CN114629928A - 一种移动边缘计算中社交网络短视频放置方法 - Google Patents

Abstract

本发明公开了一种移动边缘计算中社交网络短视频放置方法，包括如下步骤：步骤1：系统模型；步骤2：时延模型；步骤3：缓存价值模型；步骤4：收益模型；步骤5：问题建模。这种方法可在稳定用户服务质量的同时，最大化视频服务提供商长期收益，还能加快边缘缓存应用的落地和普及。

Description

一种移动边缘计算中社交网络短视频放置方法

技术领域

本发明涉及移动边缘计算中社交网络短视频放置策略研究，属于移动边缘计算系统的应用领域，具体是一种移动边缘计算中社交网络短视频放置方法。

背景技术

随着5G网络的发展，联网的终端设备数量呈现几何级数增长。终端设备产生的巨大网络流量，特别是短视频应用流量容易导致骨干网络发生拥塞；使得服务请求时延增大。根据思科公司发布的2017-2022年移动网络流量预测报告，2022年移动数据流量将高达77EM/月；其中，短视频数据流量在移动数据流量中占20％，而且逐年上升。这给骨干网络带来巨大的压力，具体表现在:

1)海量视频传输造成巨大的回传网络链路压力。

2)视频内容冗余传输。

3)用户终端数据的不断增多造成的服务访问请求时延增大。

其次，随着各大运营商流量资费的下降，短视频用户快速增长。根据《2019年互联网趋势报告》显示，2020年12月，我国网络视频用户已有9.27亿，其中88.3％是短视频用户，高达8.73亿。短视频用户不仅多，活跃度也非常；早在2019年4月份，我国短视频用户每天播放短视频时间高达6亿小时，并逐年增加。移动数据流量的快速增长、移动设备和远程服务器之间存在的远距离延迟及回程链路的高带宽消耗；给移动核心网络和链路带来了巨大的负担。

为了解决上述的问题，移动边缘计算(Mobile Edge Computing，简称MEC)作为新的架构被提出。移动边缘计算(MEC)以分布式方式将服务器部署在网络边缘，并将云计算的部分功能“下沉”到用户侧，从而为用户就近提供服务。为了降低视频传输时延，通过将较流行的视频提前缓存到边缘服务器，从而减轻骨干网络的压力。

然而，短视频的流行周期相对传统视频来说是比较短暂的。传统视频的流行周期一般持续数周甚至几个月，50％的短视频流行周期一般不足10天。这就需要更快速放置短视频到边缘服务器上和更频繁的更新。短视频的长度相对传统视频来说更小。短视频长度一般在15秒之内，传统视频在0.5-2.5小时，因此用户对短视频的时延要求比传统视频时延要求更高。由于短视频的长度较小，用户可以边移动边观看。短视频的流行度、生命周期都与视频的点赞、评论、转发等行为的密切相关。因此，短视频具有生命周期短，流行度变化快和区域差异的特性，让传统的缓存算法难以很快对此进行反应，给短视频缓存策略研究带来了预测难、收益低的问题。常见的视频缓存主要分为三大类：基于用户偏好缓存，基于机器学习缓存、基于协作缓存。

基于用户偏好缓存是依据用户对视频的偏好程度决定缓存到本地服务器的视频。因为居住环境、工作性质、年龄的差异，加上地域的不同，往往会导致用户群体之间的兴趣爱好差别较大。Ahlehagh等人(Ahlehagh H,Dey S.Video-Aware Scheduling and Cachingin the RadioAcccess Network)提出将用户偏好引入到缓存策略的研究中。首先，分析了每个视频类别的整体流行度分布，视频时长与其流行度之间的相关性。发现视频受欢迎遵循Zipf分布；而且，本地视频的流行度和全国视频的流行度可能存在显著的差异。此外，某些视频类别可能比其他类别的视频更受欢迎。例如，“汽车”和“娱乐”等热门视频类别90天内积累的观看次数是旅游等不受欢迎的视频类别的10倍。在LTE中，NodeB知道处于连接模式的用户大致位置，然后，依据访问视频记录，计算每个活跃用户对可能请求视频类别的概率；再对所有活跃用户进行权重累加，最后得到小区中活跃用户的视频偏好。在存储视频过程中，若缓存已满，使用LRU算法替换缓存中最近最少使用的视频。基于用户偏好缓存算法极大地提高了用户请求的命中率，从而降低了回传网络的压力。因为用户一般在观看时长大的视频时不会离开小区范围，因此小区活跃用户的视频类别偏好计算相对准确；该方法对于缓存传统在线视频，例如电影，综艺等时长大的视频有明显的效果。对于短视频，用户可以在移动的过程中观看视频，当用户移动出小区范围时，小区活跃用户的视频类别偏好计算误差变大。因此，该策略只适用于人群流动性小的区域，适用范围有限。

