文摘

边缘的视频流量卸载网络是一种有效的方法来缓解拥堵的反向路径不断被优化的视频在5 g网络分布,促进视频交付在边缘网络的规模和效率(例如,D2D-based影厅共享)。因为视频资源分散地缓存在本地缓冲的视频用户的移动设备,视频用户的本地视频资源管理在边缘网络(例如,缓存和删除本地视频)导致视频分销网络的动态变化。本地资源的用户的实时调整的影响水平(例如,促销和衰退)的视频分享连续分布优化的性能具有重要意义。在本文中,我们提出一个新颖的Social-aware边缘缓存策略的视频资源5 g超密度网络(秒)。秒设计一个域的用户感兴趣的估算方法,采用谱聚类来生成初始视频集群和利用模糊c均值(FCM)来优化初始视频集群。用户聚类方法,提出了允许用户共同和相似的利益聚集到同一组估计域用户之间相似程度的兴趣。秒设计performance-aware视频缓存策略,这使得用户智能地实现本地视频资源管理(缓存和删除)社会团体内部的共享性能的影响。广泛的测试显示秒达到更好的性能结果相比,最先进的解决方案。

1。介绍

视频服务(例如,视频点播和生活视频流)提供丰富的浏览内容视频用户利用移动智能设备无处不在的互联网接入(1- - - - - -5]。顺利和高清观看视频质量让用户获得丰富的经验,这就需要更高的带宽和更低的延迟支持视频数据交付从视频提供商视频请求者6- - - - - -8]。新一代的通信技术5 g依赖于带宽扩展和传输加速提供支持的容量和速度平滑和高清体验9- - - - - -11]。此外,5 g利用超密度部署,促进网络覆盖和访问能力,支持更多的视频用户通过5 g网络无所不在地获取视频内容。

优秀的经验和方便的视频服务的访问不仅吸引大规模的视频用户还加快用户规模的增长。显然,用户规模的快速扩张和期望的高质量的经验引发巨大的带宽消耗,因此,供给和需求之间的不平衡的带宽导致严重的网络拥塞。特别是,回程路径5 g网络不可避免的受到的网络拥塞,因为密集的访问。高启动延迟和难以忍受的包丢失而造成的网络拥塞导致不平滑的播放和视频图像失真,这给用户带来了严重的负面影响质量的经验(体验质量)。因此,把视频流量在网络边缘5 g的干预对缓解拥堵节点重要回程网络的水平。

D2D通信使移动设备实现数据传输没有干预5 g的节点,它成为交通卸载的底层网络的重要手段(12- - - - - -14]。如图1视频显示,用户不仅利用5 g网络访问互联网观看视频内容也采用D2D通信获取视频资源从其他移动设备携带相应的视频。成功的流量卸载基于D2D通信依赖于两个方面:(1)搜索D2D匹配对象的缓存视频资源请求的视频请求节点;(2)交付使用D2D视频数据的视频资源的请求和供应节点之间的通信。成功搜索D2D匹配对象缓存视频资源的重要前提是成功交付使用D2D视频数据通信。另一方面,D2D匹配对象的快速搜索可以有效地减少启动延迟节点的视频请求,这对确保高体验质量成为关键因素对延迟敏感的视频服务的属性。视频提供商的成功和快速搜索的范围D2D通信是至关重要的卸载视频流量5 g网络。

视频资源是由移动设备和分布在网络。用户缓存和删除视频资源的利益,所以视频的动态分布网络带来严重负面影响的成功率和时间搜索视频提供商。另一方面,移动设备的视频资源移动的运动,它是动态分布式网络的地理区域优势。因此,地理运动和局部更换视频资源是动态变化的视频资源分布的主要原因:(1)替代基于自身利益变化导致视频搜索失败的风险的增加(搜索失败增加了视频请求用户的启动延迟);(2)视频资源的地理运动导致的减少D2D配对成功的概率与单邻居关系(D2D配对失败意味着视频请求用户只使用种传播获取视频数据而不是D2D通信与单传输)。众多研究人员总是强调利用资源分配优化基于缓存管理,促进资源共享的效率。例如,Mehrabi刘等人提出一个与协作共同QoE-traffic优化边缘缓存协作移动边缘缓存的影响调查的体验质量和回程数据流量(15),实现self-tuned比特率选择决定有效的缓存替换策略。塔尔等人提出一种基于深度学习预测方案,实现智能管理的资源租赁和缓存16),它可以使预测资源租赁和使用Keras和Tensorflow库缓存。江等人提出一种基于多重代理合作内容缓存策略的强化学习架构没有偏好和历史内容的用户的要求设计一个合作内容缓存方案解决合作内容缓存问题[17]。然而,大多数现有的方法忽视利益和行为之间的关联关系(请求和缓存)的边缘用户,从而导致资源配置的严重颠簸任意更换本地缓存的资源。共享性能遭受严重的负面影响和交通负载5 g网络不能有效地松了一口气。因此,实时调整视频视频共享性能分布的变化是非常重要的D2D-based流量卸载和用户体验质量的影响。

