CN113810931B - 一种面向移动边缘计算网络的自适应视频缓存方法 - Google Patents
一种面向移动边缘计算网络的自适应视频缓存方法 Download PDFInfo
- Publication number
- CN113810931B CN113810931B CN202110996324.5A CN202110996324A CN113810931B CN 113810931 B CN113810931 B CN 113810931B CN 202110996324 A CN202110996324 A CN 202110996324A CN 113810931 B CN113810931 B CN 113810931B
- Authority
- CN
- China
- Prior art keywords
- video
- bit rate
- server
- edge server
- local
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004088 simulation Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000002457 bidirectional effect Effects 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims 8
- 238000002474 experimental method Methods 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/10—Flow control between communication endpoints
- H04W28/14—Flow control between communication endpoints using intermediate storage
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Mobile Radio Communication Systems (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明公开了一种面向移动边缘计算网络的自适应视频缓存方法,综合考虑在多接入边缘计算网络系统环境下进行视频缓存的各种约束条件,在这些条件下通过缓存机制达到命中率的最大化,该方法包括以下步骤:首先将移动边缘计算网络系统环境下各边缘服务器从云服务器中缓存视频问题表述为命中率最大化的问题,再将缓存问题分解为缓存初始化问题、缓存调度问题和缓存替换问题,通过分步骤依次解决这三个问题,从而实现对边缘服务器中缓存视频命中率的最大化,并在仿真环境中进行实验,可以有效提升实验结果的准确度。
Description
技术领域
本发明涉及边缘计算领域,更确切地说,涉及一种面向移动边缘计算网络的自适应视频缓存方法。
背景技术
在过去几年里,视频内容提供商每天产生数以亿计的视频内容,伴随着移动设备多媒体处理能力的不断增强,视频流量的增长持续快速上升,成为移动数据流量激增的主要因素。思科视觉网络指数预测,到2022年,全球近四分之一的互联网流量(22%)将来自移动网络,而2017年这一比例为12%,此外,IP视频流量将占所有IP流量的82%。网络运营商(MNOs)应特别优化视频内容传输,避免回程拥堵,这些问题给移动网络带来巨大压力。使用分布式缓存使视频内容更靠近用户,是目前较为认可的一种避免回程拥堵的一种很有前途的解决办法。它在蜂窝网络中缓存流行的内容,除了避免拥塞外,缓存网络中经常访问的内容也减少了向互联网服务提供商(ISP)支付的传输服务费用。从而降低了蜂窝网络的运营成本,避免了远距离传输,通过快速的内容传递提高了用户的体验质量。
移动边缘计算作为5G通信系统中的主要进化技术,它靠近用户节点和数据源。其强大的智能存储和计算功能避免了传输延迟时间长、带宽浪费、能耗和隐私泄露的问题。移动边缘计算技术是通过在BSs或APs旁边部署通用的边缘服务器来实现的,允许在移动用户附近执行延迟敏感和上下文感知的服务和应用程序。区别于传统的缓存方法,在边缘端部署服务器同时具有存储和计算能力,这对于较为复杂的视频数据而言,是一种非常适合的存储容器。
发明内容
本发明正是为了解决上述技术问题而设计的一种面向移动边缘计算网络的自适应视频缓存方法,联合边缘服务器的存储和计算能力协作缓存具有不同比特率的视频,从而达到提高用户的视频请求在边缘端的命中率,同时追求请求时延以及回程流量的优化,提升网络整体性能的目的。
本发明解决其技术问题所采用的技术方案是:
一种面向移动边缘计算网络的自适应视频缓存方法,基于各视频分别具有的比特率种类彼此相同,按预设周期执行如下步骤,实现移动边缘计算网络系统环境下各边缘服务器从云服务器中缓存的各视频最大化命中用户请求:
步骤1:由当前时刻向历史方向的预设时长段内各视频的流行度和各比特率种类的流行度,确定云服务器中各视频被每个用户请求的概率;
步骤2:针对移动边缘计算网络下服务器的分类,通过定义各类服务器分别所存储的视频表达式,结合云服务器中各视频被每个用户请求的概率,确定移动边缘计算网络下各边缘服务器分别从云服务器中缓存视频的目标函数和约束条件;
步骤3:缓存初始化,基于所确定移动边缘计算网络下各边缘服务器分别从云服务器中缓存视频的目标函数和约束条件,将缓存初始化看做分组背包问题,使用动态规划算法解决分组背包问题,实现缓存初始化,确定各类边缘服务器分别所对应的初始缓存视频;
步骤4:缓存调度,基于各类边缘服务器分别所对应的初始缓存视频,针对每个用户请求,使用缓存调度算法对各边缘服务器和云服务器进行缓存调度,将符合用户请求的视频传递给用户;
步骤5:缓存替换,针对从云服务器中进行缓存调度符合用户请求的视频,使用缓存替换算法对各类边缘服务器初始缓存视频进行缓存替换,更新各类边缘服务器初始缓存视频。
作为本发明的一种优选技术方案,所述步骤1中云服务器中各视频被每个用户请求的概率为:
rvl=rv*rl
其中,表示第/>个视频,云服务器共有V个视频,
l表示第l种比特率,各视频均有L种比特率,
rl表示第l种比特率出现的频率,由于比特率的个数是少量且固定的,因此,每种比特率出现的频率是固定的值,
rv表示第个视频出现的频率,视频出现的频率符合参数为α的Zipf分布,α∈[0,1],/>其中fv代表第/>个视频出现频率的排名,rv代表排名为fv的视频出现的频率,
