一种新型移动视频社区发现捕获方案使用基于本体的语义的兴趣

文摘

利用网络虚拟化技术,以社区为基础的视频系统依赖于测量共同利益的定义和稳定的社区成员之间的关系,促进视频分享性能并提高可伸缩性的社区结构。在本文中,我们提出一个新颖的移动视频社区发现方案使用基于本体的语义的兴趣捕捉(VCOSI)。提出了一个基于本体的语义扩展的方法,描述了视频内容和措施视频相似性根据视频关键字选择方法。为了减少视频相似性的计算负荷,VCOSI设计prefix-filtering-based估计算法来减少能源消耗的移动节点。VCOSI进一步提出了一种估计方法构建可伸缩和弹性节点成员关系的社区,促进视频分享的能力与灵活和经济社会视频系统维护。广泛的测试显示VCOSI获得更好的性能结果相比与其他先进的解决方案。

1。介绍

视频流服务是非常受欢迎的互联网多媒体应用(例如,视频流量已经超过三分之二的网络流量)(1]。视频内容的方便访问通过移动智能设备的发展进一步促进了视频应用程序的帮助下移动网络技术和增加无线带宽(2]。巨大的交通需求的视频系统带来沉重的负担,这就要求可伸缩的架构和高效资源共享支持大规模部署。点对点(P2P) /移动点对点(MP2P)技术构建虚拟网络的资源需求(移动)的用户管理和分配资源3- - - - - -7]。连续的节点数量增加视频系统不仅引发了巨大的交通需求的视频内容,而且也增加了维护成本的覆盖网络由于节点的动态播放状态。然而,传统所提视频系统使用请求-响应节点构建覆盖网络之间的关系。节点之间脆弱的关系的一个主要原因频繁断开逻辑之间的联系。因为忽略了预定义的关系资源供给和需求的调查,很难实现高效资源共享和低成本维护覆盖网络。这导致了较低的服务质量(QoS)如长启动延迟和低系统的可伸缩性。

受调查社交网络的节点之间的关系,虚拟社区视频系统依赖于测量结果的共同利益的视频内容定义社区成员之间的关系(8- - - - - -11]。如图1所示,整个覆盖网络分为多个社区组成的节点具有类似的利益。类似的利益不仅稳定社区成员之间的逻辑联系为覆盖网络,减少维护成本也达到高效资源共享促进QoS的视频系统。一个关键问题是如何准确地估计利益节点之间的相似性。用户可以反映用户兴趣的视频观看;即两个用户观看相同或相似的视频可以被视为拥有共同利益。视频相似性评估的传统方法只在历史调查文件名称的视频回放用户的痕迹。文件名困难反映了整个视频内容,不能确保估计兴趣相似度的准确性。低精度的估算结果导致脆弱的社区成员之间的逻辑联系,仍然引发了频繁的群落结构的建设。

视频内容的描述是一个视频相似性的测量精度的关键因素,通常包括视频名称、标题、类型、演员、导演和抽象。扩大后的视频信息通过简短的文字描述。然而,噪声词和有效数据稀疏短带来负面影响的估计精度,如广告词汇的视频摘要。一个关键问题是如何构建一个丰富的基于语义描述空间视频内容有效地促进视频相似性的估计精度。另一方面,扩展描述带来了更多的视频信息,构造高维相似性度量空间组成的庞大的功能词。视频相似性的计算时间复杂度高消耗了大量的能源的移动节点。另一个关键问题是如何设计一个轻型估计方法来减少计算负荷的移动节点。

在本文中,我们提出一个新颖的移动视频社区发现方案使用基于本体的语义的兴趣捕捉(VCOSI)。VCOSI雇佣了一个基于本体的语义扩展的方法来描述视频内容和采用三种分类方法中选择关键字扩展的视频内容的描述。VCOSI设计估算方法计算相似性的视频内容利用所选的关键字。为了减少计算的复杂性相似性,VCOSI进一步提出了prefix-filtering-based估计算法来减少移动节点的计算负荷。基于视频相似性的评估结果,VCOSI措施亲密程度的节点之间的共同利益和构建可伸缩的和有弹性的社区结构,促进视频分享视频系统的能力。仿真结果表明VCOSI达到更好的性能结果相比与其他先进的解决方案。

2。相关工作

传统的P2P / MP2P-based视频系统主要采用结构化和非结构化覆盖网络分发视频资源。系统基于结构化覆盖网络,如树和和弦,可以实现快速资源位置但需要消耗大量的带宽和计算资源来维持覆盖网络由于动态节点的状态,从而导致较低的可伸缩性。基于结构化覆盖网络的系统不处理实时变化的节点状态,获得高可伸缩性。然而,基于洪泛的资源查找方法浪费大量的网络带宽,导致网络拥塞和高的启动延迟。

