CN108900594A - 移动视频的优化方法、装置及系统 - Google Patents
移动视频的优化方法、装置及系统 Download PDFInfo
- Publication number
- CN108900594A CN108900594A CN201810646080.6A CN201810646080A CN108900594A CN 108900594 A CN108900594 A CN 108900594A CN 201810646080 A CN201810646080 A CN 201810646080A CN 108900594 A CN108900594 A CN 108900594A
- Authority
- CN
- China
- Prior art keywords
- video
- scheme
- comprehensive
- information data
- optimization
- 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
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the 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
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- 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
-
- 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
- H04L65/40—Support for services or applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明提供一种移动视频的优化方法、装置及系统,属于视频优化技术领域。该优化方法包括:S1、接收移动视频优化请求,并确定多个综合视频方案;S2、获取历史综合视频方案;S3、根据当前的各综合视频方案中的信息数据和历史信息数据,依照多层隐藏卷积神经网络优化分析策略选择出最优的综合视频方案作为当前的推荐方案;S4、判断第一评价条件是否满足,若是,则输出当前的推荐方案;若否,则执行步骤S5;S5、依照最大最小奖励无监督优化策略对当前的各综合视频方案进行优化,得出优化后的各综合视频方案,之后重复步骤S3和S4进行迭代,直至判断出预设的第一评价条件满足,或者迭代次数满足预设阈值时,输出当前的推荐方案。
Description
技术领域
本发明属于视频优化技术领域,具体涉及一种移动视频的优化方法、装置及系统。
背景技术
随着物联网迅猛发展,移动视频终端设备的数量迅速增加,同时移动视频终端设备所产生数据量已达到泽字节(ZB)级别。利用现有的云计算系统进行集中式数据处理过程中,高延迟、高流量成本、识别准确度低等问题日益突出。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提供一种能够降低时延和流量成本,提高可靠性的移动视频的优化方法。
解决本发明技术问题所采用的技术方案是一种移动视频的优化方法,包括:
S1、接收各移动视频终端发送的移动视频优化请求,并根据所述移动视频优化请求确定多个综合视频方案,每个所述综合视频方案中都包括对应各所述移动视频优化请求的信息数据;其中,所述信息数据包括:时延、流量成本、可靠性中的至少一者;不同综合视频方案中至少一个同一移动视频优化请求的信息数据不同;
S2、获取历史综合视频方案,所述历史综合视频方案包括历史信息数据;
S3、根据当前的各综合视频方案中的信息数据和历史信息数据,依照预设的多层隐藏卷积神经网络优化分析策略进行优化分析,从所述各综合视频方案中选择出最优的综合视频方案作为当前的推荐方案;
S4、根据历史综合视频方案和当前的推荐方案,判断预设的第一评价条件是否满足,当判断出预设的第一评价条件满足时,则输出当前的推荐方案;当判断出预设的第一评价条件不满足时,则执行步骤S5;
S5、根据当前的各综合视频方案和历史优化方案,依照预设的最大最小奖励无监督优化策略对当前的各综合视频方案进行优化,得出优化后的各综合视频方案,之后重复步骤S3和S4进行迭代,直至判断出预设的第一评价条件满足,或者迭代次数满足预设阈值时,输出当前的推荐方案。
优选的,所述信息数据包括:时延、流量成本、可靠性;
每个综合视频方案中的各信息数据以三维信息向量的形式存储为:
其中,k为迭代次数,为第k次迭代的综合视频方案M中坐标为(i,j,t)的信息数据,且i=1,2,…m,j=1,2,…n,t=1,2,…p,分别为信息数据的第k次迭代的时延、流量成本和可靠性。
