本文是一篇计算机论文，在本文中，我们分析了直播视频的特性和局限性，讨论了MEC对直播视频传输的优势，提出一种基于边缘计算的直播视频预缓存策略，优化用户观看体验，使得用户能够快速获取想要观看的内容，利用MEC的有限资源降低用户初始启动延迟。
1 绪论
1.1 研究背景及意义
随着4G/5G移动网络技术的进步和智能移动设备的普及，视频应用已经成为网络流量最大的应用。在视频流服务中，直播视频由于许多原因变得越来越流行，例如直播平台的爆炸性增长，其具有高娱乐价值和密集的实时社交互动能力[1]。视频目前占互联网流量的70%以上。根据思科报告的预测结果表示到2022年，82%的互联网流量将由视频构成，而实时视频流将占互联网流量的17%[2]。与点播视频不同的是，直播视频的实时交互性是其关键一环，观看直播的用户希望能及时与直播者进行互动。因此，对于实时流媒体，用户对端到端（或屏幕到屏幕）视频延迟更为敏感，即从视频场景发生到用户在屏幕上看到视频场景的时间间隔。这需要良好的网络状况进行支持，同时也给网络带宽带来了极大的压力。
QoE是一种以用户认可程度为标准的服务评价方法，直接反映了用户在一定客观环境中对适用的服务或业务的整体认可程度[3]。为了提供高水平的用户体验质量，视频需要以高速流传输，同时避免视频冻结并将速率波动降至最低。为了在动态网络条件下实现这些目标，视频点播（Video of Demand, VoD）流媒体解决方案，如HTTP上的动态自适应流媒体（MPEG-DASH）[5]和HTTP实时流媒体（HTTP Live Streaming, HLS）[6]，将视频片段预取到10到30秒或更长的视频缓冲区中，以保持连续平滑的视频播放，HTTP自适应比特流[7-10]以提供流畅的播放体验和高质量的视频，并提高网络资源利用率。Adzic和Akhshabi等人[11-13]提高HTTP ABR流媒体服务的性能，目的是优化服务质量（Quality of Service, QoS）（例如，减少端到端延迟、更好的缓冲区管理、带宽节约或更高的资源利用率）。
....................
1.2 国内外研究现状
1.2.1 边缘计算
移动边缘计算的兴起是由于云计算服务的不足，在万物互联时代，传感器、智能手机和智能家居等设备的广泛应用，它们所产生的海量数据和其应用服务的低时延、高可靠性级数据安全的特点，使得集中式处理模型的传统的云计算面对海量数据难以满足当前需求。传统的云计算将海量数据存储在云中心，云计算中心虽然有超强的计算能力，但面对近几年的数据爆发式增长，传统云计算处理数据压力日益增大，集中式计算和存储压力逐渐增大。此外，庞大的用户终端所产生的海量数据在传统云计算的上传过程中需要大量的网络带宽资源，且存在很多终端设备和服务需要完成实时交互，从云中心请求获取资源将会极大提升用户的交互延迟，降低用户体验。
为解决上述问题，面向边缘设备所产生的海量数据计算的边缘计算模型应运而生。移动边缘计算是在网络边缘执行计算的一种新型计算模型，边缘计算即面向万物互联的边缘设备，也面向云中心服务器。边缘计算并不是将原本上传至云中心的数据全部改成上传至边缘服务器，边缘计算与云中心是相辅相成的，边缘计算帮助云中心减轻部分存储和计算压力，此外，边缘计算还可以降低云计算中心存在的隐私数据处理风险。同样的，边缘计算也可以依托云中心的强大计算和存储能力访问资源。
边缘计算作为一种新型计算模型，边缘计算在2015年以前都处于原始技术积累阶段，2015年后的两年时间才被业内熟知，获得关注度后边缘计算相关论文倍数增长并在2018年开始稳健发展。这一时期开始边缘计算参与者基本覆盖了计算机领域的方方面面，包括云计算公司、硬件厂商、CDN公司、通信运营商、科研机构和产业联盟开源社区等。
..........................
2 相关理论简介
2.1 直播视频传输基本描述
随着网络性能的不断提升和移动设备的普及，使得用户直播或观看直播更加的便捷与简单，只需要一台手机就能完成直播或观看直播。直播视频的需求也越来越大，用户观看的直播视频类型包括电商带货直播、游戏直播以及受到疫情影响而需求激增的视频会议。网络直播视频服务再视频流量中占据的比重也越来越重。
在边缘计算环境下的直播的流程图如图2.1所示。整个直播由五个部分组成，分别是主播方、直播服务器、核心网络、业务服务端、播放端。主播方是实时直播视频内容的生产者和上传者，主播方通过直播设备如手机、电脑等来产生视频数据，并将采集到的视频进行一系列处理，然后将视频结果编码压缩成可传输的视频流后上传到主播方所在的MEC服务器上。MEC服务器再将视频源数据上传到核心网络进行分发。当由播放端发出观看直播视频请求时，目的MEC向CDN网络请求视频后发送给播放端。目的MEC还可以实现实时转码功能。
计算机论文参考
.......................
