面向視頻流的MEC緩存轉(zhuǎn)碼聯(lián)合優(yōu)化研究

李佳，謝人超，賈慶民，黃韜，劉韻潔，孫禮

?

面向視頻流的MEC緩存轉(zhuǎn)碼聯(lián)合優(yōu)化研究

李佳，謝人超，賈慶民，黃韜，劉韻潔，孫禮

（北京郵電大學(xué)，北京 100876）

為應(yīng)對未來移動網(wǎng)絡(luò)所面臨的巨大挑戰(zhàn)，業(yè)界提出了自適應(yīng)比特流（adaptive bit rate，ABR）技術(shù)和移動邊緣計算（mobile edge computing，MEC），旨在為用戶提供高體驗質(zhì)量、低時延、高帶寬和多樣化的服務(wù)。聯(lián)合ABR和MEC來優(yōu)化視頻內(nèi)容分發(fā)，對于提高網(wǎng)絡(luò)性能和用戶體驗質(zhì)量具有重要意義。其中，各項網(wǎng)絡(luò)資源的聯(lián)合優(yōu)化是重要的研究課題。首先對MEC進(jìn)行了概述，然后基于面向自適應(yīng)流的MEC緩存轉(zhuǎn)碼聯(lián)合優(yōu)化問題，對業(yè)界已有工作進(jìn)行了分析和對比，并對未來面臨的挑戰(zhàn)和研究難點(diǎn)進(jìn)行了歸納和展望。

自適應(yīng)視頻流；MEC；緩存；轉(zhuǎn)碼

1 引言

隨著移動互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，移動網(wǎng)絡(luò)數(shù)據(jù)流量呈現(xiàn)了爆發(fā)式的增長趨勢，據(jù)2017年思科VNI報告，到2021年，全球移動數(shù)據(jù)流量將達(dá)到每月49 EB（exabyte），其中移動視頻流量將占全球移動數(shù)據(jù)流量的78%[1]。爆發(fā)式增長的數(shù)據(jù)流量，尤其是視頻流量給移動網(wǎng)絡(luò)造成了巨大的挑戰(zhàn)，要求移動網(wǎng)絡(luò)具有提供更高數(shù)據(jù)傳輸速率和更低網(wǎng)絡(luò)時延的能力，從而為用戶提供更好的體驗質(zhì)量（quality of experience，QoE）。

為了應(yīng)對上述網(wǎng)絡(luò)挑戰(zhàn)，一方面業(yè)界提出了在移動網(wǎng)絡(luò)中采用自適應(yīng)比特流（adaptive bit rate，ABR）傳輸技術(shù)進(jìn)行視頻分發(fā)[2]，即在移動網(wǎng)絡(luò)中將視頻文件編碼為多種比特率版本，每個版本的視頻文件都被切分成多個視頻塊（segment），并根據(jù)用戶設(shè)備的能力、網(wǎng)絡(luò)連接狀況和特定的請求，為用戶動態(tài)選擇傳送的視頻塊比特率版本，從而減少視頻播放卡頓和重新緩沖率，提升用戶的QoE體驗[3]。另一方面，業(yè)界也提出了移動邊緣計算（mobile edge computing，MEC），旨在移動網(wǎng)絡(luò)邊緣向內(nèi)容提供商和應(yīng)用開發(fā)者提供云計算能力和IT服務(wù)環(huán)境，從而為終端用戶提供超低時延和高帶寬的服務(wù)[4]。自ABR與MEC技術(shù)提出以后，通過利用MEC實現(xiàn)自適應(yīng)視頻流的緩存、轉(zhuǎn)碼與自適應(yīng)分發(fā)受到了業(yè)界的廣泛關(guān)注[5-6]，并表現(xiàn)出了顯著的優(yōu)勢，主要體現(xiàn)在MEC在網(wǎng)絡(luò)邊緣提供了存儲能力和計算能力，可實現(xiàn)視頻內(nèi)容的就近緩存，并根據(jù)動態(tài)變化的網(wǎng)絡(luò)狀況在網(wǎng)絡(luò)邊緣進(jìn)行視頻轉(zhuǎn)碼，以實現(xiàn)視頻的自適應(yīng)分發(fā)，從而降低視頻內(nèi)容的傳輸時延并節(jié)省網(wǎng)絡(luò)帶寬，同時提升用戶的QoE體驗。

目前已有大量工作將MEC與ABR技術(shù)聯(lián)合考慮，并從不同的部署場景出發(fā)，針對視頻流的緩存轉(zhuǎn)碼等問題進(jìn)行了研究[7-18]，其中不僅包括單MEC服務(wù)器場景中的資源協(xié)同問題，還對分布式多MEC之間的資源協(xié)作問題進(jìn)行了討論，并針對不同的場景和需求，對緩存策略和轉(zhuǎn)碼策略進(jìn)行了設(shè)計，從而優(yōu)化包括系統(tǒng)成本、網(wǎng)絡(luò)負(fù)載和視頻容量在內(nèi)的各項網(wǎng)絡(luò)指標(biāo)。另外，由于新型網(wǎng)絡(luò)架構(gòu)在增強(qiáng)視頻業(yè)務(wù)質(zhì)量方面展現(xiàn)的高效性能，部分研究工作還面向視頻流分發(fā)業(yè)務(wù)提出了基于SDN的MEC架構(gòu)，從而優(yōu)化網(wǎng)絡(luò)架構(gòu)和視頻分發(fā)機(jī)制。

盡管目前對MEC中緩存轉(zhuǎn)碼問題的研究已取得了一定的進(jìn)展，但尚未有系統(tǒng)性的工作對基于MEC的自適應(yīng)視頻流分發(fā)研究的核心關(guān)鍵技術(shù)問題、業(yè)界已取得的進(jìn)展以及未來仍面臨的挑戰(zhàn)等問題做全面的分析與總結(jié)。因此，本文將針對面向視頻流的緩存轉(zhuǎn)碼聯(lián)合優(yōu)化問題，對目前已有工作進(jìn)行總結(jié)和對比，并對目前仍需解決的問題進(jìn)行歸納和展望。

2 自適應(yīng)視頻流場景下的MEC部署架構(gòu)

歐洲電信標(biāo)準(zhǔn)化協(xié)會（European Telecommunications Standards Institute，ETSI）于2014年首次提出了移動邊緣計算，并且給出了其“在移動網(wǎng)絡(luò)邊緣提供IT服務(wù)環(huán)境和云計算能力”的定義。MEC將原本位于云數(shù)據(jù)中心的服務(wù)和功能下沉到網(wǎng)絡(luò)邊緣，提供超低時延、超高帶寬的網(wǎng)絡(luò)環(huán)境和實時網(wǎng)絡(luò)分析能力。由于在回傳網(wǎng)和核心網(wǎng)中發(fā)揮的低時延保證和容量增強(qiáng)的重要作用，MEC 技術(shù)受到了廣泛關(guān)注，被公認(rèn)為是5G的主要關(guān)鍵技術(shù)之一[19]。

