0 引言

    隨著互聯(lián)技術(shù)的發(fā)展，各類創(chuàng)新型應(yīng)用如雨后春筍般涌現(xiàn)，以文件傳輸、視頻會議等為代表業(yè)務(wù)顯著提高了企業(yè)工作效率，網(wǎng)絡(luò)視頻直播、網(wǎng)上購物等熱點業(yè)務(wù)使人們的生活變得豐富、便捷^[1]。由于智能終端的不斷普及，互聯(lián)網(wǎng)已成為現(xiàn)代人來獲取信息和信息分享的重要途徑，Web及流媒體業(yè)務(wù)用量爆炸式增長，網(wǎng)絡(luò)中服務(wù)器的負荷加重問題和網(wǎng)絡(luò)流量擁塞問題日益嚴峻。

    大規(guī)模的用戶請求導(dǎo)致服務(wù)器負荷加重，成為網(wǎng)絡(luò)故障中的重要隱患，更有甚者它將會使服務(wù)器宕機，產(chǎn)生拒絕服務(wù)現(xiàn)象，嚴重影響用戶體驗質(zhì)量。此外，大規(guī)模請求會造成網(wǎng)絡(luò)擁塞，顯著增加用戶側(cè)內(nèi)容的獲取時延， 嚴重網(wǎng)絡(luò)擁塞將引發(fā)數(shù)據(jù)包的大量丟失，導(dǎo)致用戶訪問失敗。為了解決上述問題，研究者們提出了內(nèi)容分發(fā)網(wǎng)絡(luò)(Content Deliver Network，CDN)。如圖1所示，CDN是由分布在網(wǎng)絡(luò)邊緣節(jié)點服務(wù)器構(gòu)成的一層智能虛擬網(wǎng)，主要原理是將內(nèi)容副本緩存到靠近用戶端的節(jié)點服務(wù)器上，并根據(jù)實時網(wǎng)絡(luò)情況把原始服務(wù)器的用戶請求重定向至距離用戶就近狀態(tài)最佳的節(jié)點服務(wù)器，使用戶可以就近獲取所需內(nèi)容，從而有效地緩解由大量遠程訪問引起的骨干網(wǎng)流量擁塞^[2]。

    在CDN中，緩存技術(shù)^[3]是保證用戶請求加速的一項關(guān)鍵技術(shù)，但就CDN本身而言，節(jié)點處的內(nèi)容緩存主要由用戶驅(qū)動，即當有用戶請求內(nèi)容時，節(jié)點服務(wù)器里沒有該內(nèi)容，節(jié)點服務(wù)器向內(nèi)容源服務(wù)器獲取該請求內(nèi)容，在發(fā)給用戶的同時，將該內(nèi)容保存在節(jié)點服務(wù)器中，為未來相同的請求提供服務(wù)。本質(zhì)上，該技術(shù)所采用的是一種被動緩存方式。在網(wǎng)絡(luò)終端不斷普及的趨勢下，這種被動式內(nèi)容存儲將無法滿足互聯(lián)網(wǎng)流量爆炸式增長的需求，典型地引發(fā)下述問題：(1)緩存具有滯后性，即服務(wù)器節(jié)點無法預(yù)測內(nèi)容的流行趨勢，內(nèi)容緩存滯后于潛在的用戶需求；(2)節(jié)點處緩存空間利用率低，尤其是在節(jié)點服務(wù)器處用戶請求較少的情況下，由用戶驅(qū)動的被動緩存將使服務(wù)器節(jié)點僅緩存有限的請求內(nèi)容，致使節(jié)點處存在大量閑置緩存空間。為提升節(jié)點服務(wù)器上的緩存空間利用率以及提供更好的服務(wù)質(zhì)量，眾多研究者提出在CDN節(jié)點處引入預(yù)取技術(shù)^[4]。CDN預(yù)取技術(shù)是對其緩存的補充，核心思想是由節(jié)點服務(wù)器預(yù)先主動從內(nèi)容源服務(wù)器處獲取部分內(nèi)容，以期加速用戶對于內(nèi)容的獲取。預(yù)取技術(shù)的引入，使得服務(wù)器節(jié)點可以先驗地緩存部分內(nèi)容，解決了因無法預(yù)測網(wǎng)絡(luò)中內(nèi)容流行趨勢所導(dǎo)致的緩存滯后的問題；此外，通過引入預(yù)取技術(shù)，服務(wù)器節(jié)點可以預(yù)取部分流行度較高的內(nèi)容，避免節(jié)點處大量緩存空間閑置，使有限的網(wǎng)絡(luò)資源得到合理的利用。預(yù)取技術(shù)作為內(nèi)容分發(fā)中的關(guān)鍵技術(shù)在國內(nèi)外受到廣泛關(guān)注，眾多學(xué)者圍繞內(nèi)容流行度及用戶需求等對預(yù)取進行了大量研究。

