CN105578212A - 一种大数据中流计算平台下的点对点流媒体实时监测方法 - Google Patents

一种大数据中流计算平台下的点对点流媒体实时监测方法 Download PDF

Info

Publication number
CN105578212A
CN105578212A CN201510933758.5A CN201510933758A CN105578212A CN 105578212 A CN105578212 A CN 105578212A CN 201510933758 A CN201510933758 A CN 201510933758A CN 105578212 A CN105578212 A CN 105578212A
Authority
CN
China
Prior art keywords
data
map
point
task
reduce
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.)
Granted
Application number
CN201510933758.5A
Other languages
English (en)
Other versions
CN105578212B (zh
Inventor
季一木
蒋晨晨
王汝传
谈杰
谈海宇
袁永阁
张殿超
朗贤波
张永潘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Post and Telecommunication University
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing Post and Telecommunication University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Post and Telecommunication University filed Critical Nanjing Post and Telecommunication University
Priority to CN201510933758.5A priority Critical patent/CN105578212B/zh
Publication of CN105578212A publication Critical patent/CN105578212A/zh
Application granted granted Critical
Publication of CN105578212B publication Critical patent/CN105578212B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/24—Monitoring of processes or resources, e.g. monitoring of server load, available bandwidth, upstream requests
    • H04N21/2405—Monitoring of the internal components or processes of the server, e.g. server load
    • 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
    • H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
    • H04N21/24—Monitoring of processes or resources, e.g. monitoring of server load, available bandwidth, upstream requests
    • H04N21/2401—Monitoring of the client buffer
    • 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
    • H04N21/26208—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 the scheduling operation being performed under constraints
    • 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]
    • H04N21/60—Network structure or processes for video distribution between server and client or between remote clients; Control signalling between clients, server and network components; Transmission of management data between server and client, e.g. sending from server to client commands for recording incoming content stream; Communication details between server and client 
    • H04N21/63—Control signaling related to video distribution between client, server and network components; Network processes for video distribution between server and clients or between remote clients, e.g. transmitting basic layer and enhancement layers over different transmission paths, setting up a peer-to-peer communication via Internet between remote STB's; Communication protocols; Addressing
    • H04N21/632—Control signaling related to video distribution between client, server and network components; Network processes for video distribution between server and clients or between remote clients, e.g. transmitting basic layer and enhancement layers over different transmission paths, setting up a peer-to-peer communication via Internet between remote STB's; Communication protocols; Addressing using a connection between clients on a wide area network, e.g. setting up a peer-to-peer communication via Internet for retrieving video segments from the hard-disk of other client devices

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Information Transfer Between Computers (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明是给出一种大数据中流计算平台下的点对点流媒体实时监测方法。分布式架构为Hadoop系统，点对点流媒体指的是Flash？P2P数据。我们所提出的方法主要用于快速提取Flash？P2P流量数据,从中再提取出隐含的、未知的、潜在的和有用的信息，使分析出的数据更加具有时效性，主要是用于解决将FLASH？P2P迅速从巨大的总流量中快速实时分离出来这个问题，只有将FLASH？P2P流量分离出来才能快速找到该隐含的信息，进行商用。通过HDFS存储实时数据，Mapreduce程序根据处理能力处理数据，对所有的数据进行两次map，筛选出符合要求的数据，其他数据则被删除。对数据进行reduce时，因为不需要做别的处理，可以直接整合输出。

