咪咕文化科技有限公司 邢 剛

隨著各種視頻應(yīng)用的興起，基于泛在的移動終端進(jìn)行視頻數(shù)據(jù)傳輸已經(jīng)成為學(xué)術(shù)界和工業(yè)界廣泛關(guān)注的問題。而在智慧車聯(lián)網(wǎng)中，移動設(shè)備間的弱連接性使得數(shù)據(jù)傳輸呈現(xiàn)高延遲的特征；移動設(shè)備的局部聚集性使得傳輸呈現(xiàn)競爭性的特征。視頻數(shù)據(jù)傳輸需要足夠的資源來對數(shù)據(jù)傳輸質(zhì)量進(jìn)行保障，而上述問題則給智慧車聯(lián)網(wǎng)中的視頻數(shù)據(jù)帶來嚴(yán)峻挑戰(zhàn)。本文從視頻數(shù)據(jù)的機(jī)會傳輸入手，面向視頻數(shù)據(jù)的傳輸質(zhì)量進(jìn)行包調(diào)度機(jī)制設(shè)計(jì)，不僅能夠克服網(wǎng)絡(luò)割裂對數(shù)據(jù)傳輸帶來的影響，同時還能夠利用非充裕的資源對視頻傳輸質(zhì)量進(jìn)行優(yōu)化。

無線通信技術(shù)和微電子技術(shù)的發(fā)展使得移動終端設(shè)備（車載、手持等）在最近十幾年快速普及，這為泛在的移動自組織網(wǎng)絡(luò)的形成奠定堅(jiān)實(shí)的基礎(chǔ)。智慧車聯(lián)網(wǎng)絡(luò)就是基于車載移動終端而形成的一種典型的自組織網(wǎng)絡(luò)形態(tài)，但車輛密度的時變性、紅綠燈、突發(fā)事件等因素都使得其拓?fù)浣Y(jié)構(gòu)呈現(xiàn)頻繁割裂的特征，因此數(shù)據(jù)傳輸主要借助于載體的移動性通過無線多跳的機(jī)會傳輸方式來進(jìn)行，圖1中展示了智慧車聯(lián)網(wǎng)模型。隨著各種視頻應(yīng)用的興起，視頻數(shù)據(jù)已經(jīng)成為提供各種服務(wù)的最為主要的載體。由此，視頻數(shù)據(jù)傳輸也成為智慧車聯(lián)網(wǎng)絡(luò)中大家非常關(guān)注的一個課題。

圖1 智慧車聯(lián)網(wǎng)模型

在智慧車聯(lián)網(wǎng)絡(luò)中由于網(wǎng)絡(luò)拓?fù)涞念l繁割裂，大量的視頻數(shù)據(jù)會在移動節(jié)點(diǎn)上進(jìn)行緩存。由于視頻自身具有不同于圖片的特征，各種應(yīng)用程序?qū)σ曨l傳輸質(zhì)量要求較高，除此之外，機(jī)會網(wǎng)絡(luò)的連通性也是間歇的，所以，在機(jī)會網(wǎng)絡(luò)中傳輸視頻數(shù)據(jù)需要面臨嚴(yán)峻的挑戰(zhàn)，具體如下：

（1）為了提升數(shù)據(jù)的傳輸成功率，一般采用多備份的方式對機(jī)會網(wǎng)絡(luò)中的數(shù)據(jù)信息進(jìn)行傳輸，但這種方式需要較大的容量和帶寬來存儲、傳輸數(shù)據(jù)。參與機(jī)會網(wǎng)絡(luò)中數(shù)據(jù)傳輸?shù)闹黧w都是容量較小的移動無線終端，通過彼此之間的機(jī)會接觸來傳輸數(shù)據(jù)。除此之外，每次機(jī)會接觸交換的數(shù)據(jù)量會因節(jié)點(diǎn)的移動變?yōu)橛邢薜?。綜上，智慧車聯(lián)網(wǎng)中視頻數(shù)據(jù)傳輸面臨的第一個挑戰(zhàn)是解決傳輸視頻數(shù)據(jù)對網(wǎng)絡(luò)資源的要求和機(jī)會接觸的有限性之間的矛盾是機(jī)會網(wǎng)絡(luò)中視頻數(shù)據(jù)傳輸。

