秦 瑾，焦 勇

（中電萬(wàn)維信息技術(shù)有限責(zé)任公司 中電萬(wàn)維研究院，甘肅 蘭州 730030）

0 引言

隨著5G技術(shù)的商用和各類(lèi)短視頻應(yīng)用的崛起，短視頻業(yè)務(wù)數(shù)據(jù)呈現(xiàn)指數(shù)增長(zhǎng)[1]。如果按照傳統(tǒng)云計(jì)算集中存儲(chǔ)、計(jì)算模型來(lái)響應(yīng)用戶(hù)終端大量的點(diǎn)播短視頻請(qǐng)求，將會(huì)大幅增加系統(tǒng)響應(yīng)時(shí)延，導(dǎo)致網(wǎng)絡(luò)擁塞等。為解決上述弊端，移動(dòng)邊緣計(jì)算（Mobile Edge Computing，MEC）[2-3]模式應(yīng)運(yùn)而生。MEC模式可以將云計(jì)算中心實(shí)時(shí)性要求高的業(yè)務(wù)和數(shù)據(jù)遷移到邊緣，在靠近用戶(hù)終端的邊緣側(cè)進(jìn)行分析處理，有效降低云中心的負(fù)載壓力，降低傳輸時(shí)延，提升用戶(hù)體驗(yàn)質(zhì)量。

隨著微信、抖音等短視頻應(yīng)用的興起，短視頻成為一種新的媒體方式。為了滿(mǎn)足人們對(duì)短視頻即點(diǎn)即播的需求，在MEC網(wǎng)絡(luò)架構(gòu)中采用有效的視頻緩存技術(shù)將內(nèi)容放置到合適的MEC服務(wù)器成為一項(xiàng)研究熱點(diǎn)。國(guó)內(nèi)外研究者根據(jù)不同應(yīng)用場(chǎng)景提出了差異化的緩存策略。在2014年，Ahlehagh等人[4]基于用戶(hù)偏好（User Preference Profile，UPP）實(shí)現(xiàn)的緩存策略，建立用戶(hù)偏好的分析模型，對(duì)目標(biāo)區(qū)域內(nèi)的用戶(hù)偏好進(jìn)行分析并調(diào)整緩存內(nèi)容。該策略對(duì)運(yùn)動(dòng)狀態(tài)穩(wěn)定的用戶(hù)有較好的效果，當(dāng)用戶(hù)狀態(tài)變化時(shí)，策略性能下降明顯。Sengupta等人[5]將機(jī)器學(xué)習(xí)技術(shù)和緩存技術(shù)相融合實(shí)現(xiàn)了一種分布式架構(gòu)下的緩存策略。面對(duì)小區(qū)異構(gòu)網(wǎng)絡(luò)模型，Gu等人[6]提出Q-learing技術(shù)的內(nèi)容緩存策略（Q-Learing Content Caching Strategy，QLC）。當(dāng)用戶(hù)偏好處于穩(wěn)定狀態(tài)時(shí)，QLC能夠預(yù)測(cè)和調(diào)整緩存策略，但對(duì)突發(fā)改變的用戶(hù)請(qǐng)求事件無(wú)效。文獻(xiàn)[7]基于相互協(xié)作的思想實(shí)現(xiàn)協(xié)作緩存策略（Cache Strategy Based on Cooperation，CSC）。該策略將基站之間的相互通信作為研究基礎(chǔ)，在緩存容量和用戶(hù)體驗(yàn)質(zhì)量方面性能優(yōu)越，但沒(méi)有篩選緩存內(nèi)容，導(dǎo)致大量重復(fù)內(nèi)容緩存在不同基站中造成空間損失。Traverso等人[8]提出了一種通過(guò)噪聲模型來(lái)動(dòng)態(tài)獲取內(nèi)容流行度的緩存策略（A Caching Strategy for Noise Model to Dynamically Obtain Content Popularity，NMDOCP），在抑制內(nèi)容流行度的時(shí)間局部性方面是有效的，但所采用的噪聲模型在系統(tǒng)傳輸時(shí)延方面表現(xiàn)不佳。Poularakis等人[9]提出一種用戶(hù)感知的數(shù)據(jù)資源緩存策略（User-Aware Data Resource Caching Strategy，UADR），為用戶(hù)移動(dòng)時(shí)邊緣緩存策略提供了有效解決方案。同時(shí)，基站作為封閉個(gè)體存在，當(dāng)用戶(hù)在基站間切換時(shí)，會(huì)出現(xiàn)延遲抖動(dòng)現(xiàn)象。Li等人[10]提出了一種低成本的任務(wù)調(diào)度緩存策略，旨在降低傳輸成本。

