算力網絡支撐下的泛在化視頻傳輸調度

張旭光 陳鳴鍇 魏 昕

（南京郵電大學通信與信息工程學院 南京 210003）

（寬帶無線通信與傳感網技術教育部重點實驗室（南京郵電大學）南京 210003）

（xwei@njupt.edu.cn）

隨著電子技術、網絡技術以及信息技術的發展，視頻已成為網絡承載的主要流量[1]. 尤其在近幾年，受新型冠狀病毒肺炎（corona virus disease 2019，COVID-19）疫情的影響，線上辦公、視頻會議已成為人們工作的常態. 短視頻業務、視頻廣告、視頻游戲等也已滲透入人們生活的方方面面. 正在涌現的自動駕駛、遠程手術、虛擬現實（virtual reality，VR）、增強現實（augmented reality，AR）、混合現實（mixed reality，MR）等應用均離不開高質量視頻通信的技術加持. 毫不夸張地說，5G 賦能下的視頻通信技術已經改變了人類社會.

現如今，視頻通信的發展呈現3 個特點：

1）視頻質量大幅提升，視頻數據量呈指數級增長. 720p，1080p，4K 分辨率的視頻服務已經普及，8K及以上分辨率視頻通信技術也早已實現. 視頻幀率也從滿足人類最基本視覺暫留效應的30 fps 提升至60 fps，90 fps 乃至120 fps，以提供更加優質的視頻交互體驗，如大型視頻游戲、多視點賽事直播、VR、AR 交互等. 據統計，一場多視點的體育賽事直播每小時會產生超過7 GB 的數據量，VR 或AR 應用所需的帶寬預計超過25 Mbps，8K UHD 超高清流媒體對單個用戶的容量要求更是高達100 Mbps[2]. 如此龐大的視頻數據量無疑會急劇加重網絡的傳輸負擔，僅通過傳統方式提供視頻服務將使核心網無法承載.

2）視頻服務更加多元化，視頻形式更加多樣化.除了傳統不同質量的視頻并存于網絡之外，新興的360°全景視頻[3]、多視點視頻[4]涌現，并可用于支持AR，VR，MR 類應用. 此外，同一視頻內容支持多種視頻呈現形式，以滿足不同用戶的不同服務需求. 例如一場體育賽事直播，既要向上支持360°全景、多視點等形式的沉浸式體驗服務，又要向下兼容不同分辨率的視頻流媒體服務，以適應不同用戶的差異化觀看場景.

3）視頻服務趨于泛在化，視頻內容提供商趨向“草根”化. 網絡技術的發展和智能終端的普及，推動了多媒體業務的廣泛推廣. 近年來，視頻已成為人們獲取信息的主要載體. 尤其是抖音、騰訊、Instagram等短視頻應用的高度流行[5]，為人們提供隨時隨地視頻服務接入的同時，用戶本身也成為了視頻內容的創作者和提供商. 這一方面導致移動數據流量的爆炸式增長，給底層移動網絡帶來了巨大的壓力. 另一方面，這對傳統集中式的網絡構架提出了挑戰. 如果集中式地處理泛在化的視頻內容，不僅會導致龐大的用戶接入量難以協調的問題，而且會引入額外的回程延時，降低視頻應用的服務質量.

在此激勵下，算力網絡（computing power network）[6]應運而生. 為應對無處不在的網絡連接，算力網絡將動態分布的計算與存儲資源互聯，通過網絡、存儲、算力等多維度資源的統一協同調度，使海量應用能夠按需、實時調用泛在分布的計算資源，實現連接和算力在網絡的全局優化，提供一致的用戶體驗[7]. 總體而言，算力網絡旨在將網絡中動態分布的計算、存儲、通信等網絡資源統一管理并充分利用，將服務的提供方式由集中式的統一供應轉換為分布式的云、邊、端協作. 這一方面可以提升網絡可用資源的總量，卸載核心網的負載，另一方面可以使“服務提供商”更靠近用戶，降低服務延時. 因此算力網絡適用于對網絡資源需求大的業務，如超算和大型渲染、人工智能、自動駕駛、和區塊鏈應用等. 尤其是高質量、泛在化的視頻業務，如智能安防、云VR/AR、超高清視頻、云游戲、元宇宙等.

