CN103428107B - 一种基于缓存下溢概率估计的自适应码流切换方法及系统 - Google Patents
一种基于缓存下溢概率估计的自适应码流切换方法及系统 Download PDFInfo
- Publication number
- CN103428107B CN103428107B CN201210148751.9A CN201210148751A CN103428107B CN 103428107 B CN103428107 B CN 103428107B CN 201210148751 A CN201210148751 A CN 201210148751A CN 103428107 B CN103428107 B CN 103428107B
- Authority
- CN
- China
- Prior art keywords
- code stream
- underflow
- probability
- video
- video slicing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Data Exchanges In Wide-Area Networks (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明提供了一种基于缓存下溢概率估计的自适应码流切换方法及系统,所述方法包含:步骤101)估计在当前网络状况下各码流的视频分片下载时间的均值和方差;步骤102)将用户端缓存内的视频数据的到达和离开建模成Ek/D/1/N排队模型,根据所述均值和方差设置排队模型的参数,而后针对各码流分别利用确定参数的排队模型计算缓存队列空的概率,从而得到各码流的下溢概率;步骤103)设定当前码流的下溢风险损益和各码流的质量增益,并依据当前码流的下溢风险损益、各码流质量增益和各码流的下溢概率计算各码流之间切换时的综合收益值;步骤104)选出综合收益最高的码流进行切换;其中,所述视频分片为将各码流副本进行等时长划分得到的分片。
Description
技术领域
本发明涉及在线流媒体服务和自适应码流切换算法,尤其涉及一种基于缓存下溢概率估计的自适应码流切换方法及系统。
背景技术
近年来,多媒体业务在互联网上增长迅速,然而由于互联网“尽力而为”的服务特性使得在线视频观看质量无法保证,所述的尽力而为为:互联网对带宽、延迟和分组丢失率不提供任何保障。而端到端的可用带宽总是随网络状态的变化而波动,同时网络流量的自相似性证明波动在多尺度范围内广泛存在。小尺度的带宽波动(RTT量级,百毫秒到数秒)可以通过在终端引入增加缓冲延时或自适应播放技术(Adaptive Media Playout)弥补。更大尺度的带宽波动(数十秒量级)则需要码流自适应技术。它可以适时切换码流以期在控制缓存下溢概率的同时,尽可能争取最好的播放质量。码流自适应技术有两种实现方式:一种是基于视频分层编码,带宽不足时只传送基本层,网络环境好时再传送加强层,且针对这种方式的主要技术可伸缩视频编码(Scalable Video Coding)已经作为附文G写入H.264/MPEG-4AVC视频压缩标准中;另一种是基于服务端视频的多码率副本,带宽不足时传送低码率码流,网络状态好时传送高码率码流,因此如何在用户端选择合适速率的码流进行切换下载就成为该策略需要重点解决的技术问题。针对这种码流切换的实现方式在工业界应用更为广泛,互联网巨头如微软、苹果及Adobe公司都提出了自己的HTTP自适应流化方案,都支持码流自适应切换,HTTP自适应流化技术也俨然成了业界的事实标准。同时,MPEG开始了相关标准化工作,发布了第一个公开草案-DASH(Dynamic Adaptive Streaming over HTTP,基于HTTP的动态自适应流化),这份草案也被OIPF(Open IPTV Forum,开放IPTV论坛)纳入下一代标准中。但是上述方案中的码流切换方法所涉及的算法大多采用启发式设计,所述的启发式是指根据过去经验而进行设计的方法,比如直接设置带宽阈值,超过此值就切换码流,否则就不切换;这样做没有数学理论支撑,又缺少对缓存队列和分片到达速率的综合分析,因此也就不能计算用户端缓存器下载各码率的视频分片的下溢概率,从而导致算法的准确性和可靠性无法保证。
发明内容
本发明的目的在于,为克服现有技术的码流切换方法存在的缺陷,从而提供了一种基于缓存下溢概率估计的自适应码流切换方法及系统。
本发明提供一种自适应码流切换方法,将缓存中视频分片的到达和离开建模成Ek/D/1/N排队模型,从理论上给出了各码流缓存下溢概率的计算方法,并且计算的复杂性可以满足实时的要求。使得在控制下溢概率的条件下,自适应的选择最合适的码流下载播放,以期降低下溢风险并同时尽可能地提高观看质量。
