一、网络视频直播缓存系统设计（论文文献综述）
王子辰[1]（2021）在《移动边缘视频传输的协作缓存策略研究》文中研究表明随着5G和万物互联时代的到来,云计算的计算成本、存储成本和传输代价呈指数级增长,加上其固有的时延大和易受攻击的特点,使得人们不得不寻找新的计算模式。与云计算不同的是,在边缘计算中,由移动边缘计算（Mobile Edge Computing,MEC）服务器提供计算和存储资源,MEC服务器之间通过相互协作来扩大服务能力和服务范围,同时由于MEC服务器离用户更近,能够更好地满足用户对于响应时延的要求,这些特点让边缘计算成为了解决现有问题的最佳方式。由于在边缘网络中MEC服务器众多,MEC服务器之间如何高效协作,并与内容分发网络（Content Delivery Networks,CDN）衔接,成为移动边缘计算的关键问题。此外,现有的边缘预缓存方案大都没有考虑用户偏好,其准确性有待提高。因此,可以在在预缓存策略中融入推荐技术,以提升用户体验。本文结合视频缓存和边缘计算的特点,提出了一种基于缓存收益和替换代价的视频协作缓存替换方案（Collaborative Caching and Replacement,CCR）,以及一种基于用户偏好的主动缓存策略（Proactive Caching Strategy Considering User Preferences,PCSCUP）。论文包含以下几个方面的研究。1)本文提出一种与CDN融合的多MEC节点协作架构,该架构由MEC服务器、移动设备和云服务器组成,其中临近的多个MEC服务器共同组成协作缓存域,通过协作缓存加深MEC节点之间的合作,提高MEC协作缓存域的整体工作效率,该架构可以容纳非常多的MEC节点,为大规模边缘网络的协作提供思路。并且本文以此架构为背景,模拟了一套完整的边缘缓存实验环境。2)本文提出了一种基于缓存收益和替换代价的视频缓存替换策略,综合考虑缓存视频的正收益和替换视频的负收益。在缓存方面,综合考虑排队延时、发送延时和视频流行度计算缓存收益,进而在MEC协作缓存域中选取最佳的缓存节点,在替换方面,本文综合考虑重新获取视频的成本和视频的流行度,选取替换代价最小的视频,执行缓存替换决策。实验结果表明,本文提出的缓存替换策略能够使命中率、延时和传输负荷方面的性能得到有效提升。3)为了提高预缓存的准确性,本文提出了一种考虑用户偏好的主动缓存策略,在刚上线的用户的偏好与其所在MEC的群体偏好存在较大差异时进行主动缓存。该策略能根据缓存命中率的变化自适应调整主动缓存空间大小,对缓存空间的利用更加智能。实验结果表明,主动缓存方案表现大大优于非主动缓存,能够有效提高QoS,如缓存命中率等性能指标,并且该方案对于不同偏好分布的用户和不同流行度分布的视频具有较好的适应性。
曾卓[2]（2021）在《基于CDN的流媒体缓存优化策略研究》文中研究表明据相关数据统计,短视频,直播/点播等流媒体近年来流量暴增,已超过全网总流量的70%,每天会有海量用户利用各种手持移动设备录制并上传网络小视频,这些小视频会缓存在CDN源服务器中,当网络用户请求访问该视频时,CDN源服务器会利用流媒体技术将视频缓存传送至CDN缓存服务器并实现小视频的实时播放。为了提高CDN服务器的缓存效率,提升用户音视频观看体验,有必要针对流媒体缓存优化策略展开研究。本课题通过编写爬虫程序对国内某短视频平台进行视频数据采集,设定偏好值计算公式,根据该公式建立视频价值模型,进而提出基于视频价值模型的缓存策略算法,旨在提高用户对某一时间段内的热门事件的请求命中率,减少边缘节点服务器回源、节省带宽开销、降低骨干网压力。本文主要工作包含以下三个部分:（1）对用户所请求的视频内容进行数据采集与特征提取,设定视频偏好值的计算公式,根据视频偏好值建立视频价值模型,按照视频偏好值计算公式计算各个视频的偏好值数据,按照偏好值从高到低的顺序对视频进行排序,排名靠前的视频优先进入服务器缓存空间,排名靠后的视频会被定期淘汰。（2）提出基于视频价值模型的缓存算法,视频价值模型将用户访问请求时变特征纳入,充分考虑用户访问请求行为对缓存命中率的影响,采用局部区域缓存服务器协同作业缓存策略。（3）设计模拟仿真试验,试验中的一部分内容是模拟用户请求行为,另一部分内容是模拟流媒体缓存算法,将缓存命中率作为基于视频价值模型的缓存算法性能的衡量标准。实验结果表明,本文提出的基于视频价值模型的缓存算法在一定程度上提高了用户的请求命中率,降低了源服务器负载。
张家豪[3]（2021）在《移动边缘计算网络中视频缓存策略研究》文中研究指明近年来随着移动通信技术的发展,无线通信网络中的移动设备数量呈爆发式地增长,随之出现了大量的新兴互联网应用,尤其是移动视频业务的快速发展,导致视频数据产生的流量在通信网络中所占比例越来越大。在以高带宽消耗视频文件作为服务访问热点的场景中,传统的云计算模式受限于回程链路的带宽容量,难以同时响应大规模的视频请求,导致网络拥塞,响应时延过长等情况频繁出现。为了克服现有网络架构的局限性,研究人员提出了在网络边缘就近提供计算和存储资源的移动边缘计算（Mobile Edge Computing,MEC）架构,以缓解回程链路的流量压力,降低请求的响应时延。在视频业务中,利用MEC服务器将视频资源进行缓存显然可以有效应对移动视频流量高速增长带来的问题,然而考虑到成本投入有限,不能任意地部署边缘资源来满足用户日益增长的需求,所以缓存策略的性能就显得尤为重要。现有的基于LRU和LFU的缓存策略假设用户的访问模式是固定的,即最近请求或经常请求的视频在将来有更高的概率被访问,但在移动视频网络中,流行内容总是很快到期,过去的访问模式往往无法准确表示视频未来的流行度。有研究尝试选取用户偏好、请求记录等信息对流行度建模,但是除了显式的特征,移动视频网络中的一些隐式特征如用户移动性、用户交互行为、网络状态等也会对视频流行度产生影响,导致该类策略难以对流行度精确建模。为了提高动态变化场景下缓存策略的性能,有研究提出了基于深度强化学习的缓存策略,该类策略在没有任何关于内容流行度先验信息的情况下,利用深度强化学习技术感知环境状态,根据观察到的环境数据自主学习缓存策略,但是该类方案大部分没有考虑视频码率的选择。此外,现有研究大多以命中率、流量卸载作为性能的评价指标,导致在选择码率时未能充分考虑缓存策略对用户体验质量的影响。