以社区为基础的视频系统节点分组为多个社区的亲密程度的关系。每个社区承担的任务状态维护intracommunity成员;即维护成本对整个覆盖网络分布到多个社区,提高系统的可伸缩性。此外,支持社区成员之间的逻辑联系的紧密关系变得更加稳定,从而进一步减少维护成本的社区结构。另一方面,社区成员存储类似视频资源和请求类似视频内容有高概率的未来,因此,视频请求的成员迅速回应其他intracommunity成员,从而减少查找延迟。

SocialTube措施节点之间的关系的调查的观看视频数量(8]。看着相同的视频,更多类似的节点之间的利益。有相似兴趣的节点形成一个社区。源节点将感兴趣的视频社区成员。然而,很难获得准确的测量结果,利用相似性的观看视频数量估计兴趣相似。这导致较低的视频推成功率和脆弱的逻辑节点之间的联系。勺子也依赖于调查文件名向量在历史回放痕迹来捕获节点之间共同利益(9]。移动节点与志趣相投的人分为社区。设计角色分配方法分配群落结构的维护成本为多个社区成员,移动节点的负载平衡和改善社区的可伸缩性。然而,兴趣相似性测量基于文件名困难确保节点之间共同利益的估计精度。

为了解决传统方法的估计精度低的问题,一些共同利益捕获方法扩大视频内容的描述(例如,视频名称、标题、类型、演员、导演和抽象)。扩展描述丰富的视频信息,用简短的文字,这就增加了测量精度之间的相似视频。然而,简短的文本包含大量的噪音的话,这严重影响视频相似性的测量精度。现有的研究利用语义词典,功能扩展和主题模型来解决噪声问题的单词。

(1)语义词典。基于语义词典的方法,如WordNet和知网,能够准确地估计相似词对的短词对的转换。Mihalcea et al。12)的加权平均值之间的相似词对短文本的相似之处。李等人。13)结合语义和短序列相似性计算相似度。基于工作(13],伊斯兰教和Inkpen [14)利用字符串相似性的加权和,语义相似度,序列相似性计算简短文本的相似度。然而,语义词典总是不完全是由于新词的不断出现,不能确保高精度简短文本的相似度测量结果。

(2)功能扩展。Sahami和Heilman相似核函数估计的短文本相似利用搜索引擎的扩展特性短(15]。王等人。16和元17)提出了一个基于关联规则的挖掘算法提取特征之间的关联关系包含在训练集和测试集,进一步获得对应词的扩展特性。Genc等人建立了短和维基百科页面之间的映射关系计算相似性的简短文本(18]。王等人。19)提出了一个统一的框架来扩展短文本利用卷积神经网络,它可以解决稀疏短的文本和语义的问题敏感。然而,上述方法仍然不避免干扰词造成的负面影响。

(3)主题模型。关丽珍等人利用主题模型基于潜在狄利克雷分配(LDA)来计算相似度的短的文本,可以改善测量精度的基于向量空间模型(VSM)模型(20.]。显象等人采用相似性评估方法基于文档的概率分布的简短文本主题(21]。张和钟收集大规模外部数据构建主题模型根据LDA,使词主题的丰富特性表示短(22]。签证官和内涵LDA-based方法发现隐藏的话题从通用的数据集(例如,计算机科学的参考书目),课堂讲稿在计算机科学丛书(信号),和维基百科23]。

除了上述方法外,还有很多简短文本相似度的相关研究,如深基础倾斜的方法(24- - - - - -27),挖土机的距离——(EMD)方法为基础28和多级句子相似度计算29日]。

3所示。VCOSI详细设计

3.1。基于语义特征扩展视频相似性度量

相对应的噪声在短视频信息不能反映真实的视频内容,导致严重的负面影响视频相似性的估计精度。因此,至关重要的是消除嘈杂的单词和简短文本对应于视频内容中选择关键字(关键字可以体现真实的视频内容)。视频信息主要包括标题,演员,导演,和标记,用简短的文字。例如,如果两个视频有很多同现词语在标题、演员和导演的视频,他们可能也有类似的内容(例如,电视连续剧)。标签是人工符号代表有价值的信息类别和情节等主题的视频。上面的视频信息用于识别关键字;也就是说,,,,被定义为关键字的特点。此外,我们还要考虑位置和频率的词作为关键词的特点。例如,如果一个词有高频率的出现在标题和标签的视频,它可能把重要的信息对视频内容和被认为是关键字。因此,,,也被定义为关键字的特点。表1关键字的列表名称和描述的特征。

短的关键词分散,所以关键词的选择被认为是词的分类。为了准确识别关键字,我们选择三种分类方法包括决策树、支持向量机、和资讯。表2列出了准确率的决策树、支持向量机和资讯。显然,然而,比决策树支持向量机有较高的准确率。例如,资讯和SVM的最大值和,分别。因为资讯最好的准确率在决策树中,支持向量机,从资讯来中,我们使用基于范围从资讯来选择关键字在接下来的实验。因为资讯是一个经典的分类方法,分类过程中不再详细描述。

