PCCUA：一种基于注意力的预测驱动式联合协作缓存与用户关联算法，用于边缘网络中的实时视频流传输

《Computer Networks》：PCCUA: An Attention-Based Prediction-Driven Joint Collaborative Caching and User Association Algorithm for Live Video Streaming in Edge Networks

基于移动边缘计算（MEC）的视频流传输优化研究，提出PCCUA算法，通过注意力机制（GAT）融合多节点历史数据与全局关联，构建预测模型并设计分层缓存与动态用户关联联合优化机制，有效提升缓存命中率52.5%、降低延迟57.15%，并优化视频质量匹配度至80.19%。

　　

马华宏|赵婉|吴海洋|邢玲|邓凯凯|郑瑞娟

河南科技大学信息工程学院，中国河南省洛阳市471000

摘要

随着视频流媒体平台的日益流行，对实时视频流量的需求激增。低延迟对于实时互动至关重要，而移动边缘计算（MEC）提供了一个有前景的解决方案。通过在边缘节点主动缓存预期的内容，可以显著降低用户感知的延迟。然而，大多数现有研究未能利用节点间的关联性和协作潜力，从而限制了预测的准确性并影响了缓存和调度的整体性能。为了解决上述挑战，我们提出了PCCUA，这是一种基于注意力机制的预测驱动的协作缓存和用户关联算法。具体来说，我们引入了一种门控融合机制，根据个别用户特征动态平衡服务延迟和视频质量满意度。我们进一步设计了一个多边缘协作预测模型，该模型将图注意力网络（GAT）与局部行为建模相结合，通过捕捉节点间请求模式的相似性来准确预测未来的用户请求。基于预测结果，我们开发了一种可扩展算法，该算法利用可扩展视频编码（SVC）的分层结构来支持边缘节点的高效分层缓存和用户调度，从而满足多质量用户需求并促进层间资源共享。在典型的实验设置下，所提出的预测模型分别实现了1.57、1.16和0.71的均方误差（MSE）、平均绝对误差（MAE）和R2值，明显优于现有方法。利用这些结果，PCCUA进一步提高了缓存性能和用户体验，将缓存命中率、延迟改进率和质量匹配度分别提高了52.50%、57.15%和80.19%。

引言

近年来，实时视频流媒体服务经历了快速增长，成为增长最快的在线服务之一。这些服务使得流媒体主播和观众之间能够进行实时互动，同时也推动了游戏、电子商务和社交媒体等领域的收入增长[1]、[2]。然而，实时视频传输与传统视频点播（VoD）服务有很大不同。首先，实时流的观众受欢迎程度往往迅速波动，导致系统内的流量模式高度突发且负载波动显著。其次，由于新的实时视频服务支持交互式实时视频流媒体，实时视频传输对延迟有严格要求，高交互性要求端到端传输具有保证的实时用户体验（QoE）[3]、[4]、[5]。这对实时视频传输提出了巨大挑战。MEC在提高5G时代视频流媒体服务质量方面受到了广泛关注[6]、[7]、[8]。通过将存储和计算资源部分卸载到与用户相关的网络边缘，它使得服务请求可以在边缘而不是仅由云核心网络处理，从而有效降低系统延迟并减轻骨干网络的负担。因此，MEC成为提高实时视频流媒体QoE的自然选择[9]、[10]。

然而，MEC辅助的实时视频传输仍然面临两个关键挑战。首先，边缘节点的存储容量有限，而高质量视频内容需要更大的缓存空间。由于缓存所有视频是不切实际的，因此准确预测高度动态和不确定的用户请求并提前预缓存适当的内容变得具有挑战性。其次，MEC网络通常由大量异构的边缘节点组成。用户设备（UE）往往倾向于与传输速率较高的边缘节点关联，忽略了内容缓存状态与动态需求之间的匹配，这导致意外的延迟和服务中断的风险。近年来，从资源管理策略[11]、[12]、网络架构设计[13]、[14]和QoE感知的自适应流媒体优化[15]、[16]等多个角度对MEC网络中的实时视频流媒体进行了广泛研究。然而，这些方法仍然存在以下局限性。首先，大多数现有方法依赖于传统的内容缓存策略，未能利用视频内容的内在特性，限制了缓存资源的细粒度效率[17]、[18]。其次，缓存决策和用户-边缘关联通常独立处理，忽略了它们之间的内在依赖性，使得难以实现服务质量和系统性能的联合优化[19]、[20]。此外，大多数现有研究仅依赖单个节点的本地历史数据进行请求预测，忽略了节点间用户请求模式的潜在相关性，缺乏全局视角，这使得难以准确捕捉实时流媒体服务中高度动态和不确定的用户行为[21]、[22]。此外，现有方法在预测过程中通常采用静态建模机制，这限制了它们对用户兴趣快速变化和边缘环境异构性的适应性[22]、[23]。在实际应用中，适当调整视频质量级别是确保实时流媒体服务连续性的重要手段。SVC的分层结构使得具有不同质量需求的用户能够共享公共编码层，促进资源重用[24]、[25]。将SVC与MEC结合使用可以提高对异构用户需求的适应性，同时减少边缘的缓存冗余[26]、[27]、[28]。此外，将用户请求导向适当的边缘节点可以大大提高整体系统效率[29]。因此，应考虑视频缓存和用户关联的联合优化，以充分发挥MEC在实时视频流媒体中的潜力。