基于机器学习缓存是通过机器学习的方法，利用用户历史请求，用户历史移动轨迹等信息，预测用户的移动轨迹和本地视频的流行度。通过在用户移动的轨迹上提前缓存视频，能有效提高用户的服务体验，减小视频请求时延。Sengupta A等人(Sengupta A，Amuru S D,et al.Learning distributed caching strategies insmall cellnetworks)通过Q-Learning方法预测视频的流行度。Wang等人(Wang R,Peng X,Zhang J,etal.Mobility-aware caching for content-centricwireless networks.modeling andmethodology)和张婉莹等人(移动边缘计算视频缓存策略研究)依据用户历史访问请求、历史移动轨迹信息和当前位置信息，预测用户下一时间片将会到达的目标基站，在目的基站提前缓存用户的视频内容，达到提高请求命中率目的。虽然用户的移动性和视频流行度相关，但两者都是无法准确估计的变量。在实际场景下，用户的移动性与参与的活动相关，仅仅依据用户移动轨迹预测的数据较为单一，可能会导致预测精度不高等问题。

上述方法都是基于单基站缓存的研究。单基站缓存只研究单个基站的视频流行度和视频放置问题。然而，视频流行度遵循Zipf发布，即20％的在线视频占近80％的观看次数。因此，部分相邻地区的流行视频可能是一样的；导致该地区相邻基站缓存相同的视频，造成缓存资源的不合理分配问题。其次，基站在部署初期合理分配了缓存资源，但，随着社会的发展和人口的迁移，原本合理的缓存资源分布变得不再合理，加上基站扩容成本较高；因此，有的基站缓存资源紧张，而另一些基站的缓存资源被闲置；造成资源的浪费和利用率低的问题。

为了解决上述问题，提高缓存资源利用率；人们提出了基于协作的缓存机制。协作缓存是利用基站之间通信技术，多个基站进行协作缓存视频。然而，在协作缓存的过程中，因为缓存资源受限，相邻几个基站同样流行的视频只在一个基站缓存时，应该如何选择基站。为了提高视频检索响应时间，需要在多个基站缓存时，又应该如何选择哪些基站。对于单独一个基站的流行度低，但多个基站综合流行度高的视频，应该缓存在哪个基站。在协作的过程中，基站之间如何替换视频等问题。这些都是协作缓存会面临的一些列问题。为了解决上述协作缓存面临的问题，有部分学者从最小化传输开销方面研究协作缓存策略。Gu等人(Gu J,Wang W,et al.Distributed cache replacement for caching-enable basestations in cellular networks)研究了蜂窝网络中基站间的缓存替换策略，以最小化基站间的传输开销。将缓存替换问题建模为马尔可夫决策过程，并提出了一种基于Q-learning的分布式缓存替换策略。该缓存替换策略很好的降低了视频传输开销，缓解了核心网络的压力。不足之处是忽略了用户的服务体验,时延高。因此，部分学者从最小化用户时延方面研究缓存策略。Jiang等人(Jiang W,Feng G.Optimal cooperative contentcaching and delivery policy for heterogeneous cellular networks)提出了一种基于微基站和用户设备的最优协作内容缓存和传递策略，其中微基站和用户设备可当作存储设备缓存视频，设备之间通过D2D技术通信。该文献将协作内容缓存问题定义为整数线性规划问题，并采用层次原对偶分解方法将问题解耦为二级优化问题，并用次梯度法求解。该策略明显提高了用户的服务体验，降低时延的同时也减少了骨干网络的传输开销。但用户是相对自私的群体。很少自愿将自己设备的存储资源用来缓存视频和与人共享。在协作缓存方面，大多数研究是最大化用户QOE和网络运营商收益；在移动边缘视频缓存的文献中，很少有考虑优化视频内容提供商的成本。为了充分利用移动边缘系统的缓存资源，降低视频服务提供商成本。Xia等人(Xiaoyu Xia,et al:“Online Collaborative Data Caching inEdge Computing”)提出了在线协作缓存策略，解决流行视频存在的冗余放置问题。在邻居宏基站之间通过光纤互联的场景下，每个宏小区的视频流行度由宏小区自己预测，因此会产生邻居基站间冗余存储视频。为了解决视频冗余问题，作者通过将本地与邻居之间都流行的视频，缓存到邻居基站边缘服务器上，达到多个宏小区共享数据的目的。作者首先将内容协作放置问题建模为多约束优化问题；然后提出了基于贪心算法的求解方案来最小化视频服务提供商成本。

