一、介紹

人們所觀察的世界無時無刻不在改變，造就了“視頻”相比于文本等類型的數(shù)據(jù)更具表現(xiàn)力，包含更加豐富的信息。如今，能夠產(chǎn)生視頻的數(shù)據(jù)源及應(yīng)用場景愈發(fā)多樣，視頻數(shù)據(jù)的規(guī)模不斷增長，視頻大數(shù)據(jù)成為支撐諸多行業(yè)技術(shù)發(fā)展的熱點方向。

1. 交通攝錄

城市化的快速發(fā)展導(dǎo)致機動車數(shù)量持續(xù)激增，也因此造成了諸多的交通問題。

一方面，由于時間、天氣、大型事件等多方面的因素，城市道路上的交通流量持續(xù)變化，尤其是繁華地帶的路口，經(jīng)常匯聚著較多的待通行車輛。

如何第一時間獲取交通流量信息、監(jiān)測城市交通狀況，正是交通攝錄系統(tǒng)所需解決的問題。通過攝錄視頻流的實時收集，城市交通控制中樞能夠及時地獲知流量異常情況，做出交通調(diào)度調(diào)整，以改善行車效率。

另一方面，人為駕駛的主觀性導(dǎo)致違規(guī)事件的發(fā)生難以完全避免，而對檢測的疏漏或延遲將不僅可能導(dǎo)致駕駛行為責任人自身規(guī)則意識的下降，升高未來的事故發(fā)生率，更有可能造成交通癱瘓，甚至重大的人身財產(chǎn)損失。

因此，廣泛分布且實時視頻采集的交通攝錄系統(tǒng)具有極高的存在必要性，不斷規(guī)范及約束車輛駕駛者的行為，同時對違規(guī)事件及交通事故在第一時間進行采集、上報，進行后續(xù)的處理。

目前，在部分城市的交通系統(tǒng)中，已經(jīng)嘗試采用更加智能化的交通攝錄體系，例如對疲勞駕駛、違規(guī)通話等駕駛行為實時檢測、智能判斷，而無須人為干預(yù)。

密布于城市各個角落的攝像頭組成的龐大的攝像系統(tǒng)基礎(chǔ)設(shè)施帶來的交通價值不言而喻，但對交通數(shù)據(jù)處理系統(tǒng)提出了嚴峻的挑戰(zhàn)。

一方面，該系統(tǒng)需要具備低延遲的處理性能，保證異常事件發(fā)生時能夠及時地進行分析、處理以及后續(xù)操作。另一方面，基礎(chǔ)設(shè)施中數(shù)量巨大的輸入源是傳統(tǒng)單一視頻處理系統(tǒng)所難以應(yīng)付的。

由于該系統(tǒng)不僅需要采集、存儲視頻，而且在邁向智能化發(fā)展的路上，需要對它進行預(yù)處理、幀解析、事件模式匹配、異常檢測上報等操作，因此對于極多輸入源的同時處理，是當前所面臨的一大難題。

2. 車載攝錄

對于傳統(tǒng)機動車而言，行車記錄儀的出現(xiàn)為廣大駕駛者帶來了多方面的保護。

一方面，共享出行的專車內(nèi)、公共交通的車廂內(nèi)，車內(nèi)記錄儀能夠持續(xù)記錄乘客及駕駛者的行為，檢測車內(nèi)狀況。在發(fā)生異常事件時，記錄儀能夠提供準確的現(xiàn)場追溯，不僅為責任認定提供了有效的證據(jù)支撐，更為嚴重性事件的溯源剖析提供了第一手資料。

另一方面，用于私家車的前向記錄儀則更為普遍。在車輛啟動后，行車記錄儀隨之啟動，以視頻的形式持續(xù)地、完整地記錄著行駛的整個過程，有效彌補了交通攝錄系統(tǒng)不及之處，為駕駛者提供了多層面的安全保證。

對于新興的智能車輛而言，包含360°環(huán)繞攝像在內(nèi)的環(huán)境感知系統(tǒng)所發(fā)揮的作用更是舉足輕重。攝像頭之于汽車，就像眼之于人，提供了感知周遭環(huán)境的輸入口?；趯崟r的環(huán)境圖像，自動駕駛控制系統(tǒng)能夠?qū)Σ杉降囊曨l進行處理、分析，并即時進行決策，控制車輛行為，在一定程度上，甚至完全地替代人為控制，極大地提升出行效率。

