夏 雪，楊龍祥

(南京郵電大學 通信與信息工程學院，江蘇 南京 210003)

0 引 言

隨著互聯(lián)網(wǎng)技術的高速發(fā)展，用戶對于數(shù)據(jù)的需求日益增多。高清晰度視頻、3D可視化以及云計算等流量密集型應用的不斷普及，推動了通信行業(yè)的快速演變[1]。為了應對當今用戶龐大的流量需求，5G網(wǎng)絡必須快速、靈活、可靠以及可持續(xù)?；谶@些研究背景，學術界提出了D2D通信、小型蜂窩網(wǎng)絡密集化、毫米波以及大規(guī)模MIMO技術[2]。

小型蜂窩網(wǎng)絡密集化，即超密集網(wǎng)絡(ultra-dense network，UDN)。在UDN中，單位面積內(nèi)的接入節(jié)點和通信鏈路數(shù)量都是致密的[3]。也就是說，與普通網(wǎng)絡相比，超密集網(wǎng)絡中的接入節(jié)點能盡可能地靠近終端用戶，從而提高系統(tǒng)性能、改善用戶體驗。它的實現(xiàn)方式主要是在流量密集的熱點地段(如機場、火車站、商場等)部署密集的小型蜂窩小區(qū)[4]，這些小區(qū)是具有較小發(fā)射功率的接入節(jié)點。雖然它們單個的信號覆蓋范圍比較小，但將它們密集分布，能夠有效改善流量擁堵情況。

與超密集網(wǎng)絡相比，毫米波和大規(guī)模MIMO技術的性能均欠佳。毫米波理論上能為5G蜂窩網(wǎng)中的無線傳輸提供數(shù)百兆赫茲的帶寬，但由于毫米波在大氣層中的傳播存在衰減，所以將其傳輸距離限制在100 m內(nèi)。MIMO技術也有類似的限制，若在5G基站中集成大量MIMO天線，數(shù)百個天線將用于千兆位上的無線傳輸，而傳輸功率問題會導致基站傳輸半徑減小。上述兩種技術的缺陷促進了5G系統(tǒng)中超密集網(wǎng)絡的發(fā)展[2]。

但是，隨著蜂窩網(wǎng)絡密度的不斷增加，為無線接入網(wǎng)設計高性能回程系統(tǒng)將成為一項挑戰(zhàn)。蜂窩小區(qū)密集化的主要缺點是，蜂窩小區(qū)能夠處理的通信量受到了回程鏈路容量的限制，其中回程鏈路主要用于與核心網(wǎng)建立連接[5]。當今大部分的通信量都是由無線移動設備產(chǎn)生的，且視頻流量預估占總通信量的80%以上。因此，一個有效的多媒體數(shù)據(jù)共享機制是至關重要的。研究表明，由于D2D通信使得各個設備之間直接通信，能夠有效提高資源利用率，并且減少了對基站的依賴，因此能夠有效提高多媒體數(shù)據(jù)的吞吐量[6]。而且進行D2D通信的設備之間距離較近，因此受到的干擾也較小。隨著用戶密度的增加，D2D網(wǎng)絡中總存儲量也在線性增加，并且用戶平均通信距離在減少。因此，D2D的可擴展特性適用于超密集網(wǎng)絡[7]，文中主要研究的也是5G超密集網(wǎng)絡中使用D2D技術進行多媒體流傳輸。

除了通信領域，D2D在計算機應用方面也得到了廣泛應用，特別在視頻流方面的應用尤為突出。例如，文獻[8]提出了一種基于D2D的無線多媒體網(wǎng)絡編碼廣播重傳策略，實現(xiàn)了D2D在計算機網(wǎng)絡編碼方面的應用；文獻[9]則為D2D在安卓方面的應用，利用Java語言開發(fā)了D2D通信控制應用程序，實現(xiàn)了終端用戶間的多跳D2D通信；文獻[10]是D2D在車聯(lián)網(wǎng)方面的應用。

在上述研究基礎上，文中對5G超密集網(wǎng)絡中采用D2D技術實現(xiàn)多媒體數(shù)據(jù)共享進行了研究。針對視頻流實時和點播這兩個特性，分別設計了高效的D2D調(diào)度機制，以期實現(xiàn)更好的數(shù)據(jù)共享。

