基于边缘计算的高效视频内容分发关键技术与挑战

孙立峰，胡 文，马 茗，庞海天

(清华大学 计算机科学与技术系,北京100084)

0 引言

当前全球网络数据流量呈爆发式增长，视频已经成为网络流量的主要载体。得益于互联网带宽的持续增加、多媒体压缩技术的进步和爆发式的用户需求，多媒体视频内容正变成互联网中的“杀手级”应用[1]。思科的网络预测指数[2]显示，2017年全球数据流量的75%是视频内容，而这一数字被预测将在2022年到达82%。除了爆发式增长的视频数据量，多媒体视频内容正呈现出以下3个趋势。

(1) 高质量的视频观看需求

随着互联网的带宽不断增加，视频观看的清晰度需求也在持续上升。用户在享受高清视频(720p)和全高清视频(1080p)的同时，对于更高清晰度视频的需求也随之产生。4K 超高清视频(Ultra-High-Definition，UHD)对于带宽的需求在15～18 Mbps，这是高清视频带宽需求的2倍。思科预计到2022年UHD视频将会占据22% 的视频流量。与此同时，虚拟现实和增强现实视频(VR，AR)的数据量也会在2017-2022 年间增长12倍，这种多媒体视频可以让用户自由转换观看角度。为了提供良好的用户体验，需要在用户视角变换的情况下提供高清的多方向视频块，这给高质量的视频分发提出了更高的挑战。

(2) 实时互动需求

在过去几年里，实时互动直播大量兴起，比如美国的Twitch TV，中国的斗鱼、映客及快手等。在这些平台上，普通用户可以通过移动设备提供视频直播服务，并且可以通过伴随直播的聊天室与观众进行互动。在这种服务中，普通用户不仅仅作为内容的消费者，还作为内容的生产者。这种服务与传统的直播服务不同点在于：第一，主播的直播设备是以普通网络进行连接的设备(如个人电脑、手机等)，较低的准入门槛使得移动直播的频道数量远远大于传统的直播服务；第二，观众不仅仅观看视频直播，还可以参与到直播当中，甚至这种观众与主播之间的互动就是移动直播服务所提供的用户体验中很重要的一部分；第三，由于大量的视频源是由非专业主播提供的，源视频的质量(分辨率等)呈现出高度异构性。例如，在我们对映客平台的测量中，在大约3个月的时间中就有120万个主播共计建立了2 500万次直播会话，吸引了15亿次用户观看。在Twitch平台的Twitch Plays Pokemon频道中，游戏进程的走向甚至是由直播间中大多数观众的意见来决定的。

(3) 视频服务移动性

随着高速无线网络(WiFi，4G等)的广泛部署和移动数据流量价格持续降低，用户使用移动无线网络观看多媒体视频服务的比重逐渐增加。思科的报告[2]显示2017年移动视频流量占据了移动网络总流量的59%，而这一比例会持续上升，预计至2022 年该比例会上升至79%。随着5G 网络的快速发展，未来的无线网络将会支持更多超高清视频、360°全景视频和互动直播视频等多媒体形式。用户观看视频的载体也正在转向移动智能设备。

以上分析说明，网络多媒体特别是网络视频不仅在数据流量上出现爆发式增长，其呈现出的新趋势也给内容分发提出了更高的挑战。如何迎接这种挑战，进而有效地解决内容分发的问题，是学术界和工业界都在关注的问题。

1 网络视频分发趋向边缘

1.1 现有视频内容分发架构

视频流媒体的分发已经有了很长的历史，在不同的时期也有不同的分发系统架构演化出来，其发展主要经过了以下几个阶段。

1.1.1 客户端服务器架构(Client-server)

在20世纪90年代，互联网的流行开始促使将视频流媒体分发给大量客户端的需求。当时学术界和工业界的研究工作聚焦于为专用的流媒体服务器设计和实现新的网络流媒体协议。当时发展的技术主要有传输层的流媒体协议、码率控制、错误控制、代理缓存、IP 层多播及应用层多播。

