基于云存储的 P2P VOD关键技术研究

李润知2012-12-27

主要内容• 研究背景及意义• 国内外研究现状• 研究内容 • 研究方法和技术路线• 时间安排

研究背景• 研究表明，截至 2013 年，各种形式的网络视频

(IPTV ， VOD ， P2P Streaming 等 ) 将占全球网络流量的 90% 以上 [1] 。

• VOD 发展经历了几个阶段，已成为目前及未来网络视频的主流模式。

• 传统基于 CDN 架构的 VOD ，易造成服务器存储和带宽资源利用率低。

• 云计算 / 资源池 / “pay as you go”• 云服务模式给 VOD 应用提供了一种新的操作模式。

研究意义• 随着云计算模式的广泛应用，云服务端也在不断的革新技术

和优化资源管理， VOD 应用向云服务的完全过渡是发展趋势。• VOD 向云平台的完全迁移是在牺牲租用代价的前提下实现简

单的业务管理模式，结合云服务的灵活性和专业的资源扩展管理模式，势必产生最优的实现效果。

• 本课题研究基于云存储的 VOD 应用，围绕提高用户观看满意度对相关关键技术进行研究。

• 本课题研究 旨在提供方案有效解决当前 VOD 系统存在的CDN 服务器扩充产生的开销过大、管理操作复杂，以及带宽浪费等问题，并对当前流行 VOD 系统向云服务端过渡提供参考依据。

国内外研究现状• Netflix[3] ，在 2010 年将其视频源服务器、编码软件、推荐引擎及大型的数

据存储迁移到了亚马逊的内容云平台 Amazon Web Services 。• 香港大学的 Chuan Wu 等 [6] 研究了根据排队论建立用户行为模型来预测需

向云服务端请求的带宽量问题；

• 加拿大 SFU 的 Haitao Li 等 [7] ，分析大规模点播系统中用户点播视频流行度

的变化趋势，提出一种合理的视频内容部分向云服务端的迁移策略来节省开

销。

• 张茜等 [5] 研究了基于不同类型的云资源租用价格下最优的租用方案，其将选

择租用何种类型和数量的云资源来减小租用代价的问题归纳为多重背包问题，

并提出优化算法；以上研究均考虑的是 VOD应用向云服务的部分迁移，即保留了部分的业务在

VOD服务提供商端。

国内外研究现状• 文献 [8] 指出，对于大规模的 VOD 系统，往往点播用户的

分布有明显的地域特征。• 文献 [9-10] ，基于 P2P 的流媒体应用中也包括对内容放置

策略和请求路由策略的研究，但没有租用代价的考虑。• 文献 [11][12] 研究了不同服务在不同站点的优化放置问题，

其侧重在对固定的服务需求的一次永久优化而非在系统运行过程中的动态优化。

• 文献 [13] 在研究 VOD 视频内容部分往云平台上迁移时，重点考虑为保证云服务器上的负载均衡实现的迁移策略。

• 文献 [14] 研究在云服务端提供资源预留方案，更好满足流媒体应用带宽周期性扩展需要， 保证带宽使用，同时提高云服务端带宽资源利用率。

主要研究内容• 基于云存储的 P2P VOD 系统框架研究• 云服务端资源预取技术研究分布式云存储站点间基于视频流行度的资源

预取云存储域内视频推荐模型的研究• 智能网络带宽租用策略

主要研究内容 1:基于云存储的 P2P VOD系统框架

分布式云存储

边缘 P2P

多目标优化 : 租用代价 ( 存储、带宽 )

原型系统： P2P+ 云存储

难点问题：

主要研究内容2：云站点视频预取方案

Cost(FD)>>Cost(FL)

主要解决问题：1 、减少站点间跨域流量，避免带宽瓶颈，充分提高各站点资源利用率。

2 、结合点播系统突发流量特征，区分“忙”、“闲”时段，采取在站点服务器“闲”时段进行资源预取各站点资源利用率。

主要研究内容2：云站点视频预取方案

• 研究方法

两个难点

主要研究内容3：云服务端视频推荐

• 在单个云站点借助云计算强大的计算资源和集中的管理方式，对用户的点播行为和视频的关联特性进行分析，在此基础上研究推荐模型， 一定程度上能对站点间的资源预取起到主导作用。

• 拟采用聚类划分的计算方法，基于 K 中心点算法的聚类划分可用于实现视频推荐模型。

时间安排• 2013 年 1月 -2013 年 3月 调研分析阶段。 • 2013 年 4月 -2013 年 12月 数据测量分析阶

段。 • 2014 年 1月 -2014 年 3月 论文整理阶段。 • 2014 年 4月 -2014 年 9月 原型系统实现。 • 2014 年 10月 -2014 年 12月 总结阶段性成

果，发表论文，对关键算法进行专利申请。

参考文献[1]Cisco Visual Networking Index Forecast. http://www.cisco.com/go/vni/.

[2] Iresearch. http://www.iresearch.com.cn/.

[3]Netflix. http://www.netflix.com.

[4]Four Reasons We Choose Amazon’s Cloud as Our Computing Platform,The Netflix “Tech” Blog, December 14 2010.

[5]Q. Zhang, Y. Lin, Z. Wang. Cost-effective capacity migration of Peer-to-Peer social media to clouds[J], Peer-to-Peer networking and applications, May 2012. DOI: 10.1007/s12083-012-0148-4.

[6]Yu Wu; Chuan Wu; Bo Li; Xuanjia Qiu; Lau, F.C.M.CloudMedia: When Cloud on Demand Meets Video on Demand[C]. Proceedings of International Conference on Distributed Computing Systems (ICDCS), 2011:268-277.

[7]Haitao Li; Lili Zhong; Jiangchuan Liu; Bo Li; Ke Xu.Cost-Effective Partial Migration of VoD Services to Content Clouds[C]. Proceedings of 2011 IEEE International Conference on Cloud Computing, 2011: 203-210

[8]A Brodersen, S Scellato, M Wattenhofer. YouTube around the world: geographic popularity of videos[C]. Proceeding of the 21st international conference on World Wide Web, 2012: 241-250.

[9]Bo Tan. Optimal content placement for peer-to-peer video-on-demand systems[C]. Proceedings of INFOCOM, 2011:694-702.

[10] J. M. Almeida, D. L. Eager, M. K. Vernon, and S. J. Wrigh, “Minimizing delivery cost in scalable streaming content distribution systems[J], IEEE Tran. on Multimedia, 2004(2): 356–365.

[11]Laoutaris, N.; Smaragdakis, G.; Oikonomou, K.; Stavrakakis, I.; Bestavros, A.Distributed Placement of Service Facilities in Large-Scale Networks[C]. Proceedings of INFOCOM, 2007: 2144-2152.

[12]J. Leblet, Z. Li, G. Simon, and D. Yuan. Optimal Network Location in Distributed Virtualized Data-Centers[J]. Computer Communications, 2011(16): 1968–1979.

[13] Xu Cheng,Jiangchuan Liu.Load-balanced migration of social media to content clouds[C].Proceedings of NOSSDAV, 2011: 51-56.

[14]Di Niu; Hong Xu; Baochun Li; Shuqiao Zhao.Quality-assured cloud bandwidth auto-scaling for video-on-demand applications[C].Proceedings of INFOCOM, 2012: 460 – 468.

谢谢！欢迎多提意见！