1 D2D通信

設備到設備(device-to-device，D2D)主要是指在眾多蜂窩小區(qū)中，各個終端可以直接進行通信的技術。D2D通信是5G超密集網(wǎng)絡中的一項關鍵技術。由于其與蜂窩網(wǎng)絡共享無線資源，所以能夠有效地提高頻譜利用率。并且由于各個終端用戶可以直接通信交換數(shù)據(jù)，所以能夠減輕蜂窩網(wǎng)絡的負載，增加網(wǎng)絡容量，減少用戶獲取數(shù)據(jù)的時延[11]。

隨著學術界對D2D研究的深入，專家學者在近些年先后提出了大量D2D調(diào)度算法。FlashLinQ[12]利用授權頻段和CSMA協(xié)議建立了D2D鏈路。分布式算法主要根據(jù)D2D鏈路的優(yōu)先級來調(diào)度鏈路，能夠確保高優(yōu)先級鏈路不會受到潛在的低優(yōu)先級鏈路干擾。這個算法理論上能夠最大程度激活D2D鏈路，但該算法未結合視頻質(zhì)量感知機制，因此是否適用于D2D點播視頻流媒體還是個未知數(shù)。TLinQ[13]和Quantile-based CSMA[14]旨在提高系統(tǒng)的吞吐量和公平性。這兩種算法在考慮靜態(tài)用戶公平性的同時，能夠最優(yōu)化系統(tǒng)的總吞吐量。但是，和上述算法一樣，其性能并未在D2D場景中驗證過。

在D2D的基礎上，為了實現(xiàn)有效的數(shù)據(jù)共享，學術界還提出了眾多的緩存策略。將流行度高的數(shù)據(jù)優(yōu)先緩存至網(wǎng)絡邊緣，能夠有效增強連接性、減少用戶獲取數(shù)據(jù)的時延以及緩解回程鏈路擁塞[15-16]。由于視頻流需要較高的數(shù)據(jù)傳輸速率，并且具有異步內(nèi)容重用屬性，所以其非常適合緩存至本地路由器。但這些緩存策略比較適用于視頻點播，當用于直播時會引入較高的時延。文獻[17-18]也建議將數(shù)據(jù)緩存至終端設備，這樣用戶可以通過D2D通信與鄰近用戶建立連接并交換緩存數(shù)據(jù)。但這些緩存方案沒有考慮視頻的特性，如時延、抖動以及吞吐量。

基于這些研究背景，文中設計的調(diào)度機制考慮了視頻流時延、抖動以及吞吐量等特性，并且針對實時和點播視頻流設計了不同的調(diào)度機制，在視頻流平滑重放的同時能夠確保用戶時延最小。

2 多媒體流D2D調(diào)度機制

多媒體數(shù)據(jù)共享最常用的方式是通過流式傳輸。初始的啟動延遲之后，視頻組塊會連續(xù)到達接收端緩沖區(qū)，視頻回放相繼開始[19]。多媒體流的傳輸算法主要包含兩個部分，第一部分是指如何與存儲了請求數(shù)據(jù)的設備建立連接，第二部分是指確定請求的組塊以及哪個設備請求該組塊[20]。這兩項為D2D場景下的多媒體數(shù)據(jù)共享提供了高效調(diào)度機制。文中設計的調(diào)度機制考慮了多媒體流的性質(zhì)，例如實時和點播流媒體，不同性質(zhì)的流媒體將有不同的調(diào)度機制，從而確保視頻的流暢播放。針對實時視頻流，主要考慮的是直播環(huán)境下的延遲。文中設計了一種基于設備等級的調(diào)度機制，能夠?qū)崿F(xiàn)數(shù)據(jù)實時度最大化。針對點播視頻流，主要考慮的是設備緩沖區(qū)劃分。將接收端緩沖區(qū)劃分為播放緩沖區(qū)、緊急緩沖區(qū)和預取緩沖區(qū)，并通過算法為預取緩沖區(qū)選擇稀缺組塊。