然而，將算力網絡應用于泛在化視頻業務中仍然面臨挑戰：算力網絡試圖開發動態分布的網絡資源以提升網絡性能，然而“碎片化”是這類網絡資源的主要特征之一. 例如，智能終端和多接入邊緣計算（multi-access edge computing，MEC）服務器中的計算和存儲資源，雖分布廣泛，但其密集程度仍無法與云中心相比. 當處理資源密集型的視頻業務時，資源分布“碎片化”與資源需求“密集型”之間的矛盾存在如何協調的問題. 為了解決這個問題，本文提出一種算力網絡支撐下的視頻傳輸調度方案，如圖1 所示. 具體包含3 個主要貢獻：

1） 提出了一種層次化視頻編解碼模型，通過視頻主成分提取和消除，提供一種獨立-可伸縮的視頻解構和重構方案，便于在算力網絡中靈活傳輸；

2） 基于內容分布的全局觀測和最大化內容部署的增益度，設計視頻內容的按需部署策略，提升視頻內容的命中率從而提升碎片化網絡資源的利用率；

Fig.1 Ubiquitous video communication model supported by the computing power network圖1 算力網絡支撐下的泛在化視頻通信模型

3） 基于業務的差異化指標約束，設計傳輸鏈路的有效吞吐量模型，并設計基于有效吞吐量的鏈路選擇算法，提升視頻傳輸效率.

1 相關工作

無線網絡中的視頻傳輸需要傳輸碼流具有對無線信道的適應性. 由于易于部署和擴展，目前流行的流媒體業務大都基于超文本傳輸協議（Hyper Text Transfer Protocol，HTTP）的自適應流媒體[8]（HTTP adaptive streaming，HAS）進行視頻傳輸. HAS 的基本思想是通過存儲若干個不同質量的視頻版本來適應網絡環境. 客戶端依據網絡環境和自身需求，自主選擇合適的視頻碼率版本進行傳輸，從而達到網絡自適應的目的. 諸如Adobe 公司的Adobe HTTP Dynamic Streaming、蘋果公司的Apple HTTP Live Streaming、微軟公司的Microsoft Smooth Streaming，以及HTTP動態自適應流（dynamic adaptive streaming over HTTP，DASH）都是流行的HAS 協議. 以DASH[9]為例，它支持不可伸縮的或可伸縮的視頻表征方法. 不可伸縮的方法即預先存儲或實時地將視頻轉碼為多種質量的視頻碼流，然后根據需要發送合適的版本給客戶端. 顯然，這種方法依賴視頻轉碼或者視頻聯播技術的支持. 實時的視頻轉碼需要視頻服務器強大的計算能力支持，而預先存儲多個視頻質量版本的視頻聯播技術顯然會耗費視頻服務器大量的存儲空間.因此這種方案的部署依賴強大的計算、存儲中心支持，無法從根本上緩解算力網絡資源“碎片化”與視頻業務資源需求“密集型”之間的矛盾.

從碼流結構上入手，將資源需求“密集型”的視頻業務解構為多任務協作是一種提升“碎片化”網絡資源的有效方法. 例如通過利用可伸縮視頻編碼（scalable video coding, SVC）技術來適配網絡資源和業務需求，便可提升視頻傳輸的靈活性. DASH 中的可伸縮方法[10]即為一種典型的應用. 該方法通過預先將視頻編碼為若干個視頻層，視頻服務器依據網絡條件發送給客戶端不同數量的視頻層數據以實現視頻恢復質量的可伸縮性和對網絡的適應性. 由于SVC 可以通過分層編碼實現一次編碼、多種解碼，從而無需服務器存儲多個視頻質量副本或轉碼，很大程度上降低了承擔視頻服務器的負擔（例如一些智能終端設備就可以為其它設備提供視頻內容）. 此外，不僅僅是DASH 方案支持可伸縮的視頻表征，基于SVC 的可伸縮視頻流在異構網絡（heterogeneous networks, HetNets）[11-13]、設備到設備（device-to-device,D2D）網絡[14-16]、MEC 支持的蜂窩網絡[17-18]中的傳輸問題也引起了廣泛關注. 此類研究中，為了發揮SVC在靈活傳輸中的優勢，一個核心問題是如何部署視頻的緩存副本提升用戶設備請求視頻的命中概率.根據相關研究，視頻的受歡迎程度通常在很大程度上影響視頻的部署，例如基于視頻內容的受歡迎程度通常呈現Zipf[19]分布的現實，在網絡中緩存Zipf偏度參數較高（代表了視頻請求的集中程度高）的視頻內容，會使得視頻內容的命中率得以提升. 但這種方法同時也會導致無效緩存的問題，亟待進一步研究解決.