考虑到移动边缘计算网络环境下,网络状况的时变性、用户的移动性,视频文件的特性等都会对缓存策略造成影响,如何高效利用边缘节点和无线网络有限的资源,为用户提供高质量、低延时的视频服务是移动边缘计算中一个重要的课题。本文致力于研究移动边缘计算网络下视频业务的缓存更新和放置策略,主要工作如下:（1）移动边缘计算网络中自适应码率选择的视频缓存更新策略针对移动边缘计算网络下视频流行度、网络状态难以精确建模的问题,研究了视频点播服务下自适应码率选择的视频缓存更新策略。首先,提出了基于移动边缘计算网络的视频缓存架构,在此架构下,MEC平台具有缓存、转码以及无线网络状态感知能力,缓存系统可利用MEC平台提供的功能设计缓存策略。其次,定义了以最大化系统和用户Qo E收益为目标的缓存更新优化问题。最后将视频的历史请求信息以及用户的历史网络信息作为环境状态,设计了一种基于深度强化学习的缓存更新和码率选择算法。该算法能够感知环境的状态信息,并根据环境的反馈自主学习缓存策略。所提方案同时优化了缓存更新时机、缓存视频及其码率的选择。经仿真实验表明,本文所提方案能有效提高系统的缓存收益和用户的体验质量。（2）移动边缘计算网络中具有用户位置感知的多基站协作短视频缓存放置策略针对短视频流行度变化快、请求概率与用户位置分布密切相关的特点,研究了移动边缘计算网络下考虑用户移动性的短视频协作缓存策略。首先,提出了移动边缘计算网络下的云边协同架构,该架构下配备有宏基站和微基站,每个微基站都可以与宏基站进行通信,邻近的边缘节点间之间可以协作缓存。短视频平台的推荐系统根据用户的偏好生成到推送的短视频集合并确定短视频的流行度排名,边缘节点在缓存视频前,利用移动性管理模块预测下一时隙用户所处的基站,缓存控制模块根据用户分布情况决定短视频缓存的位置。其次,对用户移动性和缓存放置问题进行建模,定义了以最大化单位流量和时延收益为目标的缓存放置优化问题。最后,基于LSTM网络模型和深度强化学习设计了一种具有用户位置感知的缓存放置算法,该算法能够准确预测用户的移动轨迹,并且能根据用户移动情况将短视频缓存到合适的位置,以满足更多用户的短视频请求。实验结果表明,所提方案能有效减少回程链路流量、降低视频传输时延,进一步对实验测试和分析发现,准确预测用户移动的目标位置、选择短视频合适的放置位置对提升缓存性能非常重要。
孟建文[4]（2021）在《基于边缘网络的视频传输机制优化研究》文中认为随着移动网络和无线通信技术的快速发展,越来越多的以视频信息为载体的应用出现在了人们的日常生活中,视频应用占据了互联网中通信流量的绝大部分。庞大的视频流量和日益提升的视频质量要求为传统基于云计算的服务架构带来了严峻的挑战。一方面云端视频服务器的负载和带宽开销非常大,高质量视频的端到端传输为整个网络带来了巨大的回程传输压力;另一方面由于视频业务与移动网络的分离设计,视频业务难以感知到无线网络的实时状态变化,视频传输难以达到最佳效果。边缘网络通过将云计算中心的部分资源和功能下沉到网络边缘节点上,可以为用户提供更加灵活高效的视频服务,进而改善上述提到的问题。边缘节点上部署的的存储资源和计算资源可以很好地提升用户的视频观看体验。其中,利用边缘节点的存储能力进行视频缓存,不仅可以高效地满足视频分发过程中用户对于热门视频内容的重复请求,降低网络中的冗余流量,还能缩短视频服务的时延,为用户带来更好的体验;利用边缘节点的计算能力进行视频转码比在云端转码有着更快的响应速度,同时边缘节点能够及时地捕捉到用户的无线信道变化情况,为用户提供最合适的转码速率集。鉴于缓存策略和转码策略在视频传输中的重要性以及当前研究在一些场景下的不足,本文分别针对边缘网络中SVC视频的缓存放置策略和直播视频的转码策略展开研究。本文的研究内容主要包括以下部分:（1）针对可伸缩编码视频,这类视频在传输、存储和视频码率上具有分层的特性,本文通过设计联合缓存放置和码率选择策略来进行优化。与数据和普通视频缓存不同,用户的信道分布会显着地影响到可伸缩视频不同分层的缓存有效性。基于此,我们在缓存不同视频分层时考虑了用户的接收能力和码率选择策略,来避免缓存一些无法被用户流畅接收的可伸缩视频分层。该问题被建模成一个混合整数连续规划问题,我们首先通过对用户信道的概率分布模型进行差分近似将其转换成较低复杂度的离散优化问题,之后提出了启发式的两步动态规划算法来进行求解。大量实验仿真的结果表明我们所提出的联合优化策略较其他组合策略可以更有效地提升用户的平均QoE。（2）针对直播视频,本文关注到视频转码后不同目标码率集对用户视频观看体验的影响,通过设计联合动态转码和资源分配策略来进行优化。传统固定转码目标码率集的转码策略不能很好地适应移动用户的动态性,无法为用户提供最佳的码率选择,存在着计算资源和传输功率的浪费。为解决该问题,我们在考虑设计更加细粒度的动态转码策略时,同时考虑边缘节点上计算资源和传输功率的分配。该问题被建模成一个混合整数非线性规划问题,经过分析,我们发现在固定用户分组的情况下原问题可以得到简化。基于此,我们设计了基于用户聚类的动态转码以及计算资源和传输功率分配算法。经过大量实验仿真,我们证实了所提出的联合策略在提升用户总的QoE上具有显着的优越性。
姚振[5]（2020）在《基于网内缓存的视频传输建模与优化》文中研究表明随着网络体系架构和通信技术的不断演进和创新,用户终端设备的数量和性能都实现了跨越式的提升,以此为契机,视频业务的普及速度进一步加快。这一方面极大地丰富了人们的物质文化生活,促进了相关产业的发展;另一方面,也不可避免地导致了网络中视频流量的指数式增长,给网络基础设施带来了前所未有的巨大压力。面对海量的带宽需求,通过网络扩建和设备更新来提高承载能力已然是杯水车薪。在此情况下,网内缓存技术的出现为这一问题的解决带来了转机。由于视频内容的流行度分布服从二八定律,通过将用户频繁请求的高热度内容保存到边缘网络的网元设备上,能够在缓存命中时提供就近的传输服务。由此不仅可以大幅度增加传输速率,减小传输时延,同时还能够消除网络中大量的冗余流量,缓解核心链路的传输压力。此外,软件定义网络（Software Defined Networking,SDN）和网络功能虚拟化（Network Functions Virtualization,NFV）技术的日益成熟也为网内缓存提供了良好的部署平台。利用SDN集中式控制平面的可扩展和可编程优势可以制定特定的缓存机制和缓存策略,结合NFV使能的网元节点虚拟化内容存储和传输功能,能够针对不同的视频业务需求设计和实现相应的服务框架。