在邊緣緩存策略的研究中，盡管已有比較成熟的緩存方案，但大多數(shù)都是針對(duì)特定的應(yīng)用場(chǎng)景而產(chǎn)生，且具有相對(duì)獨(dú)立性，對(duì)用戶(hù)終端的短視頻場(chǎng)景刷新快的特點(diǎn)未作全面的分析和考慮。本文基于用戶(hù)終端短視頻請(qǐng)求刷新快的特點(diǎn)，以短視頻緩存策略為核心，在“端-邊-云”系統(tǒng)協(xié)同架構(gòu)下，建立基于最小傳輸時(shí)延和用戶(hù)體驗(yàn)質(zhì)量為目標(biāo)的緩存策略，并提出面向5G邊緣計(jì)算的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模擬退火算法緩存策略（Cache Strategy of Simulated Annealing Algorithm for Long and Short-term Memory Network，LSTM-SA）。仿真結(jié)果表明，本文所提緩存策略能夠有效降低傳輸時(shí)延，提升用戶(hù)體驗(yàn)質(zhì)量。

1 系統(tǒng)架構(gòu)及網(wǎng)絡(luò)模型

1.1 系統(tǒng)架構(gòu)

邊緣緩存策略在短視頻場(chǎng)景的應(yīng)用研究是大勢(shì)所趨[11]。在面向5G邊緣計(jì)算的短視頻緩存策略中，針對(duì)用戶(hù)對(duì)短視頻即點(diǎn)即播的需求，結(jié)合短視頻刷新快的特點(diǎn)和用戶(hù)終端在不同MEC服務(wù)器之間切換的場(chǎng)景，提出一種基于“端-邊-云”系統(tǒng)協(xié)同架構(gòu)，如圖1所示。

圖1 “端-邊-云”系統(tǒng)架構(gòu)

在上述系統(tǒng)協(xié)同架構(gòu)中，用戶(hù)終端根據(jù)需要請(qǐng)求短視頻資源。如果在靠近用戶(hù)的MEC服務(wù)端有緩存所請(qǐng)求的資源，則直接響應(yīng)請(qǐng)求結(jié)果；若在本MEC服務(wù)區(qū)域內(nèi)沒(méi)有請(qǐng)求的資源，則會(huì)在臨近的MEC服務(wù)器查找請(qǐng)求資源，若有請(qǐng)求資源，則通過(guò)MEC服務(wù)器之間的協(xié)同機(jī)制響應(yīng)請(qǐng)求結(jié)果；如在臨近的MEC服務(wù)器中沒(méi)有查找到請(qǐng)求的資源，則會(huì)通過(guò)本地MEC服務(wù)器向云中心查找請(qǐng)求資源，并通過(guò)云中心響應(yīng)查找結(jié)果。在該系統(tǒng)協(xié)同架構(gòu)中，不同的MEC服務(wù)器之間通過(guò)軟件定義網(wǎng)絡(luò)（Software Defined Network，SDN）[12]進(jìn)行控制并統(tǒng)一配置資源。在“端-邊-云”系統(tǒng)協(xié)同架構(gòu)中，采用合理的緩存策略將部分短視頻資源部署在MEC服務(wù)器中，實(shí)現(xiàn)了MEC服務(wù)器與請(qǐng)求資源的深度融合，能夠有效減少數(shù)據(jù)傳輸冗余和傳輸時(shí)延，提升用戶(hù)體驗(yàn)質(zhì)量。

