桂易琪,鞠爽爽

(扬州大学信息工程学院,江苏 扬州 225100)

0 引 言

随着互联网的发展，人们对P2P流媒体的关注越来越密切。在这样的背景下，以热点视频预测为切入点的研究引起了高度的重视，并成为未来的发展趋势。对热点视频的预测是一种多模式的问题，因为正确的预测需要挖掘出很多视频中未给出的潜在信息[1]。对于预测来说，通过用户的行为感知用户的兴趣爱好，起着非常关键的作用。但是，由于用户操作的交互性及网络状态变化的随机性，视频预测的准确性和有效性是一个紧要问题。本文提出一种基于马尔可夫修正模型的视频预测策略。该策略能够在用户和网络随机变化的情况下，自适应地对热点视频进行预测，具有更高的可行性和准确性。相比于使用神经网络，本文算法可避免复杂的训练过程，显著提高视频的播放质量。

1 相关工作

最近几年，为了提升视频软件的播放效率和质量，国内大量的学者对此进行了广泛研究。对热点视频段的选择是P2P流媒体中一个具有挑战性的领域，准确地识别出热门视频至关重要[2]。

由于P2P流媒体中各节点可在服务节点和请求节点之间相互切换，所以用户量的增多也会带来服务节点跟请求节点的增多，这会导致网络流量的增多。因此需要P2P流媒体中的缓存策略选择合适的节点并合理地替换掉该节点中的视频段，通过提高视频段命中率的方式减少请求节点的搜寻时间，进而减少网络压力。……