ETSI MEC基于虛擬化平臺部署，目標(biāo)是為第三方應(yīng)用提供標(biāo)準(zhǔn)的體系架構(gòu)和符合行業(yè)標(biāo)準(zhǔn)的API，使得各種應(yīng)用可以運(yùn)行在網(wǎng)絡(luò)邊緣，同時基于NFV（network function virtualization，網(wǎng)絡(luò)功能虛擬化）的虛擬化基礎(chǔ)設(shè)施有利于網(wǎng)絡(luò)運(yùn)營商的重復(fù)利用。MEC服務(wù)器可以部署在網(wǎng)絡(luò)邊緣的不同位置，如LTE宏基站（eNode B）、3G無線網(wǎng)絡(luò)控制器（radio network controller，RNC）、匯聚點(diǎn)或核心網(wǎng)側(cè)等[20]。

MEC服務(wù)器通常具有較高的計算能力，適合于分析處理大量數(shù)據(jù)，可以為AR和VR等計算密集型業(yè)務(wù)提供高效的計算資源。另外，由于MEC在地理上十分接近用戶或信息源，可以顯著降低業(yè)務(wù)響應(yīng)的時延，并減小回傳網(wǎng)和核心網(wǎng)發(fā)生網(wǎng)絡(luò)擁塞的可能性。最后，位于接入網(wǎng)側(cè)的MEC能夠?qū)崟r感知網(wǎng)絡(luò)數(shù)據(jù)，包括無線鏈路狀況和用戶行為信息及位置信息等，從而進(jìn)行鏈路感知自適應(yīng)，極大地改善用戶的服務(wù)質(zhì)量體驗[21-22]。

與傳統(tǒng)的網(wǎng)絡(luò)架構(gòu)相比，MEC具有許多顯著的優(yōu)勢，可以有效解決傳統(tǒng)網(wǎng)絡(luò)模式中高時延和低效率等問題。在面向視頻流業(yè)務(wù)時，MEC的存儲計算資源以及網(wǎng)絡(luò)感知能力可以有效地支持ABR技術(shù)。一方面，MEC的分布式邊緣存儲資源可以對視頻內(nèi)容進(jìn)行緩存，并且對視頻請求進(jìn)行本地卸載，從而既可以縮短用戶到視頻內(nèi)容的距離，降低傳輸時延，也可以減少視頻內(nèi)容的冗余傳輸，節(jié)省網(wǎng)絡(luò)帶寬并提高能量效率，緩解核心網(wǎng)絡(luò)壓力，另一方面，在ABR中，用戶請求的視頻比特率可基于網(wǎng)絡(luò)條件、設(shè)備功能和用戶偏好自適應(yīng)調(diào)整[23]，因此往往需要對視頻塊進(jìn)行多個比特率版本的緩存，而對一個視頻塊緩存多種比特率版本會造成較大的緩存成本，因此可以選擇在MEC中緩存一部分較高比特率視頻，對于緩存不命中請求，利用MEC的計算能力使用視頻轉(zhuǎn)碼技術(shù)將緩存的視頻版本轉(zhuǎn)碼為請求的比特率版本，視頻轉(zhuǎn)碼可以提升緩存資源的利用率，在基于ABR的視頻分發(fā)系統(tǒng)中具有重要的作用，此外，MEC還可以利用其網(wǎng)絡(luò)感知能力，對用戶和網(wǎng)絡(luò)信息進(jìn)行分析，有效支持ABR技術(shù)。在自適應(yīng)視頻流業(yè)務(wù)中利用MEC緩存流行視頻塊，并在不同比特率版本之間進(jìn)行轉(zhuǎn)碼，實現(xiàn)在網(wǎng)絡(luò)邊緣對用戶請求進(jìn)行響應(yīng)，已經(jīng)被認(rèn)為是解決ABR中視頻內(nèi)容分發(fā)的一個重要趨勢。

MEC的緩存和轉(zhuǎn)碼能力可以有效支持ABR視頻業(yè)務(wù)，從而緩解源服務(wù)器壓力并提升視頻觀看質(zhì)量，但在MEC資源容量有限的情況下，緩存轉(zhuǎn)碼資源的濫用會造成MEC負(fù)載過重，降低資源效率，影響用戶體驗，因此需要對不同視頻業(yè)務(wù)的需求和特點(diǎn)進(jìn)行分析，在各項資源之間進(jìn)行權(quán)衡和分配，使得視頻緩存轉(zhuǎn)碼的效率最優(yōu)。除此之外，由于MEC分布式部署的特點(diǎn)，可以合理利用鄰近MEC服務(wù)器的緩存轉(zhuǎn)碼資源，協(xié)作處理視頻請求，優(yōu)化整個網(wǎng)絡(luò)的視頻分發(fā)質(zhì)量和資源效率。因此，研究MEC中面向視頻流的計算、緩存與網(wǎng)絡(luò)資源的聯(lián)合優(yōu)化問題，均衡地對緩存、計算和帶寬資源進(jìn)行合理編排，對優(yōu)化系統(tǒng)整體性能具有重要意義。

圖1為一個自適應(yīng)視頻流場景下的MEC部署架構(gòu)，MEC服務(wù)器的位置部署在基站之后，其中部署了緩存和計算資源，可以對視頻文件進(jìn)行緩存和轉(zhuǎn)碼，當(dāng)用戶的請求到達(dá)MEC時，若緩存命中或轉(zhuǎn)碼命中，就可以在本地對請求進(jìn)行響應(yīng)，如圖1中的(a)路線和(b)路線，而不需要經(jīng)過圖1中(c)路線所示的回傳網(wǎng)和核心網(wǎng)的傳輸，從源服務(wù)器獲取視頻文件。這樣一來，既顯著降低了用戶請求響應(yīng)的時延，保證用戶體驗，同時還可以避免網(wǎng)絡(luò)擁塞，節(jié)省回傳網(wǎng)和核心網(wǎng)的資源。