借鑒以上研究的經驗，本文著重研究算力網絡中的泛在化視頻調度問題. 但不得不解決2 個問題：1）SVC 的天生屬性使得其上層數據的解碼嚴重依賴底層數據，這種設計的初衷是提升視頻編碼的效率，但卻也使得其碼流結構不夠靈活，將其直接應用于資源碎片化分布的算力網絡中時，其性能優勢難免受到抑制；2）基于Zipf 分布的視頻內容部署是從概率角度緩存可能會被請求的視頻內容，難免與用戶的實際請求不符，造成無效緩存的問題，進而浪費網絡資源. 鑒于此，本文從層次化的視頻編碼入手，解決視頻流對算力網絡的適應性問題，促進網絡資源的靈活調度. 在此基礎之上，以視頻內容的按需部署和網絡資源的按需調度，提升視頻業務的適應性和“碎片化”網絡資源的利用率.

綜上所述，泛在化視頻業務的高效調度一方面需要通過將資源“密集型”的視頻傳輸任務分解，從而開發算力網絡中碎片化的網絡資源，緩解爆炸式增長的視頻流量對核心網的沖擊；另一方面需要借助算力網絡提供的算力支撐，實現視頻內容的精準部署和網絡資源的高效調配，在確保視頻業務服務質量的同時，兼顧視頻業務的多樣性特點和無線網絡的動態性特征.

2 系統模型

本節主要介紹算力網絡支撐下的泛在化視頻通信模型，主要包括視頻的層次化編解碼模型、面向業務的有效吞吐量模型.

2.1 視頻的層次化編解碼模型

為了應對泛視頻業務的多樣性、網絡資源的碎片化和無線網絡的動態性，本文提出一種層次化的視頻編碼模型如圖2 所示[20]. 以空間域為例，首先，視頻信號被下采樣為多路子信號，以提高碼流的適應性，降低基本解碼門限；其次，將下采樣的若干路子信號中相關的“主成分”提取成一路主信號，并將該主成分從各個子路中去除，以避免各個子路相互依賴，提升傳輸和解碼的靈活性；再次，按照傳統視頻編碼的方法，對主路信號及各個子路信號進行時—空相關性編碼和熵編碼，以去除視頻信號的時—空冗余和統計冗余. 其中，各子路信號可參考主路信號進行參考編碼，進一步去除層間冗余. 最后，經過本文提出的編碼模型，視頻信號被編碼成一路主描述層和若干路增強描述層. 主描述層可以以基本的視頻質量單獨解碼，增強描述層則用于提升視頻質量，且解碼的增強描述層數越多，視頻質量越高. 但不同于SVC 或H.265 高效可伸縮視頻編碼（scalable highefficiency video coding，SHVC）的是，經過本文提出的編碼模型生成的增強描述層信號只參考主描述解碼而不相互依賴，即解碼質量只與解碼層數有關，與順序無關. 且不同于多描述編碼（multiple description coding，MDC），各個增強描述之間的相關成分被提取到主描述中，因此視頻編碼效率得以提升.

以空間域為例闡述本文提出的層次化視頻編碼模型具體技術實現：

1）將原始視頻信號以Po表示，其每一幀的分辨率為（X，Y），總幀數為K.