根据当前网络状态和缓存状态,对缓存队列变化给出基于排队论的理论分析,然后结合下溢概率损益和码流质量增益给出一种码流切换策略,以降低媒体缓存下溢风险,并尽可能地提高流媒体的播放质量,同时选择合适的收益损益参数以改善码流切换的性能。
为了实现上述目的,本发明提供了一种基于缓存下溢概率估计的自适应码流切换方法,该方法为采用自适应码流切换算法的系统提供一种根据网络状况和缓存状态确定缓存下溢概率的方法,而后综合考虑码流下溢风险和质量收益,提出一种码流切换策略以期改善流媒体播放质量,所述方法包含:
步骤1,估计在当前网络状况下各码流的分片下载时间的均值和方差;
步骤2,将缓存内的视频数据的到达和离开建模成Ek/D/1/N排队模型,根据对当前网络状态的估计设置合适的模型参数,而后针对各码流分别利用排队模型缓存队列空的概率;
步骤3,设定下溢风险损益和码流质量增益,计算并选出综合收益最高的码流进行切换。
上述技术方案中,所述排队模型中视频数据片的到达过程服从爱尔朗分布,其参数到达速率λ和阶数k根据当前网络状态中的下载速率均值和方差确定,视频数据片的离开过程服从定长分布。所述下溢风险的损益和各码流的质量增益可根据经验值或者不同偏好设置,如倾向流畅观看则将下溢损益设置相对大的值,若倾向高质量观看则将码流质量增益设置相对大的值。所述计算收益最优码流,需要综合下溢风险损益和码流质量收益。
本发明所提出的一种基于缓存下溢概率估计的自适应码流切换方法具有以下优点:将视频分片的到达建模成爱尔朗分布,可以很好的模拟视频分片到达时间双边波动的特性,同时爱尔朗分布可以分解成若干个指数分布的相位的串联,利用指数分布的无记忆性简化排队模型的计算复杂性;利用下载速率均值和方差设计排队模型Ek/D/1/N的到达过程的参数,从数学上给出下载各码流的下溢概率;在决策过程中,可以根据不同偏好设置不同的质量增益和风险损益的组合,以期获得最优的观看体验。该方法为HTTP自适应流化技术提供码流切换策略,从而实时的为用户从web服务器端选出合适的码流副本进行下载。
附图说明
图1是本发明实施例缓存排队模型示意图;
图2是自适应HTTP流化示意图;;
图3是本发明的基于缓存下溢概率估计的自适应码流切换方法的流程图;
图4是本发明的基于缓存下溢概率估计的自适应码流切换系统的组成框图。(依据撰写的权利要求增加该幅附图)
具体实施方式
下面结合附图和具体实施例,详细阐述该方法在自适应HTTP流化码流切换过程中的工作流程。
如图1所示,该图为:用户端缓存排队模型的示意图,从图中可知视频分片的到达过程是k阶爱尔朗分布,可以看做k个指数分布相位的串接;视频分片的离开过程是定长分布D;缓存容量为N。如图2所示,该图为:自适应HTTP流化的示意图,服务器端是标准的Web服务器,它存储着同一视频的不同码率的副本和清单文件,视频文件都是由等时长的分片组成。终端发送HTTP下载请求,通过分析下载速率和清单文件找到最合适码率的视频分片进行切换。
如图3所示,该图为本发明的基于终端“拉”模式的一种基于缓存下溢概率估计的自适应HTTP流化码流切换方法。所述方法可包含如下步骤:
步骤301,估计在当前网络状况下每个码流的视频分片下载时间的平均值和方差,首先将所观察窗口内的样本按码率转换成要计算码流的下载时间,然后均值估计即采用通常意义上的求和平均,方差估计也采用方差的标准定义计算。
步骤302,根据平均值和方差,设置排队模型Ek/D/1/N中到达过程爱尔朗分布的参数,计算队列空的概率,从而估计各码率码流的下溢风险。
步骤303,设置下溢风险损益和各码流质量增益。权值设置根据经验或者个性偏好,如倾向流畅观看则将下溢损益设置相对大的值,若倾向高质量观看则将码流质量增益设置相对大的值。
步骤304,综合考虑下溢风险损益和码流质量收益,选出收益最高的码流切换。
本发明的核心在于:首先对缓存队列建立Ek/D/1/N的排队模型,爱尔朗分布的双边特性很好的模拟了到达过程而且可以划分成若干指数分布的相位串联,降低了排队系统的分析和计算复杂性;其次,利用当前网络状态(分片下载时间的均值和方差)估计到达过程爱尔朗分布的参数(到达速率λ和阶数k);然后,可根据个人偏好或经验值设置相应的下溢风险损益和码流质量增益,满足个性化要求;最后,码流切换决策综合考虑下溢风险损益和码流质量收益,以期在控制下溢风险的同时获得尽可能好的观看质量。
如图4所示,该图为依据本发明提供基于缓存下溢概率估计的自适应码流切换方法提出的一种具体的基于缓存下溢概率估计的自适应码流切换系统,该系统设置于用户端能够为用户从web服务器端选出合适码率的码流进行切换下载,所述系统包含:
估计模块,用于依据分片下载时间估计当前网络状况下各码流的均值和方差;
