海服务中面向在线视频服务的测量与推荐系统

,,,,

(1.中国科学院声学研究所 国家网络新媒体工程技术研究中心,北京 100190; 2.中国科学院大学,北京 100190)

0 概述

目前,在线视频服务越来越流行,国内在线视频服务月度覆盖人数已达5亿人,有效使用时间占所有网络服务使用时间的33%,占据网民的最主要上网时间,2014年,其市场规模达到245亿元[1]。同时,提供在线视频服务的内容提供商也越来越多。国内的在线视频服务网站已有上百家,很多网站都能提供相似的视频服务,例如,一部当前热播的电视剧,可能在多个在线视频网站都可进行观看,但由于各网站的CDN数目和位置分布不同,调度策略也不同,不同时间的网络状况会有波动,各网站对同一内容的服务能力也会有所差异,并且这种差异性会随着时间有所变化。

因为用户网络本身具有异构性和动态性,而视频网络服务质量受到网络状况的影响又十分显著,所以对用户观看视频服务时的服务质量进行预测是一件具有挑战性的工作。海服务是一种融合用户端资源的服务系统,是与云服务互为补充的新型服务架构[2]。利用海服务的分布式、异构式特性,可以有效地预测和模拟用户的访问行为。由其地理分布式特点可以更好地贴近用户,针对性地预测来自不同地区的用户访问时的服务质量,并提供实时的反馈。据此,本文设计并实现一个基于海服务的在线视频网站服务质量测量和推荐系统。该系统可以对访问各视频网站时的网络情况进行测量,根据测量结果评估各网站的服务能力,并且针对性地给出用户体验最优的网站。此外,该测量系统也可以作为测量工具向第三方应用直接提供服务。

1 相关研究

本节主要介绍关于在线视频服务质量影响因素和相关测量的研究。

由于在线视频服务的流行,目前有很多在线视频服务网络特征的相关研究,对可能影响用户QoE的因素进行测量和探讨。文献[3]研究了YouTube上QoE降低的一些情况。通过对手机用户YouTube流量轨迹的分析,指出一个主要CDN的缓存策略可能会对最终用户的QoE造成明显影响,而不是把QoE下降全部归因于ISP的流量策略。文献[4]介绍了不同视频质量参数对于用户参与度的影响,并指出在所有的视频类型和比特率中,缓冲率对用户参与度的影响最大,以及直播中平均码率的影响要大于其在点播中的影响。文献[5]指出,在HTTP视频流服务中,再缓冲的频率是影响用户最终QoE体验的主要因素。文献[6]研究了PPTV上设备类型、无线网络连接类型和视频质量对用户观看行为和网络流量的影响。文献[7]提出一种伪主观质量评估(Pseudo Subjective Quality Assessment,PSQA)工具来解决针对SVC视频编码的实时QoE测量,并利用随机神经网络来建模视频编码参数和QoE之间的非线性关系。文献[8]考察了视频点播服务器的性能测试方法。文献[9]开发了一套纯软件的分布式视频会议系统,并能有效地根据可用带宽的变化调整音视频传输的速率,以保持终端的播放QoS和同步性。

还有一些研究则特别考虑了在线视频服务的CDN情况。文献[10]提出一个互联网视频QoE预测模型,并据此提出了一个基于此模型选择CDN和比特率的交付系统框架,其考虑了各种不同情况下用户的容忍能力变化来提高整体用户参与度,与原有方法相比,可以实现整体用户参与度超过20%的改善。文献[11]研究了YouTube的CDN选择策略,发现用户和数据中心之间的RTT在视频服务器选择过程中扮演了重要角色,其他可能的影响因素还包括负载均衡和昼夜影响等。文献[12]研究了Netflix的体系结构和服务策略,对Netflix的CDN情况进行了测量,他们采用一种数据中心和CDN混合交付的策略,并提出了一种基于自适应CDN选择和多CDN的视频传输策略,可以显著提高用户的平均带宽,另外,还对Hulu进行了类似的研究[13],发现Hulu会频繁地更换优先CDN,但是一旦为用户选定了某个CDN,即使其性能明显下降,也会继续由该CDN服务。文献[14]则对Netflix和Hulu的CDN策略进行了比较,并提出了基于自适应和多CDN的优化建议。

