面向移動內(nèi)容分發(fā)網(wǎng)絡(luò)環(huán)境的移動視頻預(yù)取技術(shù)研究進展

張世行，羅雅文，張敏，孫奇福，陽小龍

（北京科技大學(xué)計算機與通信工程學(xué)院，北京 100083）

1 引言

隨著移動互聯(lián)網(wǎng)的迅速發(fā)展和移動智能設(shè)備的普及，移動用戶可以隨時隨地享受到高質(zhì)量的視頻服務(wù)。根據(jù)思科公司預(yù)測，到2022 年，全球移動數(shù)據(jù)流量每月將達到77.49 EB，其中視頻流量占比超過82%[1]，移動視頻流量的迅速增長給移動網(wǎng)絡(luò)服務(wù)質(zhì)量和用戶業(yè)務(wù)體驗帶來了巨大挑戰(zhàn)。首先，與文本等其他類型的數(shù)據(jù)相比，高質(zhì)量的視頻傳輸需要占用更大的帶寬。例如，高清視頻需要10 Mbit/s，4K 超高清視頻（3 840 dpi×2 160 dpi）需要60 Mbit/s，而8K 超高清視頻（7 680 dpi×4 320 dpi）需要的帶寬高達240 Mbit/s；其次，與電視節(jié)目等傳統(tǒng)視頻不同，移動視頻傳輸依賴于移動設(shè)備和無線網(wǎng)絡(luò)，這導(dǎo)致移動用戶更容易遇到低速率和高時延等問題。因此，如何通過無線網(wǎng)絡(luò)進行有效的內(nèi)容分發(fā)[2]，同時保證移動視頻用戶的體驗質(zhì)量（quality of experience，QoE）[3]，已經(jīng)成為眾多學(xué)者關(guān)注的焦點。

面對具有高時變性的移動網(wǎng)絡(luò)環(huán)境，移動內(nèi)容分發(fā)網(wǎng)絡(luò)（mobile content distribution network，MCDN）[4]在傳統(tǒng)內(nèi)容分發(fā)網(wǎng)絡(luò)（content distribution network，CDN）的基礎(chǔ)上將緩存節(jié)點部署至無線網(wǎng)絡(luò)中，優(yōu)化無線網(wǎng)絡(luò)和移動設(shè)備的內(nèi)容分發(fā)，從而緩解移動環(huán)境下的請求延遲問題。預(yù)取技術(shù)是在用戶請求視頻內(nèi)容之前，由靠近用戶的節(jié)點服務(wù)器主動從源服務(wù)器獲取視頻并將其存儲在緩存中，當用戶需要時便可就近獲得視頻內(nèi)容，從而減少從源服務(wù)器獲取數(shù)據(jù)產(chǎn)生的時延。然而，移動環(huán)境下的預(yù)取性能會受到諸多因素的影響，如用戶行為的隨機性、內(nèi)容預(yù)測的準確性和網(wǎng)絡(luò)資源的時變性等。MCDN 預(yù)取策略的設(shè)計需要充分考慮上述因素，以取得最佳的預(yù)取效果,保證用戶QoE。同時，隨著移動用戶需求的個性化和多樣化日益明顯，傳統(tǒng)CDN 對多樣性業(yè)務(wù)支持能力不足等問題已難以保證移動環(huán)境下的用戶體驗，加強MCDN 對多樣性業(yè)務(wù)的智能化服務(wù)能力成為MCDN 預(yù)取技術(shù)的關(guān)鍵。無線多媒體大數(shù)據(jù)包含了豐富的用戶行為、內(nèi)容特征和網(wǎng)絡(luò)動態(tài)等有價值的信息，為診斷系統(tǒng)瓶頸、設(shè)計新穎的體系結(jié)構(gòu)并優(yōu)化整體性能提供了機會。例如，可以從歷史記錄中挖掘用戶的移動訪問模式，如個人的地理位置和社交關(guān)系等，據(jù)此進行內(nèi)容預(yù)取或通過社交網(wǎng)絡(luò)進行內(nèi)容傳播。在各種人工智能應(yīng)用的推動之下，機器學(xué)習(xí)等技術(shù)成為緩解日益增長的無線視頻流量壓力的有效手段。這些智能化技術(shù)在MCDN系統(tǒng)設(shè)計、部署和優(yōu)化中的應(yīng)用，將使MCDN對多樣性業(yè)務(wù)的智能化服務(wù)能力得到大幅提升。

目前，預(yù)取技術(shù)在諸多領(lǐng)域均有應(yīng)用，有許多關(guān)于這些不同領(lǐng)域的預(yù)取技術(shù)綜述[5-7]。例如，參考文獻[5]針對Web 訪問延遲問題對Web 網(wǎng)頁內(nèi)容預(yù)取方法進行了總結(jié)。參考文獻[6]綜述了移動網(wǎng)絡(luò)環(huán)境下的Web 預(yù)取技術(shù)。參考文獻[7]對P2P 視頻點播系統(tǒng)中的各種預(yù)取技術(shù)進行了比較分析。

2 相關(guān)背景

2.1 移動內(nèi)容分發(fā)網(wǎng)絡(luò)

