CN106713265B - Cdn节点分配方法及装置、cdn节点分配服务器及cdn网络系统 - Google Patents
Cdn节点分配方法及装置、cdn节点分配服务器及cdn网络系统 Download PDFInfo
- Publication number
- CN106713265B CN106713265B CN201611023327.6A CN201611023327A CN106713265B CN 106713265 B CN106713265 B CN 106713265B CN 201611023327 A CN201611023327 A CN 201611023327A CN 106713265 B CN106713265 B CN 106713265B
- Authority
- CN
- China
- Prior art keywords
- user
- cdn node
- participation
- client
- streaming media
- 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.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/60—Network streaming of media packets
- H04L65/61—Network streaming of media packets for supporting one-way streaming services, e.g. Internet radio
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L61/00—Network arrangements, protocols or services for addressing or naming
- H04L61/45—Network directories; Name-to-address mapping
- H04L61/4505—Network directories; Name-to-address mapping using standardised directories; using standardised directory access protocols
- H04L61/4511—Network directories; Name-to-address mapping using standardised directories; using standardised directory access protocols using domain name system [DNS]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/60—Network streaming of media packets
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L65/00—Network arrangements, protocols or services for supporting real-time applications in data packet communication
- H04L65/80—Responding to QoS
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Information Transfer Between Computers (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明公开了一种CDN节点分配方法及装置、CDN节点分配服务器及CDN网络系统。CDN节点分配方法包括以下步骤:S0,实时获取网络状况;S1,在客户端读取流媒体数据的过程中,获取客户端的用户对于流媒体读取的历史行为数据,并根据所述读取行为数据计算用户的偏好信息、用户对流媒体的参与度信息;S2,训练模型:根据系统中N个客户端获取流媒体数据过程的网络因素、用户的偏好信息、参与度信息进行决策树模型训练,建立决策树模型;S3,预测各个客户端的用户在系统中每个CDN节点的参与度;S4,根据步骤S3预测的参与度,将参与度有提升的一个或者多个客户端的CDN节点调整为新的CDN节点。本发明的CDN节点分配方法可使流媒体传输过程中的整体用户体验达到最大。
Description
【技术领域】
本发明涉及网络通信技术领域,特别是涉及一种CDN节点分配方法及装置、CDN节点分配服务器及系统。
【背景技术】