1 CDN預(yù)取分類

    根據(jù)預(yù)取時關(guān)注的對象不同，將CDN預(yù)取分為面向內(nèi)容的預(yù)取和面向用戶的預(yù)取。面向內(nèi)容的預(yù)取依據(jù)網(wǎng)絡(luò)中內(nèi)容請求數(shù)量變化來進行預(yù)取，稱之為基于流行度的預(yù)取。面向用戶的預(yù)取進一步劃分為三類預(yù)取方式：第一類主要通過對用戶興趣進行分析來決定預(yù)取的內(nèi)容，稱之為基于用戶偏好的預(yù)?。坏诙惛鶕?jù)用戶之間的社交關(guān)系來預(yù)測內(nèi)容的傳播趨勢，并據(jù)此進行內(nèi)容預(yù)取，將其定義為基于社交網(wǎng)絡(luò)的預(yù)??；第三類旨在通過研究用戶移動性對節(jié)點服務(wù)器上緩存內(nèi)容流行度的影響來動態(tài)調(diào)整內(nèi)容預(yù)取策略，稱之為基于移動性的預(yù)取。

1.1 基于流行度的預(yù)取

    大量統(tǒng)計表明：內(nèi)容的訪問流行度分布符合zipf定律^[5]，即僅有近20％的內(nèi)容對象被超過80％的用戶訪問，這一現(xiàn)象反映了在網(wǎng)絡(luò)中不同內(nèi)容被用戶的訪問分布情況。流行度被定義為統(tǒng)計時間段中內(nèi)容對象被訪問的次數(shù)或概率來表示，在研究中，基于流行度的預(yù)取利用上述現(xiàn)象對流行度較高的內(nèi)容進行預(yù)取^[6]。在CDN中，一方面，不允許存儲新內(nèi)容時，根據(jù)流行度來確定所需要刪除的內(nèi)容； 另一方面，根據(jù)流行度來選擇所要預(yù)取的具體內(nèi)容。基于流行度的預(yù)取是CDN中一種主流的內(nèi)容預(yù)取技術(shù)，其關(guān)鍵在于內(nèi)容流行度的確定，目前常采用統(tǒng)計學(xué)、控制理論的預(yù)測方法，有指數(shù)平滑預(yù)測、多項式回歸預(yù)測及Savitzky-Golay濾波預(yù)測三種。

1.1.1 指數(shù)平滑預(yù)測

    指數(shù)平滑預(yù)測是指采用指數(shù)平滑法（Exponential Smoothing，ES）對內(nèi)容流行度進行預(yù)測，由于每個內(nèi)容在其生命周期的早期和后期的流行度存在很強的相關(guān)性，指數(shù)平滑法已被廣泛地應(yīng)用于預(yù)測內(nèi)容未來的請求數(shù)量^[7]。指數(shù)平滑法是在移動平均法^[8]基礎(chǔ)上發(fā)展起來的一種時間序列分析預(yù)測法，既可以同全期平均法一樣無遺漏地對歷史數(shù)據(jù)加以利用，又可以同加權(quán)移動平均法一樣為近期數(shù)據(jù)賦予更大權(quán)重的熱點。指數(shù)平滑法兼容了全期平均和移動平均的優(yōu)點，在不舍棄歷史數(shù)據(jù)的情況下，僅給予逐漸減弱的影響程度，即隨著數(shù)據(jù)的遠離，賦予逐漸收斂為零的權(quán)數(shù)；并且指數(shù)平滑法對不同時間訪問量賦予的權(quán)值具有伸縮性，可以通過賦予不同平滑指數(shù)來更改權(quán)值的變化速度。