3 面向視頻流的緩存轉(zhuǎn)碼資源聯(lián)合優(yōu)化

利用MEC實現(xiàn)ABR技術(shù)，可以有效解決視頻內(nèi)容的緩存轉(zhuǎn)碼和分發(fā)問題，其中緩存轉(zhuǎn)碼資源的聯(lián)合優(yōu)化已經(jīng)被認(rèn)為是一個重要的研究課題。在傳統(tǒng)的視頻流分發(fā)系統(tǒng)中，緩存和轉(zhuǎn)碼都在云端完成，由于傳統(tǒng)方案中較高的傳輸時延和回傳壓力，MEC逐漸得到了廣泛的應(yīng)用，研究結(jié)果表明部署MEC可以有效提升系統(tǒng)性能和用戶體驗。

3.1 在云端的緩存轉(zhuǎn)碼聯(lián)合優(yōu)化

媒體云作為當(dāng)前一種有效實現(xiàn)自適應(yīng)流分發(fā)的框架，在基于云的體系架構(gòu)中，動態(tài)按需編排虛擬化存儲和計算資源，為顯著降低系統(tǒng)成本提供了可能性，圖2為在媒體云中應(yīng)用自適應(yīng)視頻流業(yè)務(wù)的緩存轉(zhuǎn)碼示意圖，媒體云的流媒體引擎從媒體庫中獲取視頻內(nèi)容，并進(jìn)行視頻內(nèi)容的緩存和轉(zhuǎn)碼，進(jìn)而實現(xiàn)自適應(yīng)視頻流向用戶的分發(fā)。Jin等人[7]研究了媒體云中緩存和轉(zhuǎn)碼的最優(yōu)化策略問題，旨在動態(tài)調(diào)度各種資源，從而最小化某個節(jié)點(diǎn)響應(yīng)單個請求的總運(yùn)營成本。具體來說，在緩存策略方面，該方案考慮了視頻的流行度，即對流行度最高的若干視頻內(nèi)容緩存全部比特率版本，對流行度次高的一部分視頻內(nèi)容緩存最高比特率版本。當(dāng)在節(jié)點(diǎn)緩存命中時，直接利用緩存響應(yīng)請求；當(dāng)轉(zhuǎn)碼命中時，比較轉(zhuǎn)碼成本和帶寬成本，選擇成本較小的方式提供服務(wù)；當(dāng)本地緩存不可用時，則從源服務(wù)器獲取內(nèi)容。參考文獻(xiàn)[7]將緩存、轉(zhuǎn)碼和帶寬成本之間的權(quán)衡問題建模成一個凸優(yōu)化問題，然后采用兩步分析法，分別對緩存資源分配和轉(zhuǎn)碼配置策略進(jìn)行優(yōu)化，最后得到最優(yōu)的節(jié)點(diǎn)緩存空間大小和所有版本都緩存的視頻數(shù)量。

面向視頻流的資源聯(lián)合優(yōu)化，不僅可以從網(wǎng)絡(luò)資源配置的角度出發(fā)，還可以從用戶請求內(nèi)容的角度進(jìn)行視頻塊的調(diào)度決策。Gao等人[8]根據(jù)對用戶視頻行為的分析，研究了媒體云中視頻內(nèi)容的管理問題，提出了一種成本高效的部分轉(zhuǎn)碼方案。具體來說，每個視頻被分為一組片段，其中一部分片段被預(yù)處理并存儲在緩存中，而其他片段則在播放過程中被快速轉(zhuǎn)碼。緩存策略方面，服務(wù)器中存儲著源視頻文件和一部分轉(zhuǎn)碼版本，源文件可以轉(zhuǎn)碼為任何比特率的版本，另外基于用戶實時變化的比特率需求和部分轉(zhuǎn)碼的方案，采取動態(tài)緩存策略，從而在每個時隙根據(jù)用戶請求信息來決定是否緩存。當(dāng)用戶請求在節(jié)點(diǎn)緩存命中時，用戶可以直接獲取緩存中的視頻內(nèi)容，進(jìn)而產(chǎn)生存儲成本，緩存不命中時，則進(jìn)行在線轉(zhuǎn)碼，進(jìn)而產(chǎn)生計算成本。該方案考慮了與存儲和計算相關(guān)的總成本，建立了一個約束隨機(jī)優(yōu)化問題，優(yōu)化目標(biāo)為最小化某個服務(wù)器的長期總成本，決定某個視頻段應(yīng)緩存還是在線轉(zhuǎn)碼，然后利用李雅普諾夫優(yōu)化框架和拉格朗日松弛法，設(shè)計了在線算法進(jìn)行求解。

通過對用戶視頻行為的分析可以看出，超過60%的視頻只有前20%的內(nèi)容被用戶觀看，視頻內(nèi)部存在著不同的流行度，從這一角度出發(fā)可以進(jìn)一步優(yōu)化網(wǎng)絡(luò)資源調(diào)度。Zhao等人[9]研究了云網(wǎng)絡(luò)中緩存和轉(zhuǎn)碼的均衡問題，基于對視頻的分段，考慮了視頻段之間的不同流行度以及云中存儲和計算價格的大小，對系統(tǒng)中所有視頻的放置問題進(jìn)行了研究，從而決定對每個視頻段的哪些版本進(jìn)行緩存或者轉(zhuǎn)碼，將總的系統(tǒng)運(yùn)營成本最小化。具體來說，首先根據(jù)視頻內(nèi)部流行度將視頻文件分為多個視頻段，通過一個轉(zhuǎn)碼權(quán)重圖描述不同比特率版本之間的轉(zhuǎn)碼關(guān)系，從而計算出各版本之間的轉(zhuǎn)碼成本。基于以上的考慮，提出了一個存儲和轉(zhuǎn)碼的權(quán)衡策略，對流行視頻段存儲多個或者所有版本，對不流行的視頻段存儲最高比特率版本，并針對用戶請求進(jìn)行轉(zhuǎn)碼。為了避免轉(zhuǎn)碼啟動時延對視頻播放效果的影響，可以在播放視頻段時，提前對下一個視頻段進(jìn)行轉(zhuǎn)碼。該方案將該權(quán)衡問題描述為一個優(yōu)化問題，優(yōu)化目標(biāo)為最小化與存儲和轉(zhuǎn)碼相關(guān)的總成本，并利用啟發(fā)式分治算法求解，進(jìn)行視頻段某個版本的緩存和轉(zhuǎn)碼決策。

3.2 在MEC中的緩存轉(zhuǎn)碼聯(lián)合優(yōu)化

在云端進(jìn)行緩存和轉(zhuǎn)碼，會帶來較高的傳輸時延，增加回傳網(wǎng)和核心網(wǎng)的帶寬壓力，而MEC逐步展現(xiàn)出應(yīng)對視頻業(yè)務(wù)挑戰(zhàn)的優(yōu)勢，利用MEC的存儲和計算能力，可以有效提高網(wǎng)絡(luò)的整體性能，并顯著改善用戶體驗。其中，MEC中緩存和轉(zhuǎn)碼的聯(lián)合優(yōu)化問題已成為一個重要的研究課題。