现有的网络通信中,服务客户端用户的CDN节点的匹配主要考虑客户端用户的地理位置和CDN节点的网络因素。也即是匹配测量仅考虑QoS因素(Quality of Service,服务质量)。这种匹配方法,一般是根据用户发送请求的位置信息就近分配CDN节点,或者会将某些客户端用户匹配到网络条件好的CDN节点上。上述的匹配过程可能造成对网络资源的消耗,却没有整体提升用户的体验。
【发明内容】
本发明所要解决的技术问题是:弥补上述现有技术的不足,提出一种CDN节点分配方法及装置、CDN节点分配服务器及系统,CDN节点分配方法可使网络中整体的用户体验达到最大。
本发明的技术问题通过以下的技术方案予以解决:
一种CDN节点分配方法,包括以下步骤:S0,实时获取网络状况;S1,在客户端读取流媒体数据的过程中,获取客户端的用户对于流媒体的读取的历史行为数据,并根据所述历史行为数据计算用户的偏好信息、用户对流媒体的参与度信息;S2,训练模型:根据系统中N个客户端获取流媒体数据过程的网络因素、用户的偏好信息、参与度信息进行决策树模型训练,建立决策树模型;N表示系统中的客户端的总个数;S3,预测各个客户端的用户在系统中每个CDN节点的参与度:根据步骤S2得到的决策树模型,由当前CDN节点的网络因素、用户的偏好信息预测出该用户在当前CDN节点的参与度信息;针对各个CDN节点,重复上述过程,得到用户在各个CDN节点的参与度;S4,根据步骤S3预测的参与度,将参与度有提升的一个或者多个客户端的CDN节点调整为新的CDN节点。
一种CDN节点分配装置,包括网络状况实时获取模块、行为数据获取模块、偏好计算模块、参与度计算模块、模型训练模块、预测模块和调整模块;网络状况实时获取模块,用于实时获取网络状况;用户行为数据获取模块,用于在客户端读取流媒体数据的过程中,获取客户端的用户对于流媒体读取的历史行为数据;用户偏好计算模块,用于根据所述获取模块获取的历史行为数据计算用户的偏好信息;参与度计算模块,用于根据所述获取模块获取的历史行为数据计算用户对流媒体的参与度信息;模型训练模块,用于根据系统中N个客户端获取流媒体数据过程的网络因素、用户的偏好信息、参与度信息进行决策树模型训练,建立决策树模型;N表示系统中的客户端的总个数;参与度预测模块,用于根据所述模型训练模块得到的决策树模型,由当前CDN节点的网络因素、用户的偏好信息预测出该用户在当前CDN节点的参与度信息;针对各个CDN节点,重复上述过程,得到用户在各个CDN节点的参与度;调整模块,用于根据所述预测模块预测的参与度,将一个或者多个客户端的CDN节点调整为新的CDN节点。
一种CDN节点分配服务器,包括如上所述的CDN节点分配装置。
一种CDN网络系统,包括多个客户端、多个CDN节点和如上所述的CDN节点分配服务器,所述CDN节点分配服务器与所述多个客户端、多个CDN节点通信连接。
本发明与现有技术对比的有益效果是:
本发明的CDN节点分配方法,通过对客户端用户读取行为进行观测,计算出用户对内容的偏好信息。然后基于用户偏好信息,同时结合网络因素由训练好的决策树模型预测用户的参与度信息,根据预测的参与度信息对客户端用户的CDN节点进行重新选择匹配。本发明的分配方法利用用户对流媒体内容访问的真实行为数据进行分析得到用户的偏好因素,再由QoS因素和用户偏好因素预测用户在各CDN节点下对流媒体的观看参与度,从而将参与度高的CDN节点调整为与用户的客户端匹配的新的CDN节点,整体上提升各个客户端用户的数据访问参与度,从而提升整体的用户体验。
【附图说明】
图1是本发明具体实施方式的CDN节点分配装置的模块结构图;
图2是本发明具体实施方式的CDN网络系统的框架结构图。
【具体实施方式】
本发明的构思是:提出用户偏好的定义,通过获取视频内容特征向量,以对用户历史观看行为数据进行保存,基于这些行为数据计算出用户的偏好信息。然后利用决策树的方法,结合用户偏好和网络因素(例如网络的下载速度、缓冲次数、缓冲比例、码率等)对用户参与度进行预测,将用户定向到能够使其参与度达到最大的新的CDN节点,从而使整体的用户体验达到最大。
本具体实施方式提供一种CDN节点分配方法,包括以下步骤:
S0,实时获取网络状况。具体地,网络的实时状况包括每个CDN节点的下载速度、带宽、缓冲比率等。
S1,在客户端读取流媒体数据的过程中,获取客户端的用户对于流媒体读取的历史行为数据,并根据所述历史行为数据计算用户的偏好信息、用户对流媒体的参与度信息。
流媒体包括视频、音频或者多媒体文件中的一种或者多种。客户端在通过CDN节点读取流媒体数据的过程中,根据用户对流媒体观看的历史行为,例如用户对流媒体数据观看与否、观看长度、重复观看次数等行为数据,计算出用户的偏好信息、用户对流媒体的参与度信息。
具体地,可利用余弦相似度的方法计算出用户的偏好信息。
记Sv=(sv1,sv2,…,svL)为流媒体内容的L维特征向量;
例如,流媒体的内容主要包括新闻类、体育类、电视剧类、电影类、综艺节目类、纪录片类等,可针对内容的类型划分为多类,每一类作为一维特征向量;有L种类型,则划分为L维特征向量。对于维度L的具体数量,可根据实际情况进行设置。对每一个流媒体内容分量,定义所属的集合为T(i)。