Description

一种大数据中流计算平台下的点对点流媒体实时监测方法
技术领域
本发明是给出一种基于分布式架构的点对点流媒体进行实时监测的方法。分布式架构为Hadoop系统，点对点流媒体指的是FlashP2P数据。我们所提出的方法主要用于快速提取FlashP2P流量数据,从中再提取出隐含的、未知的、潜在的和有用的信息，使分析出的数据更加具有时效性，属于互联网视频领域。
背景技术
FLASHP2P技术是现在视频网站用的比较成熟的技术。FlashP2P视频点播系统使用FlashP2p技术，以一种全新的方式分发点播视频，在保证观众良好观看体验的同时保证了最低的服务器负担和带宽使用，显著提高视频服务器的并发量和降低服务器和带宽成本。目前国内多家视频门户网站采用了FlashP2P技术，例如优酷、爱奇艺、搜狐等。
Hadoop是基于分布式技术、并行处理技术和网格计算技术发展的产物,是为了适应用海量数据和大规模计算等新需求而发展出来的模型架构。Hadoop也是一个分布式存储和分布式计算的框架,可以高效的存储海量数据,而且可以运行、编写分布式应用程序处理海量数据。一方面Hadoop在编写和运行大型分布式程序计算方面具有很大的优势,主要是Hadoop具有的方便和简捷的特性。另一方面,Hadoop具有健壮性和很好的扩展性等特点,这些特点使Hadoop在研究领域和应用领域都受到了极大的欢迎,并且得到了广泛的应用。Hadoop的数据中心由连接在一起的千上万的计算机构成,用户通过普通电脑接入就可以使用数据中心,根据自己的需求进行存储。HDFS是Hadoop的分布式文件系统,具有高度的稳定性和存储效率。HDFS提供高效的数据存储,为用户提供快速、稳定的数据存储服务。MapReduce模型是Hadoop用于计算数据的。用户在使用MapReduce模型进行大规模数据处理时,可以将主要精力放在如何编写Map和Reduce函数上,其它并行计算中的复杂问题诸如分布式文件系统、工作调度、容错、机器间通信等都交给MapReduce系统处理,在很大程度上降低了整个编程难度。
发明内容
技术问题：本发明的目的是提供一种大数据中流计算平台下的点对点流媒体实时监测方法，来提高有关视频的数据处理能力，更好的分析用户行为(例如：某视频播放次数、播放IP数、用户地域占比)，优化网站内容，更新地域的服务器占比，优化播放内容。
技术方案：本发明的一种大数据中流计算平台下的点对点流媒体实时监测方法为：工作服务器接收到作业后，将接收到的作业放在一个作业队列里，等待作业调度器对该作业进行调度，当作业调度器根据自己的调度算法调度到该作业时，会根据输入划分信息为每个划分创建一个map任务，并将map任务分配给任务服务器执行；任务服务器根据主机核的数量和内存的大小有固定数量的map槽和reduce槽为map与reduce分配任务；其中，map是一种由接受一组数据并将其转换为一个键/值对列表的函数，reduce是一种将map函数产生结果合并的函数；进行map输入时，需要将数据按照规定的格式输入；在map阶段，通过筛选用户数据报协议UDP数据报，同时将筛选出后的结果进行二次map；在map输出阶段，需要将数据结果放入至缓存区；在reduce阶段，通过reduce任务将所有结果进行合并输出。
其中：
在进行输入map时，应该对一个map任务应指明输入/输出的位置即路径,同时输入目录下的数据文件由于已经按照每0.1s抓取所以并不需要切割,但必须将数据块以键值对形式的格式读入，这个阶段的键值应该为数据包类型，数据值为抓取的UDP数据包，同时map任务不是随随便便地分配给某个任务服务器的，这里有个概念叫：数据本地化，意思是：将map任务分配给含有该map处理的数据任务服务器上，同时将代码程序包复制到该任务服务器上来运行，其中作业调度器将周期性的向工作服务器发送心跳包，在心跳包中作业调度器告知工作服务器其已经准备运行一个新的任务，那么工作服务器会调动map从Hadoop流计算平台中获取新的数据块，并不需要重新获取其他信息。
在map阶段，通过map函数根据数据类型筛选出UDP数据包，生成中间键值对，其中键值为UDP这个数据包类型，数据值为UDP数据包，其他数据包则被删掉；由于需要将点对点视频流量分离出来，需要做二次Map计算；将第一次Map中间输出数据重新作为数据,进行二次Map，其键值对也会重新定义，其中键值为数据包的会话编码，判断会话编码是否能被4整除，若可以则判断出此包为RTMFP包，其中RTMFP为点对点视频协议，即为点对点视频流量数据包。
map输出阶段，输出的结果会暂且放在一个环形内存缓冲区中，当该缓冲区快要溢出时，会在本地文件系统中创建一个溢出文件，将该缓冲区中的数据写入这个文件；当缓冲区中数据的到达一定的大小，就会将数据开始写入硬盘；在写入硬盘之前，首先根据reduce任务的数目将数据划分为相同数目的分区，也就是一个reduce任务对应一个分区的数据；这样做是为了避免有些reduce任务分配到大量数据，而有些reduce任务却分到很少数据，甚至没有分到数据的尴尬局面。
在Reduce阶段，由于map任务一直与作业调度器保持联系，而作业调度器又一直和工作服务器保持心跳，所以工作服务器中保存了整个集群中的宏观信息，只要reduce任务向工作服务器获取对应的map输出位置，就可以获取输出的map数据，从而进行reduce整合输出。
