CN110049357B - 一种带宽预估方法、装置、设备及存储介质 - Google Patents
一种带宽预估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN110049357B CN110049357B CN201910456372.8A CN201910456372A CN110049357B CN 110049357 B CN110049357 B CN 110049357B CN 201910456372 A CN201910456372 A CN 201910456372A CN 110049357 B CN110049357 B CN 110049357B
- Authority
- CN
- China
- Prior art keywords
- bandwidth
- network
- target
- target network
- estimation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000008859 change Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 125
- 230000005540 biological transmission Effects 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 31
- 238000004088 simulation Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 94
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000013178 mathematical model Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003828 downregulation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000003827 upregulation Effects 0.000 description 1
Images
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
- H04N21/238—Interfacing the downstream path of the transmission network, e.g. adapting the transmission rate of a video stream to network bandwidth; Processing of multiplex streams
- H04N21/2385—Channel allocation; Bandwidth allocation
-
- 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
- H04N21/2402—Monitoring of the downstream path of the transmission network, e.g. bandwidth available
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供了一种带宽预估方法、装置、设备及存储介质,其中,方法包括:获取反映目标网络的网络情况的目标带宽预估参数,目标带宽预估参数包括能够反映截止到当前的第一预设时间段内目标网络的当前带宽变化情况的目标网络参数,以及目标网络的当前带宽;根据目标带宽预估参数,通过预先建立的带宽预估模型,预估目标网络下一时刻的带宽,获得目标网络的预估带宽。本申请提供的带宽预估方法能够自动、高效、精确地对目标网络的带宽进行预估。
Description
技术领域
本申请涉及通信技术领域,尤其涉及一种带宽预估方法、装置、设备及存储介质。
背景技术
