陳步華，梁潔，陳戈，莊一嶸，唐宏

（中國電信股份有限公司廣州研究院，廣東 廣州 510630）

1 引言

人工智能（Artificial Intelligence，AI）泛指讓機(jī)器具有人類智能的一類技術(shù)[1]。人工智能在1956年被正式提出，期間經(jīng)過多次起伏。近年來，得益于深度神經(jīng)網(wǎng)絡(luò)、大規(guī)模訓(xùn)練數(shù)據(jù)、高密度計算能力的同時發(fā)展，人工智能又一次迎來了發(fā)展的高峰，在多個技術(shù)領(lǐng)域都取得了突破性進(jìn)展。人工智能作為目前最具沖擊力的學(xué)科發(fā)展方向之一，為各行各業(yè)帶來了巨大變革。目前，在圖像、語音、文本處理等領(lǐng)域，越來越多的智能化產(chǎn)物日漸成熟。

隨著AI算法與技術(shù)的發(fā)展，AI逐漸在越來越多的復(fù)雜場景下可以做出比人類更優(yōu)的決策，也能夠為內(nèi)容分發(fā)網(wǎng)絡(luò)（Content Distribution Network，CDN）的智能化發(fā)展提供思路。因此，未來的CDN必然需要人工智能協(xié)助推出解決方案，CDN的內(nèi)容中心和邊緣節(jié)點(diǎn)可以部署AI模塊，通過智能化服務(wù)，提高CDN的性能。

2 CDN組網(wǎng)架構(gòu)及關(guān)鍵技術(shù)

隨著寬帶網(wǎng)絡(luò)和流媒體技術(shù)的興起，內(nèi)容分發(fā)網(wǎng)絡(luò)通過采用各種緩存服務(wù)器，將這些緩存服務(wù)器分布到靠近用戶的區(qū)域，利用內(nèi)容調(diào)度和分發(fā)功能，用戶可以在邊緣側(cè)獲得所需內(nèi)容，減少網(wǎng)絡(luò)擁塞，提高用戶的訪問響應(yīng)速度。CDN的關(guān)鍵技術(shù)是內(nèi)容存儲、調(diào)度和分發(fā)技術(shù)。下面按照圖1簡要介紹CDN的基本組網(wǎng)架構(gòu)和這三大關(guān)鍵技術(shù)[2]。

（1）內(nèi)容存儲是指從源站點(diǎn)注入內(nèi)容到CDN網(wǎng)絡(luò)，并存儲在CDN網(wǎng)絡(luò)的過程。

（2）內(nèi)容調(diào)度是指用戶向網(wǎng)站發(fā)起訪問請求，最終把用戶引導(dǎo)到最佳的有內(nèi)容的CDN節(jié)點(diǎn)的過程。

（3）內(nèi)容分發(fā)是當(dāng)用戶向網(wǎng)站發(fā)起請求時，對于用戶想要的內(nèi)容，一個部分被預(yù)先直接推送給邊緣緩存節(jié)點(diǎn)，但當(dāng)邊緣節(jié)點(diǎn)沒有用戶期望的內(nèi)容時，就必須通過上層節(jié)點(diǎn)（內(nèi)容中心）將內(nèi)容拉放出來，為用戶提供服務(wù)。

圖1 CDN的基本組網(wǎng)架構(gòu)

3 關(guān)鍵技術(shù)的人工智能方案探討

3.1 智能存儲方案

隨著社會各行業(yè)均向數(shù)字化、網(wǎng)絡(luò)化發(fā)展，大規(guī)模海量數(shù)據(jù)存儲系統(tǒng)是其必不可少的支持。并且，在CDN的內(nèi)容中心和邊緣緩存節(jié)點(diǎn)作為以硬盤為主體的存儲系統(tǒng)，硬盤頻繁損壞帶來的損失不容忽視。尤其在4K/8K工作流程中，對數(shù)據(jù)的流通要求非常高，因此，需要支持大規(guī)模容量的可擴(kuò)展共享存儲以及穩(wěn)定的運(yùn)行，這就要求CDN的存儲性能具有高可靠性和穩(wěn)定性。研究表明，硬盤是數(shù)據(jù)中心替換率最高的硬件，一旦硬盤發(fā)生不可恢復(fù)的故障必然會造成數(shù)據(jù)丟失，將給整個CDN系統(tǒng)帶來不可估量的損失。

