本發(fā)明涉及一種分布式虛擬環(huán)境數(shù)據(jù)傳輸方法，特別涉及一種基于可擴(kuò)展興趣區(qū)域大規(guī)模DVE場景對等漸進(jìn)傳輸方法。

背景技術(shù)：

大規(guī)模DVE網(wǎng)絡(luò)傳輸模式經(jīng)歷了三個(gè)發(fā)展階段：(1)單服務(wù)器/多客戶端；(2)多服務(wù)器/多客戶端；(3)對等網(wǎng)(P2P，Peer-to-Peer)。第一種傳輸模式簡單成熟，數(shù)據(jù)的一致性較好，但當(dāng)大量用戶同時(shí)下載時(shí)可能給服務(wù)器帶來極高的工作負(fù)擔(dān)；第二種模式利用多臺服務(wù)器降低單臺服務(wù)器的工作負(fù)載，雖然可使每臺服務(wù)器負(fù)載有所下降，但當(dāng)某些子區(qū)域內(nèi)用戶數(shù)量急劇增加時(shí)，單服務(wù)器/多客戶端結(jié)構(gòu)的缺陷依然存在，而“用戶遷移”策略則會增加額外的開銷；第三種模式充分利用了節(jié)點(diǎn)間的帶寬，有效減輕了服務(wù)器端的負(fù)載。P2P網(wǎng)絡(luò)傳輸DVE(Distributed Virtual Environments，分布式虛擬環(huán)境)場景的基本原理是：DVE中用戶化身在虛擬空間中與鄰近用戶化身的AOI(area of interest，興趣區(qū)域)存在重疊部分，由于不同用戶在不同時(shí)刻訪問了同一興趣域，先到者已經(jīng)下載并緩存了該區(qū)域內(nèi)的場景，因此后來者可直接向其鄰近化身節(jié)點(diǎn)請求下載場景來實(shí)現(xiàn)節(jié)點(diǎn)間的數(shù)據(jù)共享，從而充分利用節(jié)點(diǎn)網(wǎng)絡(luò)帶寬，來緩解服務(wù)器負(fù)載瓶頸問題，以提高數(shù)據(jù)傳輸效率。

目前針對基于P2P網(wǎng)絡(luò)的DVE傳輸策略，較為通用的做法是根據(jù)用戶當(dāng)前視點(diǎn)確定落入其視野范圍的場景，通過特定策略在P2P網(wǎng)絡(luò)中發(fā)現(xiàn)擁有用戶所需場景的節(jié)點(diǎn)，然后與之建立連接并下載該場景。但上述方法仍存在以下不足：

1)場景拾取策略簡單?，F(xiàn)有的場景拾取算法均為AOI靜態(tài)拾取，沒有與用戶的視點(diǎn)特征和場景分布特征結(jié)合起來，拾取模式固化、粗糙，并且沒有考慮場景級別的增量式漸進(jìn)傳輸。

2)數(shù)據(jù)傳輸實(shí)時(shí)性低。大規(guī)模虛擬場景的數(shù)據(jù)復(fù)雜度很高，考慮到視點(diǎn)距離、場景遮擋等因素，視野中場景的構(gòu)建和渲染具有相應(yīng)的先后順序，而當(dāng)前的傳輸策略沒有考慮到場景增量下載的優(yōu)先級，導(dǎo)致數(shù)據(jù)傳輸?shù)膶?shí)時(shí)性較低。

3)數(shù)據(jù)請求成功率低。在判斷潛在下載源的策略中，當(dāng)前的算法并不考慮節(jié)點(diǎn)所在的區(qū)域及其優(yōu)先級，并在選擇下載源時(shí)，多采用隨機(jī)選擇策略，這造成了節(jié)點(diǎn)負(fù)載不均衡，數(shù)據(jù)請求成功率過低的現(xiàn)象，影響了DVE的傳輸效率。

