CN104581215A - 一种交互式网络电视内容调度方法及系统 - Google Patents
一种交互式网络电视内容调度方法及系统 Download PDFInfo
- Publication number
- CN104581215A CN104581215A CN201310508456.4A CN201310508456A CN104581215A CN 104581215 A CN104581215 A CN 104581215A CN 201310508456 A CN201310508456 A CN 201310508456A CN 104581215 A CN104581215 A CN 104581215A
- Authority
- CN
- China
- Prior art keywords
- data
- programme
- input
- model
- temperature
- 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.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/258—Client or end-user data management, e.g. managing client capabilities, user preferences or demographics, processing of multiple end-users preferences to derive collaborative data
- H04N21/25866—Management of end-user data
- H04N21/25891—Management of end-user data being end-user preferences
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/25—Management operations performed by the server for facilitating the content distribution or administrating data related to end-users or client devices, e.g. end-user or client device authentication, learning user preferences for recommending movies
- H04N21/262—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists
- H04N21/26258—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists for generating a list of items to be played back in a given order, e.g. playlist, or scheduling item distribution according to such list
Abstract
本发明公开了一种基于逻辑斯回归(LR)模型的交互式网络电视(IPTV)内容调度方法及系统,涉及计算机多媒体、模式识别等领域。本发明公开的方法包括:获取各电视节目不同历史时间段的热度数据,并对所获取的热度数据进行预处理,使之满足LR模型的输入数据格式要求;将预处理后的不同历史时间段的热度数据作为LR模型的输入,获得各电视节目热度的预测结果;按照预测结果对所有电视节目进行分层,根据不同的电视节目分层的热度不同确定不同的存放份数,并计算整体代价,选择整体代价最小的策略对整个系统进行内容调整。本发明还公开了一种IPTV内容调度系统。本发明技术方案精度高,并且LR算法简单、计算复杂度小。
Description
技术领域
本发明涉及计算机多媒体、模式识别等领域,主要是一种基于逻辑斯回归(Logistic Regression)模型的交互式网络电视(IPTV)内容调度方法及系统。
背景技术
随着网络技术的发展,全球宽度用户规模日益增加,而人们在网络上获取的信息也越来越多的以图像、声音以及视频等格式出现。数字化技术极大的方便了视频信息的存储、传输和复制,使得数字视频内容的数量飞速增长。以视频点播服务(VOD,Video On Demand)为代表的视频多媒体业务因其交互性和即时性,正在迅速成为互联网的重要应用。
IPTV即IP电视,是利用宽带IP网络,以家用电视机或电脑作为终端,提供包括数字电视节目在内的多种数字媒体服务。
在IPTV业务中,点播主要集中在热门节目,准确的预测出热门的节目,可以减小IPTV系统中的内容调整代价,提高资源利用率,提升用户体验等。Logistic Regression(下称LR)分类器适合于对两类目标进行分类,其中,预测某部影片是否是热门影片,这类、二元分类为目前亟待解决的问题。
发明内容
本发明所要解决的技术问题是,提供一种基于Logistic Regression预测的IPTV内容调度系统与方法,以保证整个系统的服务质量最高,且存储代价和调整代价最小化。
为了解决上述技术问题,本发明公开了一种交互式网络电视(IPTV)内容调度方法,该方法包括:
IPTV内容调度装置获取各电视节目不同历史时间段的热度数据,对所获取的不同历史时间段的热度数据分别进行预处理,使之满足逻辑斯回归(LR)模型的输入数据格式要求;
