CN112822512B - 一种基于svc视频文件的分层缓存方法 - Google Patents

一种基于svc视频文件的分层缓存方法 Download PDF

Info

Publication number
CN112822512B
CN112822512B CN202110110200.2A CN202110110200A CN112822512B CN 112822512 B CN112822512 B CN 112822512B CN 202110110200 A CN202110110200 A CN 202110110200A CN 112822512 B CN112822512 B CN 112822512B
Authority
CN
China
Prior art keywords
user
file
optimal
cache
caching
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
CN202110110200.2A
Other languages
English (en)
Other versions
CN112822512A (zh
Inventor
赵夙
岳雯雁
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202110110200.2A priority Critical patent/CN112822512B/zh
Publication of CN112822512A publication Critical patent/CN112822512A/zh
Application granted granted Critical
Publication of CN112822512B publication Critical patent/CN112822512B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/17—Details of further file system functions
    • G06F16/172—Caching, prefetching or hoarding of files
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/18—File system types
    • G06F16/185—Hierarchical storage management [HSM] systems, e.g. file migration or policies thereof
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
    • H04N19/30—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability
    • 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
    • H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
    • H04N21/2343—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements
    • H04N21/234327—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements by decomposing into layers, e.g. base layer and one or more enhancement layers
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Transfer Between Computers (AREA)

Abstract

本发明公开了一种基于可伸缩视频编码(SVC)文件的分层缓存方法，属于通信技术领域；该方法针对D2D用户缓存场景，考虑了用户与内容提供商各自的收益，结合SVC视频文件的特性实现分层缓存，以满足用户各种质量视频的需求；步骤如下：该方法在用户和内容提供商间建立斯坦伯格博弈，用户为从属层，通过优化SVC文件各层的缓存概率最大化自身的收益，内容提供商为领导层，通过调整激励价格使自身收益最大，双方迭代优化，达到均衡点即表示获得了最优缓存与定价策略。该方法可以合理的使用网络中的传输资源与缓存资源，提高了系统的总效用。