因此，現(xiàn)有技術(shù)還有待于改進(jìn)和發(fā)展。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供一種基于可擴(kuò)展興趣區(qū)域大規(guī)模DVE場景對等漸進(jìn)傳輸方法，解決了現(xiàn)有技術(shù)存在的場景拾取策略簡單、數(shù)據(jù)傳輸實(shí)時(shí)性低和數(shù)據(jù)請求成功率低的問題。

本發(fā)明的上述目的通過以下技術(shù)方案實(shí)現(xiàn)：

基于可擴(kuò)展興趣區(qū)域大規(guī)模DVE場景對等漸進(jìn)傳輸方法，包括以下步驟：

步驟A00：將化身的興趣區(qū)域圓域分劃為兩個(gè)扇形興趣區(qū)域，并分別將每個(gè)扇形興趣區(qū)域動態(tài)地?cái)U(kuò)展為多層增量式興趣扇形域；

步驟B00：通過場景下載源分級搜索算法從多層增量式興趣扇形域中搜索化身所需要的場景下載源集合；

步驟C00：通過最優(yōu)場景下載源選擇算法從場景下載源集合中選擇出最優(yōu)場景下載源。

所述的步驟A00具體包括以下步驟：

步驟a10：將化身的興趣區(qū)域圓域細(xì)化并分劃為兩個(gè)扇形興趣區(qū)域；

步驟a20：從興趣區(qū)域的半徑的中點(diǎn)處將其中一個(gè)扇形興趣區(qū)域分劃為兩層扇形域，分別記為N扇形域?qū)雍虵扇形域?qū)樱?/p>

步驟a30：分別計(jì)算每層扇形域內(nèi)的場景文件數(shù)據(jù)量與該層扇形域內(nèi)節(jié)點(diǎn)的可用帶寬的比值，分別記為R_N、R_F；

步驟a40：比較R_N和R_F之差的絕對值是否小于閾值t_d，是，執(zhí)行步驟a60，否，執(zhí)行步驟a50；

步驟a50：減少R_N和R_F中較大值所在的扇形域?qū)拥陌霃街敝罵_N和R_F之差的絕對值小于t_d，并執(zhí)行步驟a60；

步驟a60：分別判斷R_N、R_F與t_s的大小，若R_N≥t_s且R_F≥t_s，執(zhí)行步驟a71，若R_N≥t_s且R_F<t_s，執(zhí)行步驟a72，若R_N<t_s且R_F≥t_s，執(zhí)行步驟a73，若R_N<t_s且R_F<t_s，執(zhí)行步驟a80；

步驟a71：將N層從其當(dāng)前半徑中點(diǎn)處再分劃為兩個(gè)子層，并執(zhí)行步驟a30；同時(shí)將F層從其當(dāng)前半徑中點(diǎn)處再分劃為兩個(gè)子層，并執(zhí)行步驟a30；

步驟a72：將N層從其當(dāng)前半徑中點(diǎn)處再分劃為兩個(gè)子層，并執(zhí)行步驟a30；

步驟a73：將F層從其當(dāng)前半徑中點(diǎn)處再分劃為兩個(gè)子層，并執(zhí)行步驟a30；

步驟a80：其中一個(gè)扇形興趣區(qū)域的多層增量式興趣扇形域分劃完成；

步驟a90：將另一個(gè)扇形興趣區(qū)域重復(fù)執(zhí)行步驟a20-步驟a80，化身興趣區(qū)域的多層增量式興趣扇形域分劃完成。

所述的閾值t_d設(shè)定為0.1，閾值t_s設(shè)定為1。

由兩個(gè)扇形興趣區(qū)域分別劃分而成的兩個(gè)多層增量式興趣扇形域分別為當(dāng)前可視區(qū)域和旋轉(zhuǎn)后可視區(qū)域，其中當(dāng)前可視區(qū)域的扇環(huán)夾角為120°，旋轉(zhuǎn)后可視區(qū)域的扇環(huán)夾角為240°。