圖3所示為在分布式MEC架構(gòu)中實現(xiàn)自適應(yīng)視頻流業(yè)務(wù)的示意，其中，每個MEC服務(wù)器都可以實現(xiàn)視頻的緩存和轉(zhuǎn)碼，分布式部署的MEC服務(wù)器之間可以實現(xiàn)協(xié)作式的緩存和轉(zhuǎn)碼，從而實現(xiàn)資源的高效利用，進(jìn)一步提升視頻分發(fā)效率和用戶體驗。

為解決無線網(wǎng)絡(luò)中自適應(yīng)比特流的緩存挑戰(zhàn)，Pedersen等人在參考文獻(xiàn)[10-11]中研究了自適應(yīng)比特流場景中無線緩存和處理的聯(lián)合優(yōu)化問題。該方案首先將視頻文件分為多個視頻塊，每個視頻塊可以按不同的比特率請求。針對RAN的緩存挑戰(zhàn)，提出在RAN部署有限的計算資源，從而可以進(jìn)行視頻塊之間的轉(zhuǎn)碼，緩解存儲壓力?；谝陨峡紤]，提出了基于ABR感知的主動/被動的聯(lián)合轉(zhuǎn)碼和緩存資源的策略，具體來說，對于視頻請求有3種內(nèi)容獲取方式，從緩存處直接獲取對應(yīng)版本，對緩存的高比特率版本進(jìn)行轉(zhuǎn)碼，或者通過回傳網(wǎng)絡(luò)從CDN處獲取。當(dāng)用戶請求在節(jié)點(diǎn)緩存命中時，直接由緩存進(jìn)行響應(yīng)，緩存不命中時，可以根據(jù)給定可用的緩存容量、處理能力和回傳帶寬，通過轉(zhuǎn)碼資源和回傳資源分配算法進(jìn)行轉(zhuǎn)碼和回傳決策，當(dāng)采用回傳方式時，采用緩存策略對獲取的內(nèi)容進(jìn)行緩存。參考文獻(xiàn)[10-11]中分別采用了兩種緩存方式，分別是LRU（least recently used）緩存策略和P-UPP（proactive user preference profile）緩存策略。該方案制定了一個優(yōu)化問題，優(yōu)化目標(biāo)為最大化無線網(wǎng)絡(luò)的視頻容量，即服務(wù)的并發(fā)視頻請求數(shù)量，并采用啟發(fā)式算法進(jìn)行了求解，從而對某個視頻塊的獲取方式進(jìn)行調(diào)度決策。

圖3 分布式MEC架構(gòu)中面向自適應(yīng)視頻流的協(xié)作緩存與轉(zhuǎn)碼

Wang等人[12-13]提出了一個在線轉(zhuǎn)碼和地域分布式交付的聯(lián)合策略，系統(tǒng)架構(gòu)中包括多個CDN區(qū)域，每個區(qū)域中包含后端服務(wù)器和對等服務(wù)器，轉(zhuǎn)碼任務(wù)在后端服務(wù)器中完成。該方案考慮了用戶的CDN區(qū)域偏好、區(qū)域的轉(zhuǎn)碼版本偏好以及視頻請求的用戶偏好。首先根據(jù)用戶的CDN區(qū)域偏好，即考慮服務(wù)器到用戶的帶寬大小對用戶進(jìn)行重定向，選擇提供服務(wù)的CDN區(qū)域，該區(qū)域中的對等服務(wù)器以循環(huán)方式提供服務(wù)。另外，根據(jù)內(nèi)容的用戶偏好和區(qū)域的轉(zhuǎn)碼版本偏好來安排轉(zhuǎn)碼任務(wù)，并選擇空閑的CDN計算資源進(jìn)行轉(zhuǎn)碼和交付，減少跨區(qū)域的復(fù)制成本，特別地，根據(jù)按需設(shè)計的策略，視頻段被轉(zhuǎn)碼為一組預(yù)定義的版本，如果轉(zhuǎn)碼不及時，可以選擇最接近的比特率版本進(jìn)行轉(zhuǎn)發(fā)。最后，該方案對優(yōu)化問題進(jìn)行了建模，優(yōu)化目標(biāo)為最小化計算成本和復(fù)制成本，并采用啟發(fā)式和分布式算法進(jìn)行了求解。

在視頻業(yè)務(wù)中，當(dāng)視頻比特率和傳輸條件不匹配時，會引發(fā)網(wǎng)絡(luò)的擁塞和較高的時延，造成視頻播放的卡頓，嚴(yán)重影響用戶的觀看體驗，因此，在資源聯(lián)合優(yōu)化的過程中，不僅要從運(yùn)營商的角度出發(fā)考慮成本代價，還要從用戶的角度出發(fā)保障QoE。眾包直播游戲視頻流（crowdsourced live game video streaming，CLGVS）是一種新興的互聯(lián)網(wǎng)業(yè)務(wù)，可以使眾多異構(gòu)終端隨時隨地觀看游戲玩家播放的視頻，Zheng等人[14]研究了CLGVS業(yè)務(wù)中的在線轉(zhuǎn)碼和交付問題，從CLGVS服務(wù)提供商的角度，通過聯(lián)合優(yōu)化動態(tài)轉(zhuǎn)碼決策、比特率配置和數(shù)據(jù)中心選擇，減少運(yùn)營成本并保證用戶的服務(wù)質(zhì)量。該方案考慮了兩種轉(zhuǎn)碼策略，分別為門限轉(zhuǎn)碼策略和全部轉(zhuǎn)碼策略。該問題被建模為一個約束隨機(jī)優(yōu)化問題，優(yōu)化目標(biāo)包括兩部分，即最小化與計算和帶寬相關(guān)的總運(yùn)營成本，最大化與時延和比特率相關(guān)的用戶QoE。然后利用李雅普諾夫優(yōu)化框架，設(shè)計了一個在線算法OCTAD（online cloud transcoding and distribution）進(jìn)行求解，算法包括3個主要部分：動態(tài)直播轉(zhuǎn)碼決策、自適應(yīng)比特流配置和智能數(shù)據(jù)中心選擇，從而動態(tài)地為每個游戲玩家執(zhí)行比特率配置，為每個觀看者進(jìn)行轉(zhuǎn)碼決策和數(shù)據(jù)中心選擇。同時，為了擴(kuò)展算法的適用范圍，還在設(shè)計在線算法時考慮了游戲的類型。