rvl表示第l种比特率对应的第个视频被请求的概率。
作为本发明的一种优选技术方案,所述步骤2中将移动边缘计算网络下服务器分为本地边缘服务器、非本地边缘服务器、云服务器,
定义各类边缘服务器上分别所存储视频的表达式如下:
缓存在本地边缘服务器定义为:
表示第l种比特率对应的第v个视频存储在本地边缘服务器上,/>表示第l种比特率对应的第v个视频未存储在本地边缘服务器上;/>表示第l+种比特率对应的第v个视频存储在边缘服务器上,/>表示第l+种比特率对应的第v个视频未存储在本地边缘服务器上;第l+种比特率高于相应的第l种比特率,且第l+种比特率对应的第v个视频可以转码为第l种比特率对应的第v个视频,j表示第j个本地边缘服务器,共有J个本地边缘服务器;
缓存在非本地边缘服务器定义为:
表示第l种比特率对应的第v个视频存储在非本地边缘服务器上,表示第l种比特率对应的第v个视频未存储在非本地边缘服务器上;/>表示第l+种比特率对应的第v个视频存储在非本地边缘服务器上,/>表示第l+种比特率对应的第v个视频未存储在非本地边缘服务器上;第l+种比特率高于相应的第l种比特率,且第l+种比特率对应的第v个视频可以转码为第l种比特率对应的第v个视频,k表示第k个本地边缘服务器,共有K个非本地边缘服务器;
缓存在云服务器定义为:
zvl=1表示第l种比特率对应的第v个视频存储在云服务器上,zvl=0第l种比特率为应的第v个视频存储在云服务器上;表示第l+种比特率对应的第v个视频存储在云服务器上,/>表示第l+种比特率对应的第v个视频未存储在云服务器上;第l+种比特率高于相应的第l种比特率,且第l+种比特率对应的第v个视频可以转码为第l种比特率对应的第v个视频;
约束条件;
1)l∈L,l+∈L,保证本地边缘服务器中不存储重复视频;
2)l∈L,l+∈L,保证非本地边缘服务器中不存储重复视频;
3)l∈L,l+∈L,保证本地边缘服务器有更高比特率的视频,就不会去其他服务器上去搜索更高比特率的视频;
4)l∈L,l+∈L,保证非本地边缘服务器上存在更高比特率的视频,就不会去其他服务器上去搜索更高比特率的视频;
5)l∈L,l+∈L;,保证整个系统中视频的可获得性,且视频请求在边缘网络的查找路径只有一条;
6)l∈L,l+∈L和/>l∈L,l+∈L,保证每个边缘服务器缓存视频的数据大小不能超过移动边缘计算网络环境下各服务器的容量;
其中,Svl表示第l种比特率对应的第v个视频数据大小;Sj表示第j个本地边缘服务器的容量;Sk表示第k个非本地边缘服务器的容量;
7)Zvl,/>l∈L,l+∈L,表示所有缓存结果的可能值都用0或1表示,0代表视频未缓存相应的服务器上,反之1则代表缓存在相应的服务器上;
综合以上,确定移动边缘计算网络缓存系统的目标函数为:
作为本发明的一种优选技术方案,所述步骤3中使用动态规划算法解决分组背包问题,所实现缓存初始化的过程中,需要定义一个状态转移矩阵,为:
其中,j表示本地边缘服务器,共有J个本地边缘服务器;k表示非本地边缘服务器,共有K个非本地边缘服务器;
上述状态转移矩阵分为三种情况:
1)不考虑将当前的分组中的视频放入本地服务器的缓存中,则
trans(v,Sj,Sk)=trans(v-1,Sj,Sk);
2)将当前分组的视频放入本地服务器的缓存中,则
trans(v,Sj,Sk)=trans(v-1,Sj-Svl,Sk)+pvl|l=1,2...L
3)将当前分组的视频放入非本地服务器的缓存中,则
trans(v,Sj,Sk)=trans(v-1,Sj,Sk-Svl)+pvl|l=1,2...L
其中:
pvl表示第l种比特率的视频增加的命中率,即第l种比特率的视频的价值。
作为本发明的一种优选技术方案,将缓存初始化看做分组背包问题,即将目标函数改写成符合分组背包问题的目标函数,为:
作为本发明的一种优选技术方案,所述动态规划算法解决分组背包问题实现缓存初始化的过程如下,使符合分组背包问题的目标函数达到最大值:
首先,将状态转移矩阵的值初始化为0,即trans(v,Sj,Sk)=0;
其次,计算服务器中第l种比特率对应的第v个视频增加的命中率pvl;
然后,基于状态转移矩阵的初始化值和第l种比特率对应的第v个视频增加的命中率pvl作为基础,将所有视频代入状态转移矩阵函数,根据状态转移函数递归得到背包中所有视频增加的命中率pvl的最大值:当v=1时,求出trans(1,Sj,Sk),当v=2时,求出trans(2,Sj,Sk),此以类推,直到求出最后的trans(v,Sj,Sk),此时,trans(v,Sj,Sk)得到的pvl为背包中所有视频增加的命中率的最大值;
最后,确定哪些视频装入了各类服务器,如果trans(v,Sj,Sk)>trans(v-1,Sj,Sk),Sj-Svl>0则代表Sk-Svl>0则代表/>若trans(v,Sj,Sk)>trans(v-1,Sj,Sk),Sj-Svl<0代表/>Sk-Svl<0代表/> 代表第l种比特率对应的第v个视频存入了本地边缘服务器,/>代表第l种比特率对应的第v个视频存入了非本地边缘服务器,依次类推,即可确定装入各类服务器的具体视频。
作为本发明的一种优选技术方案,所述步骤4中缓存调度算法,过程如下:
将用户请求第l种比特率对应的第个视频记为vl,
第一步,检查用户请求视频是否在各本地边缘服务器上,若在,则并将该视频传递给用户,否则,去各非本地边缘服务器上搜索vl;
第二步,检查视频是否缓存在各非本地边缘服务器上,若在,则接着将非本地边缘服务器上的视频传递给本地边缘服务器,再将视频通过本地边缘服务器发送给用户,如果vl不存在任意一个边缘服务器上,那么在各边缘服务器上搜索更高的比特率版本vl+;
第三步,检查本地边缘服务器上是否存在更高比特率版本的vl+,若存在,即l+>l,再检查本地服务器上的计算能力Cj是否大于从比特率l+转换为比特率l所需要的计算能力/>若成立,将视频在本地边缘服务器上进行转码,之后再从本地边缘服务器将转码得到的vl视频传递给用户,否则,去非本地边缘服务器上搜索vl+;
第四步,检查非本地边缘服务器上是否存在更高比特率版本的vl+,若存在,即l+>l,再检查非本地边缘服务器上的计算能力Ck是否大于从比特率l+转换为比特率l所需要的计算能力/>若成立,在非本地边缘服务器上进行视频转码,再传递转码得到的vl视频给本地边缘服务器,本地服务器再将其传递给用户;
第五步,如果非本地边缘服务器上的计算能力不足,则检查本地服务器上的计算能力是否足够,如果则将视频vl+从非本地边缘服务器发送到本地边缘服务器,在本地边缘服务器上进行转码,之后传递给用户;