音视频应用系统的高速发展,使得其对网络带宽(特别是移动网络带宽)的要求越来越高。可以理解的,网络的带宽通常会发生变化,网络的带宽发生变化会影响数据的传输,为了能够最大化传输音视频数据,需要对网络的带宽进行预估,以便根据预估的带宽调整音视频数据的发送码率。然而,目前尚不存在能够预估网络带宽的方案。
发明内容
有鉴于此,本申请提供了一种带宽预估方法、装置、设备及存储介质,用以对网络的带宽进行预估,其技术方案如下:
一种带宽预估方法,包括:
获取反映目标网络的网络情况的目标带宽预估参数,其中,所述目标带宽预估参数包括能够反映截止到当前的第一预设时间段内目标网络的带宽变化情况的目标网络参数,以及所述目标网络的当前带宽;
根据所述目标带宽预估参数,通过预先建立的带宽预估模型,预估所述目标网络的带宽,获得所述目标网络下一时刻的预估带宽,其中,所述带宽预估模型以训练带宽预估参数为训练样本,以所述训练带宽预估参数对应的带宽调整比率为样本标签训练得到。
可选的,根据所述目标带宽预估参数,通过预先建立的带宽预估模型,预估所述目标网络下一时刻的带宽,包括:
将所述目标带宽预估参数输入所述带宽预估模型,获得所述带宽预估模型输出的带宽调整比率;
根据所述目标网络的当前带宽和所述带宽调整比率,确定所述目标网络的预估带宽。
可选的,所述目标网络参数包括:目标往返时间差集合和目标丢包率;
其中,所述目标往返时间差集合由目标数据帧集中各个数据帧对应的往返时间差组成,所述目标数据帧集为截止到当前的第一预设时间段内所述目标网络传输的数据帧组成的集合,任一数据帧对应的往返时间差为该数据帧对应的往返时间与其前一数据帧对应的往返时间的差值;
其中,所述目标丢包率为所述目标网络传输所述目标数据帧集中各个数据帧的最大丢包率。
可选的,获取训练样本和训练样本对应的样本标签的过程包括:
获取所述目标网络的带宽范围,并基于所述目标网络的带宽范围获得多个带宽组合,其中,任一带宽组合包括第一带宽和第二带宽,所述第一带宽和所述第二带宽均为预设带宽的倍数;
针对任一带宽组合,获取该带宽组合对应的带宽预估参数以及该带宽预估参数对应的带宽调整比率,分别作为一个训练样本和该训练样本对应的样本标签,以针对所述多个带宽组合获得多个训练样本和所述多个训练样本分别对应的样本标签;其中,任一带宽组合对应的带宽预估参数能够反映所述目标网络由该带宽组合中的第一带宽变化到第二带宽的过程中的网络情况。
可选的,所述基于所述目标网络的带宽范围获得多个带宽组合,包括:
从所述目标网络的带宽范围内获取为预设带宽的倍数的带宽,得到属于所述目标网络的带宽范围内的多个带宽;
将所述目标网络的带宽范围内的多个带宽进行两两组合,获得多个带宽组合。
可选的,针对任一带宽组合,获取该带宽组合对应的带宽预估参数以及该带宽预估参数对应的带宽调整比率,包括:
通过仿真网络传输系统模拟所述目标网络由该带宽组合中的第一带宽变化到第二带宽;
在模拟过程中,每隔第一预设时间段获得一组带宽预估参数,并在每获得一组带宽预估参数后,基于预测的带宽调整比率和带宽调整范围确定实际的带宽调整比率,作为该组带宽预估参数对应的带宽调整比率,并根据所述实际的带宽调整比率调整所述仿真网络传输系统的网络带宽,直至获得预设组带宽预估参数和所述预设组带宽预估参数分别对应的带宽调整比率;
将针对该带宽组合获得的所述预设组带宽预估参数作为一个训练样本,将所述预设组带宽预估参数分别对应的带宽调整比率作为该训练样本对应的样本标签。
可选的,所述仿真网络传输系统包括发送端、服务器和接收端,所述发送端通过所述服务器向所述接收端发送包含数据帧的数据包,所述接收端在接收到所述数据包后,通过所述服务器向所述发送端发送针对所述数据包的反馈数据包;
所述在模拟过程中,每隔第一预设时间段获得一组带宽预估参数,包括:
在模拟过程中,通过所述反馈数据包获取所述仿真网络传输系统传输的每个数据帧对应的往返时间差和丢包率,当获得一个包含预设个数据帧的数据帧集的往返时间差和丢包率时,将该数据帧集中各个数据帧对应的往返时间差组成的往返时间差集合、该数据帧集中各个数据帧对应的丢包率中的最大丢包率以及当前网络带宽作为一组带宽预估参数。
可选的,所述带宽预估模型包括:网络参数特征获取模块和带宽预测模块;
