5G MEC场景下用户体验驱动的视频加速方案

Posted 2021-12-18 边缘计算社区

摘要

多接入边缘计算（MEC）为多媒体应用提供云计算支持，包括针对移动用户的基于HTTP的动态自适应流（DASH）。MEC服务器通常部署在基站（BS），有助于减少延迟并提高视频流的用户体验（QoE）。然而，涉及移动用户的通信需要在基站之间进行切换，而MEC服务器的相对位置和传输开销都会影响传输效率。同时，当发生基站切换时，为移动用户提供视频服务的的MEC服务器不一定会发生变化。

本文介绍了QoE Ready to Response（QoE-R2R），一种基于DASH的针对移动自适应视频流的用户体验感知MEC选择方案，用于在支持MEC的网络环境中优化视频传输。仿真实验表明，QoE-R2R方案优于一些传统方案，与基于命中率和延迟的方案相比，QoE-R2R减少了27.6%的传输时间，提高了6.2%的QoE。

Wanxin Shi, Qing Li, Ruishan Zhang, Gengbiao Shen, Yong Jiang, Zhenhui Yuan, Gabriel-Miro Muntean. 2021. QoE Ready to Respond: A QoE-aware MEC Selection Scheme for DASH-based Adaptive Video Streaming to Mobile Users. In Proceedings of the 29th ACM International Conference on Multimedia (MM ’21), October 20–24, 2021

Wanxin Shi, [e-mail]

Qing Li, [e-mail]/[e-mail]

背景

随着智能移动设备的用户数量快速增长，视频服务也逐渐多样化，高质量视频的传输面临巨大压力。在海量视频传输的推动下，全球视频流的消费总额到2027年预计将达到1842亿美元。然而，为这些视频服务提供优良的用户体验（QoE）非常具有挑战性，因此有必要对内容传输进行优化。目前，基于5G网络的处理方案已经能支持大带宽需求的视频传输，但超高清视频（UHD）、虚拟/增强现实（AR/VR）和互动/全景直播视频等大体积的视频传输仍需要额外的技术支持。另外，基于超文本传输协议（HTTP）的动态自适应流（DASH）传输方法能够动态调整视频内容以适应网络动态性。多接入边缘计算（MEC）则能够将计算能力带到网络边缘，因此更接近用户，从而优化流传输。

然而，现有的解决方案并没有完全解决与用户移动性相关的问题。这主要是因为，面向移动用户的自适应视频流传输需要考虑基站切换和MEC自身的状态。首先，5G基站的部署密集增大，而由其提供的传输容量增益是以增加基站切换频率为代价的。这就可能会影响网络传输效率，最终影响用户体验。因此，针对不同的应用应该更灵活地适配不同的基站切换策略。

例如，部署密集的基站可能会导致切换过程中的乒乓效应。尽管目前的一些研究致力于消除乒乓效应，但这些方案并没有针对性地结合自适应视频流基于顺序的分块机制，也没有考虑MEC内的缓存状态。其次，MEC的使用使视频内容更接近移动用户，但也带来了MEC的选择问题。提供服务的MEC可能并没有部署在响应请求的基站上。比如，基站切换只会将用户切换到目标基站以继续进行通信，但它不会改变用户与MEC之间的链接。因此，内容提供商或网络运营商需要为每个移动用户找到一个合适的MEC，以支持高质量视频服务。

研究现状

目前，人们提出了各种服务器选择方案，包括基于远端和边缘的方案。有的研究提出了基于粒子群优化（MESP）的多用户边缘服务器选择方法。MESP方法在多项式时间内提前选择移动边缘服务器的使用。有的研究设计了基于遗传算法和模拟退火算法的边缘服务器选择方法，它使用户的开销最小。也有研究提出了基于定义的统一成本指标来进行服务器选择，主要考虑到了网络、延迟和流量中断的问题。同时也有基于学习的方法用于MEC服务器的选择，并致力于处理计算卸载的问题。尽管这些方法是智能的，但它们不是专门针对自适应视频流的，也没有考虑MEC的状态。

对于自适应视频流而言，基于序列和分块的特性对MEC选择有着重要的指导作用。同时，用户体验也是MEC选择的一个关键指标。随着MEC服务器的部署得以落地应用，为保证视频用户的观看体验，内容提供商或网络运营商应该匹配一个合适的MEC来为用户设备（UE）提供服务。这就应该考虑到多个边缘相关的信息，如缓存状态、工作负载和链接容量等。