1.1.2 对等网络架构(Peer-to-Peer，P2P)

客户端服务器架构的视频分发系统在扩展性上还是有限的，为了满足更多用户的需求，对等网络架构被广泛应用到直播和视频点播流媒体当中。对等网络的设计是基于终端用户(也可被称为对等方)，可以既做客户端又做服务器端，这与客户端服务器的系统架构是完全不同的。对等网络的设计架构有两大优势：第一，它不需要部署特定的网络设施，因此易于部署且节省资源；第二，在对等网络设计中，对等方不仅下载视频流，也会上传视频流供其他观看相同内容的对等方使用。这样系统的服务能力就会随着用户群的扩大而扩大，因为更多的需求会产生更多的供给。

1.1.3 内容分发网络(Content Delivery Network，CDN)

内容分发网络会将大量的服务器部署在多个地理位置不同的地点，通过多个网络运营商(Internet Service Provider)做分发。CDN 允许用户从最近的服务器接收视频流媒体，即用户请求会基于地理位置的接近和服务器负载被重定向到最好的可用服务器上。CDN 分发架构目前广泛被工业界采纳，如Netflix,Youtube,Hulu。

1.1.4 基于云的分发架构(Cloud)

用户产生的内容(User Generated Content，UGC)已经根本地改变了视频流媒体的格局。用户产生的视频内容平台，例如YouTube，与用户产生的直播视频内容平台，例如映客、快手、Twitch 等正在以爆发式和高度动态的方式产生大量的数据流量。云计算的设计逻辑是与P2P 系统完全相反的。由于云中有丰富的网络资源和基于用量的定价模型，基于云计算平台的视频流媒体服务数量正在增加。举例来说，最领先的视频流媒体服务提供商之一Netflix已经被报道使用了云服务[3]。基于云计算模式的视频流媒体分发迅速超过了对于P2P网络架构的关注。云计算平台可以提供可靠、弹性和成本低廉的资源，并且能够支持可扩展和动态的网络服务。与此同时，因为云服务和用户需求在全球分布的异构性，云这种中心式的分发架构也无法很好地服务地理位置分布过于分散的需求。

1.2 边缘计算辅助的视频分发

因为视频分发需求的爆发式增长，核心网络与内容分发网络升级的速度很难支撑如此大的需求增长。同时，用户对多媒体视频服务质量的期望持续增加，即高码率低延迟的网络内容分发。当前的骨干网络负载过重，网络拥塞时常发生，因此依靠边缘侧设备的网络、计算、存储能力进行内容分发成了潜在的解决方案。

边缘计算是指在靠近请求源头的一侧，采用网络、计算、存储能力，就近提供最近端服务。其用户请求在边缘侧发起，服务在边缘侧执行，产生更快的网络服务响应，节省带宽。因边缘计算的架构有望降低视频内容对骨干网的带宽压力，并提供给用户更好的观看体验，因此基于边缘计算的内容分发方案正在成为学术界的研究热点。边缘计算的基础设施有几类：第一，移动边缘计算(Mobile Edge Computing，MEC)成为5G 中重要的使能技术。通过在5G 网络的通信基站中部署有计算和存储能力的边缘设备，为车联网、工业互联网及VR/AR 等应用提供超低延迟与可靠的服务。第二，当前很多有计算存储能力的WiFi 热点与专用的边缘存储设备。例如，迅雷作为中国最大的在线内容下载服务提供商之一，在用户侧部署了大量边缘网络设备构建“星云CDN”[4]用于缓存和分发内容。以上的基础设施使得边缘计算成为可能，通过边缘计算来进行内容分发也有如下的优势：存储在边缘侧的内容离用户更近，这可以大量减少核心网络的传输开销；因为在更靠近用户的位置提供服务，可以大幅降低用户的延迟。具体地，利用边缘节点的存储空间，可以做局域的内容缓存，然后通过边缘的网络能力进行内容分发。同时，利用边缘节点的计算能力还能够提供视频转码、分布式智能决策等计算资源消耗大的服务。