    文獻[9]提出一次指數(shù)平滑(Single Exponential Smoothing，SES)和二次指數(shù)平滑(Second Exponential Smoothing，DES)來預(yù)測各個階段的內(nèi)容流行度，作者從YouTube以天為觀察單位提取每個內(nèi)容流行度從上傳到觀測時間結(jié)束的真實軌跡，在每個觀測單位分別采用SES和DES來根據(jù)觀測時間前的流行度從而預(yù)測當前時間的流行度。

    指數(shù)平滑預(yù)測法的優(yōu)點是僅需少量數(shù)據(jù)資料，便可預(yù)測出短期的內(nèi)容流行度值。但由于指數(shù)平滑法對近期數(shù)據(jù)所賦予的權(quán)重高，而對遠期數(shù)據(jù)的參考性弱，無法對遠期流行度進行預(yù)測，只能做短期的預(yù)測。

1.1.2 多項式回歸預(yù)測

    在實際工作中，人們經(jīng)常采用多項式回歸模型來解釋自變量與因變量的相關(guān)關(guān)系^[10]。多項式回歸預(yù)測通過多項式回歸法擬合內(nèi)容流行度隨時間變化的曲線，得到因變量內(nèi)容流行度與自變量時間的變化函數(shù)，這一模型可以表示為，流行度等于時間的各次項與對應(yīng)回歸系數(shù)的乘積之和。在擬合過程中，主要是通過增加時間變量的高次項推導(dǎo)出逼近真實的時間函數(shù)，推導(dǎo)時主要是找到各次項的合適系數(shù)。

    文獻[11]研究提出屬于同一類別的內(nèi)容具有相同的流行度隨時間變化的曲線相似，多項式回歸預(yù)測可以得到某一類內(nèi)容流行度隨時間變化的規(guī)律，因此該規(guī)律可以用于該類內(nèi)容流行度的長期和短期預(yù)測。

1.1.3 Savitzky-Golay濾波預(yù)測

    Savitzky-Golay濾波預(yù)測通過Savitzky-Golay濾波器平滑觀測流行度隨時間的變化曲線，以便最好地保留流行度采樣曲線的特征。文獻[12]利用Savitzky-Golay濾波預(yù)測得到流行度時間模型，可表示為圍繞時間觀測窗口中心k的n次多項式，該模型能夠使得預(yù)測值和實際值的累積平方誤差值最小。

1.2 基于用戶偏好的預(yù)取

    前面基于流行度的預(yù)取技術(shù)是利用流行度變化反映內(nèi)容的訪問趨勢，這種趨勢相對于個體用戶偏好而言存在明顯的差異，造成邊緣節(jié)點預(yù)取的部分內(nèi)容被閑置。為了解決上述問題，有學(xué)者提出了基于用戶偏好的預(yù)取，并且相關(guān)研究統(tǒng)計證明了用戶偏好在一定時間內(nèi)是保持穩(wěn)定的，這一特性為基于用戶偏好的預(yù)取的可行性提供了有力的保證。

    在對從未訪問過的新內(nèi)容做預(yù)取時，基于流行度的預(yù)取由于缺乏歷史數(shù)據(jù)作為分析基礎(chǔ)，無法做出正確的預(yù)測，但基于用戶偏好預(yù)取則可以根據(jù)用戶興趣內(nèi)容標簽集合并結(jié)合用戶請求預(yù)判用戶偏好，指導(dǎo)預(yù)取的執(zhí)行。基于用戶偏好的預(yù)取一般分為兩個階段，第一個階段是獲取用戶偏好；第二個階段是根據(jù)用戶偏好制定預(yù)取策略。

