摘 要

随着万物互联时代的到来，一些移动多媒体服务，比如流媒体，已经成为全球移动数据流量在蜂窝网络上呈指数增长的主要原因，在移动边缘计算中，其移动边缘服务器的缓存可以平缓一段时间内的流量变化，并且减少用户和基站之间因为传输造成的服务负载，然而在自适应流的传输背景下，将多个视频的不同码率表示分配给边缘服务器仍然是个有挑战性的问题，需要我们有效的减少基站的服务负载，并且同时为用户保持高质量的体验（QoE）。

本文研究了基于用户体验（QoE）的自适应视频流的移动边缘缓存放置问题，对具有代表性的一篇文章进行复现，该文中考虑到了视频在不同码率下的失真特性（R-D）和分布的边缘服务器之间的协调，为了得到多个视频的码率表示的最佳缓存放置，设计了一个效益函数，最大化了所有用户的平均视频失真减少，也最小化了从基站中下载视频的额外成本，这些不仅受到了边缘服务器的容量限制，而且还有用户的服务器选择和初始启动延迟的约束，其次，采用子模最大化的理论，将其转化为相应的贪心算法，其算法具有多项式的计算复杂度和接近最优解的理论下界，实验结果表明，提出的K-CB算法能以较低的时间复杂度来实现接近最优的性能。

关键词：移动边缘计算；自适应流媒体；视频点播；

Abstract

With the arrival of era of all things connected, some mobile services of multimedia, such as the streaming of mobile videos, have become the main reason for the exponential growth of global mobile data traffic over cellular network, In MEC, Cache at mobile edge servers can smooth temporal traffic variability, and reduce the service load caused by the transmission between user and the base station, However, the assignment of multiple video representations to distributed servers is still a challenging question in the context of adaptive streaming, which needs to effectively reduce the service load of base station while maintaining a high quality of experience (QoE) for users.

To solve the problem for adaptive video streaming, we study a QoE-driven mobile edge caching placement optimization and reproduce a representative article, it takes into consideration of the different rate-distortion(R-D) characteristics of videos, to get the optimal caching placement of representation for multiple videos, we maximize the average video distortion reduction of all users while minimizing the additional cost of representation downloading from the base station, it subjects not only to the storage of the edge servers, but also to the transmission of and initial startup delay of the users, Then, we using a submodular maximization problem to develop a cost benefit greedy algorithm, the proposed algorithm has polynomial computational complexity, and a theoretical lower bound on its performance. The result show the algorithm is able to achieve a near-optimal performance with a low time complexity.

Key Words：Mobile edge caching；adaptive video streaming；video-on-demand；

目 录

第一章 绪论 1

1.1 研究背景 1

1.2国内外研究现状 2

1.3论文的主要工作 4

1.4论文结构 4

第二章 相关技术概述 5

2.1移动边缘计算技术概述 5

2.1.1 移动边缘计算的定义 5

2.1.2 移动边缘计算的优势 6

2.2相关算法理论 7

2.2.1 整数线性规划 7

2.2.2 子模最大化问题 8

第三章 框架与系统模型 9

3.1框架 9

3.2 系统模型 10

3.3 QoE模型 11

3.4.2 问题的制定 12

3.4.3 问题的转化 13

3.5 算法求解 15

第四章 实验结果仿真 17

4.1仿真参数设置 17

4.2对比算法和评价指标 18

4.3 系统参数影响 19

4.4 实验总结 21

第五章 总结与展望 22

5.1论文总结 22

5.2 研究展望 22

参考文献 23

致 谢 25

第一章 绪论

1.1 研究背景

在过去的十年中，移动多媒体服务，如移动视频流，已经成为蜂窝网络中全球移动数据流量呈指数增长的主要原因[1]。例如，在 2016 年，由流媒体视频和音频组成的实时娱乐已成为几乎每个网络上最大的流量类别，并且其持续增长预计将引领所有网络[2]。 就比如现如今火热的抖音和微视等热门的APP,其在大众中的受欢迎程度很高，用户通过点击其中的视频进行浏览，这种实时娱乐成为现如今的一种潮流，移动视频的流量这种显着增长对视频内容提供商和网络服务提供商都提出了重大挑战，一个显著的结果就是，web使用是全天发生的数据流量，而视频使用更可能在晚上时间发生，因此具有“黄金时间”。从全球来看，到 2020 年，移动繁忙时段的流量预计比平均小时流量高出 88％， 而 2015 年为 66％[1]。 因此，移动视频流量呈现高时间可变性，其能在高峰交通时间期间引起拥塞并且在非高峰时间期间导致利用不足。为了减少基站的繁重业务负载并在移动多媒体用户附近提供上下文感知服务，通过引入移动边缘计算用以将移动计算，网络控制和存储推向网络边缘[3]。特别是，移动边缘缓存（MEC） 能够利用网络上边缘服务器的存储空间，在非流量高峰时段执行多媒体内容放置任务，从而平滑时间流量变化并减少拥塞和访问延迟[4]。

