边缘计算中面向互动直播的用户分配策略.pdf

边缘计算中面向互动直播的用户分配策略刘伟1,2,3,4张骁宇1杜薇1,2彭若涛11（武汉理工大学计算机与人工智能学院武汉430070）2（交通物联网湖北重点实验室（武汉理工大学）武汉430070）3（嵌入式系统与服务计算教育部重点实验室（同济大学）上海201804）4（处理器芯片全国重点实验室（中国科学院计算技术研究所）北京100190）（）User Allocation Strategy for Interactive Live Streaming in Edge ComputingLiuWei1,2,3,4,ZhangXiaoyu1,DuWei1,2,andPengRuotao11（School of Computer and Artificial Intelligence,Wuhan University of Technology,Wuhan 430070）2（Hubei Key Laboratory of Transportation Internet of Things(Wuhan University of Technology),Wuhan 430070）3（Key Laboratory of Embedded System and Service Computing(Tongji University),Ministry of Education,Shanghai 201804）4（State Key Lab of Processors(Institute of Computing Technology,Chinese Academy of Sciences),Beijing 100190）AbstractDeployinginteractivelivestreaminginedgecomputingenvironmentenableustooffloadthetranscodingand delivery cost to network edge and provide service with lower latency via the edge servers near the users.However,thereisaproblemofuserallocationintherealcomplexmulti-serverandmulti-userscenarios,leadingtoapoorqualityofexperience(QoE).InordertoimproveQoEofoverlappingcoverageareas,itisnecessarytoselectedgeserversforindividuallivestreamingusersaccordingtotheirneedsandtoallocateserverresourcesreasonably.First,theanalysisofreal-worlddatasetsrevealsthatmostusersareintheoverlappingcoverageareaofmultiplebasestations whose interaction needs vary.Then,a QoE model suitable for edge computing scenarios is proposedaccordingtotheanalysis,whichisbasedonthecharacteristicsofinteractivelivestreamingandcomprehensivelyconsiderstheinteractiveandvideoviewingexperienceofusers.Finally,anefficientlivestreaminguserallocationalgorithmisdesignedtooptimizetheuserQoEintheoverlappingcoverageareaofmultipleedgeservers.Simulationexperimentsshowthatthisstrategycanprovideuserswithhighbitrateandlowlatencystreamingwhilecontrollingtheedgeserversswitchingandbitratejitter,thusimprovingtheQoEofusersbymorethan19%comparedwiththeotherstrategies.Key wordsinteractivelivestreaming；edgecomputing；userexperience；overlappingcoveragearea；userallocation摘要将互动直播部署在边缘计算环境中，可以在网络边缘对直播视频进行转码和传输，通过用户附近的边缘服务器提供低延迟的直播服务.