本文分别研究了基于SDN的有线局域网和移动蜂窝网中网内缓存协助的视频传输场景,设计了各自的系统架构,同时通过数学建模对优化问题进行了描述,并采用优化控制理论和机器学习算法找寻最优的缓存策略。本文的主要贡献总结如下:1)提出了基于有限状态机和滑动窗口的变长间隔缓存机制,并设计了相应的网内缓存协助的软件定义视频流化传输系统。针对有线局域网内支持SDN和NFV的VoD服务场景,利用SDN控制器实时地收集数据平面的链路状态和缓存分布信息,根据部署的内容传输策略选择最优的服务节点提供视频流化服务。在此基础上,结合所提出的基于滑动窗口的变长间隔缓存策略,来自适应地感知视频流行度变化趋势,调整缓存内容片段的大小,从而提高缓存资源的利用率。除此之外,针对所提出的缓存机制还构建了相应的数学模型,并从理论上对其性能进行了推导。之后,用通用的硬件设备搭建了实际的原型系统来验证其可用性和有效性,并基于Mininet网络仿真平台完成了大规模网络场景下的多指标全面性能评估。实验结果表明本文所提出的缓存策略具有更高的缓存效用和视频传输QoS。2)提出了基于多智能体深度强化学习的多基站间分布式协作缓存策略。针对超高密度5G蜂窝网中支持基站内容缓存的视频传输场景,设计了相应的系统架构和传输机制,之后将多基站间的网内协作边缘缓存问题建模为基于部分可观马尔科夫决策过程（Partially Observable Markov Decision Process,POMDP）的联合策略优化问题,并根据提出的分布式协作缓存策略求解。首先,利用各个基站配备的计算和存储资源,依据本地观测得到的用户接入状态和视频请求状态信息,通过相应的学习算法预测未来时隙的本地状态变化情况。在此基础上,结合基站共享的全局隐状态信息作为多智能体协作边缘缓存算法的状态输入,来找寻最优的缓存决策,旨在提高缓存资源的利用率,减少冗余流量。最终,通过仿真实验评估了该缓存算法在基站大规模、高密度部署场景下的性能表现。实验结果表明本文所提出的缓存策略能够通过网内缓存协作机制更充分有效地利用边缘网内的缓存资源,提高系统的整体性能。3)提出了基于深度生成模型和深度强化学习的具有用户移动性感知能力的预缓存策略。针对超高密度5G蜂窝网中用户移动情况下网内缓存协助的视频传输场景,根据移动轨迹预测的思想设计了相应的预缓存架构,能够在用户发生基站切换之前预先将待传输的内容取回到即将接入的基站之上。首先,采用基于神经网络的生成模型来提取不同移动用户的行为模式特征,加以学习之后,用来预测用户未来的移动轨迹。此后,结合观测到的网络状态信息,根据深度强化学习算法进行内容预缓存决策,目标是提高缓存资源利用率和视频传输QoS。最终,采用真实场景下移动用户的GPS轨迹数据集来测试轨迹预测算法的准确率,并通过仿真实验对所提出的预缓存策略进行了评估及验证。结果表明本文所设计的预缓存策略能够更高效地利用网内缓存资源对移动用户的视频传输性能进行提升。上述三个方面的研究成果分别展示了网内缓存在不同网络架构中的视频传输场景下所带来的性能提升和带宽节省,同时验证了本文所设计的缓存机制和策略的可用性和有效性,充分显示出其在下一代网络中广阔的应用前景。
吕欢乐[6]（2019）在《基于移动边缘计算网络的视频缓存算法研究》文中研究表明随着互联网技术和移动通信技术的不断发展,移动设备数量呈现快速增长的趋势,伴随而来的则是网络数据流量的爆炸式增长。在这海量的网络流量中,视频业务数据流量占据了超过一半的比例。不断出现的新型业务一方面要求网络可以承载更高质量的视频,加快了网络中视频业务流量的增长速度,而另一方面这些新型业务对视频内容访问的延时要求不断提升。快速增长的视频流量与低延时的要求向当前的网络结构以及部署在网络节点上的各种算法提出了新的挑战。为解决日益增长的业务需求所带来的问题,第五代移动通信网络中引入了很多新兴的技术。移动边缘计算技术作为5G的关键技术之一,在当前网络架构的基础上,为边缘网络节点增加了更多的计算资源,可以提升边缘网络的智能性,应用前景非常广泛,因此引起了研究人员的高度关注。内容提前推送是当前网络中常用的一种缓存技术方案,它的核心思想是利用网络流量低峰期提前将可能会被用户访问的内容推送至距离用户较近的边缘节点,这样在流量高峰时,用户访问的内容可以直接由边缘节点推送给用户,从而降低回程链路的负载,减少核心网带宽的使用,降低用户的网络延时。该技术的核心算法即为推荐算法,本文在传统的推荐算法的基础上,研究了电影数据极易获取的属性之一——电影类型与用户评分之间的关系,从而提出了一种基于电影类型和矩阵分解的评分预测算法,以矩阵分解得出的预测评分为精细评分,电影类型得出的评分为粗略评分,并以后者作为修正项与前者进行加权和,同时根据每个用户的历史评分数据计算出不同的加权参数。仿真结果证明所提算法可以有效提升评分预测的准确率。随着硬件技术和网络技术的不断发展,用户终端设备由之前的计算能力弱、存储量少的老式手机逐渐演变成高计算资源、高存储量的智能手机、智能手表等终端设备,这不仅很大程度上提升了用户体验,也使得用户的终端设备在网络中可以承担更多的角色。MEC技术的引入使得靠近用户的边缘网络节点更加智能,第三方接口的开放也为厂商优化他们的网络应用提供了更多的空间。本文利用MEC边缘节点的计算能力和用户终端设备的高存储量这一特性,结合了基站缓存、设备缓存,并引入了上文的GSVD算法,提出了一种基于用户偏好的联合缓存算法。该方案利用推荐系统去学习和发现用户个体之间的喜好差异性,从而选择将内容缓存在用户终端设备或者基站缓存服务器上,仿真结果表明该算法可以有效降低用户访问延时,提升用户体验。