    文獻[13]采用文檔主題生成模型（Latent Dirichlet Allocation，LDA）^[14]獲取內(nèi)容的潛在主題，并用對稱Jensen-Shannon散度^[15]衡量內(nèi)容主題與用戶興趣主題之間的相似性，節(jié)點將預(yù)取相似性較高的內(nèi)容以供用戶未來請求。

    文獻[16]通過預(yù)測函數(shù)對用戶為評分內(nèi)容進行預(yù)測，將評分較高的一部分內(nèi)容預(yù)取到邊緣節(jié)點。在該文獻中，作者首先將用戶偏好向量定義為用戶對不同內(nèi)容屬性的偏好度，偏好度表示用戶訪問的全部內(nèi)容屬性疊加后該屬性所占的權(quán)重；然后通過余弦相似性得到群體用戶的偏好相似度；最后根據(jù)用戶評分相似性和偏好相似性帶入對內(nèi)容評分預(yù)測函數(shù)中得到內(nèi)容的評分，并預(yù)取評分較高的內(nèi)容。

1.3 基于社交網(wǎng)絡(luò)的預(yù)取

    據(jù)統(tǒng)計，網(wǎng)絡(luò)中大量HTTP流量來自于在線社交網(wǎng)絡(luò)（Online Social Network，OSN）中的帶寬密集型媒體內(nèi)容^[17]。在線社交網(wǎng)絡(luò)可以捕捉朋友之間的聯(lián)系，且許多在線社交網(wǎng)絡(luò)上可以獲取用戶的地理位置，這為基于社交網(wǎng)絡(luò)的預(yù)取提供了實施條件。媒體提供商通常依靠CDN將其內(nèi)容從內(nèi)容源服務(wù)器分發(fā)到多個位置，基于社交關(guān)系的預(yù)取利用OSN上人們的社交關(guān)系了解內(nèi)容地理傳播方式，從而改善CDN用戶訪問體驗。

    社交預(yù)取主要利用社交網(wǎng)絡(luò)中的朋友關(guān)系信息、用戶的交互行為，如提到、轉(zhuǎn)發(fā)、評論等，來分析社交網(wǎng)絡(luò)的朋友關(guān)系。通過引入朋友關(guān)系強弱程度的預(yù)取模型，主動將某用戶訪問內(nèi)容分發(fā)給可能訪問該內(nèi)容的朋友附近的CDN節(jié)點，使其朋友下載內(nèi)容時減少延遲。

    SASTRY N^[18]等人構(gòu)建了Buzztraq模型，該模型根據(jù)用戶的朋友數(shù)量和朋友的位置信息，將用戶發(fā)布的內(nèi)容副本放置在更靠近較多用戶朋友的位置，以滿足未來請求。但該模型僅僅強調(diào)了捕捉潛在的下一個內(nèi)容訪問地址，并沒有考慮服務(wù)器帶寬和存儲等復(fù)雜約束。

    KILANIOTI I^[17]提出了利用OSN提取用戶活動的動態(tài)預(yù)取策略，并且考慮到網(wǎng)絡(luò)拓撲、服務(wù)器位置以及緩存容量的限制的情況，實驗證明了結(jié)合OSN的預(yù)取模型能夠改善CDN的性能。 

1.4 基于用戶移動性的預(yù)取

    CDN中大多數(shù)預(yù)取方案針對的是固定網(wǎng)絡(luò)，而據(jù)Cisco公司統(tǒng)計，在2016年，全球移動數(shù)據(jù)流量較2015年增長了63%，其中移動視頻流量占移動數(shù)據(jù)流量總量的60%，并且移動數(shù)據(jù)流量和移動視頻流量在未來幾年內(nèi)還將呈現(xiàn)持續(xù)增長趨勢^[19]。同樣，CDN網(wǎng)絡(luò)也將面臨著大量移動用戶接入的問題，文獻[22]通過測量發(fā)現(xiàn)移動用戶的緩存命中率遠低于LRU緩存策略下的靜態(tài)用戶的緩存命中率。因此用戶移動性是CDN緩存和預(yù)取策略的重要因素。

