基于社交推荐和推拉策略的渐进DVE预下载方法及系统技术方案

本发明专利技术涉及一种基于社交推荐和推拉策略的渐进DVE预下载方法及系统。包括：基于泰森多边形图对化身的当前潜在可视场景集进行判断，对化身当前兴趣区域的场景数据进行拉取下载；基于社交推荐对化身的未来潜在可视场景集进行预测，通过拉‑推混合预下载机制对化身未来兴趣区域内及外围的场景数据进行预下载，并将相应的场景数据分发至对应的化身。本发明专利技术首次将社交概念引入到了场景预下载机制中，量化了节点化身兴趣，给出了化身相似度计算算法和预推荐场景的预测算法；基于节点场景拾取区域的特征，提出了针对不同区域的Pull‑Push策略，充分利用了对等网络中节点的协作特性，减少了数据传输延迟，从整体上提升了DVE的数据传输效率。

Progressive DVE pre download method and system based on social recommendation and push and pull strategy

The invention relates to a progressive DVE pre download method and system based on social recommendation and push and pull strategy. Based on the current incarnation: including the PVs to judge Tyson polygon, the current incarnation of the scene data of the region of interest were drawn to download; social recommendation to predict potential future incarnation of the visual scene based on set, by pulling push mixed pre download mechanisms on the future incarnation of the scene data within the region of interest and the periphery pre download, and the scene data corresponding to the corresponding distribution of the incarnation. The present invention applies the concept to the social scene pre download mechanism, quantitative node incarnation interest prediction algorithm is presented to calculate the similarity algorithm and the recommended pre incarnate scenes; the characteristics of the node scene picking region based on the proposed Pull Push strategy in different areas, make full use of the characteristics of cooperative nodes in peer-to-peer network and reduce the data transmission delay, improve the overall efficiency of data transmission DVE.

