CN102045765B - 认知的无线网络视频流传输方法 - Google Patents

Abstract

本发明公布了一种认知的无线网络视频流传输方法。本发明方法根据网络各层的参数利用动态规划计算出合适的MAC层重传次数，并用其训练SVM，得到分类器；采用了根据实际情况更新训练样例的方法。为了更好的适应网络的变化，本方法还提出一种在线调节的算法，能够根据实际网络状态对网络参数进行在线调节，使得系统具有更大灵活性。

Description

认知的无线网络视频流传输方法

技术领域

本发明以无线网络中流媒体传输为背景，以机器学习中的SVM算法为基础，提出一种认知的无线网络视频流传输方法。该方法主要借鉴跨层设计的思想，根据网络各层的参数利用动态规划计算出合适的MAC层重传次数，并用其训练SVM，得到分类器。然而理论计算值往往不能反映实时的网络状况，因此动态规划得到的训练样例不十分具有代表性，为了提高SVM的精度，本方法采用了根据实际情况更新训练样例的方法。为了更好的适应网络的变化，本方法还提出一种在线调节的算法。本发明方法涉及到跨层设计、认知无线电、机器学习、流媒体传输等技术领域，属于无线网络视频流传输方法的技术领域。

背景技术

无线通信技术的发展，无线信道容量的增大，使得通过无线网络传输多媒体成为可能。特别是无线网络中的流媒体传输技术在娱乐、抢险救灾和军事等领域得到广泛的应用。然而，不同接入技术、多径衰落、信道间干扰、噪声及终端移动性，使得无线网络环境呈现出变化快、时延大，误码率高的特点。对此要求系统能够根据网络变化进行动态调节。通常，无线网络中对网络单独某一层参数的调节无法达到较好效果，因此需同时对多个层的参数进行调节，但这又带来新的问题。首先，对某一层参数的调节需要其他层的信息，这就需要实现层与层之间有效的通信；其次是如何进行层与层间参数的协调。多层之间的参数优化是一个多目标、非线性的问题，加上网络的动态性和不确定性，使问题变得更加复杂。

针对层与层之间通信机制的问题，人们提出了跨层设计方法，包括自上向下、自下向上、以应用层为中心、以MAC层为中心等。但是这些方法都无法很好解决问题。对此，学者们又引入了垂直平面的概念。如图1所示，网络各层将可配置参数传递给垂直平面进行处理，得到各个参数的值并反馈回网络各层。这样既实现了网络各层之间的交互，又保留了原有层与层之间接口，避免了对现有协议的更改。

针对层与层之间参数的协同，一种可行的方法是通过学习。虽然目前出现了一种利用动态规划得到的样例训练SVM，进而调节MAC层重传次数以适应无线网络动态多变特征的方法，但是该方法仍存在一些问题。首先，由于网络的动态性和不确定性，无法准确地进行网络建模。因此通过建模并用动态规划产生的训练样例不具备代表性，训练得到的策略也将无法很好地对实际情况进行分类；其次，无法根据网络的实时状态进行在线调节。

发明内容

技术问题：本发明公布了一种认知的无线网络视频流传输方法。该方法针对无线网络带宽小，变化快，误码率高等特点，根据网络状态以及视频特征等参数动态调节发送端MAC层参数。由于网络各层参数的优化是一个多目标非线性的问题，本发明采用机器学习的方法来解决该问题——离线训练，在线分类。由于机器学习方法只有在训练样例具有代表性时才具有较高精度，因此必需根据实际情况修正训练样例。动态规划得到的样例虽然不十分准确，但仍可用来初始化整个过程，加速收敛。最后，本发明还提出一种在线调节算法，能够根据实际网络状态在线调节，使得系统具有更大灵活性，弥补了机器学习方法的不足。