    由于個人的移動性存在一定的隨機性，CDN節(jié)點下可以分為不同的用戶群體，不同群體與CDN節(jié)點存在不同的關(guān)聯(lián)程度，因此可以通過構(gòu)建群體移動模型來優(yōu)化CDN預(yù)取。文獻[20]引入了PageRank的人群移動性內(nèi)容傳播（Crowd Mobility-based Content Propagation，CMCP）解決方案，通過關(guān)注不同用戶群體移動用戶的比例，預(yù)測未來的內(nèi)容需求分配。

1.5 預(yù)取方法的比較

    以上根據(jù)預(yù)取時關(guān)注的對象不同，介紹了現(xiàn)有的預(yù)取方式，包括基于流行度的預(yù)取、基于用戶偏好的預(yù)取、基于社交網(wǎng)絡(luò)的預(yù)取和基于用戶移動性的預(yù)取，表1給出了幾種預(yù)取方式的對比。

    基于流行度的預(yù)取僅根據(jù)內(nèi)容流行的趨勢，一般采用統(tǒng)計學(xué)方法，實現(xiàn)相對簡單。它不依賴于用戶的特性，可以作為服務(wù)器端宏觀地控制邊緣節(jié)點預(yù)取。早期的IPTV也是采用該預(yù)取方式，將部分流行度高的內(nèi)容預(yù)取到邊緣節(jié)點上，從而提高用戶的訪問質(zhì)量。但是基于流行度的預(yù)取技術(shù)缺乏對用戶訪問特性的研究，而且不同的用戶群體之間也存在著明顯的差異，比如在大學(xué)里學(xué)生一般大量地訪問科技文獻和技術(shù)視頻，而小區(qū)家庭中一般傾向于少兒視頻、體育賽事等一系列偏向于娛樂的業(yè)務(wù)需求。并且隨著P2P與CDN的結(jié)合，邊緣CDN節(jié)點越來越向用戶端靠近，節(jié)點附近用戶偏好對邊緣節(jié)點的緩存影響也愈加顯著，因此解決用戶訪問內(nèi)容差異性問題成為了提高預(yù)取質(zhì)量的重要所在?；谟脩羝玫念A(yù)取根據(jù)用戶的歷史訪問記錄構(gòu)建用戶畫像，提取用戶群體共同的內(nèi)容偏好，預(yù)取時根據(jù)用戶偏好對當前流行的內(nèi)容和最新發(fā)布的內(nèi)容進行預(yù)取。它給用戶訪問提供更精確服務(wù)的同時，采用數(shù)據(jù)挖掘方法又給節(jié)點帶來了大量的運算開銷。由于內(nèi)容的傳播很多的是由用戶之間的推薦，并且大量的內(nèi)容也在社交網(wǎng)絡(luò)上發(fā)布?；谏缃痪W(wǎng)絡(luò)的預(yù)取，通過用戶之間的社交關(guān)系，也可以提高用戶的訪問質(zhì)量?；谟脩粢苿有缘念A(yù)取主要應(yīng)用于移動互聯(lián)網(wǎng)中的內(nèi)容預(yù)取，增加了用戶對移動性對邊緣節(jié)點內(nèi)容需求的影響因素，以提高節(jié)點的服務(wù)質(zhì)量。

2 評價標準

    為了對不同預(yù)取技術(shù)進行公平對比，學(xué)術(shù)界通常采用命中率^[21]、準確率^[22]、帶寬成本^[23]以及平均響應(yīng)時延^[24]評估預(yù)取技術(shù)對CDN系統(tǒng)性能的改善效果。

2.1 命中率

    CDN系統(tǒng)中希望將用戶請求重新定向到離用戶最近的邊緣服務(wù)器上，以提高用戶訪問速度。在實際中，如果當服務(wù)器節(jié)點預(yù)先存儲有用戶請求內(nèi)容時稱之為命中；如果沒有事先緩存稱為未命中。命中率(Hit Rate，HR)體現(xiàn)了預(yù)取和緩存對用戶訪問加速的貢獻，定義為：