然而，在多边缘服务器、多用户场景下存在着直播用户分配问题，导致直播用户体验质量(qualityofexperience,QoE)无法得到保证.为了提高直播用户 QoE，需要根据用户的个性化需求合理地分配服务器资源.首先分析真实数据集，发现大多数用户处于多基站重叠覆盖区域收稿日期：2022-01-25；修回日期：2022-10-10基金项目：湖北省自然科学基金面上项目(2020CFB749)；同济大学嵌入式系统与服务计算教育部重点实验室开放基金项目(ESSCKF2018-05)；中科院计算技术研究所计算机体系结构国家重点实验室开放课题(CARCHB202015)This work was supported by the General Program of Natural Science Foundation of Hubei Province(2020CFB749),the Open Fund of KeyLaboratoryofEmbeddedSystemandServiceComputing(TongjiUniversity)MinistryofEducation(ESSCKF2018-05),andtheOpenFundofStateKeyLaboratoryofComputerArchitecture(InstituteofComputingTechnology,ChineseAcademyofSciences)(CARCHB202015).通信作者：杜薇（）计 算 机 研 究 与 发 展DOI：10.7544/issn1000-1239.202220113JournalofComputerResearchandDevelopment60（8）：18581874，2023内，并且不同用户的互动需求存在差异；然后根据互动直播的特点提出一种适用于边缘计算场景的用户QoE 模型，该模型综合考虑了直播用户的视频质量和互动体验；最后设计一种高效的直播用户分配算法，优化了多边缘服务器重叠覆盖区域内的直播用户 QoE.仿真实验表明，所提出的用户分配策略可为用户提供高码率和低延迟的直播视频，同时能有效降低边缘服务器切换次数和码率抖动，使直播用户 QoE 相较于其他策略提升超过 19%.关键词互动直播；边缘计算；用户体验；重叠覆盖区域；用户分配中图法分类号TP393近几年，虎牙直播、哔哩哔哩直播、斗鱼 TV 等互动直播平台倍受关注并且发展迅速.特别是在疫情的影响下，直播应用的用户数量得到了前所未有的增长.思科视觉网络指数统计，2022 年的直播视频流量占互联网视频总流量的 17%1.不同于传统的视频流媒体，互动直播不仅为用户提供视频内容，还允许用户通过发送弹幕和赠送虚拟礼物的形式和主播进行实时互动.随着互动直播的快速发展，为广大用户提供高质量的直播视频体验也变得越来越重要.目前直播视频主要采用了基于内容分发网络2的视频分发方案或基于云数据中心3的视频分发方案.随着直播用户数量的增加，在网络高峰期需要对大量的直播视频进行处理和分发，这给服务器带来了巨大的带宽和计算压力.现有研究表明，热门的直播视频在互联网网关上容易产生很多流量瓶颈4.另外，从主播到云端服务器再到用户的整个直播视频分发路径过长，这给直播服务带来了一定的延迟.在直播中，用户需要和主播进行实时互动，延迟过高会影响直播用户的体验.为了解决目前直播中面临的问题，文献 5 中提出了一种基于边缘计算的移动网络直播视频分发方案，并且很多优秀的工作也对边缘计算技术进行了深入的研究.边缘计算是一种新型计算模式，它通过将服务从云端下沉到网络边缘，确保更短的响应时间和更高的可靠性6.边缘计算的应用有效减小了系统延迟，缓解了云端网络带宽和计算功耗的压力，并保护了用户隐私和数据安全7.目前已有相关学者在此领域取得了一定的成果.