所述网络参数特征获取模块依次包括第一特征提取层和多层全连接层,所述带宽预测模块依次包括第二特征提取层、多层长短期记忆网络LSTM和softmax层,全连接层的层数和LSTM的层数相同,一层全连接层对应一层LSTM;
其中,所述第一特征提取层的输入为所述目标网络参数,每一层全连接层的输出为所述目标网络参数的特征向量,每一层全连接层的输出输入对应的LSTM,所述第二特征提取层的输入为所述目标网络的当前带宽,所述softmax层的输出为所述目标网络的带宽调整比率。
一种带宽预估装置,包括:参数获取模块和带宽预估模块;
所述参数获取模块,用于获取反映目标网络的网络情况的目标带宽预估参数,其中,所述目标带宽预估参数包括能够反映截止到当前的第一预设时间段内目标网络的带宽变化情况的目标网络参数,以及所述目标网络的当前带宽;
所述带宽预估模块,用于根据所述目标带宽预估参数,通过预先建立的带宽预估模型,预估所述目标网络下一时刻的带宽,获得所述目标网络的预估带宽,其中,所述带宽预估模型以训练带宽预估参数为训练样本,以所述训练带宽预估参数对应的带宽调整比率为样本标签训练得到。
一种带宽预估设备,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现所述带宽预估方法的各个步骤。
一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现所述带宽预估方法的各个步骤。
经由上述方案可知,本申请提供的带宽预估方法、装置、设备及存储介质,首先获取反映目标网络的当前网络情况的目标带宽预估参数,然后根据目标带宽预估参数,通过预先建立的带宽预估模型,预估目标网络的带宽。本申请提供的带宽预估方法将影响带宽预估的网络参数(即,反映网络的带宽变化情况的参数)、网络当前带宽作为带宽预估参数,采用通过大量训练样本训练得到带宽预估模型进行带宽预估,能够自动、高效、精确地预估出网络的带宽。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的带宽预估方法的流程示意图;
图2为本申请实施例提供的获取训练样本和训练样本对应的样本标签的流程示意图;
图3为本申请实施例提供的仿真网络传输系统的结构示意图;
图4为本申请实施例提供的仿真网络传输系统传输的数据包的结构示意图;
图5为本申请实施例提供的相邻数据帧集部分重叠的示意图;
图6为本申请实施例提供的带宽预估模型的一拓扑结构的具体实例的示意图;
图7为本申请实施例提供的带宽预估装置的结构示意图;
图8为本申请实施例提供的带宽预估设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了获得能够对网络的带宽进行预估的方法,本案发明人进行了研究,起初的思路是采用基于数学模型的带宽预估方案,基于数学模型的带宽预估方案根据网络的指标参数,利用数学模型(比如卡尔曼滤波器)预估网络带宽,由于数学模型的参数通过少量人工仿真结果调试得到,因此,基于数学模型的带宽预估方法无法精确预估网络的带宽。
鉴于基于数学模型的带宽预估方法无法精确预估网络带宽,本案发明人进行了进一步的深入研究,最终提出了一种效果较好的带宽预估方法,该带宽预估方法适用于需要对网络带宽进行预估的应用场景,该带宽预估方法可应用于终端,也可应用于服务器。接下来通过下述实施例对本申请提供的带宽预估方法进行介绍。
请参阅图1,示出了本申请实施例提供的带宽预估方法的流程示意图,该方法可以包括:
步骤S101:获取反映目标网络的网络情况的目标带宽预估参数。
其中,目标网络可以但不限定为视频传输网络、音频传输网络等。
其中,目标带宽预估参数包括:能够反映截止到当前的第一预设时间段内目标网络的带宽变化情况的目标网络参数,以及,目标网络的当前带宽。
进一步的,能够反映目标网络的带宽变化情况的目标网络参数可以包括:目标往返时间差集合和目标丢包率。