Description

一种基于SVC视频文件的分层缓存方法
技术领域
本发明属于通信技术领域，具体涉及一种基于SVC视频文件的分层缓存方法。
背景技术
近年来，随着移动通信技术的不断发展，无线数据流量正在急剧增长，对于这种爆炸性增长的流量数据，可以从流量特性入手来处理大量的数据流量。视频文件请求的流量特性表现为，在一段时间内，80％的数据流量是由20％受欢迎视频文件的重复请求导致的，基于该特点，提出缓存技术来减少不必要的数据流量，即将部分流行的文件预先缓存到无线网络的边缘，以减轻回程链路与核心网的负荷，减少用户获取文件时延。因此，无线通信网络中的缓存技术引起了人们的广泛关注。
采用缓存技术将文件缓存到边缘设备中，可以节省回程链路的传输消耗，但缓存设备会产生额外的缓存成本，因此可以说传输消耗与缓存成本的变化是矛盾的，在该矛盾下，通常运用博弈论方法解决使系统总收益最大的缓存问题。缓存设备可大致分为两类，基站和移动用户，随着端到端通信技术的发展，D2D用户缓存技术可以有效减轻基站缓存负担，更进一步提高视频文件的命中率与传输时延。
随着对视频文件不同质量需求的增多，可伸缩视频编码(SVC)出现并成为热门技术，SVC即通过编码将视频文件分为一个基础层和多个增强层，在已获取前k层数据包基础上，用户可以通过获取k+1层的数据进一步提升视频的质量。本发明针对D2D用户缓存场景，运用博弈论方法解决了SVC视频文件各层的缓存概率与激励价格优化问题，使得系统总收益实现最大化。该方法可以合理的使用网络中的传输资源与缓存资源，提高了系统的总效用。
发明内容
针对上述问题，本发明提供了一种基于SVC视频文件的分层缓存方法；通过博弈论方法分别优化用户与内容提供商的收益，选择最优的缓存概率与激励价格。
本发明的技术方案是：一种基于SVC视频文件的分层缓存方法，具体步骤包括如下：
步骤(1.1)、初始化；
步骤(1.2)、对于每个文件，根据用户的文件缓存概率
Figure GDA0003929007090000021
内容提供商的效用函数，分别计算SVC视频文件每层的最优激励价格
Figure GDA0003929007090000022
使自己的效用
Figure GDA0003929007090000023
最大化；
步骤(1.3)、根据最优激励价格
Figure GDA0003929007090000024
用户构造拉格朗日函数，用k表示拉格朗日乘子法的迭代次数并初始化为0，初始化拉格朗日乘子μk和
Figure GDA0003929007090000025
为0；
步骤(1.4)、通过KKT条件，对每个文件f的不同质量版本计算出最优缓存概率
Figure GDA0003929007090000026
接着通过采用梯度法分别更新每个拉格朗日乘子的绝对值，即μk+1和
Figure GDA0003929007090000027
步骤(1.5)、根据更新每个拉格朗日乘子的绝对值，从而确定拉格朗日乘子的绝对值是否小于预设误差；
如是，则根据当前缓存策略与激励价格分别计算用户和内容提供商的效用；
如否，则返回步骤(1.4)；
步骤(1.6)、根据当前的缓存策略
Figure GDA0003929007090000028
与激励价格
Figure GDA0003929007090000029
分别计算用户效用
Figure GDA00039290070900000210
与内容提供商的效用
Figure GDA00039290070900000211
从而确定用户和内容提供商效用的变化值是否小于预设误差；
如是，则进行斯坦伯格博弈基本收敛，最终得到最优的缓存策略与激励价格；
如否，则返回步骤(1.2)，重新执行步骤(1.2)-(1.6)。
进一步的，在步骤(1.1)中，所述初始化的具体操作方法如下：用户在基站通信范围内服从齐次泊松点过程分布，其强度为λ；
视频文件用集合为F＝{1，……，f，……，F}表示，总数为F，每个视频文件拥有高清和标清两种质量；用[pf,l]l×F表示用户的文件缓存概率，初始化为0，用rf,l表示内容提供商给出的激励，用t表示斯坦伯格博弈的迭代次数并初始化为0。
进一步的，在步骤(1.2)中，所述计算SVC视频文件每层最优激励价格
Figure GDA00039290070900000212
的具体操作方法如下：
计算内容提供商效用的一阶偏导函数
Figure GDA00039290070900000213
对每个文件的激励价格rf,l，均以rmin和rmax为边界值，分别带入