文献 8 中提出了一种面向多边缘协作的任务卸载和服务缓存联合优化机制，将联合优化问题耦合为 2 个子问题，分别设计了算法，降低了服务时延，同时实现了边缘负载均衡.文献 9 针对车辆边缘计算下的任务卸载进行了深入分析，并从算法复杂度、隐私安全以及移动性等方面对任务卸载目前面临的挑战进行了总结归纳.文献10 结合边缘计算技术对目标追踪算法的部署策略进行了研究，降低了任务响应和处理的时间.边缘计算技术的应用降低了服务的延迟，提升了任务的执行效率.在直播应用领域中引入边缘计算可以提升直播的服务体验.文献 11 提出了一种云边缘直播分发架构，该架构显著减少了云端的转码和带宽负载.由于边缘服务器更接近用户，可以通过将用户分配到附近的边缘服务器来降低延迟，同时实现了灵活和细粒度的网络管理.文献 12 指出直播视频的编解码过程需要消耗大量的计算资源和时间.通过在边缘云辅助异构网络中寻找一种高效、高质量和低延迟的直播视频编解码方案，提高了直播的服务质量.文献 13 提出了一个基于边缘的直播临时缓存方案，通过上下文感知的方式在边缘缓存最少数量的直播视频片段，避免了视频缓冲，并大幅度减少了初始启动延迟和直播延迟，在全球互联网上实现了无缝的4K 直播.文献 14 针对 360全景视频直播中延迟高、数据处理量大等问题，提出了一种用于全景视频的移动边缘辅助实时流媒体系统，可以智能地将处理任务卸载到边缘服务器中，实现了低延迟全景视频直播.文献 1114 在把边缘计算技术应用到视频直播领域的同时，充分发挥了边缘计算的优势，改善了直播中延迟过高、服务器资源开销大等问题，提升了直播的服务质量，优化了用户体验.在边缘计算的典型架构中，边缘服务器通常被部署在基站上15.为了研究边缘服务器在现实场景中的覆盖情况，本文处理并分析了澳大利亚墨尔本地区基站数据集16，发现有 91%的终端用户所在位置可连接到的基站数量超过 10 个，即大多数用户处于多个边缘服务器的重叠覆盖区域内.如果这些用户是直播观众，由于各边缘服务器可用资源和传输延迟的差异，用户通过不同的边缘服务器获取视频会对直播体验产生不同的影响，边缘计算环境中的互动直播面临新的挑战.目前已有相关工作研究了多边缘服务器场景中的用户分配问题，文献 16 在边刘伟等：边缘计算中面向互动直播的用户分配策略1859缘服务器密集重叠分布的场景中，从应用程序供应商角度出发，采用博弈论的方法，尽可能租用少的边缘服务器为更多的用户提供服务.文献 17 设计了一种支持移动感知和迁移的方法，用于实时分配用户.在边缘服务器容量约束下，最大化用户的覆盖率，最小化用户的重分配次数.但文献 1617 研究工作均是一种通用的应用场景，忽略了边缘服务器的选择对用户体验的影响，并不适用于解决互动直播中的问题.综上，将边缘计算应用到互动直播中，在多边缘服务器场景下如何对直播用户进行分配来提升用户体验的问题仍有待解决.为了研究互动直播中用户的需求差异，本文分析了哔哩哔哩直播网站的用户弹幕数据集.结果显示不同用户的互动行为差异明显，有 59%的用户在单位时间内只互动了 1 次，而有 37%的用户互动次数在 210 之间.与很少参与互动的用户相比，经常互动的主动用户对较大的延迟更敏感11.所以在为直播用户分配边缘服务器资源时，对于经常互动的用户要考虑分配传输延迟更低的边缘服务器；对于很少互动的用户，要将用户体验优化重点放在视频质量上，并分配更多的带宽和计算资源.在构建直播用户体验质量（qualityofexperience,QoE）模型时，要考虑用户的个性化需求.文献 18 在研究低延迟多方互动直播的自适应码率控制的工作中，分别从直播视频质量、视频质量变化量、缓冲时间以及延迟 4 个方面表示用户 QoE.文献 19 用直播视频的帧率和分辨率来映射用户 QoE，并根据直播视频类型来控制这 2个因素的权重.文献 1819 研究工作主要关注直播视频的观看体验，而忽略了直播的互动体验.文献11 在互动直播的 QoE 模型中引入了一个互动参数，用来反映观众的互动强度，并从视频码率、延迟和启动延迟 3 个方面表示用户 QoE.但对于多边缘服务器场景下直播用户体验的优化，还应当结合边缘服务器的覆盖范围和用户地理位置考虑服务器的选择对用户体验造成的影响.综上，互动直播中不同用户的互动行为差异明显，在构建直播用户 QoE 模型时要综合考虑用户的互动体验和视频质量，根据用户的个性化需求为用户分配边缘服务器和系统资源，优化直播用户体验.本文提出了一种边缘计算中基于用户体验的互动直播用户分配策略.