1.2 網(wǎng)絡(luò)模型

本文主要考慮在用戶(hù)終端移動(dòng)場(chǎng)景中，面對(duì)短視頻刷新快的特點(diǎn)，以減少傳輸時(shí)延提升用戶(hù)體驗(yàn)質(zhì)量為目標(biāo)建立網(wǎng)絡(luò)模型。假設(shè)在邊緣端有MBS個(gè)MEC緩存服務(wù)器，用集合表示為M={1,2,3,…,MBS}；有N個(gè)用戶(hù)，用集合可表示為U={U1,U2,U3,…,UN}。定義MEC服務(wù)器緩存文件矩陣為X，若在MEC服務(wù)i中緩存了文件f，則Xif=1，若未緩存則Xif=0。每個(gè)MEC服務(wù)器服務(wù)的區(qū)域可看作半徑為ri的圓，Puf表示用戶(hù)u請(qǐng)求文件f的概率，Ni表示MEC服務(wù)器鄰居數(shù)。規(guī)定用戶(hù)在服務(wù)區(qū)域內(nèi)的運(yùn)動(dòng)速度為v，假設(shè)MEC服務(wù)器響應(yīng)請(qǐng)求內(nèi)容的時(shí)間間隔為τ，定義變量為：

當(dāng)Q=0時(shí)，表示用戶(hù)終端在時(shí)間τ內(nèi)沒(méi)有移出當(dāng)前服務(wù)區(qū)；

當(dāng)Q=1時(shí)，表示在時(shí)間τ內(nèi)移出當(dāng)前服務(wù)區(qū)。

假設(shè)下一時(shí)間段移入的MEC服務(wù)器為j，則系統(tǒng)命中率可定義為：

在空間維度可將用戶(hù)終端的移動(dòng)軌跡看作是若干個(gè)狀態(tài)的馬爾科夫鏈模型。用戶(hù)終端移動(dòng)的方向和距離可通過(guò)用戶(hù)終端移動(dòng)的歷史參數(shù)通過(guò)LSTM模型來(lái)預(yù)測(cè)當(dāng)前的位置信息。假設(shè)MEC端緩存短視頻數(shù)量為m，表示為F={f1,f2,f3,…,fm}，且fi的內(nèi)容流行度大于fj（i>j），短視頻i的大小為|fi|。用戶(hù)對(duì)短視頻的請(qǐng)求相互獨(dú)立且互不干擾，根據(jù)請(qǐng)求概率Puf，假設(shè)請(qǐng)求概率服從參數(shù)為σ的Zipf分布[13]：

式中，σ和m分別為Zipf分布的參數(shù)。根據(jù)短視頻刷新快的特點(diǎn)，假設(shè)用戶(hù)在一段時(shí)間內(nèi)可能請(qǐng)求多個(gè)視頻內(nèi)容，且每個(gè)視頻內(nèi)容的大小呈隨機(jī)分布。每個(gè)視頻內(nèi)容都有延時(shí)要求dt，即MEC服務(wù)器在這個(gè)時(shí)間段內(nèi)必須完成請(qǐng)求內(nèi)容的響應(yīng)，否則視為請(qǐng)求無(wú)效。

緩存策略的核心思想是根據(jù)短視頻集合的屬性和用戶(hù)請(qǐng)求將短視頻集合中的某些短視頻緩存到MEC緩存服務(wù)器，形成緩存矩陣X。在這個(gè)過(guò)程中，緩存系統(tǒng)總時(shí)延為用戶(hù)終端從MEC緩存服務(wù)器請(qǐng)求短視頻內(nèi)容至收到響應(yīng)的時(shí)延和用戶(hù)終端從云中心請(qǐng)求短視頻內(nèi)容至收到響應(yīng)的時(shí)延代數(shù)和。要使總時(shí)延最小，使上述請(qǐng)求盡可能在MEC緩存服務(wù)器中得到響應(yīng)。假設(shè)dM表示用戶(hù)終端從MEC服務(wù)器請(qǐng)求的時(shí)延，dY表示從云中心請(qǐng)求的時(shí)延，則總時(shí)延為：

式中，θ為命中率。約束條件為：（1）每個(gè)MEC緩存服務(wù)器緩存文件的總大小不能大于該MEC緩存服務(wù)器緩存容量的大??；（2）每個(gè)視頻內(nèi)容文件傳輸時(shí)延要小于它要求的時(shí)延dt，且請(qǐng)求時(shí)延服從參數(shù)為(σ,N)的Zipf分布。

