本文是一篇计算机论文，本文基于MEC架构，面向移动学习应用场景，提出了一种视频资源边缘缓存技术。它包括面向播放流畅度的视频资源边缘缓存方法FVECM和基于轨迹预测的边缘服务迁移方法TPESM。
1绪论
1.1 研究背景与意义
随着移动终端设备的广泛普及，基于移动终端的各种服务与应用已经成为生产和生活的重要组成部分。特别是在移动学习领域，一项调查显示COVID-19疫情导致人们对移动学习服务的需求出现爆炸式增长[1]。在移动学习应用中，视频服务占有最高比例[2]，视频播放的流畅度是影响视频播放质量的主要因素之一[3]。因此，移动学习应用的服务质量在很大程度上受到视频播放流畅度的影响。
在目前的研究中，传统的“云—终端”模式的云计算架构仍是移动学习应用的主流架构[4]。但是，由于用户和云服务器之间普遍存在较大的地理间隔，这导致了用户和云之间的端到端通信经过的路由节点较多，网络延迟较高。此外，有限的网络带宽也限制了应用服务的性能。随着社会对移动学习服务的需求的爆炸式增长，传统的云计算架构已经越来越难以满足用户对移动学习服务质量的要求。为解决云计算架构存在的问题，“云—边缘—终端”模式的移动边缘云[5]（Mobile Edge Cloud，MEC）架构应运而生。MEC通过在网络边缘安装小型的云计算的基础设施，使得云服务器更接近用户，网络环境更加稳定。因此，将移动学习应用服务部署在MEC节点上能显著提升移动学习应用的服务质量。然而，随之而来的另一个关键问题是：如何确保用户在不同地点之间移动时能够始终访问边缘服务。服务迁移是实现这一目标的方法[5]。通过服务迁移， 部署在MEC上的服务应用能始终伴随用户网络位置的移动而移动，以保证用户始终能够访问到自己的边缘服务。在传统的服务器迁移方法中[6]，由于无法预先知道每一个具体用户的移动方向与位置，这些传统方法通常通过统计大量用户在不同MEC服务区之间移动规律并以此建立概率模型来决定服务迁移的目标。然而，当出现用户运动与统计规律不符的情况时，传统方法将难以选择最优的迁移目标，从而导致服务中断时间增加，难以满足用户对服务质量的要求。
1.2 国内外研究现状
本章主要介绍了目前主流的移动学习应用架构、视频边缘缓存和边缘服务迁移等领域的相关研究工作。
1.2.1 移动学习应用架构
在移动学习应用架构方面，目前大多数的移动学习应用是基于“云—终端”的云计算架构设计的。在现有的工作中，研究者对于移动学习架构的研究可以分为两大部分：一类是对系统架构的研究，一类是对应用架构的研究。对系统架构的研究主要关注移动学习系统的网络拓扑结构设计，对应用架构的研究主要关注移动学习系统的应用服务设计。
在系统架构的研究方面，Chen等人总结了移动学习的传统模式[7]，分析了云计算的特点，提出一种基于云计算的移动学习模式。Zhang等人为移动学习应用提出一个云计算服务的架构平台[8]，该平台通过提升资源的稳定性、平衡性和可用性来满足目前的教学和研究活动的需求。Chen等人在分析了移动学习及其能从云计算中获得的各种优势后[9]，提出了一个基于云计算的移动学习系统模型，该系统模型由四层组成，即基础设施层、平台层、业务应用层和服务访问层，与基于云的电子学习系统的一般架构相似，但与之不同的是这里的服务访问层能为业务应用层提供一个对移动设备友好的访问接口。Saranya等人提出了一个基于云计算的架构来丰富移动学习应用的能力[10]，该架构由安装在教室里的网络摄像头与位于云端的服务器构成。首先，安装在教室里的网络摄像头会捕捉讲课内容。然后，讲课内容被分成几块并传输到云服务器。一旦学生通过移动设备请求访问讲座，对应的讲座视频就会从云端缓冲到终端设备的本地存储器中。Ferzli等人设计了一个基于云和移动终端的教学工具Mobi4Ed[11]，它采用了基于蜂窝信道和数据信道的两个架构，能让学生在移动终端中实时访问部署在云服务器上的算法。Masud等人提出了一种适用于校园网络的基于云计算的移动学习系统架构[12]，并将该架构应用于网络教育与网络教育云的构建。Shorfuzzaman等人提出一种基于云计算的移动学习框架[13]，它能够利用大数据分析技术从移动学习用户的数据中提取有价值的信息。
