Optimal content placement and request dispatching for cloud-based video distribution services

Distribuição de Conteúdo Sob Demanda Através da Alocação de Microserviços Dinâmicos na Borda e Núcleo da Rede

“…Xiao et al modelam o redirecionamento dinâmico de requisições distribuídas geograficamente na forma de um problema de otimização estocástico, buscando minimizar os custos de aluguel de recursos de nuvem e melhorar a QoE de serviços de distribuição de vídeo [Xiao et al 2015]. Zhang, Jiang e Xi propõem um mecanismo de posicionamento de conteúdo e encaminhamento de requisições para conteúdo de vídeo baseado em um processo de decisão de Markov, buscando maximizar os lucros do provedor de serviço [Zhang et al 2016]. Ambos os trabalhos exploram a correlação de métricas de QoS com a QoE para distribuição de vídeo.…”

“…Características QoE QoS Cache Requisição Computação em névoa DFA DRA [Tang et al 2014] [Siavoshani et al 2017] [Chunlin et al 2019] [Xiao et al 2015] [Zhang et al 2016] [Aazam and Huh 2015] [Aazam et al 2016] [Ni et al 2017 Com base na análise dos trabalhos relacionadosé possível concluir que serviços de VoD implantados em ambientes de computação em névoa com múltiplos níveis exploram a unificação de recursos de diferentes dispositivos de rede a fim de ampliar sua QoE. Portanto, torna-se essencial direcionar as requisições para nós de computação em névoa adequados, assim evitando que usuários abandonem o serviço devido a uma baixa QoE.…”

An eigenvalue‐based edge infrastructure for cloud‐based CDN

“…Zhang et al 14 apply sensitivity analysis and sample path-based policy iteration approaches for placing cloud-based services in the data center to minimize cost and improve QoE satisfaction of users. Eslami and Haghighat 13 have formulated virtual surrogate server placement problem in CCDN using multiple knapsacks and competitive facility location problem.…”

“…They proposed multiple knapsack and competitive facility (MKCF-VSP)-based virtual surrogate placement algorithm to improve QoS of CCDN regarding the number of surrogate servers, the proximity between an end user and server, deployment cost, and workload variation. Zhang et al 14 apply sensitivity analysis and sample path-based policy iteration approaches for placing cloud-based services in the data center to minimize cost and improve QoE satisfaction of users. Choy et al 15 have proposed a hybrid edge cloud framework to reduce on-demand gaming latency.…”

“…Surrogate/edge server placement approaches Proposed a greedy heuristic least usage greedy (LUG) for replica server placement in CCDN.Yin et al9 Use farthest point clustering (FPC) and hierarchical clustering (HC) approach for clustering of users.Wang et al10 Developed marginal greedy (MG) method to pick N out of M probable locations for cloud service deployment.Eslami and Haghighat 13 Proposed MKCF-VSP for placement of virtual surrogate server.Zhang et al14 Use Markov decision process model (MDP) for optimal deployment of video distribution services in geographically distributed cloud data centers. Also, use k-means algorithm for clustering based on popularity.…”