优选的,所述步骤S3具体包括:
根据当前的各综合视频方案的信息数据确定所有综合视频方案中的当前最小信息数据;
根据历史信息数据确定最大历史信息数据;
根据当前的各综合视频方案中的信息数据、当前最小信息数据、最大历史信息数据,依照多层隐藏卷积神经网络优化分析策略进行优化分析,从所述当前的各综合视频方案中选择出最优的综合视频方案作为推荐方案。
进一步优选的,所述多层隐藏卷积神经网络优化分析策略具体为:
α、β∈(0,1),α+β=1,
其中,MminK为最小信息数据,MmaxG为最大历史信息数据。
优选的,所述第一评价条件具体为:
其中,LminG为历史最小时延、CminG为历史最小流量成本、RmaxG为历史最大可靠性。
进一步优选的,所述最大最小奖励无监督优化策略具体为:
其中,LminG为历史最小时延、CminG为历史最小流量成本、RmaxG为历史最大可靠性、MminG为历史最小信息数据、MminK为第k次迭代的最小信息数据、为第k+1次迭代的综合视频方案M中坐标为(i,j,t)的信息数据,且i=1,2,…m,j=1,2,…n,t=1,2,…p。
解决本发明技术问题所采用的技术方案是一种移动视频的优化装置,包括:
接收单元,用于接收各移动视频终端发送的移动视频优化请求,并更根据所述移动视频优化请求确定多个当前的综合视频方案,每个所述综合视频方案中都包括对应所述移动视频优化请求的信息数据,其中,不同综合视频方案中至少一个同一移动视频优化请求的信息数据不同;所述信息数据包括:时延、流量成本、可靠性中的至少一者;
历史获取单元,用于获取历史综合视频方案,所述历史综合视频方案包括历史信息数据;
分析单元,用于根据当前的各综合视频方案中的信息数据和历史信息数据,依照预设的多层隐藏卷积神经网络优化分析策略进行优化分析,从所述各综合视频方案中选择出最优的综合视频方案作为当前的推荐方案;
评价单元,用于根据历史综合视频方案和当前的推荐方案,判断预设的第一评价条件是否满足,当判断出预设的第一评价条件满足时,则输出当前的推荐方案;
优化单元,当判断出预设的第一评价条件不满足时,根据当前的各综合视频方案和历史优化方案,依照预设的最大最小奖励无监督优化策略对当前的各综合视频方案进行优化,得出优化后的各综合视频方案,发送给分析单元,直至判断出预设的第一评价条件满足,或者迭代次数满足预设阈值时,输出当前的推荐方案。
解决本发明技术问题所采用的技术方案是一种移动视频的优化系统,包括:
上述的移动视频的优化装置;
多个移动视频终端,用于向所述接收单元发送移动视频优化请求。
优选的,所述移动视频的优化系统还包括:
边缘处理单元,用于接收并处理移动视频终端发出的部分移动视频优化请求;
所述边缘处理单元设于所述移动视频终端本地,且所述边缘处理单元与移动视频的优化装置接收的移动视频优化请求不同。
优选的,所述移动视频的优化系统还包括:
网络传输单元,用于传输所述移动视频终端发出的移动视频优化请求。
本发明的移动视频的优化方法中,基于各移动视频终端发送的移动视频优化请求确定多个综合视频方案,根据各综合视频方案中的各信息数据、以及历史综合视频方案中的历史信息数据等,多个综合视频方案选择一个最优的综合视频方案最为推荐方案输出,当不满足输出条件时,通过对各综合视频方案进行一次或者多次迭代优化分析,确定出其中最优的综合视频方案(推荐方案),从而使最终得出的综合视频方案具有低时延、低流量成本、高可靠性等效果。
附图说明
图1为本发明的实施例1的移动视频的优化方法的流程图;
图2为本发明的实施例2的移动视频的优化装置的框图;
图3为本发明的实施例3的移动视频的优化系统的框图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。
实施例1:
如图1所示,本实施例提供一种移动视频的优化方法。具体以请求为移动视频终端发出的移动视频优化请求为例进行说明。
该移动视频的优化方法包括如下步骤:
S1、接收各移动视频终端发送的移动视频优化请求,并根据移动视频优化请求确定多个当前的综合视频方案,每个综合视频方案中都包括对应移动视频优化请求的信息数据,其中,不同综合视频方案中至少一个同一移动视频优化请求的信息数据不同。
移动视频优化请求的内容具体包括视频通信、视频请求、视频数据调取等。其中,具体可以是通过移动视频终端主动上报移动视频优化请求,也可以是根据定期被询问机制获取移动视频优化请求。