在本文中,我们提出一个新颖的Social-aware边缘缓存策略的视频资源5 g超密度网络(秒)。秒设计一个域的用户感兴趣的估算方法:(1)秒雇佣了谱聚类方法来生成初始集群视频相似性的视频通过调查视频内容和用户的访问行为;(2)秒利用模糊c均值(FCM)完善视频集群通过重新定义视频之间的距离。精制视频集群可以被视为兴趣域的用户。一组聚类用户的施工方法,提出了依赖于估计的结果相似水平的兴趣域聚合用户,使得用户共同和相似的利益聚集同一组。performance-aware视频缓存策略,提出了实现智能管理的本地缓存的视频估计影响共享性能用户组的三个角度:促进视频分享规模,减少响应延迟和近端共享的动机。广泛的测试显示秒会取得更好的结果,与其他先进的解决方案相比的缓存命中率,缓存成本、响应延迟和控制开销。

2。相关工作

众多研究人员近年来专注于内容边缘缓存方法。乔等人提出一种联合优化方法内容在车辆的边缘位置和内容分发网络利用宏单元之间的三方合作交流站,路边单元,和智能车辆(18]。联合优化问题是制定双时标马尔可夫决策过程。大时间尺度,内容放置依赖流行,汽车驾驶路径,和资源可用性;小时间尺度,基于车辆调度和带宽分配的方案设计,降低了内容交付延迟。深决定性策略梯度框架提出,取得一个理想的解决方案对应于长期的混合整数线性规划问题。然而,制定优化问题依赖于时间尺度的前提内容时效性内容交付过程中不经常变化。夸克等人提出一个混合内容缓存方法没有的知识内容的受欢迎程度(19]。内容缓存位置算法设计,支持平均请求内容后数据速率有限服务延迟。采用李雅普诺夫优化方法中,缓存和铜之间的紧密耦合控制问题缓存和BS缓存是制定和解决。采用的submodularity属性sum-weight目标函数,实际和启发式铜/ BS缓存算法提出了处理缓存场景。梁等人关注解决utility-oriented服务实体在网络边缘缓存问题20.]。带来的正面影响客户从一个边缘服务器缓存服务实体的定义是效用的变化改变了特定的场景。制定基于用途的服务实体缓存问题,通过重新定义扩展到其他问题的效用。效用问题证明是一个np完全问题和解决设计的近似算法。张等人提出一个边缘缓存框架集成做好移动5 g网络,这使得使用以内容为中心的网络实现高效管理的内容型的信息和推广内容交付效率(21]。内容缓存架构是由功能实体,协议栈,内容检索,和边缘缓存的方法;边缘缓存性能也证明了作者。Saputra等人利用深度学习设计的主动合作缓存方法,可以预测内容需求的用户在移动网络边缘缓存(22]。内容在网络边缘服务器负责收集信息的移动边缘节点和执行深度学习算法来预测整个网络的内容需求。提出了基于分布式深度学习的框架,它允许移动边缘节点协作和交换信息。框架可以减少预测误差为内容需求,不需要暴露用户的私人信息。