目前，已有很多學(xué)者就這個問題展開了研究，并取得了一定的成果，主要包括磁盤陣列RAID技術(shù)、冗余編碼、可靠性分析等被動容錯技術(shù)。糾刪碼用于原始數(shù)據(jù)在數(shù)據(jù)丟失時根據(jù)校驗進(jìn)行重建。與HDFS等采用的三副本機(jī)制相比，糾刪碼具有更高的存儲空間利用率，但其數(shù)據(jù)重構(gòu)代價也更為昂貴。針對硬盤的塊級和扇區(qū)級的數(shù)據(jù)損壞，有人提出了磁盤清洗的方法來查找扇區(qū)錯誤，并對數(shù)據(jù)塊進(jìn)行遷移和重構(gòu)。綜上所述，傳統(tǒng)的高可靠性存儲系統(tǒng)的研究主要是針對硬盤失效后數(shù)據(jù)恢復(fù)技術(shù)的解決方案，屬于一種被動容錯的思路。

然而，在CDN系統(tǒng)中，根據(jù)業(yè)務(wù)的需要，集群合并、分割、新建、刪除、機(jī)房搬遷、硬盤更換、上線等都是很平常的事情。有必要建立硬盤故障預(yù)測模型，對可能出現(xiàn)的硬盤故障進(jìn)行主動預(yù)測，并對潛在的故障硬盤數(shù)據(jù)建立及時的遷移保護(hù)策略。

現(xiàn)在，大多數(shù)硬盤都能很好地支持SMART技術(shù)，能夠在硬盤上獲取監(jiān)控指令，分析比較磁頭、磁盤和電路的運(yùn)行狀態(tài)、歷史記錄和預(yù)置安全閾值，這對硬盤故障智能預(yù)測的研究奠定了堅實的基礎(chǔ)。

基于人工智能的故障處理機(jī)制的前提是保證硬盤故障預(yù)測模型的高精度，圖2展示了一個典型的CDN中使用人工智能來預(yù)測硬盤存儲故障的框架，其對應(yīng)的建模步驟如下：

（1）對現(xiàn)網(wǎng)各地SMART磁盤信息進(jìn)行監(jiān)控，采集部分現(xiàn)網(wǎng)數(shù)據(jù)用于訓(xùn)練模型。

（2）將采集到的現(xiàn)網(wǎng)數(shù)據(jù)按照區(qū)域、業(yè)務(wù)分別進(jìn)行預(yù)處理（如清洗、篩選、特征提取等），生成訓(xùn)練樣本。

（3）對算法庫中的多種預(yù)測模型進(jìn)行訓(xùn)練，獲得當(dāng)前網(wǎng)絡(luò)各區(qū)域、各業(yè)務(wù)的最佳預(yù)測算法。

（4）根據(jù)現(xiàn)網(wǎng)預(yù)測需求，選擇最佳算法模型進(jìn)行回歸推理預(yù)測。

（5）輸出磁盤狀態(tài)信息預(yù)測值。

（6）根據(jù)預(yù)測出的磁盤狀態(tài)信息值，提前設(shè)定對應(yīng)的故障處理策略。

（7）當(dāng)該故障處理策略在CDN中執(zhí)行時，對優(yōu)化執(zhí)行結(jié)果進(jìn)行監(jiān)控反饋，實現(xiàn)算法的進(jìn)一步迭代優(yōu)化。

硬盤故障預(yù)測重點(diǎn)關(guān)注故障檢測率（F a l s e Discovery Rate，F(xiàn)DR）和誤報率（False Alarm Rate，F(xiàn)AR）。檢測率是指實際故障磁盤中，被預(yù)測為出現(xiàn)故障的磁盤數(shù)量占所有故障磁盤的比；誤報率是實際正常磁盤中，被預(yù)測為出現(xiàn)故障的磁盤數(shù)量占所有正常磁盤的比。在硬盤故障預(yù)測模型中，需要確保故障檢測率足夠高，然而，為了減少誤報和額外處理成本對系統(tǒng)性能的影響，還必須確保模型誤報率相對較低。

