基于P2PDVE预下载机制.docVIP

基于P2PDVE预下载机制 　　摘 要 传统的预下载多面向集中式网络，本文基于P2P设计了同时考虑自身及邻居需求的预下载。最后本文在开源框架FloD中实现了预下载机制，结果表明本文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（2013）103-0212-02 　　0引言 　　随着虚拟场景数据量不断增大，C/S-DVE中服务器成为了“瓶颈”，因此P2P在DVE中的优势逐渐受到人们的重视。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）[1]。当用户已下载完CPVS时，可通过预先判断并预下载FPVS使用户的浏览体验更为顺畅[1]。本文提出了适合P2P-DVE的预下载方法，将化身和邻居FPVS都考虑在内进行预下载。 　　1相关工作 　　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[1]。 　　基于历史运动轨迹的预下载主要有算术平均法、窗口法、EWMA及MLM。文献[3]介绍了算术平均法和窗口法，均只是简单计算历史向量的算术平均值，同时该文还提出EWMA法，考虑了不同时刻平移向量对预测的影响。文献[7]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[4]的SNP通过预下载节点周围的单元格来实现预下载，简单易实现但当节点在几个单元格间快速来回平移会降低性能，因此[5]提出了改进法PBNP，在更小范围内预下载，虽然效率提高但原理与SNP一样，仍会一定程度地影响性能。 　　因此现有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，要将自身和邻居需求都考虑在内，综合计算自身和邻居FPVS。 　　2基于P2P-DVE的预下载机制 　　2.1 P2P-DVE预下载的基本思想 　　P2P-DVE中任意两点都能建立联系，每一节点都可从任一节点处下载数据或向任一节点提供数据。因此本文认为P2P-DVE预下载时应：将自身及邻居的FPVS都考虑在内。 　　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 R，r为AOI半径。 　　2.2.2视觉关注度及热度的计算方法 　　视觉关注度代表了物体对于节点的视觉重要度。设物体为Oi，Oi到化身视点距离为Di，Oi偏离视线角度设为Ai，化身AOP的半径为RAOP，这样就可得到计算视觉关注度V（Oi）的公式[2]： 　　表示在视觉关注度中物体距离视点距离因素占的比例，则表示物体偏离视线角度所占比例。 　　如前所述，P2P-DVE预下载时需将邻居FPVS考虑在内。当请求物体过多且顺序失当时，会使节点本身浏览不流畅且无法顾及其他节点。因此本文引入热度的概念：在一定范围内对某一资源实体需求的总数。 　　假设有j个节点需要物体Oi，则物体Oi的热度为： 　　2.2.3确定预下载优先级 　　若某数据只有自身需要，那对该数据只需计算视觉关注度V（Oi）即可；若只有邻居需要那只需计算热度H（Oi）；若自身及邻居都需要，那两个因素都要考虑。 　　由于重要的数据应被优先下载，因此V（Oi）及H（Oi）越高的场景应被优先下载，反之亦然。同时为归一化，每个物体的V（Oi）和H（Oi）都应分别除以它们的最大值后排名。 　　假设V（Oi）最大值为Vmax，H（Oi）最大值为Hmax。则某物体Oi的视觉关注度和热度系数分别为： 　　由此可知物体Oi的优先级排名计算公式为： 　　为视觉关注度在优先级计算公式中占的比例。若Oi只被节点自身关注那，若只被邻居关注则为0，否则为0.5。 　　3实验及结果 　　本文设计的P2P-DVE预下载机制是在开源仿真平台FLoD [6]中实现运行。原始FLoD未实现预下载，因此本文的预下载是针对FLoD进行对比测试的。 　　图1场景下载节点命中率折线图 　　图1为下载场景的节点命中率，可看出P2P-DVE的预下载机制有效帮助系统提高了数据请求命中率，提升了系统的整体性能。