在移动边缘计算缓存体系中，视频内容提供商通过租用网络运营商的资源，就近为用户提供高质量服务体验。因此，视频内容提供商在边缘缓存中也是一个非常重要的角色。通过租用网络运营商的存储资源，缓存视频来降低用户时延的同时，也会对视频内容提供商产生较高的成本。如果成本过高不利于移动边缘计算缓存技术的落地和推广。在协作缓存方面，大多数研究是最大化用户QOE和网络运营商收益；很少有考虑优化视频内容提供商的收益。在最大化用户QOE为优化目标的研究中，因为忽略了视频内容提供商，在边缘服务器上缓存的视频越多，往往会导致缓存成本很高，视频内容提供商收益较低。然而，降低缓存成本会增加用户请求延迟；用户请求延迟高会降低用户请求访问次数；请求访问次数减少，收益降低。根据Google的研究表明，每400毫秒的网络时延将减少0.59％的用户搜索请求；亚马逊公司的研究显示每增加100ms网络延迟将减1％的收益。由于短视频长度一般在15秒之内，因此用户对短视频的时延要求比传统视频时延要求更高。同时，短视频的流行度、生命周期都与视频的点赞、评论、转发等行为有关。短视频具有生命周期短，流行度变化快和区域差异的特性，让传统的缓存算法难以很快对此进行反应。因此，如何均衡用户延迟和短视频内容提供商的收益是一个需要解决的问题。

发明内容

本发明的目的是针对现有技术中存在的不足，提供了一种移动边缘计算中社交网络短视频放置方法。这种方法可在稳定用户服务质量的同时，最大化视频服务提供商长期收益，还能加快边缘缓存应用的落地和普及。

实现本发明目的的技术方案是：

一种移动边缘计算中社交网络短视频放置方法，包括如下步骤：

步骤1：系统模型：将系统建模为一个图G(V，E)，其中V＝{v₁,....,v_n}是节点集合，每一个节点表示一个边缘服务器；E＝{e₁,....,e_n}是边的集合，每条边表示两个边缘服务器之间连接链路，用户的请求是独立同分布的，数据请求总数遵循正态分布，在t时间片，请求的数据集为D，将数据集D中的数据缓存策略表示为

其中，

表示在t时间片里，数据d是否缓存在边缘服务器vi；

其中，

表示在时间片t时，数据d未中缓存在边缘服务器vi上；

表示在时间片t时，数据d中缓存在边缘服务器vi上；

其中，

表示在t时间片里，设备m是否请求数据d，0表示在时间片t时设备m没请求数据d，1表示在时间片t时设备m请求数据d；

每个边缘服务器vi上任何时间片t中缓存的数据数量不能违反可用服务器容量约束：

步骤2：时延模型：用户请求视频服务的时延包括两部分，分别是往返传输时延和请求排队时延，步骤2.1：往返传输时延，在时隙中为应用程序用户的移动设备m检索数据d的网络延迟计算如下：

