一种面向MEC的边缘视频缓存服务器部署规划方法

一种面向mec的边缘视频缓存服务器部署规划方法
技术领域
1.本发明属于通信技术领域，具体涉及一种面向mec的边缘视频缓存服务器部署规划方法。


背景技术：

2.随着通信技术与互联网技术的发展，各种超高清视频、虚拟现实等多媒体业务日渐发展，此类业务除了需要占用高带宽外还要求具有可靠、良好的服务质量(qos)和用户体验质量(qoe)。随着这类业务数据量与用户量逐步增加，对骨干网带宽产生极大压力，甚至导致拥塞，对硬件设施提出了一定挑战。针对这一问题，结合移动边缘计算(mec)与内容分发网络(cdn)将用户访问热度高的内容复制到距离用户更近的边缘节点上的缓存服务器。为用户提供了低延迟、低丢失的传输路径，从而提高整体性能，改善终端用户的体验，分担骨干网带宽压力。
3.目前，由于互联网业务与移动网络的分离设计，超高清视频业务难以感知用户请求的变化，造成基于dash/hls进行视频传输码率的调整总是滞后的；同时超高清视频包含巨大的数据量，数据的处理能力及传输效率也受到了挑战。针对上述问题，mec将云端的计算能力卸载到边缘节点上，具有低延时与节省带宽的特性。拥有计算能力的mec在超高清视频领域中，能够有效的提高传视频数据的处理能力，带动整个超高清视频的采集、制作、播放升级，很好地服务视频传输业务的优化。同时mec可以实时感知无线接入网络的动态变化，及时调整码率，帧速率等来优化视频传输，使用户体验达到最佳效果。
4.因此，融合cdn与mec技术，在边缘节点部署具有计算能力与缓存能力的cdn节点已经成为cdn未来发展的趋势，mec可以为cdn提供足够的资源，实现基于mec的cdn视频缓存服务器，推动超高清视频等业务的发展。有研究指出：部署基于mec的cdn视频缓存服务器可以显著地提高用户体验质量，降低服务延时。
5.但是新的技术带来了新的挑战：面向mec的视频缓存服务器该如何部署？一方面，在终端用户附近部署计算容量、缓存空间大的服务器可以提高系统性能，但会增加运营成本；另一方面，部署计算容量、缓存空间小的服务器可能会导致大量数据无法及时处理且数据需要传输至源服务器，无法节省网络资源，从而导致运营成本增加。也就是说，部署服务器需要权衡运营成本及系统性能。除此以外，考虑到现实用户行为和业务的不确定性，用户请求数量应是一个随机变量，而非一个固定的值，进一步增加了基于mec的视频缓存服务器规划难度。