【技术实现步骤摘要】
基于社交推荐和推拉策略的渐进DVE预下载方法及系统
本专利技术涉及一种虚拟环境预加载方法，特别涉及一种基于社交推荐和推拉策略的渐进DVE预下载方法及系统。
技术介绍
预加载是指对用户节点即将加载的场景数据进行提前拾取，以减少场景渲染的等待时间，提高用户漫游的流畅度。节点在虚拟场景中漫游时，节点化身为保证最基本的视觉需求，首先要加载其兴趣区域(areaofinterest，AOI)内的场景数据，在网络带宽充分的情况下，可以对未来可能加载的场景数据进行预测并提前加载，为化身漫游的流畅性提供保障。而数据分发策略是调度预加载场景数据的实现过程，是研究在所构建的覆盖网上，节点之间如何进行调度从而实现场景数据的高效实时传输。目前，基本的分发策略有两种：推(Push)策略和拉(Pull)策略。Pull/Push策略是根据客户端主动或被动的获取数据而划分出的两种传输策略，在Push模式中，客户端不断地将自身的视点信息发送给服务器，服务器根据这些信息对数据请求者的所需场景进行判断，并将场景模型数据发送给该客户端。在Pull模式中，每一个客户端都已载入了整个虚拟场景的描述文件，客户端可以根据自身的视点信息，来判断还要下载哪些场景文件，并向服务器或者其他节点发出请求。已有的预下载策略都是通过预判化身的运动趋势并进行场景的预下载，主要方法有基于历史运动轨迹的预下载和基于领域扩张的预下载，这些预下载方式主要有以下不足：1)节点协作性低，现有的DVE预下载机制主要是针对C/S架构的DVE，皆为根据化身各自的历史运动轨迹或趋势孤立来判断每个节点的预加载场景，没有考虑到用户节点之间的协作性，也给服务器带来了巨大压力。2)数据分发效率低，当前针对场景数据的分发只是单一的采用pull和push机制，没有和DVE数据加载需求特征结合起来，导致了数据分发效率低，加重了系统的网络负载。因此，现有技术还有待于改进和发展。
技术实现思路
本专利技术的目的在于提供一种基于社交推荐和推拉策略的渐进DVE预下载方法及系统，解决了现有技术存在的预下载策略的节点协作性低和数据分发效率低，给服务器带来巨大压力和加重系统网络负载的问题。本专利技术的上述目的通过以下技术方案实现：基于社交推荐和推拉策略的渐进DVE预下载方法及系统，包括以下步骤：步骤A00：基于泰森多边形图对化身的当前潜在可视场景集进行判断，对化身当前兴趣区域的场景数据进行拉取下载；步骤B00：基于社交推荐对化身的未来潜在可视场景集进行预测，通过拉-推混合预下载机制对化身未来兴趣区域内及外围的场景数据进行预下载，并将相应的场景数据分发至对应的化身。所述的步骤A00中，通过基于泰森多边形图的邻居发现机制、场景拾取机制来保障化身当前兴趣区域的场景数据进行拉取下载。所述的步骤B00包括以下步骤：步骤b10：不同化身间进行状态信息的周期性交互；步骤b20：根据不同化身的状态信息计算不同化身间的兴趣相似度；步骤b30：根据计算出的不同化身间的兴趣相似度构建邻居集合；步骤b40：根据邻居集合得出不同化身预推荐的场景集，按照化身的兴趣度对这些场景集进行排序，并将化身兴趣度高的场景集数据推荐给化身；步骤b50：通过拉-推混合预下载机制对不同化身未来兴趣区域内及外围的场景数据进行预下载，并将不同的场景数据分发至对应的化身。所述的步骤b20至步骤b40通过以下过程实现：设化身u对其场景兴趣集中虚拟物体的兴趣度向量为Du＝{Du1,Du2,…,Dun}，其中，n＝|mt|为场景兴趣集的大小，采用修正的余弦相似度来计算不同化身间的相似度Ssim(u,v)，其中，Su，Sv，Suv分别为化身u和化身v的场景兴趣集及其它们的交集，Dui和Dvi分别为化身u和化身v对虚拟物体i的兴趣度，和分别为u和v的平均兴趣度；给定阈值ε，当Ssim(u,v)>ε时，v将成为u的兴趣集邻居，建立邻居集合N＝{v1,v2,…,vk}，反之，v和u不会互为兴趣集邻居；根据当前化身u和所有邻居v的场景集，生成u的预推荐场景集S＝Sv1∪Sv2∪…∪Svk-Su，对于S中的任意虚拟物体，使用加权平均算法预测化身u对它们的兴趣度最后，将预推荐场景集S中的虚拟物体按照兴趣度进行大小排序，将排名靠前的虚拟物体推荐给化身u，完成场景集数据推荐。所述的场景集数据分为预拉取区域数据和预推送区域数据。在当前化身节点下行带宽能力和处理能力均满足要求时，所述的步骤b50包括以下步骤：步骤b511：对于当前化身节点兴趣区域的预拉取区域数据采用拉取机制从邻居节点直接获取资源；步骤b512：对于当前化身节点兴趣区域的预推送区域数据采用推送机制，通过超级节点将当前化身节点的兴趣集邻居中兴趣度高的场景数据直接推荐给当前化身节点。在当前化身节点下行带宽能力和处理能力不足时，所述的步骤b50包括以下步骤：步骤b521：首先通过超级节点将当前节点兴趣区域的预拉取区域的数据信息更新至邻居节点，邻居节点将当前节点兴趣区域的预拉取区域的数据通过拉取机制从自身邻居节点获取资源，再将获取的当前节点兴趣区域的预拉取区域的数据通过推送机制推荐给当前节点；步骤b522：对于当前化身节点兴趣区域的预推送区域数据采用推送机制通过超级节点从当前化身节点的兴趣集邻居中将当前化身节点兴趣度高的场景数据直接推荐给当前化身节点。本专利技术的另一目的在于提供一种基于社交推荐和推拉策略的渐进DVE预下载系统，包括当前化身节点和超级节点，当前化身节点通过基于泰森多边形图的邻居发现机制、场景拾取机制对当前兴趣区域的场景数据进行拉取下载；当前化身节点将自身的状态信息提交至超级节点，同时接收超级节点发送的其他节点的状态信息，超级节点根据当前化身节点和其他节点的状态信息计算当前化身节点和其他节点的兴趣相似度，根据计算结果为当前化身节点构建邻居集合，并根据邻居集合得出当前化身节点预推荐的场景集，按照当前化身节点的兴趣度对这些场景集进行排序，并将当前化身节点兴趣度高的场景集数据推荐给当前化身节点；通过拉-推混合预下载机制，当前化身节点将自身需要的预推荐场景集数据向邻居集合中的节点或超级节点发送请求进行预下载。本专利技术的有益效果在于：本专利技术通过提供一种基于社交推荐和推拉策略的渐进DVE预下载方法及系统，首次将社交概念引入到了场景预下载机制中，量化了节点化身兴趣，给出了化身相似度计算算法和预推荐场景的预测算法；基于节点场景拾取区域的特征，提出了针对不同区域的Pull-Push策略，充分利用了对等网络中节点的协作特性，减少了数据传输延迟，从整体上提升了DVE的数据传输效率。附图说明此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。图1为本专利技术的基于社交推荐和推拉策略的渐进DVE预下载方法的步骤流程图。图2为本专利技术的不同化身的场景兴趣集相似性度量示意图。图3为本专利技术的节点自身Pull和Push场景数据示意。图4为本专利技术的邻居节点Push场景数据示意图。图5为本专利技术的Pull-AOP和Push-AOP示意图。具体实施方式下面结合附图进一步说明本专利技术的详细内容及其具体实施方式。参见图1所示，本专利技术的基于社交推荐和推拉策略的渐进DVE(distributedv本文档来自技高网...