新方案的功能

  在此问题背景下，我们提出了一种新的MEC选择方案，它综合考虑了基站切换和边缘缓存状态，从而为基于DASH的自适应视频服务实现更好的用户体验。在该方案中，我们认为，当选中的MEC被部署在提供服务的基站上时，如果该MEC缓存了被用户请求的视频块，其响应效率是最佳的。我们首先设计了基于命中率和延迟的方法来选择MEC，并验证命中率和延迟可能并不是最重要的指标。最终，我们提出了一种用户体验感知的方法来选择合适的MEC，从而优化自适应视频流的传输。

于此同时，为了更好地与MEC选择机制兼容，移动网络中的移动性管理策略应该尽力避免在完成一个视频块的传输之前触发基站切换。这是因为基于HTTP的自适应视频流是基于块传输的，在完成整个块的下载之前，不能播放该视频块。如果在下载某一视频块的过程中触发基站切换，那么该切换造成的延迟开销将影响该视频块的播放。此外，MEC缓存放置与更新是根据基站接收到的请求统计数据决定的，而不是由MEC自身的请求响应统计数据决定的。

这是因为，在理想情况下，应该使得MEC缓存的内容能够满足其所在基站所响应的用户请求，即某一基站所部署的MEC 能更多地缓存该基站用户请求的内容。通过这样的缓存策略，随着缓存的迭代更新，用户的请求可以直接由响应基站上的MEC提供服务。综上，整个配套机制在于尽可能地在执行基站切换前完成整个视频块的传输，并且尽可能地利用部署在服务基站上的MEC服务器来响应用户请求。

方案实施细节

A.5G网络架构

    5G网络架构参照附图1。其中每个用户终端（UE）通过附近的基站访问蜂窝网络。为了处理回源过程中的流量拥塞或瓶颈链路传输问题，该传输架构采用了内容本地化的方法。因此，通过部署多个MEC服务器，视频内容会更加接近用户。假设内容提供商和网络运营商之间能进行有效合作，那么每个基站都可能部署相应的MEC服务器来缓存视频，从而为终端用户提供更好的视频观看服务。MEC服务器可以灵活地部署在不同地点（即从本地基站到EPC/5GC）。EPC/5GC是指移动网络4G/5G的核心，是移动用户的流量管理员。作为5G网络和MEC之间的连接锚点，所有核心网络数据在流向外部网络之前必须由用户平面功能（UPF）进行转发。

图1 5G网络架构示意图

B.视频响应系统组件

    该视频响应系统用于处理基于DASH的视频请求，它能够综合考虑用户移动性、基站切换和MEC服务器的缓存状态，来为用户选择一个适配的MEC服务器以进行视频内容响应，参照附图2。主要系统组件包括请求处理模块、MEC选择模块、缓存管理器（部署在MEC内）、基站切换模块（位于EPC/5GC内）以及无线网络信息服务（RNIS）模块。当UE请求一个视频块时，请求处理模块负责解析该请求并向基站切换模块和MEC选择模块提供相关信息。提供的信息包括请求内容的ID和用户设备的状态数据（例如，视频缓冲区情况）。RNIS为基站切换模块提供关于可用基站的集合以及这些基站的信号强度。基站切换模块根据请求处理模块和RNIS提供的信息做出切换决策。如果一个基站切换动作被触发，MEC选择模块负责则选择一个合适的MEC来响应用户。此外，缓存管理器模块作为内容放置/替换的决策者，同时也要检索内容是否缓存从而向用户发送其请求的内容。缓存决策会考虑内容的流行度以及缓存的存储空间，来进行缓存放置/替换。缓存管理器还会在缓存替换后向MEC选择模块提供缓存状态的数据。