将预处理后的不同历史时间段的热度数据作为LR模型的输入,获得各电视节目热度的预测结果;
按照所述预测结果对所有电视节目进行分层,根据不同的电视节目分层的热度不同确定不同的存放份数,根据不同的电视节目分层和不同的存放规则,计算整体代价,选择整体代价最小的策略对整个系统进行内容调整。
可选地,上述方法中,对所获取的不同历史时间段的热度数据分别进行预处理的过程如下:
对所获取的热度数据中的每个输入数据加1并取对数;
计算取对数后的所有输入数据的平均值,将所获取的热度数据中的每个输入数据除以所计算出的平均值。
可选地,上述方法还包括LR模型的训练,所述训练过程如下:
从点播日志历史数据库中取出当前时间之前m个时间段的点播日志数据,统计每节目点播量m为大于等于3的正整数;
对前一个时间段数据做预处理,得到输入向量1;
对前两个时间段数据做预处理,得到输入向量2;
对前m个时间段数据做预处理,得到输入向量3;
得到输入特征矩阵;
根据经验取前n个电视节目为热门电视节目;
对当前时间数据,LR模型被训练的输出向量,输出向量根据节目是否热门分为2类,热门为1,否则为0。
用LR模型对此输入特征矩阵、输出分类进行训练。
可选地,上述方法中,将预处理后的不同历史时间段的热度数据,作为LR模型的输入,获得各电视节目热度的预测结果的过程如下:
获取当前时间之前的6个时间段的历史点播统计数据;
对当前时间之前一个时间段的热度数据做预处理,得到输入向量1;
对当前时间之前两个时间段的热度数据做预处理,得到输入向量2;
对当前时间之前6个时间段的热度数据做预处理,得到输入向量3;
经过LR模型的计算得到预测结果;
根据所需的电视节目的数目N,依次取预测结果排名的前N个电视节目作为热门电视节目。
本发明还公开了一种交互式网络电视(IPTV)内容调度系统,该系统包括:
数据采集模块,采集各电视节目不同历史时间段的热度数据;
数据预处理模块,对所采集的不同历史时间段的热度数据分别进行预处理,使之满足逻辑斯回归(LR)模型的输入数据格式要求;
LR预测模块,将预处理后的不同历史时间段的热度数据作为LR模型的输入,获得各电视节目热度的预测结果;
调整代价计算模块,按照所述预测结果对所有电视节目进行分层,根据不同的电视节目分层的热度不同确定不同的存放份数,根据不同的电视节目分层和不同的存放规则,计算整体代价,选择整体代价最小的策略对整个系统进行内容调整。
可选地,上述系统中,所述数据预处理模块对所采集的不同历史时间段的热度数据分别进行预处理指:
对所采集的热度数据中的每个输入数据加1并取对数;
计算取对数后的所有输入数据的平均值,将所获取的热度数据中的每个输入数据除以所计算出的平均值。
可选地,上述系统中,所述LR预测模块,还进行LR模型的训练,从点播日志历史数据库中取出当前时间之前m个时间段的点播日志数据,统计每节目点播量m为大于等于3的正整数;
对前一个时间段数据做预处理,得到输入向量1;
对前两个时间段数据做预处理,得到输入向量2;
对前m个时间段数据做预处理,得到输入向量3;
得到输入特征矩阵;
根据经验取前n个电视节目为热门电视节目;
对当前时间数据,LR模型被训练的输出向量,输出向量根据节目是否热门分为2类,热门为1,否则为0。
用LR模型对此输入特征矩阵、输出分类进行训练。
可选地,上述系统中,所述LR预测模块将预处理后的不同历史时间段的热度数据,作为LR模型的输入,获得各电视节目热度的预测结果指:
获取当前时间之前的6个时间段的历史点播统计数据;
对当前时间之前一个时间段的热度数据做预处理,得到输入向量1;
对当前时间之前两个时间段的热度数据做预处理,得到输入向量2;
对当前时间之前6个时间段的热度数据做预处理,得到输入向量3;
经过LR模型的计算得到预测结果;
根据所需的电视节目的数目N,依次取预测结果排名的前N个电视节目作为热门电视节目。
本申请技术方案基于LR模型进行热门节目的预测,从而达到很高的精度,并且LR算法简单、计算复杂度小。本申请提出的内容调度方法以统筹考虑节目在网络中的存储代价和运行时节目传输所需的网络代价,从而能以最优的总体代价获得最佳的服务性能。
具体实施方式
图1是本发明系统结构示意图;
图2是本发明系统整体流程图;
图3为本发明系统各模块之间实现IPTV内容调度的具体流程图;
图4是本发明节目的内容调度图;
图5是本发明具体实施中节目内容调度图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下文将结合附图对本发明技术方案作进一步详细说明。需要说明的是,在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
实施例1
本实施例提供一种基于Logistic Regression预测的IPTV内容调度系统,如图1所示,至少包括:
数据通信接口,其包括若干接口模块,用于和外界进行数据通信。
需要说明的是,上述数据通信接口并非基于Logistic Regression预测的IPTV内容调度系统的必须组成部分,该数据通信接口也可以放置在外界系统中。
数据采集模块,用于从外界获取所需数据,即采集各电视节目不同历史时间段的热度数据,并保存到本系统中。
数据预处理模块,对数据采集模块所获取的数据进行预处理,使外界数据满足后继预测和调度使用要求。即对所采集的不同历史时间段的热度数据分别进行预处理,使之满足逻辑斯回归(LR)模型的输入数据格式要求;