需要说明的是,网络带宽的变化主要依赖于往返时间差和丢包率,其中,往返时间差为相邻两个数据帧对应的往返时间的差值,往返时间(Round-Trip Time,RTT)是一个重要的网络性能指标,其表示从发送端发送数据开始,到发送端收到来自接收端的确认总共经历的时间。可以理解的是,如果网络由良好变成拥塞,往返时间会变大,相邻数据帧的往返时间差能够反映出网络的变化情况,如果拥塞开始变得非常严重,网络传输数据时就会出现丢包,因此,通过丢包率可以反映网络此时的情况,基于此,本申请根据往返时间差和丢包率这两个网络指标进行带宽预估。
在本实施例中,目标往返时间差集合由目标数据帧集中各个数据帧对应的往返时间差组成,任一数据帧对应的往返时间差为该数据帧对应的往返时间与其前一数据帧对应的往返时间的差值。目标丢包率为目标网络传输目标数据帧集中各个数据帧的最大丢包率。
其中,目标数据帧集为截止到当前的第一预设时间段内目标网络传输的数据帧中的预设个相邻数据帧组成的集合。需要说明的是,网络是千变万化的,也是无法控制的,但是,网络绝大多数时间都是稳定的,偶尔发生变化,本申请假设网络是短时平稳的,即本申请假设网络在第二预设时间段(比如1秒)内是平稳的,如果网络发生变化,在下一第二预设时间段(比如下一秒)预测调整,为了能够根据网络的变化趋势逐步预估带宽,本申请在第二时间段(比如1秒)内,每隔第一预设时间段(比如200毫秒)获取一次带宽预估参数进行带宽预估。
示例性的,目标网络为视频传输网络,绝大多数视频的帧率为30fps,即每帧间隔33毫秒,每帧的网络参数反馈时间是33毫秒,假设视频传输网络的短时平稳时间为1秒,为了使网络带宽平稳准确的调整到目标带宽,可在1秒对网络带宽进行多次预估和调整,可选的,可设定200毫秒(往返时间通常小于200毫秒),每200毫秒对网络进行预估和调整一次,200毫秒包含了6个33毫秒的视频帧,6个33毫秒的视频帧组成一个视频帧集,如此,1秒内有5个视频帧集,针对每个视频帧集,可获得一组目标网络参数。
步骤S102:根据目标带宽预估参数,通过预先建立的带宽预估模型,预估目标网络下一时刻的带宽,获得目标网络的预估带宽。
具体的,根据目标带宽预估参数,通过预先建立的带宽预估模型,预估目标网络下一时刻的带宽,获得目标网络的预估带宽的过程可以包括:将目标带宽预估参数输入带宽预估模型,获得带宽预估模型输出的、目标网络的带宽调整比率;根据目标网络的当前带宽和目标网络的带宽调整比率,确定目标网络的预估带宽。
其中,带宽预估模型采用大量训练样本训练得到,每个训练样本可以包括多组带宽预估参数,带宽预估模型训练时的样本标签为每组带宽预估参数对应的带宽调整比率。
本申请实施例提供的带宽预估方法,首先获取反映目标网络的网络情况的目标带宽预估参数,然后根据目标带宽预估参数,通过预先建立的带宽预估模型,预估目标网络下一时刻的带宽,本申请实施例提供的带宽预估方法将影响带宽预估的网络参数(即,能够反映网络的带宽变化情况的网络参数)、网络当前带宽作为带宽预估参数,通过采用大量训练样本训练得到带宽预估模型进行带宽预估,这种带宽预估方法能够自动、高效、精确地对网络的带宽进行预估,并且,由于带宽预估模型采用大量训练样本训练得到,因此其能针对千变万化的网络情况进行预估。
需要说明的是,为了获得能够精确地对目标网络的带宽进行预估的带宽预估模型,首先需要获得大量的训练样本以及各个训练样本对应的样本标签。以下对获取训练样本以及训练样本对应的样本标签的过程进行介绍。
请参阅图2,示出了获取训练样本和训练样本对应的样本标签的流程示意图,可以包括:
步骤S201:获取目标网络的带宽范围。
获取目标网络的带宽范围即获取目标网络的最大带宽和最小带宽。
下面以目标网络为视频传输网络为例,对获取目标网络的带宽范围进行说明:
视频传输网络的最小带宽为0,即网络不通,最大带宽根据最大视频尺寸、最高视频帧率、编解码压缩比等参数得出,具体的,最大带宽Bandwitdh(mbps)的计算公式如下:
Bandwitdh(mbps)=Width*Height*YuvBytesPerPiel*BitsPerByte
*FrameRate/CompressRatio/1000/1000 (1)
其中,Width为视频宽度,Height为视频高度,FrameRate为帧率,CompressRatio视频编解码压缩比,YuvBytesPerPiel为每个像素的YUV格式的字节数,其值为1.5,BitsPerByte为每个字节的比特数,其值为8。