图2 视频响应系统组件示意图

图3 用户的连接状态和MEC响应模式示意图

C.基于缓存的基站切换控制 

    在探讨MEC选择机制及其相关的基于基站切换的触发控制等细节之前，我们首先在附图4说明5G移动网络传输中的切换过程。在这样的5G场景中，当接入和移动管理功能（AMF）收到来自用户终端UE的会话建立请求时，它将与会话管理功能（SMF）通信以完成会话建立。通过用户平面功能（UPF），SMF能够在传输数据的同时管理会话上下文。同时，AMF负责为UE提供移动性控制。UE定期提交相关测量量的报告，例如RSRP和RSRQ，给响应服务的基站，以便作出基站切换决定。在触发切换之前，服务基站和目标基站首先进行相互确认。然后UE同步将同步到新基站。在执行切换动作后，目标基站通过AMF和UPF完成路径切换。

图4 5G移动网络传输中的切换过程示意图

    为了与MEC的选择机制兼容，具体的基站切换原则是尽量让当前提供服务MEC服务器与接入基站处于同一位置，如附图3的状态(a)。也就是说，如果服务MEC部署在服务基站上，并且该MEC缓存了所请求的内容，那么基站切换应该晚一些再被触发；否则，应提前做出是否进行基站切换的决策，以免错过后续MEC重选，导致不适配。为了更好地说明基站切换原理，附图5和附图6展示了切换的细节。在图5(a)中，用户U_e的服务基站是b_1。我们假设基站b_1上部署的的MEC服务器缓存了V_1^1，而b_2上的MEC服务器缓存了V_1^2。那么，如果用户请求V_1^1，应尽可能晚地触发切换以避免不必要的开销。因为，除了来自控制平面的近2s的延迟，频繁的切换会导致上下文维护的开销。此外，基站b_2中的MEC服务器很可能是下一个（若干个）视频块的最佳服务器。如果当前块V_1^1没有完全由被b_1的MEC交付给用户，它将导致由原服务MEC传输至新的基站接入点的开销。

(a) 当前MEC挂载在服务基站

(b) 当前MEC没有挂载在服务基站

图5 当前MEC缓存了请求的内容，基站将会如何切换

    然而，如果用户请求的是V_1^2，没有像图6(a)中那样被缓存在MEC服务器s_1中，那么应该尽快做出是否进行基站切换的决定。因为MEC的选择是由基站切换的执行而触发的。例如，如果目标基站是b_2，那么MEC服务器s_2可能是最佳的，因为它有缓存的内容。即使用户设备向后移动并被切换交付给基站b_3，那么传输效率也不会被破坏。因为切换后的响应模式与切换前相似，如图3中的状态（b）。同样，如果服务的MEC缓存了请求的内容V_1^2，但像附图5(b)那样没有被部署在服务的基站上，也应该尽快做出切换决定。因为，当目标基站是b_2时，响应模式将改变为图3中的状态(a)，这是最佳的。即使目标基站是b_3，在不考虑源服务器的情况下，传输模式仍然与基站切换前相似，如图3的状态(d)。

(a) 当前MEC挂载在服务基站

(b) 当前MEC没有挂载在服务基站

图6 当前MEC没有缓存请求的内容，基站将会如何切换

   如图6(b)所示，当b_1服务的用户请求了视频块V_1^3而为其提供服务的MEC是s_2时，应尽快触发基站切换。因为提供服务的MEC服务器 s_2没有缓存V_1^3。如果用户因基站切换而被移交给基站b_2并且提供服务的MEC没有改变，那么响应模式将从附图3的状态（e）变为状态（b），传输效率将得到提升。即使提供的服务MEC被改变为另一个没有缓存内容的附近的MEC，响应模式也将与基站切换之前相似。如果移动用户因基站切换被移交给b_3，那么在切换之后，服务MEC可能会被改变为s_3，即图3中的状态（a）。即使提供服务的MEC没有改变或只是改变为另一个附近的MEC，如s_1，那么传输效率同样也不会被破坏。

D.基于用户体验感知的MEC选择

    MEC选择即位为在支持MEC传输优化的场景中，为移动用户找到地理上最适配的MEC服务器

(1)基于命中率的MEC选取

    基于前文的传输效率建模，本发明首先介绍基于命中率的MEC选择方法。如果一些MEC服务器缓存了相同的内容，那么部署在当前接入的基站上的MEC是最佳选择。当用户即将切换的基站上所部署的MEC缓存了请求的内容，且该MEC在基站切换前就正为用户提供视频服务，那么该MEC服务器为最佳。如果部署在接入基站上的MEC没有缓存所请求的内容，则原本提供服务的那个MEC服务器是最佳选择。较差的选择是在原本提供服务的MEC和部署在接入基站上的MEC之外选择另一个MEC服务器。最糟糕的情况是所有MEC都没有缓存请求的内容，只能从源服务器获取。