其中SR表示命中的請求數(shù)，NR表示沒有命中的請求數(shù)。

2.2 準確率

    命中率要求預(yù)取應(yīng)該在用戶訪問之前緩存內(nèi)容增加用戶的體驗質(zhì)量，但是如果用戶并沒有訪問，則預(yù)取會浪費網(wǎng)絡(luò)資源和服務(wù)器存儲資源。當預(yù)取規(guī)則沒有準確地獲取用戶需求時，節(jié)點服務(wù)器會從源服務(wù)器下載必要的內(nèi)容，導(dǎo)致服務(wù)器緩存資源浪費、帶寬成本增加。準確率可以間接表示預(yù)取規(guī)則的有效性，定義為：

其中TP表示用戶訪問的預(yù)取內(nèi)容數(shù)量，F(xiàn)P表示用戶沒有訪問的預(yù)取內(nèi)容數(shù)量。

2.3 帶寬成本

    由于用戶訪問類型的多樣性，為了提高命中率則需要頻繁地進行預(yù)取操作，會造成邊緣節(jié)點和內(nèi)容服務(wù)器之間產(chǎn)生大量額外的帶寬消耗和節(jié)點服務(wù)器過于頻繁的緩存、刪除操作，從而降低用戶的體驗質(zhì)量。通常用帶寬成本作為預(yù)取觸發(fā)的約束條件，帶寬成本可定義為：

其中，P_band表示包含有預(yù)取策略的CDN系統(tǒng)下滿足用戶需求所需的總帶寬，R_band表示沒有預(yù)取策略的原CDN系統(tǒng)下用戶請求所需的總帶寬。

2.4 平均響應(yīng)時間

    CDN的主要目標是提高用戶訪問速度，平均響應(yīng)時間的變化直接地反映了預(yù)取策略對CDN的優(yōu)化程度，現(xiàn)實中預(yù)取往往在減少平均響應(yīng)時間和帶寬成本之間進行權(quán)衡。平均響應(yīng)時間是CDN系統(tǒng)性能和用戶體驗質(zhì)量的重要指標，定義為：

其中，M是用戶請求的總數(shù)量，ti代表第i個請求開始時到連接結(jié)束時間。

3 未來研究方向

    CDN預(yù)取技術(shù)是提升用戶體驗的有效方式，但CDN網(wǎng)絡(luò)本身仍有一些不足，信息時代的來臨和市場需求都迫切需要將CDN與新型技術(shù)進行融合，主要有軟件定義網(wǎng)絡(luò)（Software Define Network，SDN）^[25]、網(wǎng)絡(luò)功能虛擬化（Network Function Virtualization，NFV）^[26]技術(shù)以及深度學(xué)習(xí)技術(shù)，使其實現(xiàn)邊緣智能和自適應(yīng)組網(wǎng)等功能。未來對CDN預(yù)取技術(shù)研究將更加關(guān)注于CDN網(wǎng)絡(luò)與新技術(shù)融合帶來的挑戰(zhàn)。

3.1 SDN/NFV技術(shù)與CDN網(wǎng)絡(luò)融合

    目前，大多數(shù)的CDN網(wǎng)絡(luò)是由各大廠家研制開發(fā)的專用型設(shè)備組成的，對多樣性的業(yè)務(wù)支持的能力不足，且自建網(wǎng)絡(luò)方式產(chǎn)生了資源獨占的現(xiàn)象，阻礙著CDN行業(yè)的快速發(fā)展。融合SDN/NFV技術(shù)到CDN網(wǎng)絡(luò)，利用NFV的軟硬件解耦和功能抽象特點，以及利用SDN的設(shè)備控制與數(shù)據(jù)分離的特征，可以加強CDN的多業(yè)務(wù)智能化服務(wù)能力^[27]。

