CN115051996B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN115051996B
CN115051996B CN202210683789.XA CN202210683789A CN115051996B CN 115051996 B CN115051996 B CN 115051996B CN 202210683789 A CN202210683789 A CN 202210683789A CN 115051996 B CN115051996 B CN 115051996B
Authority
CN
China
Prior art keywords
video
local
representing
heat
size
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
CN202210683789.XA
Other languages
English (en)
Other versions
CN115051996A (zh
Inventor
刘平山
蔡张婧
刘韶星
唐泽慧
尤骏
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.)
Guilin University of Electronic Technology
Original Assignee
Guilin University of Electronic Technology
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 Guilin University of Electronic Technology filed Critical Guilin University of Electronic Technology
Priority to CN202210683789.XA priority Critical patent/CN115051996B/zh
Publication of CN115051996A publication Critical patent/CN115051996A/zh
Application granted granted Critical
Publication of CN115051996B publication Critical patent/CN115051996B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1001—Protocols in which an application is distributed across nodes in the network for accessing one among a plurality of replicated servers
    • H04L67/1004—Server selection for load balancing
    • H04L67/1012—Server selection for load balancing based on compliance of requirements or conditions with available server resources
    • 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
    • H04N21/21—Server components or server architectures
    • H04N21/218—Source of audio or video content, e.g. local disk arrays
    • H04N21/2181—Source of audio or video content, e.g. local disk arrays comprising remotely distributed storage units, e.g. when movies are replicated over a plurality of video servers
    • 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
    • H04N21/23406—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving management of server-side video buffer
    • 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
    • H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
    • 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)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Databases & Information Systems (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明公开了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。该方法用于MEC服务器的视频缓存管理，当MEC服务器剩余缓存空间不足以存储待缓存视频时，结合全网流行度和本地流行度变化计算本地视频热度；接着，结合本地视频热度、视频大小和信息熵理论，计算本地视频效用值；然后，基于本地视频效用值进行降序排序，将效用值最低的视频依次删除，直到剩余缓存空间能存储待缓存视频，并存储之。最后，如果该待缓存视频是全网新发布视频，那么将其全网流行度设置为top_r2；否则，从中心服务器获取其全网流行度。该缓存管理方法可有效提升MEC服务器的缓存命中率，降低传输延迟，提升用户体验质量，减少回程流量，降低核心网压力。

