云環(huán)境視頻直播中的服務(wù)器選擇問題

劉志強，萬劍雄，董秀曼

（內(nèi)蒙古工業(yè)大學(xué) 信息工程學(xué)院，內(nèi)蒙古 呼和浩特010080）

0 引 言

云計算環(huán)境可為實時流媒體直播提供平臺，具有較強的適應(yīng)性與可擴(kuò)展性。云環(huán)境中的數(shù)據(jù)中心通常分布在一片較大的地理區(qū)域內(nèi)。終端用戶可從各個數(shù)據(jù)中心中獲取實時流媒體數(shù)據(jù)，而不是直接從源服務(wù)器中獲取數(shù)據(jù)，有效的避免網(wǎng)絡(luò)擁塞與源服務(wù)器過載。

云計算是云服務(wù)提供商面對的一個核心問題。在傳統(tǒng)基于Web的應(yīng)用中已經(jīng)存在一些服務(wù)器選擇策略［1－4］，這些策略有很多都具有動態(tài)性，因為動態(tài)的服務(wù)器選擇策略可以更合理地利用有限的資源，但這些基于Web的動態(tài)服務(wù)器選擇策略無法直接移植到視頻流媒體直播環(huán)境。

本文研究云環(huán)境中流媒體視頻直播的服務(wù)器選擇問題，給出多階段服務(wù)器選擇調(diào)度策略，有效保證服務(wù)質(zhì)量，降低運營成本。

1 相關(guān)工作

目前，國內(nèi)外針對基于云計算的視頻直播問題已經(jīng)有了一些研究成果。劉景使用虛擬化技術(shù)動態(tài)調(diào)配資源建立分發(fā)服務(wù)器的思想，提出一種基于云計算環(huán)境的視頻直播設(shè)計方法，有效地節(jié)約了校園網(wǎng)主線路的大量帶寬和物理計算資源，并在真實的校園網(wǎng)環(huán)境中進(jìn)行了測試［5］。鄧達(dá)等對對等節(jié)點引入評分，提出一種緩沖算法，利用CDN 邊緣服務(wù)器緩解P2P節(jié)點的瞬時擁塞，較好地減少了節(jié)點的啟動時延［6］。孫名松等利用基于蜂窩的負(fù)載均衡算法和主動聚簇算法，解決了單點故障隱患，改善了負(fù)載不均衡的問題，提高了服務(wù)器的利用率［7］。Wang Feng等提出一種基于云計算環(huán)境的視頻直播系統(tǒng)，稱為CALMS。文中給出了一種動態(tài)虛擬服務(wù)器租賃策略，可在滿足視頻服務(wù)可用性與視頻播放質(zhì)量的前提下，最小化資源租賃成本。CALMS系統(tǒng)可充分利用全球視頻訪問請求的時間與位置異質(zhì)性，較為精確的預(yù)測用戶請求數(shù)量，降低視頻服務(wù)提供商的運營成本［8］。Raymond Sweha等提出了ngelCast原型系統(tǒng)，從云平臺中租用一些稱為angle的服務(wù)器，設(shè)計了一個構(gòu)造最優(yōu)多叉樹的算法用以在angle服務(wù)器與用戶節(jié)點之間傳輸實時視頻數(shù)據(jù)。該系統(tǒng)部署在Emulab和PlaneLab平臺，實驗結(jié)果表明了AngelCast系統(tǒng)的有效性［9］。以上這些研究，大多關(guān)注如何降低云環(huán)境中部署視頻服務(wù)的運營成本，而在終端用戶的服務(wù)器選擇方面的研究還不完善。在視頻直播服務(wù)中，服務(wù)器選擇策略對端到端延時有較大影響，是視頻直播系統(tǒng)中的關(guān)鍵技術(shù)之一，對提高終端用戶體驗起著關(guān)鍵性的作用。因此，研究如何設(shè)計最優(yōu)的服務(wù)器選擇策略是視頻直播系統(tǒng)中亟待解決的問題。