于是，優(yōu)化策略問(wèn)題可以定義為：

求解上述最優(yōu)解，就是在約束條件下求解系統(tǒng)的最小時(shí)延DT。

2 LSTM-SA緩存策略

長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）[14]是一種時(shí)間循環(huán)網(wǎng)絡(luò)，是為有效解決長(zhǎng)時(shí)依賴(lài)問(wèn)題而提出的。因?yàn)楸疚挠脩?hù)終端的移動(dòng)性問(wèn)題可抽象為馬爾可夫模型，所以LSTM對(duì)于時(shí)間序列預(yù)測(cè)問(wèn)題更加有效。LSTM網(wǎng)絡(luò)模型具有輸入門(mén)、輸出門(mén)和遺忘門(mén)的獨(dú)特結(jié)構(gòu)，因此能夠根據(jù)用戶(hù)終端歷史軌跡信息預(yù)測(cè)當(dāng)前目標(biāo)MEC服務(wù)器。所以，在該策略模型中選擇LSTM網(wǎng)絡(luò)模型能夠?qū)δ繕?biāo)MEC服務(wù)器做出準(zhǔn)確預(yù)測(cè)。

模擬退火算法（Simulated Annealing Algorithm，SA）[15]是一種基于概率的算法，將物體的退火過(guò)程應(yīng)用到約束條件下的組合優(yōu)化問(wèn)題是其核心思想。該算法假設(shè)物體從某一高溫開(kāi)始退火，且溫度參數(shù)逐漸下降，在迭代過(guò)程中逐步尋求全局最優(yōu)解。該算法在并行執(zhí)行的同時(shí)具有收斂速度快的優(yōu)點(diǎn)，對(duì)NP-hard問(wèn)題是一種有效的解決方法。

求解上述約束條件下系統(tǒng)最小時(shí)延問(wèn)題是NPhard問(wèn)題，因此可結(jié)合長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)和模擬退火算法本身的優(yōu)越性，既可以準(zhǔn)確快速預(yù)測(cè)用戶(hù)終端移動(dòng)的特征并獲得局部最優(yōu)解，又可以通過(guò)模擬退火算法求解全局最優(yōu)解并實(shí)時(shí)更新緩存矩陣。鑒于此，本文提出了長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模擬退火算法的緩存策略（Cache Strategy of Simulated Annealing Algorithm for Long and Short-term Memory Network，LSTM-SA），在用戶(hù)終端移動(dòng)的時(shí)候能夠最大限度在MEC緩存服務(wù)器終端請(qǐng)求到內(nèi)容，并以最小化傳輸時(shí)延為優(yōu)化目標(biāo)。

2.1 目標(biāo)MEC服務(wù)器預(yù)測(cè)

在實(shí)際應(yīng)用場(chǎng)景中[16]，當(dāng)用戶(hù)終端在MEC服務(wù)器之間移動(dòng)時(shí)，MEC緩存服務(wù)器里存儲(chǔ)的內(nèi)容會(huì)隨之失去價(jià)值。如果用戶(hù)正在請(qǐng)求短視頻文件時(shí)發(fā)生用戶(hù)終端切換MEC服務(wù)器的情況，則請(qǐng)求將被中斷。本文采用LSTM網(wǎng)絡(luò)模型預(yù)測(cè)用戶(hù)終端下一時(shí)間段有可能會(huì)切換的目標(biāo)MEC服務(wù)器，在該MEC服務(wù)器中提前緩存用戶(hù)終端所請(qǐng)求的文件或正在觀看的短視頻文件，在用戶(hù)終端移動(dòng)的同時(shí)實(shí)現(xiàn)MEC服務(wù)器緩存資源的無(wú)縫切換和視頻的流暢播放。

LSTM網(wǎng)絡(luò)模型主要包括輸入門(mén)、輸出門(mén)、遺忘門(mén)和一個(gè)記憶單元。遺忘門(mén)用來(lái)選擇性忘記之前一些次要狀態(tài)信息。在忘記部分次要狀態(tài)信息后，需要從當(dāng)前的狀態(tài)增加新的記憶，這由輸入門(mén)實(shí)現(xiàn)。LSTM模型在計(jì)算得到新的狀態(tài)后需要輸出當(dāng)前時(shí)刻的狀態(tài)，此時(shí)由輸出門(mén)來(lái)實(shí)現(xiàn)。具體網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2所示。

在如圖2所示的LSTM網(wǎng)絡(luò)模型中，用來(lái)控制信息傳遞的細(xì)胞狀態(tài)為Ct；上一序列狀態(tài)為ht-1和當(dāng)前序列輸入數(shù)據(jù)為Xt；通過(guò)激活函數(shù)得到遺忘門(mén)的輸出ft，且ft∈[0,1]，ft表示遺忘上一層隱藏細(xì)胞狀態(tài)的概率。它的表達(dá)式為：