2.1 實時視頻流D2D調(diào)度機制

直播環(huán)境下，視頻流會被實時地廣播至用戶，并且要求各個設備上的視頻播放是同步的或近似同步。由于在直播場景下，各個設備只需緩存視頻流的一小部分來維持穩(wěn)定的播放速率，所以這些設備的緩存空間不需要非常大。相反，直播對設備之間的端到端時延要求嚴格，時延越短，終端用戶接收到的視頻流越實時。本節(jié)將實時視頻流傳輸問題公式化為如何選擇相鄰設備從而實現(xiàn)實時度的最大化，如式1所示。

(1)

最優(yōu)化條件：

(2)

(3)

其中，Hi表示用戶i中最新的視頻組塊；Di表示用戶i的時延；Ji表示用戶i的抖動；T表示組塊時間戳；A表示總?cè)萘俊i∈{0,1}，若用戶i參與組塊請求則參數(shù)值為1，否則為0。Rj≥0表示緩存了組塊j的用戶總數(shù)。Bi,j∈{0,1}，若用戶i緩存了組塊j則參數(shù)值為1，否則為0。

上述公式為最優(yōu)化函數(shù)，主要是為識別出緩存了最新組塊的鄰近設備，同時實現(xiàn)視頻時延和抖動的最小化。其中，抖動是指組塊接收時延的變化。式2和式3分別是最優(yōu)化需要滿足的條件。式2表示鏈路容量的限制，確保僅有若干個設備請求該視頻組塊。式3確保請求的組塊能夠準時到達。直播場景下，每個組塊都和一個時間戳相關聯(lián)，若某個組塊在其關聯(lián)的時間戳之后到達，則只能選擇丟棄組塊來確保實時性。

文中采用的蜂窩網(wǎng)系統(tǒng)包含若干個視頻流源、一個基站以及若干個終端設備。視頻源將視頻文件劃分為若干個視頻組塊，該組塊可以視為視頻最小可播放單元。視頻源通過基站將這些組塊依次傳輸給用戶。任何新設備想加入實時流傳輸?shù)腄2D網(wǎng)絡，都需要向基站發(fā)送一個請求，從而獲取流式傳輸相同數(shù)據(jù)的鄰近可用設備集合。當新設備接收到鄰近可用設備列表時，根據(jù)文中設計的鄰居排序機制選擇設備，從而實現(xiàn)實時度最大化。整個過程如下：

(1)新到來的設備向其相鄰設備發(fā)出請求，獲取這些設備緩存空間中最新可用組塊的信息，以及這些設備的平均播放時延。其中，最新可用組塊可以代表該設備的組塊接收速率。

(2)新設備計算各個鄰近設備與其的往返時延。各個相鄰設備的等級即為各自往返時延、播放時延以及最新可用組塊的權重和，具體見算法1。

(3)新設備選擇具有最低等級的設備作為其“活躍伙伴”，直至其能以期望的速率接收視頻流組塊。

等級機制能夠確保所選的相鄰設備是緩存了最新視頻組塊的，從而增加流的實時性。除此之外，在實現(xiàn)實時度最大化的同時，算法1能夠確保視頻組塊是從低往返時延、低播放延遲的設備獲取的，從而滿足式3準時傳輸組塊的要求。

算法1：實時視頻流中的設備等級。

輸入：基站F；新設備di；設備集D={d1，d2，…，dn}，di?D

輸出：最低等級設備dj

過程：

M←?

M←F.neighbours(di)

delay,chunk,jitter←[]//設備m的等級值：R[m]

R←[]

minScore←∞

forminMdo

delay[m]←RTT(di,m)

chunk[m]←latestChunk(m)

jitter[m]←jitterEstimation(m)

ifR[m]≤minScore then

dj←m

end if

end for

returndj

2.2 點播視頻流D2D調(diào)度機制

視頻點播不同于直播，用戶請求數(shù)據(jù)的時間不再受到限制，而且用戶可以從視頻流中的任何位置開始請求獲取數(shù)據(jù)。因此，相比于直播環(huán)境，視頻點播要求各個設備的緩存空間足夠大，且這些設備無需同步機制，從而滿足用戶不斷增長的多樣化請求。另外，由于點播環(huán)境下，用戶可以拖動視頻時間軸，這意味著用戶可以移動到視頻的任何位置，這給D2D調(diào)度機制帶來新的挑戰(zhàn)。因此，有效的視頻點播共享機制不僅需要保障視頻流暢播放，而且需要最小化用戶從視頻中一個位置移動到另一個位置的延遲。點播視頻流這兩方面的問題可以公式化為式1，和實時視頻流一樣也是個最優(yōu)化問題。