记Su=(su1,su2,…,suL)为用户u的L维特征向量。
记A(u)为用户u的历史观看的流媒体集,对于流媒体a∈A(u)定义运算:
根据用户u的历史观看流媒体集确定用户u的特征向量Su=(su1,su2,…,suL),其中Su的第i维分量根据如下计算得到:sui=βi∑a∈A(u)a*bi。其中,βi表示第i维分量的权重,a*bi由上述定义的运算确定得到。
则用户的偏好程度计算如下:
Prefuv=SuSv/|Su||Sv|。
上述利用余弦相似度的计算过程,解决了对流媒体数据的内容主题进行挖掘和用户偏好刻画两方面的问题,从而可较准确地计算得到用户的偏好信息。
针对系统中的每个客户端用户,基于其各自的历史行为数据,分别进行上述计算过程,得到各个客户端用户对于流媒体内容的偏好信息Prefuv1、Prefuv2、……、Prefuvn。其中,Prefuv1表示客户端用户1对于流媒体内容的偏好信息,Prefuv2表示客户端用户2对于流媒体内容的偏好信息,……,Prefuvn表示客户端用户N对于流媒体内容的偏好信息。N表示系统中的客户端的总个数。
对于用户的参与度信息,可根据用户读取流媒体的时长除以所述流媒体的总时长计算得到。按照如下方式定义:Euv1表示客户端用户1对于流媒体v1的参与度信息,Euv2表示客户端用户2对于流媒体v2的参与度信息,……,Euvn表示客户端用户N对于流媒体vn的参与度信息。
计算得到偏好信息Prefuv(Prefuv、Prefuv2、……、Prefuvn)和参与度信息Euv(Euv1、Euv2、……、Euvn)后,结合网络状况信息,进行如下模型训练。
S2,训练模型:根据系统中N个客户端获取流媒体数据过程的网络因素、用户的偏好信息、参与度信息的历史数据进行决策树模型训练,建立决策树模型;N表示系统中的客户端的总个数。
该步骤中,选用所有客户端的信息进行模型训练。
训练时,网络因素可包括各客户端在每个流媒体数据会话过程中的下载速度、缓冲次数、缓冲比率和码率。这些数据可从网络系统中保存的数据直接获取得到。M个客户端用户的偏好信息、参与度信息由步骤S1中计算得到。基于网络因素、偏好信息和参与度信息,采用决策树模型训练的方法,可训练得到有关三者之间关系的决策树模型。由于根据多个变量进行决策树模型训练已有较多成熟的方案,在此不再详细描述。
S3,预测各个客户端的用户在系统中每个CDN节点的参与度:根据步骤S2得到的决策树模型,由当前CDN节点的网络因素、用户的偏好信息预测出该用户在当前CDN节点的参与度信息;针对各个CDN节点,重复上述过程,得到用户在各个CDN节点的参与度。
该步骤中,基于当前CDN节点的网络因素和用户偏好两个因素,由决策树模型预测得到用户在当前CDN节点上的参与度信息。其中,当前CDN节点的网络因素可包括下载速度、缓冲次数、缓冲比率、码率等,具体选取的网络因素的种类与步骤S2中模型训练时所使用的网络因素的种类相同。用户偏好信息由步骤S1中计算得到。利用决策树的算法,将当前CDN节点的网络因素和客户端用户的偏好信息作为特征量,该用户的参与度b作为预测值,即可预测得到该用户对应当前CDN节点的参与度信息。
经过预测,对于客户端用户1,可预测得到对应的CDN节点1的参与度信息b11,对应CDN节点2的参与度信息b12,……,对应CDN节点p的参与度信息b1p。其中,p表示系统中CDN节点的总个数。相应地,对于客户端用户2,预测得到对应的CDN节点1的参与度信息b21,对应CDN节点2的参与度信息b22,……,对应CDN节点的参与度信息b2p。依次地,对于第n个客户端用户n,预测得到对应各个CDN节点的参与度信息为bn1,bn2,……,bnp。对于各个客户端的用户,分别得到预测的p个参与度值b(bi1,bi2,……,bip),其中,i取1、2、……、n,表示第i个客户端。
S4,根据步骤S3预测的参与度,将一个或者多个客户端的CDN节点调整为新的CDN节点。
该步骤中,对于某一客户端,将步骤S3预测相应的p个参与度值b与步骤S1计算得到的参与度Euv进行比较。如果有提升且最大提升度对应的CDN节点在其承载能力范围,将最大提升度对应的CDN节点作为新的CDN节点。如果没有提升,则保持该客户端当前匹配的CDN节点不变。例如,对于客户端用户1,其p个参与度预测值中,b13相对提升度最大,则将b13对应的CDN节点3作为客户端1的新的CDN节点。
确定出各客户端新的CDN节点后,将各客户端匹配连接的CDN节点调整为新的CDN节点。当然,这里的调整是在确保每个CDN节点的带宽不超出其负载量的前提条件下进行调整。如果某一客户端调整为新的CDN节点后,新的CDN节点的带宽还未超出负载量,则进行匹配调整;否则,如新的CDN节点的带宽将超出负载量,则不做调整。