技术方案：一种认知的无线网络视频流传输方法，该方法的步骤为：

本发明认知的无线网络视频流传输方法，其特征在于该方法的步骤为：

1)用动态规划计算在各种网络状态和视频流特征作为输入的情况下理论最佳的MAC层重传次数，将得到的训练样例离线训练SVM；

2)发送端感知网络状态、视频流特征信息，做为SVM的输入，得到MAC层理论最佳重传次数；

3)根据在线调节算法调节MAC层重传次数，据此发送数据包，并将此时网络状况和所选参数暂时保存，这里将对应的训练样例称为发送样例；

4)接收端将丢包情况、时延以及时延抖动信息反馈给发送端；

5)发送端根据反馈信息，将与成功发送的数据包对应的发送样例保存，成为新的训练样例；

6)用新的训练样例代替旧的训练样例，如果是第一次替换，那么旧的训练样例即动态规划计算得到的训练样例；

7)由新训练样例训练SVM得到新策略。

优选地，步骤3)所述的在线调节方法包括如下步骤：

a)如果α大于阈值α_T，m加一，α设为0；

b)如果β大于阈值β_T，m减一，β设为0；

c)如果根据理论计算，数据包j在m+1次重传时仍然能够成功被对端接收，则将α值加一，β设为0，并返回m+1作为MAC层的理论最佳重传次数；

d)否则如果数据包j在m次重传时无法被对端成功接收，那么设α为0，β加一，并返回此时理论计算得到的重传次数作为MAC层的理论最佳重传次数；

e)如果以上两种情况均不成立，则返回SVM输出的值m作为MAC层的理论最佳重传次数；

其中α，β分别表示连续上调或者下调重传次数总数，α_T，β_T分别为α，β的阈值，m表示根据网络实时状况和视频流特征通过SVM得到的重传次数，将α，β分别初始值都为0。

有益效果：

通过认知的无线网络视频流传输方法，我们能够实现：

1.通过SVM算法根据网络状态和视频媒体特征等信息对MAC层重传次数进行调节，能够较好地适应网络状态的变化；

2.根据实际状态下，接收端的反馈信息，不断更新训练样例，使得训练样例更具代表性，从而实现根据无线网络状态的变化进行“粗调”；

3.利用在线调节算法，可以根据网络的变化做出快速的反应，实现“细调”；

4.利用离线训练，在线分类的方法，可以进行实时调节。

附图说明

图1是跨层设计的示意图；

图2是认知的无线网络视频流传输系统示意图；

图3是认知的无线网络视频流学习环示意图。

具体实施方式

下面结合附图对发明的技术方案进行详细说明：

认知的无线网络视频流传输方法可以经过认知的无线网络视频流学习环进行调整，便可提高分类器精度，如图2、3所示。这里仅介绍了选择MAC层重传次数的例子，其他参数如数据包大小，由于它关系到时延、时延抖动和丢包率，也可作为可调节参数加入到动态规划过程中，再通过多输出的SVM进行训练。该方法的步骤如下：

1)用动态规划计算在各种网络状态和视频流特征的作为输入的情况下最佳的MAC层重传次数，将得到的训练样例离线训练SVM；

2)发送端感知网络状态、视频流特征等信息，做为SVM的输入，得到MAC层“最佳”重传次数；

3)根据在线调节算法调节MAC层重传次数，据此发送数据包，并将此时网络状况和所选参数暂时保存，这里将对应的训练样例称为发送样例；

4)接收端将丢包情况、时延以及时延抖动等信息反馈给发送端；

5)发送端根据反馈信息，将与成功发送的数据包对应的发送样例保存，成为新的训练样例；

6)用新的训练样例代替旧的训练样例(如果是第一次替换，那么旧的训练样例即动态规划计算得到的样例)；

7)由新训练样例训练SVM得到新策略。

其中步骤3)的在线调节算法用于在实时情况下根据网络的实际情况修正MAC层重传次数，以适应网络动态多变的特点，弥补了机器学习方法的不足，实现“细调”。该算法的具体描述如下：假设α，β分别表示连续上调或者下调重传次数的总数，α_T，β_T分别为它们的阈值，m表示SVM计算得到的重传次数，将α，β分别初始化为0，在线调节方法的步骤为：

a)如果α大于阈值α_T，m加一，α设为0；

b)如果β大于阈值β_T，m减一，β设为0；

c)如果Time_Avg(m+1，j)＜Deadline(j)-Time_Act，即理论计算的数据包j在m加一次重传时仍然能够成功被对端接收，将α值加一，β设为0，并返回m+1作为MAC层的重传次数；

d)否则如果Time_Avg(m，j)＞Deadline(j)-Time_Act，即数据包j在m次重传时无法被对端成功接收，那么设α为0，β加一，并返回理论计算得到的值