张等人提出一个缓存位置与多赢的拍卖方法D2D-enabled缓存蜂窝网络通过调查边缘缓存的动机和内容缓存冗余(23]。multiwinner边缘缓存拍卖是建模;内容缓存收入最大化的优化问题。半定规划设计,得到一个近似最优缓存位置减少UT运动场景的内容缓存冗余。支付策略纳什讨价还价的游戏设计和基于个人利益公平multiwinner重复拍卖建立缓存位置算法,减少了复杂性和性能损失很小。张等人提出一个合作缓存策略通过构建双层异构网络的边缘服务器缓存的帮手,这促进了存储空间的利用率和缓存命中概率(24]。利用随机几何概率和优化缓存的内容,合作缓存策略设计,可以最大限度地打击概率和促进本地存储空间的利用率。张等人提出一个delay-optimal合作在无线网络边缘缓存,可以优化内容位置和集群的大小根据随机信息全面的网络拓扑测量,流量分布、信道质量和文件流行[25]。作者提出了一种贪婪的内容位置使用带宽分配算法优化和约束条件的最大集群大小基于缓存的多样性和频谱效率之间的权衡。刘等人研究异构环境没有偏好的用户来实现管理的内容缓存(26]。在线贝叶斯集群缓存算法设计,保持可持续的可伸缩性的学习互动的缓存命中用户之间的数据。潜在的用户组是解释为狄利克雷多项基于贝叶斯混合模型生成框架(用户偏好相同的)。然后,提出了一种动态聚类策略,可以获得集群的偏好利用倒塌的吉布斯抽样算法。缓存强盗算法设计,可以缓存决策的制定提供支持。关等人提出一种边缘缓存招生策略基于偏好的视频内容的学习(27]。设计一个信息收集器,收集preference-related信息没有任何修改客户端和视频提供者。树结构模型设计,学习和压缩偏好的用户。explore-and-exploit方法提出,这使得视频缓存的决定。许等人提出了一个安全的边缘缓存方案在移动传感器网络(28]。一个安全的边缘缓存框架设计,包括内容提供商,多个边缘缓存设备,一些手机用户。之间的交互模型基于Stackelberg博弈内容提供者和边缘缓存设备设计,在内容提供者(游戏的主导者)决定支付安全缓存服务的策略,并且每个边缘缓存设备(game-follower)决定安全缓存服务的质量。zero-payment机制设计,处理边缘缓存设备刺激内容缓存的自私行为。

3所示。秒详细设计

3.1。用户兴趣域的视频

视频内容的利益驱动是主要原因视频用户请求视频资源。各种不同的视频内容的视频用户的利益奉献获取所需的视频资源。然而,视频内容的用户利益是动态变化的。当视频内容的范围内所需的视频视频用户,用户发送视频请求获取和存储的视频资源;当用户观看视频内容,观看视频的用户兴趣水平快速削弱,这样看视频可以在当地的缓冲区。用户兴趣的变化确定要求的变化和缓存的视频,该视频分销带来严重的负面影响。这是视频系统分派视频资源应对视频请求的用户和有效地利用缓冲区空间(例如,删除不受欢迎的视频和缓存流行视频)支持大规模访问。很明显,利益分析是很重要的,对于理解和预测行为(如请求、缓存和更换视频资源)的视频用户,支持事先或实时调整视频资源分布平衡供需,促进视频分享效率。表1列表符号的定义在整个论文。

测量用户利益的依赖已经被用户观看的视频。然而,单一的视频并不反映用户的真实利益。观看视频只表示用户兴趣的视频,不帮助视频系统理解用户的意图手表视频和预测未来的视频要求的用户。如果看视频聚合、集群视频集不仅表示感兴趣的视频内容但也描述感兴趣的视频资源的边界。此外,兴趣域可以用来估计任何视频,视频用户的请求概率预测未来所请求的视频资源,集群视频用户提供相同或相似的兴趣。传统的视频聚类方法利用结构化视频信息来衡量视频之间的相似度值。例如,一个视频可以表示为 ,在哪里任何属性的(例如,标题、演员和抽象的视频)。如果 可以被认为是一个矢量,之间的相似度值吗和可以被定义为两个向量之间夹角余弦和 。然而,之间的相似性测量只有调查之间的关系水平的视频内容和视频不涉及的影响因素从请求视频用户的行为。例如,连续两个视频在电视连续剧可能有类似的演员,但情节可能是不同的两个视频。单一测量基于内容相似性无法找到这两个视频属于相同的电视连续剧。视频用户的关系从请求行为应被视为视频相似性的测量参数估计。因此,合并相似根据请求内容和关系可以被定义为 在哪里内容相似吗和 ; 是用户访问的相似性之间的关系和 。根据上述视频相似性的传统测量方法,和可以两个向量包括相同的属性,分别。两个向量之间的余弦角对应和可以被认为是内容相似性呢之间的和 。值的测量方法需要调查之间的关联关系和在请求视频用户的行为。让 表示物品的所有日志的视频请求在用户的视频访问日志吗在视频系统。如果一个日志包括和和的位置和在是相邻的,和关联关系有要求吗 。的价值可以被定义为 在哪里是请求关联的数量关系和和所有日志的总数在吗 。如果请求的数量协会的关系和是0, 和 。之间的相似度值和所有视频组成一个向量 根据方程(1), 和是全部的视频。所有向量对应的视频都可以形成一个 矩阵 。因为 ,的对角线相似性的值都是0。我们采用集群视频的谱聚类方法的矩阵视频相似性的29日- - - - - -31日]。因为谱聚类方法是众所周知的,我们简要介绍集群视频的过程。任何视频的程度值可以被定义为总金额之间的相似性值吗和其他视频,如下: 在哪里是所有视频的总数。事实上,是所有项目的总和行 。度矩阵相似的矩阵可以被表示为 。标准化的拉普拉斯算子的矩阵可以根据计算 。的的特征值可以进一步获得并根据升序排序的序列值的所有项目吗 ,也就是说, 。任何物品在等于或大于0。子集 在提取。特征向量 计算对应于 ,任何向量的维数在哪里吗 。特征向量 形成一个 矩阵 ,在哪里是视频和的数量吗计划的数量的视频集群。谱聚类方法的大多数采用k - means划分方法视频进集群的基础上 矩阵 。然而,集群正确级别的谱聚类方法依赖于估计准确性样本之间的相似性和k - means聚类性能的方法的选择取决于中心的集群(样品32- - - - - -34]。因此,使用k - means方法后,视频集群可以获得和被定义为 。每一项在表示为 ,在哪里为中心的项目吗 。