因此，在實際部署中，通常需要在FDR和FAR之間權(quán)衡。智能預(yù)警處理模塊部署在CDN系統(tǒng)的每個節(jié)點(diǎn)上，智能化的故障數(shù)據(jù)分析解決方案，綜合運(yùn)用了大量機(jī)器學(xué)習(xí)和磁盤故障細(xì)節(jié)知識，對磁盤故障進(jìn)行監(jiān)測預(yù)警，并根據(jù)資源和業(yè)務(wù)負(fù)載狀況規(guī)劃提前修復(fù)數(shù)據(jù)。利用人工智能技術(shù)實現(xiàn)精準(zhǔn)故障預(yù)測，能夠消除因磁盤故障而出現(xiàn)不可預(yù)期的服務(wù)質(zhì)量波動，同時，提升數(shù)據(jù)可靠性和資源效率。

3.2 智能調(diào)度方案

CDN調(diào)度系統(tǒng)實現(xiàn)了CDN的內(nèi)容路由功能，可以將用戶的請求引導(dǎo)到整個CDN網(wǎng)絡(luò)中最優(yōu)的節(jié)點(diǎn)?，F(xiàn)有最優(yōu)節(jié)點(diǎn)的選擇可以基于各種策略，如最近距離、最輕節(jié)點(diǎn)負(fù)荷等。然而，互聯(lián)網(wǎng)與視頻直播業(yè)務(wù)的快速發(fā)展，使得網(wǎng)絡(luò)中的數(shù)據(jù)量急劇膨脹，這就為CDN的調(diào)度可靠性提出了更高的要求。當(dāng)用戶向CDN節(jié)點(diǎn)請求內(nèi)容時，節(jié)點(diǎn)間的負(fù)載均衡是衡量CDN能力的重要指標(biāo)。

當(dāng)某一時刻，產(chǎn)生了突發(fā)性網(wǎng)絡(luò)流量或者用戶請求數(shù)量劇增時，CDN不能及時處理大量突發(fā)性用戶請求，使得部分節(jié)點(diǎn)壓力過高，造成CDN節(jié)點(diǎn)間的負(fù)載不均衡。因此，突發(fā)的高峰流量會造成網(wǎng)絡(luò)堵塞、響應(yīng)速度慢等問題，從而影響用戶的體驗質(zhì)量。

對于此類問題，現(xiàn)有CDN服務(wù)商通過提高節(jié)點(diǎn)數(shù)量、服務(wù)器數(shù)量來避免節(jié)點(diǎn)間負(fù)載不均衡以及對網(wǎng)絡(luò)流量的控制，但這也帶來了CDN資源消耗和浪費(fèi)的問題?；谝陨显颍绾螠?zhǔn)確預(yù)測設(shè)備負(fù)載和網(wǎng)絡(luò)流量非常重要，建立基于人工智能的負(fù)載和流量預(yù)測機(jī)制是十分有意義的。

網(wǎng)絡(luò)流量預(yù)測與TCP/IP流量的大小和延遲有關(guān)。服務(wù)器負(fù)載的預(yù)測包含CPU、內(nèi)存、硬盤空間等資源利用情況。典型的基于CDN負(fù)載和流量利用人工智能進(jìn)行內(nèi)容調(diào)度的框架如圖3所示，其對應(yīng)的建模步驟如下：

（1）對現(xiàn)網(wǎng)各地網(wǎng)絡(luò)以及設(shè)備狀態(tài)數(shù)據(jù)進(jìn)行監(jiān)控，采集部分現(xiàn)網(wǎng)數(shù)據(jù)用于訓(xùn)練模型。

（2）將采集到的現(xiàn)網(wǎng)數(shù)據(jù)按照區(qū)域、業(yè)務(wù)分別進(jìn)行預(yù)處理（如清洗、篩選、特征提取等），生成訓(xùn)練樣本。