排队模型建立模块,用于将用户端缓存内的视频数据的到达和离开建模成Ek/D/1/N排队模型;
第一处理模块,用于依据各码流的分片下载时间的均值和方差设置排队模型Ek/D/1/N中到达过程爱尔朗分布的参数,并计算该排队队列空的概率,从而估计各码率码流的下溢概率;
设置模块,用于设置下溢风险损益和各码流的质量增益;和
第二处理模块,用于利用下溢风险损益、各码流的质量增益及各码流的下溢概率计算得到综合收益值,并选择综合收益值高的码流进行切换。
上述技术方案中,所述第一处理模块进一步包含如下子模块:
输入子模块,用于接收各码流的分片下载时间的均值和方差;
设置参数模块,用于根据各码流的分片下载时间的均值和方差设置排队模型中到达过程k阶爱尔朗分布的参数;和
第三处理模块,用于各码流根据设置的排队模型计算用户缓存中视频分片下溢的概率。
上述技术方案中,所述设置模块能够根据不同偏好设置不同的质量增益和风险损益的组合。
上述技术方案中,所述第二处理模块进一步包含:
输入子模块,用于接收各码流的下溢概率和设置的码流质量增益和下溢风险损益;
比较判决子模块,用于比较各码流的综合收益,并选出收益最大的码流进行输出;和
切换子模块,用于将比较判决子模块输出选中的码流切片完成切换。
实施例
在本实施例中,将所述的一种基于缓存下溢概率估计的自适应码流切换方法应用于基于终端“拉”的HTTP流化自适应码流切换中,如图2所示,Web服务器和终端通过互联网相连。终端发送请求,服务器根据请求返回相应视频数据。
具体步骤如下:
101.在服务端将视频的各码流副本都分为时长1s的分片;
102.刚开始时,终端请求码率最低的码流进行下载缓冲,降低启动延时;
103.估计在当前网络状态下码流s的视频分片下载时间的平均值和方差,分析最近的30个分片的下载时间,对于不是视频流s的分片做如下转换:将视频流n的分片下载时间按码率比例转换成下载视频流s视频分片的下载时间,比如第i个视频分片为码流n,下载时间为Ti (n),则转换成码流s的视频分片下载时间为Ti (s)=Ti (n)×Rn/Rs。其中,Rn为视频流n的码率;Rs为视频流s的码率;若记码流s的视频分片下载时间的均值和方差分别为和Var(s),计算公式为
104.建立Ek/D/1/N排队模型:爱尔朗分布均值方差的公式
其中为按当前网络下载速率,下载码流s的视频分片的平均下载时间,Var(s)为按当前网络波动状况,下载码流s的视频分片的方差。
根据公式(1)可以求出对应各码流的到达过程参数λs,ks。
对Ek/D/1/N排队模型,采用嵌入马氏链的方法分析,选取分片离开的时刻为再生点,可得到更新过程。为了方便描述,在表1中给出各个变量的表示方法。
表1排队模型中各变量的意义
若缓存区最多容纳N个分片,则最多容纳的相位数为Nk,因为当队列满时,就不再发送新的分片下载请求。因为这是有限状态马氏链,故存在平稳分布,即此外还有关系p[n]=pnk+pnk+1+…+p(n+1)k-1。qm是独立于状态n的,有如下公式:
达速率,F(x)是一个分片离开时间的累积分布函数,在本文中F(x)为定长分布D。在此直接给出平稳状态下的转移方程
约束条件
求解方程(3)和(4)即可得pm,m=0,1,2,…,Nk。从而得到下溢概率为
Pu=p[0]=p0+p1+…+pk-1 (6)
105.根据个人偏好或经验值设置相应的下溢风险损益和码流质量增益,为叙述方便,记码流s的质量增益为Qs,下溢概率损益为Costu。
106.计算各码流的综合收益,从码流s切换到码流t的收益公式如下:
其中,Qt是码流t的质量收益,Costu是下溢概率损益。
107.找到综合收益最高的码流作为这次下载请求的目标码流,完成了码流切换。
综上所述,由于自适应HTTP流化已经成为现今一种主流的网络视频服务提供方式。但是实际方案中的码流切换算法大多采用启发式设计,没有数学理论支撑,缺少对缓存队列和分片到达速率的综合分析,不能计算下载各码流视频分片的缓存下溢概率,算法的准确性和可靠性无法保证。
针对现有的码流自适应切换算法的以上弱点,本发明提供一种自适应码流切换方法,将缓存中视频分片的到达和离开建模成Ek/D/1/N排队模型,从理论上给出了各码流缓存下溢概率的计算方法,并且计算的复杂性可以满足实时的要求。使得在控制下溢概率的条件下,自适应的选择最合适的码流下载播放,以期降低下溢风险并同时尽可能地提高观看质量。