视频聚类的准确性是非常重要的一代的兴趣域的用户和用户视频请求的概率估计。如果视频聚类的准确性很低,视频集群包括视频彼此不同,所以用户的利益并不一定获得视频的用户请求的概率并不是精确的估计。这导致无指导的缓存和更换视频分享的视频资源带来严重负面影响性能和用户体验质量。因此,视频集群基于光谱集群被认为是作为初始集群和应该改进,促进视频集群的准确性(例如,视频之间的高内聚和低耦合之间的集群)。我们采用模糊c均值(FCM)方法来改进初始集群(视频35]。FCM可以被定义为的目标函数 在哪里两个视频之间的距离吗和和 ; 视频资源的总数和吗返回视频集群中的所有项目的总集合 ;和的会员属于,可以定义为 在哪里之间的成员是和中心项目,可以定义为 在哪里内容相似吗和中心项的 , 是一个重量值,的数量是的项目有共生关系 。例如,如果和任何项目在共同都包含在任何日志,和有共生关系。事实上,物品的数量吗哪些共同包含的在日志。很明显, 和 。 反映了视频请求行为的用户之间的连续性;调查范围,一个视频有关联关系的物品在视频集群的用户所请求的内容。因为重新计算的FCM利用会员之间的值每一项和所有集群促进星团内凝聚力,减少intercluster耦合后调整为中心的项目集群,FCM有多个细化intraround重算。为了清楚地描述了基于FCM的细化过程,在方程(表示目标函数值4),细化轮的数量和吗在当前一轮是重新计算的数量。下面的过程显示了细化的集群 :步骤1:检查是否所有项目标记。如果所有的项目被标记为“精致”,实现步骤7;否则,如果所有项目不明显,提取一个集群不完善在当前改进圆的 。第二步:目标函数值计算圆的定义是 。项目中心节点的最小距离从 。步骤3:的中心节点应该选择因为删除一个项目的 。中心项目的后重新选择 ,的值需要重新计算目标函数和被标记为 。步骤4:如果 ,的删除项可以被认为是噪声项添加到一组噪音吗 ; 被标记和标记状态是“精炼”;否则,如果 ,的删除项不能一个噪声项,重新添加 ;原中心项目仍然是中心项目 ; 被标记和标记状态是“未经提炼的”。第五步:如果还包括“无名”项,返回步骤1;否则,执行步骤6。第六步:如果所有物品被标记为“精炼”或“未经提炼的”和“精”项的数量等于或大于1,项目吗还需要进一步改善。细化轮的数量 。所有项目在重新定义为“无名”并返回步骤1;否则,如果所有项目标记和“精炼”项的数量是0,实现步骤7。第七步:当前的改进迭代终止,所有项目是“精”。

因为只有一个嵌套迭代过程中加入计算基于匹配视频相似性在上面的改进过程中,上面的细化过程的复杂性 。最初的视频集群上面是精炼的细化过程,和一组由精制集群仍然被定义为 。如果查看日志一个视频的用户被定义为 和物品 ,分别属于视频集群 ,的兴趣领域被认为是 。当一个新的视频被添加到 , 被认为是集群中的一员吗为中心的项目在哪里最大的相似值在所有集群。为了避免负面影响聚类的准确性从新的视频,视频后被添加到 ,的中心项目应该选择。和可以计算出,在哪里和是普通会员之间的所有项目和中心项目之前和之后加入到 ,分别。如果 , 被添加到和选择为中心的项目变成了新的中心项目 ;否则,形成一个新的集群和原来的中心项目仍然作为中心项目 。