現(xiàn)有的緩存轉(zhuǎn)碼優(yōu)化方案主要基于單服務(wù)器獨(dú)立進(jìn)行緩存和轉(zhuǎn)碼任務(wù)決策的場景，沒有考慮服務(wù)器之間的協(xié)作，為了研究在多MEC服務(wù)器場景下聯(lián)合優(yōu)化整體運(yùn)營成本的問題，Tran等人[15-16]提出了一種移動邊緣計算網(wǎng)絡(luò)中多比特率視頻流的協(xié)作緩存和處理策略，稱為CoPro-CoCache。在該方案中，獲取視頻內(nèi)容的方法可能有：從本地服務(wù)器的緩存中獲取，在本地服務(wù)器中轉(zhuǎn)碼獲得，從協(xié)作服務(wù)器的緩存中獲取，在協(xié)作服務(wù)器中進(jìn)行轉(zhuǎn)碼并傳回，從協(xié)作服務(wù)器傳回后在本地進(jìn)行轉(zhuǎn)碼。具體來說，緩存策略方面，本方案不需要內(nèi)容流行度的先驗信息，采用LRU緩存策略，將每個小區(qū)最流行的視頻緩存在對應(yīng)的基站緩存服務(wù)器上，直到緩存存儲空間已滿，當(dāng)用戶的視頻請求需要對緩存中的比特率版本進(jìn)行轉(zhuǎn)碼時，將轉(zhuǎn)碼任務(wù)分配給負(fù)載最小的MEC服務(wù)器，從而均衡網(wǎng)絡(luò)負(fù)載，這個服務(wù)器可以是存儲原始版本的MEC服務(wù)器，即數(shù)據(jù)提供節(jié)點(diǎn)，也可以是交付節(jié)點(diǎn)。參考文獻(xiàn)[16]將該協(xié)作緩存和處理問題建模為一個整數(shù)線性規(guī)劃問題，該問題受存儲空間和處理能力的約束，在給定可用資源后，優(yōu)化目標(biāo)為對單個視頻請求協(xié)作制定緩存放置策略和視頻調(diào)度策略，從而最小化回傳網(wǎng)絡(luò)成本。最后，針對該NP問題提出了一個新型的在線算法JCCP（joint collaborative caching and processing）來進(jìn)行求解。

Xu等人[17]提出了MEC增強(qiáng)的自適應(yīng)比特率（MEC-ABR）視頻傳輸方案，聯(lián)合進(jìn)行緩存和無線資源的分配。在該方案中，MEC服務(wù)器作為控制組件來執(zhí)行緩存策略并靈活調(diào)整視頻版本。具體來說，該方案首先考慮了BS的流量負(fù)載，從而進(jìn)行MEC服務(wù)器的存儲資源分配，以緩存各BS服務(wù)范圍內(nèi)的流行視頻，并將該存儲資源分配問題模擬為Stackelberg博弈進(jìn)行了求解。緩存策略方面，不僅考慮了視頻的流行度，還考慮了RAN側(cè)的無線信道質(zhì)量，緩存策略和視頻交付可以被靈活地調(diào)整，以匹配不同的無線信道。另一方面，該方案將聯(lián)合緩存和無線資源的分配問題建模為匹配問題，BS和用戶分別根據(jù)視頻的流行度和無線信道條件維護(hù)偏好列表，利用MEC的存儲和計算能力進(jìn)行優(yōu)化，提出了JCRA（joint cache and radio resource allocation）算法來解決這個問題，并考慮了視頻比特率版本的動態(tài)調(diào)整。

軟件定義移動網(wǎng)絡(luò)（software-defined mobile network，SDMN）、網(wǎng)內(nèi)緩存和MEC作為下一代移動網(wǎng)絡(luò)的重要技術(shù)，對增強(qiáng)視頻業(yè)務(wù)質(zhì)量具有重要意義，Liang 等人[18]研究了一個MEC-SDMN中的視頻速率適應(yīng)問題，聯(lián)合考慮視頻速率自適應(yīng)、帶寬配置和MEC中的計算資源調(diào)度，設(shè)計了一個高效機(jī)制。研究目的是在考慮網(wǎng)絡(luò)資源和視頻緩存分布的情況下，為每個用戶找到最佳的視頻質(zhì)量水平。在該方案中，SDN控制器執(zhí)行流量管理，通過最大限度地增大視頻的整體平均增益，提高整個網(wǎng)絡(luò)的效用，以幫助用戶自適應(yīng)地選擇最佳的視頻質(zhì)量水平。為了最大化HetNet的平均視頻質(zhì)量，該方案制定了一個優(yōu)化問題，并采用雙分解方法，將視頻數(shù)據(jù)速率、計算資源和流量管理（帶寬配置和路徑選擇）3部分問題解耦，獨(dú)立求解各個變量。

3.3 方案對比

本章前兩部分主要從云端和MEC兩個場景出發(fā)，介紹了目前已有工作中面向視頻流的緩存、計算和帶寬資源的聯(lián)合優(yōu)化方案。針對以上方案策略和優(yōu)化方法等的不同，下面從緩存策略、轉(zhuǎn)碼策略、建模方法和算法等具體方面對已有方案進(jìn)行了對比，見表1。

從表1可以看出，已有工作主要面向的是單服務(wù)器架構(gòu)，對協(xié)作緩存轉(zhuǎn)碼問題考慮得較少。緩存方面主要采用一部分全部緩存和一部分緩存最高版本的策略，在考慮視頻流行度的情況下，可以緩存流行視頻的全部版本，而對不流行視頻緩存最高比特率版本。轉(zhuǎn)碼策略包括以下幾種策略：緩存不命中直接轉(zhuǎn)碼，與帶寬資源做均衡進(jìn)行轉(zhuǎn)碼決策，協(xié)作轉(zhuǎn)碼中考慮負(fù)載和成本進(jìn)行轉(zhuǎn)碼決策等。另外，建立優(yōu)化問題時，優(yōu)化目標(biāo)主要為最小化系統(tǒng)成本，除此之外，還包括對視頻容量和QoE等方面的優(yōu)化。解決問題的算法主要包括李雅普諾夫優(yōu)化理論、分析法、博弈論、啟發(fā)式算法和在線算法等。

4 面向視頻流的MEC資源優(yōu)化問題與挑戰(zhàn)

在網(wǎng)絡(luò)邊緣部署MEC來應(yīng)對視頻流業(yè)務(wù)，可以有效降低傳輸時延并節(jié)省網(wǎng)絡(luò)資源。雖然目前已有大量工作對MEC面向ABR的緩存、計算和帶寬資源的分配和調(diào)度問題進(jìn)行了研究，但如何綜合考慮網(wǎng)絡(luò)各方面因素，均衡各項資源，從而使系統(tǒng)整體性能最優(yōu)，有多方面的挑戰(zhàn)和研究難點(diǎn)，本文總結(jié)了以下5個方面。