在参考文献[5]中，ETSI对移动边缘计算做出了定义，在用户距离最近的无线网（RAN）接入范围内，它支持移动的用户访问信息技术和云计算服务，可以将边缘服务器放置在无线接入网和核心网之间，从而能够为用户的服务提供计算和存储资源，这样就能降低核心网到边缘网的访问延迟，最终能够提升终端用户服务体验（QoS）。移动边缘计算是一种新型的技术，对于一些特定的应用或者业务，它相比于传统的网络结构，在性能上能得到很大的提升。如图１-1 所示，移动边缘计算（MEC）结合了网络技术与信息技术。

图1.1 IT和通信网络的融合

同时，在对专用视频内容，显示设备和接入网络容量的需求方面，用户群的异构性日益增长，使得移动视频流变得更加复杂。自适应流技术，例如基于 HTTP 的动态自适应流传输（DASH），已经成为通过异构网络进行视频流传输的有效方法，通过向不同客户端提供相同视频内容的多个视频码率表示，可以有效的避免网络拥塞等造成视频中断的问题，以此提高整体用户满意度^[6]。每个表示由内容提供者以预定义的比特率和/或分辨率编码。然后，用户选择更符合其自身要求和网络条件的视频码率表示。因此，除了移动边缘缓存之外，有必要研究动态自适应流传输引入的潜在性能增益，并研究适用于动态自适应流传输系统的移动边缘缓存放置方案，以减轻流量负载并减少用户的接入延迟（即高速缓存的好处），并满足异构用户的需求（即自适应流传输的益处）。此上下文中的基本问题是如何使用适当的视频表示来放置分布式边缘服务器的本地缓存，以便在已知这些边缘服务器的缓存存储容量是，最大化用户在视频质量和延迟方面的 QoE。与传统视频流的高速缓存方案不同，存储在内容服务器（由内容提供商管理）的视频表示的数量可能变得非常大，因为为每个视频存储了多个码率表示。这导致更难以解决问题的具有更高计算复杂度的问题。因此，在基于自适应流媒体的 MEC 系统中，人们不仅关心应该在哪个边缘服务器上缓存哪个视频。迄今为止的研究已经从不同的角度研究了与上述缓存和自适应流媒体相关的工作。对于移动视频传输，已经证明在分布式边缘服务器上的缓存能够极大地减少基站的服务负载，并且通过来自边缘服务器的高速本地链路替换来自基站的速度较慢的回程连接，以保证用户的低延迟要求^[7]。针对双层无线内容传送网络设计了一种有效的缓存放置策略，通过使用单独的信道进行内容传播和服务来降低系统设计的复杂性^[8]。对于自适应流媒体，[9]中的工作基于经验结果提出对数 QoE 模型，并将缓存管理问题表示为凸优化问题。为了应对动态视频片段请求，在[10]中提出了在线预取算法。自适应地预取自适应流视频片段，同时考虑内容服务器和边缘服务器之间有限的瓶颈带宽。然而，这些现有技术的高速缓存方案的局限性在于没有考虑视频内容特性。它们主要关注速率（编码表示的比特率）和延迟（传输延迟）视角，因此具有不同 RD 行为的视频源以相同的方式处理，这不是自适应流传输场景的最佳解决方案，其中不同的表示具有不同的 RD 行为。

1.2国内外研究现状

在异构的蜂窝网中，为了避免应用的冗余数据在网络中传输，需要产业界和学术界设计一个有效的内容缓存和分发策略，以此来面对爆炸式增长的流量对未来5G带来的挑战，这些相关的问题已引起了国内外科研人士的关注，研究人员也就此展开了大量的研究工作，并取得了一定的成果。