Fig.2 Hierarchical coding model for ubiquitous video services （take spatial domain as an example）圖2 適用于泛視頻業務的層次化編碼模型（以空間域為例）

2）將Po間隔地進行空間域下采樣，得到L路子信號以Pl表示，則子路信號空間分辨率為（I，J），其中如遇不能整除的情況，可用超分辨率技術轉換Po的分辨率.則視頻第l路信號的第k幀中的任意像素可以記為

3）將L路子信號進行主成分提取，子路信號主成分提取的方法可以表示為

其中PMain表示提取的主路信號.

4）各子路信號利用殘差器通過對應元素相減法將主成分去除，此過程可表示為

相應地，視頻解碼為編碼的逆過程，如圖3 所示.其中，主描述層的編解碼可以兼容H. 265 高效視頻編碼（high efficient video coding，HEVC）、H. 264 高級視頻編碼（advanced video coding，AVC），增強描述層編解碼可以兼容SHVC，SVC 編解碼器，但與之不同的是，增強描述層之間不相互參考，而是僅參考主描述層，如此以提升視頻編解碼的靈活性.

Fig.3 Hierarchical video decoder block diagram圖3 層次化視頻解碼器框圖

2.2 面向業務的有效吞吐量模型

考慮到算力網絡的特性和泛在化視頻業務傳輸約束的差異性，本文提出面向業務的有效吞吐量模型. 首先，將一個傳輸鏈路記為一個由源m到目的n的信道（m?n）,其中源m只標記為可以提供服務的云中心、MEC 服務器，或者任何一種網絡設備，但不指定其類型. 即，在算力網絡中，不特定服務的提供者，而關注如何聚合足夠的網絡資源來提供服務. 然后，定義信道質量信息（channel quality information，CQI）：RTTmn為從源到目的的往返時延，μmn為信道（m?n）的可用信道容量，為該信道的信道丟包率，為獨立、同分布的（i. i. d）過程，可通過鏈路狀態估計得出. 本文采用Gilbert 信道模型[21]來描述信道丟包率：

此外，不同于其他類型的業務，視頻服務需要考慮數據包的時延約束. 即，實時的視頻通信業務，如果一個數據包在到達之前，其從屬的視頻圖像組（group of pictures，GoP）已經解碼并播放完畢，則該數據包已無效，當以丟包處理. 通常，將這種在規定時間內成功到達接收端的數據量定義為有效吞吐量（goodput），并且考慮到不同類型視頻業務對延時約束的差異化需求，本文定義這種因未在指定到達時間內到達的數據丟包為超時丟包可通過M/G/1 排隊模型來近似[17,20-21]，即：

其中，Tmn為鏈路的端到端延時，τα為不同業務要求的傳輸截止時間，λmn為到達率，λmn=1/E(Tmn) ，E(Tmn)為延時的期望值. 實際應用中，E(Tmn)可通過歷史觀測獲得，但考慮到該過程較為復雜，本文引入分數函數來近似：

進一步，總丟包率為

其次，視頻在信道（m?n）上傳輸的總有效吞吐量為

3 視頻傳輸調度策略

基于本文提出的視頻編解碼模型和有效吞吐量模型，本節介紹如何根據算力網絡中網絡資源的分布情況以及用戶對視頻業務的請求情況對視頻的傳輸進行合理的調度，以提升視頻業務的服務質量.

為了保證視頻傳輸的穩定性，在某一鏈路（m?n）上分配的視頻流總速率之和不應超過其實際可用容量，即

為方便陳述，首先聲明如下參數：記M(D×D)為算力網絡中的可用傳輸鏈路矩陣，其中的元素標定了對應鏈路的可用容量，如μmn；以0-1 矩陣C(D×D)表示網絡中的供需關系，例如若cmn=1，則表示網絡中的設施m可為設施n提供所需的視頻內容資源；本文假設一個視頻被編碼為L個視頻層，并將視頻層的速率分配方案用矩陣?n(L×D)表示，例如如果其中元素≠0，則表示在信道（m?n）上分配了第l層的視頻數據，且分配速率為；對于一個設備（設施）的存儲狀態，則以0-1 矩陣H(L×D)表示，其中如果hln=1則代表設備（設施n）中已經存儲了視頻第l層的數據. 矩陣M，C，?n和H的形式如式（11）所示：

進一步地，鑒于視頻的主描述層與增強描述層具有不同的性質，H矩陣可記為如式（12）所示的2種形式：

其中，HB和HE用以表示網絡中主描述層和增強描述層的分布，Hn則進一步表示n中視頻層的具體存儲狀態.