設(shè)定請求化身需要下載落入其多層增量式興趣區(qū)域內(nèi)Q_i(-n≤i≤n-1)中的場景，所述的步驟B00具體包括以下步驟：

步驟b10：化身向Q_i內(nèi)的節(jié)點(diǎn)發(fā)送P_j的場景查詢請求；

步驟b20：判斷P_j的場景查詢請求是否被Q_i內(nèi)的某些節(jié)點(diǎn)成功回應(yīng)，是，執(zhí)行步驟b90，否，執(zhí)行步驟b30；

步驟b30：對當(dāng)前MISAOI中的擴(kuò)展層分別按照<Q_(i+1),Q_(1-i)>、<Q_(i+2),Q_-i>…的查詢優(yōu)先級順序插入到二元組隊(duì)列Que_search，生成查詢優(yōu)先級隊(duì)列Que_search；

步驟b40：化身向隊(duì)列Que_search隊(duì)頭的擴(kuò)展層內(nèi)節(jié)點(diǎn)發(fā)送P_j的查詢請求；

步驟b50：判斷P_j的場景查詢請求是否被某些節(jié)點(diǎn)成功回應(yīng)，是，執(zhí)行步驟b90，否，執(zhí)行步驟b60；

步驟b60：判斷Que_search當(dāng)前被查詢的擴(kuò)展層是否為隊(duì)列的最后一層，否，執(zhí)行步驟b70，是，執(zhí)行步驟b81；

步驟b70：化身向隊(duì)列Que_search的下一層擴(kuò)展層內(nèi)節(jié)點(diǎn)發(fā)送P_j的查詢請求，并執(zhí)行步驟b50；

步驟b81：將現(xiàn)有n層MISAOI擴(kuò)大至n+1層，并向該層中的節(jié)點(diǎn)發(fā)送P_j的查詢請求；

步驟b82：判斷P_j的場景查詢請求是否被某些節(jié)點(diǎn)成功回應(yīng)，是，執(zhí)行步驟b90，否，執(zhí)行步驟b83；

步驟b83：將服務(wù)器視為P_j最后的場景下載源；

步驟b90：化身所需要的場景下載源集合搜索結(jié)束。

所述的步驟C00具體包括以下步驟：

步驟c10：對場景P_i的每個(gè)場景下載源計(jì)算其資源得分；

步驟c20：篩選出P_i的場景下載源中資源得分高于閾值T_Resource的節(jié)點(diǎn)，按資源得分從高到低生成隊(duì)列Q_Source；

步驟c30：將P_i的下載請求分配給Q_Source隊(duì)頭第一個(gè)節(jié)點(diǎn)，判斷該節(jié)點(diǎn)是否可以提供場景P_i的下載服務(wù)，是，執(zhí)行步驟c40，否，執(zhí)行步驟c50；

步驟c40：該節(jié)點(diǎn)將數(shù)據(jù)P_i發(fā)送給請求化身，將該節(jié)點(diǎn)從隊(duì)列Q_Source中刪除，并結(jié)束最優(yōu)場景下載源的搜索；

步驟c50：判斷Q_Source隊(duì)列中當(dāng)前被請求下載資源的節(jié)點(diǎn)是否為隊(duì)列的最后一個(gè)節(jié)點(diǎn)，否，執(zhí)行步驟c60，是，執(zhí)行步驟c70；

步驟c60：將P_i的下載請求分轉(zhuǎn)發(fā)至隊(duì)列Q_Source中的下一個(gè)節(jié)點(diǎn)，判斷該節(jié)點(diǎn)是否可以提供場景P_i的下載服務(wù)，是，執(zhí)行步驟c40，否，執(zhí)行步驟c50；

步驟c70：降低閾值T_Resource，并執(zhí)行步驟c20。

設(shè)定場景文件的下載請求化身有n個(gè)場景下載源，通過以下公式來評估每個(gè)場景下載源的資源得分狀況：

其中，ResourceScore(i)為場景下載源i的資源得分，NumofRequest(i)為場景下載源i正在處理的下載請求數(shù)量，Bw(i)為目前場景下載源i的可用帶寬，而Lat(i)表示下載請求節(jié)點(diǎn)到場景下載源i的基本網(wǎng)絡(luò)傳輸延時(shí)，分別分配權(quán)重α，β和γ，α+β+γ＝1，這三個(gè)權(quán)重初始均設(shè)為等值。