LR预测模块,将预处理后的不同历史时间段的热度数据作为LR模型的输入,获得各电视节目热度的预测结果。
调整代价计算模块,按照LR预测模块的预测结果对所有电视节目进行分层,根据不同的电视节目分层的热度不同确定不同的存放份数,根据不同的电视节目分层和不同的存放规则,计算整体代价,选择整体代价最小的策略对整个系统进行内容调整。
内容调整分发模块,负责根据调整计算的结果对流行节目在全网内进行分布调整。调整结果通过数据采集与处理模块反馈回系统。调整过程的信令通过数据通信接口在全网内的中心节点、分中心节点和边缘节点间共同协作完成。
需要说明的是,上述内容调整分发模块并非基于Logistic Regression预测的IPTV内容调度系统的必须组成部分,该内容调整分发模块也可以放置在外界系统中。
下面再介绍上述系统的整体工作过程,该过程如图2所示,包括如下操作:
步骤1:数据采集通过数据通信接口从外界获取各节目热度数据数据。
步骤2:输入数据预处理模块,对数据进行预处理,使之满足后继处理要求。所述的数据预处理方法,是由于热度的波动比较大,从几千到几十不等,若直接拿其作为输入进行训练,则收敛效果不好。这里为提高LR模型的训练效率和效果,本发明采用如下方法对其取归一化处理,以减小数据波动过大的影响。
(1)、对每个输入加一并取对数
第一个变换是对输入数据取对数进行压缩变换,以减少数据原始值的数值,并保持相对页序不变;
(2)、除以其平均值
第二个变换对所有输入除以他们的平均值,使得输入数据波动范围较小。
步骤3:LR预测模块对节目热度进行预测。所述的预测方法,考虑到节目的时间集中度,因此较预测时间段最近的时间段有更大的影响,则对被预测的时间段,取(1)前一时间段内各流行节目的热度、(2)前两时间段内各流行节目的热度之和以及(3)前一固定周期倍数的时间段内各流行节目的热度之和作为输入。这三个输入能兼顾临时增加的新节目和历史中热度高的节目,避免采用单一因素造成的误差。所述的LR预测方法,需进行训练。因此初始时需专门采集训练集对训练数据集,被预测时间段作为LR模型训练的输出向量Target,由于被预测节目按照是否热门分为2类,即把Target二值化,由于通用的LR模型会加上一维的常数向量作为特征。所述的LR预测方法,在正常运行时,则可以通过获取到的节目热度反馈信息自行进行参数调整,从而确保所预测结果始终处于最佳值。
由上述描述可得Logistic Regression的四维输入和一维输出。
步骤4:Logistic Regression模型的训练。
(1)、从点播日志历史数据库中取出前7个时间段的点播日志数据,统计每节目点播量。
(2)、对前一个时间段数据做预处理,得到输入向量Input[1]。
(3)、对前两个时间段数据做预处理,得到输入向量Input[2]。
(4)、对前7个时间段数据做预处理,得到输入向量Input[3],然后得到输入特征矩阵dataMatrix
(5)、根据经验取前n部影片为热门影片。
(6)、对当前时间段数据,LR模型被训练的输出向量Target,Target根据节目是否热门分为2类,热门为1,否则为0。
(7)、用LR模型对此输入特征矩阵、输出分类进行训练
其中,预测过程如下。
(1)、获取当前时间段之前的6个时间段的历史点播统计数据。
(2)、同训练过程(2)-(4),进行预处理并得到三个输入向量Input[]。
(3)、经过LR模型的计算得到预测结果outputs。
(4)、根据所需的影片数目N,依次取outputs结果排名的前N部作为热门影片。
步骤5:调整代价计算模块从LR预测模块获得热门节目列表,在此列表的基础上,根据边缘节点数的不同,可以将节目按热度高低存储不同的备份数,高热度的可以考虑每个节点都存放,低热度的可以只有少数几个存放,热度为0的则不存,需求时可以直接向大网即中心节点请求数据。所述的调整待解计算方法的具体步骤如下:
5A,获取预测节目列表,并按热度由高到低排序;
5B,按热度分为L+1层,阈值分别为:
T1>T2>T3>…>TL,(Ti∈[0,1]),
即按热度Ti把列表划分成L+1层;
5C,按上述阈值,每次存储的节目数对应为(H1,H2,...,HL+1)。
5D,计算对应边缘节点存储需求代价Cs,根据点播日志和不同的(H1,H2,...,HL+1)计算局域网传输代价为CLan,骨干网传输代价为CWan。
5E,总代价可按如下公式进行计算:
Ccotal=Cs+CLan+CWan=F(H1,H2,...,HL+1)。
5F,选取代价最小的(H1,H2,...,HL+1)的取值则为最优内容调度方案。
步骤6:调整代价计算模块把步骤5中F的结果送往内容调整分发模块,内容调整分发模块负责调度整个系统进行内容调整,具体如下:
6A,分中心节点根据列表对节目进行老化,得到老化表。
6B,分中心节点根据老化表和热门节目列表,得到不同边缘服务器的调度任务列表,分中心节点依此对边缘服务器节点进行内容调度。
6C,所有边缘服务器完成调度工作。
具体地,对应到上述系统各模块之间实现IPTV内容调度的具体过程如图3所示。
实施例2
本实施例提供一种交互式网络电视(IPTV)内容调度方法,该方法包括:
IPTV内容调度装置获取各电视节目不同历史时间段的热度数据,对所获取的不同历史时间段的热度数据分别进行预处理,使之满足逻辑斯回归(LR)模型的输入数据格式要求;
将预处理后的不同历史时间段的热度数据作为LR模型的输入,获得各电视节目热度的预测结果;
