跨域流媒体边缘云资源调整策略*

江 坤，奚宏生

(中国科学技术大学 信息科学技术学院，安徽 合肥 230026)

跨域流媒体边缘云资源调整策略*

江 坤，奚宏生

(中国科学技术大学 信息科学技术学院，安徽 合肥230026)

随着云计算技术的成熟，跨域边缘云模式下的流媒体服务正逐渐兴起。但流媒体相关的用户请求随时间波动较大，边缘云需要动态调整需租赁的云资源来同时保证用户服务质量和资源利用率。文中提出的云资源调整策略综合考虑了跨域流媒体边缘云的资源消耗模型、相关用户服务质量指标的量化以及跨域转发用户请求对系统服务的影响，通过系统资源调整阶段和子云资源调整阶段策略的合理协调，在保证用户服务质量的同时节约了系统总体云资源的租赁代价，同时仿真结果表明文中策略能够取得上述优化效果。

流媒体边缘云；资源调整；服务质量；租赁代价

0 引言

近年来，流媒体相关的互联网流量正急剧增长[1]，到2019年，与之相关的网络连接和网络设备的数量将从2014年的140亿增长至240亿[2]。传统的流媒体服务技术，由于建设成本和服务能力的不足，无法满足当前流媒体服务的需求[3]。而随着云计算技术的兴起与成熟，流媒体服务商可以利用跨域流媒体边缘云(Streaming Media Edge Cloud，MEC)将存储影片资源和响应用户请求的工作交由位于边缘网络的云平台完成[4]，从而降低了传输时延，保证了用户服务质量。

同时该模式下，流媒体服务商可以根据需求动态调整需租用的云资源。由于各区域用户请求的数量往往会随时间波动，假如按照请求高峰所需的资源租用云服务，在非请求高峰期间会造成云资源的闲置，但若租用的云资源无法响应高峰时的用户请求，则会影响用户服务质量[5]。因此，非常有必要兼顾上述需求动态调整需租赁的云资源。

1 跨域流媒体边缘云

本文采用的跨域流媒体边缘云服务架构包括：调整全局云资源的资源调整控制器、跨域分配用户请求的OpenFlow控制器、作为各个区域转发代理的OpenFlow交换机以及向各个域提供服务的流媒体边缘云，具体架构如图1所示。

图1中，OpenFlow控制器根据各个区域用户请求的分布状况预测下个时刻流行度分布，再计算出各个区域具体的请求分配策略，然后将其下发至各个负责本区域的请求转发的OpenFlow交换机，从而实现用户请求的动态转发。而各个流媒体边缘云由多台部署在边缘网络云平台上的虚拟机对外提供流媒体服务[6]，云资源调整控制器根据历史用户请求周期性地计算云资源调度策略，实现了云资源的动态调整。

2 云资源调整策略

云资源调整策略需周期性决策各个子云需租赁的云资源。由于云资源调整策略的执行周期要长于跨域请求分配策略的执行周期[7]，整体服务质量是由系统利用给定的云资源经过多次跨域请求分配策略的执行而取得的。本文的云资源调整策略通过系统资源调整阶段和子云资源决策阶段合理协调，能够在保证用户服务质量的同时节约系统总体云资源的租赁代价。

2.1系统资源调整阶段

系统资源调整阶段决策的是所有子云允许接入的最大会话数，主要目标是通过决策系统总的服务能力，在保证系统总体请求接受率的前提下，尽可能减少云资源租赁费用。

系统分配的总体云资源所能够支持的用户服务质量是经过多次跨域请求分配策略的执行取得，因此，为保证最终的用户服务质量，所租用的云资源应当满足资源调整策略执行周期内资源需求的峰值。定义C为各次用户请求分配策略的执行所需云资源的租赁费用，ct表示第t次跨域请求分配策略的执行所需云资源的租赁费用，而cmax则为C中各元素的最大值，因此优化目标可表示为：

Min{cmax}

(1)

流媒体边缘云为用户提供服务过程中，云资源主要消耗在与拟接入的请求数有关的请求接入阶段、与重部署的副本数相关的重部署阶段，以及由当前服务的请求数决定的请求服务阶段。定义A、B、S分别为拟接入请求向量、重部署副本向量和服务请求向量，大小均为T,at、bt、st分别表示第t个跨域请求分配策略执行周期拟接入的请求数、重部署的副本数和系统当前服务的请求数。为了简化问题，各阶段云资源的租赁费用均正比于at、bt、st，系数分别为α、β、γ，因此各跨域请求分配策略的执行所需云资源的租赁费用可表示为：

ct=αat+βbt+γst

(2)