式中，Wf和bf分別表示線性關(guān)系的系數(shù)和偏置，σ為激活函數(shù)。

輸入門(mén)負(fù)責(zé)實(shí)現(xiàn)當(dāng)前序列的輸入。輸出由兩部分組成：第一部分輸出it，使用σ激活函數(shù)實(shí)現(xiàn)；第二部分輸出at，使用tanh激活函數(shù)實(shí)現(xiàn)。

輸入輸出的表達(dá)式分別為：

圖2 LSTM網(wǎng)絡(luò)模型

細(xì)胞狀態(tài)的更新由輸入門(mén)和遺忘門(mén)共同的結(jié)果確定。更新規(guī)則表示為：

細(xì)胞狀態(tài)Ct更新后，輸出狀態(tài)ht的更新由ot、Ct以及tanh激活函數(shù)決定，表達(dá)式分別如下：

預(yù)測(cè)下一時(shí)間段目標(biāo)MEC服務(wù)器基本流程如下：

（1）輸入用戶(hù)終端歷史移動(dòng)軌跡所經(jīng)歷的MEC服務(wù)器集合H和時(shí)間片τ；

（2）根據(jù)歷史移動(dòng)軌跡，采用LSTM網(wǎng)絡(luò)模型，預(yù)測(cè)用戶(hù)終端下一時(shí)間段將要切換到的MEC服務(wù)器，同時(shí)通過(guò)ft遺忘門(mén)忘記一些無(wú)關(guān)信息；

（3）通過(guò)輸入門(mén)生成it和at狀態(tài)信息，同時(shí)以一定概率更新細(xì)胞狀態(tài)Ct；

（4）以ft概率更新Ct-1的狀態(tài)為Ct狀態(tài)；

（5）生成ot，并由ot和Ct決定下一時(shí)間段將要移動(dòng)到的MEC服務(wù)器ht；

（6）在MEC服務(wù)器ht中計(jì)算所請(qǐng)求的短視頻傳輸總時(shí)延Dt得到局部最優(yōu)解，并更新局部緩存矩陣X。

2.2 短視頻緩存策略流程

通過(guò)LSTM網(wǎng)絡(luò)模型預(yù)測(cè)目標(biāo)MEC服務(wù)器，并得到傳輸時(shí)延局部最優(yōu)解，再通過(guò)SA算法在局部最優(yōu)解中尋求全局最優(yōu)解，更新全局緩存矩陣。當(dāng)用戶(hù)終端在不同MEC服務(wù)器之間切換時(shí)，能夠?qū)A更新后的緩存矩陣實(shí)時(shí)更新到下一目標(biāo)MEC緩存服務(wù)器，實(shí)現(xiàn)用戶(hù)終端在無(wú)感知狀態(tài)下完成MEC緩存服務(wù)器切換和短視頻連續(xù)播放。

根據(jù)Metropolis準(zhǔn)則，結(jié)合SA算法，比較此時(shí)溫度與上一時(shí)刻溫度下的解（用戶(hù)終端未切換到新的MEC服務(wù)器）。在緩存矩陣中任意選取兩個(gè)短視頻文件，若兩者在切換到下一MEC服務(wù)器的傳輸時(shí)延縮短，則接受新解；若在新的MEC服務(wù)器中傳輸時(shí)延增加，則拒絕接受新解。

定義下列概率用來(lái)接受新解：

式中，DT表示在當(dāng)前溫度T下的傳輸時(shí)延，表示用戶(hù)終端未切換MEC服務(wù)器時(shí)的傳輸時(shí)延。

短視頻緩存策略的基本流程如下所示：

（1）參數(shù)初始化，主要包括迭代次數(shù)、目標(biāo)MEC服務(wù)器位置信息、初始溫度和終止溫度；

（2）采用LSTM網(wǎng)絡(luò)模型預(yù)測(cè)目標(biāo)MEC服務(wù)器，根據(jù)式（4）構(gòu)造解空間；

（3）按照傳輸時(shí)延計(jì)算局部最優(yōu)解，并根據(jù)DT更新局部緩存矩陣X；

（4）采用SA，目標(biāo)MEC服務(wù)器局部緩存矩陣X的傳輸時(shí)延，并根據(jù)Metropolis準(zhǔn)則決定是否要接受新解；

（5）判斷當(dāng)前溫度下得到的局部最優(yōu)解是否收斂于某一穩(wěn)定值，若滿(mǎn)足則繼續(xù)下一步，若不滿(mǎn)足則返回步驟（4）；

