基于多區域多目標優化算法的廣播流媒體直播仿真

沈中元

(青海省廣播電視信息網絡股份有限公司，青海 西寧 810000)

0 引言

隨著移動網路的快速發展，全球IP流量達到4.8ZB，而移動數據的流量占比超過20%，其中流媒體直播更是現代移動數據使用的主導[1]。流媒體技術從最早的RTSP(Real time Streaming Protocol)協議到現階段的超文本傳輸，使得視頻質量得到了快速的提高和發展[2-3]。相對于傳統的點播視頻時代，現代的流媒體直播等業務對于視頻的延時和卡頓有著非常嚴格的要求。點播時代的視頻內容是可以在播放之前短時間的存儲于服務器上，在播放的過程中可以有選擇的指定播放內容[4]。而現階段的流媒體直播是實時的在線觀看，不能任意地選擇直播的內容也不能對直播的內容進行快進和后退等操作[5-6]。

國內外學者針對廣播流媒體直播的算法仿真有過很多研究[7-9]。陳曉兵[10]分析了現代數字廣播的特點，提出了可視化的流媒體直播平臺設計方案。魏雪飛等[11]結合現在的一些主流網絡直播技術分析了HLS流媒體直播技術在現代廣播電視網絡直播中的應用和發展。本文主要結合多區域多目標優化算法對廣播流媒體直播進行仿真，分析其算法的實際應用價值。

1 多區域多目標優化算法

在實際生活中往往會碰到各種需要優化的問題，而多目標的優化占了很大的比例[12]。多區域多目標優化算法屬于搜索算法的一種，其主要的優點是能夠通過不同的選擇將不同的個體進行同時優化，最終產生一組相似解。

針對一個最小化的多區域多目標優化問題可以定義為式(1)。

miny=F(x)=(f1(x),f2(x),…,fm(x))T

s.t.gi(x)≤0,i=1,2,…,q

hj(x)=0,j=1,2,…,p

(1)

式中,x=(x1,x2,…xn)T∈X∈Rn、x和X分別為決策的變量、決策變量的取值范圍；y=(y1,y2,…ym)T∈Y∈Rm、y和Y分別為m維的目標變量、目標變量的域；gi(x)≤0,i=1,2,…,q、hj(x)=0,j=1,2,…,p分別為不等式的范圍、等式的決策變量。

為了能夠更好地了解多區域多目標優化算法的求解模式，本文從可行性解、解集、支配關系等多個定義方面進行分析。

可行性解的定義：當上式中的決策變量滿足式1的條件時，則可以確定x即為一個可行解。

可行解集的定義：可行解組成的合集為可行解集，即Xf，且Xf?X。

支配關系的定義：當兩個向量(u=(u1,u2,…,un)T、v=(v1,v2,…,vn)T)之間的關系是uv，則兩者之間為支配關系，滿足式(2)。

?i∈(1,2,…,m),μi≤vi且?j∈(1,2,…,m),μj≤vj

(2)

2 系統模型

2.1 廣播流媒體直播場景描述

廣播流媒體直播的框架結構包含：主播端、轉碼器、設備端和顯示器等。完整的媒體直播過程為：終端設備通過視頻流的方式將錄制好的視頻轉碼到相應的服務器，轉碼器針對視頻制作不同的碼率然后分發到各個CDN模塊，智能顯示設備會像CDN模塊發送拉流的請求，CDN模塊決定視頻的選擇和去向，由觀看端的網速來決定視頻的實時質量。具體的廣播流媒體直播流程圖如圖1所示。

圖1 直播流程圖

多區域多目標優化算法布置在廣播流媒體人直播的客戶端，通過此算法能夠為客戶選擇最合適的碼率。客戶端請求視頻傳輸的過程如圖2所示。

圖2 客戶端請求下載塊的過程

在流媒體直播的過程中，多區域多目標優化算法能夠根據當前的客戶端網絡狀況對碼率進行篩選，之后系統的終端會向視頻服務器發送拉流的請求，最終視頻內容會以塊的形式去下載對應的碼率。