上述研究大多集中在对每个在线视频服务网站的单独研究,或是对不同视频网站进行一些架构设计和策略上的比较,相较于上述研究,为了向用户推荐,本文对提供同一内容的不同在线视频服务网站进行比较性的研究。而且,这些研究几乎都是基于Youtube、Netflix等国外流行视频网站,本文研究则主要针对中国大陆常见的视频网站,更加重视中国用户的特点。相对于国外的在线视频用户,中国用户在地理上分布较为集中,海外访问比例较低,地理分布情况相对简单。但是,由于使用移动终端访问视频服务的比例更高,导致了更加复杂的网络和地理环境变化。另外,中国在线视频用户数量大,用户密度也远远大于国外,这一方面导致用户相互之间的干扰更大,预测时需要考虑其他用户的因素,另一方面相似度较大的用户也会更多,有利于协同预测。

此外,这些研究通常将同一在线视频服务网站的内容不加区分地视为一体,或是粗略地按照直播/点播,亦或是长视频/短视频等属性进行分类,而本文研究中的测量系统在测量过程中更加重视不同视频的不同特征,并将在后续研究中探索和视频服务质量的特征关系更加紧密的分类模式。

2 基于海服务架构的视频服务测量系统

本节将介绍海服务的概念及本文所设计实现的基于海服务架构的视频服务测量系统的基本架构。

2.1 海服务

文献[2]提出了海服务的架构。海服务即在充分考虑网络和服务特性的基础上,利用网络边缘设备提供的现场(on-Site)、弹性(Elastic)、自治的(Autonomous)服务。该服务可以用于构建以用户为中心的需要满足在线实时、准实时要求的应用。

目前在移动互联网和物联网服务中,一方面,用户和各类端设备会产生大量的数据和请求,另一方面,各种应用对于实时性的要求越来越高,所以,迫切需要更加现场性的服务。海服务的提出就是为了探索如何解决越来越大的数据处理需求和越来越高的实时响应要求之间的矛盾。

在海服务架构中,网络中的边缘设备被视为“海”端,而传统的数据中心模式则作为“云”端。对于实时性要求高、涉及到的数据地理分布集中的请求,直接在海端进行响应。而对于实时性要求较低,涉及到的数据地理分布广泛,如关于大规模数据的模型构建等需求,则汇总到云端处理。文献[15]研究了海云协同下的共性服务模式。

在海服务中,海端表现出物联网系统所具有的异构性、混杂性和超大规模特性。异构性表现在海节点可能由不同制造商、不同拥有者、不同类型以及不同范畴的对象网络组成;混杂性意味着网络形态、组成、场景、服务和应用等多方面的混杂;超大规模表现在海节点在全球范围内与用户端的深度融合。

上述特性要求海服务平台在数据管理和任务支持中必须采用不同的新技术来处理不同格式的大数据,并且设计新的系统架构来支持现在的多样化需求,既能满足依赖较少数据和计算资源任务的实时响应服务的需求,也能满足依赖大量数据和计算资源但不要求实时响应的服务的需求。文献[16]提出了一种面向大数据管理的海云协同模型。

而本文中提出的在线视频网站服务质量测量和推荐系统,既需要实时响应,向用户提供推荐结果,又需要大规模计算,生成预测和推荐模型。用户节点和各类测量节点表现出了明显的异构性和混杂性,利用海服务的相关特性可以很好地支持该系统构建。

2.2 基于海服务架构的视频服务测量系统构建

本节将介绍本文设计和实现的在线视频网站服务质量测量和推荐系统,并着重对下文所分析的数据的主要来源,即负责测量和推荐部分的设计和实现进行详细的介绍。

一个在线视频网站服务质量测量和推荐系统已经被设计和实现,该系统是基于海服务的架构进行设计的。

在该系统中,中心节点作为传统的数据中心,将数据汇总到“云”端,并且负责需要大规模运算的预测和推荐模型训练任务。中心服务器拥有多个位于网络边缘的代理服务器,用户在访问推荐服务时会被调度到网络中距用户最近的代理服务器,与代理服务器进行直接交互。中心服务器训练的预测和推荐模型会被下发到代理服务器,代理服务器据此为用户做出快速的推荐服务。

该系统中设置的测量节点分布于不同地区和运营商,可以根据测量节点和用户的位置关系为用户提供个性化的视频网站推荐。此外,该系统会被动收集用户观看时的服务质量参数,并将用户端直接收集到的服务质量参数也汇总加入模型训练;用户端也可以主动地对在线视频服务网站进行扫描,测量延迟等可以快速简易地测得服务质量参数。由用户端、测量节点和代理服务器共同构成了该测量和推荐系统的“海”端。