第六步,如果上述情况都不能满足,则向云服务器请求视频vl,云服务器将请求视频vl传递给本地边缘服务器,再将视频发送给用户。
作为本发明的一种优选技术方案,所述步骤5中缓存替换算法,其过程如下:
第一步,应用缓存替换算法查看本地边缘服务器所存储视频容量Si加上视频vl的大小Svl是否小于本地边缘服务器的缓存容量Sj,是则直接存储;否则进入第二步;
第二步,计算出本地边缘服务器所有缓存视频的价值,求取具有最小价值的视频vlmin,再分别求取视频vl,vl+的价值pvl,/>并选取价值较大者为/>
第三步,判断若成立,则将视频vl,vl+中价值较大者缓存替换视频vlmin,否则,依次遍历其他的边缘服务器,以同样的方式来决定是否进行缓存替换,更新各类边缘服务器初始缓存视频。
一种面向移动边缘计算网络的自适应视频缓存方法的仿真平台,其特征在于:包括视频云服务器管理模块、视频边缘服务器管理模块、视频存储模块、网络模块、边缘调度模块、视频任务加载模块、用户移动模块、视频移动端管理模块,所述视频云服务器管理模块与视频边缘服务器管理模块双向连接,所述视频边缘服务器分别与视频云服务器管理模块、视频存储模块、网络模块、边缘调度模块、视频移动端管理模块双向连接,所视频云服务器管理模块分别与视频存储模块、网络模块双向连接,所述视频移动端管理模块分别与视频任务加载模块、用户移动模块双向连接,
所述视频云服务器管理模块用于根据配置文件信息配置移动边缘计算网络系统环境下的云服务器;
所述视频边缘服务器管理模块用于根据配置文件信息配置移动边缘计算网络系统环境下的本地边缘服务器、非本地边缘服务器;
所述网络模块用于设置不同服务器之间进行通信的网络模型,以计算视频内容在不同服务器之间传递所产生的时延和网络流量;
所述用户移动模块用于规定不同用户在在不同区域的移动规则;
所述视频任务加载模块负责生成视频任务列表;
所述视频存储模块规定了缓存替换策略以及缓存初始化策略;
所述视频移动端管理模块负责提交用户视频请求任务、用户请求开始以及用户获得视频后的相关工作;
所述边缘调度模块定义了用户发送视频任务请求时的缓存调度策略。
本发明的有益效果是:本发明公开了一种面向移动边缘计算网络的自适应视频缓存方法,综合考虑在多接入边缘计算网络系统环境下进行视频缓存的各种约束条件,在这些条件下通过缓存机制达到命中率的最大化,该方法包括以下步骤:首先将移动边缘计算网络系统环境下各边缘服务器从云服务器中缓存视频问题表述为命中率最大化的问题,再将缓存问题分解为缓存初始化问题、缓存调度问题和缓存替换问题,通过分步骤依次解决这三个问题,从而实现对边缘服务器中缓存视频命中率的最大化,并在仿真环境中进行实验,可以有效提升实验结果的准确度。
附图说明
图1为缓存系统的整体架构;
图2为缓存算法的流程图;
图3为缓存初始化算法流程图;
图4为缓存调度算法流程图;
图5为视频协作缓存的仿真平台的架构图。
具体实施方式
以下结合附图对本发明进一步详细说明。
基于如图1所示的缓存系统的整体架构下,进行一种面向移动边缘计算网络的自适应视频缓存方法,基于各视频分别具有的比特率种类彼此相同,按预设周期执行如下步骤,实现移动边缘计算网络系统环境下各边缘服务器从云服务器中缓存的各视频最大化命中用户请求:该系统以边缘计算环境下的存储、计算能力等作为约束,通过对用户请求视频内容在边缘侧进行处理,实现在边缘侧命中率的最大化,同时追求请求时延以及回程流量的优化。
将构建的移动边缘计算网络系统环境下进行视频缓存的场景下的命中率最大化问题述为命中率最大化的整数线性规划(ILP),针对此ILP,将缓存问题分解为缓存初始化问题、缓存调度问题和缓存替换问题:
步骤1:由当前时刻向历史方向的预设时长段内各视频的流行度和各比特率种类的流行度,确定云服务器中各视频被每个用户请求的概率;
所述云服务器中各视频被每个用户请求的概率为:
rvl=rv*rl
其中,表示第/>个视频,云服务器共有V个视频,
l表示第l种比特率,各视频均有L种比特率,
rl表示第l种比特率出现的频率,由于比特率的个数是少量且固定的,因此,每种比特率出现的频率是固定的值,
rv表示第个视频出现的频率,视频出现的频率符合参数为α的Zipf分布,α∈[0,1],/>其中fv代表第/>个视频出现频率的排名,rv代表排名为fv的视频出现的频率,
Zipf分布是美国语言学家Zipf在研究英文单词出现频率时,发现如果把单词频率从高到低的次序排列,每个单词出现频率和它的符号访问排名存在简单的反比关系。这个分布是一个统计型的经验规律,它常常被描述为:只有少量的英文单词被使用,大部门单词很少被使用。Zipf分布常用来表示内容访问的分布规律,在视频缓存的应用场景中,研究者通常将视频的分布规律视作服从Zipf分布,
rvl表示第l种比特率对应的第个视频被请求的概率。也可将视频被请求的概率描述成视频的流行度。视频出现的概率由视频本身出现的频率和视频比特率出现的频率决定。在我们的环境中,视频本身出现的频率不是固定不变的,而是会随着时间的推移不断发生变化的。
步骤2:针对移动边缘计算网络下服务器的分类,通过定义各类服务器分别所存储的视频表达式,结合云服务器中各视频被每个用户请求的概率,确定移动边缘计算网络下各边缘服务器分别从云服务器中缓存视频的目标函数和约束条件;
对边缘缓存计算问题进行问题建模,并确定以最大化命中率为目标函数,较高的缓存命中率意味着更多的用户可以从边缘服务器获取视频,从而减少用户的启动延迟和回程网络负载,从而获得更好的观看体验。将移动边缘计算网络下服务器分为本地边缘服务器、非本地边缘服务器、云服务器,各类边缘服务器上分别所存储视频的表达式如下:
缓存在本地边缘服务器定义为:
表示第l种比特率对应的第v个视频存储在本地边缘服务器上,/>表示第l种比特率对应的第v个视频未存储在本地边缘服务器上;/>表示第l+种比特率对应的第v个视频存储在边缘服务器上,/>表示第l+种比特率对应的第v个视频未存储在本地边缘服务器上;第l+种比特率高于相应的第l种比特率,且第l+种比特率对应的第v个视频可以转码为第l种比特率对应的第v个视频,j表示第j个本地边缘服务器,共有J个本地边缘服务器;
缓存在非本地边缘服务器定义为:
表示第l种比特率对应的第v个视频存储在非本地边缘服务器上,表示第l种比特率对应的第v个视频未存储在非本地边缘服务器上;/>表示第l+种比特率对应的第v个视频存储在非本地边缘服务器上,/>表示第l+种比特率对应的第v个视频未存储在非本地边缘服务器上;第l+种比特率高于相应的第l种比特率,且第l+种比特率对应的第v个视频可以转码为第l种比特率对应的第v个视频,k表示第k个本地边缘服务器,共有K个非本地边缘服务器;