关于内容缓存和分发问题，这些年来，已经取得了突破性的进展。随着全球移动流量的爆炸式增长和超密集异构网络的部署，对于连接在基站和核心网之间的回程链路而言，负载很大。为了提高回程链路可用性，解决其容量的性能瓶颈问题，研究者们提出向小型基站中引入缓存功能，这样就能在非流量高峰时期提前预取内容，当流量高峰时间终端用户发出请求后，能够为其提供高效的服务，在参考文献[11]中，作者提出了新的概念“FemtoCaching”，为了最小化用户的平均下载延迟，作者探讨了研究了异构蜂窝网络中的最优内容缓存和分发机制，为了处理一些高度可预测的例如VoD的庞大流量，可以将其缓存在移动边缘上，以此来减少回程链路中的消耗。参考文献[12]中，作者提出了一种小区合作式缓存策略，当缓存容量有限时，为了减少用户访问其所需内容时的平均时延。通过对问题的优化，作者提供了一个新的等价变换，并提出了使用一种复杂度较低且性能接近最优解的方法，得到缓存部署方案，以此来降低用户的请求延迟。在参考文献[13]中，作者观察了被多基站覆盖区域的情况，为了解决无线蜂窝网络中的内容缓存问题，并最大化用户请求所需内容的命中率，文中推导出最佳的缓存策略，实验结果表明，当区域被多基站覆盖时，采取标准的缓存策略，即将服务范围内最流行的内容缓存于各基站中，这种方案并不能得到系统上的性能提升。在参考文献[14]中，作者研究移动边缘缓存的基本信息理论极限，揭示延迟和缓存大小之间的最佳权衡问题。但是，所有上述研究仅关注一般的视频文件的缓存分配问题。而在参考文献[15]中，需要在边缘服务器中提前预期并确定适当的视频码率表示。

在关于自适应流媒体的研究中，随着无线异构网络和各种智能终端平台的快速普及，用户和内容提供商对视频传输的质量要求也越来越高了，而流媒体边下载边播放的显著优势得到了市场上很多商家的青睐，当前市场上的流媒体技术很多，这些技术大部分是对原始多媒体文件按照不同的码率进行编码，这些不同码率的视频放置在服务器上，码率越大，视频的质量也就越好，但这也就意味着更大的存储资源和带宽资源也将会被这个文件占用[16]。在参考文献[10]中，为了应对动态请求，提出了一种在线预取算法，用于在考虑远程服务器和边缘服务器之间的有限瓶颈带宽的同时，预取自适应的流视频片段。在参考文献[17]中，作者通过提出一种用于信息中心网络的网内视频缓存策略，根据用户的流行度分布，在平均用户吞吐量方面极大的增加用户的QoE,但上述的工作中并没有考虑到不同码率视频之间的内容特性及RD特性，它们的性能取决于视频的流行度和网络条件，但从实验结果可以得到，只有考虑到视频的内容特性即RD特性，才能正确评估系统的性能。

1.3论文的主要工作

本文对移动边缘计算环境中的相关缓存问题进行了分析研究，从增大用户的QoE的角度出发，探讨自适应的流媒体缓存方案，并选择一篇具有代表性的文章[18]进行实现，通过实验证明其提出的算法，相比于其他的算法，能在较低的时间复杂度中，使系统的性能接近最优解。

1.4论文结构

本文是针对移动边缘环境下的自适应流媒体视频的缓存策略的研究，一共有五个章节，相应的具体内容安排如下:

首先在第一章中，介绍了移动边缘计算中内容缓存的研究背景，然后分别阐述了内容缓存和流媒体技术的研究现状，并总结了本文的工作，第二章对移动边缘计算技术的相关概念和特点进行阐述，也简单介绍了第三章中会用到的算法理论，在第三章中，对选好的文章[18]的框架和系统模型进行了分析，介绍了下里面的问题转化和算法的求解，然后在第四章，通过自己对实验的重现，处理仿真结果，对比算法后给出结论，第五章是对本身的工作进行了概括，并对相关方向的研究提出了自己的建议。

第二章 相关技术概述

2.1移动边缘计算技术概述

随着万物互联时代的到来以及5G移动网络普及程度的不断提高，像智能手机、平板电脑等移动的终端设备逐渐取代了PC成为人们日常工作和学习以及生活和文娱的重要工具，在网络边缘的设备数量和产生的数据也都因此快速的增长。在Cisco的预测报告中显示，全球的移动流量数据将会在2020年爆炸增长，这个数值将会是2015年的8倍，并且终端联网设备的数量不断增加，预计将会达到263亿台^[19]，网络边缘中的设备不断增加，其产生的数据量也相应的快速增加，用户对数据传输带宽的需求也就会更大，同时，像VR、智能家居等新型应用对数据处理的实时性提出了更高的要求，这时，传统的云计算技术已经不能满足要求，由此催生了移动边缘计算技术的出现^[20]。本节将会简单的介绍移动边缘计算技术，包括其定义和相关的特点。