本發(fā)明的有益效果在于：本發(fā)明通過提供一種基于可擴(kuò)展AOI的大規(guī)模DVE場景對等漸進(jìn)傳輸方法，首先定義了多層增量式可擴(kuò)展興趣扇形區(qū)域(MISSOI,Multi-Layered&Incrementally Scalable SOI)，根據(jù)節(jié)點(diǎn)AOI內(nèi)的場景數(shù)據(jù)量和鄰居節(jié)點(diǎn)的可用帶寬給出了MISSOI的分劃擴(kuò)展算法，對場景增量下載的優(yōu)先級進(jìn)行了量化，以提高場景的拾取精度；然后基于多層增量式可擴(kuò)展興趣區(qū)域(MISAOI，Multi-layered&Incrementally Scalable AOI)和負(fù)載均衡思想提出了場景下載源分級搜索算法和最優(yōu)場景下載源選擇算法，以上算法減少了信息交互次數(shù)，顯著提升了數(shù)據(jù)請求的準(zhǔn)確度和成功率，提高了場景數(shù)據(jù)的傳輸效率，并對系統(tǒng)的負(fù)載進(jìn)行了均衡優(yōu)化。

附圖說明

此處所說明的附圖用來提供對本發(fā)明的進(jìn)一步理解，構(gòu)成本申請的一部分，本發(fā)明的示意性實(shí)例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。

圖1是本發(fā)明中基于可擴(kuò)展興趣區(qū)域大規(guī)模DVE場景對等漸進(jìn)傳輸方法的步驟流程圖。

圖2是本發(fā)明中多層增量式興趣扇形域MISSOI的結(jié)構(gòu)示意圖。

圖3是本發(fā)明中步驟A00的具體流程圖。

圖4是本發(fā)明中MISAOI場景下載源分級搜索策略的結(jié)構(gòu)示意圖。

圖5是本發(fā)明中步驟B00的具體流程圖。

圖6是本發(fā)明中步驟C00的具體流程圖。

具體實(shí)施方式

下面結(jié)合附圖進(jìn)一步說明本發(fā)明的詳細(xì)內(nèi)容及其具體實(shí)施方式。

參見圖1至圖6所示，本發(fā)明的基于可擴(kuò)展興趣區(qū)域(AOI，area of interest)大規(guī)模DVE(Distributed Virtual Environments，分布式虛擬環(huán)境)場景對等漸進(jìn)傳輸方法，具體包括以下步驟：

步驟A00：將化身的興趣區(qū)域圓域分劃為兩個(gè)扇形興趣區(qū)域(SOI，Sector of Interests)，并分別將每個(gè)扇形興趣區(qū)域動態(tài)地?cái)U(kuò)展為多層增量式興趣扇形域(MISSOI，Multi-layered&Incrementally Scalable SOI)；

