一种面向低时延视频服务的5G和MEC耦合方法及装置制造方法及图纸

本申请提供一种面向低时延视频服务的5G和MEC耦合方法及装置，方法包括：根据应用层上下文信息确定目标图像帧的下一帧大小预测结果；对5G接入网状态信息进行实时链路动态性估计，确定5G接入网的无线链路质量估计结果；将下一帧大小预测结果和无线链路质量估计结果融合至无线资源需求规则；基于激励和加速机制控制5G接入网和边缘服务器之间按照无线资源需求规则进行实时数据交互以自适应调整针对视频服务的无线资源分配。本申请能够精确定制视频服务的无线资源需求，能够针对视频服务进行无线资源自适应调整并保障资源分配的可靠性，进而能够确保如视频分析及视频处理类等视频服务的时延敏感性。频服务的时延敏感性。频服务的时延敏感性。

【技术实现步骤摘要】
一种面向低时延视频服务的5G和MEC耦合方法及装置


[0001]本申请涉及无线资源调度
，尤其涉及一种面向低时延视频服务的5G和MEC耦合方法及装置。

技术介绍

[0002]5G的兴起激发了许多令人兴奋的应用场景，例如远程医疗手术、云游戏、移动AR/VR、V2X、视频分析等。它们对5G的性能提出了严格的要求——消耗大量带宽和计算资源并确保数据业务超低延迟响应。尤其在时延敏感型视频分析中，通常需要5G在200毫秒以内响应每一图像帧，否则将出现用户体验质量(QoE)下降甚至更严重的风险，例如在视觉辅助自动驾驶用例中发生交通事故。
[0003]为了满足其QoE要求，仅5G NR的创新是不够的。研究表明，尽管用户终端和基站之间的数据包级别延迟已减少到2毫秒以下，但端到端延迟(从用户终端到远程云)仍然高达数十甚至数百毫秒(取决于远程云的地理位置)。因此，5G社区提出了5G MEC架构，并将其视为5G生态的关键组成部分。其基本思想是将计算服务器部署于靠近终端用户的位置(例如5G网络边缘侧)而不是远程云上，以期缩短传输路径，减少端到端传输延迟。另外，资源受限的用户终端也可以借助边缘云的计算能力来卸载计算密集型数据业务。
[0004]传统的5G MEC工作更关注架构设计、理论或仿真驱动分析和小众原型实现。它们通常忽略边缘辅助应用程序的实际QoE研究，尤其是延迟敏感型性。通过在运营化5G MEC网络上开展大规模实地测量实验，我们发现当前5G网络与MEC框架并不协调，存在“各自为政”且交互能力弱的弊端。这导致时延敏感型视频分析应用体验了较长的服务响应延迟(仅有44.11％的图像帧可以及时到达服务器)而且推理性能下降了27.89％。经过深入调查研究，我们揭示其根本原因在于当前5G和MEC之间是松耦合的。一方面，边缘服务器上的应用程序无法获知5G RAN的无线瞬时动态，因此无法及时进行充足的无线资源适配；另一方面，5G RAN不了解上层应用的真实无线资源需求(即需要多少无线资源以供数据传输，并如何高效授予它们)，而只是通过低效率的多轮“请求
‑
授予”操作来分配无线资源。因此，上述两方面因素共同作用导致应用响应延迟过长。

