关键词:
移动边缘计算
资源管理技术
移动视频业务
虚拟现实技术
凸优化
摘要:
随着通信技术的进步,以4K/8K高清视频、虚拟现实(Virtual Reality,VR)和增强现实(Augmented Reality,AR)等应用为代表的移动视频业务蓬勃发展,移动视频流量急剧增加,给移动网络带来了沉重的负担。移动视频业务具有时延敏感、计算密集以及数据量巨大的特征,对移动网络的计算、缓存和通信能力提出了更高的要求。传统中心式网络架构因其回程链路拥堵、响应时延长等弊端,难以满足上述移动视频业务低时延、高计算以及大带宽的需求。移动边缘计算(Mobile Edge Computing,MEC)作为一种新型范例被引入到移动视频业务的性能优化中,旨在通过将计算能力与缓存单元下沉至靠近移动用户的边缘节点来缓解网络压力,降低视频内容响应时延,提高用户体验质量(Quality of Experience,QoE)。在MEC网络中,科学管理和合理分配网络资源,是满足各类移动视频应用服务需求的有效手段。由于MEC网络中各类资源之间存在复杂的依赖和耦合关系,单独优化某一资源的管理方案并不能使网络性能得到明显提升。因此,非常有必要对计算、缓存和通信等多维资源联合优化的资源管理技术进行深入研究。针对MEC网络中移动视频业务存在的时延长、网络开销大以及用户QoE要求高等问题,本文结合不同移动视频业务的特点,分别研究了面向视频点播业务、可移动VR游戏业务以及交互式全景VR视频业务的多维资源联合管理方案。针对视频点播业务的时延优化问题,提出一种时延感知的自适应视频流转码方案。首先,将MEC技术和自适应码率(Adaptive Bitrate,ABR)视频流技术引入到视频点播业务中,通过在网络边缘提供内容缓存和视频转码服务,减轻回程链路压力,提升网络性能。其次,在考虑当前网络环境和用户设备性能的基础上,提出一种用户接入、带宽分配以及缓存放置等多策略联合优化的视频转码方案,并以最小化用户端到端时延为目标,将该方案建模为一个非凸的组合优化问题。再次,为了降低求解复杂度,将原始问题划分为两个子问题,分别利用方向交替乘子算法(Alternating Direction Method of Multipliers,ADMM)和模拟退火算法(Simulated Annealing,SA)进行求解。最后,仿真结果表明,所提方案可以降低用户端到端时延,避免视频卡顿、加载缓慢等问题,从而为用户提供流畅的视频观看体验。针对可移动VR游戏的网络开销优化问题,提出一种渲染感知的VR服务模块动态放置方案。首先,将MEC技术引入到可移动VR业务中,并建立MEC网络中面向可移动VR游戏的网络开销模型,该模型中包含渲染成本、通信成本以及VR服务模块放置和迁移成本。其次,在考虑边缘节点资源有限性和用户移动性的基础上,将VR服务模块动态放置方案建模为一个高阶非凸的最优化问题,通过联合优化各时隙内的渲染、存储和用户接入策略,以及相邻时隙间的服务模块迁移方案,最小化长期网络开销。再次,为了解决上述问题,提出了一种基于最大流-最小割理论与凸优化的两阶段迭代算法来求解目标函数。最后,仿真结果证明,所提方案可以在满足用户端到端时延约束的基础上,最小化总体网络开销。针对交互式全景VR业务的用户QoE优化问题,提出一种基于视点(Field of View,FoV)预测的瓦片复用方案。首先,将MEC技术和瓦片技术引入到交互式全景VR业务中,通过在网络边缘提供计算和缓存服务,以及降低所需传输的视频数据量,有效降低了用户的运动到呈相(Motion to Photon,MTP)时延。其次,为降低计算冗余和提高资源利用率,将瓦片复用方案建模为一个混合整数非线性规划问题,通过联合优化缓存、渲染和用户接入策略,最大化MTP时延约束下的总体用户QoE。再次,为解决这一问题,利用带有门控循环单元(Gated Recurrent Unit,GRU)架构的神经网络(Recurrent Neural Network,RNN)模型,动态地预测用户在下一时隙的FoV,并在预测结果的基础上,利用基于强化学习的近端策略优化算法(Proximal Policy Optimization,PPO),最大化总体用户QoE。最后,仿真结果表明,该方案在提高总体用户QoE和降低MTP时延方面优于其他方案。