按照所述预测结果对所有电视节目进行分层,根据不同的电视节目分层的热度不同确定不同的存放份数,根据不同的电视节目分层和不同的存放规则,计算整体代价,选择整体代价最小的策略对整个系统进行内容调整。
其中,对所获取的不同历史时间段的热度数据分别进行预处理的过程如下:
对所获取的热度数据中的每个输入数据加1并取对数;
计算取对数后的所有输入数据的平均值,将所获取的热度数据中的每个输入数据除以所计算出的平均值。
另外,上述方法还包括LR模型的训练,训练过程如下:
从点播日志历史数据库中取出当前时间之前m个时间段的点播日志数据,统计每节目点播量m为大于等于3的正整数;
对前一个时间段数据做预处理,得到输入向量1;
对前两个时间段数据做预处理,得到输入向量2;
对前m个时间段数据做预处理,得到输入向量3;
得到输入特征矩阵;
根据经验取前n个电视节目为热门电视节目;
对当前时间数据,LR模型被训练的输出向量,输出向量根据节目是否热门分为2类,热门为1,否则为0。
用LR模型对此输入特征矩阵、输出分类进行训练。
而将预处理后的不同历史时间段的热度数据,作为LR模型的输入,获得各电视节目热度的预测结果的过程如下:
获取当前时间之前的6个时间段的历史点播统计数据;
对当前时间之前一个时间段的热度数据做预处理,得到输入向量1;
对当前时间之前两个时间段的热度数据做预处理,得到输入向量2;
对当前时间之前6个时间段的热度数据做预处理,得到输入向量3;
经过LR模型的计算得到预测结果;
根据所需的电视节目的数目N,依次取预测结果排名的前N个电视节目作为热门电视节目。
需要说明的是,上述方法可依赖上述实施例1的系统来实现。依赖上述系统实现的的整体过程如下:
步骤1:数据采集通过数据通信接口从外界获取各节目热度数据数据。
步骤2:输入数据预处理模块,对数据进行预处理,使之满足后继处理要求。所述的数据预处理方法,是由于热度的波动比较大,从几千到几十不等,若直接拿其作为输入进行训练,则收敛效果不好。这里为提高LR模型的训练效率和效果,本发明采用如下方法对其取归一化处理,以减小数据波动过大的影响。
(1)、对每个输入加一并取对数,用于对输入数据取对数进行压缩变换,以减少数据原始值的数值,并保持相对页序不变;
(2)、除以其平均值,对所有输入除以他们的平均值,使得输入数据波动范围较小。
步骤3:LR预测模块对节目热度进行预测。
所述的预测方法,考虑到节目的时间集中度,因此较预测时间段最近的时间段有更大的影响,则神对被预测的时间段,取(1)前天各流行节目的热度、(2)前两天各流行节目的热度之和以及(3)前一周各流行节目的热度之和作为输入。这三个输入能兼顾临时增加的新节目和历史中热度高的节目,避免采用单一因素造成的误差。所述的LR预测方法,需进行训练。因此初始时需专门采集训练集对训练数据集,被预测时间段作为LR模型训练的输出向量Target,由于被预测节目按照是否热门分为2类,即把Target二值化,由于通用的LR模型会加上一维的常数向量作为特征。所述的LR预测方法,在正常运行时,则可以通过获取到的节目热度反馈信息自行进行参数调整,从而确保所预测结果始终处于最佳值。
由上述描述可得Logistic Regression的四维输入和一维输出。
根据前述说明,这里针对被预测某天数据dt,取
(1)前一天数据、
(2)前两天
(3)前一周数据和作为输入。
并将dt作为数据集的输出向量Target,由于被预测节目按照是否热门分为2类,即把Target二值化,热门节目设为1,非热门节目设为0。则输入输出矩阵如下所示,其中Th为阈值,超过此阈值则为热门,设为1,否则设为0。
输入数据预处理
由于点播量的波动比较大,直接拿其作为输入进行训练效果不好,为提高LR模型的训练效率和效果,本发明采用这里用如下方法对其取归一化处理。
(1)、对每个输入加一并取对数
Input[i][j]=log(Input[i][j]+1)
(2)、除以其平均值(N为节目)
第一个变换是对输入数据进行压缩变换,以减少数据原始值的差值;第二个变换是使得输入数据波动范围较小。
于是得到Logistic Regression的输入特征矩阵
dataMatrix(:,1)=ones(1,len);
dataMatrix(:,2)=inputs(1,:);
dataMatrix(:,3)=inputs(2,:);
dataMatrix(:,4)=inputs(3,:);
步骤4:Logistic Regression模型的训练
(1)、从点播日志历史数据库中取出前7天的点播日志数据,统计每节目点播量。
(2)、对前一天数据做预处理,得到输入向量Input[1]。
(3)、对前两天数据做预处理,得到输入向量Input[2]。
(4)、对前7天数据做预处理,得到输入向量Input[3],然后得到输入特征矩阵dataMatrix
(5)、根据经验取前n部影片为热门影片。
(6)、对当前时间段数据,LR模型被训练的输出向量Target,Target根据节目是否热门分为2类,热门为1,否则为0。
(7)、用LR模型对此输入特征矩阵、输出分类进行训练
这里,构建LR模型并进行训练,得到weights向量,具体方法为:
其中weights为训练要得到的权重,dataMatrix为前述输入特征向量,classMat为输出类别向量,使用梯度下降优化目标函数,得到weights。
步骤5:热门节目预测;具体方法是:
A、同步骤(1)获取输入向量inputs,得到输入特征矩阵dataMatrix。
B、经过LR模型计算得到预测结果outputs,(1)、从点播日志历史数据库中取出前7天的点播日志,统计每节目点播量。