2 基于边缘计算的视频分发挑战

基于边缘计算的视频内容分发，已经成为当前学术界、产业界关注的热点[5]，目前存在很多有挑战性的内容没有被完全解决，具体体现在资源、用户、内容三个方面。

2.1 边缘资源分布特性

2.1.1 不均匀性

小型基站(Small Base Station)[6]、毫微微蜂窝(femto-cell)[7]等蜂窝网络资源以及机顶盒[8]、家庭智能路由器[9]等用户资源作为靠近用户的“最后一公里”资源，由于受运营商部署更新和用户自主安装的限制，边缘网络资源呈现出地域分布分散、资源密度不均、缺乏统一管理规划等特征。网络状态动态时变，边缘可用网络资源也呈现动态变化特性。

2.1.2 多样性

边缘节点具有不同的网络接入和计算存储资源，且受用户在线时间影响，导致边缘节点资源异构多样，对于实现高效的边缘资源调度，以及支持高质量、低延迟的视频传输与分发带来严峻的挑战。

2.2 边缘用户差异性

2.2.1 观看行为差异

用户的视频观看行为直接决定视频传送的方式，不同的观看行为决定内容复制和传输策略。同时，有研究表明，网络接入方式(WiFi，3G/4G)对于用户行为(如观看时长)等产生一定的影响[10]。相比3G/4G用户，通过WiFi观看视频的用户会观看更多视频，并且平均观看时间更长。因此，边缘内容传送策略需要考虑用户行为的差异性。

2.2.2 区域偏好差异

不同地理区域存在商业属性和该区域用户职业、年龄、文化程度的不同，不同区域的视频流行度呈现出较高的差异性。单纯基于全局流行度部署和复制视频内容到网络边缘节点，将降低整个系统的效率。低访问量视频内容的边缘复制，导致用户请求被重定向到中央服务器，造成服务器负载增加，用户延迟增加引起体验下降，同时内容复制开销带来网络资源浪费。

2.2.3 小群体特性

利用边缘设备分发视频内容，单个边缘节点服务的用户数量远远少于全局用户数，导致边缘网络用户请求、用户行为等数据更加稀疏，随机性更大。传统的基于内容流行度的内容复制模式难以刻画小群体用户特征。图1显示了在不同区域划分粒度下区域间内容流行度的平均相似性，从图中可以看出相似性系数随着区域不断细分而变小，表明小区域之间用户视频偏好差异性大的特征。这种小群体行为特性需要实时预测小群体行为下的视频内容流行度及相应的内容边缘复制策略。

图1 不同划分粒度下区域内容相似指数热度图Fig.1 Content similarity between neighbor regions under different geography granularity

2.3 内容请求动态性

边缘计算设备因具有存储功能，可以被用来缓存视频内容。通过边缘缓存来进行视频分发有以下好处：第一，节省核心网络带宽；第二，降低用户访问内容的延迟。由于多媒体视频内容(如实时互动直播)的形式对于延迟要求越来越高，同时对带宽要求也越来越高(如超高清视频)，边缘缓存可以很好地满足这两个要求。然而，因为用户对内容请求的模式具有高度动态性，如何准确预测内容请求模式并针对性地做边缘缓存策略就成为很大的挑战。具体地，用户在不同状态和不同地区请求视频的类型会有很大的异构性，如果没有对用户群体行为的精确刻画，将导致边缘缓存资源很大的浪费。另外，因为边缘节点之间有网络连接，如何在大量互联的边缘节点之间形成高效的协同就成为另一个重要问题。举例来说，如果一个热门视频内容在区域内的大多数边缘节点上都进行了缓存，由于边缘节点的互联性，会造成内容缓存的大量冗余，即导致资源浪费。

3 基于边缘计算的视频分发体系架构

与CDN 和云计算相比，边缘计算架构[11]强调在最接近终端用户的地方，部署密集并且地理位置广泛分布的，拥有存储、计算和网络资源的边缘服务节点“最近”服务用户，以节省骨干网络带宽，降低服务延迟，提供更好的服务质量(Quality of Service，QoS)。目前主要有两类边缘设施资源：