2 問題建模

一個典型基于云環(huán)境的實時流媒體直播系統(tǒng)如圖1所示。因特網(wǎng)內(nèi)容提供商 （Internet content providers，ICPs）將實時視頻進(jìn)行采集、編碼、與壓縮等處理，并將視頻流媒體數(shù)據(jù)傳輸給核心服務(wù)器。核心服務(wù)器再通過云提供商的覆蓋網(wǎng)絡(luò) （該覆蓋網(wǎng)絡(luò)既可以是專用線路，也可以是公共線路）將這些數(shù)據(jù)分發(fā)到各個地區(qū)的數(shù)據(jù)中心中。來自不同地區(qū)的終端用戶向云提供商發(fā)起視頻請求，并通過服務(wù)器選擇 （server selection，RR）技術(shù)被重定向到某個邊緣服務(wù)器中。

圖1 實時流媒體視頻直播系統(tǒng)結(jié)構(gòu)

2.1 終端用戶模型

為管理方便，云提供商通常將整個服務(wù)區(qū)域劃分為一些相鄰的地理子區(qū)域。劃分的方法一般與ISP 網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)與人口的地域分布有著較為密切的關(guān)系。令R ＝｛1，2，…，r｝為子區(qū)域的集合，φi，i∈R 為子區(qū)域i內(nèi)終端用戶所占總體用戶的比例。顯然，有∑i∈Rφi ＝1。

S Agarwal等的研究［10］結(jié)果表明，對于某種特定的英特網(wǎng)在線應(yīng)用，其終端用戶的地理分布一般會遵循某種特定的規(guī)律。因此，這里假定在視頻流媒體直播問題中，某個子區(qū)域內(nèi)終端用戶所占的比例服從某種穩(wěn)態(tài)分布，即φi為一個定值，不隨總終端用戶的數(shù)量變化。φi 的確切數(shù)值可以通過統(tǒng)計以往實時流媒體視頻直播的記錄數(shù)據(jù)得到。

在視頻直播開始前，云提供商會在以往直播統(tǒng)計數(shù)據(jù)的基礎(chǔ)上，對本次直播的終端用戶總量N 進(jìn)行一次粗略的估計。這種離線估計雖然在一定程度上能提供一些信息，但是這些信息往往都不精確，有時還會與真實數(shù)據(jù)產(chǎn)生較大誤差。其原因在于影響終端用戶數(shù)量的因素數(shù)量多且關(guān)系復(fù)雜，例如，英特網(wǎng)沖浪人數(shù)在一直增長，這種增長對于一次視頻直播產(chǎn)生的影響難以建模；一次視頻直播的觀看用戶可能與節(jié)目受歡迎的程度相關(guān)，但是節(jié)目的受歡迎程度又很難量化等等。為解決這個問題，云提供商可以利用另一個參數(shù)珡N 來對N 提供一個上界。珡N 的值可以簡單的設(shè)為整個云計算環(huán)境可以支持的最大終端用戶數(shù)量。

為簡單起見，假設(shè)所有終端用戶都是同質(zhì)的，即所有用戶所接受到視頻流的碼率都是一樣的。這意味著總帶寬消耗與終端用戶總數(shù)成正比關(guān)系。

2.2 數(shù)據(jù)中心模型

云服務(wù)提供商通常在一個服務(wù)子區(qū)域建立一個或多個數(shù)據(jù)中心。令S＝｛1，2，…s｝為數(shù)據(jù)中心的集合。每個數(shù)據(jù)中心包含一些資源。在本文中考慮的主要資源是CPU 處理資源與網(wǎng)絡(luò)帶寬資源，因為這兩種資源是影響實時流媒體傳輸性能的主要因素。假設(shè)在數(shù)據(jù)中心內(nèi)部有一套負(fù)載均衡策略，可將終端用戶請求均勻地分配給數(shù)據(jù)中心內(nèi)的各個服務(wù)器。一般來說，由于各個地域的人口分布不均，因而各地數(shù)據(jù)中心所擁有的資源量也有較大差異。