圖2 CDN硬盤存儲智能故障處理框架

圖3 CDN智能內(nèi)容調(diào)度框架

（3）對算法庫中的多種預(yù)測模型進(jìn)行訓(xùn)練，同時考慮疊加節(jié)假日等因子來修正模型參數(shù)，獲得當(dāng)前網(wǎng)絡(luò)各區(qū)域、各業(yè)務(wù)的最佳預(yù)測算法。

（4）根據(jù)現(xiàn)網(wǎng)預(yù)測需求，選擇最佳算法模型進(jìn)行回歸推理預(yù)測。

（5）輸出網(wǎng)絡(luò)流量或負(fù)載預(yù)測值。

（6）根據(jù)預(yù)測出的網(wǎng)絡(luò)流量或負(fù)載值，提前設(shè)定對應(yīng)的調(diào)度策略。

（7）當(dāng)該調(diào)度策略在CDN中執(zhí)行時，對優(yōu)化執(zhí)行結(jié)果進(jìn)行監(jiān)控反饋，實現(xiàn)算法的進(jìn)一步迭代優(yōu)化。

隨著未來CDN網(wǎng)絡(luò)規(guī)模和復(fù)雜度的持續(xù)增長，在調(diào)度路徑規(guī)劃和流量調(diào)度方面，需要能夠滿足高吞吐、低時延、隨需而動的需求。傳統(tǒng)的調(diào)度方法很難根據(jù)鏈路的動態(tài)情況實時地給出最優(yōu)的流量調(diào)度和路徑優(yōu)化方案?；谌斯ぶ悄艿恼{(diào)度方法，可以利用眾多項目和場景所積累的多維歷史數(shù)據(jù)，進(jìn)行數(shù)據(jù)分析和算法探索，并結(jié)合某個實際網(wǎng)絡(luò)的需求，進(jìn)行流量預(yù)測和負(fù)載優(yōu)化推理以及動態(tài)資源調(diào)度等。

3.3 智能分發(fā)方案

內(nèi)容分發(fā)是一種內(nèi)容從內(nèi)容中心緩存到CDN邊緣的過程。目前來看，主流的內(nèi)容分發(fā)技術(shù)有兩種：拉放（PULL）技術(shù)和推送（PUSH）技術(shù)。PULL作為一種被動分發(fā)技術(shù)，當(dāng)用戶希望獲取的內(nèi)容沒有被緩存在本地邊緣節(jié)點(diǎn)（未命中）時，將回源返回到上級節(jié)點(diǎn)拉取內(nèi)容。然而，大量的回源請求，會給網(wǎng)絡(luò)傳輸造成流量壓力。

與PULL相比，PUSH是一種主動分發(fā)技術(shù)。主動分發(fā)的內(nèi)容通常是用戶請求量大的熱度內(nèi)容，直接緩存在邊緣節(jié)點(diǎn)上。當(dāng)用戶發(fā)起訪問請求時，將向用戶直接提供服務(wù)，減少響應(yīng)時間。然而，緩存服務(wù)器的存儲空間是有限的，并且，過度部署緩存服務(wù)器會造成資源和成本的浪費(fèi)。在這種情況下，精準(zhǔn)地確定熱點(diǎn)內(nèi)容，并分發(fā)到邊緣，能夠降低骨干網(wǎng)絡(luò)流量，并且起到減少服務(wù)器資源成本的作用。對于精準(zhǔn)地確定熱點(diǎn)內(nèi)容，實際上是分發(fā)策略設(shè)定。例如，PUSH內(nèi)容分發(fā)的內(nèi)容可以根據(jù)用戶訪問的統(tǒng)計信息，將超過熱度閾值的內(nèi)容主動推送到邊緣節(jié)點(diǎn)。

上述CDN預(yù)分發(fā)策略應(yīng)用，對于CDN在預(yù)分發(fā)時的策略是靜止的，存在一定的盲目性。分發(fā)程度和分發(fā)級別等參數(shù)設(shè)定也只是人工設(shè)定的，難以針對不同特點(diǎn)的內(nèi)容采用不同的預(yù)分發(fā)策略，缺乏一定的靈活性。為了克服這個弊端，可以用人工智能算法在預(yù)分發(fā)前對未來總體訪問量、各地區(qū)和節(jié)點(diǎn)訪問量等情況進(jìn)行預(yù)測，從而個性化設(shè)置此項內(nèi)容的分發(fā)程度、分發(fā)級別以及在各節(jié)點(diǎn)的分布。這樣就可以大大降低預(yù)分發(fā)的盲目性，使得分發(fā)有的放矢，這樣主動分發(fā)就可以大大提高效率。