基于海服务的架构,该系统可以继承海服务平台的数据管理和任务支持特性以支持多样化的需求,既可以实时响应向用户提供推荐,也可以对历史数据进行大规模训练和学习,不断优化推荐方式。测量节点之间可以完成弹性、自治的任务调度。例如,相似节点之间可以共享任务,当出现异常情况时,测量节点间也可以互相通知。例如,当A节点的任务过多无法完成时,可以与A节点相似、任务较少的B节点协作,共同完成测量,减少测量时间;当A节点测量到某视频内容x失效,即多次测量均无法获得有效结果时,可以通知与A节点不相似的C、D节点也对x进行测量,验证其无效后上报云端处理。

基于海服务架构的视频服务测量系统功能结构如图1所示。

图1 系统功能结构

2.2.1 系统介绍

该测量和推荐系统主要分为3个部分:数据采集子系统,网络测量子系统和交互服务子系统。其中,数据采集子系统主要负责元数据的采集和汇聚,该子系统可以从各视频网站上获取视频播放地址,以及视频内容名称、视频长度、影片海报、在原视频网站上的点击量、评论量等元数据,并根据视频内容进行汇聚。数据服务包括管理中心和执行节点,管理中心负责发布采集任务,由执行节点采集、抽取数据后进行清洗,然后向管理中心发布数据采集结果,由管理中心汇总数据,并具体进行处理,然后向交互服务子系统进行发布,具体工作流程如图2所示。

图2 数据采集系统工作流程

网络测量子系统负责对各视频网站进行测量,并对测量结果进行数据分析,根据相关的分析和预测结果提供服务源推荐。该子系统可以从交互服务子系统获取由数据采集系统发布的元数据,然后对所采集到的视频进行测量,并且对测量结果进行分析和建模。当交互服务子系统请求视频时,该子系统可以根据测量结果对具体视频提供服务源推荐结果。

交互服务子系统负责与终端交互和信息汇总,包括根据元数据和测量结果向终端用户提供影片列表、根据服务源推荐结果对该影片的服务源进行排序、从用户选中的服务源获取影片并最终向用户提供播放服务。在向用户提供服务的过程中,视频点播、多屏互动、内容上线、下线、更新可播性状态等功能都需要经由交互服务完成。数据服务定期把新采集数据或更新数据发布给内容管理,由内容管理向测量服务通知测试任务,测量服务测试后把测试结果通知给内容服务。

2.2.2 网络测量子系统

网络测量子系统主要负责对各视频网站的服务等级进行测量,并根据测量结果向用户进行推荐,其工作流程如图3所示。

图3 网络测量系统工作流程

测量服务包括管理中心、服务代理和测量节点。测量节点又分成2类,即可播性测量节点、播放质量测量节点。

管理中心从测量服务代理接收2类测试任务。对于可播性测量任务,管理中心及时向可播性测量节点派遣测试任务,可播性测试节点测试完毕后,预处理测试结果并向管理中心发布测试结果,管理中心汇总测试结果,发布给测量代理,由测量代理通知给内容管理系统;对于播放质量测量,管理中心及时向播放质量测量节点分配测试任务,测量节点优先执行该任务,在测试完毕后,预处理测试结果并向管理中心发布,管理中心汇总测试结果,并进行最终发布。

测量服务代理完成从内容管理系统接收测试任务、测试结果反馈,并为交互门户提供点播源服务排名,测量代理统计热度,管理中心定期获取热度,作为质量探测优先级参考。

为便于管理,测量节点不持久化测试结果,由中心统一持久化,且分为临时存储和持久存储,即从各测量节点收集的测量结果存储到临时存储中,分析后的结果将存储在持久存储中。

为了减少对IP分析系统的请求压力,测量服务代理和管理中心会缓存IP地址信息及有效时间,当在有效时间内,不再向IP分析系统发起请求。

无论是可播性还是播放质量测量节点,当收到测量请求时,会先向解析服务请求URL解析,对视频播放URL进行分析,根据视频服务网站的CDN调度,获取相应的视频不同清晰度的真实下载地址。在获得视频下载地址后,测量节点会对各清晰度的视频依次尝试请求并进行一段下载,记测量节点向视频下载地址发出请求后,到获得响应的时间为视频的请求延迟;记测量节点在进行下载时的下载速率为视频的下载速率,并将记录的测量结果汇总到测量管理中心。

