《研究生专题文献选读心得体会》由会员分享，可在线阅读，更多相关《研究生专题文献选读心得体会（4页珍藏版）》请在金锄头文库上搜索。
1、心得体会智慧协同网络下的内容智慧缓存与协同交付在当今网络环境下，越来越多的用户开始使用智能手机、平板电脑等移动设备来体验互联网带来的服务，例如流媒体服务，用户希望通过互联网得到自己所需的视频服务资源，并且不同的用户有着不同的体验质量（QoE） ， 所以我们需要根据用户的请求交付不同的服务，同时还需要考虑资源的优化问题。在未来移动互联网环境下，内容交付具有三个显著特点，即：统一的命名标识、任意的拓扑结构和无处不在的内容缓存，但是这三个特点会导致网络服务资源的利用率低、能量消耗大、 网络拥塞、 数据冗余等。 因此我将结合国家973课题“智慧协同网络理论基础研究”， 从协同的角度来实现资源的动态存储
2、和分配，提高资源利用率，达到节能的目的。（1）控制与数据分离。以交换路由组件为例，它主要负责数据的传输与存储。我们将组件分为两层： 控制层和数据层，即实现了控制和数据的分离。在数据层中有两个模块：数据层记忆模块和转发模块，添加数据层记忆模块的作用是实现内容的缓存，使用户可以就近获取所需的服务资源， 提高资源的交付速率，从而改善用户的QoE； 在控制层中有两个模块：控制子模块和记忆子模块，控制子模块可以通过记忆子模块反馈的信息控制数据层的缓存和转发行为， 记忆子模块能够感知组件的状态信息，并且存储着缓存信息以及路由信息。控制与数据分离的优点是：在网络不活跃的情况下，由于控制层中存储着数据层的配置
3、信息，所以数据层可以暂时处于休眠状态，从而有效地节约网络能耗。（2）智慧协同缓存与替换。在一个网络组件族群内，内容缓存是十分重要的，它可以提高内容交付速率、减少请求响应时间、改善用户QoE等。但是无处不在的内容缓存会产生许多问题， 例如：能耗高、 利用率低、 网络拥塞、 缓存冗余等， 因此为了提高资源的利用率、节约能耗，我们必须采取一定的智慧协同缓存机制对缓存行为进行控制。文献 1首先通过公式证明：在基于CCN的网内高效缓存中，内容交付产生的能耗与数据分发过程中的平均响应跳数有关，平均响应跳数越小，能量消耗越低；然后利用LRU（最近最少使用）算法，制定一种基于流行度老化的缓存策略，实现节约能耗
4、的缓存。最后，设定三个重要指标：平均响应跳数（ARH ）、能量节约率（ESR）、缓存命中率（CHR），通过实验仿真将 APC与传统的 LCE策略进行比较，得出其性能完全优于LCE ，在很大程度上减少了内容交付过程中产生的能耗，从而避免一定的网络拥塞。文献 2用博弈论的思想研究在CCN网内高效缓存中，协同机制对于降低能耗有明显优势， 通过建立代价函数， 提出社会最优化缓存配置，目标是使系统能维持在一个稳定的状态，即：纳什平衡；分析两个指标：缓存命中率（BHR）和足迹减少（FPR，也就是平均响应跳数），利用两个参数：副本数量（ncopy）和半径（ radius），通过仿真得出：当ncopy增加时，
5、BHR 和FPR均增加；当 radius增加时， BHR 增加， FPR降低；但是在一个帕累托最优内，BHR 和FPR会维持在一个最优化状态，这就需要一个协同机制来产生帕累托最优。文献 3提出了一种基于控制集的协同缓存和请求路由机制，提高资源利用率，达到高效节能的目的。与传统CDN 网络的分层部署和协同缓存不同，CCN网络具有任意拓扑和无处不在缓存的特点，这样增加了内容的可用性，但是会导致资源利用率低和能量消耗高的问题。为了实现节能， 我们需要采取有效的协同缓存机制，通过感知内容流行度动态地为内容选择缓存位置，以及决定内容是否需要缓存。文章利用图论的思想，首先在CCN网络中构建一个虚拟主干网，
6、引入控制集的概念，通过算法将任意的拓扑结构分解为两级层次：核心路由和普通路由； 然后提出一种将内容存放和路由选择共同考虑的协同缓存机制；最后通过仿真实验， 与概率缓存机制 （通过粗略估计一条路径的缓存容量以及缓存内容的概率来减少缓存冗余）比较，得出协同缓存机制具有明显的优越性。结论：在智慧协同网络中， 网络组件层所定义的控制与数据分离机制在节能方面有了很大的提高，但是在路由网络组件族群内部缺乏一个有效的管理方法，并且缓存和路由选择之间是相互独立的。我们可以利用文献3的思想，将其协同缓存和路由选择机制与智慧协同网络相结合，从协同的角度提高资源的利用率，更进一步节约网络能耗。具体操作如下：1） 对
7、于任意的拓扑结构，根据算法1，将其划分为具有两级层次的虚拟主干网。算法 1：将所有的顶点都涂为白色选择具有最大度的顶点，涂为黑色，将它的所有邻居顶点涂为灰色。选择一个具有最多白色相邻顶点的灰色顶点，将其涂为黑色，它的其他白色邻居顶点涂为灰色。继续步骤，直到所有的顶点被涂为黑色或者灰色。2） 在图中，我们可将任意的拓扑结构划分为若干子网，每一个子网内都有一个核心路由和若干普通路由。核心路由组成了一个控制集，它相当于集线器， 支配子网内普通路由的行为。同时，核心路由有着比普通路由更大的缓存容量。3） 我们采用内容缓存和路由选择相结合的方式实现协同缓存机制，即：内容缓存要考虑到路由信息，路由表要在内