隨著互聯(lián)網(wǎng)的發(fā)展，用戶可以享受到高質(zhì)量的視頻服務(wù)，然而網(wǎng)絡(luò)擁塞和服務(wù)器過載已經(jīng)成為視頻內(nèi)容傳輸面臨的主要問題，CDN 的出現(xiàn)為上述問題的解決提供了有力支持。CDN 是一種構(gòu)建在互聯(lián)網(wǎng)基礎(chǔ)之上的overlay 服務(wù)網(wǎng)絡(luò)，它通過部署分布式服務(wù)器，將內(nèi)容分發(fā)到用戶附近的緩存服務(wù)器上，把用戶訪問分散到網(wǎng)絡(luò)邊緣。如果緩存服務(wù)器預(yù)先緩存了請求的內(nèi)容，則由緩存服務(wù)器將內(nèi)容傳遞給用戶。由于緩存的內(nèi)容不必再從原始服務(wù)器傳輸?shù)骄彺娣?wù)器，這將有效減輕流量負擔和網(wǎng)絡(luò)擁塞，實現(xiàn)內(nèi)容快速分發(fā)。以前的內(nèi)容分發(fā)技術(shù)都假設(shè)客戶端需求是靜態(tài)的，然而，在高度易變的移動環(huán)境中，客戶端需求和位置是實時變化的，需要更加靈活的內(nèi)容分發(fā)策略。因此，面對日益增長的移動內(nèi)容服務(wù)需求，國內(nèi)外第三方網(wǎng)絡(luò)內(nèi)容服務(wù)商（如愛奇藝、YouTube等）與移動網(wǎng)絡(luò)運營商聯(lián)手構(gòu)建了高效的移動內(nèi)容分發(fā)網(wǎng)絡(luò)，也稱為MCDN。與CDN 不同的是，MCDN 部署在無線網(wǎng)絡(luò)（如蜂窩網(wǎng)絡(luò)、Wi-Fi）范圍內(nèi)，為移動設(shè)備提供高質(zhì)量的動態(tài)數(shù)據(jù)和豐富的視頻內(nèi)容傳輸服務(wù)。

MCDN 中的網(wǎng)絡(luò)基礎(chǔ)設(shè)施包括兩個部分：有線網(wǎng)絡(luò)基礎(chǔ)設(shè)施和無線網(wǎng)絡(luò)基礎(chǔ)設(shè)施。前者是負責CDN 有線環(huán)境的基礎(chǔ)設(shè)施，它提供連接源服務(wù)器與代理服務(wù)器以及代理服務(wù)器與網(wǎng)絡(luò)設(shè)備（如路由器、基站、接入點）之間的通信鏈路。后者負責在移動CDN 的無線環(huán)境中實現(xiàn)靜態(tài)和移動用戶之間的信息傳輸。因此，用戶終端與服務(wù)器之間的通信被3 種通信流所替代：用戶終端與無線網(wǎng)絡(luò)邊緣之間的通信流、無線網(wǎng)絡(luò)邊緣與代理服務(wù)器之間的通信流和代理服務(wù)器與源服務(wù)器之間的通信流?？紤]到代理服務(wù)器應(yīng)靠近無線網(wǎng)絡(luò)邊緣，同時又伴隨著基站數(shù)量不斷增加，MCDN 需要在其基礎(chǔ)設(shè)施中部署更多的代理服務(wù)器，以便充分覆蓋移動無線基礎(chǔ)設(shè)施，同時代理服務(wù)器間相互協(xié)作。典型的MCDN 架構(gòu)如圖1 所示。

圖1 典型的MCDN 架構(gòu)

2.2 預(yù)取技術(shù)

2.2.1 基本原理

除了MCDN 的服務(wù)器部署問題之外，確定合適的內(nèi)容分發(fā)策略也很重要，緩存和預(yù)取是其中的兩種關(guān)鍵技術(shù)。緩存[8-11]通常由用戶請求驅(qū)動，當有用戶請求視頻內(nèi)容時，若代理服務(wù)器中沒有該內(nèi)容，則由代理服務(wù)器從內(nèi)容源服務(wù)器獲取該請求內(nèi)容，在發(fā)給用戶的同時將該內(nèi)容保存在緩存中，為未來相同的請求提供服務(wù)。本質(zhì)上是一種被動內(nèi)容推送方式，在互聯(lián)網(wǎng)流量不斷增長的趨勢下，這種被動的內(nèi)容分發(fā)方式將難以滿足用戶的需求。首先，當用戶第一次請求視頻內(nèi)容時，仍需從源服務(wù)器獲取，增加了視頻獲取時延。其次，若部分節(jié)點處的用戶請求較少，被動緩存將導(dǎo)致服務(wù)器節(jié)點僅緩存有限的請求內(nèi)容，使存儲空間未能得到充分利用。

預(yù)取技術(shù)本質(zhì)上是一種主動內(nèi)容拉取，其核心思想是由節(jié)點服務(wù)器提前從源服務(wù)器處獲取用戶還未請求過的視頻內(nèi)容，以期加速用戶對于內(nèi)容的獲取。預(yù)取技術(shù)要求系統(tǒng)具有預(yù)測和推斷未來事件的能力，包括對用戶移動位置的預(yù)測以及用戶將要請求內(nèi)容的推斷等。預(yù)取技術(shù)的引入，使得服務(wù)器節(jié)點可以先驗地緩存部分內(nèi)容，解決了被動緩存的滯后問題；此外，即使在用戶請求較少的區(qū)域，服務(wù)器節(jié)點也可以主動緩存用戶可能需要的內(nèi)容，避免節(jié)點處大量緩存空間閑置，使有限的網(wǎng)絡(luò)資源得到充分利用。預(yù)取流程如圖2 所示，首先，系統(tǒng)中的每個用戶都被賦予獨一無二的UID（user identification，用戶身份證明），管理器根據(jù)用戶的歷史位置信息和請求信息確定預(yù)取位置、時間及內(nèi)容，并將這些信息告知用戶將要到達的基站判斷是否需要進行預(yù)取操作。若該基站已緩存該內(nèi)容，則不需進行預(yù)??；若尚未緩存，則可進行預(yù)取操作。當收到視頻請求時，若緩存命中或預(yù)取命中，則用戶可直接從基站處獲取信息從而縮短響應(yīng)時間，若緩存或預(yù)取均未命中，則仍需從源服務(wù)器獲取該內(nèi)容。