Description

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
技术领域
本发明涉及边缘计算领域、流媒体技术领域，更确切地说，涉及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。
背景技术
近年来，随着互联网技术不断发展，视频内容提供商每天上传数以万计的流媒体内容，且智能终端设备快速发展，网络流量将呈爆炸式增长，给核心网带来了巨大压力。根据Cisco最新网络流量预测报告，至2022年，将有285亿固定和移动设备进入网络，平均每个人能够持有3.6个终端设备，全球的移动数据流量将会增长至原来的七倍，其中移动终端所产生的视频流量将占全部互联网流量的72％。移动内容的分发，特别是具有4K分辨率的超清视频点播服务已成为5G网络背景下主要应用场景。
随着5G时代的到来，欧洲电信标准化协会提出了多接入边缘计算(Multi-accessEdge Computing，MEC)，通过在云平台的更前端部署MEC服务器实现将云服务器的计算能力和存储能力下沉到靠近用户侧，让流媒体视频分发以及密集型任务(比如对高清视频进行解码，直播视频流的码率自适应切换等待)的计算在移动网络边缘执行，从而更近距离地为移动用户提供服务。MEC服务器被作为独立的处理中心设备部署在移动网络边缘，缓存用户所需的视频资源，能够直接与用户设备通信，从而能够减少网络操作和传输时延，提高用户体验质量。另外，MEC服务器由于缓存空间有限，而视频资源所占用的缓存空间日益增长，MEC服务器如何进行缓存管理，以提升缓存命中率，是一个重要问题。在缓存管理方法中，一些传统方法有LRU(Least Recently Used、最近最少使用)、LFU(Least Frequently Used，最不经常使用)等。然而，这些方法最早是针对操作系统的缓存页管理提出来的，未曾考虑视频的特殊性。视频的特殊性体现在流行度变化和视频大小变化。根据齐普夫定律可知，网络中80％的流量来自于20％的视频，视频流行度可作为缓存管理的一个重要考虑因素。而且，视频流行度是受用户访问的影响而动态变化。MEC服务器如何根据本地访问频率构建一个热度变化模型是一个重要问题。另外，视频大小变化比较大，如一个长视频(45分钟)的长度可以与多个短视频(3-5分钟)的长度和相等。于是，如何综合考虑视频流行度变化、视频大小变化，基于这些因素如何构建一个有效指标，是MEC服务器缓存管理要解决的重要问题。
发明内容
本发明目的是针对现有技术的不足，提供了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，利用MEC服务器的存储和计算能力，基于视频流行度和视频大小计算视频效用缓存管理视频，降低MEC服务器向云中心服务器请求视频的频率，使用户的视频请求在MEC服务器端得到满足，从而达到提高移动MEC服务器的视频缓存命中率的目的，实现降低网络延迟、减少网络开销和提升用户体验的效果。
实现本发明目的的技术方案是：
一种多接入边缘计算(Multi-access Edge Computing，MEC)下基于本地视频效用值的视频缓存管理方法。该方法用于MEC服务器的视频缓存管理，包括两个功能模块。第一个功能模块是全网流行度获取模块，该模块周期性执行，MEC服务器从中心服务器获取本地缓存视频的全网流行度，并从全网流行度前20％取一个随机值为top_r2。第二个功能模块是视频缓存处理模块，该模块在MEC服务器缓存本地缺失视频时启动执行。当MEC服务器剩余缓存空间足以存储待缓存视频时，直接存储。当MEC服务器剩余缓存空间不足以存储待缓存视频时，结合全网流行度和本地流行度变化计算本地视频热度；接着，结合本地视频热度、视频大小和信息熵理论，计算本地视频效用值；然后，基于本地视频效用值进行降序排序，将效用值最低的视频依次删除，直到剩余缓存空间能存储待缓存视频，并存储之。最后，如果该被缓存视频是全网新发布视频，那么将其全网流行度设置为top_r2；否则，从中心服务器获取其全网流行度。该缓存管理方法可有效提升MEC服务器的缓存命中率，降低传输延迟，提升用户体验质量，减少回程流量，降低核心网压力。
所述的第一个功能模块是全网流行度获取模块，该模块周期性执行，典型地，以一周为一个周期(也可以取其他周期，如10天、半个月等)，MEC服务器在每周一晚12时至隔天早8时向云中心服务器获取本地视频全网流行度并存储在全网流行度列表popList中，并从全网流行度前20％取一个随机值为top_r2；
所述的第二个功能模块是视频缓存处理模块，该模块在MEC服务器缺失视频时启动执行。当MEC服务器剩余缓存空间足以存储待缓存视频时，直接存储。当MEC服务器剩余空间不足以存储待缓存视频时，执行如下步骤。
步骤1：基于历史访问频率构建视频热度模型用于计算本地流行度变化值，结合全网流行度计算本地视频热度；
步骤2：计算视频效用值，为评估视频热度和视频大小的重要程度，引入信息熵理论对两者的权重进行定量分析，再结合本地视频热度以及视频大小构建视频效用函数，并计算MEC服务器本地视频的效用值；
步骤3：基于本地视频效用值进行降序排序，将效用值最低的视频依次删除，直到剩余缓存空间能存储待缓存视频；
步骤4：判断待缓存视频是否为新发布视频，如果该待缓存视频是全网新发布视频，那么将其全网流行度设置为top_r2；否则，从中心服务器获取其全网流行度。
所述步骤1中构建本地视频热度模型，包括一个模型评估系数，一个热度上升模型，一个频率相关的热度衰减模型和一个频率无关的热度衰减模型。