系统当前服务的总请求数与历史接受的请求数有关，即只需要求得已接受的请求中尚未退出的用户请求。假设所有用户请求经过L个域请求分配策略执行周期均会退出，其访问时长服从分布Q，其中ql表示经过l个周期仍在线请求的比例，矩阵H表示各个跨域请求分配策略执行周期前各个子云服务的历史请求数，其中hkl表示之前的第l次执行跨域请求分配策略子云k服务的用户请求数。需要说明的是H每次跨域请求分配策略执行前均会更新H。因此各个当前服务的总请求数可表示为：

(3)

当前跨域请求分配策略执行周期接入的用户请求数与到达的请求数和系统当前服务能力有关。各个子云当前的服务能力为允许接入的最大请求数与当前已接入的用户请求之差，而跨域请求分配策略可以充分利用云资源接入用户请求，定义rall为各个子云所需租用的总会话数，矩阵P表示各个跨域请求分配策略周期到达的请求数，其中pjt表示第t次执行跨域请求分配策略来自第j个区域的用户请求数。因此，各个子云该周期拟接入的用户请求数可表示为：

(4)

子云为了响应用户对于服务器未预先部署的影片的请求，需要向远端数据中心请求该影片，跨域请求分配策略可以避免各个子云对于本区域冷门影片的部署，全局重部署影片副本数与拟接入用户请求的比例基本一致，定义σ为全局重部署影片副本数与拟接入用户请求之比。因此，该周期全局需重部署的副本数可表示为：

bt=θat

(5)

对于各个子云总体的请求接受率，设置τa为需保证的请求接受率，具体约束可表示为：

(6)

根据上述优化目标和约束的表达式，系统资源分配阶段具体数学模型可表示为：

obj:Min{cmax}

(7)

Subject to:

ct=αat+βbt+γst

cmax=max(c1,c2,…,ct)

bt=θat

上述模型为单目标优化模型，可以直接利用cvx和gurobi求解器求解系统需租赁的服务资源。

2.2子云资源调整阶段

子云资源调整阶段需决策的是各个子云资源的调整方案，主要目标是通过调整各个子云允许接入的最大请求数，在尽可能节约云资源租用费用的前提下保证各个子云对于本地用户请求的服务，避免过多跨域用户请求分配增加的传输时延。

为保证最终的用户服务质量，各个子云所租用的云资源应当满足资源调整策略执行周期内资源需求的峰值。定义E为各个用户请求分配策略执行周期所需云资源的租赁费用，etk表示第t次跨域请求分配策略的执行第k个子云所需云资源的租赁费用，而矢量M则为E中各子云各个请求分配周期所需云资源的最大值，为保证总的云资源租赁费用最少，优化目标可表示为：

(8)

对于akt、bkt、skt的计算系统资源调整阶段已给出，同时为了使所分配的云资源能够保证不中断地对在线用户请求提供服务，各子云重新调整的云资源应当满足当前在线请求的提供需求，可表示为：

γskt≤ekt

(9)

定义gm和ga分别为全局本地无法服务的请求数和闲置的服务能力，具体表达式如下：

(10)

定义cqjt和iqjt分别表示子云j在时刻t只响应本地用户请求的闲置服务能力和拒绝的请求数，具体表达式如下：

cqjt=max(qtk-(rj-sjt),0)

iqjt=max(rj-sjt-qtk,0)

(11)

跨域请求分配策略为了保证全局云资源的高效利用，会将本地子云无法响应的用户请求交由其他地区的子云服务。为简化计算，本策略假定各个子云会优先服务本地的用户请求，假如有闲置的服务能力会等概率地响应其他子云无法服务的本地用户请求，定义djk表示区域k对子云j的传输时延，因此最小化跨域请求分配的优化目标可以表示为：

(12)

同时为保证各个子云整体的请求接受率，各个子云租用的云资源之和应当大于系统资源给定的总体资源租用方案。因此，该模型最终可表示为：

(13)

Subject to:

ekt=αakt+βbkt+γskt

mk=max(ek1,ek2,…,ekT)

akt=min(pkt,rk-stt)

bkt=θakt

γskt≤ekt

cqjt=max(qtk-(rj-sjt),0)

iqjt=max(rj-sjt-qtk,0)

本文利用分层序列法求解，具体来说就是先将最小化系统的云资源租赁费用作为主目标模型，将求解结果作为约束代入最小化系统整体传输时延的求解过程中，具体求解可利用cvx和gurobi求解器实现。

