刘凤霞，陈国栋，黄洪海，翟朝亮，余 轮

（福州大学 数字媒体研究院，福建 福州350002）

0 引 言

关于面向Web的三维交互技术的研究已经有相当的成果，但是这一技术在实际中并没有得到广泛的应用。首先，该技术需要在网络上传输大量的三维数据，海量的网格数据对计算机的存储能力和网络的传输能力提出了新的挑战［1］。其次，受网络带宽的限制，用户在访问网页之前要忍受较长的等待时间。再次，传统的传输策略是“先下载后显示”，不足在于响应时间太长。为了解决这些问题，人们提出了多种技术方案，其中最主要的有缓存（caching）和预取技术（pre－fetching）两种。缓存技术已在网络节点的不同位置得到广泛应用，但随着网络资源更新频率的增加，缓存带来的性能改善不再显著。预取技术为提高网络性能带来了新的机遇，同时也遇到了一些新的问题。大多数的预取算法都是将客户端、代理服务器端和服务器端的预取分开进行研究［2］，这样的研究方式并不能解决诸如将预取放在网络的什么位置、在一个给定的网络中应该进行预取的数量和不同位置之间的预取在什么情况下应该协作等问题。

为了提高用户体验，出现了一种新类型的Web应用，那就是富互联网应用（rich internet application，RIA）［3］。RIA简化并改进了Web应用程序的用户交互，可以提供更丰富、更具有交互性和响应性的用户体验。但现有RIA的响应速度还有待提高，特别是在人机交互非常频繁的系统中，这种需求更为迫切［4－5］。对于网络数据传输而言，需要计算机主动判断何时该为用户传输何种数据。所以可以把上下文感知计算引入数据的传输策略，利用用户没有发出请求时客户端网络的空闲时间，后台程序感知预测用户下一步的行为和该行为所需的驱动程序和数据，预先把用户所需的驱动程序和数据传输到浏览器端，进一步提高系统的响应性。

1 上下文感知计算模型

1.1 上下文感知计算模型的构建

上下文感知是指RIA系统能发现并有效利用上下文信息（如用户位置，浏览时间，环境参数，用户活动等）进行计算的一种计算模式。上下文感知技术是富互联网应用确定自身行为最为直接、有效的依据。在 Mikael［6］和李蕊［7］等人关于上下文感知计算的研究基础上，本文提出一个面向RIA的上下文感知计算模型，如图1所示。

图1 面向RIA的上下文感知计算模型

面向RIA的上下文感知计算模型调用不同的传感器对用户的输入和富互联网环境的隐式输入进行感知、监测和获取。这些上下文信息的主要来源包括3个方面：①经过识别的用户输入，它是用户意图和个性化因素最集中的体现，是用户上下文推理的主要依据；②服务器端的隐式输入，包括网络带宽的使用情况、服务器的负载情况等；③其它隐式输入，包括设备特征和上下文日志，所有上下文形成之后都被保存，从这些记录中往往可以提取规律性信息，挖掘出有意义的上下文。

不同类型的上下文在感知方法、数据类型、表示形式上存在显著的差异，为了对多源上下文信息进行整合，系统利用语义的支持消除这些底层差异，采用本体语言［8］对上下文信息进行统一的规范化描述，向高层应用提供表示格式统一、只与当前应用语义相关的上下文信息，使上下文的有效利用达到一个更高的水平。

上下文组织模块把表示过的上下文信息进行有效的管理和存储，方便后续的推理、调度和执行。

上下文形成后发出与高层应用通信的请求，系统则根据上下文信息表示的各个域的值对其进行推理和协调调度，其中上下文的优先级是调度的重要依据，越是重要的上下文信息，其优先级越高。对于优先级相等的上下文信息，则根据其是否抢占性进行调度。上下文的推理和调度是研究数据传输策略，增强用户体验的关键模块。