有益效果：
1、改变了传统的计算模式，缩短了计算时间，通过该系统能够更加有效的监测到用户交互的实时数据。
2、通过该技术能够快速分析视频产生的庞大的数据量，迅速分离flashp2p流量。
3、可以在分离出的flashp2p流量中可以获取用户的潜藏的信息，进行商用，为客户创造更大的利益。
附图说明
图1是基于分布式架构的点对点流媒体实时监测框架图，
图2是基于分布式架构的点对点流媒体实时监测流程图，
图3是基于分布式架构的点对点流媒体实时监测时序图。
具体实施方式
本发明旨在提出一种大数据中流计算平台下的点对点流媒体实时监测方法，组建基于HADOOP的实时监测技术，充分利用HADOOP的分布式的特性，将视频实时监测的需要巨大计算能力的数据的计算和存储要求扩展到HADOOP中的各个节点上，利用并行计算和存储能力来进行相关数据计算工作。系统通过接口获取的数据被分割成小块，使用HADOOP的节点来存储、分析和处理每个小块的数据量，处理完成后将分析好的数据反馈给服务器。
FLASHP2P协议采用的是RTMFP协议。实时媒体流协议(RTMFP)是Adobe公司开发的一种专有协议。RTMFP协议可以让AdobeFlashPlayer所在的终端用户之间实现直接点对点，多播和任播等多种通信。其原理是节点之间通过DHT协议相互发现和连接，通过DHT((DistributedHashTable，分布式哈希表)进行资源的发现和查找，通信协议采用UDP，利用DH算法(Diffie-Hellman算法)进行在建立连接阶段进行密钥协商，采用AES128位在UDP层加密。在RTMFP协议中，通信时，服务器将会分配给用户一个会话编码Sessionid，每个用户的Sessionid是不同的。根据Sessionid，可以判断出该数据包是否为使用RTMFP协议通信的，并判断这是否为FLASHP2P流量。
跟传统的流量监测技术相比，基于分布式架构的点对点流媒体监测技术有着更多的优势。例如，传统的流量监测技术监测到的数据非常的庞大，人们将其运算处理需要耗费庞大的时间，这样，将会错失最佳的时候来获取这些信息。同时，传统的监测技术，并不能够完整的监测到越来越庞大的数据，随着人们的生活方式的转变，人们越来越喜欢观看视频来获取信息、娱乐生活，而视频产生的流量是非常巨大的。传统的技术已经不能满足了，只有云计算技术能够满足。基于Hadoop的flashp2p技术计算能力非常强大，完全能够满足庞大数据的计算。图1为整体的框架图。Hadoop集群是典型的Master/Slaves结构，Namenode与Jobtracker为Master，Datanodes与Tasktrackers与Slaves。Namenode与Datanodes负责完成HDFS(分布式文件系统服务)的工作，Jobtracker与Tasktrackers则负责完成MapReduce(计算服务)的工作。从客户端获取的数据以及mapreduce程序传送于HDFS，将作业分配给Jobtracker，通过Jobtracker的控制来进行任务的分配以及实施。最核心的部分为mapreduce部分，通过对数据的分布式处理从而得到客户端需要的数据。
本发明的一种大数据中流计算平台下的点对点流媒体实时监测方法，解决了数据量庞大不能及时处理的问题，同时更具时效、商用性，。以下为基于Hadoop的FLASHP2P流媒体实时监测体系结构的过程，其对应的流程图和认证过程时序图如图2和3所示，具体过程如下：
主控服务器Namenode维护和管理整个文件系统,数据服务器Datanode用来存储数据块。任务服务器Tasktracker用来完成Map和Reduce任务,而工作服务器Jobtracker服务器主要用来调度任务的执行,处理机器故障,管理与Tasktracker通讯以及对Job和Task执行情况的监控等；此外,还有一个工作的提交者,即客户端。
1、客户端启动一个作业，该作业为将FLASHP2P流量从网络流量中分离，并将传送给Jobtracker。
2、客户端将包括MapReduce程序打包的JAR文件、配置文件以及输入划分信息复制到HDFS上。
3、客户端开启嗅探器，通过嗅探器获取数据包，数据包所包含的类型有TCP、UDP、HTTP、DNS等，同时每隔0.1s将获取的数据包发送给HDFS。
4、Jobtracker收到作业后，从HDFS获取输入划分信息，根据数据包的数量启动多少个map任务，并且将map任务分配给Tasktracker执行。
5、Tasktracker收到map任务后，从HDFS获取mapruduce程序，同时对该任务进行map和reduce。
6、进行map前，可以根据数据包的特征，找出两对<key，value>。先根据第一对<key，value>对其进行map处理，生成中间<key,value>对，再对输出的value进行二次map，map后输出结果进行reduce输出，并将数据输出到设定的目录下。
7、TaskTracker每隔一段时间会给JobTracker发送一个心跳，告诉JobTracker它依然在运行，同时心跳中还携带着很多的信息，比如当前map任务完成的进度等信息。当JobTracker收到作业的最后一个任务完成信息时，便把该作业设置成“成功”。