圖2 預(yù)取流程

2.2.2 性能評估指標

預(yù)取的目的在于如何提升網(wǎng)絡(luò)資源利用效率，同時保證用戶QoE。因此，本節(jié)將從網(wǎng)絡(luò)資源利用率和用戶QoE 保證兩個角度闡述如何評價預(yù)取方法的性能，如圖3 所示。

圖3 預(yù)取技術(shù)性能評估指標

基于網(wǎng)絡(luò)的評估指標主要有帶寬成本、負載公平、能量開銷和存儲空間使用率。帶寬成本定義為預(yù)取技術(shù)消耗的多余帶寬與不采用預(yù)取技術(shù)消耗的帶寬之比。由于用戶請求的視頻內(nèi)容具有多樣性，為了提高預(yù)取效率需要進行頻繁的預(yù)取操作，這將會消耗大量額外的帶寬，高效的預(yù)取策略應(yīng)減少不必要的帶寬消耗。負載公平用來衡量網(wǎng)絡(luò)中節(jié)點之間資源和數(shù)據(jù)的分配是否公平，它還有助于識別重載節(jié)點。保證網(wǎng)絡(luò)中的負載公平不僅能夠平衡網(wǎng)絡(luò)節(jié)點間的傳輸速度和帶寬增益，還可以提高資源利用率。低功耗是內(nèi)容分發(fā)的主要目標之一，而傳輸和讀寫數(shù)據(jù)是能量消耗的主要原因。因為內(nèi)容存儲在更接近用戶的地方，采用預(yù)取技術(shù)便可以顯著減少傳輸能量。然而，在讀取或?qū)懭腩A(yù)取內(nèi)容時也要消耗能量，并且，活躍內(nèi)容的數(shù)量越多，讀寫數(shù)據(jù)越頻繁，能量消耗也就越多。因此，需要對預(yù)取產(chǎn)生的能量開銷和取得的收益進行權(quán)衡。存儲空間使用率定義為預(yù)取內(nèi)容占全部存儲空間的比率。該指標越高，便能在有限的存儲空間中預(yù)取更多視頻數(shù)據(jù)，從而滿足更多用戶的需要，因此，應(yīng)盡量提高該指標的值，保證存儲空間得到充分利用。

基于用戶QoE 的評估指標主要有預(yù)取命中率、預(yù)取準確率、預(yù)取命中距離和響應(yīng)時延。用戶請求的視頻內(nèi)容可以在預(yù)取位置找到即命中，否則為未命中。預(yù)取命中率定義為可以服務(wù)的請求數(shù)與請求總數(shù)之間的比率，命中率越高，越有助于減少時延，用戶體驗也就越好。預(yù)取準確率定義為預(yù)取內(nèi)容中被用戶訪問的內(nèi)容數(shù)量與所有預(yù)取內(nèi)容之比。提高預(yù)取準確率有助于減少網(wǎng)絡(luò)資源的浪費，因此，這也是評估預(yù)取性能的一個重要指標。代理服務(wù)器之間的協(xié)作有助于緩解網(wǎng)絡(luò)擁塞，這使用戶可以從附近節(jié)點處獲取視頻內(nèi)容，由此便衍生出預(yù)取命中距離的概念。預(yù)取命中距離可表示為響應(yīng)用戶請求的節(jié)點到該用戶所經(jīng)過的節(jié)點數(shù)，更短的命中距離意味著更少的請求時延。響應(yīng)時延是指從用戶發(fā)出請求到視頻開始播放的時間間隔，減少響應(yīng)時延對保證用戶QoE 尤其重要。

3 移動視頻預(yù)取技術(shù)

根據(jù)預(yù)取時關(guān)注對象的不同，本節(jié)將從用戶、內(nèi)容和網(wǎng)絡(luò)3 個角度對近年的移動視頻預(yù)取技術(shù)的研究成果進行綜述，把移動視頻預(yù)取技術(shù)分為基于用戶移動行為感知的視頻預(yù)取技術(shù)、基于內(nèi)容屬性感知的視頻預(yù)取技術(shù)和基于網(wǎng)絡(luò)資源感知的視頻預(yù)取技術(shù)。

3.1 基于用戶移動行為感知的視頻預(yù)取技術(shù)

隨著移動通信技術(shù)的飛速發(fā)展，越來越多的人選擇在私家車、公共汽車或火車上通過移動設(shè)備享受視頻服務(wù)，而移動過程中的網(wǎng)絡(luò)狀況是不穩(wěn)定的，這將影響到用戶的視頻觀看體驗[12]。參考文獻[13]中的實際測量表明，移動視頻傳輸受到用戶移動行為的嚴重影響。因此，基于用戶移動行為感知的視頻預(yù)取技術(shù)研究具有重要意義，用戶移動行為的高度可預(yù)測性[14]也為移動環(huán)境下的視頻預(yù)取提供了機會。

用戶移動行為模式與用戶歷史軌跡密切相關(guān)，通過對用戶的歷史位置信息進行收集和處理并由此建立用戶移動模型，對用戶移動行為的研究具有重要意義。參考文獻[15]構(gòu)建個體用戶移動模型來捕捉用戶行為，并利用用戶移動性進行預(yù)取。運營商預(yù)測某個時間段某個內(nèi)容將在某個地點有很高的需求，同時還預(yù)測哪些用戶可能會在這個時間段出現(xiàn)在該地點，隨后，運營商將這些數(shù)據(jù)預(yù)取至這些用戶的設(shè)備中。該方案同時與D2D（device to device）通信[16]相結(jié)合，使這些用戶能夠?qū)⒁勋@取的數(shù)據(jù)傳送給周圍的其他用戶。結(jié)果證明了用戶移動性的利用有助于減輕熱門位置的網(wǎng)絡(luò)擁塞，降低運營商服務(wù)成本。但該方案僅考慮了個體用戶的移動性，而個體用戶較強的隨機性給移動模型的構(gòu)建帶來了困難，并且每個用戶都處于社交網(wǎng)絡(luò)之中，因此，充分利用群體用戶的社交特性有助于避免個體移動隨機性帶來的影響。參考文獻[17]利用群體移動模型預(yù)測流行內(nèi)容的傳播，據(jù)此進行移動視頻的預(yù)取。與傳統(tǒng)方案相比，該方案可以顯著提高預(yù)取命中率，與基于流行度的預(yù)取技術(shù)相比命中率提高了近20%，與隨機預(yù)取技術(shù)相比提高了近30%。但該方案忽略了用戶的個性化需求，需要一種既能滿足用戶個性化需求又能充分利用群體用戶相似性特征的移動視頻預(yù)取方案，這可作為未來的研究方向。

