赵命燕，李泽平

(贵州大学计算机科学与技术学院，贵州 贵阳 550025)

0 引 言

随着互联网技术的飞速发展，互联网提供的服务也发生了一定的变化。早期的互联网应用主要集中于网页浏览、文件共享等文本信息通信服务，已不能满足人们日益丰富和多样化的需求，视频会议、远程教学、视频点播等新的流媒体服务和应用如雨后春笋般地出现，因此流媒体的发展为存储及网络带宽等带来不小的挑战[1]。通过在离用户更近的服务器端缓存热点内容，能减少用户访问的响应时间，提高服务质量。如何合理地选取缓存内容以提高资源利用率是流媒体服务目前面临的主要问题，解决该问题的关键是需要对流媒体文件的流行度进行科学的预测。

近年来，随着网络中流媒体文件的激增，越来越多的研究者关注流行度预测问题。现有的流行度预测方法主要分为2大类，基于时间序列建模的流行度预测方法及基于机器学习的流行度预测方法[2]。Tan等人[3]将在线视频的流行度视为给定时间段的时间序列，并提出一种新的流行度预测时间序列模型，该模型基于视频累积的观看次数的方差之间的相关性进行预测，而不是其不同阶段的累积观看次数的值。该模型优于现有的几个流行度预测模型，但并未考虑外部因素，如视频的演员、上映时间等对视频点播量的影响。Li等人[4]提出一种新颖的在线学习方法来执行高效快速的缓存替换策略。该学习方法不直接了解每个内容的受欢迎程度，而是学习内容的未来流行度与上下文之间的关系，从而利用不同内容访问模式之间的相似性。……