Claims (5)

1.一种大数据中流计算平台下的点对点流媒体实时监测方法，其特征在于该方法为：工作服务器接收到作业后，将接收到的作业放在一个作业队列里，等待作业调度器对该作业进行调度，当作业调度器根据自己的调度算法调度到该作业时，会根据输入划分信息为每个划分创建一个map任务，并将map任务分配给任务服务器执行；任务服务器根据主机核的数量和内存的大小有固定数量的map槽和reduce槽为map与reduce分配任务；其中，map是一种由接受一组数据并将其转换为一个键/值对列表的函数，reduce是一种将map函数产生结果合并的函数；进行map输入时，需要将数据按照规定的格式输入；在map阶段，通过筛选用户数据报协议UDP数据报，同时将筛选出后的结果进行二次map；在map输出阶段，需要将数据结果放入至缓存区；在reduce阶段，通过reduce任务将所有结果进行合并输出。
2.根据权利要求1所述的大数据中流计算平台下的点对点流媒体实时监测方法，其特征在于在进行输入map时，应该对一个map任务应指明输入/输出的位置即路径,同时输入目录下的数据文件由于已经按照每0.1s抓取所以并不需要切割,但必须将数据块以键值对形式的格式读入，这个阶段的键值应该为数据包类型，数据值为抓取的UDP数据包，同时map任务不是随随便便地分配给某个任务服务器的，这里有个概念叫：数据本地化，意思是：将map任务分配给含有该map处理的数据任务服务器上，同时将代码程序包复制到该任务服务器上来运行，其中作业调度器将周期性的向工作服务器发送心跳包，在心跳包中作业调度器告知工作服务器其已经准备运行一个新的任务，那么工作服务器会调动map从Hadoop流计算平台中获取新的数据块，并不需要重新获取其他信息。
3.根据权利要求1所述的大数据中流计算平台下的点对点流媒体实时监测方法，其特征在于，在map阶段，通过map函数根据数据类型筛选出UDP数据包，生成中间键值对，其中键值为UDP这个数据包类型，数据值为UDP数据包，其他数据包则被删掉；由于需要将点对点视频流量分离出来，需要做二次Map计算；将第一次Map中间输出数据重新作为数据,进行二次Map，其键值对也会重新定义，其中键值为数据包的会话编码，判断会话编码是否能被4整除，若可以则判断出此包为RTMFP包，其中RTMFP为点对点视频协议，即为点对点视频流量数据包。
4.根据权利要求1所述的大数据中流计算平台下的点对点流媒体实时监测方法，其特征在于map输出阶段，输出的结果会暂且放在一个环形内存缓冲区中，当该缓冲区快要溢出时，会在本地文件系统中创建一个溢出文件，将该缓冲区中的数据写入这个文件；当缓冲区中数据的到达一定的大小，就会将数据开始写入硬盘；在写入硬盘之前，首先根据reduce任务的数目将数据划分为相同数目的分区，也就是一个reduce任务对应一个分区的数据；这样做是为了避免有些reduce任务分配到大量数据，而有些reduce任务却分到很少数据，甚至没有分到数据的尴尬局面。
5.根据权利要求1所述的大数据中流计算平台下的点对点流媒体实时监测方法，其特征在于在Reduce阶段，由于map任务一直与作业调度器保持联系，而作业调度器又一直和工作服务器保持心跳，所以工作服务器中保存了整个集群中的宏观信息，只要reduce任务向工作服务器获取对应的map输出位置，就可以获取输出的map数据，从而进行reduce整合输出。
CN201510933758.5A 2015-12-15 2015-12-15 一种大数据中流计算平台下的点对点流媒体实时监测方法 Active CN105578212B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510933758.5A CN105578212B (zh) 2015-12-15 2015-12-15 一种大数据中流计算平台下的点对点流媒体实时监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510933758.5A CN105578212B (zh) 2015-12-15 2015-12-15 一种大数据中流计算平台下的点对点流媒体实时监测方法

Publications (2)

Publication Number Publication Date