利用用戶移動行為信息進行移動位置的準確預(yù)測是提高預(yù)取命中率的關(guān)鍵。移動位置預(yù)測通常涉及一個離散時間系統(tǒng)，需要設(shè)計以時間序列為輸入的移動位置預(yù)測算法。傳統(tǒng)的機器學(xué)習(xí)預(yù)測方法，如指數(shù)平滑法和基于馬爾可夫模型的算法，由于其高效、簡單和低計算成本的優(yōu)勢，在預(yù)測問題中得到了廣泛應(yīng)用。然而，它們的局限性也很明顯，指數(shù)平滑方法只適用于穩(wěn)定的輸入，基于馬爾可夫模型的預(yù)測只能檢索序列的短期相關(guān)性[18]。已有研究證明，深度學(xué)習(xí)方法，如RNN（recurrent neural network）[19]、 LSTM（long short-term memory）[20]網(wǎng)絡(luò)和GRU（gated recurrent unit）[21]網(wǎng)絡(luò)等，在預(yù)測方面可以達到很好的效果[22]。其中，由于LSTM 具有記憶能力，可以學(xué)習(xí)觀測值之間的時間依賴關(guān)系，因此，能夠在挖掘用戶移動行為規(guī)律方面取得很好的效果。參考文獻[23]提出了一種針對移動通勤用戶的短視頻推薦和預(yù)取方案，使用LSTM 作為移動位置預(yù)測算法來預(yù)測用戶將要到達的下一個基站，提高了預(yù)測精度。該方案能夠有效地推薦短視頻和預(yù)測用戶軌跡，在合適的參數(shù)設(shè)置下可以得到較高的性能，當設(shè)置為30 個節(jié)點3 層時，召回率可達100%。

參考文獻[24]指出，用戶傾向于觀看社交媒體上朋友和家人共享的視頻，即用戶容易受到在線社交網(wǎng)絡(luò)（online social network，OSN）的影響，因此，一些研究者進一步考慮了OSN 中的移動視頻預(yù)取方案。由于社交網(wǎng)絡(luò)能夠提供豐富的用戶信息，如瀏覽歷史和社交關(guān)系，已有許多研究者利用這些信息進行用戶與視頻之間的相關(guān)性分析[25-27]，例如，在他們的社交網(wǎng)絡(luò)中，關(guān)系密切的用戶很可能有相似的興趣愛好，觀看相似的視頻。參考文獻[28]中提出了一種聚類潛在偏差模型，通過大量的數(shù)據(jù)分析研究了社會關(guān)系對訪問行為的影響，然后使用k-means 算法將用戶劃分為不同的組，推導(dǎo)出每個視頻的單擊分數(shù)，并在此基礎(chǔ)上提出了一種自適應(yīng)預(yù)取算法。該方案的平均預(yù)測精度為84.5%，可在較低的蜂窩數(shù)據(jù)成本和能源消耗情況下，顯著降低訪問時延。然而，用戶的社交網(wǎng)絡(luò)關(guān)系到隱私問題，未來的預(yù)取方案應(yīng)對用戶隱私加以保護?，F(xiàn)有的方案利用社交信息和瀏覽歷史來推薦視頻，卻很少解決用戶是否會觀看某個視頻的預(yù)測問題，如果視頻沒有被觀看，預(yù)取無用的視頻顯然是浪費資源的。參考文獻[29]提出了一種基于社交和內(nèi)容感知的預(yù)測方法，探討了用戶活躍度、用戶的社交關(guān)系、視頻相似度、用戶興趣、視頻流行度5 個因素在視頻預(yù)取時對預(yù)測準確性的影響，從而預(yù)測一個視頻是否會被用戶觀看，以便在線社交網(wǎng)絡(luò)中有效地傳輸視頻內(nèi)容。

綜合上述分析，基于用戶移動行為感知的移動視頻預(yù)取技術(shù)研究及其優(yōu)缺點見表1。

表1 面向有限網(wǎng)絡(luò)資源的視頻預(yù)取技術(shù)的優(yōu)缺點

3.2 基于內(nèi)容屬性感知的視頻預(yù)取技術(shù)

有效預(yù)取的一個關(guān)鍵問題是：確定哪些視頻內(nèi)容是值得預(yù)取的。每個區(qū)域中節(jié)點服務(wù)器的數(shù)量和存儲能力都是有限的，并且需要為大量的本地用戶服務(wù)。預(yù)取過多用戶訪問不到的內(nèi)容反而會給網(wǎng)絡(luò)帶來負擔，如冗余數(shù)據(jù)占據(jù)存儲空間、頻繁刪除消耗能量及帶寬資源等。因此，視頻內(nèi)容的準確預(yù)測是預(yù)取技術(shù)的關(guān)鍵?；趦?nèi)容屬性感知的視頻預(yù)取技術(shù)研究集中在內(nèi)容流行度和用戶對內(nèi)容的偏好程度兩個方面。