优选地,通过优化模型从N个客户端中确定出K个客户端进行CDN节点重定向调整。具体地,将上述所有客户端对应的最大提升度按照从大到小进行排序,确定前K个客户端为调整对象,调整时,仅将该前K个客户端的CDN节点调整为各自新的CDN节点。其中,K的取值根据系统的调度能力确定得到。具体地,可取客户端总个数n的50%~70%的范围。通过上述优化模型确定出提升度最明显的部分客户端进行重定向调整,在降低调度复杂度的同时尽最大限度地提升整体的参与度,从而是一种兼顾调度复杂度和用户体验的方案。
本具体实施方式的CDN节点分配方法,采用用户对流媒体数据(视频、音频或多媒体)内容访问的真实行为数据进行分析获取用户偏好信息。然后从每个视频会话过程中的网络状况(下载速度、缓冲次数、缓冲比率和码率)和用户偏好层面对视频参与度进行预测,引导重定向匹配CDN节点。匹配过程中,结合了用户的偏好信息,且用户的偏好对流媒体数据内容的参与度到影响程度甚至大于网络因素对参与度的影响程度,从而经过上述预测以及匹配调整过程,可在每个CDN节点的带宽不超出其负载量的前提条件下,将用户定向到能够使其参与度达到最大的CDN节点上,较显著的提升多个用户对视频的参与度,从而最大限度的提升CDN网络系统中用户的整体体验度。
本具体实施方式还提供一种CDN节点分配装置,如图1所示,包括以下模块:
网络状况实时获取模块,用于实时获取网络状况;
用户行为数据获取模块,用于在客户端读取流媒体数据的过程中,获取客户端的用户对于流媒体读取的历史行为数据;
用户偏好计算模块,用于根据所述获取模块获取的历史行为数据计算用户的偏好信息;
参与度计算模块,用于根据所述获取模块获取的历史行为数据计算用户对流媒体的参与度信息;
模型训练模块,用于根据系统中N个客户端获取流媒体数据过程的网络因素、用户的偏好信息、参与度信息进行决策树模型训练,建立决策树模型;N表示系统中的客户端的总个数;
参与度预测模块,用于根据所述模型训练模块得到的决策树模型,由当前CDN节点的网络因素、用户的偏好信息预测出该用户在当前CDN节点的参与度信息;针对各个CDN节点,重复上述过程,得到用户在各个CDN节点的参与度;
调整模块,用于根据所述预测模块预测的参与度,将一个或者多个客户端的CDN节点调整为新的CDN节点。
通过上述各模块的工作,当客户端用户请求流媒体时,首先将用户随机分配到一个CDN节点上。偏好计算模块计算出该用户的偏好。然后结合CDN系统中所有CDN节点的网络状况和该用户的偏好,利用模型训练模块训练好的决策树模型,预测出用户在每个CDN节点的参与度。调整模块调整时,如果用户在另外一个CDN节点的参与度有提升,则将其作为新的CDN节点,进行重定向调整。调整要满足一个条件:重定向的CDN节点的负载量不能超出限度。如重定向的CDN节点的带宽将超出负载量,则对应到该CDN节点的客户端不做重新调整,维持其原CDN节点不变。
优选地,调整时,取提升最大的作为客户端用户的提升值,将所有客户端用户的提升值进行从大到小排序,取最大的K个用户进行调整。这样,在降低调度复杂度的同时尽最大限度地提升整体的参与度。
本具体实施方式的CDN节点分配装置,利用用户偏好信息引导重定向匹配CDN节点,可将用户定向到能够使其参与度达到最大的CDN节点上,较显著的提升多个用户对视频的参与度,从而最大限度的提升CDN网络系统中用户的整体体验度。
本具体实施方式的CDN节点分配方法和装置,可应用于CDN节点分配服务器中。对于大规模实时在线视频观看而言,用户对视频的参与度是衡量用户体验的一项重要指标,通过上述方法和装置,CDN节点分配服务器可将用户本身对视频的喜好程度作为一个考量因素来引导CDN节点分配,从而较好地提升用户观看视频的长度等参与度信息,最终提升整体的用户参与度。
本具体实施方式还提供一种CDN网络系统,如图2所示,包括多个客户端(图中仅示意出了其中一个)、多个CDN节点和CDN节点分配服务器。CDN节点分配服务器与所述多个客户端、多个CDN节点通信连接。CDN节点分配服务器通过DNS地址解析服务器与多个客户端交互。CDN节点分配服务器中包括如上所述的CDN分配装置,从而提升CDN网络系统中整体的用户参与度。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下做出若干替代或明显变型,而且性能或用途相同,都应当视为属于本发明的保护范围。
Claims (8)
1.一种内容分发网络CDN节点分配方法,其特征在于:包括以下步骤:
S0,实时获取网络状况;
S1,在客户端读取流媒体数据的过程中,获取客户端的用户对于流媒体读取的历史行为数据,并根据所述历史行为数据计算用户的偏好信息、用户对流媒体的参与度信息;
S2,训练模型:根据系统中N个客户端获取流媒体数据过程的网络因素、用户的偏好信息、参与度信息进行决策树模型训练,建立决策树模型;N表示系统中的客户端的总个数;
S3,预测各个客户端的用户在系统中每个CDN节点的参与度:根据步骤S2得到的决策树模型,由当前CDN节点的网络因素、用户的偏好信息预测出该用户在当前CDN节点的参与度信息;针对各个CDN节点,重复上述过程,得到用户在各个CDN节点的参与度;
