楊松—邊緣計算大會_楊松.pdf

《楊松—邊緣計算大會_楊松.pdf》由會員分享，可在線閱讀，更多相關《楊松—邊緣計算大會_楊松.pdf（29頁珍藏版）》請在三個皮匠報告上搜索。

1、楊楊 松松北京理工大學計算機學院北京理工大學計算機學院2023年年3月月31日日邊緣計算下基于無服務器計算的視頻流傳輸研究2團隊介紹 北京理工大學計算機學院先進網絡研究所 學術帶頭人：李凡教授，祝烈煌教授 研究團隊：陸慧梅、楊松、余皓然、段春暉、Kashif Sharif、黎有琦 科研成果 近三年，累計發表CCF A類、SCI一區等國際頂級期刊和學術會議論文60余篇 承擔國家自然科學基金面上項目、青年項目、北京市自然基金面上項目等10余項 研究方向 先進網絡：物聯網、無線傳感網絡、分布式網絡、云計算/邊緣計算、網絡功能虛擬化等 移動計算：智能感知、射頻識別、無源感知、室內定位、身份認證、可穿戴

2、計算等 智能計算：博弈論、多智能體系統、智能決策、強化學習等3自我介紹 教育背景 2004.09-2008.07：大連理工大學，軟件工程，工學學士 2008.09-2010.07：大連理工大學，計算機應用技術，工學碩士 2011.01-2015.06：荷蘭代爾夫特理工大學，計算機科學，博士 工作經歷 2015.08-2017.07：德國哥廷根大學，博士后研究員（瑪麗居里獎學金）2017.12-至今：北京理工大學計算機學院，預聘副教授，長聘副教授 研究領域 云計算、邊緣計算、網絡功能虛擬化、軟件定義網絡、量子網絡、人工智能4背景邊緣計算概念 靠近終端或數據源頭的網絡邊緣側就近提供計算服務 融合網

3、絡、計算、存儲、應用等核心能力的分布式平臺，連接物理和數字世界的橋梁5背景邊緣計算起源 邊緣計算的誕生 邊緣計算的范圍 云-邊緣-終端 云邊協作、智能調度 邊緣智能、效率提升1998年Akamai公司提出內容分發網絡（CDN）2005年美國韋恩州立大學提出功能緩存的概念2009年Satyanarayanan等提出Cloudlet概念Molina提出海計算概念2010年提出移動邊緣計算。服務于移動用戶，提升移動用戶體驗2012年思科公司提出霧計算中國科學院提出海云計算2013年美國太平洋西北國家實驗室首次提出邊緣計算（EC）2019年邊緣計算元年發展迅猛6背景邊緣計算范式 計算范式類型 邊緣計算

4、 計算能力下沉 霧計算 關注水平融合 海計算 海量終端設備連接及計算 多接入邊緣計算（MEC）移動網絡能力下沉7背景邊緣計算發展 邊緣計算：無所不能的數字演進 實現邊緣計算平臺的動態管理與高效運行 決策邊緣計算任務的計算卸載與協同處理 降低邊緣計算數據的冗余傳輸與低效存儲 典型應用場景 自動駕駛、智慧工業、智慧城市等 未來發展趨勢 泛在感知、普適計算 萬物互聯、萬物智聯、萬物賦能8背景無服務器計算（Serverless computing）Serverless定義 FaaS應用=FaaS(函數即服務)+BaaS(后端即服務，持久化或第三方服務)FaaS(函數即服務)，無需關心服務端運維的函數服

5、務（容錯、容災、安全驗證等）專注業務、提效降本、彈性按需、付費按量（調用次數、時長等）Serverless是云原生技術發展的必然趨勢9背景Serverless范式 云計算服務模式：IaaS、PaaS、SaaS、FaaS 事件驅動、函數響應、細粒度管理 Serverless架構 開發人員專注應用程序的業務邏輯 運維人員負責服務器配置等業務保障10背景Serverless優勢 Serverless函數 適用于短時間的、無狀態的、事件驅動的應用 以應用為中心，零代碼改造，快速容器化 Serverless業務場景 面向函數、面向業務、面向服務 Serverless平臺 AWS Lambda、Azure

6、 Functions Google Functions、IBM Functions 阿里云、華為云、騰訊云等11背景 視頻是互聯網應用的主角 消費互聯網：用戶生產內容（UGC）產業互聯網：專業生產內容（PGC）5G時代：大視頻時代 超高清：4K/8K（大帶寬）沉浸式視頻：AR/VR/MR/XR（低時延）交互式視頻（多路）（廣連接）視頻應用 典型業務：點播、直播、短視頻等 在線教育、在線娛樂、數字孿生等*Ref:Cisco Visual Networking Index:Forecast and Trends,20172022 White Paper12背景視頻流傳輸 基于HTTP的動態自適應流