技术实现要素：

6.本发明的目的在于提供一种面向mec的边缘视频缓存服务器部署规划方法，用以在用户请求动态变化情况下，权衡服务器的运营成本及系统性能等因素，规划基于mec的视频缓存服务器。
7.本发明所采用的技术方案是：一种面向mec的边缘视频缓存服务器部署规划方法，
具体操作步骤如下：
8.步骤一：获取m个基站节点用户请求的历史数据并进行等时隙δt采样得第n时刻各个基站节点用户请求行等时隙δt采样得第n时刻各个基站节点用户请求
9.进一步的，步骤一中时隙长度δt，可以选择任意长度，但应符合两点要求：一是应保证采样时隙不宜过长，以致无法体现各个基站用户请求历史数据的数据特征；二是应保证采样时隙不宜过短，以致造成步骤二求解时间过长。该时间段长度的选择可以由相关技术人员根据经验进行设置。
10.步骤二：服务器类型集合为{f1,f2,
…
,ff}共f类；边缘节点集合为{e1,e2,...,ee}共e个节点。根据边缘节点的现实条件限制，得到一个任意的服务器部署方案其中，为二进制变量，表示在ei节点上部署fj类型的服务器，反之不在ei节点上部署fj类型的服务器。在当前部署方案下，在每一时隙下，确定资源分配方案，为各个基站用户请求户请求分配适合的服务器，以最小化预设的第一目标方程v，将每一时隙下的最优化v的值记为：vn，n＝1，2，3，...k，进而求其均值对服务器部署方案进行重新编码得到新的输入并保存输入和输出e[v]作为一个神经网络训练样本。进一步的，所述步骤二中边缘节点的现实条件限制如下：
[0011]
1)部署的服务器计算容量和缓存空间不得超过边缘节点所提供的计算容量和缓存空间；
[0012]
2)每个边缘节点最多仅能部署一个服务器。
[0013]
进一步的，所述步骤二中服务器类型，不同服务器类型拥有不同的参数：如计算容量、缓存空间、成本等。
[0014]
进一步的，所述步骤二中v是指用户请求总时延、用户服务质量的物理量抽象化为数学表达式，即以数学表达式，即以为自变量的数学表达式，分别表示为d，p，令v＝α1d+α2p；
[0015]
其中，d代表用户请求总时延，p代表用户服务质量，α1，α2分别为d，p的权重系数。
[0016]
进一步的，步骤二中神经网络训练样本的输入，可以经过一一对应编码处理，以减少神经网络的输入数目，提高神经网络的拟合度；例如，将通过编码得到新的输入其中其中表示边缘节点ei不部署服务
器，表示在边缘节点ei部署fj类型的服务器，z表示整数。
[0017]
步骤三：重复步骤二，每重复一次步骤二则获得一个神经网络训练样本，直至获取预设数目n个神经网络训练样本，训练神经网络。
[0018]
进一步的，步骤三中n，可以是任意数目，但应符合两点要求：一是应保证数目足够，以保证神经网络的拟合度足够高；二是应保证数目不宜过多，以防止求解效率低下。
[0019]
进一步的，步骤三中神经网络，其隐含层层数及各每层神经元个数可由相关技术人员根据经验进行设置；其输入层共有e个输入，输出层共有1个输出：其输入为输出为e[v]的预测值e
′
[v]。
[0020]
步骤四：根据服务器部署方案设计遗传算法的染色体，初始化遗传算法种群规模，设置遗传算法参数。
[0021]
进一步的，所述步骤四中设计遗传算法的染色体为所述步骤二中的
[0022]
进一步的，所述步骤四中设置遗传算法参数包括种群数量、染色体长度、染色体交叉概率、染色体变异概率、最大迭代次数等。
[0023]
步骤五：根据步骤三中训练后的神经网络和预设的第二目标方程w得到适应度函数f，计算各个染色体的适应度。
[0024]
进一步的，步骤五中第二目标方程w为服务器运营成本的物理量抽象化为数学表达式，即仅以为自变量的数学表达式，则第二目标方程w为：
[0025][0026]
其中，为服务器类型fj的成本；α
′1为的权重系数；
[0027]
步骤五中适应度函数可以表示为：
[0028]
f＝w+e
′
[v]
[0029]
其中e
′
[v]为神经网络的预测值，计算e
′
[v]时，需先将转化为来作为神经网络的输入。
[0030]
步骤六：根据遗传算法参数，边缘节点部署服务器的现实条件限制，以及各个染色体的适应度，对染色体进行相关操作并迭代得到下一代种群。
[0031]
进一步的，所述步骤六中设置遗传算法参数包括种群数量、染色体交叉概率、染色体变异概率、最大迭代次数等。
[0032]
步骤六包含以下内容：
[0033]
6.1，根据染色体交叉概率、染色体变异概率对染色体进行交叉，变异操作。
[0034]
6.2，根据边缘节点部署服务器的现实条件限制，以淘汰不在可行域内的染色体。
[0035]
6.3，根据各个染色体的适应度，通过轮盘赌的方式迭代下一代种群。
[0036]
步骤七：重复步骤五至六；直到达到最大迭代次数；输出最优染色体并得到服务器部署方案。
[0037]
本发明的有益效果是，在网络中用户请求和网络结构先验未知的情况下，考虑了cdn服务器缓存迁移导致大量带宽花销，通过对历史用户请求信息进行分析计算，得到最优服务器部署方案。此外，本发明可适用于其他含不确定变量的规划场景。
[0038]
本发明考虑了用户请求动态变化的情况下，减少服务器运营成本，提高用户质量，减少传输时延，以响应超高清视频等业务的需求。
附图说明
[0039]
图1为本发明实施例提供的一种基于mec的cdn视频缓存服务器规划方法流程图。
[0040]
图2为本发明实施例利用贪婪策略确定资源分配方案的流程图。
[0041]
图3为本发明实施例神经网络结构图。
[0042]
图4为本发明实施例同对比算法部署方案的性能对比图。
具体实施方式
[0043]