雖然車載攝錄為傳統(tǒng)及新興機動車帶來了強大的功能，但車輛本身的移動性為視頻的數(shù)據(jù)處理提出了新的問題：

• 一方面，高移動性導(dǎo)致視頻內(nèi)容的變化極快，不同于固定物理位置的城市攝像頭，車載攝錄可能在極短時間內(nèi)采集到完全不同的影像，這不僅包括物體本身的變化，還包含了移動導(dǎo)致的光線、角度等上下文環(huán)境的急劇變化，對于視頻內(nèi)容分析的準確性和靈活性要求更高;
• 另一方面，高移動性直接導(dǎo)致了網(wǎng)絡(luò)通信連接的不穩(wěn)定性，不同于有線光纜傳輸，無線網(wǎng)絡(luò)傳輸?shù)馁|(zhì)量依賴于網(wǎng)絡(luò)信號強度、帶寬、信道實時負載等因素，造成基于無線網(wǎng)絡(luò)的數(shù)據(jù)及任務(wù)的穩(wěn)定上傳過程變得愈發(fā)艱難。

3. 航空攝錄

由于更高的攝入角度，基于航空器材的攝錄系統(tǒng)通常具有更高的專業(yè)型和特殊性，同時帶來了更加強大的功能性：

1)空地追蹤

得益于不被道路交通所限，飛行器能夠靈活、高效地追蹤移動性目標，彌補地面追蹤不便的缺陷，降低目標失蹤率，為關(guān)鍵性任務(wù)提供支撐。

2)智慧農(nóng)耕

傳統(tǒng)農(nóng)耕作業(yè)需要人工地親力親為，經(jīng)歷長周期的運作，包括觀察并分析農(nóng)田情況，調(diào)整作業(yè)策略，根據(jù)種植方案進行播種，以及后期灌溉、除蟲等維護。由于務(wù)農(nóng)者本身能力所限，這一系列的過程將十分耗費時間資源，效率較為低下，且無法準確地按照預(yù)期規(guī)范化操作細節(jié)，造成減產(chǎn)等損失。

相比于人力運作，基于航空器的作業(yè)方式能夠帶來極大的改善。通過航空攝錄系統(tǒng)，能夠直接以直觀的視頻形式采集農(nóng)田情況，并基于農(nóng)田數(shù)據(jù)處理系統(tǒng)進行視頻分析，獲取種植所需的多元化參數(shù)。隨后，航空器能夠攜帶種子、農(nóng)藥等基礎(chǔ)資源，從空中直接進行均勻播撒，在短時間內(nèi)覆蓋大范圍作業(yè)區(qū)域，實現(xiàn)人工難以達到的效率。

3)遙感

基于航空設(shè)備的自身優(yōu)勢，它能夠在空中無接觸地、遠距離地探測、勘察各種復(fù)雜地形地貌，包括人們難以進入的野生地帶、冰川、火山等。而視頻的形式為人們提供了對于未知環(huán)境最為直觀的感受，同時有利于數(shù)據(jù)處理系統(tǒng)進一步地科學(xué)分析、探索。

如今，由于基礎(chǔ)設(shè)施以及無人控制技術(shù)的不斷發(fā)展，航空攝錄已經(jīng)逐漸轉(zhuǎn)向基于無人機的系統(tǒng)實現(xiàn)。無人機具有更低的制造成本、更小的體積、移動更加靈活等諸多優(yōu)勢，因此對于傳統(tǒng)飛行器難以實現(xiàn)的場景，無人機具有更大的潛能。

同時，由于控制者本身從“機內(nèi)”移動到了“機外”，相隔數(shù)百米甚至數(shù)百千米，因此，一方面，如何高性能地實現(xiàn)從無人機采集的實時視頻到控制者的實時決策，需要解決視頻采集技術(shù)、預(yù)處理技術(shù)、網(wǎng)絡(luò)傳輸技術(shù)等諸多視頻大數(shù)據(jù)系統(tǒng)所面臨的問題;另一方面，由于無人機具備更加多元化的環(huán)境感知能力，例如無死角覆蓋的實時攝錄系統(tǒng)，因此無人機自主行為控制也是實現(xiàn)智能化發(fā)展的一個方向。但是，因此帶來更高的視頻處理性能需求，是傳統(tǒng)設(shè)備端運算或者云端兩層架構(gòu)所無法實現(xiàn)的，需要云邊協(xié)同高效架構(gòu)的加入。