4.1 緩存轉(zhuǎn)碼帶寬資源優(yōu)化與QoE優(yōu)化的均衡問題

QoE是一種以用戶認(rèn)可程度為標(biāo)準(zhǔn)的服務(wù)評價方法，直接反映了用戶在一定客觀環(huán)境中對適用的服務(wù)或業(yè)務(wù)的整體認(rèn)可程度[24]。自適應(yīng)流媒體的發(fā)展是推動探索增強(qiáng)QoE的有效方法的關(guān)鍵驅(qū)動力，從而通過對用戶提供差異化服務(wù)來保障用戶體驗[25]。MEC中緩存轉(zhuǎn)碼帶寬資源的優(yōu)化與QoE優(yōu)化的均衡問題是一個非常有意義的研究方向，從視頻內(nèi)容提供商的角度出發(fā)，對于系統(tǒng)的優(yōu)化一般要考慮兩個維度：一方面要降低緩存、計算和網(wǎng)絡(luò)的運(yùn)營成本，另一方面又要保證終端用戶的QoE。因此，如何權(quán)衡MEC緩存轉(zhuǎn)碼帶寬資源的租賃成本與終端用戶的QoE保證，是今后研究的一個重要方向。

表1 緩存轉(zhuǎn)碼聯(lián)合優(yōu)化方案對比

4.2 緩存轉(zhuǎn)碼帶寬資源的能量效率優(yōu)化問題

MEC的部署將原本位于云端的存儲和計算資源下沉到網(wǎng)絡(luò)邊緣，一方面使得網(wǎng)絡(luò)邊緣可以對用戶請求進(jìn)行響應(yīng)，一方面可以減少回傳資源的浪費(fèi)。在MEC的網(wǎng)絡(luò)優(yōu)化方面，能量效率問題是關(guān)注的重點(diǎn)問題之一。在MEC的部署場景中，內(nèi)容的緩存、MEC的計算以及MEC之間、MEC與用戶之間的通信都會產(chǎn)生大量的能耗，從而帶來極大的能耗成本。因此，建立能量高效的資源優(yōu)化機(jī)制，對緩存、計算和通信資源進(jìn)行有效的調(diào)度，對于減少系統(tǒng)能耗、提高系統(tǒng)性能有著重要意義。在面向視頻流的MEC緩存轉(zhuǎn)碼帶寬資源的聯(lián)合優(yōu)化中，主要關(guān)注緩存能耗、轉(zhuǎn)碼能耗和傳輸能耗，如何聯(lián)合考慮MEC的計算、轉(zhuǎn)碼和傳輸，優(yōu)化提供視頻流業(yè)務(wù)的能量效率是今后研究的一個重點(diǎn)。

4.3 MEC中基于深度增強(qiáng)學(xué)習(xí)的緩存和轉(zhuǎn)碼

深度增強(qiáng)學(xué)習(xí)是將深度學(xué)習(xí)和增強(qiáng)學(xué)習(xí)結(jié)合起來，從而實現(xiàn)端對端學(xué)習(xí)的一種全新的算法，是通用的人工智能框架，目前已經(jīng)成為網(wǎng)絡(luò)優(yōu)化的重要方法和工具[26]。結(jié)合深度增強(qiáng)學(xué)習(xí)的方法，對自適應(yīng)視頻流內(nèi)容進(jìn)行緩存是一個重要研究方向。在基于ABR視頻流緩存系統(tǒng)中，每個視頻塊都有多個比特率版本，考慮到邊緣網(wǎng)絡(luò)緩存系統(tǒng)的容量限制，緩存所有比特率的視頻塊會造成緩存資源利用率的降低和網(wǎng)絡(luò)成本的增加。通過部署在網(wǎng)絡(luò)無線接入側(cè)的MEC，可以實時對網(wǎng)絡(luò)信息進(jìn)行感知，包括網(wǎng)絡(luò)鏈路狀況和用戶行為等數(shù)據(jù)[22]，利用深度增強(qiáng)學(xué)習(xí)的方法對這些信息進(jìn)行分析和學(xué)習(xí)，可以預(yù)測視頻內(nèi)容的流行度以及用戶對響應(yīng)視頻塊比特率版本的請求狀況，提前進(jìn)行資源分配和調(diào)度，對相應(yīng)視頻內(nèi)容和比特率版本進(jìn)行緩存，從而提高緩存命中率和緩存資源的利用率。

4.4 分布式的多MEC協(xié)作問題

MEC在邊緣網(wǎng)絡(luò)中的部署，通常采用分布式的方式，因此MEC帶來的緩存和計算資源也分布式的位于網(wǎng)絡(luò)的不同位置。單個MEC的存儲空間和計算能力都是有限的，過多的緩存和計算任務(wù)會給MEC服務(wù)器造成過載，而回傳到云數(shù)據(jù)中心又會產(chǎn)生較高的回傳成本，因此基于MEC分布式的部署方式，相鄰的MEC服務(wù)器之間可以協(xié)作進(jìn)行緩存和計算，當(dāng)前MEC服務(wù)器沒有相應(yīng)緩存內(nèi)容或計算資源緊張時，可以調(diào)用其他空閑MEC服務(wù)器，此類分布式協(xié)作的方式可以有效減少網(wǎng)絡(luò)運(yùn)營成本，提高網(wǎng)絡(luò)性能[27]。因此，不同MEC節(jié)點(diǎn)之間如何協(xié)作共享資源（主要包括計算和緩存資源）成為一個重要的研究問題。例如，當(dāng)用戶請求的目標(biāo)視頻內(nèi)容在本地MEC服務(wù)器沒有緩存時，如何在其他緩存有相應(yīng)內(nèi)容的MEC節(jié)點(diǎn)中選擇一個最優(yōu)的節(jié)點(diǎn)；當(dāng)本地MEC服務(wù)器的計算負(fù)荷過載時，如何將本地的計算任務(wù)卸載至其他的MEC節(jié)點(diǎn)，這都需要MEC節(jié)點(diǎn)之間的協(xié)作。因此研究基于分布式的多MEC協(xié)作的資源共享機(jī)制，以提高資源的利用率和用戶的體驗也是今后進(jìn)行資源聯(lián)合優(yōu)化的一個重要方向。