为了解决上述挑战，我们提出了一种基于预测的联合视频缓存和用户关联优化算法，该算法结合了SVC。我们首先开发了一个基于注意力的多边缘协作预测模型，该模型将GAT与局部用户行为建模相结合，以捕捉节点间的潜在关联，从而提高请求预测的准确性。在此基础上，我们设计了一个联合优化算法，以实现边缘节点间的协作分层缓存决策和动态用户关联，旨在最大化缓存命中率、降低服务延迟并提高用户满意度。本工作的主要贡献如下：

• •
  我们提出了一个基于注意力的多边缘协作预测模型，该模型将来自本地边缘节点的历史请求特征与基于全局GAT的协作分析相结合，动态捕捉节点间的用户行为模式和相似性，从而显著提高请求预测的准确性。
• •
  我们开发了一种两阶段的联合算法，用于视频缓存和用户关联。在预测的用户请求指导下，该算法实现了跨边缘节点的分层协作缓存。基于服务延迟和质量感知分数构建了一个效用函数，该函数驱动用户关联决策，从而同时降低延迟、提高缓存效率并增强用户满意度。
• •
  引入了一种门控融合机制，将用户的历史感知质量和延迟敏感性映射到可学习的融合权重中，从而动态调整用户关联决策中视频质量和服务延迟的优化优先级，实现面向个体特征的边缘节点选择。
• •
  我们进行了广泛的基于跟踪的实验，证明了所提出的算法在降低服务延迟的同时有效提高了缓存命中率和用户满意度。

相关工作

在支持MEC的视频流媒体中，缓存策略对于改善用户体验和系统效率至关重要。对于实时视频流媒体，观众行为表现出强烈的突发性和及时性。传统的缓存策略（LRU[30]、LFU[31]）难以及时响应不断变化的内容需求，通常导致缓存命中率低和服务延迟高。为了解决这个问题，主动缓存已被广泛研究。预测用户请求允许预先获取

系统架构

如图1所示，我们考虑了一个三层MEC网络架构，包括一个云服务器（CS）、N个边缘节点（表示为$N=\left\{1,......,N\right\}$）和U个用户（表示为）。CS有足够的容量存储所有视频流（表示为），所有这些视频都使用SVC进行编码。每个SVC视频被编码为L层，包括一个基础层（BL）和$L?1$个增强层（ELs）。视频层集合表示为

用户请求预测

考虑到用户偏好和行为模式的动态性，我们提出了一种基于注意力的多边缘协作模型，用于在多边缘场景中准确预测用户请求。

我们的模型根据每个边缘节点的历史用户请求数据预测下一个用户请求的内容、质量和请求时间，从而估计每个边缘节点的短期视频流行度。如图3所示，预测模型包括两个组成部分：

(1)

单边缘

问题难度

由于联合缓存和用户关联问题中存在多个整数变量和耦合约束，解决它的计算复杂性很高。以下对其NP难度提供了正式结论。

定理1

本文提出的联合缓存和用户关联优化问题是NP难的。

定理1的证明

联合缓存和用户关联问题涉及两种类型的二进制决策变量：SVC逐层缓存决策和用户到边缘的关联决策。

数据集和仿真设置

我们使用现实世界的公共MovieLens数据集¹来评估所提出的算法。该数据集包含来自6,040名用户的1,000,209条评分记录，涉及3,952部电影，每条记录包括用户ID、电影ID、评分分数和时间戳。此外，MovieLens还提供了丰富的辅助信息，如电影标题和类型，以及用户属性，包括年龄、性别和职业。MovieLens数据集已在许多研究中得到广泛应用

结论

在本文中，我们研究了实时视频流媒体的联合边缘缓存和用户关联问题，并提出了一种名为PCCUA的高效算法，以应对流媒体流量激增带来的挑战。具体来说，我们首先引入了一个基于注意力的用户请求预测模型，该模型能够动态捕捉节点间的潜在关联，并结合局部和语义相似的相邻特征，以实现更准确的请求预测

CRediT作者贡献声明

马华宏：撰写——审稿与编辑，监督。赵婉：撰写——初稿，软件，方法论。吴海洋：撰写——审稿与编辑，监督，资金获取。邢玲：撰写——审稿与编辑，监督。邓凯凯：撰写——审稿与编辑，监督。郑瑞娟：撰写——审稿与编辑，监督。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。