3.2。用户组与共同利益领域

视频用户的兴趣域不仅表示范围的要求视频,也可以用来测量和预测用户之间的视频共享。例如,如果两个用户有相同的兴趣领域,他们可能供应所需的视频互相拉动和推动;否则,如果两个用户的不同兴趣领域,视频供应商不能提供所请求的视频视频请求者和视频请求者不能接收的推视频视频提供者。用户之间的视频分享共同利益范围不仅促进了视频系统的QoS和增加用户体验质量,还利用缓存资源和节能水平的移动设备。分类的用户共同利益分成相同的组对促进视频分享非常重要的性能。

让 。每个用户有明确的兴趣域和兴趣域直接显示内容和范围的表征用户的偏好。一组由中心项对应于感兴趣的域用户可以表示成兴趣域的用户。相同或相似的兴趣域的用户可以分配到相同的用户组,如下所示。

步骤1:如果 ,实现步骤5;否则,如果包括的项目有相同的兴趣领域,实现步骤2;否则,如果物品没有相同的兴趣领域,实现步骤3。步骤2:提取一项子集从在哪里包括大部分商品在所有项目相同的兴趣域子集。可以被认为是一个用户类别和选为中心项目是一个项目 。 ,在哪里表示设置之间的区别和 ,这意味着分类物品移除吗 。 添加到设置 ;返回步骤1。步骤3:如果 (所有项目没有相同的兴趣域),执行步骤4;否则,一个项目在被选中的相似值感兴趣的领域和所有的子集根据方程计算 。 和感兴趣的领域和 ,分别; 和 返回的交点数量和工会的感兴趣的领域和 ,分别。连接到最大相似度值的子集在所有的子集 。 从并返回步骤1。步骤4:每一项被认为是一个子集,是加入 ,和删除 ;返回步骤1。第五步:用户分类是当前迭代的终止。

上面的聚合过程可以描述的算法1。因为有一个嵌套迭代过程的相似性计算基于兴趣域匹配算法1,算法的复杂性1是 。共同利益领域的用户可以在上述过程和聚合形成一个用户组设置 。用户的每一项对视频内容有相同或相似的兴趣。工会组中每一项的所有用户被认为是当前的兴趣域用户组。

4所示。视频缓存管理基于共享绩效意识

当前移动设备在网络边缘有相对较高的性能(例如,快速计算和大型存储)。然而,视频质量的发展(例如,蓝光视频)带来的快速增加视频的大小,所以,移动设备的存储容量成为相对有限。当本地视频占用大量的存储资源,用户需要删除一些本地视频在未来为了存储新视频。然而,本地的缓存和删除视频带来不可估量的影响网络视频资源分布的优势。例如,当用户存储视频到本地缓冲区时,相对应的供应能力缓存的视频在网络边缘增强。缓存的视频的用户不仅使使用促进供应能力的上传带宽相同的用户组,还为用户提供了视频数据在网络边缘。视频资源的充分供应可以减少排队延迟的视频请求的响应的概率和促进影厅视频共享(例如D2D通信)。然而,当一个视频的普及减少,多余的供应也移动设备的本地存储资源的浪费。另一方面,当用户从本地缓冲区删除视频,视频供应减少不管用户组或边缘网络。缺乏供应的视频可以增加排队延迟请求的响应,降低近端视频分享的概率。 However, when the popularity of a video decreases, the removing for the superfluous video caching can promote the use efficiency of local buffer. Therefore, the influence for the video sharing performance should be estimated before the caching or removing of local videos. We investigate the video sharing performance in terms of the three perspectives of promotion of video sharing scale, reduction of response delay and motivation of near-end sharing.

4.1。促进视频分享

视频依靠可见内容吸引用户的访问。如果视频有不可抗拒的内容,积极的请求用户促进流行的视频和视频拷贝边缘网络的扩散。视频信息后(例如,标题和抽象的视频)由用户,获得用户感兴趣的视频想要获取视频资源通过发送请求消息;而不是积极的请求,当用户可能会收到推送消息从其他用户的视频信息,他们决定接受视频。

利息水平用户请求视频资源的主要驱动因素。当一个视频开始在网络传播,用户的兴趣水平为可以被定义为 在哪里表示之间的相似度值 ; 和集群中心项目的视频吗 ; 是视频的数量属于哪一个和一直关注的 ; 总数的视频看了吗 ;和 表示的兴趣水平感兴趣的子域名 。的价值就越高 是,较强的的意图请求视频是多少。如果高,会员之间的水平和强;如果很低,已经疲软的相似性关系的项目吗 。事实上,可以被视为一种重量的 。更大的价值是,的概率越高请求是多少。另一方面,当接收推送信息 , 不仅调查的兴趣水平但也认为社会关系。接受的概率对于一个推可以被定义为 在哪里是视频的数量成功推行在相对应的视频集群 ; 均值之间的相似之处吗和视频的成功推行在相对应的视频集群 ; 分享视频的频率之间的和 ;和是视频分享之间的频率和 。更大的价值 是,更紧密的社会关系和是多少。