目前主流的商用最高视频尺寸是8K(7680*4320),因此,上式中的Width的值可取7680,Hight的值可取4320;考虑到目前的视频帧率一般为15fps、30fps和60fps,因此,上式中FrameRate的值取最大帧率60fps;目前主流的视频编解码为VP8、VP9、H264和H265,其中,VP8、VP9与H264相当,H264是目前应用最广的编解码,H265是未来发展的编解码,比H264的压缩更高,综合考虑,上式中CompressRatio的值取H264的压缩比,即CompressRatio的值取200:1。
即,上式中的参数Width=7680,Hight=4320,YuvBytesPerPiel=1.5,BitsPerByte=8,FrameRate=60,CompressRatio=200,通过这些参数利用上式(1)计算出的最大带宽约为120mbps。另外,现在运营商大力推广百兆带宽,百兆带宽也成为现实,同时现在电脑和路由器大多都是百兆网卡,因此,本实施例中视频传输网络的最高带宽确定为120mbps,即120000kbps,由此可获得视频传输网络的带宽范围为[0kbps,120000kbps]。
步骤S202:基于目标网络的带宽范围获得多个带宽组合。
其中,任一带宽组合包括第一带宽和第二带宽,该带宽组合表示目标网络的带宽由第一带宽变化到第二带宽。
在本实施例中,基于目标网络的带宽范围获得多个带宽组合的过程可以包括:从目标网络的带宽范围内获取为预设带宽的倍数的带宽,得到属于目标网络的带宽范围内的多个带宽;将获得的多个带宽进行两两组合,获得多个带宽组合。其中,预设带宽大于或等于能够表征网络带宽发生变化的最小带宽变化幅度,需要说明的是,若带宽由p变化到q,且p与q的差值小于最小带宽变化幅度x(比如10kbps),则认为网络的带宽并未发生变化,如果p与q的差值大于或等于最小带宽变化幅度x(比如10 kbps),则认为网络的带宽发生变化。
示例性的,目标网络为视频传输网络,视频传输网络的带宽范围为[0kbps,120000kbps],在带宽范围为[0kbps,120000kbps]内获取为预设带宽的倍数的带宽,比如,获取为10kbps的倍数的带宽,比如,0kbps、10kbps、20kbps、30kbps、....、120000kbps,如此可获得多个带宽,将这多个带宽进行两两组合,比如(0kbps,10kbps)、(10kbps,0kbps)、(10kbps、20kbps)、……,如此可获得多个带宽组合。
步骤S203:针对任一带宽组合,获取该带宽组合对应的带宽预估参数以及该带宽预估参数对应的带宽调整比率,分别作为一个训练样本和该训练样本对应的样本标签,以针对多个带宽组合获得多个训练样本和多个训练样本分别对应的样本标签。
其中,任一带宽组合对应的带宽预估参数能够反映目标网络由该带宽组合中的第一带宽变化到第二带宽的过程中的网络情况。
以下对针对任一带宽组合,获取该带宽组合对应的带宽预估参数以及该带宽预估参数对应的预估带宽进行介绍。
针对任一带宽组合,获取该带宽组合对应的带宽预估参数以及该带宽预估参数对应的预估带宽的过程可以包括:通过仿真网络传输系统模拟目标网络由该带宽组合中的第一带宽变化到第二带宽;在模拟过程中,每隔第一预设时间段获得一组带宽预估参数,并在每获得一组带宽预估参数后,基于当前带宽和带宽调整比率确定该组带宽预估参数对应的预估带宽,并将仿真网络传输系统的网络带宽调整为确定出的预估带宽,直至获得预设组带宽预估参数和预设组带宽预估参数分别对应的预估带宽;将针对该带宽组合获得的预设组带宽预估参数作为一个训练样本,将预设组带宽预估参数分别对应的预估带宽作为该训练样本对应的样本标签。
其中,获得预设组带宽预估参数和预设组带宽预估参数分别对应的预估带宽的时间为第二预设时间段,目标网络在第二时间段内短时平稳。
请参阅图3,示出了仿真网络传输系统的结构示意图,其可以包括发送端301、服务器302和接收端303,其中,发送端301通过服务器302向接收端303发送包含数据帧的数据包,接收端303在接收到数据包后,通过服务器302向发送端发送针对该数据包的反馈数据包。