為提高資源的利用效率，數(shù)據(jù)中心中的服務(wù)器一般都負(fù)責(zé)多種應(yīng)用。例如，除了處理實時流媒體業(yè)務(wù)外，服務(wù)器還要處理一些基于Web的業(yè)務(wù)。在一個典型的云計算環(huán)境中，數(shù)據(jù)中心的負(fù)載可以通過服務(wù)器選擇策略進(jìn)行精確控制。對于數(shù)據(jù)中心i，令λi，i∈S為其CPU 的背景負(fù)載，即除了實時流媒體業(yè)務(wù)外所有其它業(yè)務(wù)所能占據(jù)的CPU 負(fù)載。令Bi為當(dāng)前帶寬所能支持的實時流媒體終端用戶數(shù)。

在實時流媒體業(yè)務(wù)中，服務(wù)器的行為特性與處理Web業(yè)務(wù)的服務(wù)器行為特性有很大不同：在Web業(yè)務(wù)中，用戶一般不會在系統(tǒng)中 “駐留”，即一旦用戶接受服務(wù)器的服務(wù)（一般是較小的Web頁面或者圖片等其它多媒體文件）后，會立即從服務(wù)器的服務(wù)隊列中被移除。相比之下，在實時流媒體業(yè)務(wù)中，只有終端用戶關(guān)閉媒體播放器不再觀看節(jié)目的時候，才能從服務(wù)器的服務(wù)隊列中移除，否則，服務(wù)器必須連續(xù)地為其提供服務(wù)。在整個觀看時間內(nèi)，終端用戶一直占據(jù)著服務(wù)器的資源。

在文獻(xiàn) ［11，12］中，作者驗證了在基于Web業(yè)務(wù)的應(yīng)用中，資源的消耗量與請求的速率基本呈線性關(guān)系。在實時流媒體業(yè)務(wù)中，也可有此結(jié)論。對于服務(wù)器群i，假設(shè)每個終端用戶會占用ιi的CPU，則CPU 的使用率可表示為θiCPU＝λi＋xi·ιi，其中xi是當(dāng)前正在被服務(wù)的實時流媒體終端用戶的個數(shù)。進(jìn)一步，可以假設(shè)服務(wù)器的響應(yīng)時間gi為CPU 利用率的線性函數(shù)，即有g(shù)i＝ai·θiCPU＋bi，其中ai與bi都是常數(shù)。服務(wù)器響應(yīng)時間對用戶體驗有較大影響。

2.3 服務(wù)器選擇策略

服務(wù)器選擇策略所起的作用相當(dāng)于一個調(diào)度器，將終端用戶的實時視頻流媒體請求重定向到合適的數(shù)據(jù)中心中。一種好的服務(wù)器選擇策略可以使云提供商獲得更多經(jīng)濟(jì)利益，并與此同時保證終端用戶的觀看體驗。

目前實現(xiàn)服務(wù)器選擇策略的方法有多種，例如HTTP重定向、URL 重寫、任播技術(shù)、以及DNS 重定向等。傳統(tǒng)基于Web業(yè)務(wù)的服務(wù)器選擇策略可分為兩大類：非自適應(yīng)服務(wù)器選擇策略與自適應(yīng)服務(wù)器選擇策略。非自適應(yīng)服務(wù)器選擇策略實現(xiàn)較為容易，而自適應(yīng)服務(wù)器選擇策略實現(xiàn)相對復(fù)雜一些，需要考慮當(dāng)前系統(tǒng)的狀態(tài)，但是換來的是更強的健壯性與更高的資源利用率。但是，如前所述，已有的基于Web服務(wù)的動態(tài)服務(wù)器選擇策略無法直接移植到實時流媒體視頻直播業(yè)務(wù)中。因此，本文提出一種多階段服務(wù)器選擇策略來解決這一問題。