1.2 上下文推理及用户意图预测

用户在使用RIA系统过程中，下一步行为与用户的上下文（用户的浏览目的、文化背景、兴趣爱好、行为习惯等）及当前环境状态等因素相关联［9］。由于这些因素的差异，各个用户的浏览过程也就表现出不同的个性化特点，某些用户的浏览过程表现出相同或相近的特点。王大玲［10］和窦伊男［11］等对网络用户分类的研究取得了较好的结果。通过对用户分类，由于不同类别的用户其浏览过程差别较大，用不同的模型来描述他们的特征更为合理。

本文在获得上下文语义支持的基础上，通过多马尔科夫链模型［12］建立用户行为与上下文的联系，从而预测用户下一步行为。假设根据用户在富互联网空间的浏览特点可以将用户分为L类，首先利用单马尔科夫链模型［13－14］对每一类用户行为进行建模，定义每一类用户行为模型为：λl＝（S，Al，πl）。

其中：S＝｛s1，s2，…，sN｝代表用户的行为状态的集合，N为其隐含状态数；

Al＝｛alij｝，1≤i，j≤N表示第l类用户的动作状态转移概率矩阵，aij＝P ｛ql（t＋1）＝sj｜qlt＝si｝，q1t表示第l类用户在时刻t的状态；

πl表示第l类用户各行为的初始分布，πl＝｛πlj｝，πlj＝P（ql1＝sj），1≤j≤N。

根据马尔科夫链模型观测值与隐含状态之间的概率函数关系，在用户类别λl中，浏览序列O＝s1s2，…sT出现的概率为

记P（λl）为第l类用户的概率分布，则任意一个用户浏览序列O＝s1s2，…，sT出现的概率为

可以推导出该浏览序列属于第l类用户的概率为

用N维向量Dl（t）来描述第l类用户在时刻t的状态，若qlt＝si，则该向量的第i维为1，其余各维为0。用N维向量Vl（t）来描述第l类用户在时刻t0的状态概率，Vl（t）＝［P（qlt＝s1），P（qlt＝s1），…，P（qlt＝s1）］，利用式（4）对用户在t时刻的状态进行预测

向量Vl（t）中，概率值最大的那一维对应的状态，即用户在t时刻最可能的状态。

为验证该算法，采用数字媒体研究院开发的人体经络系统中的相关数据进行分析。从人体经络系统的日志文件中随机获取用户对服务器的3705次请求，并将这些数据转化为195个浏览序列，并从中随机抽取120个作为实验数据，建立多马尔科夫模型，其它75个作为测试数据。实验中采用动态预测方法，对每一个用户的下一个状态做出预测后，就利用该用户的浏览序列对该用户所属类别的马尔科夫链模型和概率分布进行更新。实验结果如图2所示。

图2 多马尔科夫链预测准确率

由图2可知用户的浏览序列越长，获得的用户信息就越多，对用户分类就越准确，预测的准确率也越高。

2 基于上下文感知的数据传输策略

本文把上下文感知计算技术引入面向RIA的系统传输策略中，如图3所示。

图3 面向RIA的数据传输策略

在浏览器和服务器之间增加一个上下文感知计算模块，以实现用户操作和服务器响应异步化。用户与RIA系统的交互过程中，服务器不再直接响应用户的请求，而是在用户主动请求之前，通过传感器获取当前计算环境中的上下文和历史上下文，并依据上下文感知计算模块感知计算的结果，向服务器发送数据预传输的请求。服务器按照请求并充分利用网络空闲时间向浏览器端发送数据，提高了网络带宽的利用率，缩短了用户的等待时间。