为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述。显而易见的，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0044]
如图1所示，本实施例提供的一种面向mec的边缘视频缓存服务器部署规划方法，包括以下步骤：
[0045]
步骤一：获取m个基站节点用户请求的历史数据并进行等时隙δt采样得第n时刻各个基站节点用户请求行等时隙δt采样得第n时刻各个基站节点用户请求
[0046]
进一步的，在实施例中，基站节点选取32个上海电信基站(经度121.44-121.47；纬度31.21-31.25)。对32个基站720小时内的用户请求历史数据进行δt＝12h的等时隙采样得进行δt＝12h的等时隙采样得
[0047]
步骤二：服务器类型集合为{f1，f2，...，ff}共f类；边缘节点集合为{e1，e2，...，ee}共e个节点。根据边缘节点的现实条件限制，得到一个任意的服务器部署方案其中，为二进制变量，表示在ei节点上部署fj类型的服务器，反之不在ei节点上部署fj类型的服务器。在当前部署方案下，在每一时隙下，确定资源分配方案，为各个基站用户请求户请求分配适合的服务器，以最小化预设的第一目标方程v，将每一时隙下的最小化v的值记为：vn，n＝1，2，3，
[0059][0060][0061]
其中，d为网络中用户请求的总延迟，d1为命中的用户请求传输至边缘节点服务器的总延迟，d2为未命中的用户请求传输至源服务器的总延迟；为基站传输至边缘节点ei的延迟；表示将基站上的用户请求交由边缘节点ei上的服务器进行处理，决定了资源分配方案；为服务器类型fj的命中率；为边缘节点ei传输至源服务器的延迟；α1设定为0.1，α2设定为-1。
[0062]
其中p为所有用户服务质量的总和，p越大代表用户整体服务质量越高；利用效用函数u(fj，x)表示不同服务器类型fj在处理不同数目用户请求x时对单个用户所提供的服务质量，u(fj，x)形式如下：
[0063][0064]
利用u(fj，x)则可计算出p：
[0065][0066]
进一步的，为了尽可能最小化v，在本实施例中，采用如图2贪婪策略来求得以确定资源分配方案，进而求得近似最小化v：贪婪策略步骤如下：
[0067]
1.选初始化待分配服务器的基站用户请求集合
[0068]
2.判断未分配服务器基站用户请求集合r是否为空集若为是，则输出分配方案并计算此时v＝α1d+α2p；若为否，则执行下一步；
[0069]
3.遍历未分配服务器的基站用户请求关联的分别置求
[0070]
4.选择出上一步得到的中的最小值置对应的从未分配服务器基站用户请求集合r中删去对应的
[0071]
将通过编码得到新的输入其中其中表示边缘节点ei不部署
服务器，表示在边缘节点ei部署fj类型的服务器；
[0072]
并保存输入和输出e[v]作为一个神经网络训练样本；
[0073]
步骤三：重复步骤二，每重复一次步骤二则获得一个神经网络训练样本，直至获取预设数目n个神经网络训练样本，训练神经网络。
[0074]
进一步的，在实施例中，n设定为3000。
[0075]
进一步的，在实施例中，神经网络的结构如图3所示：隐含层层数为1，神经元个数为20，激活函数为sigmoid；其输入层共有e个输入，输出层共有1个输出，输出层激活函数为purelin；其输入为其输出为e[v]的预测值e
′
[v]。
[0076]
步骤四：根据服务器部署方案设计遗传算法的染色体，初始化遗传算法种群规模，设置遗传算法参数。
[0077]
步骤四中设计遗传算法的染色体为所述步骤二中的
[0078]
步骤四中设置遗传算法参数包括种群数量、染色体长度、染色体交叉概率、染色体变异概率、最大迭代次数等。
[0079]
步骤五：根据步骤三中训练后的神经网络和预设的第二目标方程w得到适应度函数f，预测各个染色体的适应度。
[0080]
步骤五中第二目标方程w为服务器运营成本的物理量抽象化为数学表达式，即仅以为自变量的数学表达式，则第二目标方程w为：
[0081][0082]
其中，为服务器类型fj的成本；α
′1设定为-1.5。
[0083]
进一步的，所述步骤五中适应度函数可以表示为：
[0084]
f＝w+e
′
[v]
[0085]
其中e
′
[v]为神经网络的预测值，计算e
′
[v]时，需先将转化为且染色体个体的适应度函数值越小，表示染色体个体越优秀。
[0086]
步骤六：根据遗传算法参数，边缘节点部署服务器的现实条件限制，以及各个染色体的适应度，对染色体进行相关操作并迭代得到下一代种群。
[0087]
进一步的，所述步骤六包含以下内容：
[0088]
6.1，对染色体进行交叉，变异操作。
[0089]
6.2，根据边缘节点部署服务器的现实条件限制，以淘汰不在可行域内的染色体。
[0090]
6.3，根据各个染色体的适应度，通过轮盘赌的方式迭代下一代种群。
[0091]
步骤七：判断遗传算法迭代次数是否达到预设迭代次数，如果否，则跳转至步骤五，如果是，则输出最优染色体并得到服务器部署方案。
[0092]
如图4所示，为上海电信32个基站720小时内，两种部署方案的性能对比图，部署方
案一为本发明提出规划方法得到的部署方案，部署方案二为将各个基站平均用户请求数作为输入的部署算法得到的部署方案。为了便于比较不同部署方案的性能，设定性能评估函数为：
[0093]
obj＝w+v
[0094]
obj的数值越低，代表部署方案系统性能越优秀。可以看出在720小时，60次的采样中，本发明得到的部署方案性能都优于对比方案。
[0095]
上述仅为本技术的较佳实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。