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

1.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：

2.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。
3.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-access edge 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。


技术实现要素：

4.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。
5.实现本发明目的的技术方案是：
6.一种多接入边缘计算(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。
7.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；
8.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。
9.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；
10.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；
11.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；
12.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。
13.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。
14.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：
[0015][0016]
上述公式(1)中，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，表达式如下：
[0017][0018]
上述公式(2)中，表示视频i在周期t
t
的访问频率，表示视频i在周期t
t-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。
[0019]
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：
[0020][0021]
上述公式(3)中，表示视频i上升的热度，n表示总周期数，表示在周期t
t
中访问频率对视频i的热度的影响值，其的表达式如下：
[0022][0023]
上述公式(4)中，表示在周期t
t
时视频i的访问频率。
[0024]
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：
[0025][0026][0027]
上述公式(6)中，表示视频i的衰减热度，n表示总周期数，表示在周期t
t
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)。
[0028]
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：
[0029][0030][0031]
上述公式(8)中，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。
[0032]
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：
[0033][0034]
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。
[0035]
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：
[0036][0037][0038][0039]
上述公式(10)中，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，分别表示本地视频热度和视频大小的权重，且maximum表示一个足够大的值(大于情况下的任何值)，表示视频i的状态，表示视频i正在被请求且无法被替换，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。
[0040]
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：
[0041][0042]
上述公式(11)中，sizei表示视频i的大小，size
min
表示本地视频大小的最小值，size
max
表示本地视频大小的最大值。
[0043]
根据信息熵理论，信息熵公式如下：
[0044]
[0045]
上述公式(12)中，i表示视频的总数，p
i,
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，p
i,j
的计算公式如下：：
[0046][0047]
上述公式(13)中，g
i,1
表示本地视频热度local_pi(g
i,1
＝local_pi)，g
i,2
表示归一化的视频大小(g
i,2
＝size
′i)。
[0048]
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计算公式如下：
[0049][0050]
上述公式(14)中，表示本地视频热度的权重，表示视频大小的权重。
[0051]
所述的视频缓存处理模块的具体算法执行过程如下：
[0052]
step001：开始。
[0053]
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。
[0054]
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。
[0055]
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。
[0056]
step005：根据公式(1)计算每个本地视频i的evali。
[0057]
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。
[0058]
step007：根据公式(8)计算local_pi。
[0059]
step008：根据公式(5)计算local_pi。
[0060]
step009：根据公式(3)计算local_pi。
[0061]
step010：分别根据公式(12)、(14)计算ej,
[0062]
step011：根据公式(10)计算
[0063]
step012：根据对本地视频进行降序排序，依次删除最小的视频，直到剩余缓存空间能存储待缓存视频k。
[0064]
step013：缓存待缓存视频k。
[0065]
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。
[0066]
step015：结束。
附图说明
[0067]
图1为一种移动环境下的mec服务系统架构图；
[0068]
图2为缓存管理算法流程图。
具体实施方式
[0069]
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。
[0070]
实施例：
[0071]
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。
[0072]
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，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。
[0073]
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。
[0074]
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；
[0075]
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：
[0076]
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。
[0077]
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。
[0078]
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：
[0079][0080]
上述公式(1)中，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，表达式如下：
[0081][0082]
上述公式(2)中，表示视频i在周期t
t
的访问频率，表示视频i在周期t
t-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。
[0083]
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：
[0084][0085]
上述公式(3)中，表示视频i上升的热度，n表示总周期数，表示在周期t
t
中访问频率对视频i的热度的影响值，其的表达式如下：
[0086][0087]
上述公式(4)中，表示在周期t
t
时视频i的访问频率。
[0088]
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：
[0089][0090][0091]
上述公式(6)中，表示视频i的衰减热度，n表示总周期数，表示在周期t
t
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)。
[0092]
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：
[0093][0094][0095]
上述公式(8)中，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。
[0096]
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：
[0097][0098]
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。
[0099]
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。
[0100]
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：
[0101][0102][0103][0104]
上述公式(10)中，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，分别表示本地视频热度和视频大小的权重，且maximum表示一个足够大的值(大于情况下的任何值)，表示视频i的状态，表示视频i正在被请求且无法被替换，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。
[0105]
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。
[0106]
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：：
[0107][0108]
上述公式(11)中，sizei表示视频i的大小，size
min
表示本地视频大小的最小值，size
max
表示本地视频大小的最大值。
[0109]
根据信息熵理论，信息熵公式如下：
[0110][0111]
上述公式(12)中，i表示视频总数，p
i,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，p
i,j
的计算公式如下：
[0112][0113]
上述公式(13)中，g
i,1
表示本地视频热度local_pi(g
i,1
＝local_pi)，g
i,2
表示归一化的视频大小(g
i,2
＝size
′i)。
[0114]
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计算公式如下：
[0115][0116]
上述公式(14)中，表示本地视频热度的权重，表示视频大小的权重。
[0117]
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。
[0118]
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。
[0119]
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。
[0120]
视频缓存处理模块的具体算法过程如下：
[0121]
step001：开始。
[0122]
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。
[0123]
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。
[0124]
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。
[0125]
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。
[0126]
step007：根据公式(8)计算local_pi。
[0127]
step008：根据公式(5)计算local_pi。
[0128]
step009：根据公式(3)计算local_pi。
[0129]
step010：分别根据公式(12)、(14)计算ej,
[0130]
step011：根据公式(10)计算
[0131]
step012：根据对本地视频进行降序排序，依次删除最小的视频，直到剩余缓存空间能存储待缓存视频k。
[0132]
step013：缓存待缓存视频k。
[0133]
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。
[0134]
step015：结束。