4.5 基于NFV、SDN和網(wǎng)絡(luò)切片等新型技術(shù)的資源分配問題

在自適應(yīng)視頻流場景中，不同的網(wǎng)絡(luò)環(huán)境和用戶能力可以動態(tài)適配視頻流的比特率版本，而不同類型的視頻業(yè)務(wù)和不同等級的用戶對QoE保障有著差異化的需求，另一方面，由于單MEC服務(wù)器的計算和存儲資源有限，分布式多MEC場景下的資源協(xié)同也面臨著很大的需求和挑戰(zhàn)[28]。如何針對不同業(yè)務(wù)場景，利用新型網(wǎng)絡(luò)技術(shù)實現(xiàn)資源的高效管理和分配是MEC中面向視頻流業(yè)務(wù)的重要研究課題。網(wǎng)絡(luò)切片技術(shù)可以針對不同應(yīng)用場景，將物理網(wǎng)絡(luò)切割成多個虛擬網(wǎng)絡(luò)，從而應(yīng)對不同場景中對傳輸時延、移動性、可靠性、安全性以及計費(fèi)方式的差異性，利用邊緣計算的計算、存儲和通信能力，構(gòu)建業(yè)務(wù)所在無線接入網(wǎng)絡(luò)內(nèi)的接入網(wǎng)切片，可以實現(xiàn)業(yè)務(wù)的本地處理，緩解核心網(wǎng)壓力，減少傳輸時延，改善業(yè)務(wù)性能[29]。除此之外，未來的5G網(wǎng)絡(luò)還提出了如下演進(jìn)目標(biāo)：基于SDN/NFV進(jìn)行虛擬化，進(jìn)行扁平化擴(kuò)展與增強(qiáng)，其中NFV和SDN是實現(xiàn)網(wǎng)絡(luò)切片的基礎(chǔ)，NFV提供了按需分配的可配置資源共享池，可以極大地方便資源的統(tǒng)一管理，同時SDN實現(xiàn)了集中式的控制平面，并通過為用戶提供的編程接口，使用戶可以根據(jù)上層業(yè)務(wù)和應(yīng)用個性化地定制網(wǎng)絡(luò)資源來滿足其特有的需求[30]。針對不同的業(yè)務(wù)場景，進(jìn)行有效的網(wǎng)絡(luò)業(yè)務(wù)切片和劃分，并通過SDN的全局管控和對NFV虛擬資源的合理調(diào)配，對優(yōu)化整體資源效率和網(wǎng)絡(luò)性能具有重要研究意義。

5 結(jié)束語

本文從MEC和ABR的背景和概述出發(fā)，對目前面向視頻流的緩存轉(zhuǎn)碼資源聯(lián)合優(yōu)化方案進(jìn)行了介紹和分析，并主要從緩存策略、轉(zhuǎn)碼策略和優(yōu)化方式等方面對已有方案進(jìn)行了對比。在對以上方案分析對比的基礎(chǔ)上，研究了面向視頻流的MEC資源優(yōu)化問題目前面臨的挑戰(zhàn)和研究難點(diǎn)，如與時延優(yōu)化的均衡問題、能量優(yōu)化問題和用戶行為分析以及分布式MEC協(xié)作的問題等，在網(wǎng)絡(luò)整體優(yōu)化方面具有重要意義。

[1] Cisco Mobile VNI. Cisco visual networking index: global mobile data traffic forecast update, 2016–2021 white paper[R]. 2017.

[2] STOCKHAMMER T. Dynamic adaptive streaming over HTTP: standards and design principles[C]//The Second Annual ACM Conference on Multimedia Systems, Feb 23-25, 2011, San Jose, CA, USA. New York: ACM Press, 2011: 133-144.

[3] YIN X Q, JINDAL A, SEKAR V, et al. A control-theoretic approach for dynamic adaptive video streaming over HTTP[C]//The 2015 ACM Conference on Special Interest Group on Data Communication Pages, August 17-21, 2015, London, UK. New York: ACM Press, 2015: 325-338.

[4] ETSI. Mobile edge computing—a key technology towards 5G[R]. 2015.

[5] LI Y, FRANGOUDIS P A, HADJADJ-AOUL Y, et al. A mobile edge computing-based architecture for improved adaptive HTTP video delivery[C]//2016 IEEE Conference on Standards for Communications and Networking (CSCN), Oct 29-31, 2016, Paris, France. Piscataway: IEEE Press, 2016: 1-6.

[6] WANG C C, LIN Z N, YANG S R, et al. Mobile edge computing-enabled channel-aware video streaming for 4G LTE[C]//Wireless Communications and Mobile Computing Conference, June 26-30, 2017, Valencia, Spain. Piscataway: IEEE Press, 2017: 564-569.

[7] JIN Y, WEN Y, WESTPHAL C. Optimal transcoding and caching for adaptive streaming in media cloud: an analytical approach[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2015, 25(12): 1914-1925.

[8] GAO G, ZHANG W, WEN Y, et al. Towards cost-efficient video transcoding in media cloud: insights learned from user viewing patterns[J]. IEEE Transactions on Multimedia, 2015, 17(8): 1286-1296.

[9] ZHAO H, ZHENG Q, ZHANG W, et al. A segment-based storage and transcoding trade-off strategy for multi-version VoD systems in the cloud[J]. IEEE Transactions on Multimedia, 2017, 19(1): 149-159.

[10] AHLEHAGH H, DEY S. Adaptive bit rate capable video caching and scheduling[C]//IEEE WCNC’13, April 7-10, 2013, Shanghai, China. Piscataway: IEEE Press, 2013: 1357-1362.

[11] PEDERSEN H A, DEY S. Enhancing mobile video capacity and quality using rate adaptation, RAN caching and processing[J]. IEEE/ACM Transactions on Networking, 2016, 24(2): 996-1010.

[12] WANG Z, SUN L, WU C, et al. Joint online transcoding and geo-distributed delivery for dynamic adaptive streaming[C]//IEEE INFOCOM’14, April 29-May 1, 2014, Toronto, Canada. Piscataway: IEEE Press, 2014: 91-99.

[13] WANG Z, SUN L, WU C, et al. A joint online transcoding and delivery approach for dynamic adaptive streaming[J]. IEEE Transactions on Multimedia, 2015, 17(6): 867-879.

[14] ZHENG Y, WU D, KE Y, et al. Online cloud transcoding and distribution for crowdsourced live game video streaming[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2017, 27(8): 1777-1789.

[15] TRAN T X, HAJISAMI A, PANDEY P, et al. Collaborative mobile edge computing in 5G networks: new paradigms, scenarios, and challenges[J]. IEEE Communications Magazine, 2017, 55(4): 54-61.