步骤S1中,根据各移动视频终端发出的移动视频优化请求综合处理确定出多种可实现方案(综合视频方案),综合视频方案中都有应对各移动视频终端的移动视频优化请求的请求结果,以满足各移动视频终端的移动视频优化请求。但是由于不同综合视频方案中对应同一移动视频优化请求的信息数据(例如时延、流量成本、可靠性等)不同,即每个综合视频方案都不同,导致各综合视频方案整体各自有各自的优缺点,例如时延高、可靠性高,时延低,流量成本低,可靠性也低。本实施例中,通过对各综合视频方案进行一次或者多次迭代优化分析,找出其中整体最优的综合视频方案,从而使最终输出的综合视频方案具有低时延、低流量成本、高可靠性等效果。
本实施例中,信息数据包括时延、流量成本、可靠性中的至少一者。以下以信息数据包括时延、流量成本、可靠性三者为例对该移动视频的优化方法进行具体说明。
其中,每个综合视频方案中的各信息数据以三维信息向量的形式存储为:
k为迭代次数,为第k次迭代的综合视频方案M中坐标为(i,j,t)的信息数据,且i=1,2,…m,j=1,2,…n,t=1,2,…p,分别为信息数据的第k次迭代的时延、流量成本和可靠性。
S2、获取历史综合视频方案,历史综合视频方案包括历史信息数据。
对应的,历史综合视频方案中的历史信息数据也以三维信息向量的形式存储。
S3、根据当前的各综合视频方案中的信息数据和历史信息数据,依照预设的多层隐藏卷积神经网络优化分析策略进行优化分析,从各综合视频方案中选择出最优的综合视频方案作为当前的推荐方案。
优选的,本步骤具体包括:
S31、根据当前的各综合视频方案的信息数据确定所有综合视频方案中的当前最小信息数据。
S32、根据历史信息数据确定最大历史信息数据。
S33、根据当前的各综合视频方案中的信息数据、当前最小信息数据、最大历史信息数据,依照多层隐藏卷积神经网络优化分析策略进行优化分析,从当前的各综合视频方案中选择出最优的综合视频方案作为推荐方案。
进一步优选,多层隐藏卷积神经网络优化分析策略具体为:
其中,MminK为第k次迭代(即当前的)的最小信息数据,MmaxG为最大历史信息数据。即本步骤中,优选根据各综合视频方案中所有信息数据以及最小信息数据和最大历史信息数据,计算出在第k次迭代中各综合视频方案对应的Z值,其中对应Z值最小的综合视频方案为最优的综合视频方案(即推荐方案)。
S4、根据历史综合视频方案和当前的推荐方案,判断预设的第一评价条件是否满足,当判断出预设的第一评价条件满足时,则输出当前的推荐方案;当判断出预设的第一评价条件不满足时,则执行步骤S5。
本步骤中,依照第一评价条件对步骤S4中选出的最优的综合视频方案(即当前的推荐方案)进行评价,以确定该推荐方案是否能够输出作为最终结果。
具体的,本步骤中根据历史综合视频方案中的所有历史信息数据中的历史最小时延、历史最小流量成本、历史最大可靠性,以及当前的推荐方案中的各个信息数据中的时延、流量成本和可靠性判断第一评价条件是否满足,若满足,则输出当前的推荐方案;若不满足,则执行步骤S5,重新选择新的推荐方案。
优选的,第一评价条件具体为:
其中,LminG为历史最小时延、CminG为历史最小流量成本、RmaxG为历史最大可靠性。
S5、根据当前的各综合视频方案和历史优化方案,依照预设的最大最小奖励无监督优化策略对当前的各综合视频方案进行优化,得出优化后的各综合视频方案,之后重复步骤S3和S4进行迭代,直至判断出预设的第一评价条件满足,或者迭代次数满足预设阈值时,输出当前的推荐方案。
步骤S4中的第一评价条件不满足,说明步骤S3中选出的推荐方案没有达到输出要求,需要重新选择新的综合视频方案最为推荐方案。而由于步骤S4中的推荐方案已经是步骤S3中从所有的综合视频方案中选出的最优方案,那么既然步骤S4中的推荐方案不能满足输出,则其它综合视频方案也不能满足输出。因此,本步骤中,依照预设的最大最小奖励无监督优化策略对当前的各综合视频方案进行优化,得出优化更新后的各综合视频方案,之后返回步骤S3,重新从优化更新后的各综合视频方案中选择推荐方案,并通过步骤S4再次判断重新选出的推荐方案是否满足第一评价条件,以进行输出或是再次进行优化。通过如此一次次地迭代,将各综合视频方案不断地进行优化,从而最终输出一个最优的综合视频方案(即推荐方案)。在此需要说明的是,当迭代次数达到一定阈值时,可认为此时选出的推荐方案已无限接近于满足第一评价条件,故即使该推荐方案仍不能满足第一评价条件,也可输出该推荐方案,以避免无限次数地进行迭代优化,造成计算资源的浪费。
具体的,本步骤中,可依照最大最小奖励无监督优化策略,结合历史综合视频方案中的各信息数据对各综合视频方案中的各信息数据进行优化更新,从而实现对各综合视频方案的优化更新。优选的,对任意一个综合视频方案中的信息数据,都可通过最大最小奖励无监督优化策略进行优化更新,通过历史最大信息数据和历史最小信息数据确定最小值奖励无监督学习因子,通过历史最小时延、历史最小流量成本、历史最大可靠度和第k次迭代的(当前的)各信息数据的时延、流量成本、可靠度确定最大值奖励无监督学习因子,从而通过最小值奖励无监督学习因子和最大值奖励无监督学习因子对个信息数据进行优化更新。该最大最小奖励无监督优化策略具体可为:
其中,为第k+1次迭代的综合视频方案M中坐标为(i,j,t)的信息数据,即优化更新后的综合视频方案M中坐标为(i,j,t)的信息数据、为第k次迭代的综合视频方案M中坐标为(i,j,t)的信息数据,即优化更新前的综合视频方案M中坐标为(i,j,t)的信息数据、为最小值奖励无监督学习因子、为最大值奖励无监督学习因子、LminG为历史最小时延、CminG为历史最小流量成本、AmaxG为历史最大可靠性、MminG为历史最小信息数据、MminK为第k次迭代的最小信息数据,即优化更新前的各综合视频方案中的最小信息数据。
综上,本实施例提供的移动视频的优化方法中,基于各移动视频终端发送的移动视频优化请求确定多个综合视频方案,根据各综合视频方案中的各信息数据、以及历史综合视频方案中的历史信息数据等,多个综合视频方案选择一个最优的综合视频方案最为推荐方案输出,当不满足输出条件时,通过对各综合视频方案进行一次或者多次迭代优化分析,确定出其中最优的综合视频方案(推荐方案),从而使最终得出的综合视频方案具有低时延、低流量成本、高可靠性等效果。
实施例2:
如图2所示,本实施例提供一种移动视频的优化装置,其可根据实施例1提供的移动视频的优化方法对移动视频终端发出的请求进行处理。该移动视频的优化装置包括:接收单元、历史获取单元、分析单元、评价单元和优化单元。
其中,接收单元用于接收各移动视频终端发送的移动视频优化请求,并更根据移动视频优化请求确定多个当前的综合视频方案,每个综合视频方案中都包括对应移动视频优化请求的信息数据,其中,不同综合视频方案中至少一个同一移动视频优化请求的信息数据不同;信息数据包括:时延、流量成本、可靠性中的至少一者。
优选的,信息数据包括:时延、流量成本、可靠性三者。历史获取单元用于获取历史综合视频方案,历史综合视频方案包括历史信息数据。
分析单元用于根据当前的各综合视频方案中的信息数据和历史信息数据,依照预设的多层隐藏卷积神经网络优化分析策略进行优化分析,从各综合视频方案中选择出最优的综合视频方案作为当前的推荐方案。
评价单元用于根据历史综合视频方案和当前的推荐方案,判断预设的第一评价条件是否满足,当判断出预设的第一评价条件满足时,则输出当前的推荐方案。
优化单元当判断出预设的第一评价条件不满足时,根据当前的各综合视频方案和历史优化方案,依照预设的最大最小奖励无监督优化策略对当前的各综合视频方案进行优化,得出优化后的各综合视频方案,发送给分析单元,直至判断出预设的第一评价条件满足,或者迭代次数满足预设阈值时,输出当前的推荐方案。
优选的,本实施例中还包括基础设施单元,用于向上述的接收单元、历史获取单元、分析单元、评价单元和优化单元提供计算资源、IT虚拟资源、IT物理资源等的支持,保证移动视频的优化装置的工作运行。
本实施例提供的移动视频的优化装置,基于各移动视频终端发送的移动视频优化请求确定多个综合视频方案,根据各综合视频方案中的各信息数据、以及历史综合视频方案中的历史信息数据等,多个综合视频方案选择一个最优的综合视频方案最为推荐方案输出,当不满足输出条件时,通过对各综合视频方案进行一次或者多次迭代优化分析,确定出其中最优的综合视频方案(推荐方案),从而使最终得出的综合视频方案具有低时延、低流量成本、高可靠性等效果。
实施例3:
如图3所示,本实施例提供一种移动视频的优化系统,包括:实施例2中提供的任意一种移动视频的优化装置、多个移动视频终端。其中,移动视频终端可向移动视频的优化装置发送移动视频优化请求。
优选的,移动视频的优化系统还包括:网络传输单元,用于将移动视频终端发出的移动视频优化请求通过网络传输至移动视频的优化装置。网络传输单元具体可包括:运营商基站、卫星等设备。
进一步的,移动视频的优化系统还包括:网关单元,其可包括多个视频网关,用于保证移动视频的优化系统中网络传输的安全性。
优选的,移动视频的优化系统还包括边缘处理单元,用于接收并处理移动视频终端发出的部分移动视频优化请求。该边缘处理单元可设置于移动视频终端本地,其具有一定的移动视频优化请求处理能力,能够直接处理移动视频终端发出的部分移动视频优化请求。且边缘处理单元与移动视频的优化装置接收的移动视频优化请求不同,也即,移动视频终端本地可处理部分移动视频优化请求,其只需要将边缘处理单元无法处理的剩余移动视频优化请求发送至移动视频的优化装置进行处理即可,从而至少部分解决移动视频优化请求在传输过程中造成的高时延、高流量成本的问题。
