播放行为驱动的网络视频分发模型及相关算法研究

As the internet and multimedia technology are developing rapidly, network video service is becoming more and more popular. Facing massive users and higher definition videos, the key problem of the video service providers is how to effectively deliver the videos to users. At the same time, users' behaviors (such as access pattern, video popularity and switching mode) are becoming increasly impact on the quality of video service. However, the lack of thesis analysis of viewing behavior, current video delivery model and algorithm can't optimize the video storage and retrieval accordingly. And it's difficult for the video service system to self-adapt dynamically to the changing environment. In light of this, our former research has analyzed more than 6 billion records of 1.9 million users, and the future research will try to model the video delivery based the viewing behavior. Our project will study how to model and predict the users viewing behavior, and propose a joint optimal strategy for content providers and internet service providers. The joint optimal strategy based on the user's viewing behavior driven, uses the dynamic programming to achieve the best performance of cooperative caching, server selection and traffic engineering. Our method, which can optimize the data storage and reduce network traffic, expects to respond effectively to the challenge of massive users.

随着网络视频业务的飞速发展与普及，面对激增的用户和向高清发展的媒体内容，如何高效地进行视频分发，成为网络视频产业面临的关键问题。同时，海量视频用户的播放行为（如访问模式、视频热度、服务跳转模式等），对网络视频分发系统日益产生重大的影响与冲击。然而，由于缺乏对播放行为特征的理论分析和综合考虑，现有的网络视频分发服务无法采取有针对性的存储、调度策略，难以有效应对动态变化的播放环境。针对于此，在前期对某省网络视频系统播放行为分析与建模的基础上（190万用户连续150天超过60亿条播放记录），本项目将播放行为特征引入网络视频分发的建模与优化。首先研究用户播放特征预测算法，在此基础上，针对网络视频服务的不同系统角色，提出播放行为特征驱动的协同缓存、服务器选择和流量工程的联合建模与优化算法，提升系统动态服务性能，有效地应对海量用户动态行为对视频分发服务的挑战！

本项目名为“播放行为驱动的网络视频分发模型及相关算法研究”，主要研究将播放行为特征引入网络视频分发的建模与优化中。针对网络视频服务的不同类型和不同系统角色，提出融合用户播放行为特征的协同缓存、服务器选择和流量工程的联合建模与成本优化，提升系统动态服务性能，有效地应对海量用户动态行为对视频分发服务的挑战。.网络视频服务类型可分为点播视频服务（VoD）和直播视频服务（Live）。对于VoD点播视频服务，内容提供商会设立缓存服务器来缓存一些热门资源；随后建立点播覆盖网来分发服务器上资源。首先对缓存服务器的缓存策略进行研究，比较不同缓存算法的效果并给出一种缓存替换策略。随后对覆盖网的成本模型进行研究，提出一种VoD覆盖网的成本优化算法。算法融合了服务器的缓存策略特征、用户的播放行为特征等因素，通过变量松弛和线性规划对模型进行求解，再使用随机取整选取可行解并给出最优解间距。算法还使用聚类方法对大规模VoD数据进行加速计算。实验表明该算法能有效降低VoD覆盖网的成本。.和VoD点播视频类似，内容提供商会使用直播覆盖网来分发Live直播视频。为此，提出一种针对多源多频道的视频直播覆盖网成本模型和相应成本优化算法。模型融合了用户播放行为特征，链路带宽成本以及直播视频特有的低延迟约束和不可缓存特征。算法采用分治思想划分子问题，随后使用贪心算法和凹规划技术进行优化求解。特别地，当节点数据规模庞大时，算法中凹规划矩阵求解缓慢。因此，提出一种基于分治思想的大规模矩阵计算加速算法用于凹规划求解。.上述VoD模型和Live模型均为参数固定模型。当参数改变时，需要使用优化算法重新计算并构建网络。此时网络为动态网络，具有额外的时间成本和通信成本。为此，研究对动态网络的成本优化进行研究，并提出基于“分簇”和基于“即时路径”的成本优化算法。算法均经过严格的理论证明且实验结果进一步表明其具有良好的成本优化效果。