【技术保护点】
一种基于社交推荐和推拉策略的渐进DVE预下载方法，其特征在于：包括以下步骤：步骤A00：基于泰森多边形图对化身的当前潜在可视场景集进行判断，对化身当前兴趣区域的场景数据进行拉取下载；步骤B00：基于社交推荐对化身的未来潜在可视场景集进行预测，通过拉‑推混合预下载机制对化身未来兴趣区域内及外围的场景数据进行预下载，并将相应的场景数据分发至对应的化身。

【技术特征摘要】
1.一种基于社交推荐和推拉策略的渐进DVE预下载方法，其特征在于：包括以下步骤：步骤A00：基于泰森多边形图对化身的当前潜在可视场景集进行判断，对化身当前兴趣区域的场景数据进行拉取下载；步骤B00：基于社交推荐对化身的未来潜在可视场景集进行预测，通过拉-推混合预下载机制对化身未来兴趣区域内及外围的场景数据进行预下载，并将相应的场景数据分发至对应的化身。2.根据权利要求1所述的基于社交推荐和推拉策略的渐进DVE预下载方法，其特征在于：所述的步骤A00中，通过基于泰森多边形图的邻居发现机制、场景拾取机制来保障化身当前兴趣区域的场景数据进行拉取下载。3.根据权利要求1所述的基于社交推荐和推拉策略的渐进DVE预下载方法，其特征在于：所述的步骤B00包括以下步骤：步骤b10：不同化身间进行状态信息的周期性交互；步骤b20：根据不同化身的状态信息计算不同化身间的兴趣相似度；步骤b30：根据计算出的不同化身间的兴趣相似度构建邻居集合；步骤b40：根据邻居集合得出不同化身预推荐的场景集，按照化身的兴趣度对这些场景集进行排序，并将化身兴趣度高的场景集数据推荐给化身；步骤b50：通过拉-推混合预下载机制对不同化身未来兴趣区域内及外围的场景数据进行预下载，并将不同的场景数据分发至对应的化身。4.根据权利要求3所述的基于社交推荐和推拉策略的渐进DVE预下载方法，其特征在于：所述的步骤b20至步骤b40通过以下过程实现：化身u对其场景兴趣集中虚拟物体的兴趣度向量为Du＝{Du1,Du2,…,Dun}，其中，n＝|mt|为场景兴趣集的大小，采用修正的余弦相似度来计算不同化身间的相似度Ssim(u,v)，其中，Su，Sv，Suv分别为化身u和化身v的场景兴趣集及其它们的交集，Dui和Dvi分别为化身u和化身v对虚拟物体i的兴趣度，和分别为u和v的平均兴趣度；给定阈值ε，当Ssim(u,v)>ε时，v将成为u的兴趣集邻居，建立邻居集合N＝{v1,v2,…,vk}，反之，v和u不会互为兴趣集邻居；根据当前化身u和所有邻居v的场景集，生成u的预推荐场景集S＝Sv1∪Sv2∪…∪Svk-Su，对于S中的任意虚拟物体，使用加权平均算法预测化身u对它们的兴趣度最后，将...

【专利技术属性】
技术研发人员：贾金原，白立明，范辰，王明飞，
申请(专利权)人：吉林动画学院，
类型：发明
国别省市：吉林,22