其中，v_i是边缘服务器缓存数据d，v_j是覆盖应用用户移动设备m的边缘服务器，l_i,j是v_i和v_j之间的传输时延；

步骤2.2：请求排队时延，在边缘云中部署一个同构服务器，边缘云被建模为一个M/M/c队列，每个服务器的服务率表示为μ^c，边缘云的最大工作负载上限为最大请求接受率，表示为

用户的请求以

速率到达边缘服务器，表示如下：

边缘服务处理的请求比值用ψ^c表示；

队列的实际执行速率为：

边缘云的每个队列的平均等待时间为：

其中，

总时延计算如下：

将l_Tolerance表示为视频服务供应商指定的延迟限制，如果延迟T_delay高于l_Tolerance，设备m将直接从云服务中心访问数据，因此，设备m在时间片t从远程云服务器c检索数据d的延迟计算为

其中l_c,m>l_Tolerance是c和m之间的延迟；

步骤3：缓存价值模型：

缓存价值表示缓存该视频的性价比；用视频的流行度与视频大小的比值来表示；其中e_popularity表示视频流行度，C_size表示视频的大小；

步骤4：收益模型：系统的总成本包括缓存、迁移、惩罚成本，公式计算如下：

步骤4.1：缓存成本：缓存成本是根据视频服务提供商缓存的数据大小来计算，假设边缘服务器单位缓存成本是C_s,第i个视频数据的大小为

在时间片t的视频数据缓存成本计算如下：

步骤4.2：迁移成本：

将新数据从远程云中心传输到边缘服务器或边缘服务器之间进行传输都会产生额外的网络延迟，因此会产生数据传输迁移成本，数据d在时间片t开始时已经缓存在服务器vi上，用

表示，反之，用

表示；

用

得到数据迁移成本如下：

步骤4.3：惩罚成本：用

表示是否产生惩罚成本，取值为{0,1}；如果获取数据d的最短时延大于该数据的容忍时延，则产生惩罚成本，

反之为0；用c_p(λ^t)表示惩罚成本，计算如下：

经济收入计算公式如下：

除时延收益外，MEC服务器缓存短视频还能够缓解核心网络的流量负载压力，假设卸载流量的单位价值为S，对于请求视频次数x_i,j和短视频请求R，缓存带来的流量收益为：

x_i,j满足泊松分布；且与时延成反比：

步骤5：问题建模：稳定用户QOE的同时，最大化短视频服务提供商的长期收益：

为求解出每个时间片数据缓存的策略；

具体实现：

首先，初始化网络结构，输入基站的坐标，随机生成一个基站连通无向图，然后根据用户的地理位置，将用户划分到最近的基站服务范围内，接着生成用户的请求数据；按照数据的流行度依此缓存到基站的边缘服务器上，计算每个数据的迁移成本，传输成本和时延惩罚成本；生成李雅普诺夫优化函数，若数据缓存代价高于产生的收益，则不缓存；若数据产生的收益高于成本，则缓存，具体实现步骤如下表所示：

本技术方案，与现有技术相比，具有以下优点：

1.李雅普诺夫优化应用到短视频缓存的研究中；

2.既稳定用户请求时延，又能最大化视频内容提供商的经济收益；加快边缘缓存应用的落地和普及；

3.缓存策略考虑了短视频区域差异的特性。

这种方法可在稳定用户服务质量的同时，最大化视频服务提供商长期收益，还能加快边缘缓存应用的落地和普及。

附图说明

图1为实施例的结构框图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步的详细描述，但不是对本发明的限定。

实施例：

参照图1，一种移动边缘计算中社交网络短视频放置方法，包括如下步骤：步骤1：系统模型：将系统建模为一个图G(V，E)，其中V＝{v₁,....,v_n}是节点集合，每一个节点表示一个边缘服务器；E＝{e₁,....,e_n}是边的集合，每条边表示两个边缘服务器之间连接链路，用户的请求是独立同分布的，数据请求总数遵循正态分布，在t时间片，请求的数据集为D，将数据集D中的数据缓存策略表示为

