数据驱动的移动流媒体边缘网络分发机制研究

Nowadays, mobile video streaming service presents three novel features at different dimensions: the tremendous amount of user behavior data assisting video distribution, the mobile edge caching bringing content closer to users, and the new types of streaming service gaining popularity. However, very few research efforts have been made to synthesize them that may significantly improve the streaming performance. In this research proposal, our data-driven studies are centered on the unique objective – the optimization of video quality of experience (QoE). To this goal, we propose to design novel resource allocation strategies at the mobile edges that are capable of performing communication, storage and computing functions. Three different datasets are analyzed: the view records collected from one of the largest content providers in China, the bus mobility dataset in a metropolitan area, and the view switching trace of multi-view video streaming services. Firstly, we mine the view records, and construct a set of statistical models and prediction algorithms. Secondly, according to the characteristics of user behavior, we design the data-driven resource allocation strategies, and the joint caching and transcoding algorithms at the mobile edge, respectively. Thirdly, we model the bus mobility pattern at representative scenarios, and design the time/location aware video delivery algorithms at road-side units. Lastly, we design a novel view rendering selection algorithm for multi-view video streaming service that achieves the optimal tradeoff between the video quality and the view switching delay. Our approach utilizes the view switching data collected from field experiments and the optimal decision theory.

当前的移动视频流媒体服务呈现三个新特点：海量用户行为数据协助视频分发、边缘缓存促使内容接近用户、新型流媒体业务开始流行。然而现有的研究未能充分地将这些不同维度上的新特点有机结合，从而提升视频传输的性能。本项目提出了数据驱动的移动流媒体边缘分发研究，从用户视频观看记录、公交车移动、用户视角切换的三套不同的数据集出发，围绕视频流媒体的用户体验优化这一共同目标，研究移动边缘网络资源分配机制。首先，通过分析海量的用户观看记录，建立流媒体用户行为特征的统计和预测模型。其次，根据用户行为特征，利用移动边缘结点的计算、存储与通信能力，设计数据驱动的边缘结点无线资源分配、内容缓存和转码联合算法。再次，对公交车移动数据进行分析和建模，设计时间/位置感知的流媒体边缘传输算法等。最后，对新型多视角视频流的用户视角切换进行分析和建模，运用最优决策理论，设计移动边缘结点渲染和客户端渲染的最优折中算法。

目前的互联网流媒体内容分发呈现出新的特点，具体表现为数据驱动的方法日益重要和多视角虚拟现实视频日趋流行。一方面，如何有效运用视频用户行为数据、可靠运用视频播放的状态数据来优化流媒体传输成为重要的研究问题。另一方面，与传统单视角视频流相比，多视角视频在信源编码上存在不同视角的相关性、在用户行为上存在视角切换、在服务上需要感知用户位置。..本项目首先运用数据驱动的方法设计流媒体传输优化算法。通过采集视频内容商的海量用户观看记录来预测视频流行度，并将其运用至缓存算法设计中提高缓存命中率。运用深度强化学习获得视频码率切换与带宽环境的交互数据，设计基于“教师-学生”模型的训练框架，提升基于深度强化学习的视频码率切换算法的鲁棒性和尾性能。其次，本项目研究了新型多视角视频的传输优化方法。在多天线无线网络系统中，利用多视角视频在不同视角内容编码上的帧结构依赖性，设计天线和功率分配算法及原型系统，在保证服务质量前提下最小化传输能量消耗。建立软件定义的多视角视频流用户体验优化模型，设计基于模型预测控制的带宽分配算法并部署了原型系统，提升多流并存时的整体用户体验。设计基于马尔可夫决策过程的多视角视频码率自适应模型及其动态规划码率切换算法。再次，根据多天线无线网络信道状态信息，设计了基于入射角、发射角、飞行时间联合估计的期望最大化算法，实现分米级的室内定位精度，拟运用至位置感知的视频流媒体系统中。..在本项目的支持下，项目组成员共发表第一标注的国际国内学术论文13篇，其中包括CCF A类论文5篇（Infocom 2篇，JSAC、ToN、TMC各1篇），CCF B类论文1篇。发表于《无线电通信技术》的综述论文获评该刊2020年优秀中文论文。申请国内发明专利1项。