所述的模型评估系数是用于在计算本地视频热度之前确定该视频所满足的热度模型。由于实时视频热度对视频流行度评估更具参考价值，而单纯累加每个周期的访问频率并不能反应真实的热度。因此，为评估缓存中视频所满足的热度模型，结合历史访问频率差值引入一个模型评估系数。模型评估系数evali表达式如下：
Figure BDA0003697239660000031
上述公式(1)中，
Figure BDA0003697239660000032
示相邻周期间的访问频率差值对视频i热度的影响值，其中，/>
Figure BDA0003697239660000033
表达式如下：
Figure BDA0003697239660000034
上述公式(2)中，
Figure BDA0003697239660000035
表示视频i在周期Tt的访问频率，/>
Figure BDA0003697239660000036
表示视频i在周期Tt-1的访问频率；ρ表示平衡系数，用于平衡分子过大对分母中指数函数的影响。
所述热度上升模型的构建主要考虑视频的历史访问频率，影响视频热度上升的关键因素是用户的点击量；另外，不同周期的访问频率对当前视频热度的影响存在差异，先前访问频率高的视频的热度未必高于当前访问频率低的，并且随着历史时间往前推移，越靠前的访问频率对热度影响应是越小的，热度上升模型的公式化如下：
Figure BDA0003697239660000041
上述公式(3)中，
Figure BDA0003697239660000042
表示视频i上升的热度，n表示总周期数，/>
Figure BDA0003697239660000043
表示在周期Tt中访问频率对视频i的热度的影响值，其/>
Figure BDA0003697239660000044
的表达式如下：
Figure BDA0003697239660000045
上述公式(4)中，
Figure BDA0003697239660000046
表示在周期Tt时视频i的访问频率。
所述的频率相关的热度衰减模型考虑网络中的大部分视频在各个时间周期内都存在访问频率且频次不定的情况，频率相关的衰减模型公式化如下：
Figure BDA0003697239660000047
Figure BDA0003697239660000048
上述公式(6)中，
Figure BDA0003697239660000049
表示视频i的衰减热度，n表示总周期数，/>
Figure BDA00036972396600000410
表示在周期Tt中访问频率对视频i的热度的影响值，公式(6)的符号表达同公式(4)。
所述的频率无关的热度衰减模型主要考虑视频在各阶段访问频率极少或者为0的情况。一个视频在每个计算周期中的访问频率均为0或接近0，若根据频率计算所得到热度衰减值应为0或趋于0，但视频的实际热度却是迅速下降。上述情况可作为一种无频率相关的自然状态下的热度衰减问题，其热度是随着时间推移而不断衰减，因此，其热度和时间存在一种线性相关。根据牛顿冷却定律，构建视频热度与周期时间的线性衰减函数关系式，频率无关的衰减模型公式化如下：
Figure BDA00036972396600000411
Figure BDA00036972396600000412
上述公式(8)中，
Figure BDA0003697239660000051
表示视频i衰减的热度，low_Pi表示视频i最低流行度(即Pi的最低限制)，Pi表示视频i全网流行度(Pi取自全网流行度列表popList)，k表示衰减相关因子，ΔT表示周期间隔。
所述步骤1中本地热度由一个分段函数来计算，该分段函数包含三种热度模型，本地视频热度local_Pi表达式如下：
Figure BDA0003697239660000052
上述公式(9)中，当evali＜τ或者evali＝0时(τ是根据各周期访问频率低的视频评估而来)，表示视频i满足频率无关衰减模型；当τ≤evαli＜0时，表示视频i满足频率相关的衰减模型；当evali＞0时，表示视频i满足热度上升模型。
所述步骤2中视频效用函数结合了本地视频热度和视频大小，并且为评估视频热度和视频大小的重要程度，引入信息熵理论对两者的权重进行定量分析，其效用函数表达式如下：
Figure BDA0003697239660000053
Figure BDA0003697239660000054
Figure BDA0003697239660000055
上述公式(10)中，
Figure BDA0003697239660000056
表示MEC服务器m中视频i的效用，local_Pi表示视频i本地热度，Sizei表示视频i大小，/>
Figure BDA0003697239660000057
分别表示本地视频热度和视频大小的权重，且/>
Figure BDA0003697239660000058
Maximum表示一个足够大的值(大于/>
Figure BDA0003697239660000059
情况下的任何值)，/>
Figure BDA00036972396600000510
表示视频i的状态，/>
Figure BDA00036972396600000511
表示视频i正在被请求且无法被替换，/>
Figure BDA00036972396600000512
表示视频i可以被替换，Cm表示服务器m的缓存空间。约束条件(10a)保证了缓存视频大小不会超过服务器的缓存空间；约束条件(10b)表示视频i是否由MEC服务器m缓存。