    在這種契機下，由差異化業(yè)務(wù)給CDN中內(nèi)容預(yù)取帶來的挑戰(zhàn)：不同業(yè)務(wù)對應(yīng)內(nèi)容的格式、類型以及大小不盡相同；針對不同業(yè)務(wù)下相同類型的內(nèi)容的用戶需求也有所不同；不同業(yè)務(wù)的用戶訪問場景也存在差異。如何針對差異化業(yè)務(wù)預(yù)取合理的內(nèi)容，滿足不同業(yè)務(wù)下用戶的需求，實現(xiàn)CDN預(yù)取的靈活性，是下一步CDN預(yù)取技術(shù)的關(guān)鍵所在。

3.2 深度學(xué)習(xí)與CDN網(wǎng)絡(luò)融合

    目前視頻提供商依賴于地理上分布的CDN網(wǎng)絡(luò)，將視頻內(nèi)容盡可能靠近用戶放置，以提高視頻質(zhì)量并避免服務(wù)器端的單點故障。視頻流量爆炸式增長嚴重增加了CDN網(wǎng)絡(luò)的負擔(dān)，準確分析視頻的特征并預(yù)取用戶需求的視頻內(nèi)容，是減輕網(wǎng)絡(luò)負擔(dān)的重要途徑。相對于自然語言的分析，對視頻數(shù)據(jù)的分析更為困難。深度神經(jīng)網(wǎng)絡(luò)通過分層學(xué)習(xí)過程，能夠有效地提取輸入數(shù)據(jù)的高維度特征，顯著提升計算機視覺、自然語言處理以及語音識別的精確度^[28]。

    深度神經(jīng)網(wǎng)絡(luò)給CDN中視頻預(yù)取帶來新的契機，例如卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)^[29]能夠仿造生物的視知覺(Visual Perception)^[30]機制，可以應(yīng)用于預(yù)取機制中的視頻分類和用戶偏好挖掘。此外，遞歸神經(jīng)網(wǎng)絡(luò)(Recursive Neural Network，RNN)^[31]能夠?qū)r間順序的自然語言、語音識別等數(shù)據(jù)的變化進行建模，可用于預(yù)取時預(yù)測用戶需求。深度學(xué)習(xí)可以為CDN預(yù)取中內(nèi)容分類方法、用戶興趣挖掘等提供了更優(yōu)的解決方法，隨著流媒體內(nèi)容的發(fā)展，對視頻、音樂的預(yù)取將更加依賴于深度學(xué)習(xí)。

4 結(jié)論

    本文以預(yù)取關(guān)注對象為基礎(chǔ)，對近年來CDN預(yù)取技術(shù)進行綜述，總結(jié)歸納出基于流行度的預(yù)取、基于用戶偏好的預(yù)取、基于社交網(wǎng)絡(luò)的預(yù)取以及基于用戶移動性的預(yù)取這四類預(yù)取方式?；诹餍卸鹊念A(yù)取關(guān)注了網(wǎng)絡(luò)中普遍的內(nèi)容流行情況，本質(zhì)上反映出內(nèi)容的請求趨勢，它是當前一種主流的預(yù)取方式?；谟脩羝玫念A(yù)取通過挖掘群體用戶的偏好，使預(yù)取技術(shù)更加適應(yīng)于用戶的個性化需求，進一步提高了邊緣節(jié)點中緩存內(nèi)容的準確率?；谏缃痪W(wǎng)絡(luò)的預(yù)取根據(jù)用戶之間的聯(lián)系構(gòu)建內(nèi)容傳播的模型，預(yù)測用戶訪問內(nèi)容傳播位置，提高邊緣節(jié)點的緩存命中率?；谟脩粢苿有缘念A(yù)取根據(jù)用戶的移動性對節(jié)點內(nèi)容需求的影響，動態(tài)地調(diào)整內(nèi)容預(yù)取，提高了移動場景下節(jié)點服務(wù)器的緩存命中率。預(yù)取機制的主要目的是為了提高CDN網(wǎng)絡(luò)的緩存命中率和準確率，但是也會帶來一定的網(wǎng)絡(luò)資源消耗，因此可以大規(guī)模實施的預(yù)取技術(shù)需要控制預(yù)取的帶寬成本。CDN網(wǎng)絡(luò)與新技術(shù)融合發(fā)展是滿足信息時代需求的必然走向，本文分析了新型技術(shù)融合下預(yù)取技術(shù)面臨的挑戰(zhàn)，并給出了可能的研究方向。

參考文獻

[1] “互聯(lián)網(wǎng)+”時代企業(yè)辦公自動化研究[J].信息技術(shù)與標準化，2015(8):66-69.