在多边缘服务器多用户的场景下，考虑到边缘服务器的资源有限以及用户的个性化需求，通过为各个用户在当前时段内分配合适的边缘服务器并选择合适的直播视频码率，最大化多边缘服务器覆盖范围内的所有用户整体 QoE.本文的主要贡献包括 3 个方面：1）通过对真实数据集的处理分析发现.大多数用户处于多个边缘服务器重叠覆盖区域中，且不同直播用户的互动行为差异明显.为了提升边缘计算场景下的直播用户体验，需解决边缘服务器重叠覆盖区域内的用户分配问题.2）在多边缘服务器、多用户场景中，为直播用户分配不同的边缘服务器对用户体验产生不同的影响.考虑到直播用户的需求不同，提出一个适用于边缘计算场景的直播用户 QoE 模型，该模型综合考虑了用户互动体验、直播视频质量、边缘服务器切换等因素对 QoE 的影响.3）证明了本文提出的用户分配问题为 NP-hard问题，并设计了一个直播用户分配算法，高效地解决了根据用户的个性化需求，为用户分配边缘服务器和系统资源提升了直播用户 QoE.通过基于真实数据集的仿真实验验证了算法的性能，实验结果表明该算法在保证延迟和码率均有较好表现的同时降低了服务器切换次数和视频质量抖动，使用户 QoE 相较于对比算法高出了 19%.1数据分析及问题描述本节将首先介绍基站用户地理位置数据集和直播用户弹幕数据集的处理工作，并分析现实场景中基站对用户的覆盖情况，以及直播用户互动行为的差异；然后介绍边缘计算场景中的直播视频分发架构；最后对互动直播中的用户分配问题进行详细描述.1.1数据处理和分析本文分析了澳大利亚地区基站数据集16.该数据集主要包含了墨尔本中央商务区的基站和用户的经纬度位置信息，以及各基站的型号、类别、状态等信息.此数据集的规模可以反映日常工作生活场景中用户和基站的地理分布情况，具有一定的普适性.根据现实场景中的中心城区基站的覆盖范围，将数据集中基站的覆盖半径设定为 300m.由已知基站和用户的经纬度可计算得到各用户可连接到的基站数量，如图 1 所示.可连接基站数量低于 10 的用户占总用户数量的 8.8%，大部分用户可连接的基站数集中在1020，人数占总用户数的 74.4%，另外有 16.8%的用户被 20 个以上的基站同时覆盖，甚至有部分用户可连接的基站数超过 30.如果将边缘服务器部署在部1860计算机研究与发展2023，60（8）分基站上，在基于边缘计算的互动直播场景中，大多数直播用户处于多个边缘服务器的公共覆盖范围内，由于边缘服务器传输延迟和剩余资源的差异，使用户连接不同的边缘服务器的直播体验不同，需要在多个边缘服务器中进行选择.所以，在多边缘服务器场景下，需要对用户进行合理分配，提升直播用户体验.0.100.05051015用户可连接的基站数人数占比20253035Fig.1Distributionoftheproportionofpeoplecorrespondingtothenumberofconnectablebasestations图1可连接基站数对应的人数占比分布为了分析直播用户的互动行为，通过编写一个爬虫程序获取了哔哩哔哩直播网站数据集，并重点收集了 17 个热门直播间内用户的弹幕数据.数据集信息主要包括直播网站每小时的总直播间数量和总用户数量，以及各热门直播间内每条弹幕的内容、发送时间、发送用户 ID 和当前直播间的用户数量.首先计算 24h 内平均每小时的直播间数量和用户人数的分布情况，如图 2 所示.在早上 6 点左右，直播用户数量达到低谷，累计上线的总用户数量为 435万左右，累计创建直播间数量为 1982；而在晚上 8 点左右是观看直播的高峰期，总用户数量为 6883 万左右，直播间数量为 18178.在观看直播高峰期，用户和直播间数量的急剧增长给直播平台的服务器带来了巨大的带宽和计算压力，边缘计算可以在网络边缘对直播视频进行转码和传输，为用户提供低延迟的直播服务，缓解云端服务器的压力.然后分析了热门直播间内弹幕的发送情况，统计各用户发送的弹幕数量，结果如图 3 所示，横坐标表示用户单位时间发送弹幕数量，纵坐标表示各弹幕数量对应的人数相对于总人数的累计比例.经统计发现，有 59%的用户平均每小时只互动了 1 次，并且 96%的用户平均每小时互动次数在 10 以内，高度倾斜的曲线反映出不同用户的互动行为差异明显，其中一部分用户只观看直播视频，很少参与互动，而另一部分用户积极主动地参与互动.