根據(jù)Zipf 分布，少數(shù)流行內(nèi)容被大部分的用戶請求[30]，因此，預(yù)取流行的視頻內(nèi)容可以獲得優(yōu)異的性能。然而，視頻流行度不是固定不變的，隨著時間的推移，網(wǎng)絡(luò)中新出現(xiàn)的視頻可能發(fā)展為流行視頻，過去流行的視頻也將不再流行[31]。過去和未來的流行度之間的高度相關(guān)性表明歷史信息可以反映視頻未來的流行趨勢[32-33]，因此，視頻流行度是可預(yù)測的，理想的流行度預(yù)測算法必須快速，并提供準確的預(yù)測，以確保正確的預(yù)取決策的執(zhí)行[34]。基于內(nèi)容流行度的時間相關(guān)性，參考文獻[35]通過構(gòu)建時間序列預(yù)測模型來預(yù)測內(nèi)容的受歡迎程度，并以此作為預(yù)取的依據(jù)，該方案在上下文敏感的內(nèi)容上表現(xiàn)優(yōu)異，然而，在與上下文無關(guān)的內(nèi)容上表現(xiàn)較差，只適用于與時間高度相關(guān)的內(nèi)容。參考文獻[17]中提出了基于人群移動的流行度預(yù)測方案，該方案將每個時間段的預(yù)取問題表述為背包（back-packing）問題，其目的是最大化流行度與內(nèi)容大小比。參考文獻[36]中提出了一種基于張量學(xué)習(xí)的AP（access point）輔助視頻預(yù)取方案，首先將視頻流行特征表示為矩陣分解問題，然后用關(guān)聯(lián)矩陣來預(yù)測下一時間段視頻的受歡迎程度。該方案使預(yù)取命中率和準確率得到有效提升。與基于奇異值分解的預(yù)取策略相比，命中率提升10%，準確率提升15%；與基于歷史的策略相比，命中率提升40%，準確度提升20%。然而，由于AP 與視頻關(guān)系是隨時間變化的，因此需要在每個時間段都進行矩陣分解，這帶來了巨大的計算成本。一般情況下，上述方法在AP 端預(yù)取需求內(nèi)容，由于實現(xiàn)和維護成本較高，可能會帶來可擴展性差的問題；此外，在AP 端頻繁替換預(yù)取內(nèi)容很容易耗盡AP 資源，從而影響預(yù)取性能。參考文獻[37]提出了一種云端CDN 數(shù)據(jù)分析體系結(jié)構(gòu)，采用基于k-means 算法的非監(jiān)督式學(xué)習(xí)機制來預(yù)測視頻流行度，可達到99.8%的準確率。該架構(gòu)也可以應(yīng)用于許多其他的方向，比如異常檢測和數(shù)據(jù)挖掘等。參考文獻[38]提出了基于學(xué)習(xí)的流行度預(yù)測方案，同時指出預(yù)取與緩存結(jié)合的方案性能最優(yōu)，但未給出具體的仿真結(jié)果。

雖然視頻內(nèi)容流行度是設(shè)計預(yù)取策略時的一個重要參考依據(jù)，但它始終面向所有用戶，由于不同的用戶有不同的偏好，人們往往會選擇自己最感興趣的而非最流行的內(nèi)容進行觀看。因此，若能通過挖掘用戶偏好，對具有不同興趣的用戶提供個性化的預(yù)取，必將會給用戶帶來較好的視頻觀看體驗。參考文獻[39]提出通過用戶宣布他們在不久的將來觀看哪些視頻，從而實現(xiàn)有針對性的預(yù)取，所提方案的命中率與LRU（least recent used）策略相比提高了54%。但這種方案可用性較差，因為用戶對視頻的觀看通常是隨機的，很少提前告知要觀看的內(nèi)容。為了應(yīng)對用戶觀看行為的隨機性，參考文獻[40]提出在視頻時間軸中插入書簽和預(yù)取狀態(tài)的預(yù)取方案，通過調(diào)整用戶界面，引導(dǎo)用戶觀看已預(yù)取過的內(nèi)容，從而降低訪問時延。但該方案很難滿足用戶按照自己的喜好觀看視頻的需求。

與用戶偏好密切相關(guān)的一個問題是推薦問題，推薦系統(tǒng)是當前解決推薦問題的非?；钴S的研究課題，已被視頻網(wǎng)站廣泛采用。它根據(jù)特定用戶歷史觀看記錄和與其他視頻的關(guān)系來評估量化該用戶對某視頻的興趣度，將具有最高“評分”的項目推薦給用戶。目前常用的推薦算法有協(xié)同過濾推薦[41]、基于內(nèi)容的推薦算法[42]和混合推薦算法[43]等。參考文獻[44]設(shè)計了一種基于流量模式和客戶端行為的預(yù)取系統(tǒng)，使用協(xié)同過濾算法，根據(jù)用戶相似度為用戶預(yù)測視頻，但是，預(yù)取性能與內(nèi)容特征是密切相關(guān)的，當內(nèi)容更加個性化時，使用該方案實現(xiàn)預(yù)測就變得更加困難。同時，傳統(tǒng)的推薦系統(tǒng)面臨數(shù)據(jù)稀疏和冷啟動等問題。深度學(xué)習(xí)方法采用多源異構(gòu)數(shù)據(jù)作為輸入，并通過端到端模型自動訓(xùn)練預(yù)測模型，從而緩解傳統(tǒng)推薦系統(tǒng)的問題，提高推薦系統(tǒng)的性能。參考文獻[23]提出了一種基于深度學(xué)習(xí)的數(shù)據(jù)推薦和預(yù)取方案，利用深度學(xué)習(xí)的方法設(shè)計了一個短視頻推薦模型，并用該模型來學(xué)習(xí)用戶的偏好，該方案能夠快速且高效地獲得用戶的興趣，并將首選的短視頻內(nèi)容推送到用戶最可能連接的基站。