另一方面,如果对应的短视频信息只包括一小部分有价值的关键词,所选择的关键字也不能反映整个视频内容。我们雇佣了一个基于本体的功能扩展方法来丰富关键词因为向量空间模型不处理的同义词,在关键词上义词和下义词。本体是由领域专家,其中包括基于特定背景丰富的语义信息。的文本标签、评论、实例、属性和其他概念之间的关系是用来表示一个概念在本体。我们利用信息的本体扩展视频内容的关键词。让是一个视频的关键词的集合;也就是说,。让表示一组扩展的一个关键词基于构建的本体信息,定义为 在哪里是文字特征的集合,包括关键字的文本标签和评论的;是祖先的结构特点,包括关键词概念;是设置的属性特征,包括关键字属性的概念;是实例的集合特性和概念的实例包括关键字。例如,一个视频,叫做“愤怒的小鸟”,有四个特性集对应的关键词“鸟”;也就是说,鸟,温血动物,卵生,脊椎动物,,,羽毛,前肢,修改,翅膀,实体,实体、实体、对象、整个生活,,生物,动物,脊索动物,脊椎动物,(鸟)=温血动物,生蛋的,红色,查克,炸弹,玛蒂尔达,强大的鹰。显然,视频内容有效地丰富的基于本体的语义描述关键字来减少错误的概率判断。

所有项目的扩展词形成一套新的。可以用来衡量视频之间的相似性。传统的特沃斯基相似模型依赖于两个物体之间共同和独特的特征来估计相似。然而,用户可能更关注过程中的共同特征相似性评估。因此,我们改善Tversky相似模型,并利用一组评估内容相似性任意两个视频和根据以下方程。 在哪里和是增加的重量因素,用于调整共同和不同的特性。例如,我们假设是的一个子集()和大小比这小得多的()。的相似度值和基于Jaccard相似性测量非常小;也就是说,和在某种程度上应该是类似的。因此,我们使用(2)增加之间的相似性和的调整和。例如,我们假设,,,,。Jaccard相似的和被定义为。根据(2),的相似性和被定义为,在那里设置为1,设置为0.7。很明显,。

3.2。Prefix-Filtering-Based相似性估计算法

关键词的扩展增加了视频内容的信息,提高视频相似性的测量精度。然而,关键词的扩展规模的增加导致高计算复杂度由于大量重复的比较相似的评估的过程中。高计算负载消耗大量的能量的移动节点。前缀过滤技术基于Jaccard相似(30.)可以有效地降低计算的复杂性。因为视频相似性在(2)不同Jaccard相似,我们推导Jaccard相似性和之间的关系和转换Jaccard相似。进一步,我们设计一个bloom-filter-based复制比较自由的方法,这样可以减少计算负荷,防止重复比较。

3.2.1之上。前缀根据派生Jaccard相似性阈值过滤

引理1。当和,如果,然后,在那里Jaccard相似吗和: 在哪里是相似性阈值。如果相似度之间的和小于,和不相似的。

证明。为简单起见,我们,,代表,,,分别。之间的相似性和可以重新描述。 所以我们可以得到

引理2。当和,如果,然后。

证明。为简单起见,我们仍在使用,,代表,,,分别。之间的相似性和可以重新描述。 所以我们可以得到

3.2.2。视频相似性的评估

让和表示视频观看的两个节点的集合和。每个视频的扩展的功能集和可以根据获得的(1),记录为和分别(第4行)。为了提高过滤效果,我们构建一个全球订购探讨特征频率(第5行)。相应的Jaccard相似性阈值可以根据计算前题1和2。例如,当和,(第6行)。根据前缀过滤方案的原则(30.),我们可以获得的前缀,记录为。指的是第一个项目的,。例如,我们假设,;然后,。反向索引基于所有的前缀构造(第7行),索引项独特的前缀,每个索引词指由前缀的所有视频的列表包含相应的索引项。在接下来的阶段,可能类似于的反向索引(8-19行)。为每个项目,我们首先找出前缀。为每一个词,得到相应的反向索引列表在。通过遍历所有物品,对于每一个的相似性和可以计算。如果,和是相似的。我们可以添加类似的概念集。流程的伪代码prefix-filtering-based视频相似性评估详细算法1。