所述的权重是用于评估本地视频热度和视频大小在缓存替换算法中的重要性。如果缓存了一些热度较低的高质量视频，那么大量用户的请求将不会在缓存中命中，缓存空间很大程度上将被浪费。相比之下，高质量且高热度的视频更应该被缓存，而高质量且低热度的视频也更应该被替换。视频的热度高意味着在未来更有可能被访问，高质量的视频却需要更多存储空间。因此，引入信息熵对权重进行定量化，将缓存策略中本地视频热度和视频大小看作缓存中两个信息。考虑到0＜local_Pi＜1，本地视频热度不需要进行归一化。然而，视频大小变化较大，可进行归一化处理，Size′i表示视频i的归一化大小，其计算公式如下：
Figure BDA0003697239660000061
上述公式(11)中，Sizei表示视频i的大小，Sizemin表示本地视频大小的最小值，Sizemax表示本地视频大小的最大值。
根据信息熵理论，信息熵公式如下：
Figure BDA0003697239660000062
上述公式(12)中，I表示视频的总数，Pi,j表示视频i信息j的信息概率，j∈{1,2}，j＝1表示视频本地热度信息，j＝2表示归一化的视频大小信息，E1表示本地视频热度的信息熵，E2表示归一化的视频大小信息熵。进一步，Pi,j的计算公式如下：：
Figure BDA0003697239660000063
上述公式(13)中，gi,1表示本地视频热度local_Pi(gi,1＝local_Pi)，gi,2表示归一化的视频大小(gi,2＝Size′i)。
根据信息熵的定义可知，信息熵越大，意味着发生概率越小。但与信息熵描述不同的是，缓存中信息的熵值越大，该信息在缓存中的影响力更大。因此，视频热度和视频大小的权重
Figure BDA0003697239660000064
计算公式如下：
Figure BDA0003697239660000065
上述公式(14)中，
Figure BDA0003697239660000066
表示本地视频热度的权重，/>
Figure BDA0003697239660000067
表示视频大小的权重。
所述的视频缓存处理模块的具体算法执行过程如下：
Step001：开始。
Step002：获取待缓存视频k的大小、每个本地视频i的大小Sizei、MEC服务器的缓存空间Cm、本地视频的全网流行度列表popList、随机值top_r2。
Step003：计算待缓存视频k大小，判断MEC服务器的剩余缓存空间是否充足，如果充足，转入Step013；否则，转入Step004。
Step004：判断period是否等于1，如果是，每个本地视频i的全网流行度Pi就是视频的本地热度local_Pi，转入Step010；否则，转入Step005。
Step005：根据公式(1)计算每个本地视频i的evali。
Step006：根据本地视频i的evali值，计算本地视频热度local_Pi。如果evali＜τ或evali＝0，转入Step007：如果τ≤evali＜0，转入Step008；如果evali＞0，转入Step009。
Step007：根据公式(8)计算local_Pi。
Step008：根据公式(5)计算local_Pi。
Step009：根据公式(3)计算local_Pi。
Step010：分别根据公式(12)、(14)计算Ej,
Figure BDA0003697239660000071
Step011：根据公式(10)计算
Figure BDA0003697239660000072
Step012：根据
Figure BDA0003697239660000073
对本地视频进行降序排序，依次删除最小/>
Figure BDA0003697239660000074
的视频，直到剩余缓存空间能存储待缓存视频k。
Step013：缓存待缓存视频k。
Step014：判断待缓存视频k是否为新发布视频，如果是，设置其全网流行度Pk为top_r2；否则，获取该视频k的全网流行度Pk。
Step015：结束。
附图说明
图1为一种移动环境下的MEC服务系统架构图；
图2为缓存管理算法流程图。
具体实施方式
下面将结合附图和实施例对本发明内容做进一步阐述，但不是对本发明的限定。
实施例：
图1是本发明的一种移动环境下的MEC服务系统架构图，它由云中心服务器、基站、MEC服务器、移动用户组成。MEC服务器被部署在靠近用户侧位置，并且能够直接为用户提供计算与分发服务，用户发送一个请求给MEC服务器，MEC会对请求进行解析并在本地缓存中去搜索目标资源，如果本地缓存中存在目标资源则直接为该用户提供服务；否则，搜索邻居MEC服务器的缓存列表是否存在目标资源，如果缓存命中，则通过高速链路将目标资源传输到本地MEC服务器进而为用户提供服务；否则，MEC服务器通过回程链路向远端的云中心服务器发送请求并获取目标资源。
具体地，为了说明本发明的实施方式，在实施例中，假设该MEC服务系统架构中有1台云服务器，3台MEC服务器和3000个移动终端节点。MEC服务器的上传带宽为200Mbps，每个MEC服务器的视频库中缓存视频数量为400，视频初始流行度遵循Zipf规律，分布参数α＝0.5，视频的最高热度是0.99，最低热度是0.01，
Figure BDA0003697239660000081
视频库中的视频有三个不同的版本，480p、720p和1080p，所需要的最低带宽分别为1Mbps，2Mbps，4Mbps。用户节点通过马尔可夫高斯移动模型加入网络，为了模拟用户离开网络情况，间隔一段时间设置一些节点退出网络。移动节点的带宽也应符合实际情况，进一步假定，云服务器到用户的时延为[5,10]ms，邻居MEC到用户的时延为[1,2.5]ms，本地MEC服务器到用户的时延设置为[0.25,0.5]ms。