圖4 CDN智能內(nèi)容分發(fā)框架

典型的CDN利用人工智能進(jìn)行內(nèi)容主動分發(fā)的框架如圖4所示，其對應(yīng)的建模步驟如下：

（1）對現(xiàn)網(wǎng)用戶服務(wù)終端進(jìn)行探測、監(jiān)控，采集部分現(xiàn)網(wǎng)數(shù)據(jù)用于訓(xùn)練模型。

（2）將采集到的現(xiàn)網(wǎng)數(shù)據(jù)按照區(qū)域、業(yè)務(wù)分別進(jìn)行預(yù)處理（如清洗、篩選、特征提取等），生成訓(xùn)練樣本。

（3）對算法庫中的多種預(yù)測模型進(jìn)行訓(xùn)練，同時考慮疊加大型賽事等特殊熱度因子修正模型參數(shù)，獲得當(dāng)前CDN中內(nèi)容的熱度最佳預(yù)測算法。

（4）根據(jù)現(xiàn)網(wǎng)預(yù)測需求，選擇最佳算法模型進(jìn)行回歸推理預(yù)測。

（5）輸出CDN中的內(nèi)容的熱度預(yù)測值。

（6）根據(jù)預(yù)測出的內(nèi)容熱度值，提前設(shè)定對應(yīng)的分發(fā)策略。

（7）當(dāng)該分發(fā)策略在CDN中執(zhí)行時，對優(yōu)化執(zhí)行結(jié)果進(jìn)行監(jiān)控反饋，實現(xiàn)算法的進(jìn)一步迭代優(yōu)化。

網(wǎng)絡(luò)需求是變化的，各節(jié)點(diǎn)的情況經(jīng)過人工智能計算及時反饋后，采用智能自適應(yīng)和自組織機(jī)制進(jìn)行動態(tài)調(diào)節(jié)，可以使分發(fā)控制和負(fù)載均衡控制更有效率。

4 現(xiàn)有典型人工智能方案的實踐

4.1 智能存儲結(jié)果與分析

（1）智能磁盤故障預(yù)測的可行性試驗

現(xiàn)有對智能存儲的研究中，文獻(xiàn)[3]利用BP神經(jīng)網(wǎng)絡(luò)（BPNN）和支持向量機(jī)（SVM）預(yù)測磁盤故障。文獻(xiàn)[4]提出了一種改進(jìn)的樸素貝斯方法，文獻(xiàn)[5]提出了TSP模型，均對預(yù)測磁盤故障起到了良好效果。

下面通過介紹經(jīng)典SVM算法和BPNN算在磁盤故障預(yù)測上的實驗結(jié)果[3]，來說明智能存儲方案的可行性。

SVM是一種從最大間隔出發(fā)，最終轉(zhuǎn)化為求對變量凸二次規(guī)劃問題的模型。BPNN是一種利用誤差反向傳播進(jìn)行訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，通過梯度下降等方法，求解網(wǎng)絡(luò)參數(shù)，獲得與期望輸出值的誤差均方差最小的實際輸出值。這兩種方法得出的故障檢測率（FDR）的結(jié)果，如圖5所示。BPNN方法在不同的時間窗口條件下，F(xiàn)DR相對穩(wěn)定在93%左右，對于SVM方法，當(dāng)時間窗口增加大于24h后，預(yù)測率由67%增加到97.3%并穩(wěn)定下來。

圖6中誤報率（FAR）刻畫了出現(xiàn)錯誤預(yù)測結(jié)果的可能性。誤報率越低，證明方法的有效性越好。可以看出，SVM方法的誤報率最低值僅有0.05%，最高值也只有0.1%。而BPNN方法的誤報率變化浮動較大，最低值為0.1%，最高值可以達(dá)到1%。