以上討論了單視點視頻的預(yù)取，隨著移動視頻技術(shù)的不斷發(fā)展，多視點視頻的訪問需求也日益增多。與傳統(tǒng)的單視點視頻相比，多視點視頻將占用更多的存儲空間和帶寬資源，這無疑給移動視頻的預(yù)取帶來了更大的挑戰(zhàn)。參考文獻[45]研究了5G 網(wǎng)絡(luò)中多視點視頻的主動緩存問題，將多視點視頻的主動緩存系統(tǒng)建模為一個結(jié)合視圖選擇和局部內(nèi)存分配的Markov 決策過程，提出了一種基于深度強化學(xué)習(xí)的主動緩存策略。當視圖數(shù)增加時，該方案與隨機視圖選擇方案相比具有更加穩(wěn)定的性能。然而，該方案未能考慮移動環(huán)境下有限的帶寬資源對系統(tǒng)性能的影響，未來可以結(jié)合網(wǎng)絡(luò)可用性對多視點視頻的預(yù)取做進一步的研究。

綜合上述分析，基于內(nèi)容屬性感知的移動視頻預(yù)取技術(shù)研究及其優(yōu)缺點見表2。

表2 基于內(nèi)容屬性感知的移動視頻預(yù)取技術(shù)的優(yōu)缺點

3.3 基于網(wǎng)絡(luò)資源感知的視頻預(yù)取技術(shù)

在用戶移動過程中，無線鏈路狀態(tài)的不斷變化嚴重影響視頻服務(wù)質(zhì)量，研究者提出在波動的網(wǎng)絡(luò)條件下通過自適應(yīng)傳輸方式動態(tài)調(diào)整視頻質(zhì)量。自適應(yīng)傳輸可以實現(xiàn)在不同的片段之間切換視頻分辨率，客戶端通過對自身歷史網(wǎng)絡(luò)性能的感知進行分辨率的調(diào)整[46]。為了更好地適應(yīng)不同的終端性能或網(wǎng)絡(luò)性能，將自適應(yīng)傳輸與預(yù)取技術(shù)融合將有利于應(yīng)對無線鏈路波動帶來的問題。參考文獻[47]提出在網(wǎng)絡(luò)中部署一個服務(wù)控制器來監(jiān)控流量特性，并向用戶終端發(fā)送關(guān)于視頻質(zhì)量的建議，但這項工作未涉及預(yù)取。在上述研究工作的基礎(chǔ)上，參考文獻[48]提出了在無線接入點部署預(yù)取代理，它能夠監(jiān)控骨干網(wǎng)和無線信道的流量情況，這些信息用于決定下一段的預(yù)取質(zhì)量，然而，它一次只預(yù)取一個段，這很難保證視頻的不間斷播放。參考文獻[49]同樣提出了一種基于代理的預(yù)取方案，不同的是，它可以每次預(yù)取一段，也可以預(yù)取n段，但要預(yù)取的段數(shù)都是固定的，這種固定的預(yù)取策略在網(wǎng)絡(luò)波動較快的環(huán)境中并不能很好地執(zhí)行。針對上述問題，參考文獻[50]提出了一個可以動態(tài)調(diào)整預(yù)取段數(shù)的自適應(yīng)段預(yù)取方案，但該方案未在時變的移動網(wǎng)絡(luò)條件下測試。參考文獻[51]提出了一種基于上下文感知的自適應(yīng)視頻預(yù)取方案，該方案能夠根據(jù)用戶和網(wǎng)絡(luò)上下文實時動態(tài)地調(diào)整預(yù)取策略。隨著人工智能技術(shù)的發(fā)展，學(xué)者們將機器學(xué)習(xí)等思想引入預(yù)取方案中。為確保當前帶寬條件下熱點內(nèi)容的最高質(zhì)量，參考文獻[52]提出了一種基于熱點感知的視頻傳輸系統(tǒng)來實現(xiàn)視頻預(yù)取，通過構(gòu)建一個經(jīng)驗學(xué)習(xí)的級聯(lián)神經(jīng)網(wǎng)絡(luò)模型，解決了網(wǎng)絡(luò)波動情況下的熱點內(nèi)容預(yù)取時機的研究難題。與普通塊比特率相比，該方案使熱點塊的平均比特率提高了14.31%，顯著提升了用戶QoE。參考文獻[53]提出了一種基于學(xué)習(xí)的智能預(yù)取方案來改進自適應(yīng)視頻流的傳輸，通過面向QoE 的深層神經(jīng)網(wǎng)絡(luò)模型做出預(yù)取決策。與僅緩存、全預(yù)取和緩存與預(yù)取結(jié)合等方案相比，所提方案比最優(yōu)的緩存與預(yù)取結(jié)合的方案在平均比特率方面提升41.1%，從而保證最佳的預(yù)取性能。

盡管無線服務(wù)供應(yīng)商竭力升級基礎(chǔ)設(shè)施并增加頻譜來應(yīng)對網(wǎng)絡(luò)上的負載特性，但隨著移動網(wǎng)絡(luò)對視頻流服務(wù)需求的不斷增長，無線鏈路容量仍遠遠不能滿足移動網(wǎng)絡(luò)日益增長的業(yè)務(wù)需求。流量需求與鏈路容量之間的矛盾導(dǎo)致視頻流服務(wù)質(zhì)量較差，間歇性的中斷和長時間的緩沖時延現(xiàn)象頻繁發(fā)生。目前的解決方案是利用非高峰時段的可用帶寬來預(yù)取視頻內(nèi)容。參考文獻[54]的研究表明，移動網(wǎng)絡(luò)上的流量在一天中并不是均勻分布的，可用帶寬在2:00—5:00 增加，在6:00—20:30 減少，從20:30 開始逐漸增加，針對這種現(xiàn)象，文中提出了一種時移預(yù)取方案，它在網(wǎng)絡(luò)連接的非高峰時期進行預(yù)取操作，有效緩解高峰時段的帶寬壓力。該算法可以使高峰時段的用戶流量減少34%，然而，采用上述方案的弊端在于難以保證預(yù)取內(nèi)容的時效性。