3.3。视频社区的建设和维护

移动节点加入到系统利用观看视频相似性计算相似性水平的利益。让和表示历史回放的痕迹和,分别。和视频ID和时间玩视频吗为。和交流的信息和彼此和相似度的计算和。例如,计算相似度值之间的和和平均值播放的时间比和,即two-tuple。和看时间和长度吗分别;和看时间和长度吗,分别。可以获得一套two-tuple吗所有的视频和。我们使用最小二乘法(LSM) (31日估计相关系数的物品根据以下方程: 在哪里物品的数量吗;和视频相似度值和平均播放时间比例的物品分别;和相似度的平均值和回放时间比率在所有视频吗和,分别。被认为是利益之间的相似度值吗和。如果,和有相似的兴趣。我们介绍了两个发现社区成员的方法,如下所示。

()消息交换的节点利用单中找到具有相同兴趣的节点的邻居节点。例如,广播消息包括自己的播放跟踪所有单的邻居节点。如果你的邻居节点不加入任何社区,他们估计兴趣相似性值。如果他们之间有相似的兴趣,他们返回确认信息。和你的邻居节点有相似兴趣形成一个社区或邻居节点加入到社区对应。

()如果将请求消息发送给供应商的或接收请求消息的消息包括播放跟踪,计算的兴趣相似度值。如果和有相似的兴趣和不加入任何社区,邀请加入社区消息交换。

如果目标节点邀请已加入其他社区,决定是否加入社区。让表示之间的兴趣相似度值和一个相应的节点在当前的社区。如果,停留在当前社区;否则,如果,退出当前的社区,加入新社区。显然,社区之间的节点的运动导致动态群落结构和负载的增加社区维护也可以被视为一个连续优化群落结构的过程。换句话说,节点总是寻求社区利益价值最相似。

除了进入和离开节点,社区成员角色分配和群落结构维护视频共享的性能是非常重要的。由于社会结构的变化导致的进入和离开节点,社区成员需要维持群落结构和维护负载分配给特定的成员。实时和随机变化的群落结构带来巨大的维护负担。为了确保社区可伸缩性、维护负载应该分配给多个成员。因为互相邀请成员加入社区,成员之间有逻辑联系。因此,社区成员形成一个无向连通图。收藏的视频lookup-related节点之间的通信路径,有一个成员在所有最发生频率通信路径的一个社区。通信路径意味着高频出现参与的大部分消息转发的视频查找。的邻居节点成为社区的代理节点成为所有的头节点代理节点。

因为所有路径包括在的路径分为多个子路径没有。你的邻居节点负责维护状态的路径包括其他成员。作为社区界面与其他社区联系。如果一个邻居节点的退出系统或当前的社区,重新选择一个邻居节点的作为代理成员。如果离开当前系统或当前社区,出现频率最高的成员在所有邻居节点成为新的头节点。所有代理节点交换的信息在一段时间内的社区成员。

当一个节点在一个社区一个视频请求,它发送一个请求消息到联系代理节点。如果了解供应商的缓存吗,直接将请求消息转发给供应商。否则,如果不缓存存储供应商的信息,将请求转发消息的节点。利用社区之间保持界面的信息帮助搜索。如果退出系统或加入其他社区,需要发送消息通知。删除的信息从当地的成员列表。如果移动节点或在其他社区成员加入当前社区,包含信息的邀请人发送消息的新成员到相应的代理节点。后者更新本地成员列表。

4所示。测试和测试结果分析

4.1。测试拓扑和场景

以下4.4.1。测试场景的视频相似性

用户的共同利益的关键因素是社区成员之间的紧密程度,决定了群落结构的稳定性。我们首先比较视频相似性的测量性能提出的基于本体的语义的估计方法,基于语义特征扩展的相似性测量技术bSM)和基于语义特征扩展使用关键字选择作为相似性度量b烟),这两个经典方法,Jaccard相似Mesaure只使用文件名(JVSMfn)和Jaccard相似Mesaure使用所有功能(JVSMaf)。

因为没有现有的基准视频相似性估计,我们构建一个带注释的数据集组成的4000个视频从互联网上选择。视频的属性包括视频标题、视频描述,视频类型、标签、导演和演员。我们邀请100名学生志愿者估计5000对视频的相似性值根据视频属性相似度值范围是在0和1之间。相似度值可以是任意实数与两位小数在0和1之间。表3显示了评价结果的一部分志愿者5000年视频对。

4.1.2。测试场景的视频共享

我们利用视频相似性的评估结果来建立社区和进一步比较VCOSI的视频共享性能最先进的解决方案勺(9]。

VCOSI和勺子在NS-2建模和实现。500移动节点部署在无线移动网络的区域设置米²。节点的移动速度范围(范围米/秒。仿真时间设置为500年代。移动节点的信号范围设置为200。视频数据的传输协议是TCP和无线路由协议是安全域。移动节点的带宽和服务器设置为10 Mb / s和20 Mb / s,分别。服务器作为初始视频资源的提供者。足够带宽的服务器不仅避免了过载引起的大规模访问由于低资源供应能力在初始覆盖网络仿真也促进了资源分配。移动节点请求视频和作为核心网络的无线移动环境下建造的。移动节点的带宽的设置避免严重拥堵造成的大规模的请求,而不会导致超长拥塞恢复时间。视频数据的传输速度设置为128 kb / s。 The two solutions employ the same network environment. Moreover, the number of video files requested by all nodes is set to 20 and the length of each file is 180 s.