技术实现思路

[0005]鉴于此，本申请实施例提供了面向低时延视频服务的5G和MEC耦合方法面向低时延视频服务的5G和MEC耦合装置及装置，以消除或改善现有技术中存在的一个或多个缺陷。
[0006]本申请的一个方面提供了一种面向低时延视频服务的5G和MEC耦合方法，包括：
[0007]根据边缘服务器获取的低时延视频服务对应的目标图像帧的上下文信息，确定所述目标图像帧的下一帧大小预测结果；
[0008]对所述边缘服务器获取的5G接入网的当前状态信息进行实时链路动态性估计，确定该5G接入网的无线链路质量估计结果；
[0009]将所述下一帧大小预测结果和所述无线链路质量估计结果融合至无线资源需求
规则中；
[0010]基于预设的激励和加速机制，控制所述5G接入网和所述边缘服务器之间按照所述无线资源需求规则进行实时数据交互以自适应调整针对所述视频服务的无线资源分配。
[0011]在本申请的一些实施例中，所述根据边缘服务器获取的视频服务对应的目标图像帧的上下文信息，确定所述目标图像帧的下一帧大小预测结果，包括：
[0012]根据边缘服务器获取的视频服务对应的目标图像帧的上下文信息，基于回归学习算法对所述目标图像帧进行单帧特征抽取，得到所述目标图像帧的特征向量；
[0013]将所述目标图像帧的特征向量与所述视频服务对应的其他图像帧的特征向量按时序进行组合，得到对应的时序特征向量组；对所述时序特征向量组进行时序特征抽取处理，得到所述目标图像帧的下一帧图像的内容变化特征，并将该下一帧图像的内容变化特征作为下一帧大小预测结果。
[0014]在本申请的一些实施例中，所述根据边缘服务器获取的视频服务对应的目标图像帧的上下文信息，基于回归学习算法对所述目标图像帧进行单帧特征抽取，得到所述目标图像帧的特征向量，包括：
[0015]在边缘服务器本地获取视频服务对应的目标图像帧的上下文信息，其中，该上下文信息包括：从用户终端发出的视频服务对应的目标图像帧的尺寸信息、内容信息以及经由预设的视频分析模型获取的该目标图像帧的语义信息；
[0016]将所述目标图像帧的尺寸信息输入第一特征提取器，以使该第一特征提取器输出所述目标图像帧的尺寸特征向量；
[0017]将所述目标图像帧的内容信息输入第二特征提取器，以使该第二特征提取器输出所述目标图像帧的帧自身特征向量，其中，所述第二特征提取器包括：预先训练得到的ResNet
‑
50模型；
[0018]以及，将所述目标图像帧的语义信息输入第三特征提取器，以使该第三特征提取器输出所述目标图像帧中的目标对象数量及移动状态特征向量；
[0019]根据所述尺寸特征向量、帧自身特征向量和所述目标对象数量及移动状态特征向量得到所述目标图像帧的特征向量。
[0020]在本申请的一些实施例中，所述对所述边缘服务器获取的5G接入网的当前状态信息进行实时链路动态性估计，确定该5G接入网的无线链路质量估计结果，包括：
[0021]应用所述边缘服务器对应的无线电网络信息服务获取5G接入网的当前的状态信息；
[0022]基于预设的似然估计方式对所述5G接入网的当前状态信息进行实时链路动态性估计，得到该5G接入网的下一次SINR变化估计值，并将该下一次SINR变化估计值作为无线链路质量估计结果。
[0023]在本申请的一些实施例中，所述将所述下一帧大小预测结果和所述无线链路质量估计结果融合至无线资源需求规则中，包括：
[0024]根据预获取的应用层无线资源与物理比特容量之间的对应关系，将所述下一帧大小预测结果转化为对应的目标物理比特容量；
[0025]根据所述目标物理比特容量、所述无线链路质量估计结果和预设的物理信道开销，生成作为所述无线资源需求规则的目标PRB需求量。
[0026]在本申请的一些实施例中，所述基于预设的激励和加速机制，控制所述5G接入网和所述边缘服务器之间按照所述无线资源需求规则进行实时数据交互以自适应调整针对所述视频服务的无线资源分配，包括：
[0027]自所述5G接入网的当前状态信息中获取实时PRB授权状态，计时器同时判断当前资源调度单元是否小于截止时间阈值；
[0028]若是，则启动预设的激励和加速机制中的激励机制，在所述5G接入网和所述边缘服务器之间基于所述目标PRB需求量对所述视频服务进行无线资源的公平优先级自适应调整；
[0029]若否，则启动所述激励和加速机制中的加速机制，在所述5G接入网和所述边缘服务器之间基于所述目标PRB需求量对所述视频服务进行无线资源的加速优先级自适应调整。
[0030]本申请的另一个方面提供了一种面向低时延视频服务的5G和MEC耦合装置，所述面向本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向低时延视频服务的5G和MEC耦合方法，其特征在于，包括：根据边缘服务器获取的低时延视频服务对应的目标图像帧的上下文信息，确定所述目标图像帧的下一帧大小预测结果；对所述边缘服务器获取的5G接入网的当前状态信息进行实时链路动态性估计，确定该5G接入网的无线链路质量估计结果；将所述下一帧大小预测结果和所述无线链路质量估计结果融合至无线资源需求规则中；基于预设的激励和加速机制，控制所述5G接入网和所述边缘服务器之间按照所述无线资源需求规则进行实时数据交互以自适应调整针对所述视频服务的无线资源分配。2.根据权利要求1所述的面向低时延视频服务的5G和MEC耦合方法，其特征在于，所述根据边缘服务器获取的视频服务对应的目标图像帧的上下文信息，确定所述目标图像帧的下一帧大小预测结果，包括：根据边缘服务器获取的视频服务对应的目标图像帧的上下文信息，基于回归学习算法对所述目标图像帧进行单帧特征抽取，得到所述目标图像帧的特征向量；将所述目标图像帧的特征向量与所述视频服务对应的其他图像帧的特征向量按时序进行组合，得到对应的时序特征向量组；对所述时序特征向量组进行时序特征抽取处理，得到所述目标图像帧的下一帧图像的内容变化特征，并将该下一帧图像的内容变化特征作为下一帧大小预测结果。3.根据权利要求2所述的面向低时延视频服务的5G和MEC耦合方法，其特征在于，所述根据边缘服务器获取的视频服务对应的目标图像帧的上下文信息，基于回归学习算法对所述目标图像帧进行单帧特征抽取，得到所述目标图像帧的特征向量，包括：在边缘服务器本地获取视频服务对应的目标图像帧的上下文信息，其中，该上下文信息包括：从用户终端发出的视频服务对应的目标图像帧的尺寸信息、内容信息以及经由预设的视频分析模型获取的该目标图像帧的语义信息；将所述目标图像帧的尺寸信息输入第一特征提取器，以使该第一特征提取器输出所述目标图像帧的尺寸特征向量；将所述目标图像帧的内容信息输入第二特征提取器，以使该第二特征提取器输出所述目标图像帧的帧自身特征向量，其中，所述第二特征提取器包括：预先训练得到的ResNet
‑
50模型；以及，将所述目标图像帧的语义信息输入第三特征提取器，以使该第三特征提取器输出所述目标图像帧中的目标对象数量及移动状态特征向量；根据所述尺寸特征向量、帧自身特征向量和所述目标对象数量及移动状态特征向量得到所述目标图像帧的特征向量。4.根据权利要求1所述的面向低时延视频服务的5G和MEC耦合方法，其特征在于，所述对所述边缘服务器获取的5G接入网的当前状态信息进行实时链路动态性估计，确定该5G接入网的无线链路质量估计结果，包括：应用所述边缘服务器对应的无线电网络信息服务获取5G接入网的当前的状态信息；基于预设的似然估计方式对所述5G接入网的当前状态信息进行实时链路动态性估计，得到该5G接入网的下一次SINR变化估计值，并将该下一次SINR变化...

【专利技术属性】
技术研发人员：马华东，周安福，徐冬竹，张欢欢，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：