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，该方法包括两个功能模块。
第一个功能模块是全网流行度获取模块，该模块周期性执行，典型地，以一周为一个周期(也可以取其他周期，如10天半个月等)，MEC服务器在每周一晚12时至隔天早8时向云中心服务器获取本地视频全网流行度并存储在全网流行度列表popList中，并从全网流行度前20％取一个随机值为top_r2；
第二个功能模块是视频缓存处理模块，该模块在MEC服务器缺失视频时启动执行。当MEC服务器剩余缓存空间足以存储待缓存视频时，直接存储。当MEC服务器剩余空间不足以存储待缓存视频时，执行如下步骤：
步骤1：基于历史访问频率构建视频热度模型用于计算本地流行度变化值，结合全网流行度计算本地视频热度。
构建视频热度模型，包括一个模型评估系数，一个热度上升模型，一个频率相关的热度衰减模型和一个频率无关的热度衰减模型。
模型评估系数是用于在计算本地视频热度之前确定该视频所满足的热度模型。为评估缓存中视频所满足的热度模型，结合各周期(典型地，以一天为一个周期)的访问频率差引入一个模型评估系数。模型评估系数evαli表达式如下：
Figure BDA0003697239660000091
上述公式(1)中，
Figure BDA0003697239660000092
表示相邻周期间的访问频率差值对视频i热度的影响值，n表示总周期数，其中，/>
Figure BDA0003697239660000093
表达式如下：
Figure BDA0003697239660000094
上述公式(2)中，
Figure BDA0003697239660000095
表示视频i在周期Tt的访问频率，/>
Figure BDA0003697239660000096
表示视频i在周期Tt-1的访问频率；ρ表示平衡系数，用于平衡分子过大对分母中指数函数的影响。
热度上升模型的构建主要考虑视频的历史访问频率，影响视频热度上升的关键因素是用户的点击量；另外，不同周期的访问频率对当前视频热度的影响存在差异，先前访问频率高的视频的热度未必就高于当前访问频率低的。随着历史时间往前推移，越靠前的访问频率对热度影响应是越小的，热度上升模型的公式化如下：
Figure BDA0003697239660000097
上述公式(3)中，
Figure BDA0003697239660000098
表示视频i上升的热度，n表示总周期数，/>
Figure BDA0003697239660000099
表示在周期Tt中访问频率对视频i的热度的影响值，其/>
Figure BDA00036972396600000910
的表达式如下：
Figure BDA00036972396600000911
上述公式(4)中，
Figure BDA00036972396600000912
表示在周期Tt时视频i的访问频率。
频率相关的热度衰减模型考虑网络中的大部分视频在各个时间周期内都存在访问频率且频次不定的情况，频率相关的衰减模型公式化如下：
Figure BDA00036972396600000913
Figure BDA00036972396600000914
上述公式(6)中，
Figure BDA0003697239660000101
表示视频i的衰减热度，n表示总周期数，/>
Figure BDA0003697239660000102
表示在周期Tt中访问频率对视频i的热度的影响值，公式(6)的符号表达同公式(4)。
频率无关的热度衰减模型主要考虑视频在各阶段访问频率极少或者为0的情况。一个视频在每个计算周期中的访问频率均为0或接近0，若根据频率计算所得到热度衰减值应为0或趋于0，但视频的实际热度却是迅速下降。上述情况可作为一种无频率相关的自然状态下的热度衰减问题，其热度是随着时间推移而不断衰减，因此，其热度和时间存在一种线性相关。根据牛顿冷却定律，构建视频热度与周期时间的线性衰减函数关系式，频率无关的衰减模型公式化如下：
Figure BDA0003697239660000103
Figure BDA0003697239660000104
上述公式(8)中，
Figure BDA0003697239660000105
表示视频i衰减的热度，low_Pi表示视频i最低流行度(即Pi的最低限制)，Pi表示视频i的全网流行度(Pi取自全网流行度列表popList)，k表示衰减相关因子，ΔT表示周期间隔。
本地热度由一个分段函数来计算，该分段函数包含三种热度模型，本地视频热度local_Pi表达式如下：
Figure BDA0003697239660000106
上述公式(9)中，当evali＜τ或者evali＝0时(τ是根据各周期访问频率低的视频评估而来)，表示视频i满足频率无关衰减模型；当τ≤evali＜0时，表示视频i满足频率相关的衰减模型；当evali＞0时，表示视频i满足热度上升模型。
步骤2：计算视频效用值，为评估视频热度和视频大小的重要程度，引入信息熵理论对两者的权重进行定量分析，再结合本地视频热度以及视频大小构建视频效用函数，并计算MEC服务器本地视频的效用值。
视频效用函数结合了本地视频热度和视频大小，并且为评估视频热度和视频大小的重要程度，引入信息熵理论对两者的权重进行定量分析，其效用函数表达式如下：
Figure BDA0003697239660000111
Figure BDA0003697239660000112
Figure BDA0003697239660000113