传统的Web请求处理过程中等待时间［15］如图4所示。

图4 传统的Web系统用户请求处理过程

所有等待时间（响应时间）＝（N1＋N2＋N3＋N4）＋（A1＋A2＋A3），其中，Nx代表网络等待时间，Ax代表应用等待时间。通常，响应时间主要由N1和N4决定，这个等待时间代表了客户访问Internet的方式。网络等待时间N2和N3常常依赖服务器交互设备的性能。要减少应用等待时间（A1，A2，A3）比较困难，因为服务器应用软件的复杂性将使得性能调整变得十分复杂。

面向RIA的数据传输策略的Web请求处理过程中的等待时间如图5所示。

图5 面向RIA的系统的用户请求处理过程

当用户发送请求之后，首先判断该请求所需要的数据是否已经根据上下文感知计算模型的计算结果事先传输到浏览器端，如果已经开始传输并传输完毕，响应时间约等于0，如果已经开始传输但是没有传输完毕，传输时间为传输剩余部分数据所需的时间。如果所请求的数据还没有开始传输，响应时间与传统的Web请求响应时间是一致的。

3 实验结果与分析

基于上述的理论和方法，将本文研究的面向RIA的数据传输策略应用于人体经络系统。实验中，客户端通过ADSL与服务器连接，根据用户体验来验证该传输策略的有效性。系统上下文感知计算模块通过分析用户在人体经络系统的浏览记录和特点将用户分为4类，记为λ1，λ2，λ3，λ4。以某老用户为例进行分析，以下为用户访问系统流程及系统的处理过程：

（1）用户输入登录信息，系统判断该用户类别为λ1，系统开始主菜单即场景1的数据传输。同时上下文感知计算模块根据该用户的浏览日志和马尔科夫链模型λ1，预测该用户下一步最可能浏览的场景（如场景2），并向服务器发送场景2数据的预传输请求；

图6 人体经络系统部分场景

（2）用户进入场景1，服务器开始场景2的数据传输，同时系统对马尔科夫链模型λ1和相关概率分布进行更新，上下文感知计算模块开始预测用户的下一步行为（如场景4）；

（3）用户发送请求，若用户选择场景2，即可直接进入场景2并开始用户与系统的交互，同时服务器开始场景4数据的预传输。若用户选择其它场景（如场景3），则服务器停止其他数据的传输，立刻向客户端传输场景3的相关数据；

（4）重复步骤（2）、（3），系统不断更新马尔科夫链模型λ1和预测用户下一步的数据需求。假设用户行为依次为场景1、场景2、场景4、场景5，场景5中又包含了相关视频、循经动画、模型操作等行为。故用户进入场景5后，系统要预测用户是要在当前场景中进行查看视频等操作，还是要进入下一个场景。

（5）假设系统预测到用户进入场景5后要查看相关视频，则服务器在传输完场景5的基本数据后，立刻开始传输相关视频。各相关场景如图6所示。

经过实验测试，得到用户在前一场景停留时间、场景数据传输时间和用户等待时间见表1。

表1 面向RIA的传输策略下的测试结果

传统的数据传输策略中，用户等待时间即场景传输时间，由表1可知，面向RIA的数据传输策略大大减少了用户的等待时间，特别是在比较复杂的场景中，效果更为明显。

4 结束语

本文以面向RIA的网络游戏的发布和用户体验为应用背景，将上下文感知计算引入到数据传输策略中，并应用于人体经络系统。用户在使用RIA系统初期只需下载初始化应用界面所需的少量数据，在后续使用过程中，系统能够自动感知或预测用户的意图和下一步对数据的需求，充分利用用户和系统交互过程中的网络空闲时间传输数据，减少了用户的等待时间。这种基于上下文感知的数据传输策略，为提高RIA系统的响应速度提供了新思路和新方法，具有广泛的应用前景。

［1］PANG Ming－yong，LU Zhang－ping，ZHANG Fu－yan，et al.Compact data format for progressive meshes and its data transmission over internet［J］.Journal of System Simulation，2007，19（2）：332－335（in Chinese）.［庞明勇，卢章平，张福炎，等.紧凑的累进网格数据格式及其网络传输［J］.系统仿真学报，2007，19（2）：332－335.］