缓存在云服务器定义为:
zvl=1表示第l种比特率对应的第v个视频存储在云服务器上,zvl=0第l种比特率为应的第v个视频存储在云服务器上;表示第l+种比特率对应的第v个视频存储在云服务器上,/>表示第l+种比特率对应的第v个视频未存储在云服务器上;第l+种比特率高于相应的第l种比特率,且第l+种比特率对应的第v个视频可以转码为第l种比特率对应的第v个视频;
缓存结果分为本地边缘服务器的缓存内容和非本地服务器的缓存内容,用户请求的命中率为:
通过以上定义,可以得到用户请求的命中率R(X,Y)。之后,将一个请求视频从边缘服务器处获取或者通过转码获取成为一次命中,我们的缓存问题可以定义为以命中率最大化的优化问题,即目标函数定义为Max R(X,Y),即函数R(X,Y)取得最大值。
结合约束条件;
1)l∈L,l+∈L,保证本地边缘服务器中不存储重复视频;
2)l∈L,l+∈L,保证非本地边缘服务器中不存储重复视频;
1)与2)表达只要边缘服务器中有请求码率的视频,就不会选择其他更高码率的视频,也保证了同一个边缘服务器上不能缓存具有不同码率的同一视频。
3)l∈L,l+∈L,保证本地边缘服务器有更高比特率的视频,就不会去其他服务器上去搜索更高比特率的视频;
4)l∈L,l+∈L,保证非本地边缘服务器上存在更高比特率的视频,就不会去其他服务器上去搜索更高比特率的视频;
3)与4)确保较低比特率版本的视频可由该视频从高比特率转码得到
5)l∈L,l+∈L;,保证整个系统中视频的可获得性,且视频请求在边缘网络的查找路径只有一条;
6)l∈L,l+∈L和/>l∈L,l+∈L,保证每个边缘服务器缓存视频的数据大小不能超过移动边缘计算网络环境下各服务器的容量;
其中,Svl表示第l种比特率对应的第v个视频数据大小;Sj表示第j个本地边缘服务器的容量;Sk表示第k个非本地边缘服务器的容量;
7)zvl,/>l∈L,l+∈L,表示所有缓存结果的可能值都用0或1表示,0代表视频未缓存相应的服务器上,反之1则代表缓存在相应的服务器上;
综合以上,确定移动边缘计算网络缓存系统的目标函数为:
如图2缓存算法的流程图所示,执行以下缓存算法的步骤。
步骤3:缓存初始化,基于所确定移动边缘计算网络下各边缘服务器分别从云服务器中缓存视频的目标函数和约束条件,将缓存初始化看做分组背包问题,使用动态规划算法解决分组背包问题,实现缓存初始化,确定各类边缘服务器分别所对应的初始缓存视频;
将缓存初始化看做分组背包问题,每个比特率的视频集合构成一个分组,当从集合中选取视频时,每个分组中的视频相互冲突,最多选取一个。我们将目标函数改写成更符合典型的分组背包问题的目标函数:其中,pvl看作是通过第l个比特率的视频增加的命中率,等价于背包问题中物品的价值。其中,pvl可以通过以下计算得到:/>分组背包问题是一种特殊的背包问题,其特点描述如下:(i)与一般背包问题相比,分组背包问题是将物体分成若干组;(ii)背包装载时,每组最多只能放置一件物品;(iii)确定背包内应放什么物品,使背包内所有物品的总价值最大。
通过描述的分组背包问题,可以通过动态规划算法解决缓存初始化问题,缓存初始化可以在请求较少的空闲时刻进行。缓存初始化是为了在用户进行视频请求之前,将边缘服务器中的缓存填满,以减少用户请求时向云端服务器请求的次数。
采用一种动态规划算法求解背包分组问题。所实现缓存初始化的过程中,需要定义一个状态转移矩阵,为:
其中,j表示本地边缘服务器,共有J个本地边缘服务器;k表示非本地边缘服务器,共有K个非本地边缘服务器;
上述状态转移矩阵分为三种情况:
1)不考虑将当前的分组中的视频放入本地服务器的缓存中,则
trans(v,Sj,Sk)=trans(v-1,Sj,Sk);
2)将当前分组的视频放入本地服务器的缓存中,则
trans(v,Sj,Sk)=trans(v-1,Sj-Svl,Sk)+pvl|l=1,2...L
3)将当前分组的视频放入非本地服务器的缓存中,则
trans(v,Sj,Sk)=trans(v-1,Sj,Sk-Svl)+pvl|l=1,2...L
其中:pvl表示第l种比特率的视频增加的命中率,即l种比特率的视频的价值。
综上所述,所述动态规划算法解决分组背包问题实现缓存初始化的过程如下,使符合分组背包问题的目标函数达到最大值,
在服务用户之前进行缓存初始化操作,缓存初始化需要输入每个比特率的视频的请求概率,以及每个边缘服务器的大小。输出结果是每个边缘服务器上的存储结果。如图3所示:
首先,将状态转移矩阵的值初始化为0,即trans(v,Sj,Sk)=0;
其次,计算服务器中第l种比特率对应的第v个视频增加的命中率pvl;
然后,基于状态转移矩阵的初始化值和第l种比特率对应的第v个视频增加的命中率pvl作为基础,将所有视频代入状态转移矩阵函数,根据状态转移函数递归得到背包中所有视频增加的命中率pvl的最大值:当v=1时,求出trans(1,Sj,Sk),当v=2时,求出trans(2,Sj,Sk),此以类推,直到求出最后的trans(v,Sj,Sk)便是最优解,此时,trans(v,Sj,Sk)得到的pvl为背包中所有视频增加的命中率的最大值;
最后,确定哪些视频装入了各类服务器,如果trans(v,Sj,Sk)>trans(v-1,Sj,Sk),Sj-Svl>0则代表Sk-Svl>0则代表/>若trans(v,Sj,Sk)>trans(v-1,Sj,Sk),Sj-Svl<0代表/>Sk-Svl<0代表/> 代表第l种比特率对应的第v个视频存入了本地边缘服务器,/>代表第l种比特率对应的第v个视频存入了非本地边缘服务器,依次类推,即可确定装入各类服务器的具体视频。
步骤4:缓存调度,基于各类边缘服务器分别所对应的初始缓存视频,针对每个用户请求,使用缓存调度算法对各边缘服务器和云服务器进行缓存调度,将符合用户请求的视频传递给用户;
缓存调度问题是为了解决每一个到达本地边缘服务器的请求是如何再边缘服务器集群中传递的。本文提出一种低复杂度调度方法。
所述缓存调度算法,如图4所示,过程如下:
将用户请求第l种比特率对应的第个视频记为vl,
第一步,检查用户请求视频是否在各本地边缘服务器上,若在,则并将该视频传递给用户,否则,去各非本地边缘服务器上搜索vl;
第二步,检查视频是否缓存在各非本地边缘服务器上,若在,则接着将非本地边缘服务器上的视频传递给本地边缘服务器,再将视频通过本地边缘服务器发送给用户,如果vl不存在任意一个边缘服务器上,那么在各边缘服务器上搜索更高的比特率版本vl+;