（2）智慧車聯(lián)網(wǎng)絡(luò)中需要較小的時延保證視頻數(shù)據(jù)傳輸?shù)膶?shí)時性，數(shù)據(jù)包間的較小時延抖動保證視頻數(shù)據(jù)傳輸?shù)牧鲿承?，足夠大的帶寬保證視頻的清晰度。在網(wǎng)絡(luò)中，節(jié)點(diǎn)是在不斷移動的，節(jié)點(diǎn)間的連通是間歇性的，無法保證視頻傳輸?shù)膶?shí)時性、流暢性和清晰度。因此，如何解決網(wǎng)絡(luò)狀態(tài)與視頻傳輸需要的網(wǎng)絡(luò)環(huán)境之間的矛盾是視頻傳輸過程需要面臨的第二個挑戰(zhàn)。

（3）視頻數(shù)據(jù)的成功傳輸需要用戶之間的彼此協(xié)作完成，但這樣會消耗用戶的存儲資源和網(wǎng)絡(luò)帶寬，不強(qiáng)制的情況下，用戶配合視頻傳輸?shù)闹鲃有耘c積極性較低。因此，如何解決視頻傳輸?shù)膹V泛參與需求與用戶的主動參與之間的矛盾，尋找兩者之間的納什均衡是機(jī)會網(wǎng)絡(luò)中數(shù)據(jù)傳輸過程需要面臨的第三個挑戰(zhàn)。

在視頻傳輸過程中，一部分視頻數(shù)據(jù)會因有限的結(jié)點(diǎn)存儲量溢出存儲區(qū)，從而被丟棄；同時，視頻數(shù)據(jù)的壓縮編碼使得不同的視頻在重建過程中會產(chǎn)生較強(qiáng)的依賴關(guān)系，從而導(dǎo)致了不同類型的視頻數(shù)據(jù)包在視頻重建的過程中產(chǎn)生明顯的差異性。為了解決該問題，本文提出了一種面向視頻數(shù)據(jù)投遞質(zhì)量的包調(diào)度策略以實(shí)現(xiàn)對視頻傳輸?shù)馁|(zhì)量的優(yōu)化。

1 相關(guān)工作

由于在城市環(huán)境中，車輛之間的距離較小，智能車輛的通信距離相對較大，因此智慧車聯(lián)網(wǎng)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)更加接近于傳統(tǒng)的移動社交網(wǎng)絡(luò)。V3架構(gòu)是最早被提出解決該問題的方法，利用“存儲-攜帶-傳輸”的想法為高速公路中的用戶提供實(shí)時的視頻傳輸服務(wù)，應(yīng)對網(wǎng)絡(luò)中節(jié)點(diǎn)間歇連通性產(chǎn)生的問題，但是這種方法依舊無法保證視頻流的傳輸質(zhì)量。在此基礎(chǔ)上，有研究者提出了一種SUV機(jī)制為節(jié)點(diǎn)提供視頻流傳播服務(wù)，通過GPS信號實(shí)現(xiàn)各個節(jié)點(diǎn)的同步，與此同時，為了最小化碰撞，該機(jī)制還采用圖著色理論來輔助對中繼節(jié)點(diǎn)的傳輸進(jìn)行調(diào)度。

目前，有以下幾種方法在機(jī)會網(wǎng)絡(luò)中普遍應(yīng)用：Drop head：在此類方法中，當(dāng)數(shù)據(jù)包有傳輸?shù)臋C(jī)會時，會優(yōu)先傳輸最先進(jìn)入隊(duì)列的數(shù)據(jù)包；同樣，當(dāng)隊(duì)列中有數(shù)據(jù)溢出時，系統(tǒng)會遵循先進(jìn)先出的原則，將最先進(jìn)入隊(duì)列中的數(shù)據(jù)包丟棄，以存儲新傳入的數(shù)據(jù)包。Drop end：在該方法中，機(jī)會傳輸仍會優(yōu)先傳輸最先進(jìn)入隊(duì)列的數(shù)據(jù)包；但當(dāng)隊(duì)列中的數(shù)據(jù)包溢出時，系統(tǒng)會先將最后進(jìn)入隊(duì)列的數(shù)據(jù)包丟棄以存儲新傳入的數(shù)據(jù)包。Drop tail：在該方法中，數(shù)據(jù)包的傳輸同樣遵守先進(jìn)先出原則，但當(dāng)隊(duì)列溢出時便會停止數(shù)據(jù)包接收，同時丟棄即將傳入的數(shù)據(jù)包。Drop oldest：在該方法中，剩余生存時長最短的數(shù)據(jù)包會被優(yōu)先傳輸和丟棄。