(2)、对前一天数据,做预处理,得到输入向量Input[1]。
(3)、对前两天数据,做预处理,得到输入向量Input[2]。
(4)、对前一周数据,做预处理,得到输入向量Input[3]。
(5)、根据经验取前n部影片为热门影片。
(6)、对当天数据dt,LR模型被训练的输出向量Target,Target根据节目是否热门分为2类,热门为1,否则为0。
计算流程如下:
最终得到的output向量即为要得到的热门节目列表。
第一个模块把计算出的热度结果发送给第二个模块,第二个模块进行代价的计算,如图4,具体如下:
1、把节目列表按热度分为L+1层,阈值分别为:
T1>T2>T3>…>TL,(Ti∈[0,1]),
即按热度Ti把列表划分成L+1层;
2、按上述阈值,每次存储的节目数对应为(H1,H2,...,HL+1)。
3、计算对应边缘节点存储需求代价Cs,根据点播日志和不同的(H1,H2,...,HL+1)计算局域网传输代价为CLan,骨干网传输代价为CWan。
4、总代价为
Ccotal=Cs+CLan+CWan=F(H1,H2,...,HL+1)。
5、选取代价最小的(H1,H2,...,HL+1)的取值则为最优内容调度方案。
调整代价计算模块把计算结果发送给第三大模块--内容调整分发模块,内容调整分发模块负责与所有节点进行通信,并协作完成内容分发过程。详细步骤如下:
1、内容调整分发模块把结果列表Lforcast发送到分中心节点。
2、分中心节点根据列表Lforcast对节目进行老化,得到老化表。
3、分中心节点根据老化表和热门节目列表,得到不同边缘服务器的调度任务列表,分中心节点依此对边缘服务器节点进行内容调度。
4、所有边缘服务器完成调度工作。
2中的老化策略如下:
对不同的内容,单独考虑其老化策略。
新闻类:由上述统计,可以看出新闻类的热度基本上在7天左右,这样所有新闻类内容保存7天,超过7天的直接删掉。
新上线节目类:按照预期热度(应给出预期热度),然后按预期热度进行1、2、4份存储,存放在预留的区域内。并且在一个保护期3天内不参与热度调整调度策略。3天后才正常调度。
其他节目类:按预测直接老化处理。
调度策略
为方便叙述调度策略,先定义绿色通道和死亡通道两个概念如下:
绿色通道:直接由非热门且所有的边缘节点都没有存储的节目变为热门的话,则对其单独考虑,根据突发量(一定时间内的点播数量)分别设定1个阈值。放入边缘节点预留的存储区域。即为绿色通道。
死亡通道:如果某边缘节点存储容量将满,根据当前网络负载情况选择删除位于H3或者H2的一定数量节目。并更新各个节点当前负载。此即为死亡通道。
图5为具体调度过程的内容调度图。
调度策略的具体算法如下:
1)统计所有边缘节点中节目数的存储数量,排名前H1的节目存4份,随后
H2个节目存2份,再随后H3个节目存1份,得到原始节目列表Loriginal。以
及各个节点节目数Nnode[4];
2)对Lforcast由热度从高到底,取节目I;
设P1=H1,P2=H1+H2,P3=H1+H2+H3,P1,P2,P3为每个区间的界限。
3)遍历预测出来的列表,进行内容调度,具体运算如下:
Foreach I in Lforcast
If IndexOf(Lforcast(I))∈(0,P1),
If IndexOf(Loriginal(I))∈(0,P1),
Continue;
Else if节目I在Loriginal排名∈(P1,P2)
调度节目I到未存放其的节点m,n
Nnode[m]++,Nnode[n]++;
Else if节目I在Loriginal排名∈(P2,P3)
调度节目到其余3个未存的节点m,n,o
Nnode[m]++,Nnode[n]++;Nnode[o]++,
Else
进绿色通道
Else if IndexOf(Lforcast(I))∈(P1,P2)//预测出来有2个
If IndexOf(Loriginal(I))∈(0,P1)
取Nnode里面最大(即负载最大)的两个m,n
删除m,n节点中的内容I,Nnode[m]--,Nnode[n]--;
Else If IndexOf(Loriginal(I))∈(P1,P2)
Continue;
Else if IndexOf(Loriginal(I))∈(P2,P3)//一份变2份
取Nnode未存的3个节点中负载较小的一个m
增加m节点的内容I的一份拷贝,Nnode[m]++;
Else
取Nnode负载最小的两个m,n节点
Nnode[m]++,Nnode[n]++;
Else IfIndexOf(Lforcast(I))∈(P2,P3)//预测出来有1个,实际操作变为2个,不允许突变
If IndexOf(Loriginal(I))∈(0,P1)
取Nnode里面最大(即负载最大)的2个m,n
删除m,n节点中的内容I,Nnode[m]--,Nnode[n]--;
Else If IndexOf(Loriginal(I))∈(P1,P2)
取Nnode已存节目I的2个里面的负载较大的1个m
删除m节点中的内容I,Nnode[m]--
Else if IndexOf(Loriginal(I))∈(P2,P3)//1份变一份
Continue;
Else
取Nnode负载最小的1个m节点
增加m节点中内容I,Nnode[m]++;
Else IfIndexOf(Lforcast(I))∈(P3,max)//预测出来有0个
If IndexOf(Loriginal(I))∈(0,P1)//4->0变两份