第三步,检查本地边缘服务器上是否存在更高比特率版本的vl+,若存在,即l+>l,再检查本地服务器上的计算能力Cj是否大于从比特率l+转换为比特率l所需要的计算能力/>若成立,将视频在本地边缘服务器上进行转码,之后再从本地边缘服务器将转码得到的vl视频传递给用户,否则,去非本地边缘服务器上搜索vl+;
在本文的实验环境中,计算能力被量化为百分数。初始时,每个边缘服务器的计算能力为100,在从高比特率转码成为低比特率的过程中,所需计算能力是不同的,各个比特率转码所需的具体量化的计算能力可根据环境不同自行设置。因此每次转码时需检查当前服务器的转码能力是否足够转码。
第四步,检查非本地边缘服务器上是否存在更高比特率版本的vl+,若存在,即l+>l,再检查非本地边缘服务器上的计算能力Ck是否大于从比特率l+转换为比特率l所需要的计算能力/>若成立,在非本地边缘服务器上进行视频转码,再传递转码得到的vl视频给本地边缘服务器,本地服务器再将其传递给用户;
第五步,如果非本地边缘服务器上的计算能力不足,则检查本地服务器上的计算能力是否足够,如果则将视频vl+从非本地边缘服务器发送到本地边缘服务器,在本地边缘服务器上进行转码,之后传递给用户;
第六步,如果上述情况都不能满足,则向云服务器请求视频vl,云服务器将请求视频vl传递给本地边缘服务器,再将视频发送给用户。
步骤5:缓存替换,针对从云服务器中进行缓存调度符合用户请求的视频,使用缓存替换算法对各类边缘服务器初始缓存视频进行缓存替换,更新各类边缘服务器初始缓存视频。
进一步地,缓存问题可以再分解为缓存替换问题,缓存调度问题是为了解决是否对当前服务器中缓存的内容进行替换的问题。对于缓存替换,我们引入了基于价值的缓存替换算法,其中价值定义为通过缓存比特率为l的视频增加的命中率,所述缓存替换算法,其过程如下:
第一步,应用缓存替换算法查看本地边缘服务器所存储视频容量Sj加上视频vl的大小Svl是否小于本地边缘服务器的缓存容量Sj,是则直接存储;否则进入第二步;
第二步,计算出本地边缘服务器所有缓存视频的价值,求取具有最小价值的视频vlmin,再分别求取视频vl,vl+的价值/>并选取价值较大者为/>
第三步,判断若成立,则将视频vl,vl+中价值较大者缓存替换视频vlmin,否则,依次遍历其他的边缘服务器,以同样的方式来决定是否进行缓存替换,更新各类边缘服务器初始缓存视频。
虽然目标是命中率最大化,但是也需要对平均访问时延、减少的回程流量两个指标进行评价。平均访问时延是从用户请求到获取内容的平均时延,外部回程流量负载(GB)是由于用户从云端服务器下载视频而减少的流量。
本发明还提供一种面向移动边缘计算网络的自适应视频缓存方法的仿真平台,如图5所示,包括视频云服务器管理模块、视频边缘服务器管理模块、视频存储模块、网络模块、边缘调度模块、视频任务加载模块、用户移动模块、视频移动端管理模块,所述视频云服务器管理模块与视频边缘服务器管理模块双向连接,所述视频边缘服务器分别与视频云服务器管理模块、视频存储模块、网络模块、边缘调度模块、视频移动端管理模块双向连接,所视频云服务器管理模块分别与视频存储模块、网络模块双向连接,所述视频移动端管理模块分别与视频任务加载模块、用户移动模块双向连接,
所述视频云服务器管理模块用于根据配置文件信息配置移动边缘计算网络系统环境下的云服务器;
所述视频边缘服务器管理模块用于根据配置文件信息配置移动边缘计算网络系统环境下的本地边缘服务器、非本地边缘服务器;
所述网络模块用于设置不同服务器之间进行通信的网络模型,以计算视频内容在不同服务器之间传递所产生的时延和网络流量;
所述用户移动模块用于规定不同用户在在不同区域的移动规则;
所述视频任务加载模块负责生成视频任务列表;
所述视频存储模块规定了缓存替换策略以及缓存初始化策略;
所述视频移动端管理模块负责提交用户视频请求任务、用户请求开始以及用户获得视频后的相关工作;
所述边缘调度模块定义了用户发送视频任务请求时的缓存调度策略。
针对设计的方案,需要对上述缓存算法进行编码,在视频协作缓存的仿真平台上进行测试。在仿真平台上,边缘网络默认包含8个边缘服务器,每个部署在一个蜂窝接入网的基站上。每个边缘服务器都有固定的位置、id、所属区域类型、存储空间大小。其中每个边缘服务器的位置都不同,其id唯一,区域类型分为热点区域、一般区域、稀疏区域三种,边缘网络的总存储空间小于视频库中视频总和的大小。
环境中的视频库默认包含1000个不同的视频,每个视频有4个比特率变体。我们设原视频为比特率为2Mbps,四个变体的相对比特率分别设置为原始视频的0.82,0.67,0.55,0.45。所有视频的长度服从λ=10min的泊松分布。所有视频发送请求的间隔时间服从λ=5s的泊松分布。设置转码需要的计算资源占本地边缘服务器总能力的百分比默认为5%,求视频的流行度遵循倾斜参数(skew parameter)为0.8的Zipf分布(奇普夫定律)。
在每次模拟中,我们设置每个设备的模拟时间为30miu,热点区域的平均等待时间为120s,普通区域的平均等待时间为300s,稀疏区域的平均等待时间为500s。WLAN网络、MAN网络、WAN网络的带宽比例为100∶10∶1,即从本地基站、临近基站、以及云端服务器获取视频的端到端的时延的比例为1∶10∶100。
在仿真结果的评测上,考虑三个性能指标,分别是:缓存命中率:从边缘网络中获得或通过转码获得请求视频的比率;平均访问时延:从用户请求到获取内容的平均时延;外部回程流量负载(GB):由于用户从云端服务器下载视频而减少的流量。为了证明本文提出的算法的有效性,我们分别考虑以下几种对比算法:联合缓存和存储算法OuRS:在OnRS中,作者提出一种联合缓存和转码的方案,在这项工作中,边缘服务器彼此协作共享资源,并且缓存在一台服务器上的视频可以提供给连接到另一台服务器上的用户。CachePro:一种没有考虑边缘服务器之间协作的缓存和转码方法,与此方法结果的比较表明了边缘服务器之间协作的巨大优势。CoCache:一种无需转码的协作式缓存方法,与此方法的结果比较表明了协同缓存系统中转码的重要性。
上述技术方案所设计一种面向移动边缘计算网络的自适应视频缓存方法,本发明公开了一种面向移动边缘计算网络的自适应视频缓存方法,综合考虑在多接入边缘计算网络系统环境下进行视频缓存的各种约束条件,在这些条件下通过缓存机制达到命中率的最大化,该方法包括以下步骤:首先将移动边缘计算网络系统环境下各边缘服务器从云服务器中缓存视频问题表述为命中率最大化的问题,再将缓存问题分解为缓存初始化问题、缓存调度问题和缓存替换问题,通过分步骤依次解决这三个问题,从而实现对边缘服务器中缓存视频命中率的最大化,并在仿真环境中进行实验,可以有效提升实验结果的准确度。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (9)