7、 Dynamic Adaptive Streaming over HTTP（DASH）自適應碼率算法 Adaptive bit-rate(ABR)algorithms 用戶體驗質量（QoE）IngestMedia Server1080pCDNsDistributeViewers13背景Bitrate Adaptation in DASH14背景視頻流傳輸挑戰 網絡帶寬變化&難以預測 QoE指標之間相互沖突 視頻質量（較高）卡頓時間（較少）碼率抖動（較少）碼率決策具有級聯效應ThroughputThroughputVideo Bitrate(Mbps)Video BitrateBuffer si

8、ze(sec)Time(sec)Time(sec)15背景視頻流傳輸優化 基于規則的方法 Rate-based algorithms Buffer-based algorithms Hybrid algorithms(MPC)Deep learningExplicitFormula201220112013201420152016201720182019 2020Harmonic Mean(Rate)Piecewise Linear(Buffer)Linear ProgrammingHidden Markov ModelNeural NetworksDeeper NNsComplex Optim

9、ization 基于學習的方法 Offline learning-based algorithms Online learning-based algorithms20212022Online RL16EAVSEAVS貢獻 邊緣輔助的基于無服務器計算的視頻流傳輸系統 提供細粒度的服務 實現高效碼率決策 提升用戶體驗質量Hou B.,Yang S.*,et al.EAVS:Edge-assisted Adaptive Video Streaming with Fine-grained Serverless Pipelines.INFOCOM 2023.17動機Serverless computi

10、ng 基于Serverless的視頻流 視頻流傳輸流水線 視頻流應用解耦為無狀態函數 編碼-傳輸（決策）-解碼-播放 事件驅動、函數響應、彈性伸縮 細粒度視頻流傳輸管理18動機自適應視頻流 自適應碼率（ABR）算法 復雜動態變化的網絡環境 基于學習驅動的ABR算法 提升用戶觀看體驗質量（QoE）19EAVS架構EAVS系統架構 云服務器端 視頻存儲、編碼 帶寬分配、推流 邊緣端 Serverless管理 自適應碼率決策 客戶端 客戶端視頻播放 狀態信息采集20EAVS算法EAVS優化算法 基于深度強化學習端到端進行視頻流碼率決策 強化學習算法適配序列決策 深度神經網絡提取多維輸入特征 交互式學

11、習去除過多模型假設 獎勵函數支持多種優化目標 近端策略優化算法 Trinal-clip PPO-based ABR algorithm 優化目標 用戶觀看體驗質量（QoE）AgentEnvironmentObserve state Take actionRewardGoal:Maximize the Cumulative Reward 21EAVS算法EAVS算法設計Chunk metricsABR agentbitrates360P480P720P1080Pnetwork and video measurementsNetwork dynamicsPlayer metricsactionre

12、ward22EAVS算法Trinal-clip PPO-based ABR algorithm PPO-based ABR algorithm State Action Reward Trinal-clip methodLimit()within a range23EAVS算法QoE 指標 傳統QoE指標 視頻塊質量、卡頓時間、碼率抖動 基于視頻塊內容加權 基于視頻塊內容感知的QoE指標24實驗評估 實驗環境 視頻播放器：Google chrome browser 視頻服務器：Apache server 原型設備：Jetson Agx Xavier、Docker 數據集 網絡數據集：FCC、G

13、hent、Lumos5G 視頻數據集：YouTube video 模型訓練 訓練框架：TensorFlow 2.x 對比算法：A3C、Qflow、Fugu等25實驗結果 探究不同網絡環境下的EAVS性能 動態網絡環境影響視頻流性能 5G網絡環境下視頻塊碼率更高4G網絡5G網絡26實驗結果 探究不同視頻塊長度的EAVS性能 相較于其他算法，EAVS平均提高4.7%-9.1%的QoE 隨著客戶端的增加，EAVS性能略有下降27實驗結果 探究基于無服務器計算的EAVS性能 基于無服務器計算，EAVS平均降低27.4%-60.2%的時延28總結 邊緣計算下基于無服務器計算的視頻流傳輸系統 細粒度的serverless視頻流服務 高效自適應視頻流傳輸碼率決策 QoE為核心的視頻服務質量優化 機遇與挑戰 新場景：直播，短視頻，全景視頻，體積視頻，元宇宙等 模型優化：跨層（應用層和傳輸層）優化，多目標QoE優化 模型訓練：在線學習，元學習，多智能體強化學習 模型泛化：針對不同網絡場景、視頻內容等 模型可解釋性謝謝觀看楊楊 松松北京理工大學計算機學院北京理工大學計算機學院S.Y