3.1 視頻內容按需部署

本文假設從屬于同一算力網絡中的D個設備以不同分辨率、不同類型（如2D 視頻、3D 視頻、全景視頻等）同時請求同一個視頻內容，并組成集合 D.基于本文提出的視頻編碼模型，將視頻內容的分發分為3 個階段，如圖4 所示.

第一階段為視頻主描述層的分發階段，此時所有設備中沒有緩存任何視頻數據包，所有視頻的數據包都是被需要的. 為了保證視頻服務的流暢性，所有發起請求的設備將被分配恰當的內容“源”，以廣播、多播或點對點形式傳輸視頻的主描述層數據包（B），此過程結束時，式（13）將被滿足.

Fig.4 Video content distribution model圖4 視頻內容分發模型

第二階段為視頻的增強描述層的分發階段，此時所有設備中均沒有緩存增強層數據，任意增強層數據均可以為設備提升視頻的播放質量，但為了提升算力網絡中“碎片化”網絡資源的利用率，還需對增強層數據包的部署進行統一規劃. 因此該階段的主要目的有2 個：一是為了盡力提升視頻業務的服務質量，為服務的請求者分配恰當的“源”來提供其所需的視頻增強描述層數據包（如E1,E2,E3），二是為了提升算力網絡中分布的碎片化網絡資源，當前階段對視頻內容的部署應該便于下一階段的視頻內容分享. 例如，在圖4 中，當設備③請求一個增強描述層數據包時，無論算力中心將哪一個增強層數據包分配給設備③都可以提升其視頻業務質量. 但考慮到在設備③的連接范圍內，設備①和設備②缺失的數據包是E3，因此將E3 分配給設備③最能促進設備③的資源分享. 記f(n,l)為視頻內容分發增益度函數，其代表了給設備n分配第l層數據能夠產生的資源分享增益. 例如f(3,E3)=2. 則該過程可以用最優化函數來表示：

其中，?n為設備n缺失的視頻層集合，可通過查詢Hn獲得. 式（14）所示的最優化過程可以通過算法1 來實現.

算法1.最優視頻層分配算法.

輸入：H， D，?n，n∈D，視頻所有L層數據；

輸出：SE.

算法1 的輸出 SE即為視頻層的最優分配方案.SE(L×D)為0-1 矩陣，其形式為：

第三階段為協作式的視頻內容分享階段，此時不同設備中可能存儲了不同的視頻增強描述層數據包，不同設備之間彼此分享，在為其它設備提供已有數據包的同時，從其它設備中獲取缺失的數據包，共同提升視頻的播放質量. 該階段可視為將存儲了一定內容的視頻業務請求者加入了提供者的集合. 只要某一些設備被算法1 或算法2 選擇，則這些設備將同時扮演請求者和服務提供者的身份，分享自身的網絡資源.

3.2 基于有效吞吐量的鏈路選擇

經過視頻內容的分發后，視頻以一定的形式分布于網絡中，例如一些設備、設施中存儲了視頻的若干層或者若干視頻片段，接下來便是如何有效地利用這些分散的視頻內容，在提升視頻業務質量的同時，提高碎片化網絡資源的利用率. 由于本文提出的視頻編碼模型中，增強描述層是同等重要的，因此設備n并不指定增強描述層編號，而由計算中心根據全局調度來決定具體發送給設備n哪一個增強描述層. 當一個設備n請求一個視頻增強描述層時，首先需要確定的是能為設備n提供增強描述層的設備（設施）的集合. 記Hm為m中存儲的視頻層集合，即存儲狀態向量Hm中所有1 元素對應位置的坐標. 記 P′n為存儲了n所需視頻層的設備（設施）的集合，即 P′n為那些使得Hm∩?n≠?的設備（設施）的集合. 除此之外，考慮到網絡中單個設備（設施）的有限能力，在為設備n提供服務之前，還需確定該設備是否“空閑”，例如是否具有足夠的可用帶寬、是否電量充足等. 因此，實際的內容提供者集合定義為Pn=P′n∩Ξ，其中 Ξ為“空閑”設備（設施）的集合.