1.一种面向移动边缘计算网络的自适应视频缓存方法,其特征在于:基于各视频分别具有的比特率种类彼此相同,按预设周期执行如下步骤,实现移动边缘计算网络系统环境下各边缘服务器从云服务器中缓存的各视频最大化命中用户请求:
步骤1:由当前时刻向历史方向的预设时长段内各视频的流行度和各比特率种类的流行度,确定云服务器中各视频被每个用户请求的概率;
步骤2:针对移动边缘计算网络下服务器的分类,通过定义各类服务器分别所存储的视频表达式,结合云服务器中各视频被每个用户请求的概率,确定移动边缘计算网络下各边缘服务器分别从云服务器中缓存视频的目标函数和约束条件;
步骤3:缓存初始化,基于所确定移动边缘计算网络下各边缘服务器分别从云服务器中缓存视频的目标函数和约束条件,将缓存初始化看做分组背包问题,使用动态规划算法解决分组背包问题,实现缓存初始化,确定各类边缘服务器分别所对应的初始缓存视频;
步骤4:缓存调度,基于各类边缘服务器分别所对应的初始缓存视频,针对每个用户请求,使用缓存调度算法对各边缘服务器和云服务器进行缓存调度,将符合用户请求的视频传递给用户;
步骤5:缓存替换,针对从云服务器中进行缓存调度符合用户请求的视频,使用缓存替换算法对各类边缘服务器初始缓存视频进行缓存替换,更新各类边缘服务器初始缓存视频。
2.根据权利要求1所述的一种面向移动边缘计算网络的自适应视频缓存方法,其特征在于:所述步骤1中云服务器中各视频被每个用户请求的概率为:
rvl=rv*rl
其中,表示第/>个视频,云服务器共有V个视频,
l表示第l种比特率,各视频均有L种比特率,
rl表示第l种比特率出现的频率,由于比特率的个数是少量且固定的,因此,每种比特率出现的频率是固定的值,
rv表示第个视频出现的频率,视频出现的频率符合参数为α的Zipf分布,α∈[0,1],其中fv代表第/>个视频出现频率的排名,rv代表排名为fv的视频出现的频率,
rvl表示第l种比特率对应的第个视频被请求的概率。
3.根据权利要求1所述的一种面向移动边缘计算网络的自适应视频缓存方法,其特征在于:所述步骤2中将移动边缘计算网络下服务器分为本地边缘服务器、非本地边缘服务器、云服务器,
定义各类边缘服务器上分别所存储视频的表达式如下:
缓存在本地边缘服务器定义为:
表示第l种比特率对应的第v个视频存储在本地边缘服务器上,/>表示第l种比特率对应的第v个视频未存储在本地边缘服务器上;/>表示第l+种比特率对应的第v个视频存储在边缘服务器上,/>表示第l+种比特率对应的第v个视频未存储在本地边缘服务器上;第l+种比特率高于相应的第l种比特率,且第l+种比特率对应的第v个视频可以转码为第l种比特率对应的第v个视频,j表示第j个本地边缘服务器,共有J个本地边缘服务器;
缓存在非本地边缘服务器定义为:
表示第l种比特率对应的第v个视频存储在非本地边缘服务器上,/>表示第l种比特率对应的第v个视频未存储在非本地边缘服务器上;/>表示第l+种比特率对应的第v个视频存储在非本地边缘服务器上,/>表示第l+种比特率对应的第v个视频未存储在非本地边缘服务器上;第l+种比特率高于相应的第l种比特率,且第l+种比特率对应的第v个视频可以转码为第l种比特率对应的第v个视频,k表示第k个本地边缘服务器,共有K个非本地边缘服务器;
缓存在云服务器定义为:
zvl=1表示第l种比特率对应的第v个视频存储在云服务器上,zvl=0第l种比特率为应的第v个视频存储在云服务器上;表示第l+种比特率对应的第v个视频存储在云服务器上,/>表示第l+种比特率对应的第v个视频未存储在云服务器上;第l+种比特率高于相应的第l种比特率,且第l+种比特率对应的第v个视频可以转码为第l种比特率对应的第v个视频;
约束条件;
1)保证本地边缘服务器中不存储重复视频;
2)保证非本地边缘服务器中不存储重复视频;
3)保证本地边缘服务器有更高比特率的视频,就不会去其他服务器上去搜索更高比特率的视频;
4)保证非本地边缘服务器上存在更高比特率的视频,就不会去其他服务器上去搜索更高比特率的视频;
5)保证整个系统中视频的可获得性,且视频请求在边缘网络的查找路径只有一条;
6)和 保证每个边缘服务器缓存视频的数据大小不能超过移动边缘计算网络环境下各服务器的容量;
其中,Svl表示第l种比特率对应的第v个视频数据大小;Sj表示第j个本地边缘服务器的容量;Sk表示第k个非本地边缘服务器的容量;
7)表示所有缓存结果的可能值都用0或1表示,0代表视频未缓存相应的服务器上,反之1则代表缓存在相应的服务器上;
综合以上,确定移动边缘计算网络缓存系统的目标函数为:
4.根据权利要求1所述的一种面向移动边缘计算网络的自适应视频缓存方法,其特征在于:所述步骤3中使用动态规划算法解决分组背包问题,所实现缓存初始化的过程中,需要定义一个状态转移矩阵,为:
其中,j表示本地边缘服务器,共有J个本地边缘服务器;k表示非本地边缘服务器,共有K个非本地边缘服务器;
上述状态转移矩阵分为三种情况:
1)不考虑将当前的分组中的视频放入本地服务器的缓存中,则
trans(v,Sj,Sk)=trans(v-1,Sj,Sk);
2)将当前分组的视频放入本地服务器的缓存中,则
trans(v,Sj,Sk)=trans(v-1,Sj-Svl,Sk)+pvl|l=1,2…L
3)将当前分组的视频放入非本地服务器的缓存中,则
trans(v,Sj,Sk)=trans(v-1,Sj,Sk-Svl)+pvl|l=1,2…L
其中:
pvl表示第l种比特率的视频增加的命中率,即l种比特率的视频的价值。
5.根据权利要求3或4所述的一种面向移动边缘计算网络的自适应视频缓存方法,其特征在于:将缓存初始化看做分组背包问题,即将目标函数改写成符合分组背包问题的目标函数,为:
6.根据权利要求5所述的一种面向移动边缘计算网络的自适应视频缓存方法,其特征在于:所述动态规划算法解决分组背包问题实现缓存初始化的过程如下,使符合分组背包问题的目标函数达到最大值:
首先,将状态转移矩阵的值初始化为0,即trans(v,Sj,Sk)=0;
其次,计算服务器中第l种比特率对应的第v个视频增加的命中率pvl;
然后,基于状态转移矩阵的初始化值和第l种比特率对应的第v个视频增加的命中率pvl作为基础,将所有视频代入状态转移矩阵函数,根据状态转移函数递归得到背包中所有视频增加的命中率pvl的最大值:当v=1时,求出trans(1,Sj,Sk),当v=2时,求出trans(2,Sj,Sk),此以类推,直到求出最后的trans(v,Sj,Sk),此时,trans(v,Sj,Sk)得到的pvl为背包中所有视频增加的命中率的最大值;