丁文婷[7]（2019）在《无线边缘自适应视频流协作缓存与转码研究》文中提出无线通信技术和个人移动设备的高速发展,对移动互联网业务产生了强有力的推动和促进作用,也造成了网络流量迅速增长。其中,视频流业务占据了网络流量相当大的一部分。丰富多彩的视频内容服务与先进的移动设备对各种码率视频流的支持,给用户提供了丰富的选择,同时也给视频流的传输和分发带来了极大的挑战。目前,一般采用基于云计算的DASH系统解决用户多样化的需求问题,但是该系统仍然存在一些问题:第一,基于云计算的系统将视频存储在距离用户较远的云端,这将不可避免的产生不小的用户响应时延,对于时延敏感的视频流业务造成用户体验质量的下降。第二,相同视频需要多次在核心网间传输,极大的浪费了核心网紧张的带宽资源。第三,视频存储需要巨大的存储空间,且将视频转码成多个比特率也是计算密集型任务,所以承载多个区域视频存储和转码工作的云服务器,有很大的压力。移动边缘计算与无线边缘缓存技术允许在靠近用户的边缘网络中进行视频的存储和转码工作,有助于缓解云服务器的压力,降低用户响应时延,减轻核心网的带宽压力,逐渐成为研究的热点问题。另外,众包服务的流行以及移动设备的高速发展,使得利用广大的用户基础参与转码成为可能。为了解决现有系统存在的问题,本文重点研究无线边缘网络中自适应视频流的缓存与处理技术,论文的主要内容包括:（1）提出了一种针对自适应视频流的无线边缘协作缓存与处理系统,考虑了基站的邻域问题,并且考虑实际的有线带宽,无线频谱带宽以及边缘服务器的存储与计算能力限制。将问题建模成边缘网络的网络效用最大化问题,并且通过分析证明该问题是NP-Hard。本文针对视频内容缓存提出了基于基站计算容量利用率的CCP算法,对用户的视频请求设计了启发式路由调度算法GHRS,决策用户的请求路由以及转码资源调度。在此基础上,为寻求更优解,设计了多次迭代算法。并通过大量的仿真验证我们的系统与现有的系统相比,能够明显地提高边缘网络的效用,提高缓存命中率和降低用户响应时延。（2）提出了一个无线边缘协作众包转码系统,据我们所知,该系统是第一个在边缘网络中使用众包服务进行视频转码的系统。将问题建模成拍卖模型,并针对二维竞价信息设计了激励兼容的拍卖机制,目的是最大化社会福利。针对我们的场景设计了符合经济属性的GDA算法,用以选择合适的用户参与视频转码任务。最后,通过大量的仿真证实该系统可以为边缘系统的网络效用做出比较大的贡献,且提出的GDA算法与传统的拍卖算法相比,有很大的性能提升。
SVYNAROVA SVITLANA（杨灿）[8]（2018）在《移动视频直播商业模式研究》文中研究表明伴随着互联网的逐渐普及,自媒体也迎来了蓬勃发展的新机遇。自媒体的巨大优势成为了推动移动视频直播的重要助推力,其背后潜在着巨大的商业价值,并且孕育出一个全新的“自媒体+内容”营销模式。移动视频直播因其虚拟的盈利模式,使其与许多实体企业的商业模式存在很大差异,但也正是由于这种商业模式出现的时间较短,其在营销模式、价值创造、融资模式以及资源整合等方面都存在一定的问题。本文通过对三种不同类型的移动视频直播商业模式的分析,提出了移动视频直播商业模式发展实践的新思路。论文首先对移动视频、直播以及商业模式等关键词进行概念界定,明确论文的研究范围,并以商业模式理论为基础,提出适合于分析网络直播商业模式的构成要素。在此基础上,对移动视频直播的发展现状与趋势进行研究,并对移动视频直播的发展路径、特点以及类型进行归纳分析;进而从战略定位、资源整合、盈利模式、营销模式、融资模式和价值创造模式几个角度对专门式移动直播平台的商业模式、捆绑式移动直播平台的商业模式以及附属式式移动直播平台的商业模式进行对比研究;对移动视频直播商业模式存在的主要问题进行剖析,指出当前中国现有移动视频直播平台商业营销模式的弊端,如,直播商业营销模式低端,直播平台盈利体系不健全,营销内容出现道德危机以及监管力度不足等。进而根据问题对优化中国移动视频直播平台的商业模式提出针对性策略与建议,为了实现移动视频直播的可持续发展,必须不断创新商业营销模式,完善直播监管体系,加强对直播营销内容的监督,为直播行业创造良好协调的发展环境。最后,本文对中国移动视频直播的发展趋势进行预测,剖析今后移动视频直播的内容以及营销模式的走向,并对论文研究成果进行概括和总结。
廖虎[9]（2018）在《高效内容分发网络中服务器优化部署及路由策略》文中研究表明随着互联网的迅猛发展,在线视频已经成为当前互联网数据流量的重要组成部分。大量的视频内容以及爆炸式发展的视频服务需求,使互联网承受着巨大的压力,内容分发网络（Content Distribution Network,CDN）已成为提供此类内容服务的主要技术。相对于传统网络架构,CDN能够减少用户访问延时,均衡服务负载,降低网络访问成本,提高用户体验质量（Quality of Experience,QoE）。传统CDN的研究主要集中在请求重定向、内容缓存与分发以及服务器的部署,并且已经进行了较多的研究,但是在新的网络环境和新的应用业务需求场景下（如,直播、短视频等）传统的算法已经不能满足现有网络的需求,现在的CDN技术面临了:（1）在数据中心虚拟化的潮流下,多内容提供商（Internet Content Provider,ICP）共用服务器时,由于对底层物理资源的不合理的利用,从而造成了资源浪费;（2）由于直播应用和短视频应用的发展,视频内容碎片化和内容的繁多且更新迅速,从而导致CDN的频繁重定向和内容缓存的频繁更新;（3）在移动互联网场景下,用户的移动性带来内容的请求动态性,导致频繁的重定向和内容缓存的频繁迁移和更新。目前大多数内容服务器（Content Server,CS）的部署与路由控制分别由CDN和互联网服务提供商（Internet Service Provider,ISP）独立运行管理,因此服务器的部署会影响网络节点之间的流量需求矩阵,很难最大限度的发挥ISP所管理的流量工程（Traffic Engineering,TE）在内容传输网络中的作用,并且在多ICP的场景下此问题更加明显。目前CDN主要通过请求重定向将请求分配到合适的服务器进行服务器负载均衡,对于请求内容未命中时的内容更新的负载均衡研究较少,视频内容碎片化和用户移动性会导致内容的频繁更新,目前的内容更新主要通过最近服务器或者从源内容服务器（Source Content Server,SCS）获取更新,当需求不均衡时,很可能致使一些服务器过载从而降低CDN的服务能力。针对上述问题,本文首先在ISP和CDN共享链路状态前提下,考虑将用户对多个ICP的需求以小区为单位进行聚合,然后再根据网络拓扑及小区的个性化需求,以最小化联合部署成本为目标进行内容服务器的部署、内容的缓存及传输路由的联合优化。在满足带宽和存储等资源受限的前提下,建立数学模型,提出了基于混合遗传模拟退火算法、预筛选策略和残余带宽修正策略的部署方案并进行仿真验证,结果表明该部署方案能够快速有效的降低部署成本及缓存冗余。接下来,针对碎片化的内容和各种直播类内容的动态性和实效性而无法总是缓存,导致服务器频繁更新的负载不均衡问题,本文研究在协作式缓存网络中多用户进行并发请求且未命中时,考虑使各个更新内容服务器负载均衡的目标前提下,然后考虑如何提高请求接受率的同时最小化更新路由成本。在满足内容服务器负载和链路带宽的限制下,建立数学模型,提出了基于混合遗传模拟退火算法的内容服务器负载均衡策略和基于贪心策略算法的最小成本路由策略,并进行了仿真验证。结果表明负载均衡部署方案能有效控制服务器间的负载均衡度,并且通过链路分裂策略和相同内容链路聚合策略后,请求的接受率和部署成本有明显收益。