取Nnode里面最大(即负载最大)的两个m,n
删除m,n节点中的内容I,Nnode[m]--,Nnode[n]--;
Else
删除Nnode所有节点的I,并更新Nnode
至此,流程结束。
本领域普通技术人员可以理解上述方法中的全部或部分步骤可通过程序来指令相关硬件完成,所述程序可以存储于计算机可读存储介质中,如只读存储器、磁盘或光盘等。可选地,上述实施例的全部或部分步骤也可以使用一个或多个集成电路来实现。相应地,上述实施例中的各模块/单元可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。本申请不限制于任何特定形式的硬件和软件的结合。
以上所述,仅为本发明的较佳实例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种交互式网络电视(IPTV)内容调度方法,其特征在于,该方法包括:
IPTV内容调度装置获取各电视节目不同历史时间段的热度数据,对所获取的不同历史时间段的热度数据分别进行预处理,使之满足逻辑斯回归(LR)模型的输入数据格式要求;
将预处理后的不同历史时间段的热度数据作为LR模型的输入,获得各电视节目热度的预测结果;
按照所述预测结果对所有电视节目进行分层,根据不同的电视节目分层的热度不同确定不同的存放份数,根据不同的电视节目分层和不同的存放规则,计算整体代价,选择整体代价最小的策略对整个系统进行内容调整。
2.如权利要求1所述的方法,其特征在于,对所获取的不同历史时间段的热度数据分别进行预处理的过程如下:
对所获取的热度数据中的每个输入数据加1并取对数;
计算取对数后的所有输入数据的平均值,将所获取的热度数据中的每个输入数据除以所计算出的平均值。
3.如权利要求1所述的方法,其特征在于,该方法还包括LR模型的训练,所述训练过程如下:
从点播日志历史数据库中取出当前时间之前m个时间段的点播日志数据,统计每节目点播量m为大于等于3的正整数;
对前一个时间段数据做预处理,得到输入向量1;
对前两个时间段数据做预处理,得到输入向量2;
对前m个时间段数据做预处理,得到输入向量3;
得到输入特征矩阵;
根据经验取前n个电视节目为热门电视节目;
对当前时间数据,LR模型被训练的输出向量,输出向量根据节目是否热门分为2类,热门为1,否则为0;
用LR模型对此输入特征矩阵、输出分类进行训练。
4.如权利要求3所述的方法,其特征在于,将预处理后的不同历史时间段的热度数据,作为LR模型的输入,获得各电视节目热度的预测结果的过程如下:
获取当前时间之前的6个时间段的历史点播统计数据;
对当前时间之前一个时间段的热度数据做预处理,得到输入向量1;
对当前时间之前两个时间段的热度数据做预处理,得到输入向量2;
对当前时间之前6个时间段的热度数据做预处理,得到输入向量3;
经过LR模型的计算得到预测结果;
根据所需的电视节目的数目N,依次取预测结果排名的前N个电视节目作为热门电视节目。
5.一种交互式网络电视(IPTV)内容调度系统,其特征在于,该系统包括:
数据采集模块,采集各电视节目不同历史时间段的热度数据;
数据预处理模块,对所采集的不同历史时间段的热度数据分别进行预处理,使之满足逻辑斯回归(LR)模型的输入数据格式要求;
LR预测模块,将预处理后的不同历史时间段的热度数据作为LR模型的输入,获得各电视节目热度的预测结果;
调整代价计算模块,按照所述预测结果对所有电视节目进行分层,根据不同的电视节目分层的热度不同确定不同的存放份数,根据不同的电视节目分层和不同的存放规则,计算整体代价,选择整体代价最小的策略对整个系统进行内容调整。
6.如权利要求5所述的系统,其特征在于,所述数据预处理模块对所采集的不同历史时间段的热度数据分别进行预处理指:
对所采集的热度数据中的每个输入数据加1并取对数;
计算取对数后的所有输入数据的平均值,将所获取的热度数据中的每个输入数据除以所计算出的平均值。
7.如权利要求5所述的系统,其特征在于,
所述LR预测模块,还进行LR模型的训练,从点播日志历史数据库中取出当前时间之前m个时间段的点播日志数据,统计每节目点播量m为大于等于3的正整数;
对前一个时间段数据做预处理,得到输入向量1;
对前两个时间段数据做预处理,得到输入向量2;
对前m个时间段数据做预处理,得到输入向量3;
得到输入特征矩阵;
根据经验取前n个电视节目为热门电视节目;
对当前时间数据,LR模型被训练的输出向量,输出向量根据节目是否热门分为2类,热门为1,否则为0;
用LR模型对此输入特征矩阵、输出分类进行训练。
8.如权利要求7所述的系统,其特征在于,所述LR预测模块将预处理后的不同历史时间段的热度数据,作为LR模型的输入,获得各电视节目热度的预测结果指:
获取当前时间之前的6个时间段的历史点播统计数据;
对当前时间之前一个时间段的热度数据做预处理,得到输入向量1;
对当前时间之前两个时间段的热度数据做预处理,得到输入向量2;
对当前时间之前6个时间段的热度数据做预处理,得到输入向量3;
经过LR模型的计算得到预测结果;
根据所需的电视节目的数目N,依次取预测结果排名的前N个电视节目作为热门电视节目。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310508456.4A CN104581215A (zh) | 2013-10-24 | 2013-10-24 | 一种交互式网络电视内容调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310508456.4A CN104581215A (zh) | 2013-10-24 | 2013-10-24 | 一种交互式网络电视内容调度方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104581215A true CN104581215A (zh) | 2015-04-29 |