本发明公开了一种估计缓存下溢概率估计的自适应码流切换方法。所述方法包含根据网络状况和缓存状态估计各码流的缓存下溢概率的步骤。所述方法进一步包含对各码流分别赋以一定增益,同时对缓存下溢赋以适当的损益,计算在当前网络环境和缓存状态下各码流的综合收益,选择综合收益最高的码流进行下载的步骤。本发明的优点为:结合当前网络状况和缓存状态选择最合适的码流进行切换,提供了一种根据排队论模型估计缓存下溢概率的方法,并给出一种码流切换策略,使得视频流化业务在控制下溢风险的同时提供尽可能好的播放质量。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于缓存下溢概率估计的自适应码流切换方法,所述方法包含:
步骤101)估计在当前网络状况下各码流的视频分片下载时间的均值和方差;
步骤102)将用户端缓存内的视频数据的到达和离开建模成Ek/D/1/N排队模型,根据所述均值和方差设置排队模型的参数,而后针对各码流分别利用确定参数的排队模型计算缓存队列空的概率,从而得到各码流的下溢概率;
步骤103)设定当前码流的下溢风险损益和各码流的质量增益,并依据当前码流的下溢风险损益、各码流质量增益和各码流的下溢概率计算各码流之间切换时的综合收益值;
步骤104)选出综合收益最高的码流进行切换;
其中,所述参数包含分片的到达速率和阶数;所述视频分片为将各码流副本进行等时长划分得到的分片;
当步骤101)用于估计在当前网络状态下某一码流s的视频分片下载时间的均值和方差时,该步骤进一步包含:
步骤101-1)选取与当前时刻最近的若干个连续的视频分片,所述视频分片中包含属于码流s的分片和非码流s的分片,且针对这两种不同的分片进行下一步骤的处理;
步骤101-2)将上述选取的分片划分为:第一组和第二组,其中所述的第一组包含属于码流s的所有分片,所述第二组包含:其他码流的视频分片;对于第二组的视频分片进行下一步骤转化的处理;对于第一组的视频分片进行步骤101-4)的处理;
步骤101-3)将属于第二组的各码流的分片下载时间按照其码流比例转换为下载视频流s的下载时间;
步骤101-4)采用下式计算码流s的视频分片下载时间的均值和方差Var(s):
其中,N表示步骤101-1)选出的视频分片的总数量;所述i表示步骤101-1)选出的视频分片;表示第一组视频分片和第二组的转化后的视频分片对应的各片的下载时间。
2.根据权利要求1所述的基于缓存下溢概率估计的自适应码流切换方法,其特征在于,所述用户端缓存内的视频数据的到达过程服从k阶爱尔朗分布。
3.根据权利要求1所述的基于缓存下溢概率估计的自适应码流切换方法,其特征在于,所述排队模型中的视频数据片的离开过程服从定长分布。
4.根据权利要求1所述的一种基于缓存下溢概率估计的自适应码流切换方法,其特征在于,所述的下溢风险损益和码流质量收益可根据经验值和偏好进行设置,且所述综合收益值采用下式计算:
其中,Qt是码流t的质量收益,Costu是下溢概率损益;表示码流t的下溢概率。
5.一种基于缓存下溢概率估计的自适应码流切换系统,该系统设置于用户端能够为用户从web服务器端选出合适码率的码流进行切换下载,所述系统包含:
估计模块,用于估计当前网络状况下各码流的分片下载时间的均值和方差;
排队模型建立模块,用于将用户端缓存内的视频数据的到达和离开建模成Ek/D/1/N排队模型;
第一处理模块,用于依据各码流的分片下载时间的均值和方差设置排队模型Ek/D/1/N中到达过程爱尔朗分布的参数,并计算该排队队列空的概率,从而估计各码率码流的下溢概率;
设置模块,用于设置下溢风险损益和各码流的质量增益;和
第二处理模块,用于利用下溢风险损益、各码流的质量增益及各码流的下溢概率计算得到综合收益值,并选择综合收益值高的码流进行切换;
所述第一处理模块进一步包含如下子模块:
输入子模块,用于接收各码流的视频分片下载时间的均值和方差;
设置参数模块,用于根据各码流的视频分片下载时间的均值和方差设置排队模型中到达过程k阶爱尔朗分布的参数;和
第三处理模块,用于各码流根据设置的排队模型计算用户缓存中视频分片下溢的概率。
6.根据权利要求5所述的基于缓存下溢概率估计的自适应码流切换系统,其特征在于,所述设置模块能够根据不同偏好设置不同的质量增益和风险损益的组合。
7.根据权利要求5所述的基于缓存下溢概率估计的自适应码流切换系统,其特征在于,所述第二处理模块进一步包含:
输入子模块,用于接收各码流的下溢概率和设置的码流质量增益和下溢风险损益;
比较判决子模块,用于比较各码流的综合收益,并选出收益最大的码流进行输出;和
切换子模块,用于将比较判决子模块输出选中的码流切片完成切换。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210148751.9A CN103428107B (zh) | 2012-05-14 | 2012-05-14 | 一种基于缓存下溢概率估计的自适应码流切换方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210148751.9A CN103428107B (zh) | 2012-05-14 | 2012-05-14 | 一种基于缓存下溢概率估计的自适应码流切换方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103428107A CN103428107A (zh) | 2013-12-04 |