Figure GDA0003929007090000031
中，采取二分法迭代求其零点，即获得最优激励价格
Figure GDA0003929007090000032
进一步的，在步骤(1.3)中，所述的用户构造拉格朗日函数的具体操作方法如下：
将优化问题中的不等式约束松弛为等式约束，简化约束C2，约束C1和C3分别乘以拉格朗日乘子μ和ζf后与优化目标函数累加，构成拉格朗日函数L，即将不等约束的优化问题转化为无约束优化问题，其中拉格朗日乘子μ和ζf均不小于0，迫使优化变量满足原不等式约束。
进一步的，在步骤(1.4)中，所述运用拉格朗日乘子法确定SVC视频文件每层最优缓存概率
Figure GDA0003929007090000033
的具体操作方法如下：
运用KKT条件，即对用户拉格朗日函数L分别求优化目标pf,l的偏导并令其等于0，结合约束的互补松弛条件构成方程组，解方程组获得最优缓存概率
Figure GDA0003929007090000034
关于拉格朗日乘子μk和
Figure GDA0003929007090000035
的表达式，μk+1和
Figure GDA0003929007090000036
根据
Figure GDA0003929007090000037
结合互补松弛条件更新，交替更新缓存概率与乘子，直到双方基本稳定，即视为获得最优缓存概率
Figure GDA0003929007090000038
进一步的，在步骤(1.5)中，所述确定拉格朗日乘子的绝对值是否小于预设误差的具体操作方法如下：
计算拉格朗日乘子变化的绝对值和，即
Figure GDA0003929007090000039
如果δ足够小，即表示拉格朗日乘子基本不发生变化，用户获得此次迭代的最优缓存概率
Figure GDA00039290070900000310
则执行下一步；否则执行k＝k+1，并跳转到步骤(1.4)。
进一步的，在步骤(1.6)中，所述确定用户和内容提供商效用的变化值是否小于预设误差的具体操作方法如下：通过计算用户效用
Figure GDA00039290070900000311
与内容提供商的效用
Figure GDA00039290070900000312
并计算效用的增加值
Figure GDA00039290070900000313
如果σ足够小，即表示斯坦伯格博弈基本收敛，
已经获得最优的缓存策略
Figure GDA00039290070900000314
和激励价格
Figure GDA00039290070900000315
循环结束；否则t＝t+1，并跳转到步骤(1.2)继续执行。
本发明的有益效果是：1、本发明分别以用户的收益和内容提供商的收益最大化为优化目标，其中用户收益包含激励与缓存成本，内容提供商的收益受传输成本和激励影响，采用斯坦伯格博弈分别优化缓存概率与激励价格；2、不同于传统的缓存文件，本发明针对多层SVC视频文件进行分层缓存，满足了用户存在的多种视频质量需求；3、不同于传统的D2D用户缓存，本发明方法考虑了用户的移动性，采用齐次泊松点过程模拟用户分布，在此基础上推导了文件的激活概率，定义了博弈双方的效用函数。
附图说明
图1是本发明方法的流程示意图；
图2是本发明方法的网络模型示意图；
图3、图4、图5是本发明中内容提供商的收益，用户的收益和文件命中率的仿真结果图。
具体实施方式
为了更清楚地说明本发明的技术方案，下面结合附图对本发明的技术方案做进一步的详细说明：
如图1所述；物联网场景中(D2D用户缓存场景)中，一种基于可伸缩视频编码(SVC)视频文件的分层缓存方法，具体步骤包括如下：
步骤(1.1)、初始化；
步骤(1.2)、对于每个文件，根据用户的文件缓存概率
Figure GDA0003929007090000041
内容提供商的效用函数，分别计算SVC视频文件每层的最优激励价格
Figure GDA0003929007090000042
使自己的效用
Figure GDA0003929007090000043
最大化；
步骤(1.3)、根据最优激励价格
Figure GDA0003929007090000044
用户构造拉格朗日函数，用k表示拉格朗日乘子法的迭代次数并初始化为0，初始化拉格朗日乘子μk和
Figure GDA0003929007090000045
为0；
步骤(1.4)、通过KKT条件，对每个文件f的不同质量版本计算出最优缓存概率