其中，

表示在t时间片里，数据d是否缓存在边缘服务器vi；

其中，

表示在时间片t时，数据d未中缓存在边缘服务器vi上；

表示在时间片t时，数据d中缓存在边缘服务器vi上；

其中，

表示在t时间片里，设备m是否请求数据d，0表示在时间片t时设备m没请求数据d，1表示在时间片t时设备m请求数据d；

每个边缘服务器vi上任何时间片t中缓存的数据数量不能违反可用服务器容量约束：

步骤2：时延模型：用户请求视频服务的时延包括两部分，分别是往返传输时延和请求排队时延，步骤2.1：往返传输时延，在时隙中为应用程序用户的移动设备m检索数据d的网络延迟计算如下：

其中，v_i是边缘服务器缓存数据d，v_j是覆盖应用用户移动设备m的边缘服务器，l_i,j是v_i和v_j之间的传输时延；

步骤2.2：请求排队时延，在边缘云中部署一个同构服务器，边缘云被建模为一个M/M/c队列，每个服务器的服务率表示为μ^c，边缘云的最大工作负载上限为最大请求接受率，表示为

用户的请求以

速率到达边缘服务器，表示如下：

边缘服务处理的请求比值用ψ^c表示；

队列的实际执行速率为：

边缘云的每个队列的平均等待时间为：

其中，

总时延计算如下：

将l_Tolerance表示为视频服务供应商指定的延迟限制，如果延迟T_delay高于l_Tolerance，设备m将直接从云服务中心访问数据，因此，设备m在时间片t从远程云服务器c检索数据d的延迟计算为

其中l_c,m>l_Tolerance是c和m之间的延迟；

步骤3：缓存价值模型：

缓存价值表示缓存该视频的性价比；用视频的流行度与视频大小的比值来表示；其中e_popularity表示视频流行度，C_size表示视频的大小；

步骤4：收益模型：系统的总成本包括缓存、迁移、惩罚成本，公式计算如下：

步骤4.1：缓存成本：缓存成本是根据视频服务提供商缓存的数据大小来计算，假设边缘服务器单位缓存成本是C_s,第i个视频数据的大小为

在时间片t的视频数据缓存成本计算如下：

步骤4.2：迁移成本：

将新数据从远程云中心传输到边缘服务器或边缘服务器之间进行传输都会产生额外的网络延迟，因此会产生数据传输迁移成本，数据d在时间片t开始时已经缓存在服务器vi上，用

表示，反之，用

表示；

用

得到数据迁移成本如下：

步骤4.3：惩罚成本：用

表示是否产生惩罚成本，取值为{0,1}；如果获取数据d的最短时延大于该数据的容忍时延，则产生惩罚成本，

反之为0；用c_p(λ^t)表示惩罚成本，计算如下：

经济收入计算公式如下：

除时延收益外，MEC服务器缓存短视频还能够缓解核心网络的流量负载压力，假设卸载流量的单位价值为S，对于请求视频次数x_i,j和短视频请求R，缓存带来的流量收益为：

x_i,j满足泊松分布；且与时延成反比：

步骤5：问题建模：稳定用户QOE的同时，最大化短视频服务提供商的长期收益：

为求解出每个时间片数据缓存的策略；

具体实现：

首先，初始化网络结构，输入基站的坐标，随机生成一个基站连通无向图，然后根据用户的地理位置，将用户划分到最近的基站服务范围内，接着生成用户的请求数据；按照数据的流行度依此缓存到基站的边缘服务器上，计算每个数据的迁移成本，传输成本和时延惩罚成本；生成李雅普诺夫优化函数，若数据缓存代价高于产生的收益，则不缓存；若数据产生的收益高于成本，则缓存，具体实现步骤如下表所示：

本次实验，基于真实环境采集的1689个基站和131312个用户的数据进行模拟仿真实验。每个基站包含基站名、经纬度、有效服务范围信息；用户的信息包括地理位置，用户IP信息。

Claims (1)