上述公式(10)中，
Figure BDA0003697239660000114
表示MEC服务器m中视频i的效用，local_Pi表示视频i本地热度，Sizei表示视频i大小，/>
Figure BDA0003697239660000115
分别表示本地视频热度和视频大小的权重，且
Figure BDA0003697239660000116
Maximum表示一个足够大的值(大于/>
Figure BDA0003697239660000117
情况下的任何值)，
Figure BDA0003697239660000118
表示视频i的状态，/>
Figure BDA0003697239660000119
表示视频i正在被请求且无法被替换，
Figure BDA00036972396600001110
表示视频i可以被替换，Cm表示服务器m的缓存空间。约束条件(10a)保证了缓存视频大小不会超过服务器的缓存空间；约束条件(10b)表示视频i是否由MEC服务器m缓存。
权重是用于评估本地视频热度和视频大小在缓存替换算法中的重要性。如果缓存了一些热度较低的高质量视频，那么大量用户的请求将不会在缓存中命中，缓存空间很大程度上将被浪费。相比之下，高质量且高热度的视频更应该被缓存，而高质量且低热度的视频也更应该被替换。视频的热度高意味着在未来更有可能被访问，高质量的视频却需要占用更多存储空间。因此，引入信息熵对权重进行定量化，将缓存策略中本地视频热度和视频大小看作缓存中两个信息。
视频大小变化较大，进行归一化处理，Size′i表示视频i的归一化大小，其计算公式如下：：
Figure BDA00036972396600001111
上述公式(11)中，Sizei表示视频i的大小，Sizemin表示本地视频大小的最小值，Sizemax表示本地视频大小的最大值。
根据信息熵理论，信息熵公式如下：
Figure BDA00036972396600001112
上述公式(12)中，I表示视频总数，Pi,j表示缓存中视频i信息j的信息概率，j∈{1,2}，j＝1表示本地视频热度信息，j＝2表示归一化的视频大小信息，E1表示本地视频热度的信息熵，E2表示归一化的视频大小的信息熵。进一步，Pi,j的计算公式如下：
Figure BDA0003697239660000121
上述公式(13)中，gi,1表示本地视频热度local_Pi(gi,1＝local_Pi)，gi,2表示归一化的视频大小(gi,2＝Size′i)。
根据信息熵的定义可知，信息熵越大，意味着发生概率越小。但与信息熵描述不同的是，缓存中信息的熵值越大，该信息在缓存中的影响力更大。因此，视频热度和视频大小的权重
Figure BDA0003697239660000122
计算公式如下：
Figure BDA0003697239660000123
上述公式(14)中，
Figure BDA0003697239660000124
表示本地视频热度的权重，/>
Figure BDA0003697239660000125
表示视频大小的权重。
步骤3：基于本地视频效用值进行降序排序，将效用值最低的视频依次删除，直到剩余缓存空间能存储待缓存视频。
首先，通过一个常用的排序算法，如快速排序或堆排序，对本地视频效用值进行降序排序，得到一个降序序列。其次，通过一个循环语句，每次取降序序列的最后一个元素(即效用值最低的元素)，计算剩余缓存空间与该元素对应视频的大小之和作为新的剩余缓存空间大小，删除该元素对应的视频；判断剩余缓存空间大小是否不小于待缓存视频；如果是，则结束循环；如果否，则进行下一次循环。
步骤4：判断待缓存视频是否为新发布视频，如果该待缓存视频是全网新发布视频，那么将其全网流行度设置为top_r2；否则，从中心服务器获取其全网流行度。
视频缓存处理模块的具体算法过程如下：
Step001：开始。
Step002：获取待缓存视频k的大小、本地视频的大小Sizei、MEC服务器的缓存空间Cm、本地视频的全网流行度列表popList、随机值top_r2。
Step003：计算待缓存视频k大小，判断MEC服务器的剩余缓存空间是否充足，如果充足，转入Step013；否则，转入Step005。
Step005：判断period是否等于1，如果是，每个本地视频i的全网流行度Pi就是视频的本地热度local_Pi，转入Step010；否则，转入Step006。
Step006：根据本地视频i的evali值，计算本地视频热度local_Pi。如果evali＜τ或evali＝0，转入Step007：如果τ≤evali＜0，转入Step008；如果evali＞0，转入Step009。
Step007：根据公式(8)计算local_Pi。
Step008：根据公式(5)计算local_Pi。
Step009：根据公式(3)计算local_Pi。
Step010：分别根据公式(12)、(14)计算Ej,
Figure BDA0003697239660000131
Step011：根据公式(10)计算
Figure BDA0003697239660000132
Step012：根据
Figure BDA0003697239660000133
对本地视频进行降序排序，依次删除最小/>
Figure BDA0003697239660000134
的视频，直到剩余缓存空间能存储待缓存视频k。
Step013：缓存待缓存视频k。
Step014：判断待缓存视频k是否为新发布视频，如果是，设置其全网流行度Pk为top_r2；否则，获取该视频k的全网流行度Pk。
Step015：结束。