步驟B00：通過場景下載源分級搜索算法從多層增量式興趣扇形域中搜索化身所需要的場景下載源集合；

步驟C00：通過最優(yōu)場景下載源選擇算法從場景下載源集合中選擇出最優(yōu)場景下載源。

具體地，為適應(yīng)P2P網(wǎng)絡(luò)(Peer-to-Peer，對等網(wǎng)絡(luò))中場景的并行傳輸需求，所述步驟A00中將現(xiàn)有的AOI擴(kuò)展為多層增量式興趣扇形域(MISSOI)，用于當(dāng)前可視場景的判定和場景下載源的搜索。如圖2所示，假設(shè)現(xiàn)有兩個(gè)n層MISSOI，每個(gè)MISSOI由n個(gè)同心扇區(qū)組成，上下兩個(gè)同心MISSOI對應(yīng)組成一個(gè)AOI。按照當(dāng)前視線方向從遠(yuǎn)到近，標(biāo)識每個(gè)子區(qū)域?yàn)镼_n,Q_n-1,…,Q₀,…,Q_-(n-1)。MISSOI的最外層半徑即為AOI的半徑R，均為觀察者的最大可視距離。從整體上看，這兩個(gè)MISSOI分別又可稱為CVR(Current Visible Region，當(dāng)前可視區(qū)域，由Q₁,Q₂,…Q_n組成的一個(gè)扇環(huán)，扇環(huán)夾角通常為120°)和VRA(Visible Region After Rotation，旋轉(zhuǎn)后可視區(qū)域，由Q₀,Q_-1,Q_-2,…Q_-(n-1)組成)。如圖3所示，所述步驟A00具體包括以下步驟：

步驟a10：將化身的AOI圓域細(xì)化并分劃為兩個(gè)SOI；

步驟a20：從AOI的半徑R的中點(diǎn)處將其中一個(gè)SOI分劃為兩層扇形域，分別記為N扇形域?qū)雍虵扇形域?qū)樱?/p>

步驟a30：分別計(jì)算每層扇形域內(nèi)的場景文件數(shù)據(jù)量與該層扇形域內(nèi)節(jié)點(diǎn)的可用帶寬的比值，分別記為R_N、R_F；

步驟a40：比較R_N和R_F之差的絕對值是否小于閾值t_d，是，執(zhí)行步驟a60，否，執(zhí)行步驟a50；

步驟a50：減少R_N和R_F中較大值所在的扇形域?qū)拥陌霃街敝罵_N和R_F之差的絕對值小于t_d，并執(zhí)行步驟a60；

步驟a60：分別判斷R_N、R_F與t_s的大小，若R_N≥t_s且R_F≥t_s，執(zhí)行步驟a71，若R_N≥t_s且R_F<t_s，執(zhí)行步驟a72，若R_N<t_s且R_F≥t_s，執(zhí)行步驟a73，若R_N<t_s且R_F<t_s，執(zhí)行步驟a80；

步驟a71：將N層從其當(dāng)前半徑中點(diǎn)處再分劃為兩個(gè)子層，并執(zhí)行步驟a30；同時(shí)將F層從其當(dāng)前半徑中點(diǎn)處再分劃為兩個(gè)子層，并執(zhí)行步驟a30；

步驟a72：將N層從其當(dāng)前半徑中點(diǎn)處再分劃為兩個(gè)子層，并執(zhí)行步驟a30；

步驟a73：將F層從其當(dāng)前半徑中點(diǎn)處再分劃為兩個(gè)子層，并執(zhí)行步驟a30；

步驟a80：其中一個(gè)SOI的多層增量式興趣扇形域分劃完成；

步驟a90：將另一個(gè)SOI重復(fù)執(zhí)行步驟a20-步驟a80，化身AOI的多層增量式興趣扇形域分劃完成。

其中，閾值t_d為MISSOI分層的終止條件(設(shè)定為0.1)，而t_s則是MISSOI分劃的終止條件(設(shè)定為1)。待分劃結(jié)束后，單層SOI就演變?yōu)橐粋€(gè)層數(shù)為2n的MISSOI。

步驟a10至步驟a80定義了對單層SOI進(jìn)行分劃得到MISSOI的過程，目的在于分劃后每層內(nèi)的場景下載請求量與分配給該層內(nèi)的節(jié)點(diǎn)資源(如帶寬)相匹配。我們使用了Voronoi圖的鄰居發(fā)現(xiàn)策略來發(fā)現(xiàn)MISSOI及其各層內(nèi)的節(jié)點(diǎn)。

對于鄰居節(jié)點(diǎn)的發(fā)現(xiàn)和下載源的搜索，我們將做整體化考慮，由于在場景漫游中，化身視點(diǎn)的移動方向是多變的，興趣扇區(qū)和自身SOI之間有重疊的鄰居節(jié)點(diǎn)，不一定在自身的SOI中，但絕大部分在自身的AOI中，我們把視點(diǎn)前后的兩個(gè)MISSOI合并成為MISAOI(Multi-layered&Incrementally Scalable AOI)，這樣將更加有利于鄰居節(jié)點(diǎn)的判定和選擇。