我们创造了300个历史回放300移动节点历史回放痕迹痕迹有视频的结构和不同的属性值。此外,我们还为300年300年回放日志生成的移动节点回放日志包含ID和观看视频的时间。节点加入系统后,播放视频的回放日志。一旦节点完成的回放视频的播放时间,定义他们继续要求新的视频回放日志。剩余200个移动节点不加入系统,负责转发请求消息和视频数据。我们进一步描述300移动节点加入系统的行为。在仿真的实现之前,我们把100年历史回放100移动节点的痕迹。我们利用社区建设提出的方法基于测量结果感兴趣的相似性将100个移动节点分组为多个社区。建立社区中的成员请求遵循泊松分布的视频回放日志和请求节点提供视频资源。仿真开始后,100年移动节点加入系统和请求视频遵循泊松分布的仿真时间年代年代。100节点加入系统后,他们加入相应的社区的兴趣相似度值。100年盈余VCOSI,不主动请求视频和移动节点加入系统。一旦他们收到来自社区成员的邀请,他们加入相应的社区和根据分配的请求和播放视频回放日志。100年盈余勺子,移动节点是随机分配的时间加入系统;也就是说,他们随机加入系统年代年代根据分配时间和播放视频回放日志。

我们定义为所有移动节点随机移动模型。移动节点从当前位置到目标位置的特定的速度。移动节点到达目标位置后,移动节点移动到新的目标位置的速度。的速度和初始和目标位置的移动节点是随机分配的。

4.2。绩效评估的视频相似性度量

4.2.1。准备估计视频相似度的准确性

我们比较相似估计精度的四个方法:超临界流体bSM,超临界流体b烟,JVSMfn JVSMaf。基于视频的相似性测量结果对学生志愿者,我们首先计算皮尔逊相关值根据以下:

我们利用皮尔森相关的计算结果进一步评估的准确性提出了相似性措施并与其他方法进行比较。

图2显示了相关系数不同和。相关系数较高和,这意味着共同的特征更重要比不同的特征的相似性度量方法。此外,当和0.919、相关系数达到最大值。因此,的值和分别在以下实验,1.5和0.5。

图3显示相关系数的测量结果通过使用WordNet的四种方法。尽管JVSMfn只使用视频的名字估计相似性视频和JVSMaf调查多个特性,JVSMaf不能有效地消除干扰词的功能。因此,测量的结果JVSMaf低于JVSMfn。超临界流体b烟和超临界流体bSM采用语义特征扩展方法来估计视频内容的相似性;他们可以获得相似的准确性高于JVSMaf JVSMfn,有效消除噪声词和关键词的提取。此外,超临界流体b烟依靠关键词的选择基于资讯分类获得更好的嘈杂的单词比超临界流体萃取效果bSM,超临界流体的估计精度b烟是高于超临界流体bSM。

4.2.2。运行时

相似的执行时间估计是定义为运行时,为了比较的效率提出prefix-filtering-based算法(前缀)蛮力方法(Bruteforce)。

如图4所示,两条曲线对应的前缀和Bruteforce上升趋势相同数据量的增加。前缀的绿色曲线低于Bruteforce的蓝色曲线。前缀的增量和峰值小于Bruteforce。

前缀利用前缀滤波方法来减少大量的反复比较。换句话说,前缀消除更多的重复比Bruteforce视频双。前缀的计算复杂性是低于Bruteforce,所以前缀的运行时间小于Bruteforce。

4.2.3。精度、召回和测量

图5显示了精密、召回和本文介绍超临界流体萃取技术措施b烟和JVSMaf和。超临界流体的精确结果b烟和JVSMaf分别是0.997和0.996。而回忆和本文介绍超临界流体萃取技术措施b烟是高于JVSMaf,显然,精密,回忆,本文介绍超临界流体萃取技术措施b烟比JVSMaf更好。超临界流体b烟取决于语义功能扩展和关键词的选择来获得更好的性能比JVSMaf相似性度量。

4.3。绩效评估的视频共享

VCOSI的性能比较与匙的启动延迟,平均PSNR,分别和维护开销。

4.3.1。平均启动延迟

我们使用请求消息发送和接收之间的时间跨度第一视频数据表示启动延迟。

图6显示了启动延迟收集的平均值的结果VCOSI在时间间隔和勺子年代。如图6显示,勺子的绿色曲线有两个进程的兴衰与整个模拟时间。绿色曲线首先增加年代从年代和略有下降年代年代。它继续快速上升年代从年代和迅速减少年代年代。蓝色曲线VCOSI保持上升趋势的波动年代从年代和迅速下降年代年代。VCOSI蓝色曲线是高于勺子年代年代,但VCOSI结果不到的勺子年代年代。