本实施例提供的移动视频的优化系统中,移动视频终端发送移动视频优化请求后,通过网络传输单元发送至移动视频的优化装置,移动视频的优化装置基于各移动视频终端发送的移动视频优化请求最终确定出一个最优的综合视频方案,并通过网络传输单元返回至各移动视频终端。其中,移动视频的优化装置在确定最优的综合视频方案的过程中,基于各移动视频终端发送的移动视频优化请求确定多个综合视频方案,根据各综合视频方案中的各信息数据、以及历史综合视频方案中的历史信息数据等,多个综合视频方案选择一个最优的综合视频方案作为推荐方案输出,当不满足输出条件时,通过对各综合视频方案进行一次或者多次迭代优化分析,确定出其中最优的综合视频方案(推荐方案),从而使最终得出的综合视频方案具有低时延、低流量成本、高可靠性等效果,进而使得移动视频的优化系统能够实现低时延、低流量成本、高可靠性。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种移动视频的优化方法,其特征在于,包括:
S1、接收各移动视频终端发送的移动视频优化请求,并根据所述移动视频优化请求确定多个综合视频方案,每个所述综合视频方案中都包括对应各所述移动视频优化请求的信息数据;其中,所述信息数据包括:时延、流量成本、可靠性中的至少一者;不同综合视频方案中至少一个同一移动视频优化请求的信息数据不同;
S2、获取历史综合视频方案,所述历史综合视频方案包括历史信息数据;
S3、根据当前的各综合视频方案中的信息数据和历史信息数据,依照预设的多层隐藏卷积神经网络优化分析策略进行优化分析,从所述各综合视频方案中选择出最优的综合视频方案作为当前的推荐方案;
S4、根据历史综合视频方案和当前的推荐方案,判断预设的第一评价条件是否满足,当判断出预设的第一评价条件满足时,则输出当前的推荐方案;当判断出预设的第一评价条件不满足时,则执行步骤S5;
S5、根据当前的各综合视频方案和历史优化方案,依照预设的最大最小奖励无监督优化策略对当前的各综合视频方案进行优化,得出优化后的各综合视频方案,之后重复步骤S3和S4进行迭代,直至判断出预设的第一评价条件满足,或者迭代次数满足预设阈值时,输出当前的推荐方案。
2.根据权利要求1所述的移动视频的优化方法,其特征在于,
所述信息数据包括:时延、流量成本、可靠性;
每个综合视频方案中的各信息数据以三维信息向量的形式存储为:其中,k为迭代次数,为第k次迭代的综合视频方案M中坐标为(i,j,t)的信息数据,且i=1,2,…m,j=1,2,…n,t=1,2,…p,分别为信息数据的第k次迭代的时延、流量成本和可靠性。
3.根据权利要求2所述的移动视频的优化方法,其特征在于,所述步骤S3具体包括:
根据当前的各综合视频方案的信息数据确定所有综合视频方案中的当前最小信息数据;
根据历史信息数据确定最大历史信息数据;
根据当前的各综合视频方案中的信息数据、当前最小信息数据、最大历史信息数据,依照多层隐藏卷积神经网络优化分析策略进行优化分析,从所述当前的各综合视频方案中选择出最优的综合视频方案作为推荐方案。
4.根据权利要求3所述的移动视频的优化方法,其特征在于,所述多层隐藏卷积神经网络优化分析策略具体为:
α、β∈(0,1),α+β=1,
其中,MminK为最小信息数据,MmaxG为最大历史信息数据。
5.根据权利要求2所述的移动视频的优化方法,其特征在于,
所述第一评价条件具体为:
其中,LminG为历史最小时延、CminG为历史最小流量成本、RmaxG为历史最大可靠性。
6.根据权利要求2所述的移动视频的优化方法,其特征在于,
所述最大最小奖励无监督优化策略具体为:
其中,LminG为历史最小时延、CminG为历史最小流量成本、RmaxG为历史最大可靠性、MminG为历史最小信息数据、MminK为第k次迭代的最小信息数据、为第k+1次迭代的综合视频方案M中坐标为(i,j,t)的信息数据,且i=1,2,…m,j=1,2,…n,t=1,2,…p。
7.一种移动视频的优化装置,其特征在于,包括:
接收单元,用于接收各移动视频终端发送的移动视频优化请求,并更根据所述移动视频优化请求确定多个当前的综合视频方案,每个所述综合视频方案中都包括对应所述移动视频优化请求的信息数据,其中,不同综合视频方案中至少一个同一移动视频优化请求的信息数据不同;所述信息数据包括:时延、流量成本、可靠性中的至少一者;
历史获取单元,用于获取历史综合视频方案,所述历史综合视频方案包括历史信息数据;
分析单元,用于根据当前的各综合视频方案中的信息数据和历史信息数据,依照预设的多层隐藏卷积神经网络优化分析策略进行优化分析,从所述各综合视频方案中选择出最优的综合视频方案作为当前的推荐方案;
评价单元,用于根据历史综合视频方案和当前的推荐方案,判断预设的第一评价条件是否满足,当判断出预设的第一评价条件满足时,则输出当前的推荐方案;