马邦阳,魏伟刚,浦云明,尤志宁,王巍,陈凯萌[10]（2018）在《基于ATS的直播加速缓存系统设计》文中研究表明由于网络直播快速发展和在线用户数量过大,服务器容易出现过载状态,响应速度也随之下降,直播卡顿和延时问题成为了困扰大多数用户的问题。因此提出,基于ATS（apache traffic server）,采用Boost库开发插件并搭建网络代理服务器,通过重定向服务器将用户的直播请求导入ATS服务器,ATS以异步处理和并发的方式处理用户请求。当多个用户请求同一个直播资源时,ATS缓存系统只需要回源一次,并把数据输出给多个用户,有效地减少了广域网和源站服务器的负载,提高了直播数据的传输效率。实验结果表明,ATS缓存加速系统可以解决直播的卡顿和延时问题。
二、网络视频直播缓存系统设计（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、网络视频直播缓存系统设计（论文提纲范文）
（1）移动边缘视频传输的协作缓存策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 边缘计算研究概述 |
| 1.2.2 缓存替换策略的研究 |
| 1.2.3 主动缓存策略的研究 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第2章 相关基础知识 |
| 2.1 网络视频传输和缓存 |
| 2.2 基于用户的协同过滤推荐算法 |
| 2.3 齐夫定律 |
| 2.4 符号说明 |
| 第3章 基于缓存收益和替换代价的视频协作缓存替换方案 |
| 3.1 基于缓存收益和替换代价调度视频资源的动机 |
| 3.2 协作缓存替换方案 |
| 3.2.1 设计思路 |
| 3.2.2 MEC架构 |
| 3.2.3 联合协作视频缓存策略 |
| 3.2.4 缓存收益算法设计 |
| 3.2.5 替换代价算法设计 |
| 3.2.6 缓存限制的考虑 |
| 3.2.7 协作缓存替换方案 |
| 3.3 实验设计及设置 |
| 3.3.1 数据模拟 |
| 3.3.2 参数及评价指标等 |
| 3.4 实验结果及分析 |
| 3.4.1 不同缓存替换策略的性能对比 |
| 3.4.2 CCR策略对缓存系统性能的提升 |
| 3.4.3 用户数量对策略性能表现的影响 |
| 3.4.4 视频数量对策略性能表现的影响 |
| 3.4.5 缓存收益中时延权重的对比实验 |
| 3.4.6 替换代价中考虑因素的实验 |
| 3.5 总结和讨论 |
| 第4章 基于用户偏好的视频主动缓存策略 |
| 4.1 基于用户偏好主动缓存的动机 |
| 4.1.1 主动缓存的动机 |
| 4.1.2 考虑用户偏好的动机 |
| 4.2 视频主动缓存策略 |
| 4.2.1 方案思路 |
| 4.2.2 主动缓存的时机和对象 |
| 4.2.3 主动缓存的视频及其数量 |
| 4.2.4 主动缓存空间的划分与调整 |
| 4.2.5 方案总结 |
| 4.3 实验设计及设置 |
| 4.3.1 参数设计 |
| 4.3.2 仿真流程及评价指标 |
| 4.4 实验结果及分析 |
| 4.4.1 MEC容量对策略性能的影响 |
| 4.4.2 主动缓存门限对策略性能的影响 |
| 4.4.3 用户和视频的分布差异对策略性能的影响 |
| 4.4.4 用户和视频的数量对策略性能的影响 |
| 4.4.5 主动缓存空间大小对策略性能的影响 |
| 4.4.6 主动缓存的数量对策略性能的影响 |
| 4.4.7 缩小主动缓存空间对策略性能的影响 |
| 4.5 总结和讨论 |
| 第5章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间研究成果 |
| 致谢 |
（2）基于CDN的流媒体缓存优化策略研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 现阶段存在的主要问题 |
| 1.4 本文主要研究内容 |
| 1.5 本文组织结构 |
| 第2章 相关技术综述 |
| 2.1 CDN概念和基本原理 |
| 2.2 流媒体技术概述 |
| 2.2.1 流媒体概念及其组成 |
| 2.2.2 流媒体的实现及其传输方式 |
| 2.3 缓存技术概述 |
| 2.3.1 缓存系统原理分析 |
| 2.3.2 缓存的性能指标 |
| 2.4 本章小结 |
| 第3章 基于用户偏好的视频价值模型 |
| 3.1 视频数据采集 |
| 3.1.1 网络爬虫的原理及Jsoup使用 |
| 3.1.2 视频平台数据采集流程分析 |
| 3.2 数据分析 |
| 3.2.1 视频特征信息提取 |
| 3.2.2 数据统计概况 |
| 3.3 建立视频价值模型 |
| 3.3.1 视频偏好值计算 |
| 3.3.2 视频特征更新 |
| 3.3.3 视频定时淘汰 |
| 3.4 本章小结 |
| 第4章 流媒体缓存算法优化策略 |
| 4.1 传统流媒体缓存算法的缺陷 |
| 4.1.1 最近最少使用缓存算法 |
| 4.1.2 最多使用缓存算法 |
| 4.1.3 最不经常使用缓存算法 |
| 4.2 缓存策略分析 |
| 4.3 缓存系统架构分析 |
| 4.3.1 纯分布式网络架构 |
| 4.3.2 主从分布式网络架构 |
| 4.3.3 分布式局部区域缓存服务器协同网络架构 |
| 4.4 基于视频价值模型的缓存算法 |
| 4.4.1 基于视频价值模型的缓存策略 |
| 4.4.2 优化缓存算法 |
| 4.5 优化缓存算法解决的主要问题 |
| 4.6 本章小结 |
| 第5章 优化缓存算法效果分析 |
| 5.1 仿真场景设置 |
| 5.1.1 用户请求行为模拟 |
| 5.1.2 流媒体缓存算法模拟 |
| 5.2 仿真结果分析 |
| 5.2.1 基于视频价值模型的缓存算法实现 |
| 5.2.2 优化缓存算法请求命中率验证 |
| 5.2.3 优化缓存算法对源服务器负载的影响 |
| 5.3 本章小结 |
| 第6章 结论与展望 |