对于频繁参与互动的用户，更期望体验低延迟直播服务，较高的延迟会使其无法及时接受到最新的直播内容和互动信息，影响到直播体验；对于很少参与互动的用户，延迟对其直播体验影响相对较小，直播视频的质量会更为重要.因此在优化直播用户体验为用户分配边缘服务器资源时，要考虑用户的个性化需求.10.50.60.70.90.8累计用户数占比每小时发送弹幕数量1.010100Fig.3Distributionofcumulativeproportionofthenumberofpeoplecorrespondingtothenumberofbarrage图3弹幕数量对应的人数累计占比分布最后，为了分析影响用户互动行为的因素，统计了 17 个热门直播间内的弹幕数量.利用各直播间每小时内的总弹幕数量除以用户数量计算出直播间单位时间人均弹幕数，将结果按照从小到大排序，并对直播间进行编号，结果如图 4 所示.其中有 4 个直播间单位时间人均弹幕数低于 0.01，而有 7 个直播间人均弹幕数高于 0.02，其中人均弹幕数最高达到了0.13.并且不同直播间的用户互动行为也存在着明显差异，部分直播间内用户的平均互动积极性明显高于其他直播间，因此影响用户互动行为的因素不仅20 00015 00010 0005 0000时刻直播间数量00:0003:0006:0009:0012:0015:0018:0021:008000万6000万4000万用户人数用户人数直播间数量2000万024:00Fig.2Thenumberoflivestreamingroomsanddistributionofthenumberofusers图2直播间数量和用户数量分布刘伟等：边缘计算中面向互动直播的用户分配策略1861和用户自身需求有关，还和用户所在直播间有一定的关系.在分析用户的互动需求时，需要考虑用户所在直播间的影响.0.150.10每小时人均弹幕数0.050510直播间序号1520Fig.4Distribution of the number of barrages per capita ineachlivestreamingroom图4各直播间人均弹幕数分布 1.2直播视频分发架构将边缘计算技术应用到互动直播中可以缓解云端服务器的压力，降低互动直播的延迟.基于边缘计算的直播视频分发架构如图 5 所示，其主要由主播端、基站、主播侧的边缘服务器、传输网络、用户侧的边缘服务器、用户端 6 部分组成.考虑主播和用户地理位置接近的情况，如同城直播、现场体育赛事直播等，可直接利用边缘服务器提供直播服务.首先，主播将视频采集设备获取的原始视频上传到其附近可连接到的边缘服务器当中；然后，主播侧的边缘服务器将根据直播视频请求，通过边缘服务器之间的网络专线将直播视频分发到对应用户附近的边缘服务器中；最后，用户侧的边缘服务器可以对直播视频进行实时转码处理，将直播视频转换为不同分辨率的版本，并根据网络状况和用户需求将最合适的视频码率版本传输给直播用户.边缘服务器4边缘服务器5边缘服务器3边缘服务器1用户B用户A边缘服务器21080P1080P1080P1080P1080P1080P1080P480P480P720P720P基站边缘服务器主播直播用户主播1直播视频传输路径主播2直播视频传输路径主播1主播2Fig.5Livestreamingdistributionarchitecturebasedonedgecomputing图5基于边缘计算的直播视频分发架构1.3问题描述通过 1.1 节中的数据集分析可知，大多数直播用户处于多个边缘服务器重叠覆盖区域中，并且不同直播用户的个性化需求存在差异.如图 5 中用户 A 和用户 B 同时被边缘服务器 1，2，3 覆盖，假设用户 A 经常参与直播互动，期望更低的直播延迟；用户 B 更关注直播视频的质量，期望更高的码率.为了使 2 个直播用户的 QoE 之和更优，可以将用户 A 分配给总延迟更低的边缘服务器 2，并选择下载分辨率为 480P的直播视频，将用户 B 分配给剩余资源更多的边缘服务器 3，并选择高分辨率 1080P 的直播视频.考虑到下载直播视频需要占用用户侧边缘服务器的带宽资源，转码需要消耗用户侧边缘服务器的计算资源，在服务器资源有限的情况下，如何为多边缘服务器1862计算机研究与发展2023，60（8）覆盖范围内的所有用户分配合适的边缘服务器并选择合适的视频码率，使所有用户整体 QoE 最大化是一个有待解决的问题.