當(dāng)一個(gè)請求節(jié)點(diǎn)需要下載給定區(qū)域內(nèi)場景時(shí)，由于化身正位于該區(qū)域或離該區(qū)域較近的節(jié)點(diǎn)與該請求節(jié)點(diǎn)有更多相同的興趣域，因此這些節(jié)點(diǎn)更有可能成為合適的場景下載源?；谝陨险J(rèn)識，本技術(shù)方案提出一種基于MISAOI的場景下載源分級搜索策略，如圖4所示。假設(shè)一個(gè)請求節(jié)點(diǎn)需要下載落入其MISAOI內(nèi)Q_i(-n≤i≤n-1)中的場景，如圖5所示，所述步驟B00具體包括以下步驟：

步驟b10：化身向Q_i內(nèi)的節(jié)點(diǎn)發(fā)送P_j的場景查詢請求；

步驟b20：判斷P_j的場景查詢請求是否被Q_i內(nèi)的某些節(jié)點(diǎn)成功回應(yīng)，是，執(zhí)行步驟b90，否，執(zhí)行步驟b30；

步驟b30：對當(dāng)前MISAOI中的擴(kuò)展層分別按照<Q_(i+1),Q_(1-i)>、<Q_(i+2),Q_-i>…的查詢優(yōu)先級順序插入到二元組隊(duì)列Que_search，生成查詢優(yōu)先級隊(duì)列Que_search；

步驟b40：化身向隊(duì)列Que_search隊(duì)頭的擴(kuò)展層內(nèi)節(jié)點(diǎn)發(fā)送P_j的查詢請求；

步驟b50：判斷P_j的場景查詢請求是否被某些節(jié)點(diǎn)成功回應(yīng)，是，執(zhí)行步驟b90，否，執(zhí)行步驟b60；

步驟b60：判斷Que_search當(dāng)前被查詢的擴(kuò)展層是否為隊(duì)列的最后一層，否，執(zhí)行步驟b70，是，執(zhí)行步驟b81；

步驟b70：化身向隊(duì)列Que_search的下一層擴(kuò)展層內(nèi)節(jié)點(diǎn)發(fā)送P_j的查詢請求，并執(zhí)行步驟b50；

步驟b81：將現(xiàn)有n層MISAOI擴(kuò)大至n+1層，并向該層中的節(jié)點(diǎn)發(fā)送P_j的查詢請求；

步驟b82：判斷P_j的場景查詢請求是否被某些節(jié)點(diǎn)成功回應(yīng)，是，執(zhí)行步驟b90，否，執(zhí)行步驟b83；

步驟b83：將服務(wù)器視為P_j最后的場景下載源；

步驟b90：化身所需要的場景下載源集合搜索結(jié)束。

為了對節(jié)點(diǎn)的整體供應(yīng)能力進(jìn)行統(tǒng)一的優(yōu)化調(diào)度，本技術(shù)方案提出了一種“場景下載請求動態(tài)分配”策略：對于場景文件下載請求隊(duì)列中的每一個(gè)請求，將從其當(dāng)前所有場景下載源中選擇一個(gè)處理能力最強(qiáng)的節(jié)點(diǎn)(最優(yōu)場景下載源)來提供下載服務(wù)。假定某場景文件的下載請求節(jié)點(diǎn)有n個(gè)場景下載源，通過以下公式來評估每個(gè)場景下載源的資源得分狀況，設(shè)ResourceScore(i)為場景下載源i的資源得分，NumofRequest(i)為場景下載源i正在處理的下載請求數(shù)量，Bw(i)為目前場景下載源i的可用帶寬，而Lat(i)表示下載請求節(jié)點(diǎn)到場景下載源i的基本網(wǎng)絡(luò)傳輸延時(shí)，分別分配權(quán)重α，β和γ，α+β+γ＝1，這三個(gè)權(quán)重初始均設(shè)為等值。