最后,确定哪些视频装入了各类服务器,如果trans(v,Sj,Sk)>trans(v-1,Sj,Sk),Sj-Svl>0则代表则代表/>若trans(v,Sj,Sk)>trans(v-1,Sj,Sk),Sj-Svl<0代表/>Sk-Svl<0代表/> 代表第l种比特率对应的第v个视频存入了本地边缘服务器,/>代表第l种比特率对应的第v个视频存入了非本地边缘服务器,依次类推,即可确定装入各类服务器的具体视频。
7.根据权利要求3所述的一种面向移动边缘计算网络的自适应视频缓存方法,其特征在于:所述步骤4中缓存调度算法,过程如下:
将用户请求第l种比特率对应的第个视频记为vl,
第一步,检查用户请求视频是否在各本地边缘服务器上,若在,则并将该视频传递给用户,否则,去各非本地边缘服务器上搜索vl;
第二步,检查视频是否缓存在各非本地边缘服务器上,若在,则接着将非本地边缘服务器上的视频传递给本地边缘服务器,再将视频通过本地边缘服务器发送给用户,如果vl不存在任意一个边缘服务器上,那么在各边缘服务器上搜索更高的比特率版本vl+;
第三步,检查本地边缘服务器上是否存在更高比特率版本的vl+,若存在,即l+>l,再检查本地服务器上的计算能力Cj是否大于从比特率l+转换为比特率l所需要的计算能力/>若成立,将视频在本地边缘服务器上进行转码,之后再从本地边缘服务器将转码得到的vl视频传递给用户,否则,去非本地边缘服务器上搜索vl+;
第四步,检查非本地边缘服务器上是否存在更高比特率版本的vl+,若存在,即l+>l,再检查非本地边缘服务器上的计算能力Ck是否大于从比特率l+转换为比特率l所需要的计算能力/>若成立,在非本地边缘服务器上进行视频转码,再传递转码得到的vl视频给本地边缘服务器,本地服务器再将其传递给用户;
第五步,如果非本地边缘服务器上的计算能力不足,则检查本地服务器上的计算能力是否足够,如果则将视频vl+从非本地边缘服务器发送到本地边缘服务器,在本地边缘服务器上进行转码,之后传递给用户;
第六步,如果上述情况都不能满足,则向云服务器请求视频vl,云服务器将请求视频vl传递给本地边缘服务器,再将视频发送给用户。
8.根据权利要求3所述的一种面向移动边缘计算网络的自适应视频缓存方法,其特征在于:所述步骤5中缓存替换算法,其过程如下:
第一步,应用缓存替换算法查看本地边缘服务器所存储视频容量Sj加上视频vl的大小Svl是否小于本地边缘服务器的缓存容量Sj,是则直接存储;否则进入第二步;
第二步,计算出本地边缘服务器所有缓存视频的价值,求取具有最小价值的视频vlmin,再分别求取视频vl,vl+的价值pvl,/>并选取价值较大者为/>
第三步,判断若成立,则将视频vl,vl+中价值较大者缓存替换视频vlmin,否则,依次遍历其他的边缘服务器,以同样的方式来决定是否进行缓存替换,更新各类边缘服务器初始缓存视频。
9.一种基于权利要求1至8任意一项所述一种面向移动边缘计算网络的自适应视频缓存方法的仿真平台,其特征在于:包括视频云服务器管理模块、视频边缘服务器管理模块、视频存储模块、网络模块、边缘调度模块、视频任务加载模块、用户移动模块、视频移动端管理模块,所述视频云服务器管理模块与视频边缘服务器管理模块双向连接,所述视频边缘服务器分别与视频云服务器管理模块、视频存储模块、网络模块、边缘调度模块、视频移动端管理模块双向连接,所视频云服务器管理模块分别与视频存储模块、网络模块双向连接,所述视频移动端管理模块分别与视频任务加载模块、用户移动模块双向连接,
所述视频云服务器管理模块用于根据配置文件信息配置移动边缘计算网络系统环境下的云服务器;
所述视频边缘服务器管理模块用于根据配置文件信息配置移动边缘计算网络系统环境下的本地边缘服务器、非本地边缘服务器;
所述网络模块用于设置不同服务器之间进行通信的网络模型,以计算视频内容在不同服务器之间传递所产生的时延和网络流量;
所述用户移动模块用于规定不同用户在在不同区域的移动规则;
所述视频任务加载模块负责生成视频任务列表;
所述视频存储模块规定了缓存替换策略以及缓存初始化策略;
所述视频移动端管理模块负责提交用户视频请求任务、用户请求开始以及用户获得视频后的相关工作;
所述边缘调度模块定义了用户发送视频任务请求时的缓存调度策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110996324.5A CN113810931B (zh) | 2021-08-27 | 2021-08-27 | 一种面向移动边缘计算网络的自适应视频缓存方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110996324.5A CN113810931B (zh) | 2021-08-27 | 2021-08-27 | 一种面向移动边缘计算网络的自适应视频缓存方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113810931A CN113810931A (zh) | 2021-12-17 |
CN113810931B true CN113810931B (zh) | 2023-08-22 |
Family
ID=78894212
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110996324.5A Active CN113810931B (zh) | 2021-08-27 | 2021-08-27 | 一种面向移动边缘计算网络的自适应视频缓存方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113810931B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114584801B (zh) * | 2022-01-13 | 2022-12-09 | 北京理工大学 | 一种基于图神经网络推荐算法的视频资源缓存方法 |
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 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109362064A (zh) * | 2018-09-14 | 2019-02-19 | 重庆邮电大学 | 在移动边缘计算网络中基于mec的任务缓存分配策略 |