CN105578212A true CN105578212A (zh) 2016-05-11
CN105578212B CN105578212B (zh) 2019-02-19

Family

ID=55887807

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510933758.5A Active CN105578212B (zh) 2015-12-15 2015-12-15 一种大数据中流计算平台下的点对点流媒体实时监测方法

Country Status (1)

Country Link
CN (1) CN105578212B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341084A (zh) * 2017-05-16 2017-11-10 阿里巴巴集团控股有限公司 一种数据处理的方法及装置
CN110879707A (zh) * 2018-09-06 2020-03-13 迈普通信技术股份有限公司 编译任务执行方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101183368A (zh) * 2007-12-06 2008-05-21 华南理工大学 联机分析处理中分布式计算及查询海量数据的方法和系统
CN101957863A (zh) * 2010-10-14 2011-01-26 广州从兴电子开发有限公司 数据并行处理方法、装置及系统
CN102158533A (zh) * 2011-01-28 2011-08-17 浙江大学 基于QoS的分布式web服务选择方法
CN102710772A (zh) * 2012-06-04 2012-10-03 包丽霞 一种基于云平台的海量数据通讯系统
CN102761602A (zh) * 2012-06-05 2012-10-31 北京永洪商智科技有限公司 一种基于Hadoop的海量数据实时分析处理方法
CN102937918A (zh) * 2012-10-16 2013-02-20 西安交通大学 一种hdfs运行时数据块平衡方法
CN102999633A (zh) * 2012-12-18 2013-03-27 北京师范大学珠海分校 网络信息的云聚类提取方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101183368A (zh) * 2007-12-06 2008-05-21 华南理工大学 联机分析处理中分布式计算及查询海量数据的方法和系统
CN101957863A (zh) * 2010-10-14 2011-01-26 广州从兴电子开发有限公司 数据并行处理方法、装置及系统
CN102158533A (zh) * 2011-01-28 2011-08-17 浙江大学 基于QoS的分布式web服务选择方法
CN102710772A (zh) * 2012-06-04 2012-10-03 包丽霞 一种基于云平台的海量数据通讯系统
CN102761602A (zh) * 2012-06-05 2012-10-31 北京永洪商智科技有限公司 一种基于Hadoop的海量数据实时分析处理方法
CN102937918A (zh) * 2012-10-16 2013-02-20 西安交通大学 一种hdfs运行时数据块平衡方法
CN102999633A (zh) * 2012-12-18 2013-03-27 北京师范大学珠海分校 网络信息的云聚类提取方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107341084A (zh) * 2017-05-16 2017-11-10 阿里巴巴集团控股有限公司 一种数据处理的方法及装置
CN107341084B (zh) * 2017-05-16 2021-07-06 创新先进技术有限公司 一种数据处理的方法及装置
CN110879707A (zh) * 2018-09-06 2020-03-13 迈普通信技术股份有限公司 编译任务执行方法及装置
CN110879707B (zh) * 2018-09-06 2022-10-14 迈普通信技术股份有限公司 编译任务执行方法及装置