接下來便是如何選擇一個合適的提供者并發送合適的視頻層給設備n. 考慮到不同類型的視頻業務的不同性質（例如對延時約束的不同要求），本文基于提出的有效吞吐量模型提出業務需求約束下的鏈路選擇策略，如圖5 所示. 得益于算力網絡的支撐，本文提出的鏈路選擇算法可以基于對全局的觀測實現最優的視頻傳輸調度. 首先，當一個設備請求一個視頻層時，它將自己缺失的視頻層集合以及具體的業務約束（τα）發送給計算中心. 其次，計算中心綜合全局的M，C、?n，H、Ξ以及個體的 ?n，τα生成最優的調度策略，該調度策略主要有2 個功能：1）根據網絡中視頻內容的分布情況，決定發送給n的視頻層編號l*，使得視頻內容的分布更利于碎片化網絡資源的利用. 2）根據n的視頻業務約束和有效吞吐量模型，為n分配合適的傳輸鏈路，保證視頻業務質量. 最后，依照最優化的調度決策，由計算中心指導網絡中的設備或設施開展視頻數據傳輸，一方面，將復雜的計算和決策工作分配給計算中心執行，實現全局最優；另一方面，數據的傳輸以分布式的方式進行，便于網絡中碎片化的網絡資源靈活利用. 本文提出的基于有效吞吐量的鏈路選擇算法偽代碼如算法2 所示.

Fig.5 Link selection strategy under service requirement constraints圖5 業務需求約束下的鏈路選擇策略

算法2.基于有效吞吐量的鏈路選擇算法.

4 仿真和數值分析

為了衡量本文提出方案的性能，本節從核心網負載、有效吞吐量、碎片化網絡資源利用率等3 個方面將本文方案與DASH 方案[9]、基于MEC 的有效吞吐量方案（MEC-enabled goodput-aware，MEGA）[17]、基于本文編碼模型的隨機調度方案以及基于SVC 編碼的全局調度方案等4 種方案進行了仿真比較.仿真環境 為：操作系統（Windows 10 Enterprise 64 b），CPU（英特爾 Core i7-8700 @ 3.20 GHz 6 核），內 存（8 GB DDR4 2666MHz），GPU（Nvidia Quadro K4000 3 GB），仿真軟件（MATLAB R2020a-academic use）. 如無特殊說明，本節中的仿真參數默認如表1 所示.

Table 1 Simulation Parameter Values Setting表1 仿真參數值設置

如圖6 所示，網絡中的設備從不同時間開始，隨機地發起視頻服務請求. 請求的類型數為10 種，即不同的質量（層數L）和不同的延時約束（τα）. 由于DASH方案為集中式的視頻服務模式，核心網承載了所有的流量負擔，因此隨著時間的變化，網絡中請求視頻的設備數目逐漸增多，核心網的流量負載基本上呈線性提升. 其余的4 種方案均可以支持分布式的視頻傳輸模式，因此均可以有效降低核心網的負載. 但在起始階段，由于網絡中還不存在可用的視頻數據包，因此核心網仍然承載了全部流量負擔. 隨著時間的推移，越來越多的網絡設備（設施）中存儲了可用的視頻內容，因此利用這些設備（設施）中的碎片化網絡資源來分享自身存儲的視頻內容，便有效降低了核心網的流量負擔.

Fig.6 Changes of core network load with time圖6 核心網負載隨時間的變化

值得注意的是，在傳輸的起始階段，由于網絡中分布的視頻內容有限，核心網需要分發更多的視頻數據包到網絡中. 而由于本文提出的視頻編碼模型為了提升碼流的靈活性，相對SVC 而言犧牲了部分編碼效率（為進行增強描述層之間的參考編碼），因此在這個過程中，核心網負載相對較高. 隨著網絡中分布的視頻數據包越多，本文提出的方案的優勢也越明顯. 本文提出的方案優于其它3 種分布式方案的主要原因：1）全局的最優化調度利于碎片化資源的有效利用，因為設備所需的資源更容易在網絡設備而非核心網設施中獲得. 因此本文方案優于隨機調度方案和MEGA 方案. 2）本文提出的視頻編碼模型更具靈活性，當設備需要提升視頻質量時，是請求了一個增強層的集合而非特定的某一層，使得其更容易在網絡設備中獲得. 因此本文方案可以優于基于SVC 的全局調度方案.