① 移动边缘计算(Mobile Edge Computing，MEC)是一项新技术，已经在欧洲电信标准协会(European Telecommunications Standards Institute，ETSI)的行业规范组中进行标准化[12]。移动边缘计算节点部署在移动网络边缘的无线接入网络(Radio Access Network，RAN)内，与5G基站直连，可以为附近用户提供互联网服务环境和云计算服务。AT&T、华为等网络基础设施服务提供商均宣布在2018 年开始逐步商业化运营此类5G基站。

② 拥有存储计算资源的定制化边缘智能设备，例如，国内在线视频服务提供商优酷和CDN提供商ChinaCache合作推出了可在用户家庭进行内容缓存和分发的优酷路由宝，内容提供商迅雷同样通过激励用户家庭部署专属设备(迅雷水晶赚钱宝)辅助其内容分发。

边缘节点的引入，为视频内容分发系统设计带来了新的思路，基于边缘计算的视频分发体系架构主要包括面向“最后一公里”的边缘分发网络、面向“第一公里”的内容收集网络以及云-边协同的计算迁移与内容分发架构3个组成部分，如图2所示。

图2 基于边缘计算的视频分发体系架构Fig.2 Architecture of edge computing based video delivery

3.1 面向“最后一公里”的边缘分发网络

网络最后一跳的质量通常决定了用户感知到的服务质量，面向“最后一公里”的边缘分发网络利用边缘节点的缓存能力，将内容部署到更靠近用户的边缘设备上进行缓存和分发，方便用户就近获取内容，提升用户体验。边缘内容分发需要研究面向边缘节点的内容复制和缓存替换策略。

内容复制策略主要解决在边缘节点上缓存哪些内容、在什么时候缓存内容以及如何将缓存内容部署在边缘节点的问题。按照内容部署方式的不同，边缘节点上的内容复制策略可以分为内容推送和内容预取。

缓存替换策略解决在何时对本地缓存中的内容进行替换，以及替换哪些内容的问题。实际系统中广泛使用最近最少使用算法(Least Recently Used，LRU)，具有实现简单、运行高效的优点，但没有考虑内容流行度等影响用户访问模式的因素，因此缓存命中率较低，需要针对边缘内容访问特性研究新的替换策略。

3.2 面向“第一公里”的内容收集网络

Twitch TV 和映客等移动直播服务近年来已成为重要的网络视频应用。这种流媒体服务中的视频传输包括两个步骤：① 视频上传，即视频主播生成的视频流(即直播间)被上传到服务器，称之为网络传输的“第一公里”；② 视频分发，即视频流从服务器传输到直播间中的观众。今天的移动直播服务通常使用传统的CDN 解决方案来解决视频分发问题，而很少关注第①步中提高视频上传质量的问题。通过对大规模移动直播上传的网络数据进行分析发现，“第一公里”的网络质量会极大地影响用户观看体验，如图3和图4所示。直播过程中17%的大规模用户卡顿是由主播上传链路故障导致，进而引发大量用户退出直播。

图3 现有移动直播视频分发架构Fig.3 Existing mobile live video broadcasting distribution architecture

因此，需要针对现有系统未考虑主播上传网络优化的缺陷，研究基于边缘中继构建面向“第一公里”的内容收集网络和边缘网络传输优化策略，从而有效降低用户访问延迟，提升观看体验。

图4 用户体验受网络故障影响统计结果Fig.4 Statistics of user experience impacted by network failure

3.3 云-边协同的计算迁移与内容分发架构

支持普通用户做为内容生产者的移动直播服务正在日益流行。在这一新型的服务平台中，观众与内容生产者的实时互动使较高的内容传输延迟不可容忍；同时，由边缘用户产生的海量异质视频源带来了庞大的内容转码和分发需求。现有基于中央云的视频转码与分发系统架构可能存在3个关键缺陷：