Figure GDA0003929007090000046
接着通过采用梯度法分别更新每个拉格朗日乘子的绝对值，即μk+1和
Figure GDA0003929007090000047
步骤(1.5)、根据更新每个拉格朗日乘子的绝对值，从而确定拉格朗日乘子的绝对值是否小于预设误差；
如是，则根据当前缓存策略与激励价格分别计算用户和内容提供商的效用；
如否，则返回步骤(1.4)；
步骤(1.6)、根据当前的缓存策略
Figure GDA0003929007090000051
与激励价格
Figure GDA0003929007090000052
分别计算用户效用
Figure GDA0003929007090000053
与内容提供商的效用
Figure GDA0003929007090000054
从而确定用户和内容提供商效用的变化值是否小于预设误差；
如是，则进行斯坦伯格博弈基本收敛，最终得到最优的缓存策略与激励价格；
如否，则返回步骤(1.2)，重新执行步骤(1.2)-(1.6)。
进一步的，在步骤(1.1)中，所述初始化的具体操作方法如下：用户在基站通信范围内服从齐次泊松点过程(PPP)分布，其强度为λ；
视频文件用集合为F＝{1，……，f，……，F}表示，总数为F，每个视频文件拥有高清(l＝1)和标清(l＝2)两种质量；用[pf，l]l×F表示用户的文件缓存概率，初始化为0，用rf，l表示内容提供商给出的激励，用t表示斯坦伯格博弈的迭代次数并初始化为0。
进一步的，在步骤(1.2)中，所述计算SVC视频文件每层最优激励价格
Figure GDA0003929007090000055
的具体操作方法如下：
计算内容提供商效用的一阶偏导函数
Figure GDA0003929007090000056
对每个文件的激励价格rf，l，均以rmin和rmax为边界值，分别带入
Figure GDA0003929007090000057
中，采取二分法迭代求其零点，即获得最优激励价格
Figure GDA0003929007090000058
进一步的，在步骤(1.3)中，所述的用户构造拉格朗日函数的具体操作方法如下：
将优化问题中的不等式约束松弛为等式约束，简化约束C2，约束C1和C3分别乘以拉格朗日乘子μ和ζf后与优化目标函数累加，构成拉格朗日函数L，即将不等约束的优化问题转化为无约束优化问题，其中拉格朗日乘子μ和ζf均不小于0，迫使优化变量满足原不等式约束。
进一步的，在步骤(1.4)中，所述运用拉格朗日乘子法确定SVC视频文件每层最优缓存概率
Figure GDA0003929007090000059
的具体操作方法如下：
运用KKT条件，即对用户拉格朗日函数L分别求优化目标Pf，l的偏导并令其等于0，结合约束的互补松弛条件构成方程组，解方程组获得最优缓存概率
Figure GDA00039290070900000510
关于拉格朗日乘子μk和
Figure GDA00039290070900000511
的表达式，μk+1和
Figure GDA00039290070900000512
根据
Figure GDA00039290070900000513
结合互补松弛条件更新，交替更新缓存概率与乘子，直到双方基本稳定，即视为获得最优缓存概率
Figure GDA0003929007090000061
进一步的，在步骤(1.5)中，所述确定拉格朗日乘子的绝对值是否小于预设误差的具体操作方法如下：
计算拉格朗日乘子变化的绝对值和，即
Figure GDA0003929007090000062
如果δ足够小，即表示拉格朗日乘子基本不发生变化，用户获得此次迭代的最优缓存概率
Figure GDA0003929007090000063
则执行下一步；否则执行k＝k+1，并跳转到步骤(1.4)。
进一步的，在步骤(1.6)中，所述确定用户和内容提供商效用的变化值是否小于预设误差的具体操作方法如下：通过计算用户效用
Figure GDA0003929007090000064
与内容提供商的效用
Figure GDA0003929007090000065
并计算效用的增加值
Figure GDA0003929007090000066
如果σ足够小，即表示斯坦伯格博弈基本收敛，
已经获得最优的缓存策略
Figure GDA0003929007090000067
和激励价格
Figure GDA0003929007090000068