如圖6所示，所述步驟C00包括以下步驟：

步驟c10：對場景P_i的每個(gè)場景下載源，用式1計(jì)算其資源得分；

步驟c20：篩選出P_i的場景下載源中資源得分高于閾值T_Resource的節(jié)點(diǎn)，按資源得分從高到低生成隊(duì)列Q_Source；

步驟c30：將P_i的下載請求分配給Q_Source隊(duì)頭第一個(gè)節(jié)點(diǎn)，判斷該節(jié)點(diǎn)是否可以提供場景P_i的下載服務(wù)，是，執(zhí)行步驟c40，否，執(zhí)行步驟c50；

步驟c40：該節(jié)點(diǎn)將數(shù)據(jù)P_i發(fā)送給請求化身，將該節(jié)點(diǎn)從隊(duì)列Q_Source中刪除，并結(jié)束最優(yōu)場景下載源的搜索；

步驟c50：判斷Q_Source隊(duì)列中當(dāng)前被請求下載資源的節(jié)點(diǎn)是否為隊(duì)列的最后一個(gè)節(jié)點(diǎn)，否，執(zhí)行步驟c60，是，執(zhí)行步驟c70；

步驟c60：將P_i的下載請求分轉(zhuǎn)發(fā)至隊(duì)列Q_Source中的下一個(gè)節(jié)點(diǎn)，判斷該節(jié)點(diǎn)是否可以提供場景P_i的下載服務(wù)，是，執(zhí)行步驟c40，否，執(zhí)行步驟c50；

步驟c70：降低閾值T_Resource，并執(zhí)行步驟c20。

本技術(shù)方案根據(jù)節(jié)點(diǎn)AOI內(nèi)的場景數(shù)據(jù)量和鄰居節(jié)點(diǎn)的可用帶寬對AOI進(jìn)行劃分，以提高場景的拾取精度，然后基于多層AOI和負(fù)載均衡思想提出了下載源搜索策略和選擇策略，定義了多層增量式可擴(kuò)展興趣扇形區(qū)域(MISSOI,Multi-Layered&Incrementally Scalable SOI)，給出了MISSOI的分劃擴(kuò)展算法，給出了基于多層增量式可擴(kuò)展興趣區(qū)域(MISAOI，Multi-layered&Incrementally Scalable AOI)的場景下載源分級搜索算法，提供最優(yōu)場景下載源選擇算法；通過以上算法不但提高了場景的拾取精度，提高數(shù)據(jù)請求的準(zhǔn)確度，還提高數(shù)據(jù)請求成功率。

本技術(shù)方案提出了MISSOI的概念，量化了場景增量下載的優(yōu)先級，根據(jù)視點(diǎn)由近及遠(yuǎn)的漸進(jìn)增量式的加載場景，以最小的下載量來滿足場景漫游的視覺體驗(yàn)；基于MISAOI的場景下載源分級搜索策略，對場景下載源的選擇范圍進(jìn)行了分級，使得請求節(jié)點(diǎn)向最有可能擁有該數(shù)據(jù)的節(jié)點(diǎn)進(jìn)行服務(wù)請求，減少了通信量，并均衡了各個(gè)節(jié)點(diǎn)的服務(wù)負(fù)載，避免了某些節(jié)點(diǎn)服務(wù)過載；根據(jù)“場景下載請求動態(tài)分配”策略，量化了節(jié)點(diǎn)的服務(wù)能力，可以對虛擬場景中節(jié)點(diǎn)的整體服務(wù)能力進(jìn)行動態(tài)優(yōu)化調(diào)整。

以上所述僅為本發(fā)明的優(yōu)選實(shí)例而已，并不用于限制本發(fā)明，對于本領(lǐng)域的技術(shù)人員來說，本發(fā)明可以有各種更改和變化。凡對本發(fā)明所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。