| 6.1 论文主要结论 |
| 6.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间获得的成果 |
（3）移动边缘计算网络中视频缓存策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状与挑战 |
| 1.2.1 移动边缘缓存研究现状 |
| 1.2.2 现有研究工作存在的不足 |
| 1.3 论文的研究内容及章节安排 |
| 第2章 移动边缘缓存相关技术背景概述 |
| 2.1 移动边缘计算及缓存技术 |
| 2.1.1 移动边缘计算 |
| 2.1.2 移动边缘缓存 |
| 2.2 深度强化学习算法简介 |
| 2.2.1 深度学习 |
| 2.2.2 强化学习 |
| 2.2.3 深度强化学习 |
| 2.3 本章小结 |
| 第3章 自适应码率选择的视频缓存更新策略 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.2.1 网络模型 |
| 3.2.2 视频模型 |
| 3.2.3 请求模型 |
| 3.3 优化问题 |
| 3.3.1 系统收益模型 |
| 3.3.2 QoE收益模型 |
| 3.3.3 优化目标 |
| 3.3.4 马尔科夫决策过程 |
| 3.4 算法设计 |
| 3.4.1 视频缓存更新决策流程分析 |
| 3.4.2 Actor-Critic网络的更新规则 |
| 3.4.3 基于DDPG的视频缓存更新算法 |
| 3.5 仿真结果与分析 |
| 3.5.1 参数设置 |
| 3.5.2 性能评估 |
| 3.6 本章小结 |
| 第4章 具有用户位置感知的多基站协作短视频缓存放置策略 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 网络模型 |
| 4.2.2 用户移动性模型 |
| 4.2.3 短视频流行度模型 |
| 4.2.4 时延模型 |
| 4.2.5 缓存收益模型 |
| 4.3 短视频缓存放置优化问题 |
| 4.4 算法设计 |
| 4.4.1 用户移动轨迹预测和短视频本地流行度计算 |
| 4.4.2 基于A3C的短视频放置算法 |
| 4.5 仿真结果与分析 |
| 4.5.1 参数设置 |
| 4.5.2 数据集 |
| 4.5.3 仿真结果及分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 攻读硕士期间科研情况 |
| 致谢 |
（4）基于边缘网络的视频传输机制优化研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状与挑战 |
| 1.2.1 边缘视频缓存 |
| 1.2.2 边缘视频转码 |
| 1.2.3 已有工作的不足与面临的挑战 |
| 1.3 论文内容和结构 |
| 1.3.1 研究内容 |
| 1.3.2 论文结构 |
| 第2章 相关概念和技术 |
| 2.1 移动边缘网络 |
| 2.1.1 对存储资源的利用 |
| 2.1.2 对计算资源的利用 |
| 2.2 视频编解码与传输 |
| 2.2.1 视频编解码特性 |
| 2.2.2 视频传输与播放 |
| 2.3 本章小结 |
| 第3章 基于边缘缓存的视频缓存放置与码率选择策略 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.2.1 SVC视频模型 |
| 3.2.2 SVC视频传输过程 |
| 3.2.3 用户QoE模型 |
| 3.3 问题分析 |
| 3.3.1 数学模型 |
| 3.3.2 问题分析与转换 |
| 3.4 算法设计 |
| 3.5 仿真结果 |
| 3.6 本章小结 |
| 第4章 基于边缘计算的视频转码与资源分配策略 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 视频转码任务计算模型 |
| 4.2.2 视频转码传输模型 |
| 4.2.3 用户QoE模型 |
| 4.3 问题分析 |
| 4.4 算法设计 |
| 4.5 仿真分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 论文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（5）基于网内缓存的视频传输建模与优化（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号对照表 |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 有线局域网中的网内缓存研究 |
| 1.2.2 移动蜂窝网中的网内缓存研究 |
| 1.3 本文主要工作 |
| 1.4 本文的组织结构 |
| 第二章 基于网内变长间隔缓存的软件定义网络视频传输优化 |
| 2.1 引言 |
| 2.1.1 基于NFV的CDN和网内缓存架构研究 |
| 2.1.2 SDN协助的缓存管理和视频传输研究 |
| 2.1.3 针对VoD服务的缓存置换策略研究 |
| 2.2 网内缓存协助的软件定义视频流化传输系统架构 |
| 2.2.1 系统架构 |
| 2.2.2 缓存机制 |
| 2.2.3 服务流程 |
| 2.3 基于滑动窗口机制的变长间隔缓存策略 |
| 2.3.1 缓存窗口状态演化模型 |
| 2.3.2 基于变长滑动窗口的网内缓存机制 |
| 2.3.3 网内缓存协助的视频传输策略 |
| 2.4 系统性能理论分析 |
| 2.5 原型系统搭建和应用示范 |
| 2.6 性能评估 |
| 2.6.1 性能评价指标 |
| 2.6.2 仿真场景设置 |
| 2.6.3 仿真实验结果分析 |
| 2.7 本章小结 |
| 第三章 超高密度5G蜂窝网中基于多智能体深度强化学习的协作边缘缓存 |
| 3.1 引言 |
| 3.1.1 基于最优化理论的缓存策略设计 |
| 3.1.2 基于机器学习的缓存策略设计 |
| 3.1.3 基于深度强化学习的缓存策略设计 |
| 3.2 系统模型和问题描述 |
| 3.2.1 系统模型 |
| 3.2.2 问题建模 |
| 3.3 基于多智能体深度强化学习的网内协作边缘缓存 |
