基于P2P―DVE预下载机制.docVIP

基于P2P―DVE预下载机制 　　摘 要 访问在线虚拟场景需预先加载数据，然而已有的预下载机制多面向集中式网络。本文设计了基于P2P的预下载机制，当节点预下载时将自身及邻居需求都考虑在内，既提升了普通节点的预加载效率，又降低了服务器负载。最后，我们基于开源框架FLoD实现了本文的预下载机制。实验结果也表明了本文所提出的方法能有效提高在网络上漫游虚拟世界的流畅度。 关键词 分布式虚拟环境；对等覆盖网络；预下载 中图分类号TP39 文献标识码A 文章编号 1674-6708（2014）108-0213-02 0引言 传统虚拟现实系统都局限在本地使用，随着互联网发展分布式虚拟环境（Distributed Virtual Environments， DVE）[1]应运而生并得到广泛使用，而随着场景数据量不断增大， C/S模式中服务器成为了系统的“瓶颈”，因此P2P在DVE中的优势逐渐受到研究人员的重视[3]。 此外受限于视野范围，化身在DVE中只能观察到局部场景，这就是用户的当前潜在可视场景集（CPVS， Current Potential Visible Scenes）；而用户未来可能需要的场景就是未来潜在可视场景集（FPVS， Future Potential Visible Scenes）[2]。因此当用户已经下载完CPVS时，可通过预先判断并预下载FPVS使用户的浏览体验变得更为顺畅[2]。 本文提出了适合P2P-DVE的预下载方法，将化身和邻居的FPVS都考虑在内并进行预下载。 1相关工作 DVE中节点在CPVS已下载后可提前下载FPVS，这样当视点移动到下一位置时CPVS就有可能已被下载了。传统预下载策略分为基于历史运动轨迹和基于领域扩张的预下载[2]。 基于历史运动轨迹的预下载主要有算术平均法、窗口法以及指数加权平移平均法、MLM法。文献[5]介绍了算术平均法和窗口法，它们都只是简单计算历史向量的算术平均值，同时该文还提出了指数加权平移平均法EWMA，考虑了不同时刻的平移向量对预测的影响。文献[9]提到MLM预下载方法，假设只通过鼠标来控制并通过预测鼠标位置来间接预测化身位置。 基于领域扩张的预下载主要有SNP和PBNP算法。文献[6]提出了SNP法，通过预下载节点周围的单元格来实现预下载，其简单易实现但当节点在几个单元格间快速来回平移则会降低性能，因此[7]提出了改进算法PBNP，在更小范围内预下载，虽然效率更高但原理与SNP一样，仍会一定程度地影响性能。 综上所述，现有DVE预下载机制均基于集中式DVE，只考虑自身的运动轨迹或趋势。但P2P-DVE在预下载时还应考虑邻居的FPVS，因此要设计一种将自身和邻居需求都考虑在内的方法，综合计算自身和邻居的FPVS。 2基于P2P-DVE的预下载机制 2.1 P2P-DVE预下载的基本思想 正因为上述传统预下载机制缺陷的存在，同时认识到P2P-DVE中的预下载机制应该利用P2P网络的特性，本文提出了一种全新的预下载方法。 现有预下载机制都是基于集中式DVE系统设计的。在集中式DVE系统中每个节点都只与服务器建立联系，不会与其它节点进行通信。因此在这种系统中，所有节点都只需向服务器请求下载自己当前需要的数据，在网络空闲时再下载未来可能需要的数据即可，因此也仅需要“自私”地计算自身未来的运动趋势就能达到预下载的要求。 但在P2P-DVE中的情况完全不同。成熟的P2P-DVE系统需要尽可能弱化服务器在场景部署中的作用，DVE系统中的任意两个节点都能建立联系，每一个节点都能从任一节点处下载场景数据或者向任一节点提供场景数据。在P2P-DVE系统中体现的是“分享”的思想。 正是基于以上考虑，本文认为在P2P-DVE中预下载也应该体现P2P“分享”的概念。P2P-DVE系统中的节点进行预下载时，除考虑化身自身未来可能的运动趋势外，也需要考虑周围邻居化身需要的FPVS。如此，基于P2P-DVE系统的预下载机制的设计应运而生。 2.2 P2P-DVE预下载算法的设计 2.2.1预下载区域（AOP） 预下载时AOI内数据（即CPVS）已获取完毕，需要关注的是比AOI更大范围的场景，因此本文在AOI外围定义了另一个圆，叫预下载区域（AOP， Area of Prefetching），是以化身位置为圆心，R为半径的圆，其中r 　　在当前的预下载问题中，某个物体的热度就是指在一定空间范围内需要该物体的用户个数。 2.2.3确定预下载优先级 若某一场景只有自身需要，那对该场景只需要计算“视觉关注度”即可；若某一场景只有周围邻居节点需要，那对该场景只需要计算“热度”即可