[2] 尹芹，華新海.基于融合CDN構(gòu)建未來智能內(nèi)容管道[J].電信科學(xué)，2015，31(4)：33-37.

[3] HWANG K，SUH D Y.Reducing perceptible IPTV zapping delay using CDN cache server[C].2013 International Conference on ICT Convergence(ICTC)，2013：738-739.

[4] PARMAR J，VERMA J.State-of-artsurvey of various web prefetching techniques[C].International Conference on Inventive Computation Technologies.IEEE，2016：1-7.

[5] 王道誼，周文安，劉元安.內(nèi)容分發(fā)網(wǎng)絡(luò)中內(nèi)容流行度集中性的研究[J].計算機工程與應(yīng)用，2011，47(6)：102-104.

[6] 聶華，張敏，郭敬榮，等.基于內(nèi)容流行度差異性的CDN-P2P融合分發(fā)網(wǎng)絡(luò)緩存替換機制研究[J].通信學(xué)報，2015，36(s1)：9-15.

[7] SZABO G，HUBERMAN B A.Predicting the popularity of online content[J].Communications of the ACM，2010，53(8)：80-88.

[8] 李琦，陳玉新.移動平均法的滯后問題[J].統(tǒng)計與決策，2008(22)：152-153.

[9] HASSINE N B，MARINCA D，MINET P，et al.Caching strategies based on popularity prediction in content delivery networks[C].2016 IEEE 12th International Conference on Wireless and Mobile Computing，Networking and Communi-cations(WiMob)，New York，2016：1-8.

[10] 付凌暉，王惠文.多項式回歸的建模方法比較研究[J].數(shù)理統(tǒng)計與管理，2004，23(1)：48-52.

[11] HASSINE N B，MARINCA D，MINET P，et al.Popularity prediction in content delivery networks[C].2015 IEEE 26th Annual International Symposium on Personal，Indoor, and Mobile Radio Communications(PIMRC)，Hong Kong，2015：2083-2088.

[12] HASSINE N B，MARINCA D，MINET P，et al.Expert-based on-line learning and prediction in content delivery networks[C].2016 International Wireless Communications and Mobile Computing Conference(IWCMC)，Paphos，2016：182-187.

[13] Hu Wen，Huang Jiahui，Wang Zhi，et al.MUSA：Wi-Fi AP-assisted video prefetching via Tensor Learning[C].2017 IEEE/ACM 25th International Symposium on Quality of Service(IWQoS)，Vilanova i la Geltru，2017：1-6.

[14] BLEI D M，NG A Y，JORDAN M I.Latent Dirichlet Allocation[J].Journal of Machine Learning Research，2003(3)：993-1022.

[15] LIN J，LIN J H.Divergence measures based on the Shannon entropy[J].IEEE Transactions on Inform Theory，1991，37(1)：145-151.

[16] 田瑞云.基于Hadoop的CDN-P2P系統(tǒng)中內(nèi)容預(yù)測機制研究與實現(xiàn)[D].北京：北京郵電大學(xué)，2013.

[17] KILANIOTI I.Improving multimedia content delivery via augmentation with social information: the social prefetcher approach[J].IEEE Transactions on Multimedia，2015，17(9)：1460-1470.

[18] SASTRY N，YONEKI E，CROWCROFT J.Buzztraq:predicting geographical access patterns of social cascades using social networks[C].Proceedings of the Second ACM Euvosys Workshop on Social Network Systems，2009：39-45.

[19] 唐紅，韓健，段潔，等.基于內(nèi)容流行度的移動CCN緩存策略研究[J].重慶郵電大學(xué)學(xué)報(自然科學(xué)版)，2018，30(1)：119-126.

文獻[20]-[31]略

作者信息:

王舒平，張  毅，韋文聞，楊  碩，何  皇

（重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶400065）