请参阅图4,示出了仿真网络传输系统传输的数据包的结构,如图4所示,数据包包括4个字段,分别为字段D、字段Sequence Number、字段LossRation和字段Length,其中,字段D为1个比特位,其值为0或1,0表示该数据包为发送端发送的数据包,1表示该数据包为接收端发送的反馈数据包,字段Sequence Number为31个比特位,其值为反馈数据包对应的发送数据包的序号,字段LossRation为8个比特位,反馈数据包该字段的值为丢包率,字段Length为24个比特位,发送数据包中Length字段的值代表发送数据包(即发送端发送的数据包)数据包的数据长度,反馈数据包中字段Length的值代表反馈数据包对应的发送数据包的长度。
在通过仿真网络传输系统模拟目标网络由该带宽组合中的第一带宽变化到第二带宽的过程中,网络每传输一个数据帧,通过该数据帧对应的反馈数据包获取该数据帧对应的往返时间差和丢包率,当获得一个包含预设个数据帧的数据帧集的往返时间差和丢包率时,将该数据帧集中各个数据帧对应的往返时间差组成的往返时间差集合、该数据帧集中各个数据帧对应的丢包率中的最大丢包率以及当前网络带宽作为一组带宽预估参数,在每获得一组带宽预估参数时,基于预测的带宽调整比率以及预设的调整范围确定实际的带宽调整比率作为该组带宽预估参数对应的带宽调整比率,然后基于当前网络带宽和该组带宽预估参数对应的带宽调整比率确定预估带宽,将仿真网络传输系统的网络带宽调整为该预估带宽,然后接着获取下一组带宽预估参数和对应的带宽调整比率,直至获得预设组带宽预估参数和预设组带宽预估参数分别对应的带宽调整比率。如此,可针对一带宽组合获得一个包括预设组带宽预估参数的训练样本,该训练样本中各组带宽预估参数对应的带宽调整比率作为样本标签。
下面以目标网络为视频传输网络,一带宽组合为(a,b)为例,对获取训练样本和样本标签的过程进行说明:
假设视频传输网络在1秒是短时平稳的,通过如图3所示的仿真网络传输系统模拟网络的带宽从a变化到b,并收集仿真网络传输系统传输的反馈数据包:
步骤1)、通过获取的反馈数据包收集仿真网络传输系统传输的每个视频帧对应的往返时间差和丢包率。
步骤2)、当获得6个视频帧对应的往返时间差时,将6个视频帧对应的往返时间差组成一个往返时间差集合,当获得6个视频帧对应的丢包率时,获取最大丢包率,将往返时间差集合、最大丢包率和当前网络带宽组成一组带宽预估参数。
前面提到,绝大多数视频的帧率为30fps,即每帧间隔33毫秒,6个视频帧为一个视频帧集,因此,本实施例将6个视频帧对应的往返时间差组成一个往返时间差集合,并获取6个视频帧对应的丢包率中的最大丢包率组成一组网络参数。
步骤3)、根据预测的带宽调整比率和带宽调整范围确定实际的带宽调整比率,将实际的带宽调整比率作为步骤3)获得的带宽预估参数对应的带宽调整比率,并基于实际的带宽调整比率和当前网络带宽确定预估带宽,将仿真网络传输系统的网络带宽调整为预估带宽;然后转入步骤1),直至1秒结束。
其中,根据预测的带宽调整比率和带宽调整范围确定目标带宽调整比率的过程可以包括:若预测的带宽调整比率小于最小带宽调整比率,则将最小带宽调整比率确定为目标带宽调整比率,若预测的带宽调整比率大于最大带宽调整比率,则将最大带宽调整比率确定为目标带宽调整比率,若预测的带宽调整比率大于或等于最小带宽调整比率且小于或等于最大带宽调整比率,则将预测的带宽调整比率确定为目标带宽调整比率。
示例性的,带宽调整范围为[-50,100],-50表示最大下调带宽为当前带宽的50%,100表示最大上调带宽为当前带宽的100%,假设当前带宽为100kbps,预测的带宽调整比率为900%,由于带宽调整比率为900%,超出了带宽调整范围,即大于最大的带宽调整比率100%,则确定目标带宽调整比率为100%,即,将网络带宽由100kbps调整为200kbps。
需要说明的是,本实施例并不直接基于预测的带宽调整比率确定预估带宽,而是,基于预测的带宽调整比率和预设的带宽调整范围确定实际的带宽调整比率,基于实际的带宽调整比率确定预估带宽,之所以设定带宽调整范围,是为了使带宽平缓调整(使带宽下调的更加平滑,使带宽上调的更加积极),以免剧烈调整带来负影响。