图7包括收集启动延迟的平均值的结果VCOSI和勺子的过程中每隔30节点请求的视频请求。如图7所示,勺子的绿色曲线快速增长与波动模拟的过程。虽然VCOSI结果也迅速上升,VCOSI增量的结果小于勺子。

勺子估计社区成员之间的关系的相似性文件名观看视频(勺子不描述节点)之间的通信频率的测量方法。虽然文件名称反映了视频的主要内容,有丰富内容的视频内容的信息丢失。很难准确地表示兴趣相似性测量方法的成员之间的关系类似勺子的兴趣。这导致脆弱的成员之间的关系和低共享系统的性能。例如,一旦有成员之间的不同利益,视频内容困难的请求消息迅速回应intracommunity其他成员。低视频查询成功率增加查找号码,这就增加了查找延迟。因为勺子不考虑成员的流动性在社区建设的过程中,视频数据的传输性能容易受到节点移动性的影响。请求节点的快速增加会导致快速崛起的启动延迟。VCOSI估计兴趣相似性成员利用基于本体的语义的利益获取测量具体的视频信息,获得准确的测量结果的兴趣相似性。VCOSI进一步获得视频查询成功率高; namely, the more video request can be responded by intracommunity members, which reduces the lookup delay. On the other hand, the community members make use of the message exchange to invite the one-hop neighbor nodes to join the communities, which reduces the geographical distance between video requesters and suppliers. The transmission delay of video data may be reduced. The two solutions VCOSI and SPOON experience slight network congestion (from年代与越来越多的节点请求视频。的社区成员VCOSI需要邀请移动节点加入社区,所以VCOSI结果高于勺子年代年代。然而,在移动节点加入社区,VCOSI的结果比勺子年代年代。

4.3.2。峰值信噪比(PSNR)

我们使用每个视频的PSNR值显示观看视频质量根据以下方程定义在[32]: 在哪里是视频数据的传输速度和设置为128 k / s;和分别预计和实际吞吐量。的价值每一个视频流的值应该等于。的价值是视频接收到每个节点的吞吐量。

图8视频显示了PSNR值的平均值的每个节点对应VCOSI与越来越多的请求节点和勺子。如图8所示,两条曲线对应的结果VCOSI和勺子有相同的下降趋势。的曲线VCOSI低于勺子当请求节点数量的增加从30到60。当请求节点数量的增加从60到300年,VCOSI的曲线是高于勺子。

匙,社区成员之间的关系的测量主要调查的兴趣相似性基于文件名的相似性计算结果。节点移动性的影响无法避免视频数据传输的过程中由于忽视流动相似的调查。请求节点的数量的增加带来了网络流量的高需求,导致网络拥塞。交通拥堵造成的高丢包率严重影响视频的数量由节点收到的数据;即每个节点的实际平均吞吐量的下降使得勺子的PSNR值迅速下降。在VCOSI,社区成员需要交换回放痕迹找到具有相同兴趣的潜在的社区成员。越来越多的请求节点,包括节点被动地接受邀请和节点积极加入系统,带来高流量需求。VCOSI的高流量也会导致丢失的数据包的数量增加,这样的PSNR值VCOSI不到的勺子当请求节点数量的增加从30到60。请求节点的数量持续增加,网络拥堵也会导致大量的包丢失和快速减少VCOSI的PSNR。然而,交通拥堵造成的负面影响VCOSI水平低于勺子(VCOSI曲线的PSNR值高于勺子当请求节点数量的增加从60到300)。 This is as the invited community members include the one-hop neighbor nodes of inviters. The close geographical distance between inviters and invited nodes reduces the influence from the node mobility and the risk of packet loss.

4.3.3。维护开销

成员国的维护,处理请求消息和互动社区需要消耗网络带宽。使用的带宽量维持上面的信息被认为是维护开销。

图9显示了VCOSI的维护开销在时间间隔和勺子年代。如图9所示,两条曲线VCOSI和勺子经验上升与整个模拟时间。VCOSI蓝色曲线低于勺子和VCOSI结果的增加逐渐减少。勺子的增量结果仍保持了增长趋势。