(2)基于延迟的MEC选取

    由于用户移动性，基于命中率的方案可能会带来频繁的MEC重选并降低整体效率。因此，根据本发明建立的传输效率模型，可以考虑基于延迟的MEC选择方案。一般来说，由于众多MEC服务器共享回源链路，从源服务器获取的传输时间很高，如图3的状态（c）、（f）和（g）。如果提供的MEC服务器恰好部署在接入的基站中，传输效率将是最好的，如附图3的状态（a）。这种情况避免了服务器之间的传输开销或基站之间的通信开销。在状态(b)和(d)中，使用附近基站上所部署的MEC服务器，也避免了产生回源链路流量，减少了传输时间。然而，最佳解决方案仍然是附图3的状态（a）。如果考虑到传输时间的所有组成部分，U_e获取SCK个视频块的最佳MEC服务器应定义如下：

    然而，由于基于HTTP的自适应视频流基于顺序和分块的特征，基于最小传输时间的MEC选择可能不是最佳的。因为附近的多个MEC服务器如果返回同一个内容的话可能会带来相似的延迟，并导致相似的用户体验。此外，自适应视频流的观众可能对视频质量、流畅度和滞后性更敏感。因此，从最终效果来说，一个最佳的MEC应该保证最佳的用户体验。

(3)基于用户体验的MEC选取

    在评估用户观看自适应码率的视频时，值得注意的是，用户体验主要与视频质量、缓冲时间和码率切换有关。尽管用户体验是非离散值，但基于视频块进行估计的离散值仍然是很重要的。而基于HTTP的自适应视频流基于顺序和分块的特性使得一个视频块在传输结束前无法被播放。这里的QoE(t)表示提供最近一个视频块服务所带来的用户体验，它可以映射到

其中β_1,β_2,β_3分别表示与码率、缓冲和平滑度相关的权重系数。该发明中，q(·)表示使用结构相似度（SSIM）所代表的视频质量，它能更好地反映用户的主观体验。对于短期目标，最佳MEC服务器应该提供尽可能好的用户体验，如下所示：

    然而，上述目标不够合理，因为MEC变化后可能会引导用户在不久的将来继续请求若干视频块，而不是一个视频块。上述基于短期用户体验的MEC服务器选择策略最终只影响到传输时间，这与原来基于延迟的MEC选择策略相似。然而，未来的码率选择将受到之前的码率选择的影响，那么未来的用户体验同样也会受到影响。所以优化目标是在传输K个视频块的τ时间内，使得用户体验最大化：

    根据上述公式，所选的MEC服务器应该提高视频质量、避免缓冲，并在接下来的几个视频块中保持视频播放的平滑流畅。然而，未来用户请求的视频内容是未知的。此外，MEC的选择将进一步影响用户的决定。因此，找到一个最佳服务器是一个无法解决的问题。为此，可以采用启发式的方法，涉及五个离散视频块的码率水平，这五个视频块的大小也会对映着码率有所不同。另外，可以用简单的线性回归预测未来的吞吐量，这有助于确定未来客户端所选择的码率水平。

E.基于基站请求的缓存策略

    移动网络边缘的MEC服务器可以通过其固有的无线网络信息服务(RNIS)功能捕获无线接入网(RAN)状态，以实现更好的智能视频适配。在RNIS的帮助下，如果某些MEC服务器能够为某些客户端缓存足够的视频块，那么服务器重新选择可能不会被频繁触发。此外，基于缓存的切换也将更加兼容用户请求。