2.1.1 移动边缘计算的定义

在2014年，ETSI就起草了有关移动边缘计算的标准，移动边缘计算是一种新型的网络结构，它能够提供一定的应用服务环境和计算能力，简单地说，MEC就是将云计算中心的任务部分卸载到网络的边缘，这样就可以为一些服务提供高带宽和低延时性能。随着研究的不断进展和深入，在初始阶段研究的MEC中的‘M’也改变了含义，先前指的是“mobile”移动网络的意思，后来边缘计算的应用不断扩展，现在指的是“multi-access”，也就是多接入的含义，因此，MEC现在不仅可以称为移动边缘计算，也可以叫做多接入边缘计算^[21]。

移动边缘计算运行在网络的边缘，在逻辑上来讲，它并不依赖于网络中的其他部分，因此对于一些安全性需求较高的应用来说，这个性能非常重要。此外，终端设备的计算能力是有限的，而边缘服务器的计算能力通常远大于终端设备，因此可以将一些应用中的大量数据上交给边缘服务器处理。同时，在地理上而言，边缘服务器非常靠近用户或这信息源，这样用户与边缘服务器间的传输就非常快速，从而用户发出请求到接收响应的时延也就极大减小。最后，运行在网络边缘的 MEC 能够实时获取一些重要的信息，例如设备 ID、带宽变化以及用户位置等，得到这些信息后，从而MEC可以实现链路感知，并且对一些基于这些重要信息的相关应用提供保障，这样可以极大地提高用户的体验质量。

至于框架，在ESTI的白皮书中，对MEC的基本框架进行了定义，如图，可以看到图中有移动边缘系统水平、移动边缘主机水平和网络水平这三部分，这是对 MEC 下不同的功能实体进行了三个层次的划分^[21]。

图2.1 移动边缘计算基本框架

2.1.2 移动边缘计算的优势

相比于传统的网络架构和模式，移动边缘计算能够体现很多优势，对于时延高、效率低、能耗高等问题，能够在一定程度上进行改善。这也就是移动边缘计算称为未来5G中的核心技术的原因，本节是对其优势进行概括。

低时延：由于MEC可以将计算和存储能力下行到网络的边缘，这样边缘服务器距离用户会更近，用户发出请求后的处理方式也发生了变化，以前是需要经过传输网络到达较远的核心网，而现在是由放置在本地的边缘服务器将部分的请求直接处理，这样的通信速度将会很快，时延也就极大降低了。在视频传输、无人驾驶等 对时延要求高的这些应用中，MEC 的低时延特征表现得极为成功。比如在视频传输中，按照从前的请求方式，内容请求先经过基站，然后请求再通过核心网找到该视频的内容，再进行回传，最终完成终端用户和服务器之间的交互，很明显，这样的请求连接方式是非常耗时的。在使用 MEC的网路架构后，MEC 服务器可以放置在UE 的基站处，运营商可以利用 MEC 提供的存储能力将相应的流行度较高的内容缓存在里面，然后，用户需要的内容可以快速从 MEC 服务器中获得，内容数据就不必从遥远的核心网中获取，这样 MEC 服务器就可以减少用户从发出请求到接收响应之间的等待时间，用户的体验质量也就得到了提升。

减少链路拥塞: MEC 服务器能够对本地的流量数据进行处理，这样就能减轻了对网络带宽的需求。在视频的传输过程中，对于某些流行度较高的视频，如抖音APP内点赞数较高的视频、华为新手机发布会等，用户对这样的资源请求概率较高，这就会导致有大量终端用户在同一时间内接入并且请求同一视频内容，这种情况可能会发生链路拥塞，导致时延过高或者卡顿，从而降低了用户的观看体验，这种情景对带宽的需求比较高。然而运营商可以放置MEC 服务器在网络的边缘上，提前将视频的内容缓存在其中，当用户请求该视频时，请求将会在本地被处理，网络的带宽压力就会减轻，链路故障和拥塞的可能性也就减少了。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：