4. 智能設(shè)備

包括智能手機、平板計算機在內(nèi)的智能設(shè)備，逐漸成為日常生產(chǎn)生活中與人們打交道最為頻繁的物品。

一方面，智能設(shè)備本身所具備的拍照及錄像能力，為人們的生活帶來了更加豐富的記錄方式。通過智能設(shè)備所拍下的照片、短視頻、影片，能夠方便地分享正在進行的游戲、欣賞的風景、有趣的寵物、令人深思的事件等。

另一方面，它能使得人們的生產(chǎn)、工作更加高效，尤其是在人們出行受限的特殊時期，眾多的團隊、企業(yè)開始使用基于視頻會議的高效辦公方式，繼續(xù)原有的運作。

相比于其他的攝錄系統(tǒng)，智能設(shè)備帶來的攝錄能力以及產(chǎn)生的視頻大數(shù)據(jù)更加無處不在，更加貼近人們本身，同時也包含著更大的價值挖掘潛能。

5. 其他

遠不止上述提及的應(yīng)用場景，視頻大數(shù)據(jù)幾乎無處不在，例如：

1)安防監(jiān)控

不同于交通攝錄系統(tǒng)，安防監(jiān)控帶來的視頻記錄能力更多地用于環(huán)境采集，以實現(xiàn)生產(chǎn)生活日常運作的安全保障。在安防系統(tǒng)中，數(shù)據(jù)處理的低延遲、高吞吐特性尤為重要。根據(jù)用戶預(yù)設(shè)的智能檢測模型，攝像系統(tǒng)在采集到視頻數(shù)據(jù)后，應(yīng)在極短的時間內(nèi)完成數(shù)據(jù)處理，并實現(xiàn)智能決策。

2)工業(yè)攝錄

通過視頻監(jiān)控等方式，實時監(jiān)測車間生產(chǎn)情況，基于視頻大數(shù)據(jù)的分析，能夠即時發(fā)現(xiàn)異常、調(diào)整設(shè)備等。

視頻數(shù)據(jù)在各行各業(yè)的應(yīng)用場景十分廣泛，同時也帶了極高的潛在分析價值，但由于它文件體積本身龐大，因此對數(shù)據(jù)處理系統(tǒng)的能力提出了更大的挑戰(zhàn)。

二、問題與挑戰(zhàn)

1. 問題

視頻數(shù)據(jù)是非結(jié)構(gòu)化數(shù)據(jù)，價值密度很低，且具有連續(xù)性、實時性等特點，視頻大數(shù)據(jù)系統(tǒng)對數(shù)據(jù)相比傳統(tǒng)具有更高的性能要求，這主要體現(xiàn)在以下幾方面：

1)計算密集

對于視頻流而言，一般需要進行信號處理、編碼、解碼等基礎(chǔ)過程，轉(zhuǎn)換為計算機內(nèi)相應(yīng)的存儲格式，再對每一幀內(nèi)容進行深入處理。

一方面，對于每一幀內(nèi)容而言，可以將它看作類似于靜態(tài)照片的圖像，可通過一系列相關(guān)技術(shù)進行以下操作：

• 特征檢測及提取：傳統(tǒng)的Canny邊緣檢測算法、Harris角點檢測算法、SURF算法以及SIFT特征、GIST特征等，基于深度學(xué)習的神經(jīng)網(wǎng)絡(luò)模型等，能夠?qū)D像中的邊緣、轉(zhuǎn)角等特征進行識別，支撐后續(xù)更加復(fù)雜的處理。
• 目標檢測：針對特定的或者泛化的目標，例如物品、人體、面部等，通過特定算法進行檢測，獲知其存在性或位置。
• 目標分類：對于圖像中出現(xiàn)的目標進行分類等。

不論是基于傳統(tǒng)算法的圖像處理方法，還是近年來愈發(fā)火熱的深度學(xué)習處理方法，它的性能(例如準確率)通常與運算量直接關(guān)聯(lián)，例如，對于深度網(wǎng)絡(luò)模型而言，具備更高精度的模型通常具有更為復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)、更為龐大的訓(xùn)練參數(shù)量，因此需要更高的算力(包括計算能力、存儲能力等)進行推斷。