[16] TRAN T X, PANDEY P, HAJISAMI A, et al. Collaborative multi-bitrate video caching and processing in mobile-edge computing networks[C]//WONS’13, March 18-20, 2017, Banff, Canada. [S.l.:s.n.], 2017: 165-172.

[17] XU X, LIU J, TAO X. Mobile edge computing enhanced adaptive bitrate video delivery with joint cache and radio resource allocation[J]. IEEE Access, 2017(5): 16406-16415.

[18] LIANG C, HU S. Dynamic video streaming in caching-enabled wireless mobile networks[J]. arXiv: 1706.09536, 2017.

[19]王胡成, 徐暉, 程志密,等. 5G網(wǎng)絡(luò)技術(shù)研究現(xiàn)狀和發(fā)展趨勢[J]. 電信科學(xué), 2015, 31(9): 149-155.

WANG H C, XU H, CHENG Z M, et al. Current research and development trend of 5G network technologies [J]. Telecommunications Science, 2015, 31(9): 149-155.

[20] 李子姝, 謝人超, 孫禮, 等. 移動邊緣計算綜述[J]. 電信科學(xué), 2018, 34(1): 87-101.

LI Z S, XIE R C, SUN L, et al. A survey of mobile edge computing[J]. Telecommunications Science, 2018, 34(1): 87-101.

[21] TALEB T, SAMDANIS K, MADA B, et al. On multi-access edge computing: a survey of the emerging 5G network edge cloud architecture and orchestration[J]. IEEE Communication Surveys & Tutorials, 2017, 19(3): 1657-1681.

[22] WANG S, ZHANG X, ZHANG Y, et al. A survey on mobile edge networks: convergence of computing, caching and communications[J]. IEEE Access, 2017, 5(3): 6757-6779.

[23] TIMMERER C, GRIWODZ C. Dynamic adaptive streaming over HTTP: from content creation to consumption[C]//Proc. of ACM MM’12, Oct 29-Nov 2, 2012, Nara, Japan. New York: ACM Press, 2012: 1533-1534.

[24] 趙希鵬，張欣，楊大成，等. 基于QoE的無線網(wǎng)絡(luò)資源調(diào)度優(yōu)化研究[J]. 移動通信, 2014(22): 8-13.

ZHAO X P, ZHANG X, YANG D C, et al. Research on optimization of wireless network resource scheduling base on QoE[J]. Mobile Communications, 2014(22): 8-13.

[25] LI C, TONI L, ZOU J, XIONG H, et al. QoE-driven mobile edge caching placement for adaptive video streaming[J]. IEEE Transactions on Multimedia, 2017(9): 1.

[26] HE T Y, ZHAO N, YIN H. Integrated networking, caching and computing for connected vehicles: a deep reinforcement learning approach[J]. IEEE Transactions on Vehicular Technology, 2017, 99(10): 1.

[27] GHARAIBEH A, KHREISHAH A, JI B, et al. A provably efficient online collaborative caching algorithm for multicell-coordinated systems[J]. IEEE Transactions on Mobile Computing, 2016, 15(8): 1863-1876.

[28] WANG W, CAO J, ZHANG W. Edge computing: vision and challenges[J]. IEEE Internet of Things Journal, 2016, 3(5): 637-646.

[29] 項弘禹, 肖揚(yáng)文, 張賢, 等. 5G邊緣計算和網(wǎng)絡(luò)切片技術(shù)[J]. 電信科學(xué), 2017, 33(6): 54-63.

XIANG H Y, XIAO Y W, ZHANG X, et al. Edge computing and network slicing technology in 5G[J]. Telecommunications Science, 2017, 33(6): 54-63.

[30] GPPP E B. QoE-oriented mobile edge service management leveraging SDN and NFV[J]. Mobile Information Systems, 2017(1).

A survey on joint optimization of MEC caching and transcoding for video streaming

LI Jia, XIE Renchao, JIA Qingmin, HUANG Tao, LIU Yunjie, SUN Li

Beijing University of Posts and Telecommunications, Beijing 100876, China

To deal with the huge challenges in future mobile networks, the industry has proposed adaptive bit rate (ABR) technology and mobile edge computing (MEC), aiming to provide users with diverse services of high quality of experience, low latency and high bandwidth. Combining ABR and MEC to optimize the distribution of video content has been quite important for improving network performance and quality of experience. Especially, the joint optimization of network resources has arisen as an essential research topic. An overview of MEC was firstly given, and then the existing work in the industry on the joint optimization problem of MEC caching and transcoding oriented to adaptive streaming was analyzed and compared. Finally, the existing challenges in the future were summarized.

adaptive video streaming, MEC, caching, transcoding

TP393

A

10.11959/j.issn.1000?0801.2018222

李佳（1994?），女，北京郵電大學(xué)未來網(wǎng)絡(luò)理論與應(yīng)用實驗室碩士生，主要研究方向為5G網(wǎng)絡(luò)、移動邊緣計算等。

謝人超（1984?），男，北京郵電大學(xué)未來網(wǎng)絡(luò)理論與應(yīng)用實驗室副教授、碩士生導(dǎo)師，主要研究方向為信息中心網(wǎng)絡(luò)、移動網(wǎng)絡(luò)內(nèi)容分發(fā)技術(shù)和移動邊緣計算等。

賈慶民（1990?），男，北京郵電大學(xué)未來網(wǎng)絡(luò)理論與應(yīng)用實驗室博士生，主要研究方向為新型網(wǎng)絡(luò)體系架構(gòu)、內(nèi)容分發(fā)和移動邊緣計算等。

黃韜（1990?），男，北京郵電大學(xué)未來網(wǎng)絡(luò)理論與應(yīng)用實驗室教授、博士生導(dǎo)師，主要研究方向為新型網(wǎng)絡(luò)體系架構(gòu)、內(nèi)容分發(fā)網(wǎng)絡(luò)軟件定義網(wǎng)絡(luò)等。

劉韻潔（1943?），男，中國工程院院士，北京郵電大學(xué)教授、博士生導(dǎo)師，主要研究方向為未來網(wǎng)絡(luò)體系架構(gòu)。

孫禮（1959?），男，北京郵電大學(xué)未來網(wǎng)絡(luò)理論與應(yīng)用實驗室副教授、碩士生導(dǎo)師，主要研究方向為寬帶通信網(wǎng)絡(luò)、無線接入技術(shù)、通信網(wǎng)絡(luò)交換技術(shù)等。

2017?12?25；

2018?08?08

中央高校基本科研業(yè)務(wù)費(fèi)專項資金資助項目；國家自然科學(xué)基金資助項目（No.61501042）

The Fundamental Research Funds for the Central Universities,The National Natural Science Foundation of China (No.61501042)