(4)

(5)

最優(yōu)化條件：

(6)

(7)

(8)

上述最優(yōu)化函數(shù)的目標是為了找到具有最稀缺視頻組塊的設備，同時最小化時延。式6～8分別是這個最優(yōu)化函數(shù)的限制條件。式6表示網(wǎng)絡中至少有一個設備緩存了該稀有組塊。式7、8和之前實時視頻流環(huán)境下討論的最優(yōu)化條件一樣，一個是確保僅有若干個設備請求該視頻組塊，另一個是確保請求的組塊能夠準時到達。

針對點播視頻流，本節(jié)設計了一個不同于實時視頻流的組塊調(diào)度算法，從而實現(xiàn)從相鄰設備中請求稀缺組塊。該算法將接收端緩存空間劃分成了三個部分，分別是播放緩沖區(qū)、緊急緩沖區(qū)以及預取緩沖區(qū)。播放緩沖區(qū)用于存放已經(jīng)被用戶接收的視頻流組塊。緊急緩沖區(qū)存放的組塊主要用于確保視頻能流暢播放。預取緩沖區(qū)存放當前視頻時段之后的組塊，為了確保用戶能順暢地從視頻時段的一個位置跳轉(zhuǎn)到另一位置。接收端緩存空間的這種劃分方式表明一個設備需要兩種類型的相鄰設備，它們能為該設備提供緊急和預取緩沖區(qū)視頻塊。下面將具體討論如何為新設備選擇用于緩沖的這兩種視頻塊。

任何新設備想加入用于點播視頻流傳輸?shù)腄2D網(wǎng)絡，首先會接收到一個相鄰設備列表，這些設備對相同的視頻感興趣，如圖1所示。這些設備之間可以交換緩沖區(qū)映射。當新設備收集到了列表中所有設備的緩沖區(qū)映射信息，它將在相鄰設備中創(chuàng)建一個可用視頻組塊列表，如設備1可用的緩沖區(qū)映射信息。對于預取緩沖區(qū)，設備會執(zhí)行必要計算來選擇鄰域中最稀有的可用塊。如設備1，組塊2、7、10、11、14、16、17、20為其稀缺組塊，這些組塊僅能在一個相鄰設備中獲取。為了防止相鄰設備離開網(wǎng)絡導致稀缺組塊丟失，設計了算法2，其能為預取緩沖區(qū)選擇稀缺組塊。

圖1 點播視頻流的緩沖區(qū)映射

算法2：預取緩沖區(qū)選擇稀缺組塊

輸入：基站F；新設備di；設備集D={d1，d2，…，dn}，di?D；稀有度門限r(nóng)thr

輸出：設備di的預取緩沖區(qū)bi

1.M←?

2.M←F.neighbours(di)

3.chunkCount←[]

4．forminMdo

5.tempList←[]

6.tempList←bufferList(m)

7.i,index←0

8.whileitempList.size() do

9.index←tempList[i]