假設(shè)在系統(tǒng)中有一個集中管理設(shè)施，用來實現(xiàn)服務(wù)器選擇策略。這種集中管理設(shè)施可以對各個數(shù)據(jù)中心的負(fù)載進(jìn)行實時監(jiān)控，并跟蹤系統(tǒng)的3個狀態(tài)參數(shù)：λi、Bi與xi。服務(wù)器選擇策略可表示為一個矩陣F＝ ｛fij｝，i∈S，j∈R，其中fij代表子區(qū)域j中分配到數(shù)據(jù)中心i的終端用戶請求所占的百分比。

2.4 效用函數(shù)

云提供商的效用表達(dá)為服務(wù)每個終端用戶所得到的利潤的和。利潤是收入與成本的差值。在本文中，假設(shè)收入π（dij），i∈S，j∈R是從數(shù)據(jù)中心到終端用戶數(shù)據(jù)鏈路總延遲的嚴(yán)格遞減函數(shù)。總延遲包含兩部分，即服務(wù)器響應(yīng)時間gi與平均網(wǎng)絡(luò)延遲Dij。

以往的研究如文獻(xiàn) ［10］等，僅將數(shù)據(jù)中心到終端用戶之間的總延遲作為問題約束，與收入無直接關(guān)系。本文所提出的模型將總延遲直接放入目標(biāo)函數(shù)中，而且可以對不同地域的終端用戶賦以不同的權(quán)值。這樣建模的意義在于一次流媒體視頻直播可能會表現(xiàn)出較強的地域特性。例如，一場足球?qū)崨r轉(zhuǎn)播的主要觀眾很可能都來自于交鋒的兩支足球隊所屬的城市，而其它距離該足球賽事較遠(yuǎn)區(qū)域的網(wǎng)民對其的關(guān)注度有限。ICP 可以將所有子區(qū)域進(jìn)行區(qū)分，給出一些 “重要”區(qū)域 （這些區(qū)域中的網(wǎng)民對本次實時流媒體視頻直播可能會更有興趣），而這些來自于 “重要”區(qū)域的觀眾應(yīng)該得到更好的用戶體驗。該問題可以利用本文中的模型進(jìn)行有效處理：云服務(wù)提供商可設(shè)置一系列具有不同參數(shù)的效用函數(shù)πi，i∈R，使得不同地區(qū)的延遲對整個目標(biāo)函數(shù)的貢獻(xiàn)不同。

3 最優(yōu)服務(wù)器選擇策略與MPS算法

3.1 問題描述

首先，在表1中給出本文中所用的符號及其意義。

表1 本文中的符號與意義

當(dāng)N 給定時，最優(yōu)服務(wù)器選擇問題可以歸結(jié)為一個如式 （1）～式 （6）所示的優(yōu)化問題。該優(yōu)化問題的目標(biāo)是找到一個最優(yōu)策略F ＝｛fij｝，來最大化CDN 提供商的經(jīng)濟(jì)利益

其中，式 （2）用來計算總時延，條件式 （3）代表CPU 資源約束，條件式 （4）代表網(wǎng)絡(luò)帶寬約束，條件式 （5）代表所有的終端用戶必須都被服務(wù)。

將目標(biāo)函數(shù)展開，并將約束式 （3）與式 （4）合并，可以得到精化的優(yōu)化問題，如式 （7）～式 （10）所示。令該問題表示為RRS（N，M），其中M＝｛mi｝，i∈s是資源約束，則RRS （N，M）的輸出結(jié)果為最優(yōu)服務(wù)器選擇策略F＊＝｛｝，i∈S，j∈R

由式 （7）～式 （10）中的約束，可以推得云提供商可以服務(wù)的終端用戶數(shù)量，即約束的式 （8）～式 （10）的交集不空。

命題1 （優(yōu)化問題有可行解的條件）：服務(wù)器選擇優(yōu)化問題的可行解非空，當(dāng)且僅當(dāng)