| 3.3.1 多智能体Actor-Critic协作框架 |
| 3.3.2 内容请求预测 |
| 3.3.3 用户接入预测 |
| 3.3.4 基于多智能体深度强化学习的分布式协作缓存决策 |
| 3.4 性能评估 |
| 3.4.1 仿真设置 |
| 3.4.2 性能指标 |
| 3.4.3 实验结果分析 |
| 3.5 本章小结 |
| 第四章 针对移动用户视频传输业务的移动性感知网内预缓存 |
| 4.1 引言 |
| 4.2 系统模型和问题描述 |
| 4.2.1 系统架构 |
| 4.2.2 问题描述 |
| 4.3 移动性感知的预缓存策略 |
| 4.3.1 基于CVAE模型的移动轨迹预测 |
| 4.3.2 基于深度Actor-Critic框架的预缓存策略 |
| 4.4 性能评估 |
| 4.4.1 基于CVAE模型的移动轨迹预测 |
| 4.4.2 基于深度Actor-Critic框架的预缓存策略 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 研究展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（6）基于移动边缘计算网络的视频缓存算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 推荐算法 |
| 1.2.2 视频缓存技术 |
| 1.2.3 移动边缘计算 |
| 1.3 本文工作 |
| 1.3.1 研究内容与主要工作 |
| 1.3.2 本文组织安排 |
| 第二章 相关理论与技术概述 |
| 2.1 个性化推荐算法 |
| 2.1.1 内容关联算法 |
| 2.1.2 协同过滤算法 |
| 2.1.3 混合算法 |
| 2.2 移动边缘计算 |
| 2.3 视频缓存技术 |
| 第三章 基于视频类型的协同过滤算法 |
| 3.1 用户评分与视频类型的关系分析 |
| 3.2 基于视频类型的协同过滤算法 |
| 3.2.1 基于类型的粗略评分预测 |
| 3.2.2 基于带有偏置项的矩阵分解的评分预测 |
| 3.2.3 基于视频类型和矩阵分解的协同过滤算法 |
| 3.3 算法仿真 |
| 3.3.1 实验数据处理及参数设置 |
| 3.3.2 评测标准 |
| 3.3.3 仿真结果分析 |
| 3.4 本章小结 |
| 第四章 基于用户偏好的联合缓存方案 |
| 4.1 引言 |
| 4.1.1 用户偏好多样性分析 |
| 4.1.2 设备缓存与移动边缘计算技术 |
| 4.1.3 用户重放率 |
| 4.2 系统模型 |
| 4.2.1 网络模型 |
| 4.2.2 缓存系统 |
| 4.2.3 基于用户偏好的联合缓存方案 |
| 4.3 仿真结果和分析 |
| 4.3.1 实验数据生成与参数设置 |
| 4.3.2 仿真结果分析 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文工作总结 |
| 5.2 下一步工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（7）无线边缘自适应视频流协作缓存与转码研究（论文提纲范文）
| 摘要 |
| Abstract |
| 常用术语或缩略语 |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 论文的主要内容 |
| 2 国内外研究现状和相关理论 |
| 2.1 CDN缓存 |
| 2.2 无线边缘缓存 |
| 2.3 无线边缘视频转码研究现状 |
| 2.4 拍卖理论 |
| 2.5 本章小结 |
| 3 无线边缘自适应视频流协作缓存与转码系统 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.3 问题描述 |
| 3.4 算法设计 |
| 3.5 性能仿真与分析 |
| 3.6 本章小结 |
| 4 无线边缘自适应视频流协作众包转码系统 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.3 拍卖机制与算法设计 |
| 4.4 性能仿真与分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 论文的主要贡献 |
| 5.2 进一步的工作建议 |
| 致谢 |
| 参考文献 |
| 附录1 攻读硕士学位期间参与的科研项目和研究成果 |
（8）移动视频直播商业模式研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究文献综述 |
| 1.2.1 外国学者研究综述 |
| 1.2.2 中国学者研究综述 |
| 1.2.3 研究综述评价 |
| 1.3 研究思路与方法 |
| 1.3.1 研究思路 |
| 1.3.2 研究方法 |
| 1.3.3 研究技术路线 |
| 1.4 论文主要创新 |
| 1.5 相关概念界定 |
| 1.5.1 直播的相关概念 |
| 1.5.2 商业模式 |
| 1.6 相关理论基础 |
| 第二章 移动视频直播的发展现状 |
| 2.1 移动视频直播的网络技术逐渐升级 |
| 2.1.1 网络技术升级促进直播行业发展更加快速 |
| 2.1.2 网络技术的升级促进直播内容升级 |
| 2.2 移动视频直播的外部法律监督逐渐加强 |
| 2.2.1 移动视频直播的违法现象屡屡发生 |
| 2.2.2 相关法律规定不断出台 |
| 2.3 行业发展的内驱力是直播发展路径核心 |
| 2.3.1 用户社交需求的满足是主要驱动力 |
| 2.3.2 直播行业大量资本的注入成为新的驱动力 |
| 第三章 移动视频直播的类型与特点 |
| 3.1 移动视频直播类型 |
| 3.1.1 游戏直播 |
| 3.1.2 泛娱乐直播 |
| 3.1.3 电商直播 |
| 3.2 移动视频直播的特点 |
| 3.2.1 具有社交性 |
| 3.2.2 大型活动为直播的热点 |
| 3.2.3 虚拟商品购买与电子商务相结合 |
| 第四章 移动视频直播平台的商业模式分析 |
| 4.1 专门式移动直播平台的商业模式 |
| 4.1.1 融合共生的战略定位 |
| 4.1.2 由横向纵拓展的资源整合模式 |