另一方面，由于視頻是每一幀連續(xù)組合而成的流式數(shù)據(jù)，因此對于視頻流的處理將遠高于靜態(tài)圖像處理的復(fù)雜度。

首先，為了捕獲環(huán)境中更多的細節(jié)，以及為后續(xù)的算法提供更加精確的原生輸入，視頻采集系統(tǒng)通常追求更高的分辨率。如今，隨著設(shè)備的不斷升級迭代，4K甚至8K分辨率已經(jīng)逐漸成為高質(zhì)量視頻的標準，這將大幅增加每一幀圖像的體積，對運算系統(tǒng)性能提出更高的要求。

其次，為了能夠在時間變化的過程中捕獲更加順暢的運動行為，視頻采集系統(tǒng)通常會將幀率(即每單位時間內(nèi)采集的圖像幀數(shù)量)設(shè)置為設(shè)備能夠接受的盡可能高的水平。因此，在單幀圖像體積一定的情況下，更高的幀率意味著單位時間內(nèi)的視頻體積更大，這對數(shù)據(jù)處理系統(tǒng)會造成更大的壓力。

此外，由于不同于靜態(tài)圖像的特點，視頻流將具有更高的連續(xù)性、動態(tài)性，數(shù)據(jù)處理系統(tǒng)不應(yīng)僅專注于每一幀內(nèi)圖像的信息，還應(yīng)該具備分析幀與幀之間的動態(tài)變化性信息的能力。

在進行目標追蹤時，需要對高幀率的連續(xù)視頻畫面執(zhí)行算法，憑借實時性能檢測目標物體，并定位目標位置。例如，在檢測行人的過程中，人們的移動通常具有群體性，因此基于對行人運動軌跡的預(yù)測進而提升檢測準確率，這是一個優(yōu)化的潛在方向。

因此，計算密集型的視頻流處理使得終端設(shè)備的計算能力、存儲能力難以滿足。

2)帶寬需求高

分辨率、幀率等配置的不斷提升，帶來的不僅是對于計算系統(tǒng)的壓力，同時也帶來了對于網(wǎng)絡(luò)傳輸系統(tǒng)的挑戰(zhàn)：

• 每一幀圖像的內(nèi)容不斷豐富，細節(jié)更加完整;
• 單位時間內(nèi)的幀數(shù)不斷增長，視頻動態(tài)變化更加流暢;
• 視頻源不斷增加，針對同一物體的拍攝角度不再限于一個(例如足球比賽中環(huán)繞全場的大量攝錄機位)。

這三點同時帶來了不同維度的體積增長，進而導(dǎo)致了視頻產(chǎn)生源發(fā)送至處理系統(tǒng)所在平臺的網(wǎng)絡(luò)帶寬開銷急劇增加。目前，在體積優(yōu)化的情況下，智能手機以1080P分辨率、60幀/s幀率的配置錄制1min視頻的體積約為100MB;以4K分辨率、60幀/s幀率錄制1min視頻的體積約為440MB。

由此可見，在多采集源同時進行傳輸?shù)那闆r下，網(wǎng)絡(luò)基礎(chǔ)設(shè)施將承受極大壓力，同時，帶寬占用帶來的成本也使得用戶難以承受。

2. 挑戰(zhàn)

針對視頻體積帶來的帶寬成本與通信壓力，需要從多個維度進行分析，根據(jù)實際場景進行優(yōu)化。例如圖1-8給出了一種嘗試方案：邊緣節(jié)點對終端設(shè)備采集的原生高帶寬視頻進行預(yù)處理，通過局部壓縮、裁切、去幀等方法，減小視頻體積，并將加工后的視頻流上傳至云端進一步處理。但這種方法同樣面臨著一些技術(shù)挑戰(zhàn)：