4.2。减少响应延迟

请求的用户利用,推动传播一种新的视频 。如果有很高的人气,大量的用户请求吗或者接受的推动 。的过程中用户请求 ,供给用户的缓存在本地缓冲区接收请求消息和视频数据发送给请求用户。请求用户接收的视频数据,观看的视频内容和视频存储到本地缓冲区。目前,生成的视频拷贝(扩散)用户之间共享。当请求用户的数量迅速增加,视频系统需要利用用户的上传带宽已缓存的副本在网络用户提供视频资源的要求。

让和分别是请求和处理的速度。 ,在哪里是生成的请求消息的数量在时间跨度吗 ; ,在哪里是处理请求消息的数量在时间跨度吗 。 在相同的时间跨度意味着用户的请求无法满足由于缺乏供应要求视频。因为用户提供有限的处理能力(例如,低带宽、存储和计算)不能快速处理质量请求消息的“早来早服务”的原则,大量的请求用户需要等待处理请求消息。显然,供应不足导致漫长的等待延迟。 在相同的时间跨度意味着用户的要求可以得到满足的充足供应要求视频。供给用户处理能力较低,但足够数量的供给用户使供给用户的请求消息是均匀分布的。请求消息可以及时处理,请求可以减少用户的等待延迟。

如果一个用户 缓存和观看视频 , 已经失去了兴趣 。为了节省存储空间,提高存储资源的利用率,本地缓冲替换视频。之前删除本地缓冲视频,需要估计内部的影响供应能力 。我们假设用户生成的请求消息到达内部的提供者满足 排队模型。服务能力的可以在我们的以前的工作36]。事实上,表示时间的总和的处理请求消息和时间的视频数据。用户的平均服务能力可以被定义为 在哪里缓存的用户数量吗在 。让是内部生成的请求消息的数量用户在未来的时间跨度 。的价值可以按照下列公式计算: 在哪里所有用户的数量吗 ; 用户的数量,有看到吗和失去兴趣 ; 是用户的总数不感兴趣吗和用户的低利率( ),在哪里感兴趣的阈值; 表示用户感兴趣 ;和 表示用户不感兴趣 。让缓存的用户数量在 。 表示的供给在符合要求的需求 ,所以等待延迟是0;如果 ,的平均等待延迟可以被定义为

当供应在不能满足要求的需求 , 决定更换根据要求和供应之间的关系后一代的新副本 。

4.3。近端共享的动机

视频数据的交付质量依赖于视频数据的传输路径。正如我们所知,传输延迟继电器节点的转发延迟的总和。如果传输路径有大量的继电器节点、传输延迟可能高;如果中继节点传输路径的数量小于或等于0(视频的请求者和提供者之间的关系是单的邻居),传输延迟较低或为0。此外,如果传输路径有多个中继节点具有机动性高,中继节点的动态变化的地理位置导致传输路径的动态变化。传输路径的变化进一步导致增加的包丢失和转发的延迟。

为了促进视频数据的传输性能和用户体验质量,单邻居节点之间的数据传输应该加速。让表示有兴趣的用户数量在( )在未来的时间跨度 。的概率和成为单邻居用户在被定义为 在哪里之间的接触频率和在和是总遇到频率之间和其他用户在 。如果有缓存 ,的概率请求来遇到期间的时间和被定义为

的概率推来遇到期间的时间和被定义为

4.4。视频缓存管理策略

在边缘网络视频分享可以卸载流量减少核心网络的负载,从而减少网络堵塞的风险。通过优化分布的视频资源,可以有效地分配在边缘网络视频资源,促进存储资源的利用效率。调整视频分布依赖于视频请求者的需求。游戏视频共享的性能直接反映了供应和需求之间的关系。视频缓存的管理调整视频分配的主要工具。本地缓存的视频缓冲区的管理有重要影响的用户体验质量的三个角度促进视频分享规模,减少响应延迟和近端共享的动机。管理缓存视频基于视频共享的性能认识的努力是一种有效的方法分布优化和视频分享。我们设计一个视频缓存管理策略基于性能感知用户的视频分享在 。