| 4.1.3 ―内容+礼物变现‖的盈利模式 |
| 4.1.4 内容逐渐细分和强化的营销模式 |
| 4.1.5 由单一向多元化渠道拓展的融资模式 |
| 4.1.6 通过虚拟礼物实现价值创造 |
| 4.2 捆绑式移动直播平台的商业模式 |
| 4.2.1 吸引粉丝群体效应的战略定位 |
| 4.2.2 注重大牌群体的资源整合 |
| 4.2.3 “直播+电商”的盈利模式 |
| 4.2.4 以网红和明星为核心的品牌化营销模式 |
| 4.2.5 内部投资和外部融资相结合的融资模式 |
| 4.2.6 以直播为平台的电商模式价值创造 |
| 4.3 附属式移动直播平台的商业模式 |
| 4.3.1 全民应用直播的战略定位 |
| 4.3.2 以平台合并和技术升级为主的资源整合 |
| 4.3.3 以点击量和广告植入为主的盈利模式 |
| 4.3.4 泛娱乐垂直化的营销模式 |
| 4.3.5 多元化渠道的融资模式 |
| 4.3.6 通过推介效应实现价值创造 |
| 4.4 本章小结 |
| 第五章 移动视频直播商业模式存在的问题及对策 |
| 5.1 移动视频直播商业模式的问题 |
| 5.1.1 营销模式低端引发恶性竞争 |
| 5.1.2 直播平台盈利体系不健全 |
| 5.1.3 直播内容出现道德危机 |
| 5.1.4 直播商业平台监管不力 |
| 5.2 移动视频直播商业模式良性发展的对策 |
| 5.2.1 创新商业模式与直播内容 |
| 5.2.2 创造良好的行业协调发展环境 |
| 5.2.3 建立完善直播监管体系 |
| 5.2.4 加强对直播营销手段的法律监督 |
| 5.2.5 加强对直播内容和类别的监管 |
| 第六章 移动视频直播商业模式的发展趋势 |
| 6.1 资源整合趋向多元化 |
| 6.2 价值创造能力将进一步加强 |
| 6.3 中小直播平台融资变得更加困难 |
| 6.4 盈利模式将逐渐升级 |
| 6.5 营销模式将更具有工具属性 |
| 结论 |
| 参考文献 |
| 致谢 |
| 附录 |
（9）高效内容分发网络中服务器优化部署及路由策略（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 内容服务器部署研究现状 |
| 1.2.2 内容分发与缓存更新研究现状 |
| 1.2.3 内容服务器负载均衡研究现状 |
| 1.3 主要研究内容及贡献 |
| 1.4 结构和章节安排 |
| 第二章 内容分发网络技术基础概述 |
| 2.1 内容分发网络简介 |
| 2.1.1 CDN发展进程 |
| 2.1.2 CDN技术面临的主要挑战 |
| 2.2 内容分发网络工作原理 |
| 2.3 内容分发网络关键技术介绍 |
| 2.3.1 服务器部署技术 |
| 2.3.2 服务器负载均衡技术 |
| 2.3.3 内容分发技术 |
| 2.3.4 内容存储技术 |
| 2.4 内容分发网络缓存系统 |
| 2.4.1 层次式缓存系统 |
| 2.4.2 分布式缓存系统 |
| 2.4.3 结合P2P缓存系统 |
| 2.5 本章小结 |
| 第三章 多ICP内容服务器部署及路由策略 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 内容服务器及内容的部署建模 |
| 3.4 内容服务器及内容的优化部署方案 |
| 3.4.1 基于优化的模拟退火部署方案 |
| 3.4.2 给定服务器部署点的部署方案求解 |
| 3.4.3 需求与流的匹配及利用残余带宽修正部署方案 |
| 3.5 仿真验证与性能评估 |
| 3.5.1 参数设置 |
| 3.5.2 性能指标 |
| 3.5.3 仿真结果与分析 |
| 3.6 本章小结 |
| 第四章 服务器内容更新的负载均衡及路由策略 |
| 4.1 引言 |
| 4.2 问题描述 |
| 4.3 内容更新的模型建立 |
| 4.3.1 请求接受率建模 |
| 4.3.2 内容服务器输出流负载均衡建模 |
| 4.3.3 最小化链路部署成本建模 |
| 4.4 服务器内容更新的部署方案 |
| 4.4.1 基于混合遗传模拟退火算法的内容服务器负载均衡 |
| 4.4.2 基于贪心策略的最小成本路由计算 |
| 4.5 仿真验证与性能评估 |
| 4.5.1 仿真参数设置 |
| 4.5.2 性能指标 |
| 4.5.3 仿真结果分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 全文总结 |
| 5.2 未来展望 |
| 致谢 |
| 参考文献 |
| 个人简历 |
| 攻读硕士期间的科研项目和成果 |
| 学位论文评审后修改说明表 |
（10）基于ATS的直播加速缓存系统设计（论文提纲范文）
| 0 引言 |
| 1 系统模块设计 |
| 1.1 系统模块 |
| 1.2 获取关键字处理 |
| 1.3 检索关键字处理 |
| 1.4 数据的回源处理 |
| 1.5 给用户发送资源处理 |
| 2 实验结果及分析 |
| 3结束语 |
四、网络视频直播缓存系统设计（论文参考文献）
- [1]移动边缘视频传输的协作缓存策略研究[D]. 王子辰. 江西财经大学, 2021(09)
- [2]基于CDN的流媒体缓存优化策略研究[D]. 曾卓. 江汉大学, 2021(01)
- [3]移动边缘计算网络中视频缓存策略研究[D]. 张家豪. 广西师范大学, 2021(09)
- [4]基于边缘网络的视频传输机制优化研究[D]. 孟建文. 中国科学技术大学, 2021(08)
- [5]基于网内缓存的视频传输建模与优化[D]. 姚振. 中国科学技术大学, 2020(09)
- [6]基于移动边缘计算网络的视频缓存算法研究[D]. 吕欢乐. 北京邮电大学, 2019(05)
- [7]无线边缘自适应视频流协作缓存与转码研究[D]. 丁文婷. 华中科技大学, 2019(03)
- [8]移动视频直播商业模式研究[D]. SVYNAROVA SVITLANA（杨灿）. 华南理工大学, 2018(12)
- [9]高效内容分发网络中服务器优化部署及路由策略[D]. 廖虎. 电子科技大学, 2018(09)
- [10]基于ATS的直播加速缓存系统设计[J]. 马邦阳,魏伟刚,浦云明,尤志宁,王巍,陈凯萌. 集美大学学报(自然科学版), 2018(02)