僅僅考慮了單個節(jié)點(diǎn)存儲器的數(shù)據(jù)包信息，上述策略在性能上距最優(yōu)仍有一定差距。為了克服該問題，有研究者希望收集全網(wǎng)的傳輸視頻數(shù)據(jù)包信息來建立關(guān)于傳輸性能的目標(biāo)函數(shù)；然后，利用目標(biāo)函數(shù)計(jì)算每個數(shù)據(jù)包的效用值，最終根據(jù)該效用值進(jìn)行數(shù)據(jù)包的調(diào)度。研究者假定包的全局信息為已知的情況下設(shè)計(jì)了最優(yōu)的調(diào)度策略GBD。

2 面向視頻傳輸?shù)淖顑?yōu)包調(diào)度機(jī)制

2.1 視頻數(shù)據(jù)包邊緣質(zhì)量增益計(jì)算

如圖2所示，NG個幀結(jié)構(gòu)組成了視頻段V；幀結(jié)構(gòu)主要分為I、P、B三大類，在傳輸途中這三類幀結(jié)構(gòu)可被分割成MI、MP、MB個不同類型的視頻數(shù)據(jù)包。同時，定義RI、RP和RB分別為I、P、B三種類型的視頻數(shù)據(jù)包的投遞成功率。用P(x)表示視頻幀x能夠成功重建的概率。幀投遞率對應(yīng)的視頻傳輸質(zhì)量建模如下：

圖2 視頻幀分割示意圖

I幀、P幀和B幀重建后分別為NI、NP和NB，且NI、NP和NB的值可通過視頻幀在編碼中的相關(guān)性求得：

因此，用RI、RP和RB為變量構(gòu)造的的函數(shù)可以得出視頻段的幀投遞率Q，即：

其中，RI、RP和RB分別表示I、P、B三種類型的數(shù)據(jù)包投遞成功概率。

在移動機(jī)會網(wǎng)絡(luò)中，λ表示節(jié)點(diǎn)間平均的接觸頻率，且移動用戶的接觸時間間隔都需服從參數(shù)為λ的指數(shù)分布。由此，可以通過I類型的視頻數(shù)據(jù)包i的剩余生存時長RI,i(t)和下次與目的節(jié)點(diǎn)接觸的等待時間得出i未被成功投遞概率為：exp(—λRI,i(t))。同樣也可得出I類型的視頻數(shù)據(jù)包i被成功投遞的概率PI,i為：

其中，NI,i(TI,i(t))，MI,i(TI,i(t))分別表示在時刻t，I類型的數(shù)據(jù)包在網(wǎng)絡(luò)中的備份數(shù)量和“遍歷”過的節(jié)點(diǎn)個數(shù)。則全網(wǎng)所有I類型的視頻數(shù)據(jù)包能夠被成功投遞的平均概率RI可以計(jì)算為：

用同一種方法，可得出所有的P與B類型的視頻數(shù)據(jù)包在t時刻的成功投遞的平均概率RP和RB。

對于任一I類型的視頻數(shù)據(jù)包i，對變量NI,i(TI,i(t))求偏導(dǎo)，則有：

對該偏微分方程進(jìn)行離散化，即可以得到單個備份數(shù)的增加引起的視頻重構(gòu)質(zhì)量的增量為：

因此，可以得出ΔQI,i為I類型視頻數(shù)據(jù)包i在時刻t對視頻V的重構(gòu)邊緣質(zhì)量增益。此算法同樣適用于求其他類型視頻數(shù)據(jù)包的邊緣質(zhì)量增益。