與傳統的點播相比較，直播對于時間的延續有著很嚴格的要求。如果流媒體直播過程中緩沖的時間過長，用戶的觀看體驗會存在很大的差距。如果流媒體直播過程中緩沖時間過短，視頻內容在短時間內又會發生卡頓現象。于是，廣播流媒體直播出現了快慢播和跳幀兩種時延機制。其中快慢播是指視頻直播過程中為了避免卡頓，在緩沖的視頻即將耗盡時，此時系統自動觸發慢播模式；而當緩沖區的時間很充足時，觸發系統的快播模式。跳幀是指系統默認按一定的順序下載幀，當發生卡頓現象時直播視頻會出現時延。

2.2 仿真環境

本文選擇仿真環境對直播系統進行實驗研究。仿真環境能夠在十分鐘內完成實際幾小時的直播視頻播放，提高實驗的效率。本文選擇的直播視頻仿真環境來源于智能網絡競賽Altrans，其主要是由視頻源數據集合、網絡(network)數據集合和SIM組成。本系統的運行環境為python 3。該系統的仿真器結構如圖3所示。

圖3 仿真器SIM結構圖

仿真器SIM結構中的視頻源(video trace)主要作用記錄不同場景下視頻的幀的信息。然后針對不同的碼率進行對應的編碼。本文選擇的仿真器是幀級別的，可以將不同的視頻文件分割為不同的幀。具體的視頻源的存儲格式如表1所示。

表1 視頻源的存儲格式

仿真器SIM結構中的network trace是指手機在不同網絡環境下收集的網絡信息數據集,格式如表2所示。

表2 網絡信息數據集

本文的仿真器主要是模擬強、中、弱的網絡環境。

3 仿真及分析

本文分析的基于多區域多目標優化算法的廣播流媒體直播仿真主要包含：多區域直播算法、多目標流媒體直播測試。

3.1 多區域多目標優化算法仿真實驗

通過模擬不同區域管理員在同一時間段對同一終端的應急直播反應可以很好地反映本文中提到的多區域多目標優化算法的優勢。同時，通過比較順序分發算法和多目標優化算法在應急流媒體直播中的等待時間來判斷優劣。本文引進加權截止期保證率(WGR)來反應不同算法的優化情況。其計算式如式(3)。

(3)

圖4 不同算法在不同任務個數的WGR

不同算法在不同緊急任務個數的平均等待時間如圖5所示。

圖5 不同算法在不同緊急任務個數的平均等待時間

從圖4中可以看出：兩種不同的算法在同一時間段內隨著直播任務的個數增加，基于多區域多目標優化算法的下降幅度較小。從圖5中可以看出：在同一時間段內，隨著直播任務的增加，兩種不同算法的等待時間都有所增加。基于多區域多目標優化算法的增長幅度較小，則表明其能夠針對緊急任務進行優先處理，在性能上能夠保持一定的優勢。

3.2 多目標廣播流媒體直播仿真測試

本文采用云服務器構建仿真環境，主要包含廣播流媒體直播系統、流媒體直播服務器和廣播終端。實際的多端直播和多終端直播仿真測試結果如圖6所示。

圖6 多端直播和多終端直播仿真測試

從圖6中可以看出：當向服務器發送的直播客戶端小于30個時，服務器基本穩定；當接收的直播客戶端超過30個時，此時的服務器平均帶寬明顯下降，并出現不穩定性能；當直播客戶端超過60個時，此時的不穩定連接的比率大于30%。

4 總結

廣播流媒體直播已經慢慢成為現代視頻直播的首選，本文針對廣播流媒體的直播進行了仿真，基于多區域多目標優化算法分析了不同算法對于廣播流媒體直播的效果對比。仿真及分析結果表明：本文分析的多區域多目標優化算法能夠在解決多用戶對同一終端直播的實時性問題，實現快速的多區域多目標的視頻直播。