在基于边缘计算的互动直播应用场景中，边缘服务器的覆盖和用户的地理分布情况较为复杂，大多数用户被多个边缘服务器同时覆盖，需要根据用户体验在多个服务器中进行选择，因此互动直播中的用户分配问题具有挑战性和现实意义.本文主要研究在多边缘服务器多用户场景下，考虑到边缘服务器的带宽和计算资源有限，根据直播用户的个性化需求和当前的状态，为多边缘服务器重叠覆盖范围内的所有直播用户分配合适的边缘服务器并选择合适的直播视频码率，使此范围内所有直播用户当前时段的整体 QoE 最优.2系统模型M=m1,m2,m|M|V=v1,v2,v|V|vbvbvmbvRvRvRv r1,r2,rvvM(v)M(v)M系统中用户侧的边缘服务器集合可用表示.当前时间段多边缘服务器覆盖范围内的直播用户可用集合表示.直播用户 所观看的主播用表示.假设主播连接的边缘服务器为，且所有主播上传的原始直播视频的比特率均为，即最高码率版本.用户 当前时段观看直播的平均码率用表示，则.用户所在位置附近可连接到的边缘服务器集合为，可知.为了便于理解，表 1 展示了本文中主要符号的含义.Table 1Key Notations Meanings表 1 主要符号含义符号含义bvv用户 所观看的主播mbvbv主播连接的边缘服务器Rvv用户 当前时段观看直播的平均码率M(v)v用户 所在位置附近可连接到的边缘服务器集合xv,mvm用户 和边缘服务器之间的连接关系Tbv,mbvbvmbv主播到边缘服务器之间的直播视频传播延迟Tmbv,mmbvm边缘服务器到边缘服务器之间的直播视频传播延迟Tm,vmv边缘服务器到用户 之间的传播延迟Fvv用户 的互动频率Fbvv用户 当前所在直播间内主播的平均互动频率Ivv用户 的互动需求值Rvv用户 所期望的码率Rvv用户 前一时间段的平均码率2.1边缘服务器选择模型vmxv,mvmxv,m=1mm M(v)xv,m=0vmxv,m对于当前时间段多边缘服务器覆盖范围内的各直播用户，需要通过连接到边缘服务器来获取直播视频.用户 和边缘服务器之间的连接关系用表示，当用户 和边缘服务器连接时，此时边缘服务器 应满足，若，表示此时用户和边缘服务器 不连接.存在约束：xv,m 0,1,v V,m M.（1）xv,m在多边缘服务器场景下，重叠区域内的用户虽然可以在多个边缘服务器中进行选择，但在当前时间段每个用户最多只能通过基站连接到 1 个边缘服务器，因此同时应满足关系：mMxv,m 1,v V.（2）2.2直播用户 QoE 模型在互动直播中，用户体验主要分为 2 个方面：直播互动体验和视频观看体验.直播互动体验和直播延迟有密切的关系，延迟越低，互动体验越优.另外根据前面数据集分析的结论，不同用户的个性化需求差异明显，在优化用户互动体验时，要考虑用户的互动需求，所以互动体验主要受到延迟和互动需求2 个因素的影响.对于直播视频观看体验，一方面和当前直播视频的比特率有关，视频比特率越高，对应的视频分辨率越高，用户体验越优.同时直播视频比特率的抖动会对用户体验产生负面影响.另一方面在边缘计算中，边缘服务器的切换会导致切换延迟.因为资源引导、加载配置和文件迁移会增加服务时间20，所以若用户当前时间段连接的边缘服务器和前一时间段连接的边缘服务器不同时，服务器切换产生的延迟会导致直播视频缓冲停顿，影响用户的观看体验.2.2.1直播互动体验rmn互动体验主要受延迟的影响，直播视频在各网络节点之间的传播和在边缘服务器中的转码是造成直播延迟的主要原因.直播视频传播延迟主要包括主播到主播侧边缘服务器的延迟、主播侧边缘服务器到用户侧边缘服务器的延迟、用户侧边缘服务器到用户的延迟.根据文献 8，21 中节点之间延迟的计算和预估方法，可依据香农定理得到 m 与 n2 节点之间的传输速率，表示为rmn=Bmnlb1+Pmn2，（3）BmnPmn其中表示节点 m 与 n 之间的信道带宽，表示 2刘伟等：边缘计算中面向互动直播的用户分配策略18632Pmn/2Tmn节点间的平均信号功率，表示平均噪声功率，即表示信噪比.则边缘服务器 m 与用户 n 之间的传输延迟表示为Tmn=mrmn，（4）mvmLv,m其中，表示直播视频数据大小.参考文献 18 的工作，在本文中将各节点之间的传输延迟作为已知条件.转码延迟主要受到原视频码率和用户观看视频码率的影响，原视频码率和用户观看视频码率之差越大，需要处理的视频数据量越多，则转码产生的延迟越多.用户 连接边缘服务器 时的直播视频延迟表示：Lv,m=Tbv,mbv+Tmbv,m+Tm,v+(RRv)G，（5）Tbv,mbvbvmbvTmbv,mmbvmTm,vmvG其中为主播到边缘服务器之间的直播视频传播延迟，为边缘服务器到边缘服务器的直播视频传播延迟，为边缘服务器 到用户 之间的直播传播延迟，为边缘服务器中转码对应产生的延迟.Ivv互动体验还和互动需求有关，根据 1.1 节中数据集处理的结论，用户的互动需求会受到直播间的影响，因此互动需求值 可根据用户 在当前直播间内的互动情况得到，并表示为Iv=FvFv+1，（6）Fvv其中为用户 在当前直播间内的历史互动频率，互动频率为用户发送弹幕数和相应时间的比值，可从直播用户的历史记录信息中得到，权值 用于控制互动需求值的范围.Q(Iv,Lv,m)在实时音视频互动中，有研究指出 1s 左右的延时会给用户的互动交流带来异步感，必须尽可能将视频播放延迟限制在 400ms 以内才能给用户带来较好的交互体验.当延迟控制在 400ms 以内时，2 个人的音视频互动是实时的，不会有异步感存在22.所以可以推断在互动直播中存在一个延迟阈值，当直播延迟小于 时，主播和用户可以实时互动，用户的互动需求值越高，互动越频繁，用户越能体验到互动的畅通感，互动体验越优；当直播延迟大于 时，对用户互动产生负面的影响，如果用户互动需求值越大，越容易感受到异步感的存在，用户互动体验越差.同时从文献 11 中得到启发，延迟越低，互动体验越优，最终直播延迟和互动需求值映射到直播互动体验的函数式表示为Q(Iv,Lv,m)=Lv,mIv，（7）Lv,mIv其中 为延迟阈值，为用户的直播延迟，为用户的互动需求值.IvIvLv,m对于式（7），由于 的值非负，当 的取值一定时，的值越小，互动体验值越大，并表示为：Q(Iv,L1v,m)Q(Iv,L2v,m),L1v,m I2v,Lv,m，（9）Q(I1v,Lv,m)I2v,Lv,m.（10）Lv,m IvLv,mIv如式（9）所示，当时，越大互动体验值越大；如式（10）所示，当的值 时，越大互动体验值越小.所以式（7）同时也满足当直播延迟小于延迟阈值时，用户的互动需求值越高，互动体验越优；当直播延迟大于延迟阈值时，用户互动需求值越大，用户互动体验越差的结论.综上，互动体验的式（7）符合实际要求.2.2.2直播视频观看体验vUv视频质量是影响视频观看体验的主要因素之一，而视频质量和视频码率有关，参考文献 23 中定义的视频质量表达式，并对其进行修改，用户 的直播视频质量函数表达式为Uv=lnb1min(Rv,Rv)Rv,b1=150.（11）RvvRvv考虑到用户的个性化需求，其中为用户 所期望的码率，可根据用户观看直播历史记录中主动选择的视频分辨率等级得到.为用户 观看直播的实际码率，当用户观看直播时的码率不低于用户所期望的码率时，用户视频质量达到最优.Ev视频质量的抖动会对视频观看体验产生影响.视频码率突然下降将会对用户体验产生相应的损失，而当码率上升时就不会对用户体验造成损失.视频质量抖动表示为Ev=kRvRv+，（12）x+=max0,x Rvk其中，为前一个时间段用户的平均码率，表示用户的码率每降低一个单位对用户体验造成的损失值.边缘服务器的切换也会对直播视频观看体验造成负面影响.在为边缘服务器重叠覆盖区域内的直播用户作出当前时间段边缘服务器选择决策时，需考虑用户前一时间段的边缘服务器连接状态.边缘服务器的切换会产生一定的服务等待时间，造成直播的缓冲卡顿，降低用户体验质量.边缘服务器切换1864计算机研究与发展2023，60（8）对用户体验的影响表示为：Lv=sxv,mxv,m+，（13）xv,mvmvmxv,m=1xv,m=0 s其中表示用户 和边缘服务器在前一时间段的连接状态，用户 在前一时段连接边缘服务器时，否则，为边缘服务器的切换对直播用户体验造成的损失值.vmRvQoEv,m综上所述，当用户 选择连接边缘服务器，并观看码率为的直播视频时，用户的 QoE 记为，可以表示为 4 个因素的加权求和，即QoEv,m=aQ(Iv,Lv,m)+bUvcEvdLv.（14）用户 QoE 主要和互动体验质量、视频质量、码率抖动、边缘服务器切换有关，其中 a，b，c，d 为权值，可根据实际情况进行设定.2.3边缘服务器资源约束Rv对于系统中用户侧的边缘服务器，其带宽和计算资源是有限的，只能为有限数量的直播用户提供直播服务.将码率为的直播视频传输给用户 v 时，需要分配给用户与码率相对应的带宽资源，用户才可以正常观看相应等级的直播视频.连接到同一个边缘服务器的用户码率之和不超过边缘服务器总网络吞吐量的约束，则满足约束条件：vVRvxv,m Dm,m M，（15）Dmm其中表示边缘服务器提供给直播用户时获取视频的总带宽资源.mmRvm当对直播视频进行转码时，需要占用边缘服务器一定数量的虚拟处理器，连接到同一边缘服务器的用户转码开销之和不可超过边缘服务器 的总计算资源.转码消耗的计算资源主要和视频的原始码率 R 以及目标码率有关，码率跨度越大，消耗的资源越多.边缘服务器 的计算资源约束表示为：vV(RRv)Hxv,mCm,m M，（16）CmmH其中表示边缘服务器可供直播转码的总计算资源，为转码对应的计算资源开销.2.4优化目标优化直播用户体验可以为直播平台吸引更多的用户，提升直播平台的收益和市场竞争力.直播系统的优化方向之一是为那些有价值的观众提供差异化的视频交付服务.例如，系统可以安排更好的网络路径给有价值的观众，提升他们的用户体验.作为回报，这些观众会捐赠更多的虚拟礼物24.所以本文在优化直播用户 QoE 时，考虑到了用户捐赠礼物金额，优先提升捐赠金额高的用户 QoE，可为直播平台带来更Yvv多的利益.为了衡量各用户赠送礼物的金额大小，用表示用户 的赠礼金额影响因素：Yv=lg(10+pv)，（17）pvv其中为用户 捐赠礼物的总金额，可根据用户历史信息得到，为权值.为了提升多边缘服务器覆盖范围内直播用户 QoE，问题模型确定为：maxxv,m,RvvVmMxv,mYvQoEv,m，（18）s.t.vV(RRv)Hxv,mCm,m M，（19）vVRvxv,m Dm,m M，（20）mMxv,m 1,v V，（21）xv,m 0,1,v V,m M.（22）YvYvxv,mRvRvRv目标函数的约束条件主要包括各边缘服务器可供直播视频转码的总计算资源约束（见式（19）、各边缘服务器供直播视频传输的总带宽资源约束（见式（20）.式（21）表示各用户当前时段只能连接 1 个边缘服务器.式（22）表示用户 v 是否连接边缘服务器 m.赠礼金额影响因素作为权值影响着各直播用户 QoE，对于值越大的用户，提升其用户 QoE 使总QoE 增长更多，满足现实需求.最终目标是确定每个直播用户的边缘服务器连接状态以及视频平均码率，使所有用户加权 QoE 之和最大化.需要注意的是视频码率的取值和视频分辨率版本的选择相关，直播视频通常会有多个不同分辨率版本，其对应的视频码率的取值并不连续，因此本文提出的互动直播中用户分配问题是一个离散变量优化问题.3算法设计为了解决第 2 节中的用户分配问题，本文设计了一种基于直播用户体验的用户分配策略.对于多边缘服务器覆盖范围内的各直播用户，当其连接到边缘服务器观看直播时，边缘服务器可以获取到用户的位置信息以及用户直播历史数据信息.由于边缘服务器之间可以通信，各边缘服务器能统一处理用户信息以及边缘服务器状态信息.通过用户位置信息可以确定各用户可连接的边缘服务器集合.根据直播用户历史信息可计算获得用户的互动需求值、赠礼金额影响因素、前一时段平均码率、前一时段服务器连接状态等参数，结合各边缘服务器网络状态和剩余资源等信息，通过执行直播用户分配算法，刘伟等：边缘计算中面向互动直播的用户分配策略1865确定各用户当前时段应该选择的边缘服务器和直播视频码率，并将决策结果通过各边缘服务器传输给用户实施.接下来本节将首先对原问题进行深入分析，然后再设计直播用户分配算法.定理 1.互动直播中的用户分配问题为 NP-hard问题.(y0,y1,yn1)yi 0,1qi证明.为了进行证明，首先引入一个经典的NP-hard问题：多维 0-1 背包问题.假设有 n 个物品，表示物品是否放入背包中.物品 i 对应的价值为，为了使放入背包中物品价值之和最大，目标函数可表示为maxn1i=0qiyi.（23）wiei假设物品 i 的重量为，体积为，背包最大能承载的重量为 K，容积为 N.要使装入背包的物品重量不超过背包最大载重，且体积不超过背包的容积，则约束条件可表示为n1i=0wiyi K，（24）n1i=0eiyi N.（25）xv现将原问题进行简化处理，假设只考虑 1 个边缘服务器 m，则问题变为在满足边缘服务器 m 资源约束条件下，如何对边缘服务器 m 覆盖范围内的用户进行分配，使连接到边缘服务器 m 的直播用户整体QoE 最大化.边缘服务器 m 覆盖范围内的用户集合为 V，用表示用户和边缘服务器 i 的连接关系：