优化单元,当判断出预设的第一评价条件不满足时,根据当前的各综合视频方案和历史优化方案,依照预设的最大最小奖励无监督优化策略对当前的各综合视频方案进行优化,得出优化后的各综合视频方案,发送给分析单元,直至判断出预设的第一评价条件满足,或者迭代次数满足预设阈值时,输出当前的推荐方案。
8.一种移动视频的优化系统,其特征在于,包括:
权利要求7所述的移动视频的优化装置;
多个移动视频终端,用于向所述接收单元发送移动视频优化请求。
9.根据权利要求8所述的移动视频的优化系统,其特征在于,还包括:
边缘处理单元,用于接收并处理移动视频终端发出的部分移动视频优化请求;
所述边缘处理单元设于所述移动视频终端本地,且所述边缘处理单元与移动视频的优化装置接收的移动视频优化请求不同。
10.根据权利要求8所述的移动视频的优化系统,其特征在于,还包括:
网络传输单元,用于传输所述移动视频终端发出的移动视频优化请求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810646080.6A CN108900594B (zh) | 2018-06-21 | 2018-06-21 | 移动视频的优化方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810646080.6A CN108900594B (zh) | 2018-06-21 | 2018-06-21 | 移动视频的优化方法、装置及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108900594A true CN108900594A (zh) | 2018-11-27 |
CN108900594B CN108900594B (zh) | 2021-03-19 |
Family
ID=64345836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810646080.6A Active CN108900594B (zh) | 2018-06-21 | 2018-06-21 | 移动视频的优化方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108900594B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650879A (zh) * | 2009-07-06 | 2010-02-17 | 民航数据通信有限责任公司 | 空管通信导航监视设备的布网优化的方法 |
WO2017090114A1 (ja) * | 2015-11-25 | 2017-06-01 | 株式会社日立製作所 | データ処理システム及びデータ処理方法 |
CN106951959A (zh) * | 2017-01-24 | 2017-07-14 | 上海交通大学 | 基于学习自动机的深度神经网络优化方法 |
CN106970615A (zh) * | 2017-03-21 | 2017-07-21 | 西北工业大学 | 一种深度强化学习的实时在线路径规划方法 |
CN107341629A (zh) * | 2017-05-24 | 2017-11-10 | 国网北京市电力公司 | 库位分配方法和装置 |
CN107515909A (zh) * | 2017-08-11 | 2017-12-26 | 深圳市耐飞科技有限公司 | 一种视频推荐方法及系统 |
CN107563543A (zh) * | 2017-08-11 | 2018-01-09 | 北京邮电大学 | 一种基于群体智能的城市交通优化服务方法与系统 |
CN107820279A (zh) * | 2017-11-15 | 2018-03-20 | 中国联合网络通信集团有限公司 | 一种业务链编排与组织优化方法、系统和移动网络服务端 |
CN108023840A (zh) * | 2017-12-12 | 2018-05-11 | 中国联合网络通信集团有限公司 | Ovs网络流量加速优化方法及ovs网络流量加速优化系统 |
-
2018
- 2018-06-21 CN CN201810646080.6A patent/CN108900594B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101650879A (zh) * | 2009-07-06 | 2010-02-17 | 民航数据通信有限责任公司 | 空管通信导航监视设备的布网优化的方法 |
WO2017090114A1 (ja) * | 2015-11-25 | 2017-06-01 | 株式会社日立製作所 | データ処理システム及びデータ処理方法 |