Family
ID=53096266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310508456.4A Pending CN104581215A (zh) | 2013-10-24 | 2013-10-24 | 一种交互式网络电视内容调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104581215A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105578218A (zh) * | 2015-12-28 | 2016-05-11 | 北京酷云互动科技有限公司 | 一种轮播节目列表的形成方法及其形成系统 |
CN106557552A (zh) * | 2016-10-27 | 2017-04-05 | 国家计算机网络与信息安全管理中心 | 一种网络话题热度预测方法 |
CN109218829A (zh) * | 2018-10-30 | 2019-01-15 | 中山大学 | 一种基于傅里叶变换的视频播放量可预测性分类方法 |
CN109688466A (zh) * | 2017-10-18 | 2019-04-26 | 中国电信股份有限公司 | 内容热度预测方法、装置和内容分发网络 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021857A (zh) * | 2006-10-20 | 2007-08-22 | 鲍东山 | 基于内容分析的视频搜索系统 |
CN101304514A (zh) * | 2008-06-30 | 2008-11-12 | 腾讯科技(深圳)有限公司 | 一种视频点播系统及其数据缓存方法和调度服务器 |
CN101540885A (zh) * | 2009-04-30 | 2009-09-23 | 中兴通讯股份有限公司 | 一种iptv点播系统及方法 |
CN101651821A (zh) * | 2009-07-31 | 2010-02-17 | 中国科学技术大学 | 互动电视广告实现系统及方法 |
CN102510529A (zh) * | 2011-09-22 | 2012-06-20 | 中国科学技术大学 | 对节目进行点播量预测和存储调度的方法 |
CN102595207A (zh) * | 2012-01-10 | 2012-07-18 | 深圳市同洲视讯传媒有限公司 | 一种内容分发系统、内容分发方法及内容分发装置 |
US20120185347A1 (en) * | 2011-01-19 | 2012-07-19 | United Parcel Service Of America, Inc. | Systems and methods for improved calculation of coefficient for price sensitivity |
-
2013
- 2013-10-24 CN CN201310508456.4A patent/CN104581215A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101021857A (zh) * | 2006-10-20 | 2007-08-22 | 鲍东山 | 基于内容分析的视频搜索系统 |
CN101304514A (zh) * | 2008-06-30 | 2008-11-12 | 腾讯科技(深圳)有限公司 | 一种视频点播系统及其数据缓存方法和调度服务器 |
CN101540885A (zh) * | 2009-04-30 | 2009-09-23 | 中兴通讯股份有限公司 | 一种iptv点播系统及方法 |
CN101651821A (zh) * | 2009-07-31 | 2010-02-17 | 中国科学技术大学 | 互动电视广告实现系统及方法 |
US20120185347A1 (en) * | 2011-01-19 | 2012-07-19 | United Parcel Service Of America, Inc. | Systems and methods for improved calculation of coefficient for price sensitivity |
CN102510529A (zh) * | 2011-09-22 | 2012-06-20 | 中国科学技术大学 | 对节目进行点播量预测和存储调度的方法 |
CN102595207A (zh) * | 2012-01-10 | 2012-07-18 | 深圳市同洲视讯传媒有限公司 | 一种内容分发系统、内容分发方法及内容分发装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105578218A (zh) * | 2015-12-28 | 2016-05-11 | 北京酷云互动科技有限公司 | 一种轮播节目列表的形成方法及其形成系统 |