CN103428107B true CN103428107B (zh) | 2016-08-24 |
Family
ID=49652294
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210148751.9A Expired - Fee Related CN103428107B (zh) | 2012-05-14 | 2012-05-14 | 一种基于缓存下溢概率估计的自适应码流切换方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103428107B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103747283B (zh) * | 2013-12-24 | 2017-02-01 | 中国科学院声学研究所 | 视频分片的下载方法 |
CN104735114B (zh) * | 2013-12-24 | 2018-02-23 | 中国移动通信集团公司 | 一种在线视频优化方法和移动终端 |
CN104967884B (zh) * | 2015-04-17 | 2018-01-26 | 北京奇艺世纪科技有限公司 | 一种码流切换方法和装置 |
CN105979274B (zh) * | 2016-05-06 | 2019-02-22 | 上海交通大学 | 动态自适应视频流媒体的分布式缓存放置方法 |
CN108924667B (zh) * | 2018-08-03 | 2021-01-15 | 阳雨哲 | 一种支持QoE最大化的可用带宽自适应视频分片请求方法 |
CN111314772B (zh) * | 2019-11-29 | 2022-07-08 | 广州市百果园信息技术有限公司 | 一种视频下载码率的确定方法、装置、终端和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2227023A1 (en) * | 2009-03-05 | 2010-09-08 | BRITISH TELECOMMUNICATIONS public limited company | Video streaming |
CN102075562A (zh) * | 2010-12-03 | 2011-05-25 | 华为技术有限公司 | 协作缓存的方法和装置 |
-
2012
- 2012-05-14 CN CN201210148751.9A patent/CN103428107B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2227023A1 (en) * | 2009-03-05 | 2010-09-08 | BRITISH TELECOMMUNICATIONS public limited company | Video streaming |
CN102075562A (zh) * | 2010-12-03 | 2011-05-25 | 华为技术有限公司 | 协作缓存的方法和装置 |
Non-Patent Citations (4)
Title |
---|
HTTP流化技术研究;李继玲,殷锋;《西南民族大学学报》;20101125;全文 * |
基于概率估计的自适应媒体播放算法;范铭娜;《中国优秀硕士学位论文期刊数据库》;20110930;全文 * |
基于门限的连续媒体流动态播放算法及其参数研究;许延,常义林,刘增基;《西安电子科技大学学报》;20030425;第216页第6段至第217页第3段 * |
网络环境下视频连续播放控制算法;蒋涛,许延,陈清金;《计算机应用》;20070515;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103428107A (zh) | 2013-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103428107B (zh) | 一种基于缓存下溢概率估计的自适应码流切换方法及系统 | |
CN104205769B (zh) | 利用播放速率选择的改善的dash客户端和接收机 | |
