[发明专利]可伸缩视频流多速率组播通信的最优速率分配方法

权利要求书

1.一种可伸缩视频流多速率组播通信的最优速率分配方法，其特征在于采用下述步骤实现异构网络环境中用户效用的最大化：第一，将多速率多径路由、中继节点的网络编码和网络化流量控制进行联合优化；第二，在选择最佳组播传输路径和分配各层次视频流传输速率时，兼顾视频编码层的码流优先级问题，不仅为每个视频编码层寻求代价最小的传输网络，也同时满足可伸缩视频编码层间依赖性的需求；第三，采用完全分布式的速率分配算法，即采用拉格朗日对偶方法将原始凸优化问题分解为高阶和低阶两个子优化问题，既实现资源的最优分配，又便于分布式求解；所述第一步骤中的联合优化是：每个接收节点在编码网络中接收各层次视频流时，同时选用多条路由路径；基于这些路径，将网络编码运用在不同接收节点的交叉路径上，进一步提高网络的吞吐量；所述第二步骤中的兼顾视频编码层的码流优先级问题是：在选择路由和进行流量分配时，使最低层的传输代价最小，同时保证从低层到高层的传输代价依次递增，以满足接收端的解码要求；所述第三步骤中的完全分布式速率分配算法是：利用拉格朗日释限和对偶方法，将原始凸优化问题分解为高阶和低阶两个子优化问题，允许每个网络节点和每条链路利用本地局部信息进行速率的动态调整和更新，以分布式方式实现链路传输速率的全局最优化分配；以所有用户整体效用最大化为目标函数，兼顾可伸缩视频流解码的层间依赖关系，以信息流平衡条件、链路容量限制、网络编码条件为约束函数，建立多速率组播通信的资源分配凸优化数学模型；具体方法如下：

(1)网络模型的建立：将网络抽象为有向图G(V，E)，其中V是节点的集合，分为源节点集合S、中间节点集合N和接收节点集合R，E是节点之间链路的集合；对于每条链路e∈E都对应有限的传输带宽C_e；假定可伸缩视频流在源节点编码为M层{l₁，l₂，...l_M}，第m层数据以速率B_m通过组播组m向|R_m|个接收点分发；假设从源节点到每个接收节点r都有多条传输路径P(r)，表示接收节点r在接收第m层数据时，第j条路径上分配的流量大小；f_m，e表示第m层数据流在链路e上占有的带宽；矩阵Z^r表示链路和接收节点r的传输路径之间的关系，其中Z^r的元素表示链路e包含于接收节点r的第j条传输路径中；采用普遍运用的代价函数ρ(·)，定义为

(2)建立凸优化数学模型

目标问题P1：maximizeΣr∈RΣm∈MUm(Σj∈P(r)xm,jr)]]>

约束条件：

1)Σj∈P(r)zj,er·xm,jr≤fm,e,∀e∈E,∀m∈M,∀r∈R;]]>

2)Σm∈Mfm,e≤Ce,∀e∈E;]]>

3)Σj∈P(r)ρ(xm,jr)≤Σj∈P(r)ρ(xm+1,jr),∀m=1,...,M-1,∀r∈R;]]>

4)bm≤Σj∈P(r)xm,jr≤Bm,∀m∈M;∀r∈R;]]>

5)xm,jr≥0,∀j∈P(r);∀m∈M,∀r∈R.]]>

优化目标：使异构网络环境中的用户效用总和最大化；

约束条件：

1)规定每条链路上的实际带宽消耗量为所有接收节点在该链路上消耗带宽的最大值；该条件表示在链路上采用网络编码的限制条件，实现不同节点在同一链路上的资源共享；

2)对应于链路上带宽的限制条件；

3)确保各层次视频流的传输代价从低层到高层依次递增；

4)对应于各个接收节点在每条路径上的流量限制条件；

5)规定各个接收节点在每条路径上的流量必须大于零；

(3)将原始凸优化问题分解为以下低阶和高阶两个子优化问题：

目标问题P2a：maximizeX∈CΣr∈RΣm∈MUm(Σj∈Pxm,jr)]]>

约束条件：

1)Σj∈P(r)zj,er·xm,jr≤fm,e,∀e∈E,∀m∈M,∀r∈R;]]>

2)Σj∈P(r)ρ(xm,jr)≤Σj∈P(r)ρ(xm+1,jr),∀m=1,...,M-1,∀r∈R.]]>

目标问题P2b：maximizef≥0U^m(f)]]>

约束条件：Σm=Mfm,e≤Ce,∀e∈E.]]>

(4)两个子优化问题的分布式求解算法：

①低阶子优化问题——目标问题P2a的求解步骤如下：

步骤1：定义拉格朗日对偶：

L(X,p,q)=Σr∈RΣm∈MUm(Σj∈P(r)xm,jr)]]>

-Σr∈RΣm∈MΣe∈Epm,er(Σj∈P(r)zj,er·xm,jr-fm,e)-Σr∈RΣm=1M-1qmr[Σj∈P(r)ρ(xm,jr)-Σj∈P(r)ρ(xm+1,jr)]]]>

其中，和是拉格朗日乘子；

步骤2：定义拉格朗日对偶函数：g(p,q)=supxL(X,p,q);]]>

步骤3：定义对偶问题：minimizep≥0,q≥0g(p,q);]]>

步骤4：采用原始-对偶算法，同时更新原始变量和对偶变量，逐步逼近最优点，其中α(t)、β(t)和γ(t)是正的步长值，[·]⁺表示取正值的运算；

xm,jr(t+1)=[xm,jr(t)+x·m,jr]+=[xm,jr(t)+α(t)∂L(X,p,q)∂xm,jr(xm,jr(t))]+]]>

pm,er(t+1)=[pm,er(t)+p·m,er]+=[pm,er(t)-β(t)∂L(X,p,q)∂pm,er(pm,er(t))]+]]>

qmr(t+1)=[qmr(t)+q·mr]+=[qmr(t)-γ(t)∂L(X,p,q)∂qmr(qmr(t))]+]]>

其中，流量分配大小X以及拉格朗日乘子p和q的偏导数为：

p·m,er=β(pm,er)[Σj∈P(r)zj,er·xm,jr-fm,s]]]>

②高阶子优化问题——目标问题P2b的求解过程

定义为满足目标问题P2a中约束条件的最优化拉格朗日乘子，定义f_e＝[f_1，e，…，f_M，e]、f＝[f₁，…，f_E]^T以及

Fe={fe|fm,e≥0forallmandΣm∈Mfm,e≤Ce},e∈E,]]>

F表示F_e(e∈E)的笛卡尔乘积，于是目标问题P2b可由以下的次梯度方法进行求解：

fm,e(t′+1)=[fm,e(t′)+μ(t′)·p^m,e(fm,e(t′))]F.]]>