3 系统仿真与分析

本文将云资源调整策略执行周期设为1 h，而跨域请求分配策略和云资源调度策略的执行周期均设为3 min，仿真时长设为24 h。实验输入则来源于对实际用户请求到达率的统计结果[8]，具体如图2所示。

图2 系统整体请求到达率分布图

根据文献[9]，将请求接入阶段、影片重部署阶段和请求服务阶段消耗资源的比例系数α、β、γ分别设为α=0.12、β=0.48、γ=0.20，而系统总体的请求接受率约束设为95%。

首先将跨域流媒体边缘云的全局云资源租赁费用作为性能指标，为了体现本文策略的优势，将与单云优化策略的云资源调整方案[10]进行对比，具体结果如图3所示。本文的策略与单云优化策略均能够根据总体请求到达率的变化动态地调整租用的云资源。但单云优化策略没有考虑用户请求的跨域转发，消耗在影片重部署的资源要远高于本文策略，从而造成系统总体的租用成本高出24.8%。

图3 云资源租赁费用示意图

然后将上述两种云资源调整策略决策出的各个子云能够服务的最大请求数作为系统资源限制，验证各个云资源调整周期内的平均请求接受率是否满足给定的约束，具体的仿真结果如图4所示。上述两种调整策略各个云资源调整周期平均的请求接受率均大于设置的约束值95%，满足设置的约束。

4 结论

本文提出了一种跨域流媒体边缘云资源调整策略，通过动态调整需租赁的云资源，能够在保证用户服务质量的前提下节约云资源的整体租赁费用。仿真结果表明本文策略能够在保证用户服务质量的同时动态调整云资源以适应用户请求的波动。

图4 云资源调整策略平均请求接受率示意图

[1] CISCO.Cisco visual networking index: Forecast and methodology，2011-2016[R].San Jose，CA，USA: Cisco，2012.

[2] INDEX C V N.Forecast and methodology，2014-2019 White Paper[R].San Jose，CA，USA: Cisco，2015.

[3] 董宏成，郑飞毅.基于 OpenFlow 的数据中心网络负载均衡算法[J].电子技术应用，2016，42(5): 120-123.

[4] 郭栋，王伟，曾国荪.云计算中一种分布式缓存加密存取方法[J].微型机与应用，2016，35(2): 1-3.

[5] 张政欢.云视频服务系统的资源配置和调度优化[D].合肥: 中国科学技术大学，2016.

[6] 战立松，奚宏生，王子磊.基于OpenFlow的流媒体云服务迁移方法[J].计算机工程，2014，40(12): 1-5.

[7] 冉泳屹.云环境下基于随机优化的动态资源调度研究[D].合肥: 中国科学技术大学，2015.

[8] UMass Trace Repository[EB/OL].http://traces.cs.umass.edu/index.php/Network/Network.

[9] NAN X，HE Y，GUAN L.Optimal resource allocation for cloud based on queuing model[C].Proceedings of the 13th International Workshop on Multimedia Signal Processing (MMSP),2011.IEEE，2011: 1-6.

[10] 姜同全.流媒体边缘云的联合优化资源调度策略研究[D].合肥：中国科学技术大学，2016.

A resource adjustment strategy for cross domain streaming media edge Cloud

Jiang Kun，Xi Hongsheng

(School of Information Science and Technology，University of Science and Technology of China，Hefei 230026，China)

With the maturity of cloud computing technology, the streaming media services in the cross-domain edge cloud mode are gradually rising.While streaming media-related user requests fluctuate intensely，it is necessary to dynamically adjust the cloud resource leasing scheme.The proposed strategy takes into account the resource consumption model of the cross-domain streaming media edge cloud，the quantization of the relevant user service quality indicators，and the impact of the cross-domain forwarding user request to system to reasonably adjust cloud resource leasing scheme, and to ensure the quality of customer service under the premise of minimizing the overall system rental costs through the system resource adjustment phase and sub-cloud resource adjustment phase.The simulation result shows that the proposed strategy can achieve the above optimization effect.

streaming media edge Cloud; resource adjustment; quality of service;rental cost

TP391.41

A

10.19358/j.issn.1674-7720.2017.21.007

江坤，奚宏生.跨域流媒体边缘云资源调整策略J.微型机与应用，2017,36(21)：22-25,28.

国家自然科学基金(61233003)；中央高校研究基金科研业务费专项资金(WK3500000002)

2017-05-14)

江坤(1992-)，男，硕士研究生，主要研究方向：网络传播与控制。

奚宏生(1950-)，男，硕士，教授，主要研究方向：离散事件动态系统、不确定随机系统的鲁棒估计器和控制器设计、通信网络的性能分析和优化、信息安全。