［2］ZHAO Yue，LIU Yan－heng，LI Zhao，et al.Web prefetching model based on client［J］.Computer Engineering and Applications，2008，44（20）：102－106（in Chinese）.［赵越，刘衍珩，李钊，等.基于客户端的网页预取模型［J］.计算机工程与应用，2008，44（20）：102－106.］

［3］WU Bao－yu.RIA client－side technology research and application［D］.Hefei：Hefei University of Technology，2009（in Chinese）.［吴报玉.RIA客户端技术研究与应用［D］.合肥：合肥工业大学，2009.］

［4］Rong Yao，Wang Jian－dong，Ding Jian－li.RIA－based visualization platform of flight delay intelligent prediction［C］.Sanya，China：ISECS International Colloquium on CCCM，2009：94－97.

［5］Nijdam N A，Han S，Kevelham B，et al.A context－aware adaptive rendering system for user－centric pervasive computing environments［C］.Valletta，Malta：The 15th IEEE Mediterranean Electro Technical Conference，2010：790－795.

［6］Mikael Desertot，Sylvain Lecomte，Dana Popovici，et al.A context aware framework for services management in the transportation domain［C］.Athens，Greece：The 10th Annual International Conference on New Technologies of Distributed Systems（NOTERE），2010：157－164.

［7］LI Rui.Research on some key techniques of context－aware computing［D］.Changsha：Hunan University，2007（in Chinese）.［李蕊.上下文感知计算若干关键技术研究［D］.长沙：湖南大学，2007.］

［8］WANG Shu－ning，YU Jian－xin.Ontology－based context－aware system architecture［J］.Computer Engineering，2007，33（11）：42－43（in Chinese）.［王曙宁，俞建新.基于本体的上下文感知系统［J］.计算机工程，2007，33（11）：42－43.］

［9］Roman Y Shtykh，Zhu Yishui，Jin Qun.A context－aware framework for flowable services［C］.Qingdao，China：The third International Conference on Multimedia and Ubiquitous Engineering，2009：251－256.

［10］WANG Da－ling，BAO Yu－bin，YU Ge.Study of user classification rule mining for personalized recommendation［J］.Mini Micro Systems，2004，25（11）：1948－1951（in Chinese）.［王大玲，鲍玉斌，于戈.支持个性化推荐的用户分类规则挖掘的研究［J］.小型微型计算机系统，2004，25（11）：1948－1951.］

［11］DOU Yi－nan.Research on network user classification based on multi－dimensional characteristics［D］.Beijing：Beijing University of Posts and Telecommunications，2010（in Chinese）.［窦伊男.根据多维特征的网络用户分类研究［D］.北京：北京邮电大学，2010.］

［12］XING Yong－kang，MA Shao－ping.Modeling user navigation sequences based on multi－Markov chains［J］.Chinese Journal of Computers，2003，26（11）：1510－1517（in Chinese）.［邢永康，马少平.多Markov链用户浏览预测模型［J］.计算机学报，2003，26（11）：1510－1517.］

［13］PENG Limin.Research on semantic events of analyzing soccer video based on hidden Markov model［J］.Computer Engineering and Design，2008，29（19）：5002－5005（in Chinese）.［彭利民.基于HMM的足球视频语义分析研究［J］.计算机工程与设计，2008，29（19）：5002－5005.］

［14］WU Yi－jian.Research of speech synthesis technology based on hidden Markov model［D］.Hefei：University of Science and Technology of China，2006（in Chinese）.［吴义坚.基于隐马尔科夫模型的语音合成技术研究［D］.合肥：国科学技术大学，2006.］

［15］LU Xiao－li.Research on testing technology of web applications［D］.Xi’an：Northwest University，2006（in Chinese）.［路晓丽.Web应用软件的测试技术研究［D］.西安：西北大学，2006.］