该系统设计的难点在于,为了做出最优的推荐,系统需要收集来自多种终端和方式的测量结果。所收集的对象既有特意部署的测量节点进行的规律性测量结果,也有智能网关收集到的被动测量结果,还有用户终端的观看日志等。要对大量不同的结果进行收集存储,并综合处理用于预测和推荐。这些数据还要用于多种不同的服务,既要用于快速地向用户提供实时推荐结果,也要用于模型的训练和优化,甚至进一步用于深度挖掘。

要对这些大数据进行不同级别的收集和处理,需要采用新的数据处理技术。本文研究中利用海服务的思想构建该系统,将多种测量终端统一作为“海端”,据此对这些数据进行收集和管理。海服务平台的特性使得该系统可以很好地支持多种服务场景。

3 数据集

本节将对已经测量到的数据集进行一个概括性的描述。首先介绍测量节点的部署与测量数据的结构;然后介绍测量数据的整体特征;最后对已集中测量的部分数据形成的数据集进一步分析测量数据的一些特点。

上述系统被部署在1个管理中心和50个测量节点上,并对15家视频网站进行了9个月的测量,获得约150 GB的测量结果数据。

从上述所有的测量结果中,选择了在12个节点上,对6个主要视频网站的336个视频节目测量的一个月的数据(测量时间为2015-08-01—2015-08-31),共计4 622 359条测量结果,形成下一步研究中所用的数据集。

3.1 测量数据格式

元数据信息由爬虫子系统收集整理,已收集的元数据信息如表1所示。

表1 抓取到的视频元数据信息

已部署的测量节点在测量过程中收集到的数据如表2所示。根据这些测量数据本文进行了初步的分析和统计。

表2 测量到的数据项

在表2中,视频的播放地址由内容管理子系统传入,即在线视频服务网页播放时的URL;测量时间为测量该条测量结果的时间,用Unix时间戳表示,精确到秒;延迟为访问视频到视频开始播放之间的时间差;带宽计算方法为:先下载一小段视频(本文测量时设置为50 KB)并记录下载时间,然后利用下载时间计算下载速率;清晰度为测量该条测量结果时所测量的清晰度,数据集中清晰度有4个取值(1-超清,2-高清,3-标清,4-流畅)。

3.2 数据集统计信息

本节将对所使用的数据集的整体统计信息进行讨论,包括测量结果的分布以及不同地区、网站、ISP测量结果分布的异同。

3.2.1 不同地区的测量结果

本节按照测量节点所处的地区不同对测量结果进行了分类统计。不同地区的测量节点测量到的测量结果概况如表3和图4、图5所示。

表3 不同地区的测量结果

图4 不同地区的延迟概率密度分布

图5 不同地区的带宽概率密度分布

表3是不同地区的测量结果概况,在所整理的数据集中,包含位于8个不同城市的测量节点,对于每个地区至少收集了30万条有效测量结果。其中,沈阳的测量节点的平均延迟最小,郑州的测量节点的平均延迟最大,所有节点的平均延迟均在0.1 s数量级。

在测量结果中,西安的平均下载速率最大,北京的平均下载速率最小,成都次之,且和北京的平均下载速率非常接近。所有地区的平均下载速率数量级均在103KB/s。

图4是不同地区的延迟测量结果的概率密度分布(PDF)情况,从图4中可以看出,大多数地区的延迟测量结果的概率密度呈单峰分布,如沈阳、深圳、杭州、大连、北京、成都,其中,沈阳、深圳、杭州、大连、北京的延迟集中在<0.1 s,成都的延迟则主要集中在0.1 s,沈阳的延迟测量结果最为集中,而北京的延迟测量结果则最为分散。郑州和西安的测量结果的概率密度则呈现双峰分布,郑州的延迟测量结果主要集中在<0.1 s,即概率密度函数的最高峰,在0.6 s处有一个明显的次高峰,也就是说也测到了大量0.6 s附近的延迟。西安的测量结果主要集中在0.1 s,次高峰位于0.5 s。

图5是不同地区的下载速率测量结果的概率密度分布(PDF)情况。从测量结果来看,大多数地区的下载速率都呈现明显的多峰分布。其中下载速率测量结果最为集中的是深圳地区,下载速率集中在1 200 KB/s附近呈单峰分布,下载速率分布最为分散的则是杭州地区的测量结果,其峰值集中在1 500 KB/s,且在图中可以明显看到4个集中程度较低的峰值。