勺子依赖于协调员和社区维护成员国大使,处理请求消息,并与其他社区互动。的成员数量的增加导致的大量消耗的带宽为了保持成员之间的逻辑联系。此外,成员的增加也带来了更多的视频内容请求消息,以便成员需要消耗大量的带宽来处理大量请求消息。另一方面,兴趣相似性测量不准确导致脆弱的成员之间的关系。成员之间脆弱的关系带来严重负面影响群落结构的稳定性;即社区成员不断离开当前的社区并加入到新的社区。社区结构的重建结果巨大的带宽消耗。查询成功率较低也会造成重复搜索,这就增加了带宽消耗。因此,勺子需要消耗大量的带宽保持覆盖网络。VCOSI群落结构相对稳定的勺子,因为成员之间的相似性测量准确的兴趣。 The consumption of bandwidth from the maintenance cost of community structure keeps low growth with increasing number of members. The high lookup success rate reduces the number of lookup messages, which reduces the bandwidth use. VCOSI has lower maintenance overhead than SPOON. Moreover, VCOSI distributes the maintenance overhead to multiple broker nodes, which does not cause the overload of broker nodes.

5。结论

在本文中,我们提出一个新颖的移动视频社区发现方案使用基于本体的语义的兴趣捕捉(VCOSI)为了提高稳定性和可伸缩性覆盖网络的网络虚拟化的过程。VCOSI提出了一个基于本体的语义扩展的方法,达到不同的视频内容和精确描述和准确的措施之间的相似视频。为了减少移动节点的计算负荷,VCOSI雇佣了一个prefix-filtering-based估计算法来减少比较次数之间的视频。VCOSI利用相似的观看视频来估计节点之间的相似性程度,构造节点的社区,和经济上维持群落结构。仿真结果表明VCOSI有较低的启动延迟,更高的视频质量,维护开销低于勺子。

相互竞争的利益

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持部分由中国国家自然科学基金(国家自然科学基金委)拨款61272015和61272015号,河南省的基础研究和前沿技术研究项目(142300410303),和科技计划项目(开放和合作)河南省(152106000048)。