證明：由已知條件易得

（1）充分條件：

將約束式 （8）的所有不等式相加，可以得到

（2）必要條件：

現(xiàn)在來證明如果∑i∈Smi≥1 時，必有關(guān)于約束式（8）～式 （10）的非零解存在。令

則有∑i∈Sni≤∑i∈Smi，該式意味著∑i∈Sni可以小于或等于1。

約束式 （8）與式 （9）組成了一個非齊次線性系統(tǒng)，其增廣矩陣為

經(jīng)過一些簡單的變換，該矩陣可以變?yōu)?/p>

總能找到一組ni使得∑i∈Sni＝1≤∑i∈Smi，因此關(guān)于式 （9）與式 （14）的解存在。此外，由于增廣矩陣不是滿秩矩陣，因此至少存在如下非零解

3.2 問題求解

為對服務(wù)器選擇優(yōu)化問題進(jìn)行求解，首先將所有的決策變量組織成向量形式

并將目標(biāo)函數(shù)改寫為標(biāo)準(zhǔn)二次型

其中

命題2 （存在全局最大解）：當(dāng)服務(wù)器選擇問題可行解集合非空時，存在全局最優(yōu)解，且任意局部最優(yōu)解就是全局最優(yōu)解。

證明：命題2的第一部分是顯然的，因為約束集是凸集，且目標(biāo)函數(shù)是連續(xù)函數(shù)。由Weierstrass定理，易得在可行解集內(nèi)目標(biāo)函數(shù)必然可以取到最大值。第二部分可如下證明。當(dāng)n≥2時，矩陣A 所有n 階主子式都為0。又由于a＜0，因而所有1階主子式都小于等于0。因此，矩陣A為半負(fù)定矩陣。服務(wù)器選擇問題為一個凸優(yōu)化問題，Karush－Kuhn－Tucker條件為局部最優(yōu)的充分必要條件，同時也是全局最優(yōu)的充分必要條件。

服務(wù)器選擇問題可以進(jìn)行線性化處理，劃歸為一個線性規(guī)劃問題進(jìn)行求解，步驟如下：

（1）構(gòu)建拉格朗日函數(shù)

其中，μi，ηij 與γj是拉格朗日乘子。運用Karush－Kuhn－Tucker定理，最優(yōu)策略F 應(yīng)是下式的解

（2）為約束式 （8）增加松弛變量xi，i＝｛1，…，s｝。

（3）令

其中

為符號函數(shù)。當(dāng)且僅當(dāng)zij＝0時，該問題的解才與原服務(wù)器選擇問題的解相同，因此，可以得到如式 （22）～式 （30）所示的線性規(guī)劃問題

Subject to

（4）求解式 （22）～式 （30）所示的線性規(guī)劃問題，得到最優(yōu)解。

3.3 MPS調(diào)度算法

算法1：MPS調(diào)度算法

（1）Function MPS （M，P）

（2）Initialize K＝ ｛ki｝，i＝1，2，…，n

（4）return ERROR；／＊current resources cannot support up to pnclients＊／

（5）for（i＝1；i＜n；i＋＋）

（6）ki＝RRS （pi＋1－pi，M）

（7）V＝Resource＿Consumption （ki，pi＋1－pi）

（8）M＝M－V

（9）end for

（10）return K；

一個較好的調(diào)度算法必須滿足如下兩個屬性：①對于所有可能的N ，算法必須輸出可行的服務(wù)器選擇策略。“可行”的含義是每個數(shù)據(jù)中心的負(fù)載不能超過該數(shù)據(jù)中心所擁有的資源總量。②服務(wù)器選擇策略應(yīng)當(dāng)輸出最優(yōu)的或近似最優(yōu)的策略。非常明顯，這兩個屬性的關(guān)注點不同。例如，如果采用非自適應(yīng)的服務(wù)器選擇策略，假設(shè)有N2＞N1，則一個在N＝N1時的最優(yōu)策略在N＝N2時很可能是不可行策略。相反，一個在N＝N2時的最優(yōu)策略很可能是N＝N1時的可行策略，但是卻與最優(yōu)策略有較大差距。因此，設(shè)計服務(wù)器選擇調(diào)度策略的最大挑戰(zhàn)，在于如何在這兩個屬性之間取得合理的權(quán)衡取舍。