CN106557552A (zh) * | 2016-10-27 | 2017-04-05 | 国家计算机网络与信息安全管理中心 | 一种网络话题热度预测方法 |
CN106557552B (zh) * | 2016-10-27 | 2020-08-21 | 国家计算机网络与信息安全管理中心 | 一种网络话题热度预测方法 |
CN109688466A (zh) * | 2017-10-18 | 2019-04-26 | 中国电信股份有限公司 | 内容热度预测方法、装置和内容分发网络 |
CN109218829A (zh) * | 2018-10-30 | 2019-01-15 | 中山大学 | 一种基于傅里叶变换的视频播放量可预测性分类方法 |
CN109218829B (zh) * | 2018-10-30 | 2021-07-27 | 中山大学 | 一种基于傅里叶变换的视频播放量可预测性分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107871164B (zh) | 一种雾计算环境个性化深度学习方法 | |
CN102510529B (zh) | 对节目进行点播量预测和存储调度的方法 | |
CN109818786B (zh) | 一种云数据中心应用可感知的分布式多资源组合路径最优选取方法 | |
Gao et al. | Resource provisioning and profit maximization for transcoding in clouds: A two-timescale approach | |
CN112218337A (zh) | 一种移动边缘计算中的缓存策略决策方法 | |
Ma et al. | QAVA: QoE-aware adaptive video bitrate aggregation for HTTP live streaming based on smart edge computing | |
CN104104973A (zh) | 一种应用于云媒体系统的群组带宽管理优化方法 | |
Zhang et al. | Enhancing the crowdsourced live streaming: A deep reinforcement learning approach | |
CN104581215A (zh) | 一种交互式网络电视内容调度方法及系统 | |
CN102868542B (zh) | 一种服务分发网络中服务质量的控制方法及系统 | |
CN111314862B (zh) | 雾无线接入网中深度强化学习下带有推荐的缓存方法 | |
Wan et al. | Deep reinforcement learning-based collaborative video caching and transcoding in clustered and intelligent edge B5G networks | |
CN107276781A (zh) | 一种带存储的路由器扩展内容分发网络的预部署方法 | |
CN113315669B (zh) | 基于云边协同的吞吐量优化的机器学习推断任务部署方法 | |
CN108833294B (zh) | 面向数据中心广域网的低带宽开销的流量调度方法 | |
Baccour et al. | An intelligent resource reservation for crowdsourced live video streaming applications in geo-distributed cloud environment | |
Haouari et al. | Transcoding resources forecasting and reservation for crowdsourced live streaming | |
Shi et al. | CoLEAP: Cooperative learning-based edge scheme with caching and prefetching for DASH video delivery | |
CN104683318B (zh) | 一种边缘流媒体服务器缓存选择方法与系统 | |
Hao et al. | Framework for replica placement over cooperative edge networks | |
CN112423041A (zh) | 分布式计算平台下基于QoS约束的视频流处理方法和系统 | |
CN105706412B (zh) | 自校正内容递送网络中的带宽策略管理 | |
CN103974082B (zh) | 子节点、父节点以及用于多层次视频网络的缓存方法及系统 | |
Hu et al. | An on‐demand data broadcasting scheduling algorithm based on dynamic index strategy | |
Gao et al. | Dhp: A joint video download and dynamic bitrate adaptation algorithm for short video streaming |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150429 |