由图5可知,不同地区的测量结果在统计特征和概率密度分布上都有明显的差异,在后续的测量和预测中有必要考虑地区差异。由于不同地区的网络链路不同,考虑网站分发策略和用户网络环境,使得不同地区的测量结果差异极大。

3.2.2 不同网站的测量结果

本节按照测量的视频来自的在线视频服务网站不同对测量结果进行了分类统计。不同网站的测量节点测量到的测量结果如表4和图6、图7所示。

表4 不同网站的测量结果

图6 不同网站的延迟概率密度分布

图7 不同网站的带宽概率密度分布

表4是不同网站的测量结果,在所整理的数据集中,包含位于6个不同在线视频服务网站的测量节点,对于每个网站至少收集了18万条有效测量结果。其中,爱奇艺的平均延迟最小,华数网的平均延迟最大,除华数网外,所有网站的平均延迟均在0.1 s数量级,华数网的平均延迟则在1 s数量级。

在测量结果中,乐视网的平均下载速率最大,土豆网的平均下载速率最小,优酷网的平均下载速率仅略高于土豆网。所有视频网站的平均下载速率数量级均在103KB/s。

图6是不同在线视频服务网站的延迟测量结果的概率密度分布(PDF)情况,从图6中可以看出,除爱奇艺外,各网站的延迟测量结果的概率密度均呈单峰分布,其中,华数网的延迟测量结果集中在0.2 s附近,优酷、土豆、搜狐、乐视的延迟测量结果均集中在<0.1 s,优酷和土豆的延迟测量结果最为集中,搜狐略次之,而华数的延迟测量结果则最为分散。爱奇艺的延迟测量结果的概率密度呈现双峰分布,延迟测量结果主要集中在<0.1 s,即概率密度函数的最高峰,次高峰位于0.7 s。

图7是不同在线视频服务网站的下载速率测量结果的概率密度分布(PDF)情况。从图7中可以看出,所有网站的下载速率都呈现明显的多峰分布,而且各网站PDF的3个最高峰都位于300 KB/s、700 KB/s和1 100 KB/s附近,但该3个峰值的排序不同。其中下载速率测量结果最为集中的是爱奇艺网站,下载速率PDF最高峰集中在300 KB/s附近,下载速率分布最为分散的则是乐视网的下载速率测量结果,其PDF最高峰集中在1 200 KB/s,且在图7中可以明显看到至少5个集中程度较低的峰值。

不同网站的测量结果统计信息也有明显的差异,但是程度不及不同地区的测量结果差异高。其原因是不同网站的测量差别仅来源于网站的分发,测量端的网络环境相似。特别当性能瓶颈处于测量端时,不同网站的测量结果分布十分相似。

3.2.3 不同ISP的测量结果

本节按照测量节点所在的服务提供商(ISP)不同对测量结果进行了分类统计。不同网站的测量节点测量到的测量结果如表5和图8、图9所示。

表5 不同ISP的测量结果

图8 不同ISP的延迟概率密度分布

图9 不同ISP的带宽概率密度分布

表5是不同网络服务提供商(ISP)的测量结果概况,在所整理的数据集中,包含位于4个不同网络提供商网络的测量节点,对于每个网络提供商至少收集了36万条有效测量结果。其中,电信网络中的测量节点的平均延迟最小,移动网络中的测量节点的平均延迟最大,所有ISP的平均延迟均在0.1 s数量级。

在测量结果中,联通网络中的平均下载速率最大,电信次之,光环新网中的平均下载速率最小,移动次之。所有ISP的平均下载速率数量级均在103KB/s。

图8是不同网络服务提供商的延迟测量结果的概率密度分布(PDF)情况,从图8中可以看出,各ISP的延迟测量结果的概率密度均呈单峰分布,其中,移动的延迟测量结果集中在0.2 s附近,联通、电信和光环新网的延迟测量结果均集中在<0.1 s,电信的延迟测量结果最为集中,移动的延迟测量结果则最为分散。

图9是不同网络服务提供商的下载速率测量结果的概率密度分布(PDF)情况。从图9中可以看出,除移动外,各ISP的下载速率测量结果都呈现明显的多峰分布。其中下载速率测量结果最为集中的是移动,下载速率PDF最高峰集中在200 KB/s附近呈单峰分布,其余3个ISP的下载速率分布均较为分散,包含至少4个明显的峰值,且相互之间差异较大。