① 运营成本过高：同时在线主播数量的快速增长甚至使服务提供商无法承担基于核心云的系统运营成本。但在实际系统运行过程中，作者通过大规模数据测量揭示了移动直播平台中绝大部分主播都是本地流行且极其活跃的，同时这些本地流行的主播占用了核心网络中很大一部分计算和带宽资源。例如，大多数观众和主播在同一地区的直播内容消耗了45% 的计算资源，如图5和图6所示。

② 无法保证低直播延迟实时交互：在基于核心云的架构中，由于服务部署或运营预算限制，服务提供商为内容的摄取和转码租用的物理服务器有限，很可能远离内容生产者，这不可避免地产生更高和不稳定的内容传输延迟。

③ 加重骨干网传输负担：在基于核心云的系统架构中，边缘产生的直播内容将跨约网络到达远端的云服务器，经过云转码后再通过CDN 分发给边缘用户，大量的数据密集型视频流量分发需求极大地加重了骨干网络和CDN 的内容传输负担。

图5 现有基于核心云的视频转码分发系统架构Fig.5 Existing video transcoding distribution system architecture based on core cloud

图6 本地计算与带宽消耗占比Fig.6 Proportion of local computing and bandwidth consumption

针对上述局限，需要寻求更具成本效益的低延迟视频分发解决方案来更灵活有效地服务更多的内容生产者。边缘计算辅助的内容分发系统将边缘内容生产者生成的视频推送到有闲置计算资源的边缘设备上进行转码任务，能够降低远距离核心网络云计算资源的租用成本。新的架构除了要考虑传统视频服务中观众的内容访问，还要考虑面向大规模异构内容生产者的计算资源调度，同时必须考虑为内容转码的资源位置，以减少端到端的整体内容传输延迟。

4 关键技术

4.1 边缘节点内容缓存与替换

针对边缘缓存复制，Ma等[13]在真实数据集上开展了数据测量工作来证明边缘缓存的有效性，并且基于测量结果设计了一个缓存策略。Leconte等[14]调研了小区域缓存的挑战，并即时估计内容流行度以及从小样本中推断流行内容，设计了基于寿命的阈值策略来估计动态内容流行度。Liu等[15]通过契约理论来优化缓存服务中服务提供商、内容提供商和用户的收益。Poularakis等[16]设计了一种近似算法，以最大化小小区服务的内容请求。Li等[17]介绍了一个小基站之间有效的协同缓存机制。针对边缘缓存替换，目前实际系统中大多数部署的缓存算法仍然是FIFO,LFU,LRU及其变体。针对LRU等算法的不足，Einziger等[18]提出了根据缓存中内容的实时流行度来确定被替换内容的策略，然而其没有考虑内容流行度的变化趋势。Li等[19]提出了一种动态流行度驱动的缓存替换策略，通过在线学习，对每个被请求内容的流行度做出预测，并根据预测结果替换本地缓存中流行度最低的内容。Sengupta 和Blasco[20-21]使用多臂赌博机方法来决定小基站覆盖范围中的缓存替换策略。

本文通过大规模数据测量分析，结合区域性内容流行差异以及边缘节点地理分布特性，提出了边缘节点内容缓存与替换策略[22]。

4.1.1 基于区域划分的边缘节点缓存复制策略

面对大量分散的边缘节点，内容缓存复制策略需要综合考虑用户体验和系统开销之间的平衡。为达到低时延、高带宽的整体用户体验，需要尽可能多地从服务器复制内容到边缘节点上，以保证大部分用户请求能够被边缘节点服务；但是，从服务器复制内容到边缘节点将产生流量开销，调度粒度过细会导致重复的内容复制到更多边缘节点上，增大网络负载。