2.2 自适应算法介绍
自适应码率技术在视频传输方面被广泛应用，当前的热门视频网站将相关的技术应用于点播视频内容的传输，随着直播视频的兴起，直播视频内容相关方面的研究也逐渐被注意。自适应算法的基本原理是在核心网络中存储每个视频的各个码率版本，这些视频内容都被分成视频块，当客户端发起某个视频的某个码率的请求，服务器接收请求后将对应的视频块内容传输给客户端，客户端将视频块缓存在本地缓冲区。
缓冲区随着播放进度被消耗，如果用户当前的下载速率与码率不匹配，导致发生卡顿，此时采用自适应算法对于提升用户体验质量是一个很好的解决方案。对于自适应决策算法的相关研究也逐渐被重视。
Huang[52]等人提出了一种基于缓冲区完成自适应决策的算法。他们针对网络波动大，网络吞吐量难以预测这一特性，当直接进行预测时，会发生较大的误差，他们的目标就是解决预测不准确时产生的错误。
对此，他们提出一种通过根据发现缓冲区的动态变化，发现当前选择的视频播放码率与网络吞吐量之间的关系来解决这一问题。其基本原理是将缓冲区占用度分成几个不同的等级，分别对应选择不同码率的时机，如当前缓冲近乎为空时，此时客户端应选择播放较低码率来保证视频的流畅度，若当前缓冲区几乎被占满，则选择高码率视频。假设当前只有四个可供选择的视频码率版本，该方法的视频码率决策如图2.2所示。
计算机论文怎么写
.........................
3 移动边缘计算环境下直播视频的预缓存策略 ............................ 19
3.1 直播预缓存策略的动机 ................................... 19
3.2 预缓存策略 ...................................... 20
4 基于深度强化学习的直播视频ABR策略 ........................... 33
4.1 直播视频ABR算法动机 ................................. 33
4.2 直播视频ABR策略 ..................................... 34
5 总结与展望 .............................. 46
4 基于深度强化学习的直播视频ABR策略
4.1 研究直播视频ABR算法动机
直播视频的传输与点播视频不同之处在于直播视频是实时生成的，用户发送直播视频请求相应码率的视频内容后从服务器获取对应的最新的视频片段。在发送视频过程中会由于各种因素，如用户方网络不稳定或者服务器资源有限等问题导致用户在观看请求的视频时获取视频内容失败。这对用户来说，尤其是观看直播这类实时产生内容的视频来说无疑是致命的。
不同于点播视频内容，当发生网络波动时，用户在等待网络状况转好之后仍可从中断处继续观看甚至可以往前回放。由于直播视频的实时性，用户需要获取的也是最新的视频内容，当遇到传输困境时，为尽量减少视频中断，系统可以根据网络条件及时调整或者预测调整视频码率，完成码率自适应切换，而不是等发生视频中断后依赖用户手动切换视频码率，这对用户的观看体验的提升是极大的。现有的研究也随着直播形式多样化和火爆程度而更加注重对用户观看体验的提升，如多流互动直播的传输控制[47]和自适应播放[50]，以及对直播视频的自适应优化[48-49]。
在移动设备或者无线场景下的网络波动的发生是复杂的，难以预测的，这使得直播视频内容的码率自适应也因此面临极大的挑战，经典的解决方案是依靠提前准备好的缓冲，来处理网络波动所带来的问题，即在发生网络波动之前用提前准备好的缓冲块去应对出现网络低估的平滑问题。这需要提前为抖动变化预留缓冲，但若预测发生误差较大，选择较高的视频码率发生抖动时，未来全部选择低码率也可能会发生视频卡顿。所以若能更加准确的预测发生抖动对用户的观看体验的提升有着极大的帮助。
...........................
5 总结与展望
在本文中，我们分析了直播视频的特性和局限性，讨论了MEC对直播视频传输的优势，提出一种基于边缘计算的直播视频预缓存策略，优化用户观看体验，使得用户能够快速获取想要观看的内容，利用MEC的有限资源降低用户初始启动延迟。并对两种策略在相同的环境下的性能进行了分析和比较，验证了本方案的有效性。
此外，我们也很关注用户在观看过程中的用户体验，发现并分析了用户之间的观看直播视频中的需求差异及其所带来的影响，并针对这种差异结合深度强化学习方法完成码率自适应策略，通过实验证明本方案有效提升了用户在观看过程中的用户体验质量。本文的创新点主要包括以下几个方面。
（1）在预缓存策略方面，本文提出一种在边簇网络协作架构下的基于用户偏好的直播视频预缓存方案。在MEC边簇协作网络架构下，利用边簇协作提高MEC资源利用率，优化整体资源分布。该方案综合考虑了用户观看直播视频的类型偏好及行为偏好，分析每隔视频在MEC中预缓存的需求，提高MEC的资源分配效率。与其他方案相比，在降低用户观看直播视频的初始启动延迟和缓存命中率方面都有很大的提升。
（2）在用户观看直播视频过程中，本文提出一种基于用户需求差异的自适应方案。该方案在用户需求个性化自适应决策方面表现更优。该方案可以根据用户的对于直播内容的需求不同，帮助用户自动选择想要获取的视频内容，在不同的网络波动情况下进行码率自适应决策，提高用户观看体验。
参考文献（略）