引用

1. 周y l·陈,c·杨,d . m .赵”视频流行动态和复制的含义,”IEEE多媒体,17卷,不。8,1273 - 1285年,2015页。视图:出版商的网站|谷歌学术搜索
2. j . Otwani a Agarwal, a . k . Jagannatham“最佳可伸缩视频调度策略的实时单和多用户无线视频网络,”IEEE车辆技术,卷64,不。6,2424 - 2435年,2015页。视图:出版商的网站|谷歌学术搜索
3. t·c·杨,y, l . Chen z . j .傅和d·m·赵“涡轮增压通过P2P视频分配,”IEEE电路和系统视频技术,25卷,不。2、287 - 299年,2015页。视图:出版商的网站|谷歌学术搜索
4. h .公园和m . v . d .夏尔”Coalition-based资源往复P2P多媒体广播策略。”IEEE广播,54卷,不。3、557 - 567年,2008页。视图:出版商的网站|谷歌学术搜索
5. 贾,c .徐j .关h·张,G.-M。统治下,“一种新型合作内容fetching-based策略来提高视频的质量交付在无线网络移动用户,”IEEE广播,60卷,不。2、370 - 384年,2014页。视图:出版商的网站|谷歌学术搜索
6. c .徐f .赵j .关h·张,G.-M。统治下“QoE-driven以用户为中心对所提车辆在城市multihomed网络视频点播服务,“IEEE车辆技术,卷62,不。5,2273 - 2289年,2013页。视图:出版商的网站|谷歌学术搜索
7. C.-L。Chang W.-M。陈和学术界。挂,“可靠的考虑所提VoD系统交叉视频帧分布,“IEEE系统杂志,8卷,不。1,第312 - 304页,2014。视图:出版商的网站|谷歌学术搜索
8. h .沈林y, z . Li和j·李,“Socialtube: P2P-assisted在在线社交网络视频分享,”IEEE并行和分布式系统,25卷,不。9日,第2440 - 2428页,2014年。视图:出版商的网站|谷歌学术搜索
9. 沈k, h, h·张,“利用社交网络断开连接的manet的P2P基于内容的文件共享,“IEEE移动计算,13卷,不。2、235 - 249年,2014页。视图:出版商的网站|谷歌学术搜索
10. c, s .贾l .钟,G.-M。统治下“社会意识到移动点对点通信社区多媒体流媒体服务,“IEEE通讯杂志,53卷,不。10日,150 - 156年,2015页。视图:出版商的网站|谷歌学术搜索
11. c, s, m, l .钟h·张,G.-M。统治下“Performance-aware移动以社区为基础的视频点播流媒体在车载ad hoc网络”IEEE车辆技术,卷64,不。3、1201 - 1217年,2015页。视图:出版商的网站|谷歌学术搜索
12. r . Mihalcea c·科里,c . Strapparava”文本语义相似度的基于语料库的和以知识为基础的措施”21世纪国家会议上人工智能(AAAI 06年),页775 - 780,波士顿,质量,美国,2006年7月。视图:谷歌学术搜索
13. d . y . Li麦克林z . a班达尔,j·d·奥谢和k·克罗克特,“基于语义网和语料库统计句子相似,“IEEE工程知识和数据,18卷,不。8,1138 - 1150年,2006页。视图:出版商的网站|谷歌学术搜索
14. 答:伊斯兰教和d . Inkpen“语义文本相似性使用基于语料库词相似度和字符串相似性,”ACM交易数据的知识发现,卷2,不。2、第十条、2008。视图:谷歌学术搜索
15. m . Sahami和t . d . Heilman”,一个基于web的内核函数的相似性测量短片段”学报》第15届国际会议上万维网(WWW 06年),第386 - 377页,2006年。视图:出版商的网站|谷歌学术搜索
16. x, x风扇,j .赵”中文短文本分类方法基于功能扩展,“《计算机应用卷,29号3,第845 - 843页,2009年3月。视图:出版商的网站|谷歌学术搜索
17. m元,”功能使用频繁项集,简称扩展文本分类”Procedia计算机科学31卷,第670 - 663页,2014年。视图:出版商的网站|谷歌学术搜索
18. y Genc、y .坂本和j . Nickerson”发现背景:通过基于维基百科的语义转换分类tweet,”增强认知的基础。指导未来的自适应系统:6日国际会议,FAC 2011年,作为人机交互的一部分国际2011年举行,美国佛罗里达州奥兰多9-14 7月,2011年。诉讼卷,6780在计算机科学的课堂讲稿施普林格,页484 - 492年,柏林,德国,2011年。视图:出版商的网站|谷歌学术搜索
19. b . p . Wang, j .徐g .田C.-L。Liu和h,“语义扩张使用字嵌入集群和卷积神经网络对提高短文本分类、”Neurocomputing卷,174年,第814 - 806页,2016年。视图:出版商的网站|谷歌学术搜索
20. x, z . Lu g . Liu x倪,和l . Wenyin“基于概率主题简短文本相似度,”知识和信息系统,25卷,不。3、473 - 491年,2010页。视图:出版商的网站|谷歌学术搜索
21. X.-H。表象,L.-M。阮,s . Horiguchi”学习分类短而稀疏的文本和网络隐藏主题从大规模数据集合,”学报》第17届国际会议上万维网(WWW ' 08),第100 - 91页,北京,中国,2008年4月。视图:出版商的网站|谷歌学术搜索
22. 张h和g .钟”,提高短文本分类通过学习这两个单词和隐藏主题的向量表示,“以知识为基础的系统卷,102年,第86 - 76页,2016年。视图:出版商的网站|谷歌学术搜索
23. D.-T。签证官和彭译葶。从科学内涵,“学习短文本分类文档使用主题模型与各种类型的知识,”专家系统与应用程序,42卷,不。3、1684 - 1698年,2015页。视图:出版商的网站|谷歌学术搜索
24. z . m . Wang, h·李,问:刘,“Syntax-based深度匹配的文本,https://arxiv.org/abs/1503.02427视图:谷歌学术搜索
25. a . Severyn和a . Moschitti“学习排列短与卷积神经网络,对”学报》第38届国际市立图书馆会议在信息检索的研究和开发(" 15),页373 - 382,圣地亚哥,智利,2015。视图:谷歌学术搜索
26. 陆z h·李,“深架构匹配短文字,”神经信息处理系统的进步26(少量的2013),第1375 - 1367页,2013年。视图:谷歌学术搜索
27. z . Wang h Mi, a . Ittycheriah”简称Semi-supervised聚类文本通过学习深表示,“2016年,http://arxiv.org/abs/1602.06797视图:谷歌学术搜索
28. x湾”,一种新颖的基于挖土机的文本相似性测度方法的距离,“信息科学,卷177,不。18日,第3730 - 3718页,2007年。视图:出版商的网站|谷歌学术搜索
29. h .黄张x, z . Chen和k·张,“大规模的句子相似度计算的方法,”《中文信息处理,20卷,不。1,47-52,2006页。视图:谷歌学术搜索
30. r .时任尼加拉瓜、y Ma和r . Srikant“扩大对相似性搜索,”学报》第16届ACM国际会议上万维网(WWW ' 07)美国,纽约,纽约,2007年。视图:谷歌学术搜索
31. 杨b和c a . Balanis“最小二乘法优化复杂的有限差分系数空间模板”IEEE天线和无线传播的信,5卷,不。1,第453 - 450页,2006。视图:出版商的网站|谷歌学术搜索
32. S.-B。李,G.-M。统治下,a . f . Smeaton“Performance-aware复制分布式预录的IPTV内容,“IEEE广播,55卷,不。2、516 - 526年,2009页。视图:出版商的网站|谷歌学术搜索

版权

版权©2016 Ruiling张和Shengwu熊。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。