2视频资源边缘端缓存与迁移技术的体系结构与相关算法
2.1 体系结构
移动学习中视频资源边缘缓存与迁移技术分为两个主要方法，如图2.1所示。第一个方法是面向视频播放流畅度的视频资源缓存方法（FVECM）。它包括两个算法，分别为基于日期类型的带宽预测算法DBPM和面向流畅度的视频资源卸载策略FVROS。DBPM根据历史带宽数据预测带宽变化。FVROS分为两个模块，分别是静态资源卸载策略与实时动态转发。静态资源卸载策略根据当天的带宽变化与用户的移动学习计划计算每一个视频资源的卸载大小并执行预卸载，实时动态转发通过实时切换最优资源加载路径在保证系统开销尽可能小的前提下提升视频播放流畅度。第二个方法是基于轨迹预测的边缘服务迁移方法TPESM。它包括两个算法，分别为基于马尔可夫过程的实时轨迹预测算法MP-RTP和实时迁移目标选择算法RMTS。MP-RTP通过从用户历史轨迹数据中提取出用户出行规律并形式化地构建为一个马尔可夫模型，从而利用该模型进行实时轨迹预测。RMTS根据预测的用户移动轨迹、MEC节点的地理分布与MEC间通信链路的状态来筛选出最佳迁移目标并对边缘服务进行预迁移。
2.2 时间序列聚类算法
本文在面向视频播放流畅度的视频资源缓存方法FVECM的基于日期类型的带宽预测算法DBPM的研究中使用了时间序列聚类算法作为其进行日期类型分析的方法。聚类属于无监督学习分类，它可以根据某种相似度度量对数据集进行划分，将没有类别的数据样本划分成为若干个不同的子集。每一个这样的子集被称为一个簇（cluster）。聚类使得同一个簇中的数据对象彼此相似，不同簇中的数据对象彼此不同。目前，主流的聚类算法包括K-means、DBSCAN和OPTICS等[46]。本文采用的方法是一种基于K-means的时间序列聚类算法。
在一般的聚类算法中，每一个样本数据是一个向量，样本间距度量算法通常采用欧式空间距离。然而，在时间序列聚类算法中，每一个样本数据都是一个时间序列，而时间序列内不同时间片段的数据可能具有相关性，因此不能简单地使用欧氏空间距离作为时间序列样本间的相似度度量。目前，主流时间序列样本间的相似度度量方法有动态时间规整距离DTW（Dynamic Time Warping）[47][48]，基于时间序列相关性的相似度度量方法，基于时间序列自相关性的相似度度量方法和基于傅里叶变换的相似度度量方法等[49]。本文采用的时间序列聚类算法引用自tslearn算法库[50]，它采用DTW作为时间序列样本间的相似度度量，K-means作为聚类算法。
3 面向播放流畅度的视频资源边缘缓存方法.....................................16
3.1 结构与功能........................................16
3.2 DBPM带宽预测算法的实现............................17
4 基于轨迹预测的边缘服务迁移方法..........................................39
4.1 架构与功能............................................39
4.2 基于马尔可夫过程的实时轨迹预测的实现.....................40
5 总结与展望.......................................71