圖5 BPNN和SVM方法的磁盤故障檢測率

圖6 BPNN和SVM方法的磁盤故障誤報率

圖7給出了SVM和BPNN的準(zhǔn)確率結(jié)果?？梢钥闯?，BPNN方法從一開始就保持了99%以上的預(yù)測準(zhǔn)確率，而當(dāng)時間窗口大于24h后，SVM方法的預(yù)測準(zhǔn)確率也穩(wěn)定在99%以上。

圖7 BPNN和SVM方法的磁盤故障預(yù)測準(zhǔn)確率

（2）智能磁盤故障預(yù)測與傳統(tǒng)方法效果對比

存儲性能的重要衡量指標(biāo)是磁盤可靠性，MTTDL表示整個大規(guī)模磁盤系統(tǒng)的平均崩潰時間，通常被用來表示磁盤系統(tǒng)的可靠性。如圖8所示，在RAID5的基礎(chǔ)上，采用SVM模型和BPNN模型與僅采用RAID5的傳統(tǒng)方法對比，能夠把存儲系統(tǒng)的MTTDL（圖8中MTTDL的單位為百萬年）提升了好幾個數(shù)量級，說明了故障預(yù)測模型對提高系統(tǒng)可靠性的巨大作用。

圖8 傳統(tǒng)方法與智能故障預(yù)測方法的磁盤系統(tǒng)可靠性結(jié)果對比

4.2 智能調(diào)度結(jié)果與分析

（1）智能調(diào)度的可行性試驗

現(xiàn)有對智能調(diào)度的研究中，文獻(xiàn)[6]和文獻(xiàn)[7]分別利用ARIMA模型預(yù)測網(wǎng)絡(luò)流量和設(shè)備資源利用情況。文獻(xiàn)[8]提出了一種MLPNN模型，文獻(xiàn)[9]提出了一種HQENN模型，這兩種模型對網(wǎng)絡(luò)流量和設(shè)備資源利用情況的預(yù)測效果良好。

下面通過介紹經(jīng)典的ARIMA模型對網(wǎng)絡(luò)流量和設(shè)備資源利用情況預(yù)測的實驗結(jié)果[6-7]來說明智能調(diào)度方案的可行性。

ARIMA模型是指將非平穩(wěn)時間序列轉(zhuǎn)化為平穩(wěn)時間序列，然后根據(jù)相關(guān)變量的滯后值和隨機(jī)誤差項的現(xiàn)值和滯后值建立的回歸模型。使用ARIMA模型對未來24h的網(wǎng)絡(luò)流量進(jìn)行預(yù)測，預(yù)測結(jié)果如圖9所示：

圖9 ARIMA模型對網(wǎng)絡(luò)流量的預(yù)測結(jié)果

預(yù)測精度92.85%，平均相對誤差7.15%。從圖9中可以看出，對于ARIMA的網(wǎng)絡(luò)流量預(yù)測，其預(yù)測的準(zhǔn)確度比較高，因此，該模型可用于預(yù)測網(wǎng)絡(luò)流量。

圖10顯示了ARIMA模型對某設(shè)備集群資源利用率（CPU使用率、內(nèi)存使用率和磁盤空間使用率等相關(guān)指標(biāo)的加權(quán)值）的預(yù)測結(jié)果。通過使用ARIMA模型對某信息系統(tǒng)資源利用率進(jìn)行3天的預(yù)測，其平均預(yù)測誤差為2.57%，具有較佳的預(yù)測性能。

圖10 ARIMA模型對資源利用率的預(yù)測結(jié)果

（2）智能調(diào)度與傳統(tǒng)方法實例對比分析

智能調(diào)度在實際應(yīng)用中，主要對設(shè)備資源合理利用和用戶請求分流起著重要作用。以目前中國最火的電商網(wǎng)站——淘寶為例，以前未使用智能調(diào)度方案時，在“雙十一”促銷事件中，由于用戶請求數(shù)量極速增長，淘寶網(wǎng)站的各CDN節(jié)點(diǎn)出現(xiàn)大面積宕機(jī)。但是，從2015年開始，阿里巴巴采用自主研發(fā)的iGraph自動化流量預(yù)測及大規(guī)模數(shù)據(jù)智能調(diào)度系統(tǒng)后，已經(jīng)平穩(wěn)經(jīng)歷了3次“雙十一”大促的歷練，極大程度地提升了服務(wù)質(zhì)量與用戶體驗。