由于存儲空間的限制，必須考慮預(yù)取內(nèi)容的更新替換問題。目前，已經(jīng)有一些成熟的緩存替換策略來處理這一問題，比如LRU 和LFU（least frequently used）[55]，但LRU 需要進行從頭到尾的大規(guī)模遍歷，LFU 雖克服了LRU 的缺點，但容易導(dǎo)致舊數(shù)據(jù)的積累。為更好地權(quán)衡預(yù)取和緩存替換策略之間的關(guān)系，并優(yōu)化緩存替換效果，參考文獻[56]在考慮網(wǎng)絡(luò)和存儲資源的基礎(chǔ)上，通過建立預(yù)取和緩存的效用函數(shù)，構(gòu)造統(tǒng)一的緩存替換策略。并將其總結(jié)為一個移動感知預(yù)取和緩存替換優(yōu)化問題，利用一組背包約束條件，將優(yōu)化問題轉(zhuǎn)化為整數(shù)線性規(guī)劃問題，提出了一種高效的動態(tài)規(guī)劃算法，該策略可以有效地度量緩存和預(yù)取視頻的價值，提高存儲單元的使用率和緩存命中率，與LRU、LFU 算法相比，緩存命中率可分別提升15.72%和23.24%，但動態(tài)規(guī)劃算法對計算空間需求非常高。近年來，云計算技術(shù)憑借其良好的可擴展性及強大的計算和處理能力，也致力于為互聯(lián)網(wǎng)用戶提供更好的視頻流服務(wù)[57-58]。參考文獻[59]基于云計算技術(shù)提出了一個兩階段的更新方案來處理短期內(nèi)容傳輸和長期緩存更新的混合時間最優(yōu)化問題，該方案提高了存儲空間利用率且明顯降低了長期功耗。

綜合上述分析，基于網(wǎng)絡(luò)資源感知的視頻預(yù)取技術(shù)研究及其優(yōu)缺點見表3。

表3 基于網(wǎng)絡(luò)資源感知的視頻預(yù)取技術(shù)的優(yōu)缺點

3.4 移動視頻預(yù)取技術(shù)的總結(jié)

以上從3 個角度介紹了移動視頻預(yù)取技術(shù)的研究現(xiàn)狀，包括基于用戶移動行為感知的預(yù)取、基于內(nèi)容屬性感知的預(yù)取和基于網(wǎng)絡(luò)資源感知的預(yù)取。下面將對3 種技術(shù)進行優(yōu)缺點分析和總結(jié)。

基于用戶移動行為感知的預(yù)取技術(shù)通過對用戶的歷史位置信息進行收集和處理，從而實現(xiàn)移動位置的準確預(yù)測，以提高節(jié)點的服務(wù)質(zhì)量。同時，考慮到用戶易受社交網(wǎng)絡(luò)的影響，根據(jù)用戶之間的社交關(guān)系來預(yù)測用戶的訪問行為，更有助于提高預(yù)取命中率。該技術(shù)充分考慮到用戶移動行為對移動視頻預(yù)取的影響，滿足了用戶在移動環(huán)境下的視頻觀看需求，但用戶移動本身的隨機性給移動行為的準確預(yù)測增加了困難，同時，用戶信息的獲取也對用戶隱私產(chǎn)生威脅?；趦?nèi)容屬性感知的預(yù)取將部分流行度高的內(nèi)容或用戶偏好的內(nèi)容預(yù)取到邊緣節(jié)點上，從而提高用戶的訪問質(zhì)量，該方法給用戶訪問提供了更精確的服務(wù)，但同時數(shù)據(jù)挖掘技術(shù)的引入又給節(jié)點帶來了大量的運算開銷?；诰W(wǎng)絡(luò)資源感知的預(yù)取能夠根據(jù)網(wǎng)絡(luò)條件制定不同的預(yù)取策略，能夠顯著提高網(wǎng)絡(luò)資源的利用率，但網(wǎng)絡(luò)資源自適應(yīng)的預(yù)取策略往往以犧牲視頻質(zhì)量為代價，難以滿足用戶對高質(zhì)量視頻的觀看需求。

以上均是從用戶、內(nèi)容和網(wǎng)絡(luò)3 種不同角度進行的獨立分析，然而，實際應(yīng)用場景相對復(fù)雜，僅僅考慮其中的某一個因素很難達到良好的預(yù)取效果，將不同的屬性相結(jié)合的預(yù)取方式可以在很大程度上提高預(yù)取性能。例如，基于用戶移動行為和基于內(nèi)容偏好相結(jié)合的預(yù)取方式，先通過用戶歷史軌跡信息預(yù)測移動位置，隨后根據(jù)用戶偏好信息將用戶最感興趣的內(nèi)容預(yù)取至該節(jié)點，該方案可以在提高移動環(huán)境下的預(yù)取命中率的同時滿足用戶的個性化觀看需求；基于內(nèi)容屬性和基于網(wǎng)絡(luò)資源感知的預(yù)取方式，先根據(jù)用戶需求確定預(yù)取內(nèi)容，隨后根據(jù)網(wǎng)絡(luò)條件動態(tài)調(diào)整預(yù)取視頻的數(shù)量和大小，該方案可在提高網(wǎng)絡(luò)資源利用率的同時保證用戶QoE。綜上所述，根據(jù)不同的應(yīng)用場景制定合適的預(yù)取策略有助于預(yù)取性能得到更好的提升。

4 未來研究方向

盡管預(yù)取技術(shù)已經(jīng)為減少訪問時延、提升用戶QoE 做出巨大貢獻，但仍有問題值得探討。本節(jié)將從用戶、內(nèi)容和網(wǎng)絡(luò)（網(wǎng)絡(luò)能耗優(yōu)化、異構(gòu)網(wǎng)絡(luò)協(xié)同預(yù)取）這3 個角度分別闡述目前預(yù)取技術(shù)存在的問題，并指出未來的研究方向。