CN106951959A (zh) * | 2017-01-24 | 2017-07-14 | 上海交通大学 | 基于学习自动机的深度神经网络优化方法 |
CN106970615A (zh) * | 2017-03-21 | 2017-07-21 | 西北工业大学 | 一种深度强化学习的实时在线路径规划方法 |
CN107341629A (zh) * | 2017-05-24 | 2017-11-10 | 国网北京市电力公司 | 库位分配方法和装置 |
CN107515909A (zh) * | 2017-08-11 | 2017-12-26 | 深圳市耐飞科技有限公司 | 一种视频推荐方法及系统 |
CN107563543A (zh) * | 2017-08-11 | 2018-01-09 | 北京邮电大学 | 一种基于群体智能的城市交通优化服务方法与系统 |
CN107820279A (zh) * | 2017-11-15 | 2018-03-20 | 中国联合网络通信集团有限公司 | 一种业务链编排与组织优化方法、系统和移动网络服务端 |
CN108023840A (zh) * | 2017-12-12 | 2018-05-11 | 中国联合网络通信集团有限公司 | Ovs网络流量加速优化方法及ovs网络流量加速优化系统 |
Non-Patent Citations (1)
Title |
---|
王智明: "基于电信边缘云的流量调度研究", 《通讯世界》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108900594B (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200036611A1 (en) | Method and apparatus for warning | |
CN107783840B (zh) | 一种分布式多层深度学习资源分配方法和装置 | |
CN111586502B (zh) | 弹性光网络中的资源分配方法及系统 | |
CN110365503B (zh) | 一种指标确定方法及其相关设备 | |
CN110210558B (zh) | 评估神经网络性能的方法及装置 | |
WO2019019649A1 (zh) | 投资组合产品的生成方法、装置、存储介质和计算机设备 | |
CN114065863B (zh) | 联邦学习的方法、装置、系统、电子设备及存储介质 | |
CN110601978B (zh) | 流量分发控制方法和装置 | |
CN110661727A (zh) | 数据传输优化方法、装置、计算机设备和存储介质 | |
CN110166280A (zh) | 一种网络扩容方法和装置 | |
CN110996365B (zh) | 一种基于多目标优化模型的异构网络垂直切换算法及系统 | |
CN114428907A (zh) | 信息搜索方法、装置、电子设备及存储介质 | |
CN108830422A (zh) | 智能驾驶的优化方法、装置及系统 | |
CN108900594A (zh) | 移动视频的优化方法、装置及系统 | |
CN111898740A (zh) | 预测模型的模型参数更新方法及装置 | |
US20220382821A1 (en) | Method for recommending social user, electronic device and non-transitory computer-readable storage medium | |
CN108831548A (zh) | 远程智能医疗的优化方法、装置及系统 | |
CN115529616A (zh) | 基于路由器的物联网设备的配置方法及双频无线路由器 | |
CN111597444B (zh) | 一种搜索方法、装置、服务器、存储介质 | |
CN112612277B (zh) | 车辆轨迹规划方法、装置、设备和计算机可读介质 | |
Shakya et al. | AI based 5G RAN planning | |
CN114581139A (zh) | 基于大数据意图挖掘的内容更新方法及深度学习服务系统 | |
CN113420165A (zh) | 二分类模型的训练、多媒体数据的分类方法及装置 | |
CN113971454A (zh) | 深度学习模型的量化方法和相关装置 | |
Lee et al. | Bi‐LSTM model with time distribution for bandwidth prediction in mobile networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |