面向视频点播业务的推荐式无线边缘缓存理论与方法

Video-on-demand (VoD) service is the dominant traffic source of mobile communication systems. Utilizing the plasticity of user behaviors for VoD service, this project introduces recommendation system into wireless edge caching system aimed at proactively guiding user behavior, so as to reduce the uncertainty of user behavior, increase the concentration of video requests, improve the accuracy of popularity prediction, and thus enhance the performance of wireless edge caching. The project will explore the usage of wireless edge storage and computing resources optimized for quality of experience (QoE) of users, and investigate the conversion relationship between storage, computing and communication resources. Given the group and individual recommendation, the project will model and analyze the mechanism of recommendation system affecting video popularity, and propose recommendation based video popularity prediction methods. Considering the interaction between recommendation system and wireless edge caching, the joint optimization of QoE oriented recommendation method and caching strategy will be investigated. The project will build a recommendation assisted wireless edge caching system over the campus network, based on which we will analyze the video request behavior of users and perform technical verification and performance evaluation. The results of the project will provide theoretical foundation and technical support on the design of network structure and transmission strategies for future mobile communication systems.

本项目针对移动通信系统的主流业务—视频点播（VoD）业务，利用VoD业务用户行为的可塑性，将推荐系统引入无线边缘缓存系统，通过积极引导用户行为来降低用户视频请求行为的不确定性，增强用户视频请求的集中性，提高视频流行度预测的准确性，进而提升无线边缘缓存系统的性能。项目将研究面向用户体验质量（QoE）优化的无线边缘存储和计算资源利用机制及其传输资源之间的转换关系；对推荐系统影响视频流行度的机制进行建模分析，针对群体性和个性化推荐提出基于推荐的视频流行度预测方法；考虑推荐系统与无线边缘缓存之间的互动性，研究面向用户QoE的推荐方法和缓存策略的联合优化；依托校园网络，搭建推荐式无线边缘缓存系统，分析用户视频请求行为，并进行技术验证和性能评估；为未来移动通信系统网络架构和传输模式设计奠定理论基础、突破关键技术。

本项目针对视频点播业务，旨在研究面向用户体验质量（QoE）优化的无线边缘存储和计算资源利用方法及其传输资源之间的转换关系，揭示视频推荐对用户请求行为的影响机制，提出推荐策略和边缘缓存策略的联合优化方法，搭建视频请求数据采集平台和推荐实验平台，为项目研究和性能评估提供数据支持，为未来移动通信系统传输模式设计和无线边缘资源有效利用奠定理论基础。..我们考虑了视频播放质量、初始缓冲时延、卡顿次数、卡顿时长对用户QoE的影响，优化了视频的缓存比例、缓存码率和初始缓冲时长；针对具有多个清晰度版本的视频，提出了视频缓存、转码与传输策略，分析了存储、计算和传输资源的转换关系；针对主动式VR视频传输，优化了视点预测、渲染计算和传输时长，得到了计算和通信资源相互转换的条件和转换方式；针对视频流行度非理想预测的问题，提出了主动式与被动式混合缓存策略。..我们基于采集的用户视频请求数据，分析了视频群体性推荐对用户请求行为的影响，提出了基于因子分解机的用户请求概率预测模型；设计完成了个性化推荐实验，基于实验数据分析了个性化推荐对用户请求行为的影响，排除了针对推荐式缓存技术的若干质疑；提出了视频推荐策略与缓存策略的联合优化方法，相对于无推荐缓存以及推荐与缓存独立优化，可有效提高平均分流概率；针对VR视频，提出了基于用户视线引导的推荐式传输方法，提高多用户观看视野的集中度，增加多播传输机会。..我们搭建了多个网络和用户数据采集和处理平台，获得了典型视频网站的用户请求行为数据集和推荐实验数据集，其中部分数据集已在线公开；基于建立的实测数据集，评估了主动式边缘缓存和多播技术对于VoD业务的分流增益；基于建立的Wi-Fi数据集，分析得到了设备直连（D2D）用户邻居数服从离散Gamma分布，在此基础上优化了D2D概率缓存策略；基于完成的个性化推荐实验数据，评估了三种推荐式缓存策略的性能，验证了推荐式缓存的性能优势。