（6）根據(jù)式（6）、式（7）和式（8）約束規(guī)則，計(jì)算全局傳輸時(shí)延DT，同時(shí)更新全局緩存矩陣X；

（7）若當(dāng)前溫度下降至最小回火溫度，則輸出最優(yōu)解，否則返回步驟（2）。

3 仿真實(shí)驗(yàn)

為了驗(yàn)證“端－邊－云”系統(tǒng)協(xié)同架構(gòu)下LSTM-SA緩存策略的有效性，將其與UPP、QLC、CSC等緩存策略在命中率、傳輸時(shí)延、吞吐量、丟包率等性能指標(biāo)進(jìn)行對(duì)比分析。

3.1 仿真環(huán)境

在仿真實(shí)驗(yàn)中，輸入的視頻數(shù)據(jù)主要包括視頻ID、視頻名稱(chēng)、視頻大小以及流行度。用戶(hù)數(shù)據(jù)主要包括用戶(hù)ID、位置信息、所連MEC服務(wù)器數(shù)、時(shí)間片內(nèi)移動(dòng)的距離、用戶(hù)偏好集、總流行度、流行度波動(dòng)參數(shù)以及目標(biāo)MEC服務(wù)器位置。MEC服務(wù)器數(shù)據(jù)主要包括基站數(shù)量、基站半徑、基站內(nèi)的用戶(hù)數(shù)以及緩存隊(duì)列等。具體仿真參數(shù)如表1所示。

表1 實(shí)驗(yàn)仿真參數(shù)

3.2 結(jié)果分析

3.2.1 命中率

命中率主要是指短視頻資源成功在MEC邊緣緩存服務(wù)器（或鄰居MEC緩存服務(wù)器）內(nèi)找到并響應(yīng)的次數(shù)和總請(qǐng)求次數(shù)的比值。仿真參數(shù)按照表1進(jìn)行設(shè)定。在不同迭代次數(shù)下，本文所提緩存策略和上述3種策略的命中結(jié)果如圖3所示。

圖3 命中率隨迭代次數(shù)性能分析結(jié)果

從圖3仿真結(jié)果看，在開(kāi)始迭代時(shí)，本文所提LSTM-SA策略命中率性能相比于其他策略性能稍差，主要是因?yàn)樵陂_(kāi)始迭代時(shí)終端用戶(hù)的歷史軌跡信息較少，導(dǎo)致對(duì)用戶(hù)移動(dòng)的目標(biāo)MEC服務(wù)器出現(xiàn)偏差。隨著迭代次數(shù)的增加，系統(tǒng)收集到的用戶(hù)終端軌跡數(shù)據(jù)逐漸增多，預(yù)測(cè)結(jié)果愈發(fā)準(zhǔn)確，命中率也隨之上升?？梢?jiàn)，本文所提策略在隨著迭代次數(shù)的增加，命中率整體優(yōu)于其他3種策略。

3.2.2 傳輸時(shí)延

這里傳輸時(shí)延主要是指用戶(hù)終端發(fā)送請(qǐng)求到接收響應(yīng)的總時(shí)延。傳輸時(shí)延越小，系統(tǒng)緩存策略性能越好，用戶(hù)體驗(yàn)質(zhì)量越高。圖4為本文所提策略和上述3種策略在不同迭代次數(shù)下傳輸時(shí)延性能比較的結(jié)果。

圖4 總傳輸時(shí)延隨迭代次數(shù)性能分析結(jié)果

從仿真結(jié)果可知，本文所提LSTM-SA策略隨著迭代次數(shù)的增加，在總的傳輸時(shí)延方面有更好的性能。因?yàn)樵撍惴ㄡ槍?duì)用戶(hù)終端的移動(dòng)場(chǎng)景采取了預(yù)測(cè)路徑和實(shí)時(shí)更新緩存矩陣，同時(shí)在傳輸時(shí)延方面較其他算法具有顯著的有效性。此外，CSC算法考慮了基站之間的協(xié)同響應(yīng)機(jī)制，因此在傳輸時(shí)延方面也具有較好的性能。