CN109982104A (zh) * | 2019-01-25 | 2019-07-05 | 武汉理工大学 | 一种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 |
CN113114756A (zh) * | 2021-04-08 | 2021-07-13 | 广西师范大学 | 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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9756142B2 (en) * | 2013-03-14 | 2017-09-05 | The Regents Of The University Of California | System and method for delivering video data from a server in a wireless network by caching the video data |
-
2021
- 2021-08-27 CN CN202110996324.5A patent/CN113810931B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109362064A (zh) * | 2018-09-14 | 2019-02-19 | 重庆邮电大学 | 在移动边缘计算网络中基于mec的任务缓存分配策略 |
CN109982104A (zh) * | 2019-01-25 | 2019-07-05 | 武汉理工大学 | 一种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 |
CN113114756A (zh) * | 2021-04-08 | 2021-07-13 | 广西师范大学 | 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 |
Non-Patent Citations (1)
Title |
---|
面向视频流的MEC缓存转码联合优化研究;李佳;谢人超;贾庆民;黄韬;刘韵洁;孙礼;;电信科学(第08期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113810931A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113810931B (zh) | 一种面向移动边缘计算网络的自适应视频缓存方法 | |
Zhong et al. | A deep reinforcement learning-based framework for content caching | |
Wang et al. | Adaptive wireless video streaming based on edge computing: Opportunities and approaches | |
Wei et al. | Wireless edge caching based on content similarity in dynamic environments | |
CN111935784A (zh) | 一种雾计算网络中基于联邦学习的内容缓存方法 | |
CN111552564A (zh) | 基于边缘缓存的任务卸载与资源优化的方法 | |
Zhang et al. | Cooperative edge caching based on temporal convolutional networks | |
CN109981723B (zh) | 基于深度强化学习的文件缓存处理系统及方法、通信系统 | |
Lee et al. | Online optimization for low-latency computational caching in fog networks | |
WO2018049563A1 (en) | Systems and methods for caching | |
CN111491331A (zh) | 一种雾计算网络中基于迁移学习的网络感知自适应缓存方法 | |
CN113206796A (zh) | 一种转算存一体化协同系统及方法 | |
CN114449671A (zh) | 一种网络边缘异质资源协同调度方法 | |
Garetto et al. | Content placement in networks of similarity caches | |
CN114863683A (zh) | 基于多目标优化的异构车联网边缘计算卸载调度方法 | |
CN111447506B (zh) | 云边环境下基于延迟和成本均衡的流媒体内容放置方法 | |
CN111343243B (zh) | 一种基于5g电力切片的文件获取方法及系统 | |
Santos et al. | Multimedia microservice placement in hierarchical multi-tier cloud-to-fog networks | |
CN113709853B (zh) | 面向云边协同的网络内容传输方法、装置及存储介质 | |
CN113766540B (zh) | 低时延的网络内容传输方法、装置、电子设备及介质 | |
Li et al. | A green DDPG reinforcement learning-based framework for content caching | |
Fang et al. | Offloading strategy for edge computing tasks based on cache mechanism | |
Tang et al. | Optimal multilevel media stream caching in cloud-edge environment | |
Yuan et al. | An optimal fair resource allocation strategy for a lightweight content-centric networking architecture | |
CN114245422A (zh) | 一种基于簇内智能共享的边缘主动缓存方法 |
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 |