[论文解读] Edge-Cloud Collaboration Enabled Video Service Enhancement: A Hybrid Human-Artificial Intelligence Scheme

Dapeng Wu, Ruili Bao+3 more|arXiv (Cornell University)|Jan 14, 2021

Caching and Content Delivery参考文献 28被引用 7

一句话总结

本文提出了一种用于边缘-云协同视频服务增强的混合人机智能框架，结合因子分解机与多层感知机模型，以预测个体及群体用户兴趣，实现高精度视频缓存。一种双分治探索方案在满足统计延迟约束下优化无线资源分配，在真实世界实验中实现了高用户公平性的视频编码速率，并优于基线方法。

ABSTRACT

In this paper, a video service enhancement strategy is investigated under an edge-cloud collaboration framework, where video caching and delivery decisions are made in the cloud and edge respectively. We aim to guarantee the user fairness in terms of video coding rate under statistical delay constraint and edge caching capacity constraint. A hybrid human-artificial intelligence approach is developed to improve the user hit rate for video caching. Specifically, individual user interest is first characterized by merging factorization machine (FM) model and multi-layer perceptron (MLP) model, where both low-order and high-order features can be well learned simultaneously. Thereafter, a social aware similarity model is constructed to transferred individual user interest to group interest, based on which, videos can be selected to cache. Furthermore, a double bisection exploration scheme is proposed to optimize wireless resource allocation and video coding rate. The effectiveness of the proposed video caching scheme and video delivery scheme is finally validated by extensive experiments with a real-world data set.

研究动机与目标

• 解决在边缘-云架构中联合优化视频缓存与分发以提升视频服务质量的挑战。
• 在尊重统计延迟与边缘缓存容量约束的前提下，提升视频编码速率的用户公平性。
• 开发一种数据驱动方法，以预测个体与群体用户兴趣，实现有效的视频缓存决策。
• 设计一种资源分配方案，确保在动态无线环境中满足延迟约束并实现公平性。
• 将用户兴趣预测与网络级优化相结合，同时最大化用户命中率与内容命中率。

提出的方法

• 融合因子分解机（FM）与多层感知机（MLP）模型，联合学习低阶与高阶用户特征表示，以实现高精度的个体兴趣预测。
• 构建一种社交感知相似性模型，将个体用户兴趣迁移至群体级兴趣配置，整合正向与负向情感反馈。
• 推导出一种解析的统计延迟保障模型，关联视频编码速率、延迟约束与信道条件。
• 提出一种双分治探索方案，通过迭代优化每位用户的带宽分配，在满足延迟约束下确保视频编码速率的公平性。
• 采用云-边协同架构：云负责基于群体兴趣进行视频缓存决策，而边缘负责实时资源分配与内容分发。
• 使用真实世界视频请求数据训练与验证所提方案，确保其实际适用性。

实验结果

研究问题

• RQ1 如何有效建模个体与群体用户兴趣，以提升边缘-云系统中的视频缓存精度？
• RQ2 在边缘缓存容量受限条件下，用户命中率与内容命中率之间的最优权衡是什么？
• RQ3 如何优化视频分发以在满足统计延迟约束下保障用户编码速率的公平性？
• RQ4 群体兴趣建模与情感反馈对缓存性能与系统吞吐量有何影响？
• RQ5 所提出的双分治方案相较于传统资源分配方法，在公平性与计算效率方面表现如何？

主要发现

• 所提出的混合AI模型在边缘缓存容量较低时（E=30）即实现近乎完美的用户命中率（CHR），表明其在预测热门内容方面具有极高精度。
• 当缓存容量超过最优水平后，用户命中率下降，原因在于低兴趣视频被缓存，表明命中率与经济成本之间存在明确权衡。
• 双分治探索方案实现对数级计算复杂度，适用于动态网络中的实时部署。
• 所提出的视频分发方案在最小个体视频编码速率上优于等带宽分配方案，证实了用户公平性的提升。
• 随着用户数量增加，网络吞吐量提升，验证了统计复用增益；所提方案在公平性方面优于等带宽基线，同时保持高性能。
• 所提方案接近理想边缘缓存基准（所有请求均由边缘服务），验证了其在降低回传负载与提升QoE方面的有效性。