▲圖1-8 一種云邊協(xié)同視頻大數(shù)據(jù)處理方案

1)計算任務(wù)卸載

普通計算任務(wù)通常能夠通過劃分獲得低耦合的子任務(wù)，但視頻流由于特殊性，為任務(wù)劃分以及基于劃分的卸載提出了更高的要求：

• 一方面，視頻流本身體積龐大，這一特點使得該類型數(shù)據(jù)在不同平臺之間的流動變得較為困難，每一次網(wǎng)絡(luò)傳輸都需要付出較大的時間及服務(wù)成本;
• 另一方面，視頻處理本身具有連續(xù)性，不同子任務(wù)之間可能具有較高的耦合程度，對任務(wù)的切分造成了困難，進而導(dǎo)致處理任務(wù)卸載至邊緣平臺、云平臺時面臨更多問題。

2)邊緣平臺資源

邊緣平臺相比于云平臺，本身不具備海量的計算、存儲等資源，因此對于計算密集型的視頻流應(yīng)用而言，難以提供無限制的處理能力。例如，用于處理視頻圖像的DNN通常具有百萬甚至千萬級的參數(shù)，這使得邊緣平臺中單一的計算節(jié)點可能難以負載。

對于用戶而言，需要更加縝密地考慮云邊協(xié)同處理方案，而不能簡單直接地套用現(xiàn)有卸載策略。

3)邊緣服務(wù)范圍

處于網(wǎng)絡(luò)中心的云平臺能夠?qū)W(wǎng)絡(luò)全局的計算請求進行處理，而邊緣節(jié)點受限于服務(wù)范圍，僅能夠為一定區(qū)域內(nèi)的用戶提供服務(wù)。但與此同時，許多視頻流應(yīng)用的計算任務(wù)具有較高的持續(xù)性，需要平臺為它提供不間斷的計算服務(wù)，這對于移動性的視頻源而言，將造成節(jié)點切換、任務(wù)遷移、服務(wù)穩(wěn)定性等多方面影響。

此外，減小視頻體積意味著可能造成視頻的細節(jié)完整度降低，進而導(dǎo)致在用于目標檢測、物體追蹤等的深度網(wǎng)絡(luò)模型準確率方面有所妥協(xié)，因此需要使用更加細粒度的優(yōu)化方案來彌補畫面細節(jié)減少帶來的損失。

因此，在傳統(tǒng)云平臺的任務(wù)卸載方式儼然無法適應(yīng)體積增長迅速的視頻流處理應(yīng)用的當下，如何利用云邊協(xié)同平臺進一步優(yōu)化視頻大數(shù)據(jù)處理性能，值得人們深入研究。

三、前沿研究

對于計算、存儲以及網(wǎng)絡(luò)傳輸能力的需求使得視頻流處理系統(tǒng)需要采用新的計算服務(wù)模式來實現(xiàn)。目前，云邊協(xié)同平臺為它帶來了希望，同時也面臨著許多問題，不僅包括云邊平臺本身所面臨的問題，也包含針對視頻流處理應(yīng)用的特殊挑戰(zhàn)，學(xué)術(shù)界以及工業(yè)界的研究人員對此進行著不斷探索。

1. 邊緣環(huán)境的網(wǎng)絡(luò)不穩(wěn)定性

參考文獻[62]針對邊緣環(huán)境中對視頻流圖像處理任務(wù)影響較大的網(wǎng)絡(luò)因素進行分析，考慮到無線通信信號強弱，提出了3種處理方案：

①本地執(zhí)行;②完全卸載;③本地預(yù)處理(減小體積)后卸載至云邊平臺，并對不同模型的計算時間、計算能耗、通信時間、通信開銷等多方面進行綜合建模分析，權(quán)衡計算時間與能耗、通信時間與能耗，在不同信號強度時選擇不同的最優(yōu)策略完成圖像處理任務(wù)。

2. 邊緣節(jié)點的多租戶特性

同一個邊緣節(jié)點可能同時服務(wù)于不同的用戶，但由于邊緣平臺的地理位置以及服務(wù)范圍，這些用戶可能具有相似或部分相似的視頻流計算任務(wù)，尤其是基于深度神經(jīng)網(wǎng)絡(luò)模型的圖像處理，不同的圖像可能應(yīng)用相同的模型或相同的子模型進行推斷。

基于這個理念，Mainstream[63]框架基于遷移學(xué)習，對使用相同預(yù)訓(xùn)練模型的并發(fā)執(zhí)行的視頻處理任務(wù)進行分析，利用相同預(yù)訓(xùn)練層[作者稱為共享莖干(share stem)部分]的一次計算，消除重復(fù)計算。