本文使用如下方法來解決以上問題。首先，通過3 個參數(shù)NL、NH、來估計并描述終端用戶的數(shù)量。其中有NL≤NH≤。區(qū)間 ［NL，NH］是 “正常”區(qū)間，即以前各次類似視頻流媒體直播的終端用戶總數(shù)都在該區(qū)間范圍內(nèi)。是 “最差”情形，是ICP所給出的用戶總數(shù)上界的估計。其次，將區(qū)間 ［NL，］分割為n－1個階段：P1＝［p1，p2），P2＝［p2，p3），…，Pn－1＝［pn－1，pn］，pi＜pi＋1，p1＝NL且pn＝，最后，利用MPS算法來計算得到階段Pi的服務(wù)器選擇調(diào)度策略ki。在階段Pi，對每個新到的終端用戶請求使用策略ki。

MPS算法 （算法1）將M 與P 作為輸入?yún)?shù)。M ＝｛m1，m2，…，ms｝為資源約束，可以通過實時監(jiān)測各個數(shù)據(jù)中心的資源使用狀況得到。P＝｛p1，p2，…，pn｝是階段的邊界參數(shù)。最簡單的一種階段劃分方法是兩階段劃分，且令p1＝NL，p2＝NH，p3＝珡N。后文的數(shù)值分析部分顯示，即使這種最簡單的服務(wù)器選擇策略也能顯著的提高系統(tǒng)的收益。

MPS算法中使用了兩個子函數(shù)。RRS（N，M）前面提到過，用來計算在資源約束M 下的最優(yōu)策略。Resource＿Consumption（k，p）計算在路由請求調(diào)度策略k與終端用戶請求數(shù)量p的情況下所消耗的資源。在下一小節(jié)中，將通過一個例子分析來說明多階段服務(wù)器選擇調(diào)度策略的有效性。

4 性能分析

4.1 仿真環(huán)境參數(shù)設(shè)置

在現(xiàn)實世界中，人口的地理分布是很不平均的。以此為依據(jù)，設(shè)定的終端用戶分布見表2，其中子區(qū)域1，2，3的人口占據(jù)總?cè)丝诘?5%。

表2 終端用戶分布

終端用戶與各地數(shù)據(jù)中心的網(wǎng)絡(luò)延遲見表3。當(dāng)終端用戶從本地數(shù)據(jù)中心獲取視頻直播流媒體數(shù)據(jù)時，網(wǎng)絡(luò)延遲最小。但是，本地數(shù)據(jù)中心有可能沒有足夠的資源來支持本地所有的終端用戶。這時，終端用戶必須被重定向到其它 （遠(yuǎn)程）數(shù)據(jù)中心中。

假設(shè)云提供商可以提供基本的參數(shù)為：NL＝300，NH＝360，珡N ＝400。

4.2 結(jié)果與分析

在本小節(jié)中，將比較多階段服務(wù)器選擇策略與靜態(tài)非自適應(yīng)服務(wù)器選擇策略的性能。

對于靜態(tài)服務(wù)器選擇策略，考慮如下情形：①策略S1，N＝360時的最優(yōu)服務(wù)器選擇策略。②策略S2，N＝400時的最優(yōu)服務(wù)器選擇策略。

對于多階段服務(wù)器選擇策略，考慮如下情形：①S3，二階段服務(wù)器選擇策略，其中P1＝ ［300，360），P2＝［360，400］。②S4，三階段服務(wù)器選擇策略，其中P1＝［300，330），P2＝ ［330，360），P3＝ ［360，400］。