Claims (9)

1.一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，其特征在于，包括全网流行度获取模块和视频缓存处理模块；
所述的全网流行度获取模块，该模块周期性执行，执行时MEC服务器向云中心服务器获取本地视频全网流行度并存储在全网流行度列表popList中，同时从全网流行度前20％取一个随机值为top_r2；
所述的视频缓存处理模块在MEC服务器缺失视频时启动执行：当MEC服务器剩余缓存空间足以存储待缓存视频时，直接存储；当MEC服务器剩余空间不足以存储待缓存视频时，执行如下步骤：
(1)基于历史访问频率构建本地视频热度模型用于计算本地流行度变化值，结合全网流行度计算本地视频热度；
(2)计算视频效用值，为评估视频热度和视频大小的重要程度，引入信息熵理论对两者的权重进行定量分析，再结合本地视频热度以及视频大小构建视频效用函数，并计算MEC服务器本地视频的效用值；
(3)对本地视频效用值进行降序排序，将效用值最低的视频依次删除，直到剩余缓存空间能存储待缓存视频；
(4)判断待缓存视频是否为新发布视频，如果该待缓存视频是全网新发布视频，那么将其全网流行度设置为top_r2；否则，从中心服务器获取其全网流行度。
2.根据权利要求1所述的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，其特征在于：所述的构建本地视频热度模型，包括模型评估系数，热度上升模型，频率相关的热度衰减模型和频率无关的热度衰减模型。
3.根据权利要求2所述的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，其特征在于：所述的模型评估系数：用于在计算本地视频热度之前确定该视频所满足的热度模型；为评估本地视频所满足的热度模型，结合各周期的访问频率差值引入一个模型评估系数，评估系数evali表达式如下：
Figure FDA0003697239650000011
上述公式(1)中，
Figure FDA0003697239650000012
表示相邻周期间的访问频率差值对视频i热度的影响值，n表示总周期数，其中，/>
Figure FDA0003697239650000013
表达式如下：
Figure FDA0003697239650000014
上述公式(2)中，
Figure FDA0003697239650000021
表示视频i在周期Tt的访问频率，/>
Figure FDA0003697239650000022
表示视频i在周期Tt-1的访问频率；ρ表示平衡系数，用于平衡分子过大对分母中指数函数的影响。
4.根据权利要求2所述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，其特征在于：所述热度上升模型的公式化如下：
Figure FDA0003697239650000023
上述公式(3)中，
Figure FDA0003697239650000024
表示视频i上升的热度，/>
Figure FDA0003697239650000025
表示在周期Tt中访问频率对视频i的热度的影响值，其/>
Figure FDA0003697239650000026
的表达式如下：
Figure FDA0003697239650000027
上述公式(4)中，
Figure FDA0003697239650000028
表示在周期Tt时视频i的访问频率。
5.根据权利要求2所述的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，其特征在于：所述的频率相关的衰减模型公式化如下：
Figure FDA0003697239650000029
Figure FDA00036972396500000210
上述公式(5)中，
Figure FDA00036972396500000211
表示视频i的衰减热度，n表示总周期数，/>
Figure FDA00036972396500000212
表示在周期Tt中访问频率对视频i的热度的影响值，公式(6)中的符号表达同公式(4)。
6.根据权利要求2所述的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，其特征在于：所述的频率无关的衰减模型公式化如下：
Figure FDA00036972396500000213
Figure FDA00036972396500000214
上述公式(8)中，
Figure FDA00036972396500000215
表示视频i衰减的热度，low_Pi表示视频i最低流行度，Pi表示视频i全网流行度，k表示衰减相关因子，ΔT表示周期间隔。
7.根据权利要求1所述的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，其特征在于：所述步骤(1)中本地视频热度由一个分段函数来计算，该分段函数包含三种热度模型，本地视频热度local_Pi表达式如下：
Figure FDA0003697239650000031
上述公式(9)中，当evali＜τ或者evali＝0时，τ根据各周期访问频率低的视频评估而来，表示视频i满足频率无关衰减模型；当τ≤evali＜0时，表示视频i满足频率相关的衰减模型；当evali＞0时，表示视频i满足热度上升模型。
8.根据权利要求1所述的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，其特征在于：所述步骤(2)中视频效用函数是结合本地视频热度和视频大小，并且为评估视频热度和视频大小的重要程度，引入信息熵理论对两者的权重进行定量分析，其效用函数表达式如下：
Figure FDA0003697239650000032
Figure FDA0003697239650000033
Figure FDA0003697239650000034
上述公式(10)中，
Figure FDA0003697239650000035
表示MEC服务器m中本地视频i的效用，local_Pi表示视频i本地热度，Sizei表示视频i大小，/>
Figure FDA00036972396500000310
分别表示本地视频热度和视频大小的权重，且
Figure FDA00036972396500000311
Maximum表示一个足够大的值，/>
Figure FDA0003697239650000036
表示视频i的状态，/>
Figure FDA0003697239650000037
表示视频i正在被请求且无法被替换，/>
Figure FDA0003697239650000038
表示视频i可以被替换，Cm表示服务器m的缓存空间；约束条件(10a)保证了缓存视频大小不会超过服务器的缓存空间；约束条件(10b)表示视频i是否由MEC服务器m缓存。
9.根据权利要求1所述的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，其特征在于：所述的引入信息熵理论对权重进行定量化，是将本地视频热度和视频大小看作缓存中两个信息，由于0＜local_Pi＜1，本地视频热度不需要进行归一化，而视频大小变化较大，需进行归一化处理，Size′i表示视频i的归一化大小，其计算公式如下：
Figure FDA0003697239650000039
上述公式(11)中，Sizei表示视频i的大小，Sizemin表示本地视频大小的最小值，Sizemax表示本地视频大小的最大值；
根据信息熵理论，信息熵公式如下：
Figure FDA0003697239650000041
上述公式(12)中，I表示视频的总数，Pi,j表示视频i信息j的信息概率，j∈{1,2}，j＝1表示视频本地热度信息，j＝2表示归一化的视频大小信息，E1表示本地视频热度的信息熵，E2表示归一化的视频大小信息熵；Pi,j的计算公式如下：
Figure FDA0003697239650000042
上述公式(13)中，gi,1表示视频i的本地视频热度local_Pi(gi,1＝local_Pi)，gi,2表示视频i的归一化大小(gi,2＝Size′i)；
根据信息熵的定义可知，信息熵越大，意味着发生概率越小；与信息熵描述不同的是，缓存中信息的熵值越大，该信息在缓存中的影响力应该是更大的；因此，视频热度和视频大小的权重
Figure FDA0003697239650000044
计算公式如下：
Figure FDA0003697239650000043
上述公式(14)中，
Figure FDA0003697239650000045
表示本地视频热度的权重，/>
Figure FDA0003697239650000046
表示视频大小的权重。
CN202210683789.XA 2022-06-16 2022-06-16 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 Active CN115051996B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210683789.XA CN115051996B (zh) 2022-06-16 2022-06-16 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210683789.XA CN115051996B (zh) 2022-06-16 2022-06-16 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