但由于不同的應(yīng)用可能會對相同的預(yù)訓(xùn)練模型進行細粒度的優(yōu)化訓(xùn)練以提升模型推斷準確率，因此共享莖干的比重會隨之降低，同時減慢了幀處理速率。為了解決這個問題，即動態(tài)權(quán)衡視頻流處理速度與模型準確率，該框架包含3個部分：

1)M-Trainer：模型訓(xùn)練工具包，能夠使得基于預(yù)訓(xùn)練模型進行訓(xùn)練優(yōu)化的過程保留不同粒度級別的副本，同時產(chǎn)生不同級別模型的推斷準確率等元數(shù)據(jù);2)M-Scheduler：使用訓(xùn)練時生成的數(shù)據(jù)，計算不同層(包括共享莖干)的運行時間開銷，尋找全局最優(yōu)策略;3)M-Runner：提供應(yīng)用運行時環(huán)境，動態(tài)選擇不同級別的模型提供服務(wù)，實現(xiàn)共享莖干帶來的計算量減少與準確率下降之間的權(quán)衡。該框架專注于并發(fā)視頻流任務(wù)處理的場景，提供了從開發(fā)到部署運行的完整框架，但同時也為開發(fā)者的實現(xiàn)帶來了一定難度。

3. 云邊協(xié)同下的智能處理

深度學(xué)習技術(shù)為視頻大數(shù)據(jù)處理帶來了前所未有的性能提升，但包括深度神經(jīng)網(wǎng)絡(luò)在內(nèi)的模型架構(gòu)的復(fù)雜度使得它對于資源具有較高的要求，這表現(xiàn)在模型訓(xùn)練以及推斷兩方面：

1)模型訓(xùn)練

對于視頻大數(shù)據(jù)應(yīng)用的深度神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練而言，數(shù)據(jù)的規(guī)模和體積成為限制性能的一個重要因素。通常，模型訓(xùn)練階段通常放置于擁有較多資源的平臺而非在終端設(shè)備上運行，因此視頻數(shù)據(jù)的傳輸將造成巨大的網(wǎng)絡(luò)帶寬開銷。

CDC[64]框架實現(xiàn)了一個輕量級的自動編碼器(AutoEncoder，AE)，以及一個輕量的元素分類器(Elementary Classifier，EC)：

首先，CDC框架控制AE對數(shù)據(jù)進行壓縮;隨后，EC使用壓縮后的數(shù)據(jù)以及數(shù)據(jù)標注進行梯度下降計算，調(diào)整自身參數(shù)集合;再者，AE基于自身壓縮造成的損失與相應(yīng)的EC的損失值共同優(yōu)化自身參數(shù)，并設(shè)置削弱參數(shù)α，調(diào)整EC的損失對AE訓(xùn)練過程的影響權(quán)重，避免不收斂的問題;如此往復(fù)迭代，實現(xiàn)EC、AE相結(jié)合，EC指導(dǎo)AE的訓(xùn)練。

經(jīng)過訓(xùn)練后的AE將具備內(nèi)容感知的壓縮能力，結(jié)合精度降低策略，實現(xiàn)傳輸?shù)皆贫说妮^低的帶寬開銷。同時，云端能夠評估網(wǎng)絡(luò)狀況，向邊緣端反饋后續(xù)的圖像壓縮率。該框架以智能壓縮的思路，對降低訓(xùn)練數(shù)據(jù)網(wǎng)絡(luò)傳輸開銷的方向進行了有價值的探索。

2)模型推斷

同樣是采用壓縮策略，參考文獻[65]從關(guān)鍵區(qū)域(Region Of Interest，ROI)的角度實現(xiàn)帶寬與準確率之間的權(quán)衡。作者基于SORT、Hungarian等算法，在云端將包含目標物體的ROI坐標反饋至邊緣端，邊緣端基于multi-QF JPEG算法對ROI及非ROI區(qū)域進行不同質(zhì)量程度的壓縮，并將壓縮后的數(shù)據(jù)發(fā)送至云端推斷。

同時，基于Kalman Filter算法，該研究為每個目標物體建立一個行為預(yù)測模型，以抵償邊-云-邊這一反饋傳輸過程的延遲。

4. 其他

參考文獻[66]基于動態(tài)規(guī)劃思想，在云端構(gòu)建了一個動態(tài)數(shù)據(jù)模型，對固定視頻流進行分析，并預(yù)測下一次可能發(fā)生的事件的時空位置，以對特定監(jiān)控傳感器進行帶寬控制。