注意在策略S3中，僅簡單的將 “正常”工作負(fù)載作為第1階段，而在策略S4中，將 “正常”工作負(fù)載平均劃分為兩個階段P1與P2。

在圖2與圖3中，Optimal profit曲線為各個復(fù)雜度下最優(yōu)策略所能得到的最大利潤。圖2中畫出了3種靜態(tài)服務(wù)器選擇策略所得到的利潤。可以看到，雖然在區(qū)間［300，360］中策略S1比S2所能得到的利潤更多，但是當(dāng)N 大于360時，策略S1為不可行策略，因此在圖中以虛線畫出了偽收益 （該收益實際上不能實現(xiàn)）。另一方面，雖然策略S2對于所有N∈ ［300，400］都是可行策略，但是當(dāng)N 較小時，策略S2所得的利潤與最高利潤的差距較大。圖3中可以看出多階段服務(wù)器選擇策略的優(yōu)越性。策略S3與S4都是可行服務(wù)器選擇策略。與策略S2相比，策略S3在區(qū)間 ［360，380］內(nèi)所取得的收益有大幅提高，而策略S4在區(qū)間 ［300，370］內(nèi)所得的利潤幾乎與靜態(tài)最優(yōu)策略所得到的最高利潤相同。兩種多階段服務(wù)器選擇策略S3與S4在當(dāng)N 接近400 的時候，所得的利潤都有所下降。但是，400實際上是一種 “極端”工作負(fù)載，這種情形在實際情況中出現(xiàn)的概率較低，因此，多階段服務(wù)器選擇策略在大多數(shù)情況下，比靜態(tài)服務(wù)器選擇策略所得到的利潤要高。

圖2 靜態(tài)策略增益

圖3 靜態(tài)策略與多階段策略收益

圖4所描繪的是不同服務(wù)器選擇策略所得的利潤與最優(yōu)利潤之間差距的平均值。可以看出，二階段服務(wù)器選擇策略與三階段服務(wù)器選擇策略的性能都優(yōu)于靜態(tài)服務(wù)器選擇策略。最左邊的直方圖是在整個用戶到達(dá)區(qū)間 ［300，400］內(nèi)3種策略與最優(yōu)策略的目標(biāo)函數(shù)差值，因此從整體來看，應(yīng)用多階段服務(wù)器選擇策略相較于靜態(tài)服務(wù)器選擇策略可得到更高的利潤回報。中間的直方圖是用戶 “正常”到達(dá)區(qū)間 ［300，360］。可以看出，在這個 “正常”工作負(fù)載區(qū)間中，多階段服務(wù)器選擇策略比靜態(tài)服務(wù)器選擇策略所得的利潤要高的多。最右邊的直方圖是用戶 “非正常”到達(dá)區(qū)間 ［360，400］，圖中顯示即使在 “非正常”工作負(fù)載區(qū)間內(nèi)，多階段服務(wù)器選擇策略也比靜態(tài)服務(wù)器選擇策略所得的利潤高。

圖4 靜態(tài)策略（當(dāng)N＝100）、二階段策略、以及三階段策略所得的平均利潤與最優(yōu)策略所得利潤的差距

從圖4中還可觀測到，在用戶 “正常”到達(dá)區(qū)間內(nèi)，二階段服務(wù)器選擇策略可得利潤比三階段服務(wù)器選擇策略可得利潤多，而在用戶 “非正常”到達(dá)區(qū)間內(nèi)，二階段服務(wù)器選擇策略可得利潤比三階段服務(wù)器選擇策略可得利潤少。該現(xiàn)象可推廣到更一般的結(jié)論：在多階段服務(wù)器選擇策略中，階段數(shù)量越多，則在用戶 “正常”到達(dá)區(qū)間內(nèi)可得的利潤越高，而在用戶 “非正常”到達(dá)區(qū)間內(nèi)可得的利潤越少。導(dǎo)致該現(xiàn)象的主要原因，在于階段數(shù)越多，則MPS算法會更看重在前期用戶 “正常”到達(dá)區(qū)間，因此所得利潤越高，但是相應(yīng)的會預(yù)留更多的資源。而到了用戶“非正常”到達(dá)區(qū)間，由于前期資源開銷相對較多，會導(dǎo)致后期資源不足，因此所得利潤減少。