Also Published As

Publication number Publication date
CN105578212B (zh) 2019-02-19

Similar Documents

Publication Publication Date Title
CN107294801B (zh) 基于海量实时互联网dpi数据的流式处理方法及系统
CN103152393B (zh) 一种云计算的计费方法和计费系统
Tan et al. Media cloud: When media revolution meets rise of cloud computing
CN105045856B (zh) 一种基于Hadoop的大数据遥感卫星数据处理系统
CN111506660B (zh) 一种热网实时数据仓系统
CN106790718A (zh) 服务调用链路分析方法及系统
CN113569117B (zh) 一种基于工业互联网大数据服务的云平台系统及方法
CN107295110A (zh) 计算任务的处理方法、边缘节点、业务服务器及系统
CN108600300B (zh) 日志数据处理方法及装置
CN102404615A (zh) 基于云计算的视频处理系统
CN102255942A (zh) 一种多媒体量子流及云处理技术与实现方法
CN105979273A (zh) 基于大数据及云计算的智能商用电视的云监控与云运维
CN105897850A (zh) 用于cdn平台的响应处理方法、调度代理服务器及系统
CN103077074B (zh) 一种三维空间数据并行调度方法和系统
Pérez et al. Performance characterization of the servioticy api: an iot-as-a-service data management platform
CN105872856A (zh) 一种流媒体文件分发方法及系统
Filip et al. Data capsule: Representation of heterogeneous data in cloud-edge computing
CN110278254A (zh) 用于FogCDN场景的调度方法及调度端
CN107391606A (zh) 基于Storm的日志处理方法及装置
CN103248636B (zh) 离线下载的系统及方法
CN105450997A (zh) 基于云存储的视频监控系统
CN105578212A (zh) 一种大数据中流计算平台下的点对点流媒体实时监测方法
Rashid et al. Edgestore: Towards an edge-based distributed storage system for emergency response
CN105915587A (zh) 内容推送方法、系统、以及缓存服务器
CN104199919A (zh) 一种实现超大规模数据实时读取的方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 210003 new model road 66, Gulou District, Nanjing, Jiangsu

Applicant after: Nanjing Post & Telecommunication Univ.

Address before: 210003 No. 9 Wenyuan Road, Xianlin University City, Nanjing City, Jiangsu Province

Applicant before: Nanjing Post & Telecommunication Univ.

GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20160511

Assignee: Hongzhen Technology Co.,Ltd.

Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS

Contract record no.: X2020980007073

Denomination of invention: A point-to-point streaming media real-time monitoring method based on streaming computing platform in big data

Granted publication date: 20190219

License type: Common License

Record date: 20201023

EC01 Cancellation of recordation of patent licensing contract
EC01 Cancellation of recordation of patent licensing contract

Assignee: Hongzhen Technology Co.,Ltd.

Assignor: NANJING University OF POSTS AND TELECOMMUNICATIONS

Contract record no.: X2020980007073

Date of cancellation: 20220304