3.2.3 吞吐量

當(dāng)用戶(hù)終端大量請(qǐng)求短視頻資源時(shí)，較高的吞吐量能夠保證請(qǐng)求資源得到及時(shí)快速的響應(yīng)和傳輸，同時(shí)能夠保證用戶(hù)端更流暢地播放。系統(tǒng)吞吐量性能指標(biāo)在不同迭代次數(shù)下的性能指標(biāo)，如圖5所示。

圖5 吞吐量隨迭代次數(shù)性能分析結(jié)果

從仿真結(jié)果可知，隨著迭代次數(shù)的增加，上述所有策略吞吐量性能指標(biāo)均增加并最終趨于穩(wěn)定，但CSC算法是基于基站之間相互協(xié)作的通信方式，且未充分考慮用戶(hù)終端的移動(dòng)性，因此相比于其他的算法在吞吐量方面稍欠佳。本文所提策略在充分考慮用戶(hù)終端移動(dòng)性的基礎(chǔ)上，考慮MEC服務(wù)器之間的相互協(xié)作關(guān)系，當(dāng)用戶(hù)端有大量視頻請(qǐng)求時(shí)能夠有效快速響應(yīng)，因此其吞吐量性能指標(biāo)方面較其他幾種算法具有優(yōu)勢(shì)。

3.2.4 丟包率

在短視頻傳輸過(guò)程中，如果丟包率過(guò)高，會(huì)導(dǎo)致中斷播放和停頓現(xiàn)象。因此，丟包率也是衡量系統(tǒng)性能的指標(biāo)之一。系統(tǒng)的丟包率性能指標(biāo)在不同迭代次數(shù)下的仿真結(jié)果，如圖6所示。

圖6 丟包率隨迭代次數(shù)性能分析結(jié)果

從仿真結(jié)果可知，隨著迭代次數(shù)的增加，丟包率逐步降低。本文所提策略隨著迭代次數(shù)的增加，丟包率低于UPP、OLC、CSC策略。因?yàn)楫?dāng)用戶(hù)終端移動(dòng)時(shí)，通過(guò)LSTM模型預(yù)測(cè)目標(biāo)MEC服務(wù)器并更新緩存矩陣，提前將要請(qǐng)求的短視頻內(nèi)容緩存到目標(biāo)MEC服務(wù)器，使內(nèi)容請(qǐng)求和傳輸更加連續(xù)和流暢，減少了丟包現(xiàn)象的發(fā)生。

4 結(jié)語(yǔ)

隨著5G技術(shù)的商用，用戶(hù)終端短視頻業(yè)務(wù)數(shù)據(jù)呈現(xiàn)出指數(shù)級(jí)增長(zhǎng)。當(dāng)用戶(hù)終端在不同MEC服務(wù)器區(qū)域內(nèi)切換時(shí)，用戶(hù)終端能夠?qū)崿F(xiàn)業(yè)務(wù)的連續(xù)性和短視頻資源的及時(shí)響應(yīng)。本文基于“端-邊-云”協(xié)同架構(gòu)建立以最小化時(shí)延為目標(biāo)、提升用戶(hù)體驗(yàn)質(zhì)量的網(wǎng)絡(luò)模型，實(shí)現(xiàn)了短視頻資源的合理調(diào)度及響應(yīng)。針對(duì)用戶(hù)終端的移動(dòng)性和短視頻刷新快的特點(diǎn)，提出了LSTM-SA視頻緩存策略，可通過(guò)LSTM網(wǎng)絡(luò)模型預(yù)測(cè)目標(biāo)MEC服務(wù)器并給出局部最優(yōu)解。同時(shí)，SA算法在前述預(yù)測(cè)最佳路徑的基礎(chǔ)上，可通過(guò)時(shí)延信息搜尋全局最優(yōu)解并實(shí)時(shí)更新緩存矩陣，將其緩存到最佳目標(biāo)MEC服務(wù)器。仿真實(shí)驗(yàn)表明，本文所提LSTM-SA緩存策略相比其他緩存策略具有較高的命中率、較低的傳輸時(shí)延、較高的吞吐量和較低的丟包率，有效提升了用戶(hù)體驗(yàn)質(zhì)量。