8、容缓存和路由算法的基础上生成。内容缓存中最关键的思想是将流行度最高的内容缓存在核心路由，并且避免网络中产生太多的内容副本。其过程是：从命中节点到客户端，内容副本只在核心路由中缓存；当核心路由的缓存空间满时，使用LFU 策略替换数据块；核心路由通过一跳的方式将被踢出的数据块随机推送给它管理的普通路由，同时在核心路由中建立一个索引，记录一个唯一的块ID以及所转向的路由；普通路由使用LFU 策略进行块的替换，并直接扔掉被踢出的块。路由选择最关键的思路是在核心路由的子网内路由不满足的情况。其过程是：INPUTS: Router i receive a request; BEGIN Check loca
9、l content store (CS); if CS has the chunk then Return the chunk; else if Router i is a core router then Search its index list; if i have an index recording the chunk information then Route the request to the corresponding router; else Route the request following the routing table; end if else Send t
10、he request to its specified core router; end if end if 通过协同缓存机制，我们实现了资源的合理利用以及内容的高效分配，结合控制与数据分离的思想，不仅可以为用户提供更好的QoE，并且在很大程度上提高资源利用率，达到高效节能的要求。动态网络环境下的用户行为感知随着网络技术的发展，各种动态、实时、高效的数据传输形式越来越受到人们的青睐。用户希望通过互联网得到更好的体验质量（QoE），因此从研究网络QoS到研究用户 QoE的转变是未来互联网的发展方向。在动态网络环境下，传输速率、时延、吞吐量等参数是动态变化的，要想将实时变化的QoS参数映射为 Qo
11、E参数（响应能力、MOS等），需要研究QoS参数的变化对用户行为感知的影响。其实，从韦伯-费希纳定律我们可以猜想到并不是传输速率（时延）越快（越低），用户的体验度越好。韦伯 -费希纳定律说明了实际物理量和人类心理量之间的关系，即：对于同一个刺激，当其刺激差别到一定程度时，人才能感觉到这种差别。并且，心理量是刺激量的对数函数，即：当刺激强度以几何级数增加时，感觉的强度以算术级数增加。由此，我们可以想到用户在体验互联网服务（VoIP，社交网络，视频会议等）时，对于传输速度（或者时延）来说，并不一定是越快（越小）用户的QoE越高，其主要取决于变化的强度和频率。文献 4利用韦伯 -费希纳定律，研究在V
12、oIP 中，实时可变的传输速率对用户行为感知的影响，分别在固定速率和可变速率两种情况下，分析由于速率强度和频率的改变所造成的用户MOS（平均意见分数）的不同。并且，文章分别在两种情况下建立QoE模型，通过模拟仿真验证其有效性。因此，我们可以从这个角度出发来研究未来的移动流媒体技术，建立一个动态感知用户行为的 QoE模型， 在合理分配资源的基础上为用户提供更好的体验质量，从而提高资源的利用率。从用户的角度出发，用户所感知的QoE与两个因素有关：网络环境和发送速率，前者是我们无法改变的，但是它会对后者有制约作用。在移动环境下，网络会存在着一些问题，例如：网络资源不稳定、发送速率抖动、资源利用率低等
13、，其中发送速率抖动不但使传输过程中同一信道的并发数减少，更重要的是使用户的QoE下降。因此，为了提高用户的QoE，我们需要采取一定措施来降低数据传输过程中发送速率的抖动，最有效的方法是使服务器在提供尽可能高的发送速率的基础上，保持其速率的稳定性。文献 5研究 QoE驱动的多媒体通信下基于不完全信息的资源分配方法，先前的研究都是基于一种假设的QoE模型来制定资源分配方案，但是由于现实中用户的QoE模型的动态变化，并且参数是未知的，所以不能很好地用在实际应用中。本文献在信息不完全的情况下进行QoE建模，主要方法是：首先构建一个在信息完全情况下的QoE模型；然后引入丢失函数 ，即：|; |V TQV
14、 T QL T Q V T Q；最后，将问题转化为求解最小-最大丢失的问题，即：当最坏的情况发生时实现最小的丢失。从文献中我们可以想到一种新的思路，利用丢失函数， 它的意义就是从信息完全情况下最理想的 QoE模型到信息不完全情况下的QoE建模所损失的性能，我们可以从一个最坏的情况出发，利用算法实现其丢失最小化。我们建立一个控制器，可以获取用户的历史MOS评价，截取体验度高的一段进行QoE建模，相应的取体验度最差的一段进行QoE建模，建立一个丢失函数，利用求解最小-最大丢失问题的方法对问题展开研究。目前，有一个主要问题就是我们如何才能准确感知用户的QoE， 它是一个抽象的东西，并不能像QoS 一样具有一些可以实际测量出来的参数(如：吞吐量、传输延迟、错误率等)；并且用户不可能会对网络应用程序进行主观的反馈，我们只能通过用户的一些行为操作（例如：跳转次数，播放时间等）来评估用户的QoE，或者通过一些理论将QoS 映射为 QoE 进行研究。