1.一种移动边缘计算中社交网络短视频放置方法，其特征在于，包括如下步骤：步骤1：系统模型：将系统建模为一个图G(V，E)，其中V＝{v₁，....，v_n}是节点集合，每一个节点表示一个边缘服务器；E＝{e₁，....，e_n}是边的集合，每条边表示两个边缘服务器之间连接链路，用户的请求是独立同分布的，数据请求总数遵循正态分布，在t时间片，请求的数据集为D，将数据集D中的数据缓存策略表示为

其中，

表示在t时间片里，数据d是否缓存在边缘服务器vi；

其中，

表示在时间片t时，数据d未中缓存在边缘服务器vi上；

表示在时间片t时，数据d中缓存在边缘服务器vi上；

其中，

表示在t时间片里，设备m是否请求数据d，0表示在时间片t时设备m没请求数据d，1表示在时间片t时设备m请求数据d；

每个边缘服务器vi上任何时间片t中缓存的数据数量不能违反可用服务器容量约束：

步骤2：时延模型：用户请求视频服务的时延包括两部分，分别是往返传输时延和请求排队时延，

步骤2.1：往返传输时延，在时隙中为应用程序用户的移动设备m检索数据d的网络延迟计算如下：

其中，v_i是边缘服务器缓存数据d，v_j是覆盖应用用户移动设备m的边缘服务器，l_i，j是v_i和v_j之间的传输时延；

步骤2.2：请求排队时延，在边缘云中部署一个同构服务器，边缘云被建模为一个M/M/c队列，每个服务器的服务率表示为μ^c，边缘云的最大工作负载上限为最大请求接受率，表示为

用户的请求以

速率到达边缘服务器，表示如下：

边缘服务处理的请求比值用ψ^c表示；

队列的实际执行速率为：

边缘云的每个队列的平均等待时间为：

其中，

总时延计算如下：

将l_Tolerance表示为视频服务供应商指定的延迟限制，如果延迟T_delay高于l_Tolerance，设备m将直接从云服务中心访问数据，因此，设备m在时间片t从远程云服务器c检索数据d的延迟计算为

其中l_c，m＞l_Tolerance是c和m之间的延迟；

步骤3：缓存价值模型：

缓存价值表示缓存该视频的性价比；用视频的流行度与视频大小的比值来表示；其中e_popularity表示视频流行度，C_size表示视频的大小；

步骤4：收益模型：系统的总成本包括缓存、迁移、惩罚成本，公式计算如下：

步骤4.1：缓存成本：缓存成本是根据视频服务提供商缓存的数据大小来计算，假设边缘服务器单位缓存成本是C_s，第i个视频数据的大小为

在时间片t的视频数据缓存成本计算如下：

步骤4.2：迁移成本：

将新数据从远程云中心传输到边缘服务器或边缘服务器之间进行传输都会产生额外的网络延迟，因此会产生数据传输迁移成本，数据d在时间片t开始时已经缓存在服务器vi上，用

表示，反之，用

表示；

得到数据迁移成本如下：

步骤4.3：惩罚成本：用

表示是否产生惩罚成本，取值为{0，1}；如果获取数据d的最短时延大于该数据的容忍时延，则产生惩罚成本，

反之为0；

用c_p(λ^t)表示惩罚成本，计算如下：

经济收入计算公式如下：

除时延收益外，MEC服务器缓存短视频还能够缓解核心网络的流量负载压力，假设卸载流量的单位价值为S，对于请求视频次数x_i，j和短视频请求R，缓存带来的流量收益为：

x_i，j满足泊松分布；且与时延成反比：

步骤5：问题建模：稳定用户QOE的同时，最大化短视频服务提供商的长期收益：

为求解出每个时间片数据缓存的策略；

具体实现：

首先，初始化网络结构，输入基站的坐标，随机生成一个基站连通无向图，然后根据用户的地理位置，将用户划分到最近的基站服务范围内，接着生成用户的请求数据；按照数据的流行度依此缓存到基站的边缘服务器上，计算每个数据的迁移成本，传输成本和时延惩罚成本；生成李雅普诺夫优化函数，若数据缓存代价高于产生的收益，则不缓存；若数据产生的收益高于成本，则缓存，具体实现步骤如下表所示：

Images