圖7 展示了本文方案與對比方案在不同碼率下，核心網穩定負載（傳輸進行10s 以后）的對比情況. 5種方案核心網負載均基本上與視頻碼率呈線性正相關關系，且由于本文方案更容易進行分布式視頻分享，因此在卸載核心網負載方面更有效.

Fig.7 Change of core network load with video bit rate圖7 核心網負載隨視頻碼率的變化

圖8 展示了有效吞吐量指標隨時間的變化情況對比. 由于本文方案與先前工作中（MEGA 方案）使用了相似的有效吞吐量模型，因此二者在有效吞吐量方面差別不大. 基于SVC 的全局調度方案由于僅從網絡設備中獲取視頻內容的概率稍低，因此在有效吞吐量方面稍遜于本文方案和MEGA 方案. 集中式的DASH 方案由于只支持核心網絡設施到設備的鏈接，因此有效吞吐量指標表現較差，但仍優于隨機的調度方案. 這是因為隨機的調度方案容易使得設備所需內容被分配到不穩定的信道，使得有效吞吐量指標波動劇烈.

Fig.8 Changes of good-put with time圖8 有效吞吐量隨時間的變化

圖9 展示了有效吞吐量指標在不同視頻碼率下的對比，變化的原因與圖8 類似. 受用戶請求的隨機性、無線信道的動態性的影響，視頻內容的部署仍具有隨機特征，因此有效吞吐量指標不可避免出現波動特征，但總體而言，本文算法可以取得最好的性能.

Fig.9 Changes of good-put with video bit rate圖9 有效吞吐量隨視頻碼率的變化

Fig.10 Comparison of utilization rates of fragmented network resources圖10 碎片化網絡資源利用率情況對比

圖10 展示了本文算法在提升碎片化網絡資源利用率方面的性能，對比仿真在4 種分布式的視頻內容分享方案. 該仿真中，本文主要統計了網絡設備（如智能終端）中碎片化網絡資源的利用情況. 只要某一設備分享了其中的視頻內容，則視為該設備的碎片化資源得到了有效利用，核心網設施（如基站、MEC 服務器）不計入其內. 由仿真結果可以看出，在視頻層數為1（即不分層）時，4 種方案對碎片化網絡資源的利用率一致且較低，因為視頻內容的分布和有限的終端設備能力使得設備間的協作共享較難進行. 隨著視頻層數的提升，視頻內容較容易從鄰居設備中獲得，因此碎片化的網絡資源利用率得以有效提升. 得益于本文提出的靈活的視頻編碼模型和全局最優的視頻調度，本文方案使得設備間的協作容易開展，對比其它3 種方案，本文方案能使碎片化網絡資源利用率最高.

5 結 論

本文提出了一種算力網絡支撐下的泛在化視頻業務調度方案，以緩解爆炸式增長的泛在化視頻業務數據量對核心網承載能力的挑戰. 具體而言，本文首先通過提出一種適用于泛視頻業務的層次化視頻編碼模型，可以在適應無線網絡動態性、用戶和業務需求多樣性的同時，使得視頻內容便于靈活地傳輸；其次通過提出一種基于全局觀測和有效吞吐量模型的視頻調度策略，本文方案可以有效提升碎片化網絡資源的利用率，從而卸載核心網負載. 仿真結果表明了本文方案的有效性.

未來的工作包括2 個方面：1）發掘用戶行為習慣特征，利用人工智能和大數據方法實現對視頻內容的智能部署；2）發掘泛在化視頻應用中用戶體驗與網絡資源配置的潛在聯系，實現網絡資源的自適應配置.

作者貢獻聲明：張旭光負責完成實驗并撰寫論文；陳鳴鍇提出指導意見并修改論文；魏昕提出了算法思路和實驗方案.