作为MAC层的重传次数；

e)如果以上两种情况均不成立，则返回SVM输出的值m作为MAC层的重传次数。

其中Time_Avg(m，j)表示第j个数据包重传m次所需的时间；Deadline(j)为数据包必须到达的时刻，若在此时刻之后到达，数据包j将被丢弃；Time_Act为当前时间；L(j)为数据包j的大小，Rate_PHY为物理层的传输速率，((L(j)/Rate_PHY)便是数据包传输时延。在以m+1次重传仍然不会超时的情况下，即Time_Avg(m+1，j)＜Deadline(j)-Time_Act时，便以m+1次重传；当预计到以m次进行传输会超时的时候，即当Time_Avg(m，j)＞Deadline(j)-Time_Act时，则计算出实际可行的重传次数此时的值取下整；当以上两种情况均不满足时，保持原来的重传次数m；当α大于某个阈值α_T时，可以认为SVM所得的重传次数低估了实际可用重传次数，因此后续SVM计算所得重传次数均增大一次，即α＞α_T时，m++；β的作用类似，只不过它是用来统计下调情况的。

这一方法的优点是可弥补分类器的误差，并且不同的阈值α_T，β_T对应不同类型的调节策略。当α_T较小，β_T较大时，更新较快，并且倾向于确保数据包成功传输，适用于对视频质量要求较高，对时延不敏感的应用；相反，当α_T比较大，β_T比较小时，倾向于将数据包快速发送出去，降低时延，适用于实时性要求较高的情况(重传次数越多，数据在数据链路层的队列时间越长。虽然后续数据包已由上层“发送”出去，但仍必须在MAC等待，增加时延)；当α_T和β_T都比较小时，能够根据实际情况作出迅速调节。另外，这里统计的数值，能作为离线处理训练样例的依据，例如，当重传次数上调而不至于产生视频质量下降(从对端丢包率等信息判断)，并且端到端的目标是高的视频质量时，可增大所有训练样例的重传次数，再用SVM进行训练。可见，引入在线调节能根据用户的端到端目标的差异对系统进行不同的配置，具有很好的灵活性。

Claims (1)

1.一种认知的无线网络视频流传输方法，其特征在于该方法的步骤为：

1）用动态规划计算在各种网络状态和视频流特征作为输入的情况下理论最佳的MAC层重传次数，将得到的训练样例离线训练SVM；

2）发送端感知网络状态、视频流特征信息，做为SVM的输入，将所述理论最佳的MAC层重传次数做为SVM的输出训练SVM；

3）根据在线调节算法调节MAC层重传次数，据此发送数据包，并将此时网络状况和所选视频流特征信息暂时保存，这里将对应的训练样例称为发送样例；所述的在线调节算法包括如下步骤：

a)如果α大于阈值α_T，m加一，α设为0；

b)如果β大于阈值β_T，m减一，β设为0；

c)如果根据理论计算，数据包j在m+1次重传时仍然能够成功被对端接收，则将α值加一，β设为0，并返回m+1作为理论最佳的MAC层重传次数；

d)否则如果数据包j在m次重传时无法被对端成功接收，那么设α为0，β加一，并返回此时理论计算得到的重传次数作为理论最佳的MAC层重传次数；

e)如果以上步骤c）和步骤d）两种情况均不成立，则返回SVM输出的值m作为理论最佳的MAC层重传次数；

其中α,β分别表示连续上调或者下调重传次数总数，α_T，β_T分别为α,β的阈值，m表示经步骤2）训练后的SVM输出得到的重传次数，将α,β分别初始值都为0；

4）接收端将丢包情况、时延以及时延抖动信息反馈给发送端；

5）发送端根据反馈信息，将与成功发送的数据包对应的发送样例保存，成为新的训练样例；

6）用新的训练样例代替旧的训练样例，如果是第一次替换，那么旧的训练样例即动态规划计算得到的训练样例；

7）由新训练样例训练SVM得到新策略。

Images