10.chunkCount[index]←chunkCount[index]+1

11.end while

12.end for

13.K←0

14.for chunkQuantity∈chunkCount[] do

15.if chunkQuantity≤rthrthen

16.bi[k]←chunkCount.currentIndex

17.K←K+1

18.end if

19.end for

20.returnbi

3 仿真及性能分析

仿真主要采用NS-2仿真工具，對上一節(jié)設計的調(diào)度機制進行性能評估。仿真工作主要是將設計的組塊選擇機制與mpMWIS-QP[21]進行多方面的性能比較。在mpMWIS-QP算法中，每個設備會預先緩存某個數(shù)據(jù)庫的視頻文件子集。若用戶請求的視頻文件不在其數(shù)據(jù)庫中，則會通過D2D通信來獲取。該算法為一個集中的分布式算法，包含鏈接調(diào)度和流媒體組件。其中集中調(diào)度機制是基于最大加權獨立集原理(MWIS)，通過使用消息傳遞來確定最大權重獨立集。分布式調(diào)度算法是基于FlashLinQ鏈路調(diào)度算法的一個變體，通過引入視頻流專用權重來實現(xiàn)。上述兩種情況，流媒體組件都是基于質(zhì)量感知的隨機最優(yōu)化方法，類似于當今DASH技術(HTTP上的動態(tài)自適應流媒體技術)，用戶可以依次請求視頻組塊。實驗中使用的仿真參數(shù)為蜂窩小區(qū)半徑1 000 m，發(fā)射設備與接收設備之間距離50 m，設備個數(shù)30，基站最大發(fā)射功率46，用戶設備最大發(fā)射功率23 dBm，噪聲功率-174 dBm，無路徑指數(shù)4，D2D通信信噪比門限10 dB。

仿真結果如圖2～圖5所示。

實時視頻流中的傳輸比率低主要是因為視頻組塊的超時到達導致組塊丟棄。因此，有效的相鄰設備選擇能夠確保組塊準時到達。圖2和圖3展示了實時視頻流環(huán)境下，傳輸比率方面的服務質(zhì)量QoS。圖2中設置的是恒定的視頻源，圖3設置的是不斷增長的視頻源。由圖可見，無論哪種場景，隨著設備個數(shù)的增加，文中算法在性能上都優(yōu)于mpMWIS-QP算法，并且增加視頻源數(shù)量能夠進一步提高傳輸率。主要是由于文中算法在選擇相鄰設備時，考慮了最新可用的組塊以及設備之間的時延，因此組塊傳輸比率相對于mpMWIS-QP算法較高。鄰域中視頻源的數(shù)量越多，能確保某個組塊可從多個設備中請求獲取。這展示了D2D場景下的可擴展性，即增加設備的個數(shù)能進一步提高服務質(zhì)量。

圖2 平均傳輸比率(恒定視頻源)

圖3 平均傳輸比率(增長視頻源)

圖4 視頻停滯事件平均數(shù)量

圖5 視頻停滯平均時間

圖4和圖5分別展示了點播視頻流環(huán)境下停滯事件的平均數(shù)量以及持續(xù)時間。視頻停滯事件主要發(fā)生在當前視頻組塊已經(jīng)播放完畢而下一個組塊還未接收的情況下。較大數(shù)量的停滯事件會導致視頻凍結，從而降低用戶體驗。觀察兩幅圖，與mpMWIS-QP算法相比，文中算法無論是在停滯事件個數(shù)還是持續(xù)時間上都較低。主要是由于mpMWIS-QP算法想通過較高的初始緩沖時間來實現(xiàn)較低停滯事件。這項技術理論上減少了停滯事件的個數(shù)，但是它增加了啟動時延并且不適合高分辨率視頻。文中算法在點播視頻方面，通過將相鄰設備中的稀缺塊緩沖至預取緩沖區(qū)，能夠確保所有視頻組塊都可用。即使一個設備離開了該網(wǎng)絡也有足夠來源實現(xiàn)視頻組塊共享，因此性能優(yōu)于mpMWIS-QP算法。

4 結束語

主要研究了如何使用D2D技術實現(xiàn)5G超密集網(wǎng)絡中的多媒體數(shù)據(jù)共享。針對實時視頻流和點播視頻流，提出了不同的分布式調(diào)度算法。針對實時視頻流，根據(jù)視頻流的活躍性、時延以及抖動對相鄰設備進行了排名，選擇最佳鄰近設備來最小化視頻組塊由于超時現(xiàn)象引發(fā)的丟失。針對點播視頻流，通過算法識別出相鄰設備上的稀缺組塊，并緩存至預取緩沖區(qū)。主要是由于組塊缺失會導致視頻停滯現(xiàn)象，從而降低用戶體驗。仿真結果表示，將設備排名算法引入多媒體流調(diào)度機制，可以有效提高D2D系統(tǒng)的服務質(zhì)量。