基于神经网络与马尔可夫组合模型的视频流行度预测算法.docx

1 引言 根据思科2020年的统计[1]，视频流量占据了整个网络流量的 80%。在传统网络架构中，用户的访问请求需要经过基站的接入、核心网的访问以及冗长的链路回传才能完成，频繁的用户请求容易造成核心网络的拥塞[2]。将热点视频在边缘侧进行缓存，一方面可以减少纵向流量，另一方面还能降低时延，提升用户体验[3]。 其中，各类视频门户网站的电视剧播放量又占据了绝大部分的视频流量，并且电视剧通常周期性地更新剧集。为了减少中心节点与边缘节点内容的反复迁移，将未来一个星期内流行度较高的视频放入缓存更有价值，因此对视频流行度进行准确的中长期预测成为急需解决的问题[4]。 传统的视频流行度预测模型大致分为两类