循环结束；否则t＝t+1，并跳转到步骤(1.2)继续执行。
本发明的系统模型如附图2所示，由移动网络运营商(Mobile Network Operator，MNO)、内容提供商(Content Provider，CP)、基站及多个具有缓存功能的用户构成，用户在基站通信范围内服从齐次泊松点过程(PPP)分布，其强度为λ；基站不进行缓存，只负责将请求文件从CP传输到相关用户，系统内共有F个视频文件，集合为F＝{1，……，f，……，F}，考虑用户需求的差异，采用可伸缩视频编码(SVC)方法对文件编码，每个视频文件被分为一个基础数据包和一个增补数据包，用户请求标清版本视频文件只需获得基础数据部分，请求高清版本文件则需要同时获得基础包与增补包，使用l标记视频文件的清晰度，l＝1表示为标清视频，包含基础数据包，l＝2表示为高清视频，包含基础数据包和增补数据包，则标清视频与高清视频所需的文件大小可分别标记为S1和S2；文件的流行度，即文件被用户请求的概率服从Zipf分布，考虑用户对视频不同质量的偏好，用户对视频文件f的请求概率表示为：
Figure GDA0003929007090000071
式(1)中，qf,l表示用户对清晰度为l的文件f的请求概率，α表示Zipf分布的参数，用以控制文件流行度分布，gf,l表示用户对视频文件f质量为l版本的偏好，定义域为[0,1]，缓存概率满足
Figure GDA0003929007090000072
对于D2D用户，其效用函数包括两部分，分别为CP支付的激励和缓存消耗的成本，其中CP给出的对视频文件f的激励，只有在用户缓存的文件f被使用，即用户从该用户处获得文件后，CP才会交付给用户；
用户n缓存的文件f被使用包含两种情况：(1)、对于文件f的请求源自用户n自身；(2)、对于文件f的请求源自用户n半径RD内其他未缓存文件f的用户；注意，视频文件分为两个数据包，高清版本(l＝2)的文件同样可以满足标清(l＝1)的需求，所以基础包，即文件l＝1的部分无论是收到高清还是标清请求，均可以被激活，而增补包，即文件l＝2比l＝1多出的部分只有在收到高清请求时才可以被激活。综上可得l＝1时的文件f的激活概率，即收到请求文件f的概率为：
Figure GDA0003929007090000073
式(2)中，RD表示用户间D2D方式传输的最大距离
同理，l＝2时，文件f的激活概率表示为：
Figure GDA0003929007090000074
CP对于不同文件不同清晰度版本所给出的激励价格不同，采用rf,l表示对l清晰度版本的文件f的激励单价，结合公式(2)与(3)的激活概率，对于每个用户，CP支出的平均激励可表示为：
Figure GDA0003929007090000075
用户缓存文件是有消耗的，包括缓存空间、能量消耗等，该消耗成本与缓存的数据量大小成正比，定义β表示用户每缓存1bit数据的缓存成本，则单个用户缓存的平均成本为：
Figure GDA0003929007090000081
综上，对于每个用户，其效用函数可以表示为：
Uuser＝αR-Ccache (6)
式(6)中，α表示权重因子，用来调节效用中激励收入与缓存成本的比重；
本发明通过优化缓存概率以最大化用户的效用，优化问题表示为：
Figure GDA0003929007090000082
式(7)中，约束C1表示用户的缓存文件不超过其缓存空间D，约束C2表示文件缓存概率不小于0，约束C3表示对同一个文件的缓存概率不大于1；
对于CP，其效用由三部分组成，分别为用户支付的文件租金、支付给用户的激励和支付给MNO的传输费用，其中支付给用户的激励见公式(4)，即为CP支出的平均激励；
用户每请求并获得一个文件，需要根据视频文件清晰度向CP支付相应的费用，标记为cl,l＝{1,2}，CP获得的平均收益，即用户支付的平均文件租金表示为：
Figure GDA0003929007090000083
为了满足用户需求，在用户无法从本地缓存中获取所需文件时，将通过D2D方式从邻近用户获取，或经过BS通过回程链路获取，通过以上两种方式向用户传输文件时，CP需要向MNO支付不同的传输费用，单价分别标记为cD2D和cBS，根据传输的方式不同，CP需支付的传输费用被分为两大类。
通过D2D方式传输文件f时，传输花费可分为三种情况，分别为传输文件f的基础数据包，传输文件f的基础数据包与增补数据包之和和传输文件f的增补数据包。
通过D2D方式传输文件f的基础包，意味着用户请求但未缓存该基础包，并且在其通信范围内存在缓存该基础包的用户，这种情况的概率