而參考文獻[67]從多比特率視頻流傳輸?shù)慕嵌瘸霭l(fā)，認為傳統(tǒng)邊緣緩存方法通常需要視頻流行度符合特定分布，但實際場景下邊緣節(jié)點覆蓋區(qū)域小、用戶移動性高、用戶請求受移動設(shè)備上下文影響大。因此研究人員將該問題建模為0-1優(yōu)化問題，利用多臂老虎機理論，設(shè)計了CUCB(C-upper置信區(qū)間)算法進行優(yōu)化。

具體而言，該方法能夠進行在線化的學(xué)習，根據(jù)用戶需求實時地制定緩存模式和處理策略，可最大化視頻服務(wù)提供商的利益，滿足用戶的服務(wù)質(zhì)量要求。

此外，對于云邊協(xié)同的視頻處理，還能夠應(yīng)用全局統(tǒng)一的時空ID技術(shù)、視頻編碼與特征編碼聯(lián)合優(yōu)化技術(shù)等，進一步對視頻處理性能加以提高。

關(guān)于作者：韓銳，北京理工大學(xué)特別研究員，博士生導(dǎo)師。2010年畢業(yè)于清華大學(xué)并獲優(yōu)秀碩士畢業(yè)生，2014年博士畢業(yè)于英國帝國理工學(xué)院，2014年3月至2018年6月在中國科學(xué)院計算所工作。專注于研究面向典型負載(機器學(xué)習、深度學(xué)習、互聯(lián)網(wǎng)服務(wù))的云計算系統(tǒng)優(yōu)化，在 TPDS、TC、TKDE、TSC等領(lǐng)域頂級(重要)期刊和INFOCOM、ICDCS、ICPP、RTSS等會議上發(fā)表超過40篇論文，Google學(xué)術(shù)引用1000 余次。

劉馳，北京理工大學(xué)計算機學(xué)院副院長，教授，博士生導(dǎo)師。智能信息技術(shù)北京市重點實驗室主任，國家優(yōu)秀青年科學(xué)基金獲得者，國家重點研發(fā)計劃首席科學(xué)家，中國電子學(xué)會會士，英國工程技術(shù)學(xué)會會士，英國計算機學(xué)會會士。分別于清華大學(xué)和英國帝國理工學(xué)院獲得學(xué)士和博士學(xué)位，后在德國電信研究總院任博士后研究員，在美國IBM T.J.Watson研究中心和IBM中國研究院任研究主管。主要研究方向是智能物聯(lián)網(wǎng)技術(shù)。

本文摘編自《云邊協(xié)同大數(shù)據(jù)技術(shù)與應(yīng)用》(ISBN：978-7-111-70100-2)，經(jīng)出版方授權(quán)發(fā)布。

參考文獻[62] Y G KIM, Y S LEE, S W CHUNG. Signal strength-aware adaptive offloading with local image preprocessing for energy efficient mobile devices[J].IEEE Transactions on Computers, 2019, 69(1): 99-111.

[63] A H JIANG, et al. Mainstream: Dynamic stem-sharing for multi-tenant video processing[C].2018 USENIX Annual Technical Conference, 2018: 29-42.

[64] Y DONG, P ZHAO, H YU, et al. CDC: Classification Driven Compression for Bandwidth Efficient Edge-Cloud Collaborative Deep Learning[DB/OL].arXiv preprint arXiv: 2005.02177, 2020.

[65] B A MUDASSAR, J H KO, S MUKHOPADHYAY. Edge-cloud collaborative processing for intelligent internet of things: A case study on smart surveillance[C].2018 55th ACM/ESDA/IEEE Design Automation Conference (DAC), 2018: 1-6.

[66] L TOKA, B LAJTHA, é HOSSZU, et al. A resource-aware and time-critical IoT framework[C].IEEE INFOCOM 2017-IEEE Conference on Computer Communications, 2017: 1-9.

[67] Y HAO, L HU, Y QIAN, et al. Profit maximization for video caching and processing in edge cloud[J].IEEE Journal on Selected Areas in Communications, 2019, 37(7): 1632-1641.