Sengupta et al. | HotDASH: Hotspot aware adaptive video streaming using deep reinforcement learning | |
CN109587519B (zh) | 基于q学习的异构网络多径视频传输控制系统及方法 | |
CN113434212A (zh) | 基于元强化学习的缓存辅助任务协作卸载与资源分配方法 | |
CN112954385A (zh) | 一种基于控制论和数据驱动的自适应分流决策方法 | |
Mu et al. | AMIS: Edge computing based adaptive mobile video streaming | |
Yarnagula et al. | QoE for mobile clients with segment-aware rate adaptation algorithm (SARA) for DASH video streaming | |
Tian et al. | Deeplive: QoE optimization for live video streaming through deep reinforcement learning | |
Wan et al. | Deep Reinforcement Learning‐Based Collaborative Video Caching and Transcoding in Clustered and Intelligent Edge B5G Networks | |
CN101784999A (zh) | 在iptv网络中优化高速缓存分配的方法和系统 | |
Hsu | Mec-assisted fov-aware and qoe-driven adaptive 360 video streaming for virtual reality | |
Huang et al. | Personalized QoE enhancement for adaptive video streaming: A digital twin-assisted scheme | |
CN107276781B (zh) | 一种带存储的路由器扩展内容分发网络的预部署方法 | |
CN112202800B (zh) | C-ran架构中基于强化学习的vr视频边缘预取方法和系统 | |
Hafez et al. | Reinforcement learning-based rate adaptation in dynamic video streaming | |
CN103428105A (zh) | 一种基于带宽估计的自适应http流化码流切换方法及系统 | |
CN113382066A (zh) | 基于联邦边缘平台的车辆用户选择方法及系统 | |
JP2019016961A (ja) | 動画品質制御装置、ビットレート選択方法、及びプログラム | |
CN112153702A (zh) | 一种局域网带宽资源分配方法、存储装置及设备 | |
Xie et al. | Deep Curriculum Reinforcement Learning for Adaptive 360$^{\circ} $ Video Streaming With Two-Stage Training | |
Naresh et al. | PPO-ABR: Proximal Policy Optimization based Deep Reinforcement Learning for Adaptive BitRate streaming | |
Mu et al. | AMIS-MU: edge computing based adaptive video streaming for multiple mobile users | |
Naik et al. | ARMPC-ARIMA based prediction model for Adaptive Bitrate Scheme in Streaming | |
Chen et al. | Dynamic Adaptive Streaming based on Deep Reinforcement Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160824 Termination date: 20200514 |
|
CF01 | Termination of patent right due to non-payment of annual fee |