Figure GDA0003929007090000091
可表示为：
Figure GDA0003929007090000092
同理，通过D2D方式传输文件f的基础包和增补包的概率
Figure GDA0003929007090000093
表示为：
Figure GDA0003929007090000094
而通过D2D方式只需要传输文件f增补包的场景，发生在用户本地缓存基础包但未缓存增补包情况下，且通信范围内可以找到增补包，这种情况的概率
Figure GDA0003929007090000095
表示为：
Figure GDA0003929007090000096
因此，结合基础数据包与增补数据包的大小，一个用户通过D2D方式获取文件时，CP向MNO支付的平均花费为：
Figure GDA0003929007090000097
通过BS传输文件f同样可分为三种情况，即传输文件f的基础包、传输文件f的增补包以及传输文件f的基础包和增补包之和。
通过BS传输文件f的增补包，意味着用户已将文件的基础包缓存在自身缓存空间中，或可以通过D2D的方式从附近获取，其概率
Figure GDA0003929007090000098
表示为：
Figure GDA0003929007090000099
通过BS传输文件f的基础包或传输基础包和增补包之和，均意味着用户既无法从本地获取相应文件，也无法通过D2D方式就近获取，这两种情况的出现概率
Figure GDA00039290070900000910
和
Figure GDA00039290070900000911
分别表示为：
Figure GDA00039290070900000912
Figure GDA0003929007090000101
根据公式(13)～(15)，一个用户通过BS经过回程链路获取文件时，CP向MNO支付的平均花费为：
Figure GDA0003929007090000102
结合两种传输方式下的平均花费，为了向一个用户传输所需的文件，CP需要向MNO支付的平均总花费为：
Figure GDA0003929007090000103
综上所述，CP的效用函数UCP由收入的文件租金、支出的激励和传输花费组成，表示为：
UCP＝λ(ICP-αR-CNSP) (16)
式(18)中，α表示权重参数，用来调节激励与传输花费在效用中的权重。
为了最大化CP的效用，构造其关于激励价格优化问题如下：
Figure GDA0003929007090000104
式(19)中，约束限制了激励不超出CP预设的边界值，rmin与rmax分别为CP预设好的边界值，一般取(cBS-cD2D)≤rmax≤cBS，因为采用D2D方式传输时，CP可以节省的传输单价为cBS-cD2D，当用户可以从自身缓存中获取所需文件时，CP可以节省的传输单价为cBS，所以CP可以给出的最高激励位于[cBS-cD2D,cBS]之内。
综上所述，本发明针对D2D用户缓存场景，提出了一种基于SVC视频文件的分层缓存方法；考虑用户与内容提供商各自的利益，引入激励机制，结合SVC文件各层数据包间的联系，推导了缓存文件的激活概率以及请求文件通过D2D传输或BS传输的概率，基于推导的概率，综合考虑传输消耗与缓存消耗，分别定义了用户与CP的效用函数，构建了领导层为CP、从属层为用户的斯坦伯格博弈模型，运用拉格朗日乘子法求解最优缓存概率，二分法求解最优激励价格。
如附图3所示，随着缓存空间大小的增加，用户可缓存的文件数目增多，导致内容提供商收益随之增加，而基于SVC视频文件的分层缓存算法的收益始终比另外一种文献算法好，且优势随缓存空间增大逐渐增大；附图4中基于SVC视频文件的分层缓存算法在用户收益上要比另外一种文献算法好，且差距随缓存空间增大逐渐增加；附图5是文件命中率随缓存空间大小的变化，缓存空间大小的增加，表示用户可缓存文件增加，将导致文件命中率线性增长，基于SVC视频文件的分层缓存算法的命中率与另一种算法极为相近；综合附图3、附图4和附图5可知，本发明方法在命中率与最优值相差不大时，更合理的运用了网络中的传输资源与缓存资源，提高了系统的总效用。
最后，应当理解的是，本发明中所述实施例仅用以说明本发明实施例的原则；其他的变形也可能属于本发明的范围；因此，作为示例而非限制，本发明实施例的替代配置可视为与本发明的教导一致；相应地，本发明的实施例不限于本发明明确介绍和描述的实施例。