因此本文提出了基于区域划分的边缘节点缓存复制策略，包括边缘资源按需部署、资源全局调度和内容协同复制3个主要模块。基于用户请求强度感知的边缘资源按需部署策略，综合考虑部署成本和用户体验两个因素，将边缘节点部署形式化为设施放置问题(Facility Location Problem)，以最小化节点部署和用户请求分配总开销为优化目标进行启发式求解，基于边缘节点缓存的内容分发架构如图7所示。 基于区域划分的调度算法，针对已部署边缘节点的组织管理调度，为了同时满足用户体验的提升并减少边缘复制开销，将每个区域的边缘节点作为一个整体，进行一次内容复制以消除冗余传输，采用类Voronoi区域分割算法求解用户体验和复制开销联合优化问题。如图8所示，基于区域用户请求预测的主动内容复制策略，在决策不同区域所需复制内容的同时，考虑服务器带宽状态及相邻区域的内容流行相似性，实现峰值负载转移和网络边缘区域间内容协同复制，降低核心网络峰值负载38%，提升用户体验40%。

图7 基于边缘节点缓存的内容分发架构Fig.7 Content distribution architecture based on edge node buffering

图8 用户请求匹配的区域资源划分Fig.8 User-request matched regional resource partition

4.1.2 基于深度长短时记忆网络的缓存替换

由数据分析可知，现有缓存替换算法存在预测准确率不高、跨数据集性能不稳定的问题。研究发现，现有的基于规则的缓存替换策略和基于人工特征提取的缓存替换策略都过度依赖人工干预或者难以应对变化的内容访问模式。基于此，本文提出了基于深度长短时记忆网络模型的缓存替换算法(DeepCache)，可以在无人工干预和数据预处理的情况下从内容请求序列中自动学习缓存策略。缓存替换LSTM网络结构如图9所示，边缘节点缓存替换系统结构如图10所示。经过精心设计的神经网络模型采用近似的训练方法来逼近实际情况，通过异步训练机制解决模型训练计算量过大问题，为实际中动态的内容库提供了相应的解决方案。DeepCache是一种基于深度神经网络的缓存替换策略，可以从请求序列中实时自动学习缓存策略，而无需使用任何数据预处理或特征工程。鉴于短期和长期视频访问模式的动态，DeepCache 采用深度LSTM 网络[23]，这是一种具有记忆结构的高级神经网络架构，用于表征序列模式。实验表明，这种方法可以将单个BS的缓存命中率提高20%～30%。

图9 缓存替换LSTM网络结构Fig.9 Buffer replacing LSTM network architecture

图10 边缘节点缓存替换系统结构Fig.10 Edge node buffer replacing system structure

4.2 边缘节点内容预取

边缘节点主动内容预取的目的是支持用户就近访问视频内容，并降低峰值时段视频内容分发的网络资源需求。边缘节点内容预取需要考虑两方面动态因素:① 预取哪些视频。区域用户视频访问行为具有动态性，需要选择用户后续最可能访问的视频进行预取，以提升命中率。② 何时预取。内容预取需要消耗网络资源，增加服务器负载。为减少服务器负载峰值，需要控制视频预取操作随着服务器负载变化动态调整，在空闲时期进行预取。

综合考虑服务器负载动态变化规律以及不同用户的视频观看模式，针对具有时序特性的连续剧视频内容，我们提出基于强化学习的用户跳转行为预测与内容预取算法，将预取视频个数以及预取视频内容的选择抽象为马尔科夫决策优化问题，基于系统反馈和服务器负载的变化，动态地学习、调整最优预取操作，实现视频分发所涉及的资源开销和用户视频观看体验的联合优化；针对普通视频应用场景，通过建立用户-视频-时间三个维度的张量模型和基于视频相关文本信息(标题、类型、简介、角色等)的话题模型，对视频内容流行度进行预测，决策不同用户群组在不同时间段的视频预取操作。连续两次视频观看之间的剧集差异统计如图11所示，缓存预取系统架构如图12所示。

图11 连续两次视频观看之间的剧集差异统计Fig.11 Episode difference statistics between 2 consecutive video observation