5 結(jié)束語

本文主要關(guān)注在云環(huán)境實時流媒體視頻直播中如何設(shè)計一個較好的服務(wù)器選擇策略。實時流媒體視頻直播具有一些自己獨特的性質(zhì)，而這些性質(zhì)與傳統(tǒng)基于Web服務(wù)的應(yīng)用有較大差別，導(dǎo)致以往的服務(wù)器選擇策略無法直接應(yīng)用。為解決這一問題，本文建立了基于優(yōu)化理論的服務(wù)器選擇策略模型，并提出一種多階段服務(wù)器選擇算法。數(shù)值分析顯示該方法在終端用戶無法精確預(yù)測時也能顯示出較好的性能。

［1］Patricia Takako Endo，Andre Vitor de Almeida Palhares，Nadilma Nunes Pereira，et al.Resource allocation for distributed cloud：Concepts and research challenges ［J］.IEEE Network，2011，25 （4）：42－46.

［2］Church K，Greenberg A，Hamilton J.On delivering embarrassingly distributed cloud services［EB／OL］.［2008－04－02］.http：／／conferences.sigcomm.org／hotnets／2008／papers／10.pdf.

［3］Chandra A，Nebulas AJW.Using distributed voluntary resources to build clouds［C］／／Proceedings of the Conference on Hot Topics in Cloud Computing，2009：1－9.

［4］Mohammad Hajjat，Shankaranarayanan PN，David Maltz，et al.Dynamic request splitting for interactive cloud applications［J］.IEEE Journal on Selected Areas in Communications，2013，31 （12）：2722－2737.

［5］LIU Jing.Design of campus network video broadcast on cloud computing ［J］.Journal of Computer Applications，2014，34（2）：572－575 （in Chinese）.［劉景.基于云計算環(huán)境的校園網(wǎng)網(wǎng)絡(luò)視頻直播設(shè)計 ［J］.計算機應(yīng)用，2014，34 （2）：572－575.］

［6］DENG Da，LV Zhihui.Design and implementation of live streaming system based on CDN－P2P－h(huán)ybrid mode ［J］.Journal of Computer Engineering and Design，2013，34 （1）：66－70 （in Chinese）.［鄧達(dá)，呂智慧.基于CDN－P2P流媒體直播系統(tǒng)方案設(shè)計實現(xiàn) ［J］.計算機工程與設(shè)計，2013，34 （1）：66－70.］

［7］SUN Mingsong，ZHAO Xiuna，SUN Xibei，et al.Design of campus network live video system based on cloud computing［J］.Journal of Harbin University of Science and Technology，2012，17 （1）：58－62 （in Chinese）.［孫名松，趙修娜，孫西貝，等.基于云計算的校園網(wǎng)視頻直播系統(tǒng)設(shè)計 ［J］.哈爾濱理工大學(xué)學(xué)報，2012，17 （1）：58－62.］

［8］Wang F，Liu J，Chen M.CALMS：Cloud－assisted live media streaming for globalized demands with time／region diversities［C］／／Proceedings IEEE INFOCOM，2012：199－207.

［9］Raymond Sweha，Vatche Ishakian，Azer Bestavros.AngelCast：Cloud－based peer－assisted live streaming using optimized multi－tree construction ［C］／／Proceedings of the 3rd Multimedia Systems Conference，2011：15－22.

［10］Sahoo J，Mohapatra S，Lath R.Virtualization：A survey on concepts，taxonomy and associated security issues［C］／／2nd International Conference on Computer and Network Technology，2010：222－226.

［11］Samee Ullah Khan，Anthony A.Maciejewski and howard jay siegel robust CDN replica placement techniques ［C］／／23rd IEEE International Symposium on Parallel and Distributed Processing，2009：1－8.

［12］Rao Lei，Liu Xue，Xie Le，et al.Minimizing electricity cost：Optimization of distributed internet data centers in a multi－electricity－market environment ［C］／／Proceedings IEEE INFOCOM，2010：15－19.