Claims (5)

1.一种基于SVC视频文件的分层缓存方法，其特征在于，具体步骤包括如下：
步骤(1.1)、分别初始化用户的分布参数，视频文件的流行度参数，用户缓存策略矩阵，与内容提供商的激励价格矩阵；
步骤(1.2)、对于每个文件，根据用户的文件缓存概率
Figure FDA0003893161780000011
内容提供商的效用函数，分别计算SVC视频文件每层的最优激励价格
Figure FDA0003893161780000012
使自己的效用
Figure FDA0003893161780000013
最大化；
步骤(1.2)、根据最优激励价格
Figure FDA0003893161780000014
用户构造拉格朗日函数，用k表示拉格朗日乘子法的迭代次数并初始化为0，初始化拉格朗日乘子μk和
Figure FDA0003893161780000015
为0；
所述的用户构造拉格朗日函数的具体操作方法如下：
将优化问题中的不等式约束松弛为等式约束，简化约束C2，约束C1和C3分别乘以拉格朗日乘子μ和ζf后与优化目标函数累加，构成拉格朗日函数L，即将不等约束的优化问题转化为无约束优化问题，其中拉格朗日乘子μ和ζf均不小于0，迫使优化变量满足原不等式约束；
步骤(1.4)、通过KKT条件，对每个文件f的不同质量版本计算出最优缓存概率
Figure FDA0003893161780000016
接着通过采用梯度法分别更新每个拉格朗日乘子的绝对值，即μk+1和
Figure FDA0003893161780000017
所述通过KKT条件，对每个文件f的不同质量版本计算出最优缓存概率
Figure FDA0003893161780000018
的具体操作方法如下：
运用KKT条件，即对用户拉格朗日函数L分别求优化目标pf,l的偏导并令其等于0，结合约束的互补松弛条件构成方程组，解方程组获得最优缓存概率
Figure FDA0003893161780000019
关于拉格朗日乘子μk和
Figure FDA00038931617800000110
的表达式，μk+1和
Figure FDA00038931617800000111
根据
Figure FDA00038931617800000112
结合互补松弛条件更新，交替更新缓存概率与乘子，直到双方基本稳定，即视为获得最优缓存概率
Figure FDA00038931617800000113
步骤(1.5)、根据更新每个拉格朗日乘子的绝对值，从而确定拉格朗日乘子的绝对值是否小于预设误差；
如是，则根据当前缓存策略与激励价格分别计算用户和内容提供商的效用；
如否，则返回步骤(1.4)；
步骤(1.6)、根据当前的缓存策略
Figure FDA00038931617800000114
与激励价格
Figure FDA00038931617800000115
分别计算用户效用
Figure FDA0003893161780000021
与内容提供商的效用
Figure FDA0003893161780000022
从而确定用户和内容提供商效用的变化值是否小于预设误差；
如是，则进行斯坦伯格博弈基本收敛，最终得到最优的缓存策略与激励价格；
如否，则返回步骤(1.2)，重新执行步骤(1.2)-(1.6)。
2.根据权利要求1所述的一种基于SVC视频文件的分层缓存方法，其特征在于，在步骤(1.1)中，所述初始化的具体操作方法如下：用户在基站通信范围内服从齐次泊松点过程分布，其强度为λ；
视频文件用集合为F＝{1，……，f，……，F}表示，总数为F，每个视频文件拥有高清和标清两种质量；用[pf,l]l×F表示用户的文件缓存概率，初始化为0，用rf,l表示内容提供商给出的激励，用t表示斯坦伯格博弈的迭代次数并初始化为0。
3.根据权利要求1所述的一种基于SVC视频文件的分层缓存方法，其特征在于，在步骤(1.2)中，所述计算SVC视频文件每层最优激励价格
Figure FDA0003893161780000023
的具体操作方法如下：
计算内容提供商效用的一阶偏导函数
Figure FDA0003893161780000024
对每个文件的激励价格rf,l，均以rmin和rmax为边界值，分别带入
Figure FDA0003893161780000025
中，采取二分法迭代求其零点，即获得最优激励价格
Figure FDA0003893161780000026
4.根据权利要求1所述的一种基于SVC视频文件的分层缓存方法，其特征在于，在步骤(1.5)中，所述确定拉格朗日乘子的绝对值是否小于预设误差的具体操作方法如下：
计算拉格朗日乘子变化的绝对值和，
即
Figure FDA0003893161780000027
如果δ足够小，即表示拉格朗日乘子基本不发生变化，用户获得此次迭代的最优缓存概率
Figure FDA0003893161780000028
则执行下一步；否则执行k＝k+1，并跳转到步骤(1.4)。
5.根据权利要求1所述的一种基于SVC视频文件的分层缓存方法，其特征在于，
在步骤(1.6)中，所述确定用户和内容提供商效用的变化值是否小于预设误差的具体操作方法如下：通过计算用户效用
Figure FDA0003893161780000031
与内容提供商的效用
Figure FDA0003893161780000032
并计算效用的增加值
Figure FDA0003893161780000033
已经获得最优的缓存策略
Figure FDA0003893161780000034
和激励价格
Figure FDA0003893161780000035
循环结束；否则t＝t+1，并跳转到步骤(1.2)继续执行。
CN202110110200.2A 2021-01-26 2021-01-26 一种基于svc视频文件的分层缓存方法 Active CN112822512B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110110200.2A CN112822512B (zh) 2021-01-26 2021-01-26 一种基于svc视频文件的分层缓存方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110110200.2A CN112822512B (zh) 2021-01-26 2021-01-26 一种基于svc视频文件的分层缓存方法