（1）基于用戶隱私保護的預(yù)取

為了更好地了解用戶，預(yù)取需要收集大量的用戶信息，得到的數(shù)據(jù)越豐富，預(yù)測結(jié)果越準確，預(yù)取性能也越好，然而，這將對用戶隱私產(chǎn)生威脅。例如，預(yù)取通過對用戶偏好的獲取為每個用戶提供更準確的個性化服務(wù)，而特有的偏好與社交關(guān)系等信息的結(jié)合，使得惡意用戶能夠通過網(wǎng)絡(luò)信息識別出某個特定的用戶，從而對其造成傷害。在制定預(yù)取策略時，很少有研究者考慮到用戶的隱私保護問題。差分隱私[60]作為一種新興的機制，在不影響整體數(shù)據(jù)特征的情況下，通過擾動已發(fā)布的數(shù)據(jù)來阻止輸出的準確推斷，成為解決隱私問題的一個有效解決方案。在未來的研究中，可以考慮在預(yù)取中引入差分隱私技術(shù)來保護用戶隱私。

（2）基于內(nèi)容預(yù)測誤差修正的預(yù)取

內(nèi)容的準確預(yù)測是保證預(yù)取命中率的關(guān)鍵，不準確的預(yù)測難以滿足用戶需求，也對網(wǎng)絡(luò)資源造成浪費，然而許多因素會導(dǎo)致預(yù)測結(jié)果不理想，如用戶行為的隨機性、計算資源的有限性等。針對各種信息預(yù)測的不確定性問題，一種可能的解決方案是進行魯棒優(yōu)化[61]。為了設(shè)計能夠處理不確定性的魯棒算法，需要建立適當?shù)念A(yù)測誤差模型[62]，預(yù)測誤差是指預(yù)測值與實際值的差。通過預(yù)測誤差的修正可以提高預(yù)測算法準確率，從而大大提升預(yù)取性能。

（3）基于網(wǎng)絡(luò)能耗優(yōu)化的預(yù)取

預(yù)取技術(shù)可以顯著降低網(wǎng)絡(luò)時延，提高內(nèi)容的可用性，但預(yù)取過程中的網(wǎng)絡(luò)能耗是不可忽視的。一方面，為了減少下載時間將內(nèi)容預(yù)取至靠近用戶的位置，會導(dǎo)致存儲成本的增加，預(yù)取至稍遠的位置可以避免過多的存儲，卻增加了傳輸成本；另一方面，基于人工智能技術(shù)的預(yù)取機制可以幫助內(nèi)容按需傳輸，然而智能算法復(fù)雜度的提升將會導(dǎo)致計算成本的增加。因此，有必要對預(yù)取性能的提升及其帶來的網(wǎng)絡(luò)能耗加以權(quán)衡?，F(xiàn)有的研究往往只關(guān)注于提升預(yù)取性能而忽略網(wǎng)絡(luò)能耗的問題。目前已有研究者對網(wǎng)絡(luò)能耗模型的構(gòu)建展開了大量研究，參考文獻[63]中對近年來數(shù)據(jù)中心能耗模型的研究進行了總結(jié)，在未來的研究中可將能耗模型引入預(yù)取，以期在提升預(yù)取性能的同時實現(xiàn)網(wǎng)絡(luò)能耗的優(yōu)化。

（4）基于異構(gòu)網(wǎng)絡(luò)的協(xié)同預(yù)取

未來的移動通信網(wǎng)絡(luò)將是基于宏基站與低功率小型基站實現(xiàn)信號覆蓋的融合Wi-Fi、5G、LTE、UMTS 等多種接入技術(shù)的異構(gòu)網(wǎng)絡(luò)。為了使網(wǎng)絡(luò)中的傳輸功率和能量最小化，利用多個基站協(xié)作預(yù)取視頻內(nèi)容是未來解決預(yù)取問題的一個重要研究方向。當用戶發(fā)來請求時，若當前基站未預(yù)取該視頻，則可從附近的其他基站進行傳輸，若其他基站也未預(yù)取，則通過回傳鏈路傳輸，基站間的協(xié)作將大大降低中心網(wǎng)絡(luò)的回傳壓力。然而，異構(gòu)網(wǎng)絡(luò)概念的提出，在顯著提高頻譜效率、增加系統(tǒng)容量的同時，也帶來了一系列的問題，比如小區(qū)間的干擾變得更加嚴重，用戶在小區(qū)間的頻繁切換給移動性管理引入了額外的開銷，基站之間負載不平衡問題變得更加突出等。移動網(wǎng)絡(luò)環(huán)境的異構(gòu)性導(dǎo)致了視頻預(yù)取技術(shù)的復(fù)雜性，在未來的研究中需要考慮同時考慮干擾管理、移動性管理、負載均衡等各個方面。

5 結(jié)束語

本文從用戶、內(nèi)容和網(wǎng)絡(luò)3 個角度對近年來移動視頻預(yù)取領(lǐng)域的研究成果進行綜述，并將預(yù)取技術(shù)總結(jié)為基于用戶移動行為感知的預(yù)取、基于內(nèi)容屬性感知的預(yù)取和基于網(wǎng)絡(luò)資源感知的預(yù)取。預(yù)取機制可以顯著提升用戶QoE，但仍然面臨諸多問題。在未來的研究中，預(yù)取技術(shù)可以在用戶隱私保護、內(nèi)容預(yù)測誤差修正、網(wǎng)絡(luò)能耗優(yōu)化和異構(gòu)網(wǎng)絡(luò)的協(xié)作預(yù)取等方向取得突破，使預(yù)取性能得到更好的提升。