S4,根据步骤S3预测的参与度,将参与度有提升的一个或者多个客户端的CDN节点调整为新的CDN节点;
步骤S1中,按照如下步骤由所述历史行为数据计算用户的偏好信息:1)定义流媒体内容的L维特征向量Sv=(sv1,sv2,…,svL);其中,L为设定的流媒体内容类型总量;2)根据用户u的历史观看流媒体集确定用户u的行为特征向量Su=(su1,su2,…,suL),其中Su的第i维分量根据如下计算得到:sui=βi∑a∈A(u)a*bi;其中,βi表示第i维分量的权重,a*bi由如下过程确定:定义A(u)为用户u的历史观看的流媒体集,对于流媒体内容a∈A(u)定义运算:T(i)表示定义的每一类流媒体内容分量所属的集合;3)根据如下公式计算用户的偏好信息Prefuv,Prefuv=SuSv/|Su||Sv|;
步骤S1中,由用户观看流媒体的时长除以所述流媒体的总时长计算得到用户对流媒体的参与度信息。
2.根据权利要求1所述的内容分发网络CDN节点分配方法,其特征在于:步骤S4中,调整时:对于某一客户端,将步骤S3中预测的每个CDN节点的参与度与步骤S1中用户的参与度信息进行比较,如果有提升且最大提升度对应的CDN节点在其承载能力范围,将最大提升度对应的CDN节点作为新的CDN节点。
3.根据权利要求2所述的内容分发网络CDN节点分配方法,其特征在于:调整之前还包括如下步骤:将N个客户端的用户的最大提升度进行从大到小的排序,确定前K个客户端为调整对象,将所述前K个客户端的CDN节点调整为各自新的CDN节点;其中,K的取值根据系统的调度能力确定得到。
4.根据权利要求3所述的内容分发网络CDN节点分配方法,其特征在于:K的取值为N的50%~70%。
5.根据权利要求1所述的内容分发网络CDN节点分配方法,其特征在于:所述流媒体包括视频、音频或者多媒体文件。
6.一种内容分发网络CDN节点分配装置,其特征在于:包括网络状况实时获取模块、行为数据获取模块、偏好计算模块、参与度计算模块、模型训练模块、预测模块和调整模块;
网络状况实时获取模块,用于实时获取网络状况;
用户行为数据获取模块,用于在客户端读取流媒体数据的过程中,获取客户端的用户对于流媒体读取的历史行为数据;
用户偏好计算模块,用于根据所述获取模块获取的历史行为数据计算用户的偏好信息;所述用户偏好计算模块按照如下步骤由所述历史行为数据计算用户的偏好信息:1)定义流媒体内容的L维特征向量Sv=(sv1,sv2,…,SvL);其中,L为设定的流媒体内容类型总量;2)根据用户u的历史观看流媒体集确定用户u的行为特征向量Su=(su1,su2,…,suL),其中Su的第i维分量根据如下计算得到:sui=βi∑a∈A(u)a*bi;其中,βi表示第i维分量的权重,a*bi由如下过程确定:定义A(u)为用户u的历史观看的流媒体集,对于流媒体内容a∈A(u)定义运算:T(i)表示定义的每一类流媒体内容分量所属的集合;3)根据如下公式计算用户的偏好信息Prefuv,Prefuv=SuSv/|Su||Sv|;
参与度计算模块,用于根据所述获取模块获取的历史行为数据计算用户对流媒体的参与度信息;其中由用户观看流媒体的时长除以所述流媒体的总时长计算得到用户对流媒体的参与度信息;
模型训练模块,用于根据系统中N个客户端获取流媒体数据过程的网络因素、用户的偏好信息、参与度信息进行决策树模型训练,建立决策树模型;N表示系统中的客户端的总个数;
参与度预测模块,用于根据所述模型训练模块得到的决策树模型,由当前CDN节点的网络因素、用户的偏好信息预测出该用户在当前CDN节点的参与度信息;针对各个CDN节点,重复上述过程,得到用户在各个CDN节点的参与度;
调整模块,用于根据所述预测模块预测的参与度,将一个或者多个客户端的CDN节点调整为新的CDN节点。
7.一种内容分发网络CDN节点分配服务器,其特征在于:包括如权利要求6所述的内容分发网络CDN节点分配装置。
8.一种内容分发网络CDN系统,其特征在于:包括多个客户端、多个CDN节点和如权利要求7所述的内容分发网络CDN节点分配服务器,所述CDN节点分配服务器与所述多个客户端、多个CDN节点通信连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611023327.6A CN106713265B (zh) | 2016-11-21 | 2016-11-21 | Cdn节点分配方法及装置、cdn节点分配服务器及cdn网络系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611023327.6A CN106713265B (zh) | 2016-11-21 | 2016-11-21 | Cdn节点分配方法及装置、cdn节点分配服务器及cdn网络系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106713265A CN106713265A (zh) | 2017-05-24 |