4.3 智能分發(fā)結(jié)果與分析

（1）智能分發(fā)的可行性試驗

現(xiàn)有對智能分發(fā)的研究中，文獻(xiàn)[10]利用貝葉斯網(wǎng)絡(luò)預(yù)測視頻內(nèi)容的熱度情況。文獻(xiàn)[11]提出了一種COX比例風(fēng)險回歸模型，文獻(xiàn)[12]提出了一種深度卷積模型，這兩種模型均對視頻內(nèi)容熱度預(yù)測效果良好。

下面通過介紹經(jīng)典的貝葉斯網(wǎng)絡(luò)模型對視頻內(nèi)容熱度預(yù)測的實驗結(jié)果，來說明智能調(diào)度方案的可行性[10]。

貝葉斯網(wǎng)絡(luò)用來表示和推理不確定的條件，可用圖表對不同特征的概率關(guān)系進(jìn)行建模。貝葉斯網(wǎng)絡(luò)的模型如圖11所示，包括熱度、導(dǎo)演、演員三個特征。

圖11 貝葉斯網(wǎng)絡(luò)的模型

利用貝葉斯網(wǎng)絡(luò)方法對視頻熱度的預(yù)測準(zhǔn)確率（Precision）和召回率（Recall）如表1所示。對于特別熱、熱、一般、冷這四種熱度級別的內(nèi)容，其中，特別熱的內(nèi)容預(yù)測準(zhǔn)確度高達(dá)99.4%，提前分發(fā)這些內(nèi)容，能夠大大提升預(yù)緩存策略的有效性。對于其他熱度級別的內(nèi)容，預(yù)測準(zhǔn)確率也尚可接受，且召回率良好。

表1 貝葉斯網(wǎng)絡(luò)的視頻內(nèi)容熱度預(yù)測結(jié)果

（2）智能分發(fā)與傳統(tǒng)方法效果對比

CDN分發(fā)能力的重要衡量指標(biāo)是邊緣節(jié)點(diǎn)緩存命中率。表2展示了傳統(tǒng)方法與采用人工智能方案分發(fā)的緩存命中率對比[13]。在一定時間內(nèi)，隨著系統(tǒng)緩存數(shù)據(jù)量的增加，智能預(yù)測分發(fā)方法的本地命中率在緩存了總數(shù)據(jù)量的10%時，命中率就達(dá)到90%，這說明用戶請求的數(shù)據(jù)中，90%的內(nèi)容都已經(jīng)推送到本地邊緣服務(wù)器，遠(yuǎn)遠(yuǎn)高于傳統(tǒng)的達(dá)到分發(fā)閾值后，采用的內(nèi)容先進(jìn)先出（First In First Out，F(xiàn)IFO）方法對于用戶請求內(nèi)容的75%的本地命中率，體現(xiàn)了智能分發(fā)策略的優(yōu)勢。

表2 傳統(tǒng)方法與智能分發(fā)緩存命中結(jié)果對比 %

傳統(tǒng)方法沒有考慮內(nèi)容的未來熱度，只對內(nèi)容的當(dāng)前熱度進(jìn)行了估計，而沒有考慮熱度變化的趨勢，因此，導(dǎo)致了較多數(shù)量的用戶請求在邊緣未命中。

5 結(jié)束語

CDN為提高網(wǎng)絡(luò)響應(yīng)速度減少網(wǎng)絡(luò)擁塞起到了重要作用，但是還有很多有待完善的地方，其中最重要的是要引入人工智能機(jī)制。本文通過現(xiàn)有研究的實驗結(jié)果描述了CDN關(guān)鍵技術(shù)中引入人工智能框架的優(yōu)勢，并說明了建立一個真正的智能系統(tǒng)將大大提高CDN的性能，使CDN在存儲、調(diào)度和分發(fā)方面通過預(yù)測來減少盲目性。此外，在CDN的控制機(jī)制上，可以自動實時調(diào)整，針對環(huán)境特征，智能地實現(xiàn)CDN節(jié)點(diǎn)的負(fù)載均衡和自組織優(yōu)化。