基于多区域多目标优化算法的广播流媒体直播仿真

沈中元

(青海省广播电视信息网络股份有限公司，青海 西宁 810000)

0 引言

随着移动网路的快速发展，全球IP流量达到4.8ZB，而移动数据的流量占比超过20%，其中流媒体直播更是现代移动数据使用的主导[1]。流媒体技术从最早的RTSP(Real time Streaming Protocol)协议到现阶段的超文本传输，使得视频质量得到了快速的提高和发展[2-3]。相对于传统的点播视频时代，现代的流媒体直播等业务对于视频的延时和卡顿有着非常严格的要求。点播时代的视频内容是可以在播放之前短时间的存储于服务器上，在播放的过程中可以有选择的指定播放内容[4]。而现阶段的流媒体直播是实时的在线观看，不能任意地选择直播的内容也不能对直播的内容进行快进和后退等操作[5-6]。

国内外学者针对广播流媒体直播的算法仿真有过很多研究[7-9]。陈晓兵[10]分析了现代数字广播的特点，提出了可视化的流媒体直播平台设计方案。魏雪飞等[11]结合现在的一些主流网络直播技术分析了HLS流媒体直播技术在现代广播电视网络直播中的应用和发展。本文主要结合多区域多目标优化算法对广播流媒体直播进行仿真，分析其算法的实际应用价值。

1 多区域多目标优化算法

在实际生活中往往会碰到各种需要优化的问题，而多目标的优化占了很大的比例[12]。多区域多目标优化算法属于搜索算法的一种，其主要的优点是能够通过不同的选择将不同的个体进行同时优化，最终产生一组相似解。

针对一个最小化的多区域多目标优化问题可以定义为式(1)。

miny=F(x)=(f1(x),f2(x),…,fm(x))T

s.t.gi(x)≤0,i=1,2,…,q

hj(x)=0,j=1,2,…,p

(1)

式中,x=(x1,x2,…xn)T∈X∈Rn、x和X分别为决策的变量、决策变量的取值范围；y=(y1,y2,…ym)T∈Y∈Rm、y和Y分别为m维的目标变量、目标变量的域；gi(x)≤0,i=1,2,…,q、hj(x)=0,j=1,2,…,p分别为不等式的范围、等式的决策变量。

为了能够更好地了解多区域多目标优化算法的求解模式，本文从可行性解、解集、支配关系等多个定义方面进行分析。

可行性解的定义：当上式中的决策变量满足式1的条件时，则可以确定x即为一个可行解。

可行解集的定义：可行解组成的合集为可行解集，即Xf，且Xf⊆X。

支配关系的定义：当两个向量(u=(u1,u2,…,un)T、v=(v1,v2,…,vn)T)之间的关系是uv，则两者之间为支配关系，满足式(2)。

∀i∈(1,2,…,m),μi≤vi且∃j∈(1,2,…,m),μj≤vj

(2)

2 系统模型

2.1 广播流媒体直播场景描述

广播流媒体直播的框架结构包含：主播端、转码器、设备端和显示器等。完整的媒体直播过程为：终端设备通过视频流的方式将录制好的视频转码到相应的服务器，转码器针对视频制作不同的码率然后分发到各个CDN模块，智能显示设备会像CDN模块发送拉流的请求，CDN模块决定视频的选择和去向，由观看端的网速来决定视频的实时质量。具体的广播流媒体直播流程图如图1所示。

图1 直播流程图

多区域多目标优化算法布置在广播流媒体人直播的客户端，通过此算法能够为客户选择最合适的码率。客户端请求视频传输的过程如图2所示。

图2 客户端请求下载块的过程

在流媒体直播的过程中，多区域多目标优化算法能够根据当前的客户端网络状况对码率进行筛选，之后系统的终端会向视频服务器发送拉流的请求，最终视频内容会以块的形式去下载对应的码率。

与传统的点播相比较，直播对于时间的延续有着很严格的要求。如果流媒体直播过程中缓冲的时间过长，用户的观看体验会存在很大的差距。如果流媒体直播过程中缓冲时间过短，视频内容在短时间内又会发生卡顿现象。于是，广播流媒体直播出现了快慢播和跳帧两种时延机制。其中快慢播是指视频直播过程中为了避免卡顿，在缓冲的视频即将耗尽时，此时系统自动触发慢播模式；而当缓冲区的时间很充足时，触发系统的快播模式。跳帧是指系统默认按一定的顺序下载帧，当发生卡顿现象时直播视频会出现时延。

2.2 仿真环境

本文选择仿真环境对直播系统进行实验研究。仿真环境能够在十分钟内完成实际几小时的直播视频播放，提高实验的效率。本文选择的直播视频仿真环境来源于智能网络竞赛Altrans，其主要是由视频源数据集合、网络(network)数据集合和SIM组成。本系统的运行环境为python 3。该系统的仿真器结构如图3所示。

图3 仿真器SIM结构图

仿真器SIM结构中的视频源(video trace)主要作用记录不同场景下视频的帧的信息。然后针对不同的码率进行对应的编码。本文选择的仿真器是帧级别的，可以将不同的视频文件分割为不同的帧。具体的视频源的存储格式如表1所示。

表1 视频源的存储格式

仿真器SIM结构中的network trace是指手机在不同网络环境下收集的网络信息数据集,格式如表2所示。

表2 网络信息数据集

本文的仿真器主要是模拟强、中、弱的网络环境。

3 仿真及分析

本文分析的基于多区域多目标优化算法的广播流媒体直播仿真主要包含：多区域直播算法、多目标流媒体直播测试。

3.1 多区域多目标优化算法仿真实验

通过模拟不同区域管理员在同一时间段对同一终端的应急直播反应可以很好地反映本文中提到的多区域多目标优化算法的优势。同时，通过比较顺序分发算法和多目标优化算法在应急流媒体直播中的等待时间来判断优劣。本文引进加权截止期保证率(WGR)来反应不同算法的优化情况。其计算式如式(3)。

(3)

图4 不同算法在不同任务个数的WGR

不同算法在不同紧急任务个数的平均等待时间如图5所示。

图5 不同算法在不同紧急任务个数的平均等待时间

从图4中可以看出：两种不同的算法在同一时间段内随着直播任务的个数增加，基于多区域多目标优化算法的下降幅度较小。从图5中可以看出：在同一时间段内，随着直播任务的增加，两种不同算法的等待时间都有所增加。基于多区域多目标优化算法的增长幅度较小，则表明其能够针对紧急任务进行优先处理，在性能上能够保持一定的优势。

3.2 多目标广播流媒体直播仿真测试

本文采用云服务器构建仿真环境，主要包含广播流媒体直播系统、流媒体直播服务器和广播终端。实际的多端直播和多终端直播仿真测试结果如图6所示。

图6 多端直播和多终端直播仿真测试

从图6中可以看出：当向服务器发送的直播客户端小于30个时，服务器基本稳定；当接收的直播客户端超过30个时，此时的服务器平均带宽明显下降，并出现不稳定性能；当直播客户端超过60个时，此时的不稳定连接的比率大于30%。

4 总结

广播流媒体直播已经慢慢成为现代视频直播的首选，本文针对广播流媒体的直播进行了仿真，基于多区域多目标优化算法分析了不同算法对于广播流媒体直播的效果对比。仿真及分析结果表明：本文分析的多区域多目标优化算法能够在解决多用户对同一终端直播的实时性问题，实现快速的多区域多目标的视频直播。