Publications (2)

Publication Number Publication Date
CN112822512A CN112822512A (zh) 2021-05-18
CN112822512B true CN112822512B (zh) 2023-01-31

Family

ID=75859662

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110110200.2A Active CN112822512B (zh) 2021-01-26 2021-01-26 一种基于svc视频文件的分层缓存方法

Country Status (1)

Country Link
CN (1) CN112822512B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113810933B (zh) * 2021-08-31 2023-09-26 南京邮电大学 一种基于能量采集与用户移动性的缓存方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10542262B2 (en) * 2016-11-15 2020-01-21 City University Of Hong Kong Systems and methods for rate control in video coding using joint machine learning and game theory
CN106791887B (zh) * 2016-12-02 2020-09-08 上海大学 无线网络中视频的分布式缓存和传输优化方法
CN110062037B (zh) * 2019-04-08 2021-08-20 北京工业大学 内容分发方法及装置
CN110266714B (zh) * 2019-06-28 2020-04-21 合肥工业大学 一种QoE驱动下的VR视频自适应采集与传输方法

Also Published As

Publication number Publication date
CN112822512A (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN112860350B (zh) 一种边缘计算中基于任务缓存的计算卸载方法
CN111262940B (zh) 一种车载边缘计算应用缓存方法、装置及系统
Park et al. A game theoretic analysis of incentives in content production and sharing over peer-to-peer networks
CN113055489B (zh) 基于q学习的星地融合网络资源分配策略的实现方法
CN110798858B (zh) 基于代价效率的分布式任务卸载方法
CN111163519A (zh) 系统收益最大化的无线体域网资源分配与任务卸载算法
Wang et al. Multimodal semantic communication accelerated bidirectional caching for 6G MEC
CN113114756A (zh) 一种移动边缘计算中自适应码率选择的视频缓存更新方法
CN111866601B (zh) 一种基于合作博弈的移动边缘场景中的视频码率决策方法
CN112822512B (zh) 一种基于svc视频文件的分层缓存方法
Cui et al. Blockchain-driven contents sharing strategy for wireless cache-enabled D2D networks
Tong et al. Stackelberg game-based task offloading and pricing with computing capacity constraint in mobile edge computing
Yang et al. Collaborative edge caching and transcoding for 360° video streaming based on deep reinforcement learning
CN102420987A (zh) 基于分层b帧结构的码率控制的自适应比特分配方法
CN108769729A (zh) 基于遗传算法的缓存布置系统及缓存方法
CN108521640A (zh) 一种蜂窝网络中的内容分发方法
CN111277666A (zh) 一种基于新鲜度的在线协作缓存方法
Chen et al. Efficient caching strategy in wireless networks with mobile edge computing
CN112887314B (zh) 一种时延感知的云雾协作视频分发方法
Gong et al. Slicing-based resource optimization in multi-access edge network using ensemble learning aided DDPG algorithm
CN108881943A (zh) P2p流媒体点播系统中基于淘汰指数的节点缓存替换方法
Chen et al. Distributed task offloading game in multiserver mobile edge computing networks
Xie et al. Joint Caching and User Association Optimization for Adaptive Bitrate Video Streaming in UAV-Assisted Cellular Networks
CN113810933B (zh) 一种基于能量采集与用户移动性的缓存方法
Zeng et al. Caching and 3D deployment strategy for scalable videos in cache-enabled multi-UAV networks

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