由上述结果可知,不同ISP的统计信息看起来差别不大,但概率密度分布有明显区别,各ISP测量结果聚集的位置各不相同。在后续测量和预测中同样需要考虑其差异性。

可以看出在已有的测量结果中,各运营商、视频网站、不同地区的测量结果均有明显的差异。延迟的测量结果相对比较集中,相较而言,各分类下载速率的测量结果都有明显的区分,而下载速率恰恰对用户的观看体验有较大的影响。上述测量结果说明,对测量数据进行分析并向用户推荐是十分有必要的。后续研究中将进一步对这些性能差异进行分析,为向用户推荐服务源提供更多的理论依据。最终将根据数据分析的结果优化推荐系统。

4 结束语

本文设计并实现了一个在线视频网站服务质量测量和推荐系统。该系统可以实现对多个在线视频服务网站的网络性能测量,在利用爬虫获取在线视频服务视频内容列表的基础上,对列表中的视频内容的网络性能进行测量。根据测量和数据分析的结果,针对用户需要观看的具体视频内容,可以向用户提供服务源推荐,使用户可以利用该系统获得当前网络状况下,对该视频内容最佳的观看体验。使用已经实现的测量和推荐系统,利用多个测量节点对部分在线视频服务网站进行了测量,验证了该系统可以实现相关测量和推荐功能,并收集了大量的测量结果。下一步将对同一个视频网站的不同视频之间的性能差异进行分析,同时研究视频的网络性能变化规律。

[1] 艾瑞咨询.2015年中国在线视频行业年报监测报告[Z].2015.

[2] 王劲林,田 静,尤佳莉,等.一种现场、弹性、自治的网络服务系统——海服务系统研究与设计[J].中国科学:信息科学,2015,45(10):1237-1248.

[3] CASAS P,D’ALCONZ O,FIADINO P,et al.On the analysis of QoE-based performance degradation in YouTube traffic[C]//Proceedings of International Conference on Network and Service Management.Washington D.C.,USA:IEEE Press,2014:1-9.

[4] DOBRIAN F,SEKAR V,AWAN A,et al.Understanding the impact of video quality on user engagement[J].Communications of the ACM,2013,41(4):362-373.

[5] MOK R K P,CHAN E W W,CHANG R K C.Measuring the quality of experience of HTTP video streaming[C]//Proceedings of IEEE International Sympo-sium on Integrated Network Management.Dublin,Ireland:IEEE Press,2011:485-492.

[6] ZHOU C,GUO Y,CHEN Y,et al.Characterizing user watching behavior and video quality in mobile devices[C]//Proceedings of IEEE International Conference on Computer Communication and Networks.Washington D.C.,USA:IEEE Press,2014:125-134.

[7] MOHAMED S,RUBINO G.A study of real-time packet video quality using random neural networks[J].IEEE Transactions on Circuits & Systems for Video Technology,2002,12(12):1071-1083.

[8] 周应超,苗彦超,郝 敏,等.视频服务器性能测试研究[J].计算机工程,2004,30(14):133-135.

[9] 宋 玲,胡凡良.纯软件视频会议系统视音频QoS的研究与控制[J].计算机工程,2006,32(16):221-223.

[10] BALACHANDRAN A,SEKAR V,AKELLA A,et al.Developing a predictive model of quality of experience for internet video[J].ACM SIGCOMM Computer Communication Review,2013,43(4):339-350.

[11] LIEBHARDT H,STOLZ K,MORTL K,et al.Dissecting video server selection strategies in the YouTube CDN[C]//Proceedings of International Conference on Distributed Computing Systems.Washington D.C.,USA:IEEE Computer Society,2011:248-257.

[12] ADHIKARI V K,GUO Y,HAO F,et al.Unreeling netflix:understanding and improving multi-CDN movie delivery[C]//Proceedings of IEEE INFOCOM’12.Washington D.C.,USA:IEEE Press,2012:1620-1628.

[13] ADHIKARI V K,YANG G,FANG H,et al.A Tale of three CDNs:an active measurement study of hulu and its CDNs[C]//Proceedings of Computer Communica-tions Workshops.Washington D.C.,USA:IEEE Press,2012:7-12.

[14] ADHIKARI V K,GUO Y,HAO F,et al.Measurement study of Netflix,Hulu,and a tale of three CDNs[J].IEEE/ACM Transactions on Networking,2015,23(6):1984-1997.

[15] 封松林,宁德军,张红广,等.面向海云协同的共性服务综述[J].网络新媒体技术,2014,3(1):1-7.

[16] 赵永波,陈曙东,管江华,等.基于海云协同的物联网大数据管理[J].集成技术,2014(3):49-60.