5.1 总结.........................................71
5.2 未来工作展望.......................72
4 基于轨迹预测的边缘服务迁移方法
4.1 架构与功能
TPESM是一种基于轨迹预测的边缘服务迁移方法。它通过预测用户轨迹来规划边缘服务的迁移目标，以保证服务的可访问性，并尽可能减少服务中断时间。TPESM由两个主要模块组成：基于马尔可夫过程的实时轨迹预测方法MP-RTP以及实时目标筛选RMTS。MP-RTP用于实时预测用户的移动轨迹，RMTS根据预测轨迹选择迁移目标。TPESM方法的架构与功能图如图4.1所示。
基于马尔可夫过程的实时轨迹预测方法（MP-RTP）：MP-RTP分为两个阶段：准备阶段、运行阶段。图4.1中，准备阶段包括数据预处理与构建马尔可夫模型，运行阶段为轨迹预测。在准备阶段：首先，安装在终端设备的GPS记录仪会以固定时间间隔采集用户GPS轨迹点并保存为用户历史轨迹；然后，对用户历史轨迹进行数据预处理，降低噪声对后续步骤的影响；最后，使用经预处理的历史轨迹数据，经过轨迹点分类、构建轨迹点列表、提取驻留点和构建模型最终构建马尔可夫模型。在运行阶段：首先，移动学习应用会实时收集最新的一个时间窗口内的用户轨迹数据；然后，根据用户实时轨迹判断用户当前状态；最后，基于准备阶段得到的马尔可夫模型以及用户当前状态预测用户状态变化，从而预测未来一个时间窗口内的用户轨迹。
5 总结与展望
5.1 总结
本文基于MEC架构，面向移动学习应用场景，提出了一种视频资源边缘缓存技术。它包括面向播放流畅度的视频资源边缘缓存方法FVECM和基于轨迹预测的边缘服务迁移方法TPESM。本文的主要贡献和创新点如下：
（1）提出了面向播放流畅度的视频资源边缘缓存方法FVECM。它包括两个部分：基于日期类型的带宽预测算法DBPM和面向流畅度的视频资源卸载策略FVROS。DBPM使用历史带宽数据预测未来带宽数据，而FVROS则基于预测的带宽数据使用静态资源预卸载缓存视频资源并采用实时动态转发作为补充。首先，DBPM会采用Min-Max Scalar对历史带宽数据进行归一化处理，并使用基于K-means的时间序列聚类算法分析其日期类型；然后，采用MPEA算法预测目标日期的日期类型，并根据预测的日期和类型从历史带宽数据中筛选出具有相同的日期类型的数据构建训练集；接着，使用该训练集训练LSTM模型，从而预测目标日期的带宽数据；最后，FVROS根据预测带宽与视频资源计算出视频资源的缓存量，并将缓存量大小的视频资源卸载到网络边缘。此外，为解决因带宽预测误差导致的视频资源欠卸载问题，在用户播放视频的过程中，FVROS还通过实时动态转发，实时选择最优加载路径。
（2）提出了基于轨迹预测的边缘服务迁移方法TPESM。它包含两个部分：基于马尔可夫过程的实时轨迹预测方法MP-RTP和实时迁移目标选择。MP-RTP通过构建为一个基于马尔可夫过程的数学模型并利用该模型进行实时轨迹预测。RMTS根据MP-RTP实时预测的用户移动轨迹、MEC节点的地理分布与MEC间通信链路的状态筛选出最佳迁移目标。TPESM分为两个阶段：数据收集阶段和实时运行阶段。在数据收集阶段：首先，MP-RTP对历史轨迹数据进行数据预处理，减小异常轨迹点对模型精度的影响；然后，将预处理后的轨迹数据分类为停留轨迹点和运动轨迹点；接着，根据分类结果构建轨迹段列表，并提取停留轨迹段的地理中心作为驻留点；最后，从轨迹段列表中提取用户运动状态转移规律，并构建马尔可夫模型。在实时运行阶段：MP-RTP会实时收集用户运动轨迹，并使用模型实时预测用户运动轨迹；RMTS根据MP-RTP实时预测的用户运动轨迹、MEC节点的地理分布与MEC之间的链路状态筛选出必选节点与最优节点并执行预迁移。
参考文献（略）