2.2 視頻數(shù)據(jù)包傳輸調(diào)度策略

因?yàn)闄C(jī)會網(wǎng)絡(luò)的特性，當(dāng)兩傳輸節(jié)點(diǎn)Na與Nb相遇時，需要確保比較重要且在網(wǎng)絡(luò)中備份數(shù)少的視頻數(shù)據(jù)包的優(yōu)先傳輸，因此要對視頻數(shù)據(jù)包的優(yōu)先級進(jìn)行一定的排序。本文中用符號U表示需要在節(jié)點(diǎn)Na和Nb之間進(jìn)行交換的視頻數(shù)據(jù)包的集合，且用Ua和Ub分別表示節(jié)點(diǎn)Na與Nb共享存儲區(qū)中的數(shù)據(jù)包集合，另外集合U中的視頻數(shù)據(jù)包用pkti表示，其中，用ΔQi表示其對應(yīng)的邊緣質(zhì)量增益。則視頻數(shù)據(jù)包優(yōu)化調(diào)度策略如下：(1)當(dāng)節(jié)點(diǎn)相遇時，傳輸數(shù)據(jù)包集合，此為各自共享存儲區(qū)中的數(shù)據(jù)包信息；(2)然后通過存儲區(qū)集合與分別計(jì)算出節(jié)點(diǎn)邊Na和Nb的邊緣質(zhì)量增益；(3)交換節(jié)點(diǎn)Na和Nb的邊緣質(zhì)量增益結(jié)果，并按結(jié)果大小對集合U中的數(shù)據(jù)包重新排序：，其中滿足：；(4)根據(jù)排序結(jié)果有序的交換節(jié)點(diǎn)雙方的數(shù)據(jù)。

3 仿真與分析

3.1 仿真環(huán)境搭建

通過NS-2我們開發(fā)了一個機(jī)會網(wǎng)絡(luò)的仿真環(huán)境，此環(huán)境中的節(jié)點(diǎn)利用協(xié)議802.11b與通信半徑為100m其它節(jié)點(diǎn)進(jìn)行通信，同時完成對包調(diào)度策略的評估。此外，通過Random Waypoint Model模型合成的數(shù)據(jù)集來進(jìn)行仿真。

3.2 性能分析

在圖3中展示了當(dāng)消息的生存周期(TTL)取不同值時，幾種不同的方法和本文所提方法性能的對比，其中圖3(a)和3(b)分別展示了平均可解碼幀速率與平均PSRN值之間的對比。從圖3中我們可以看出，當(dāng)數(shù)據(jù)包的生存時間規(guī)定為100s時各種方法之間的性能基本沒有差異。原因是當(dāng)數(shù)據(jù)包剛注入網(wǎng)絡(luò)是，大量移動節(jié)點(diǎn)中的存儲隊(duì)列處于空閑狀態(tài)，因此各調(diào)度方法的性能并未顯現(xiàn)。但是，當(dāng)數(shù)據(jù)包的生存時間不斷增加后，Drop tail和Drop end方法的性能基本相同，而本文提出基于視頻優(yōu)化策略的性能就能明顯區(qū)別于其他方法，顯示出最佳的性能，且所傳播視頻的質(zhì)量也遠(yuǎn)高于次優(yōu)的GBD，兩者之間最高可產(chǎn)生3dB的投遞質(zhì)量差。圖4中也顯示了性能之間的差異，其中圖4(b)畫面是由本文所提方法重建的視頻，相較于圖4(a)中的原視頻基本無異，且明顯優(yōu)于采用GBD方法的圖4(c)畫面。

圖3 基于隨機(jī)移動模型的不同調(diào)度策略性能對比

圖4 真實(shí)重建視頻質(zhì)量對比圖

小結(jié)：本文通過視頻數(shù)據(jù)包的邊緣質(zhì)量增益建模設(shè)計(jì)了面向視頻傳輸質(zhì)量優(yōu)化的視頻數(shù)據(jù)包調(diào)度策略，從而解決了智慧車聯(lián)網(wǎng)中視頻數(shù)據(jù)傳輸面臨的傳輸機(jī)會和網(wǎng)絡(luò)資源受限的問題。在網(wǎng)絡(luò)環(huán)境受限的情況下該調(diào)度策略同樣可以提升視頻重構(gòu)的質(zhì)量，此算法的性能在仿真結(jié)果和對比分析也得到了證明。