CN106713265B true CN106713265B (zh) | 2019-05-28 |
Family
ID=58941059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611023327.6A Active CN106713265B (zh) | 2016-11-21 | 2016-11-21 | Cdn节点分配方法及装置、cdn节点分配服务器及cdn网络系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106713265B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107231436B (zh) * | 2017-07-14 | 2021-02-02 | 网宿科技股份有限公司 | 一种进行业务调度的方法和装置 |
CN109802926B (zh) * | 2017-11-16 | 2021-08-03 | 北京乐我无限科技有限责任公司 | 内容分发网络的推荐模型建立方法、直播方法及装置 |
CN109842563A (zh) * | 2017-11-24 | 2019-06-04 | 中国电信股份有限公司 | 内容分发网络流量调度方法、装置和计算机可读存储介质 |
CN108491267B (zh) * | 2018-03-13 | 2022-02-08 | 百度在线网络技术(北京)有限公司 | 用于生成信息的方法和装置 |
CN108984651A (zh) * | 2018-06-27 | 2018-12-11 | 四川斐讯信息技术有限公司 | 基于内容分发网络服务的智能音箱的音乐播放方法及系统 |
CN110245313A (zh) * | 2019-05-20 | 2019-09-17 | 中国平安财产保险股份有限公司 | 基于数据分析的请求发送方法、装置及终端 |
US11588891B2 (en) * | 2019-11-04 | 2023-02-21 | Google Llc | Access pattern driven data placement in cloud storage |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412875A (zh) * | 2013-07-11 | 2013-11-27 | 广东工业大学 | 基于ahp决策模型的cdn策略调整方法 |
CN104486350A (zh) * | 2014-12-24 | 2015-04-01 | 电子科技大学 | 一种基于用户行为的网络内容加速方法 |
CN104796449A (zh) * | 2014-01-22 | 2015-07-22 | 腾讯科技(深圳)有限公司 | 内容分发方法、装置及设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110179108A1 (en) * | 2010-01-21 | 2011-07-21 | International Business Machines Corporation | System for Aggregating Information and Delivering User Specific Content |
-
2016
- 2016-11-21 CN CN201611023327.6A patent/CN106713265B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103412875A (zh) * | 2013-07-11 | 2013-11-27 | 广东工业大学 | 基于ahp决策模型的cdn策略调整方法 |
CN104796449A (zh) * | 2014-01-22 | 2015-07-22 | 腾讯科技(深圳)有限公司 | 内容分发方法、装置及设备 |
CN104486350A (zh) * | 2014-12-24 | 2015-04-01 | 电子科技大学 | 一种基于用户行为的网络内容加速方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106713265A (zh) | 2017-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106713265B (zh) | Cdn节点分配方法及装置、cdn节点分配服务器及cdn网络系统 | |
Huang et al. | Buffer state is enough: Simplifying the design of QoE-aware HTTP adaptive video streaming | |