    每个基站应该维护其内部MEC的请求统计列表，包括作为提供服务的基站时通过自身发送的请求。我们将缓存更新周期定义为T_c. 在基站b_i请求视频块V_m^k的数量为REQ_(b_i)(V_m^k).那么V(o)的请求量则为REQ_(b_i)[V(o)]，是V(o)视频块的所有请求的统计量。每个MEC服务器还需要保存一个列表来收集自己接收到的请求。我们将MEC接收到的请求数量定义为REQ_(s_i)(V_m^k).从b_i接收和发送到s_i的请求数为RREQ_(s_i)(V_m^k).当REQ_(s_i) (V_m^k)≤REQ_(b_i)(V_m^k),那么部分视频块V_m^k的请求由其他MEC服务器处理。如果REQ_(s_i) (V_m^k)≥REQ_(b_i)(V_m^k),，则表示s_i向其他基站或MEC服务器提供了V_m^k这个视频块。因此，b_i和s_i中的请求按照∆REQ_(s_i)(V_m^k )=REQ_(b_i)(V_m^k)+REQ_(s_i)(V_m^k)-RREQ_(s_i)(V_m^k)的降序进行排列。然后，s_i中的缓存可以根据∆REQ_(s_i)(·)来进行定期更新，在由接入基站上所部署的MEC服务器来响应用户请求时，能够最大化缓存命中率。

表格1 不同方案的对比结果

实验结果仿真

 该实验目的是评估用户体验感知MEC选择策略的效果。主要测试了以下五种MEC选择方法，包括Hit-R2R（基于命中率的MEC选择）、Delay-R2R（基于延迟的MEC选择）、QoE-R2R（基于用户体验的MEC选择）、Follow（始终选择部署在接入基站上的MEC）和fixed（从不改变服务MEC）。我们认为前三个方案与R2R相关。实验分为两组，采用不同的缓存策略：第一组使用最近最少使用（LRU）策略，另一组使用基站请求驱动的缓存策略。

    表格列出了具体的实验结果。基站请求驱动的缓存替换会使得用户请求模式发生变化，码率至少提高了16.3%。采用基站请求驱动的缓存策略的方案，产生的卡顿也较少。QoE-R2R方案平均减少约22%的卡顿。从图8可以得出结论，基站请求驱动的缓存替换有助于R2R相关方案实现较高的命中率。但这种缓存替换可能无法与其他两种简单的MEC选择方法（即fixed和follow）配合使用。图7a和图7c显示了用户请求的所有视频块的传输时间。Hit-R2R在两组实验中的平均传输时间较长，分别为2.818秒和2.628秒。这是因为解决方案的重点是最大化命中率，而不是响应速度。尽管提出的方案QoE-R2R的延迟略高于延迟优化解决方案delay-R2R，但它在两组实验中都实现了最佳用户体验，如图7b和图7d所示。

图7 在不同缓存策略下传输时间及用户体验对比

图8 不同方案的命中率对比

总结与分析

 本文提出了支持MEC服务的DASH视频传输边缘框架中的响应问题。我们设计了一种基于用户体验感知MEC选择方案（QoE-R2R），该方案考虑了用户请求驱动的基站切换决策和边缘缓存状态。仿真结果表明，所提出的QoE-R2R方案减少了传输时间并提高了用户体验，优于其他策略。

欢迎业界合作

智能网络研究组（Smart Internet Group，SIG），目前在智能视频传输与分析领域，积极展开研究与探索，在本领域，团队目前已积累10余篇高水平论文与15项发明专利（包括PCT 3项）。欢迎业界合作！

• 基于视频超分的高清低码视频上传与分发技术研究：主要研究超分技术在视频传输中的应用，已经完成基于边缘计算的视频超分方案原型，目前主要探索面向手机端的轻量化视频超分方案，目标是推动低算力场景下的方案落地；

• MEC场景下的智能视频协同缓存技术研究：目前已经设计完成基于强化学习的视频缓存决策机制，正在探索基于自动化聚类的视频协同缓存机制，方案能够在各种视频分布的场景下，通过无监督的自动化调优，将缓存命中率平均提升30%以上；

• 边云协同的智能高效视频分析技术研究：主要探索“边缘算力+网络带宽”受限的场景下，如何通过模型分割、GPU批处理、背景分离等技术，提升视频分析的资源调度效率、任务执行效果，主要应用领域包括交通状况监控、行人数量识别、人脸识别、视频安保解决方案等；

• 360度全景视频传输优化技术研究：探索360度全景视频传输的智能化解决方案，在带宽受限的情况下，基于视口预测、分块超分、内容敏感编码等技术，保障视频传输质量，推进360全景视频应用的落地。
  

联系方式：

[e-mail]

[e-mail]

边缘计算社区：促进边缘计算领域知识传播，中立，客观，如果您关注边缘计算、5G、物联网、云原生等领域请关注我们。