Publications (2)

Publication Number Publication Date
CN115051996A CN115051996A (zh) 2022-09-13
CN115051996B true CN115051996B (zh) 2023-07-11

Family

ID=83161507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210683789.XA Active CN115051996B (zh) 2022-06-16 2022-06-16 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

Country Status (1)

Country Link
CN (1) CN115051996B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
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
CN110213627A (zh) * 2019-04-23 2019-09-06 武汉理工大学 基于多小区用户移动性的流媒体缓存分配装置及其工作方法
CN113810931A (zh) * 2021-08-27 2021-12-17 南京邮电大学 一种面向移动边缘计算网络的自适应视频缓存方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020061593A1 (en) * 2018-09-22 2020-03-26 Yakira David Decentralized key generation and distribution over a blockchain-based network
US10862939B2 (en) * 2018-12-21 2020-12-08 Verizon Digital Media Services Inc. Customized and extremely low latency streaming from the network edge

Patent Citations (4)

* Cited by examiner, † Cited by third party
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
CN110213627A (zh) * 2019-04-23 2019-09-06 武汉理工大学 基于多小区用户移动性的流媒体缓存分配装置及其工作方法
CN113810931A (zh) * 2021-08-27 2021-12-17 南京邮电大学 一种面向移动边缘计算网络的自适应视频缓存方法

Also Published As

Publication number Publication date
CN115051996A (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
Zhong et al. A deep reinforcement learning-based framework for content caching
He et al. QoE-driven content-centric caching with deep reinforcement learning in edge-enabled IoT
CN110213627B (zh) 一种基于多小区用户移动性的流媒体缓存分配方法
JP5408257B2 (ja) コンテンツ配信システム、コンテンツ配信方法、コンテンツ配信プログラム
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
CN109982104B (zh) 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
Baccour et al. Pccp: Proactive video chunks caching and processing in edge networks
US11758203B2 (en) Adaptive bitrate video cache
CN104822068A (zh) 流媒体代理缓存替换方法及装置
JP2007510224A (ja) プロキシキャッシュにおいてマルチメディアコンテンツのセグメントの優先順位を決める方法
Baccour et al. Proactive video chunks caching and processing for latency and cost minimization in edge networks
Zhang et al. Cooperative edge caching based on temporal convolutional networks
CN114584801B (zh) 一种基于图神经网络推荐算法的视频资源缓存方法
WO2018049563A1 (en) Systems and methods for caching
Yan et al. RL-Bélády: A unified learning framework for content caching
CN110913239B (zh) 一种精细化的移动边缘计算的视频缓存更新方法
CN113282786A (zh) 一种基于深度强化学习的全景视频边缘协作缓存替换方法
CN112637908A (zh) 一种基于内容流行度的细粒度分层边缘缓存方法
CN115720237A (zh) 边缘网络自适应比特率视频的缓存和资源调度方法
CN115633380A (zh) 一种考虑动态拓扑的多边缘服务缓存调度方法和系统
CN117221403A (zh) 一种基于用户移动和联邦缓存决策的内容缓存方法
Zhu et al. Multi-bitrate video caching for D2D-enabled cellular networks
CN115051996B (zh) 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
CN109769135B (zh) 基于联合请求速率的在线视频缓存管理方法和系统
CN111278039B (zh) 用户感知压抑识别方法、装置、设备及介质

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