的另一个实施例提供一种电子装置(计算机、服务器、智能手机等)，其包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行本发明方法中各步骤的指令。
基于同一发明构思，本发明的另一个实施例提供一种计算机可读存储介质(如ROM/RAM、磁盘、光盘)，所述计算机可读存储介质存储计算机程序，所述计算机程序被计算机执行时，实现本发明方法的各个步骤。
以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的原理和范围，本发明的保护范围应以权利要求书所述为准。

Claims (5)

1.一种基于视频内容特征的边缘网络缓存方法，其特征在于，包括以下步骤：
收集视频内容信息；
利用收集的视频内容信息，学习具有不同特征的视频的缓存命中率，建立关键特征学习模型；
利用关键特征学习模型，建立缓存准入决策模型；
利用缓存准入决策模型，判断视频内容是否被允许进入缓存；
所述建立关键特征学习模型，包括：
建立树状特征空间模型；
定义树状特征空间模型中各节点所维护的信息，每个节点i代表一个特征子空间，并维护其整体命中率和热度；如果i是叶节点，则相应的特征子空间称为关键特征组合；
通过节点扩展和节点修剪两个基本操作进行模型训练，训练过程中实时获得当前的关键特征组合及该关键特征组合下的视频文件的缓存命中率；
所述节点扩展是定期扩展有潜力的叶节点，将特征子空间划分为更小的特征子空间，在所述更小的特征子空间下的视频请求到达时生成子节点；所述节点修剪是定期修剪空闲节点，如果在某个特征子空间下对视频内容的请求量在一定时间内低于阈值，则删除相应的节点；
所述利用关键特征学习模型，建立缓存准入决策模型，包括：
计算各个关键特征组合的收益；
选择代表K个关键特征组合的K个叶节点获得最高收益，并允许该K个叶节点进入缓存；
对每个选择的叶节点进行收益更新；
所述计算各个关键特征组合的收益，是采用收益函数F(hi,li,ci)计算各个关键特征组合的收益：
Figure FDA0003064762050000011
其中，对于给定的叶节点i，hi定义为其关键特征组合下视频内容的最近命中率，li定义为叶节点i所在的层数，ci定义为i在历史上已被缓存准入决策模型缓存的次数，δ1、δ2和δ3是三个恒定偏移量；
所述对每个选择的叶节点进行收益更新，是对于每个选定的叶节点i，hi的值根据节点i下视频内容的实际命中率进行更新，ci增加1，然后缓存准入决策模型根据收益函数F(hi,li,ci)的定义获得更新后的收益函数。
2.根据权利要求1所述的方法，其特征在于，每经过一段时间，对关键特征学习模型和缓存准入决策模型进行更新。
3.一种采用权利要求1或2所述方法的网络缓存装置，其特征在于，包括：
模型训练模块，用于收集视频内容信息；利用收集的视频内容信息，学习具有不同特征的视频的缓存命中率，建立关键特征学习模型；利用关键特征学习模型，建立缓存准入决策模型；
缓存准入决策模块，用于利用缓存准入决策模型，判断视频内容是否被允许进入缓存。
4.一种电子装置，其特征在于，包括存储器和处理器，所述存储器存储计算机程序，所述计算机程序被配置为由所述处理器执行，所述计算机程序包括用于执行权利要求1或2所述方法的指令。
5.一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计算机程序，所述计算机程序被计算机执行时，实现权利要求1或2所述的方法。
CN202010191849.7A 2019-10-18 2020-03-18 一种基于视频内容特征的边缘网络缓存方法和装置 Active CN111491175B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910992421X 2019-10-18
CN201910992421 2019-10-18

Publications (2)

Publication Number Publication Date
CN111491175A CN111491175A (zh) 2020-08-04
CN111491175B true CN111491175B (zh) 2021-08-20

Family

ID=71812523

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010191849.7A Active CN111491175B (zh) 2019-10-18 2020-03-18 一种基于视频内容特征的边缘网络缓存方法和装置

Country Status (1)

Country Link
CN (1) CN111491175B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11570487B2 (en) * 2020-08-18 2023-01-31 Comcast Cable Communications, Llc Methods and systems for accessing stored content
CN113158544B (zh) * 2021-02-03 2024-04-12 大连理工大学 车载内容中心网络下基于联邦学习的边缘预缓存策略
CN113946292B (zh) * 2021-10-29 2023-10-24 南京审计大学 一种基于强化学习的频繁写缓存数据压缩方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5145719B2 (ja) * 2007-01-30 2013-02-20 ソニー株式会社 メタデータ収集システム、コンテンツ管理サーバ、メタデータ収集装置、メタデータ収集方法およびプログラム
CN104822068A (zh) * 2015-04-29 2015-08-05 四达时代通讯网络技术有限公司 流媒体代理缓存替换方法及装置
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
CN108124168A (zh) * 2017-12-28 2018-06-05 洛阳师范学院 一种无线移动网络下基于用户兴趣感知的视频共享方法
CN108833933A (zh) * 2018-06-14 2018-11-16 广东互通宽带网络服务有限公司 一种使用支持向量机推荐视频流量的方法及系统

Also Published As

Publication number Publication date
CN111491175A (zh) 2020-08-04

Similar Documents

Publication Publication Date Title
CN111491175B (zh) 一种基于视频内容特征的边缘网络缓存方法和装置
Ali et al. Intelligent web proxy caching approaches based on machine learning techniques
CN101641697B (zh) 对网页的相关搜索查询及其应用
JP5542688B2 (ja) ユーザによるコンテンツへのアクセスを最適化する装置及び方法
US8630972B2 (en) Providing context for web articles
CN105335491B (zh) 基于用户点击行为来向用户推荐图书的方法和系统
Ouyang et al. A peek into the future: Predicting the popularity of online videos
Li et al. Characterizing and predicting the popularity of online videos
Tan et al. A novel time series approach for predicting the long-term popularity of online videos
CN102831193A (zh) 基于分布式多级聚类的话题检测装置及方法
CN104822068A (zh) 流媒体代理缓存替换方法及装置
CN101645888A (zh) 一种基于访问频度变长逻辑分段的数据分发方法
JP2022020070A (ja) 情報処理、情報推薦の方法および装置、電子デバイス及び記憶媒体
CN114637911B (zh) 一种注意力融合感知网络的下一个兴趣点推荐方法
CN111125429A (zh) 一种视频推送方法、装置和计算机可读存储介质
Fang et al. Networked bandits with disjoint linear payoffs
WO2023185175A1 (zh) 视频处理方法及装置
Lobzhanidze et al. Proactive caching of online video by mining mainstream media
CN101944111A (zh) 新闻视频的搜索方法和装置
WO2013064505A1 (en) Method and system for determining a popularity of online content
CA3200883A1 (en) Multi-cache based digital output generation
Li et al. Analysis and prediction of content popularity for online video service: A Youku case study
Li et al. Large-scale characterization of comprehensive online video service in mobile network
Hassine et al. Popularity prediction in content delivery networks
Silva et al. USTAR: Online multimodal embedding for modeling user-guided spatiotemporal activity

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