看过并缓存在当地的缓冲区。让和的请求和处理速度 ,分别。 表示用户存储的数量小于请求的数量在 ,这不移除在当地的缓冲区。目前,估计的传播规模在决定的视频推。可以知道用户的吗这是感兴趣的根据方程(10)。把用户分为两个子集: ,在每一项在有 并愿意做出积极的请求比接受的推动从 ; ,在每一项在有 和具有较高的概率接受推动的从比主动请求。优先推项目在 ,哪能促进供应能力通过推赞同高概率。需要选择一个用户赞同概率高、低延迟交付根据以下方程: 在哪里预计的交货时间是基于推的来 。的参数(例如,丢包率和传输延迟)可以通过发送检测信息来估计通信质量的传输路径在一个小时间段。一个用户的最大价值所有项目中 ;一个用户的最大价值 所有项目中 。如果 , 发送数据的来为了生成副本;否则,如果 , 发送数据的来 。后已经交付 , 作出决定的缓存之间的关系和 。

如果 , 有足够的供应能力相对于规模要求。让表示感兴趣的用户数量 ;让表示用户的数量这商店 。如果 , 可以删除在本地缓冲通知用户存储通过发送消息;如果 , 估计用户的状态从“兴趣”过渡到“要求”由以下方程: 在哪里是一组时间槽;时间槽的数量吗 ; 和用户请求的数量吗和感兴趣的在每个时间段在 ,分别; 表示转换比率从“请求;”和“兴趣”表示转换比率的平均值从“兴趣”到“要求” 。如果 , 需要连续存储在本地缓冲;如果 , 可以删除在当地的缓冲区。

5。测试和测试结果分析

5.1。测试拓扑和场景

我们进行多次模拟测试来比较秒的性能与当前广泛使用的缓存策略随机缓存(概率等于0.5)和最先进的解决方案(OCP [37基于NS-3)。给出了参数设置如下:广场的场景 实现区域,500移动节点移动场景根据随机路点模型。在这个模型中,移动节点首先随机选择一个目的地点均匀分布,然后决定速度,开始转移到所选择的点。达到这一点后,节点重复上述目的地和速度选择过程,再次开始移动。移动节点的速度范围从10 到40 。我们重置网络的物理和MAC层和调制方案单位根据5 g工业标准化。

缓存的性能评估,我们认为这些视频传输数据。这是因为视频服务背后的驱动力量当前快速增长的网络流量和边缘的关键应用程序缓存。在我们的模拟,介绍了40个不同的视频和移动用户之间共享。播放视频的比特率是2000和时间长度的视频是120 。我们进一步将每个视频分为60 2小块长和500的规模 。在每个移动节点缓存空间的大小设置20至40块。我们进一步描述请求的移动用户行为的分布图象电平Zipf分布(38]。也就是说,给定一组视频的视频,的概率 - - - - - -届最受欢迎的视频被用户请求可以由(39,40] 在哪里Zipf参数和设置为0.8。chunk-level请求行为,确定视频观看后,用户连续请求的块视频连续播放。实现(OCP缓存策略,我们统一部署25基站(OCP协调员和源视频供应商。

5.2。绩效评估

我们比较的性能秒(OCP和随机缓存的缓存命中率,缓存成本、响应延迟,分别和控制开销。

缓存命中率(科):在边缘缓存,如果一个节点收到一个视频请求的相应块在本地缓存,那么我们认为它是一个缓存命中的事件;否则,它是一个缓存小姐。我们定义缓存命中率的平均比率的数量发出请求的缓存命中事件和总数(缓存命中和小姐事件的总和)。较高的缓存命中率表明更多的请求是通过附近的移动节点,也就是说,一个更好的边缘缓存利用率和传输距离较短。相比之下,缓存命中率较低意味着边缘缓存未得到充分利用,并且移动用户可能仍然需要从远端访问的视频。数据2和3显示所对应的三个解决方案和不同的仿真时间,当缓存空间的大小是20和40块,分别。我们观察到秒达到最高的装备在三个解决方案。在这两个数字,我们观察到秒(OCP第一次经历一个增加的趋势,然后当200年代进入一个稳定的阶段。随机缓存100年代前首先达到最高的装备,然后略有减少。随机缓存的降低的原因是大量的请求也导致频繁的缓存和缓存替换小姐,大大减少缓存利用率。进入稳定阶段后,所对应的秒(5%)和8%(61%)高于(OCP和随机缓存,缓存空间是20(40),分别。

(OCP秒有更好的性能比随机缓存主要是因为这两个解决方案调查用户的需求和供给达到更高的缓存利用率;然而,随机缓存只简单地设置一个概率缓存内容不能保持视频需求与供应之间的平衡。而不是所有移动节点相同设置缓存时间阈值(OCP,秒认为每个移动用户的分享能力实现缓存空间的灵活的管理。这样的设计,秒可以提供更准确的缓存位置,从而更高的装备。此外,秒还替换内容根据共享缓存能力进一步提高缓存的利用率。