Sengupta et al. | HotDASH: Hotspot aware adaptive video streaming using deep reinforcement learning | |
Wang et al. | Joint online transcoding and geo-distributed delivery for dynamic adaptive streaming | |
Gao et al. | Optimizing quality of experience for adaptive bitrate streaming via viewer interest inference | |
CN110268717A (zh) | 使用播放统计信息对多表示编码的比特率优化 | |
Wang et al. | Deepcast: Towards personalized qoe for edge-assisted crowdcast with deep reinforcement learning | |
Wang et al. | A joint online transcoding and delivery approach for dynamic adaptive streaming | |
US11297364B2 (en) | Video content streaming bitrate selection using an edge computing system for improving user experience | |
Hu et al. | Toward Wi-Fi AP-assisted content prefetching for an on-demand TV series: A learning-based approach | |
CN103795755B (zh) | 流媒体发送速率控制方法、系统和流媒体服务器 | |
Cui et al. | TCLiVi: Transmission control in live video streaming based on deep reinforcement learning | |
CN105763896A (zh) | 一种多用户动态自适应视频码率分配系统 | |
Xiao et al. | Two-phase rate adaptation strategy for improving real-time video QoE in mobile networks | |
Huang et al. | Zwei: A self-play reinforcement learning framework for video transmission services | |
CN108833350A (zh) | 一种适用于多服务器自适应流媒体系统的数据传输方法 | |
CN106453270B (zh) | 基于pi控制流媒体的自适应传输算法 | |
Wang et al. | Intelligent edge learning for personalized crowdsourced livecast: Challenges, opportunities, and solutions | |
Tian | [Retracted] Optimization of Embedded Mobile Teaching Model Based on Network Streaming Media Technology | |
Luo et al. | LiveSR: Enabling universal HD live video streaming with crowdsourced online learning | |
Shi et al. | CoLEAP: Cooperative learning-based edge scheme with caching and prefetching for DASH video delivery | |
Feng et al. | Timely and accurate bitrate switching in HTTP adaptive streaming with date-driven I-frame prediction | |
CN110062255A (zh) | 一种识别QUIC协议加密传输的YouTube DASH视频的方法 | |
Izima et al. | Video quality prediction under time-varying loads | |
CN113645228B (zh) | 一种码率自适应的视频分发方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |