论文部分内容阅读
随着无线网络的快速发展,人们对视频业务的各种需求也迅速增加。由于用户端设备种类的差异性,需要对视频进行转码以满足用户的不同需求。另一方面,由于无线网络资源具有动态变化的特性和有限性,为用户提供高质量和严格时延要求的视频服务是一个很大的挑战。本文分别研究雾网络和多接入点边缘网络中基于直播视频业务和点播视频业务的资源分配问题。主要工作如下:(1)针对直播视频业务,本文设计了一种雾网络中基于演员-评论家(Actor-Critic,AC)深度强化学习算法的资源分配方案。该方案对用户调度,视频质量选择和资源分配进行联合优化,通过在高视频质量与低播放时延之间进行折衷,以使得在视频直播业务中最大化视频质量的同时尽可能减少播放延迟,从而使用户的体验质量(Quality of Experience,QoE)最佳。在本文中我们使用AC算法对以上联合优化问题进行求解,仿真结果表明,本文提出的方案可以显著的提高用户体验,并且通过仿真结果对比可以看出AC算法的性能要好于策略梯度(Policy Gradient,PG)算法。(2)针对点播视频业务,本文设计了一种多接入点边缘计算网络中基于深度确定性策略梯度(Deep Deterministic Policy Gradient,DDPG)算法面向HTTP的动态自适应流媒体(Dynamic Adaptive Streaming over HTTP,DASH)视频业务的资源分配方案。对于DASH系统而言最常见的问题就是多个用户在竞争有限的服务器带宽和存储资源。本文将联合优化边缘节点的缓存、用户接收到的视频质量、时延以及运营成本以保证用户公平性并提高体验质量。本文采用DDPG算法求解以上联合优化问题,仿真结果表明,本文提出的方案可以在显著提高用户视频质量体验的同时,有效控制运营成本。