缓存成本(CC):我们定义缓存事件的总数在模拟CC。数字4和5显示三个解决方案和缓存空间的CC 20和40,分别。更高的CC意味着缓存策略可能会消耗更多的存储或能源资源执行缓存操作,这可能会危害系统的可持续性。在数据,所有曲线揭示了线性增加趋势由于连续在模拟缓存操作。比较这两个数据,我们观察到所有的解决方案与缓存空间40 CC当与缓存空间较低20。这是因为一个更大的缓存空间可以避免不必要的缓存替换,在降低缓存成本。在这两个数字,秒达到最低的CC在三个解决方案。例如,当缓存空间是20秒8%和17%低于(OCP和随机缓存400年代时,分别。秒的优势消耗当缓存空间达到40,13%和19%低于(OCP, SEC在400年代时,分别。

秒最低CC主要是因为缓存决策基于共享能力提供了更精确的缓存位置,避免频繁的缓存驱逐和替换。因此,秒可以显著降低CC。(OCP制定共同考虑缓存的缓存优化问题成本和系统负载,这减少了不必要的缓存操作,从而达到降低CC比随机的缓存。然而,(OCP俯瞰缓存替换和简单的使用LRU缓存替换策略,CC收益率高于秒。

响应延迟(RD):我们之间的延迟响应延迟定义为移动用户发送请求和接收的第一个包请求的内容。低的采访表明,移动用户可以访问视频内容从附近的用户体验质量也更高由于较低的启动延迟视频回放。数据6和7显示的响应延迟三个解决方案当缓存空间是20和40岁的分别。在这两种数据,曲线对应于所有解决方案第一次揭示了一个快速增长的趋势在300年代之前,然后保持相对稳定。这是因为,随着越来越多的用户开始请求视频,一个移动节点可能需要同时服务多个用户增加的响应延迟。300年之后 ,由于加入的用户数量=用户退出系统,系统负载和响应延迟保持稳定。比较这两个数据,我们也发现,更高的缓存空间可以提供更好的响应延迟,因为更大的缓存空间达到一个较高的缓存命中率,从而增加的概率从附近的一个移动节点访问内容。在稳定阶段,秒达到最低的RD在三个方案中缓存空间的条件20和40。尤其是当缓存空间是40秒11%和24%低于(OCP和随机缓存,分别。

数据显示2和3秒的缓存命中率最高,也就是说,大多数的视频请求可以由移动节点附近用户回应,因此减少了响应延迟。同样,RD (OCP达到低于随机缓存,因为类似的原因。随机的缓存策略随机决定缓存内容根据pregiven固定概率,缓存的命中率可以没有保证的。频繁缓存小姐不仅迫使用户访问内容从距离而且结果缓存频繁更换,这进一步减少缓存命中率。因此,随机缓存执行最糟糕的响应延迟。

控制开销(CO):在仿真中,我们计算出公司的平均带宽被交付的控制消息缓存的决定。在我们的秒中,公司主要是生成的信息共享能力和兴趣领域。在(OCP,公司主要依赖于交换频率的移动节点状态和缓存列表决定广播消息。在随机的缓存,因为每个移动节点执行缓存操作基于一个固定的概率,没有控制消息交换。在图8秒,对应的曲线相对低于(OCP。主要原因是很大的(OCP需要交换状态列表大小和更频繁的信息交换准确预测整个系统的需求变化。虽然随机缓存没有公司,这是以牺牲的代价的缓存性能包括缓存命中率,缓存成本和响应延迟。

6。结论

在本文中,我们提出一个新颖的Social-aware边缘缓存策略的视频资源5 g超密度网络(秒)。秒了谱聚类来生成初始视频集群和利用模糊c均值(FCM)来优化初始视频集群。精制视频集群被指示为域用户的利益。秒进一步利用估计相似水平的兴趣域集群用户共同和相似的利益分成相同的组。通过为社会团体内部的共享性能评估影响,秒设计performance-aware视频缓存策略,这使得用户智能地实现缓存和删除本地视频资源不断优化视频分布和有效支持视频流量卸载。广泛的测试显示秒达到更好的结果相比与其他先进的解决方案(OCP缓存命中率,缓存成本、响应延迟和控制开销。

数据可用性

使用的数据来支持这个研究的发现文章中是可用的。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是支持河南省的科技重点项目批准号。182102210105和182102210105下,年轻骨干教师的培训计划资助下的学院和大学在河南2020 ggjs191和2017号ggjs135,科技创新杰出人才的程序下的河南省批准号184200510011,科技开放合作项目批准号下的河南省152106000048,中国国家自然科学基金(批准号下的国家自然科学基金委)61501216,和开放的基础可信软件的广西重点实验室(批准号KX202040)。