图12 缓存预取系统架构Fig.12 Buffer preliminary access system architecture

4.3 基于边缘中继的内容收集

基于对直播视频服务中海量主播的行为数据与网络传输数据的分析，本文提出了基于边缘网络传输的直播视频分发策略。通过对有代表性的直播视频服务提供商的直播会话数据、主播上传日志、观众数据、观众下载日志进行数据分析，结果反映了主播的上传网络状况会严重影响观众的视频观看体验。进一步分析引入边缘网络的情况之后，结果表明通过边缘网络进行主播上传视频流收集能够有效提高主播上传网络的性能指标。因此，本文提出边缘网络辅助的直播视频分发框架，基于边缘节点中继的内容收集网络架构如图13所示。一方面，根据网络测量的性能和边缘网络资源的约束，进行系统级的优化调度；另一方面，为了平衡全局的优化调度与每个主播的及时响应，采用了中心式和分布式联合的混合式边缘网络调度机制。在集中式中继分配问题中本文实现了多目标优化，即低延迟、低丢包率和足够的带宽；使用轮询技术设计近似算法，实现了多项式时间的计算；在动态边缘中继分配策略中使用基于多臂赌博机的方法进行直播间网络分配的实时决策，该方法会根据历史信息持续决策以最大化累积的奖励。使用该混合优化方法之后，观众的观看体验得到大幅提升。实际系统数据分析显示，该设计可以将边缘网络的良好性能用于主播上传网络优化。

图13 基于边缘节点中继的内容收集网络架构Fig.13 Edge relay based content harvest network

4.4 云边协同的计算迁移与内容分发

以映客直播为代表应用，通过对内容生产者的直播日志、观众的观看日志以及社交数据进行细致分析，由测量结果可知，内容生产者背景、直播内容类型、追随者分布等特征强烈地影响观众的内容观看偏好，使内容的地域流行分布具有可预测性。进一步分析了不同流行特性的内容对系统的带宽和计算资源消耗。结果表明，很大一部分局部流行且活跃的内容生产者正在消耗相当多的核心云系统资源，并且将大量边缘流行的内容上传到远端云服务器再分发回边缘会影响观众的整体体验。

本文提出了边缘计算辅助的移动直播框架，如图14和图15所示，利用丰富的边缘计算资源协助内容摄取和实时转码满足大量异构且地理广泛分布的内容生产者和内容消费者的需求，从而有很大的潜力来解决系统有效性和可扩展性方面的挑战。一方面，通过预测内容流行性，进行内容生产者的快速调度；另一方面，通过综合考虑端到端内容传输延迟和系统运营成本，基于稳定匹配策略进行用户体验优先的计算资源分配，同时考虑负载均衡问题进行内容生产者迁移，提升系统整体性能。数据驱动的评估实验表明，该设计可以高效地将内容摄取和转码任务分流给边缘计算资源，从而提供灵活且经济高效的系统部署。

图14 边缘计算辅助的移动直播框架Fig.14 Edge aided mobilelivecast architecture

图15 系统处理流程Fig.15 System processing flow

5 结束语

本文重点研究了在视频点播、移动视频直播、互动视频直播迅速发展，边缘计算技术逐渐得以应用的背景下，如何通过边缘计算技术来进行多种类型的网络视频内容分发，目标在于提高观众观看体验，降低系统开销，挖掘并服务观众的个性化观看需求。未来可以进一步开展的工作包括：

① 本文以视频点播、视频直播和互动直播为研究对象，这类视频已经占据了当前网络视频的绝大多数或正在爆发式地增长。在未来的网络视频服务发展中，360度视频、VR 视频等将成为新兴的视频内容形式。如何在本文的研究框架、测量手段、分发方法基础上，对这些新兴多媒体内容进行分发优化等将会是今后重要的研究内容。

② 作者提出的若干方法初步验证了机器学习方法在基于边缘计算的视频内容分发网络设计和架构优化的可行性。面对日益复杂的异构网络环境、应用需求差异、用户行为模式，如何在云-边融合的架构下引入新的人工智能方法，实现具有分布式、自学习、自调整能力的智能分发网络，将成为未来高效视频内容分发的关键技术。