P2P流媒体直播系统覆盖网拓扑优化算法

针对对等(P2P)流媒体直播系统中节点的异构性问题,将系统节点分为不同级别,基于随机行走算法选择邻居节点,采用Metropolis- Hastings算法计算随机行走的转移矩阵,从而保证节点能以较大的概率选择到系统中级别较高的节点,并进一步描述覆盖网拓扑优化算法。仿真实验结果表明,该算法能促进节点协作,降低系统延时,在动态网络环境下具有良好的鲁棒性。     

3G网络中流媒体点对点自适应传输策略

研究3G无线网络的流媒体通信协议和性能参数,提出一种流媒体点对点自适应传输策略,包括通信链路速率估计、流媒体自适应速率控制与媒体流控制、客户端缓存反馈控制。分析结果表明,在该策略中,服务器可根据链路状况多变的3G网络特性和客户端反馈参数,自适应调节媒体速率和媒体流,从而有效避免客户端缓存的饥饿和溢出现象,达到合理利用网络带宽资源的目的。     

Towards capacity and profit optimization of video-on-demand services in a peer-assisted IPTV platform

This paper studies the conditions under which peer-to-peer (P2P) technology may be beneficial in providing IPTV services over typical network architectures. It has three major contributions. First, we contrast two network models used to study the performance of such a system: a commonly used logical “Internet as a cloud” model and a “physical” model that reflects the characteristics of the underlying network. Specifically, we show that the cloud model overlooks important architectural aspects of the network and may drastically overstate the benefits of P2P technology. Second, we propose an algorithm called Zebra that pre-stripes content across multiple peers during idle hours to speed up P2P content delivery in an IPTV environment with limited upload bandwidth. We also perform simulations to measure Zebra’s effectiveness at reducing load on the content server during peak hours. Third, we provide a cost-benefit analysis of P2P video content delivery, focusing on the profit trade-offs for different pricing/incentive models rather than purely on capacity maximization. In particular, we find that under high volume of video demand, a P2P built-in incentive model performs better than any other model, while the conventional no-P2P model generates more profits when the request rate is low. The flat-reward model generally falls in between the usage-based model and the built-in model in terms of profitability except for low request rates. We also find that built-in and flat-reward models are more profitable than the usage-based model for a wide range of subscriber community sizes. Funding for J. Rahe’s research has been provided by AT&T Labs, the State of California under the MICR Oprogram, and by the Toshiba Corporation. Zhen Xiao is partially supported by China MOST project (2006BAH02A10).     

P2P流媒体中的数据分配算法

最近兴起的P2P技术在充分利用客户资源、提高系统的可伸缩性方面具有巨大的潜力,基于P2P提供视频服务已成为Internet的一项重要应用.在多对单P2P模式下,对多个发送端最优地分配发送速率和数据是一个难题.为此,提出了一种新的分配算法.首先,应用排队论把最优速率分配问题模型化为非线性最优化问题,推导出求解最优化问题的速率分配公式;然后,基于该公式提出最优速率分配算法(ORAA),并对ORAA输出解的最优性给出证明;最后,提出动态速率分配算法(DRAA).DRAA对动态的网络环境具有自适应性,能根据网络条件的变化最优地为多个发送端进行速率和数据分配.仿真实验结果表明,在不同的参数条件下,DRAA算法减少了计算和通信开销,比同类算法有更好的性能.     

基于流媒体的隐蔽通信可靠传输机制的研究

首先分析了原有流媒体隐蔽通信系统模型在传输机制上存在的问题.在此基础上改进了原有的传输方案,提出了一种新的基于流媒体的隐蔽通信的可靠传输机制,并进行实现和实际测试.实验结果表明,对于只有当载体满足一定条件时才可以嵌入的隐藏算法,新的传输机制也能保证可靠传输,性能较以前的方法也有长足的改善.     

基于缓存偏移量的P2P流媒体调度策略

现有P2P流媒体调度策略在确定数据块调度优先级时,未能综合考虑数据块稀缺度和紧迫度因素,导致了较差的播放连续度和启动延迟性能。提出的基于缓存偏移量的数据调度策略通过统计数据块在供求节点上的播放偏移量并对其加以处理,可有效懈决该问题,使播放连续度、启动延迟性能得到明显提高。     

对等网端到端多路径选择建模及算法研究*

在对等网上利用多路径分发视频是一种重要的机制,虽然在一对节点之间找出符合条件的多条路径并不困难,但发送端如何从可用路径集中选出最优路径子集,并为其最优地分配发送速率仍是一个难题。为此,提出一种新的对等网端到端最优多路径选择与速率分配(OMPSRA)算法。首先,应用排队论建立OMPSRA模型,并推导出一种新的OMPSRA公式,公式既给出最优分配的计算方法,也给出路径的最优速率分配与各路径最大可用带宽之间的关系,利用此关系可选出最优路径子集。最后基于公式实现OMPSRA算法。理论分析和仿真实验结果表明提出的算法能对通信量进行全局最优分配,最小化视频传输的端到端时延,有效提高视频传输质量,比同类算法有更好的性能。     

基于联合矩阵分解的话题发现与追踪模型

在文本流数据中,文本文档以流的形式源源不断地进入系统,数据量大和数据更新速度快给文本流话题发现与追踪提出了严峻的挑战。为了应对上述困难,本文提出了一种基于联合矩阵分解的话题发现与追踪模型。为了有效地处理海量数据,将流数据按照时间戳划分为数据块;为了能在数据的快速变化中追踪到话题的演化,将当前时刻的话题分布表示为前一时刻话题分布的线性演化。本文采用联合矩阵分解技术将当前的数据块分别表示为当前的话题分布和前一时刻的话题分布两种形式,通过同时分解两个矩阵得到当前的话题分布。在优化求解过程中,通过Karush-Kuhn-Tucker条件分析得到参数的更新策略,并给出相应的求解算法。Yahoo数据集对比实验表明,本文提出的话题发现算法能更好的发现文本流中蕴含的话题分布情况,并且可以随着时间的推移对话题的演化进行追踪。     

一种Spark环境下的高效率大规模图数据处理机制

本文针对现有的图处理和图管理框架存在的效率低下以及数据存储结构等问题,提出了一种适合于大规模图数据处理机制。首先分析了目前的一些图处理模型以及图存储框架的优势与存在的不足。其次,通过对分布式计算的特性分析采取适合大规模图的分割算法、数据抽取的优化以及缓存、计算层与持久层结合机制三方面来设计本文的图数据处理框架。最后通过PageRank和SSSP算法来设计实验与MapReduce框架和采用HDFS作持久层的Spark框架做性能对比。实验证明本文提出的框架要比MapReduce框架快90倍,比采用HDFS作持久层的Spark框架快2倍,能够满足高效率图数据处理的应用前景。     

基于Spark的并行SVM算法研究

随着数据规模的不断增加,支持向量机(SVM)的并行化设计成为数据挖掘领域的一个研究热点。针对SVM算法训练大规模数据时存在寻优速度慢、内存占用大等问题,提出了一种基于Spark平台的并行支持向量机算法(SP-SVM)。该方法通过调整层叠支持向量机(Cascade SVM)的合并策略和训练结构,并利用Spark分布式计算框架实现;其次,进一步分析并行操作算子的性能,优化算法并行化实现方案,有效克服了层叠模型训练效率低的缺点。实验结果表明,新的并行训练方法在损失较小精度的前提下,在一定程度上减少了训练时间,能够很好地提高模型的学习效率。