在本实施例中,每获得一组带宽预估参数,进行一次带宽预估和调整,比如,在获得第一组带宽预估参数(往返时间差集合X1、最大丢包率Y1、当前带宽B11)后,对网络进行第一次预估和调整,在获得第二组带宽预估参数(往返时间差集合X2、最大丢包率Y2、当前带宽B12)后,对网络进行第二次预估和调整,以此类推。需要说明的是,第一组带宽预估参数中的当前带宽B11为带宽a,第二组带宽预估参数中的当前带宽B12为第一次预估的带宽,第三组带宽预估参数中的当前带宽B13为第二次预估的带宽,以此类。
步骤4)将1秒内获得的多组带宽预估参数作为一个训练样本,将多组带宽预估参数分别对应的带宽调整比率作为样本标签。
前面提到,绝大多数视频的帧率为30fps,即每帧间隔33毫秒,6个视频帧为一个视频帧集,则1秒内有5个视频帧集,相应的,针对5个视频帧集可获得5组网络参数(即往返时间差集合、最大丢包率),即可获得5组带宽预估参数,获得的5组带宽预估参数作为一个训练样本,将5组带宽预估参数分别对应的带宽调整比率作为样本标签。另外,可以理解的是,相邻的网络参数是有相关性的,为了使集合与集合之间平滑过渡,并保持相关性,可使1秒内的5个视频帧集中的相邻数据帧集具有部分重叠区域,比如,重叠3个数据帧,即,相邻的两个数据帧集中,前一数据帧集中的后三帧与后一数据帧集中的前三帧重合,如图5所示。
上述过程给出了获取训练样本的过程,接下来对带宽预估模型的结构进行介绍。
本实施例提供的带宽预估模型可以包括:网络参数特征获取模块和带宽预测模块,其中,网络参数特征获取模块的输入为网络参数,即往返时间差集合和最大丢包率,带宽预测模块的输入为当前带宽和网络参数特征获取模块输出的网络参数的特征向量,用于根据当前带宽同时结合网络参数的特征向量预测带宽调整比率。需要说明的是,由于网络带宽受往返时延差和丢包率的影响,因此,网络参数特征获取模块的作用是让网络参数作为关键因素去提升带宽预测模块的预测效果。
可选的,网络参数特征获取模块依次包括第一特征提取层和多层全连接层FC,带宽预测模块依次包括第二特征提取层、多层长短期记忆网络LSTM和softmax层,全连接层FC的层数和LSTM的层数相同,一层全连接层FC对应一层LSTM。第一特征提取层的输入为网络参数,每一层全连接层FC的输出为网络参数的特征向量,每一层全连接层FC的输出输入对应的LSTM,第二特征提取层的输入为网络的当前带宽,softmax层的输出为网络的带宽调整比率。
请参阅图6,示出了带宽预估模型的拓扑结构的一具体实例的示意图,图6示出的带宽预估模型的带宽预测模块由一层第二特征提取层、三层LSTM(如图6中的LSTM1、LSTM2、LSTM3)和softmax层组成。在本实施例中,可将带宽调整范围分成多个等级,比如,带宽调整范围为[-50,100],则将-50~100分成151个等级,相邻等级相差1%,即-50%、-49%、-48%、....、99%、100%,带宽预测模块确定多个等级的概率分布,基于多个等级的概率分布确定网络的带宽调整比率。另外,考虑到带宽变化短时平稳,第二预设时间段(比如1秒)内网络带宽变化是相互影响的,因此,带宽预测模块的3个隐藏层采用LSTM层,第二预设时间内的预设组带宽预估参数(比如1s内的5组带宽预估参数)在训练时,每组带宽预估参数的影响都会传到下一组带宽预估参数。
图6示出的带宽预估模型的网络参数特征获取模块由一层第一特征提取层和三层全连接层(图6中的FC1~FC3)组成。其中,第一特征提取层提取往返时延集合的特征和最大丢包率的特征,网络参数特征获取模块中的第一层全连接层的输出输入带宽预测模块中的第一层LSTM,网络参数特征获取模块中的第二层全连接层的输出输入带宽预测模块中的第二层LSTM,网络参数特征获取模块中的第三层全连接层的输出输入带宽预测模块中的第三层LSTM。
需要说明的是,让网络参数特征获取模块的每个全连接层的输出都分别插入到带宽预测模块的LSTM层的重要意义在于,其一,让往返时间差和丢包率作为个性因素参与带宽调整比率的预测;其二,不断强化网络参数特征获取模块的影响,使得在实际预测时,能够在预测未曾出现过的往返时间差、丢包率时取得更好的预测效果。
前述内容给出了获得大量训练样本的过程,并对带宽预估模型的结构进行了介绍,在获得大量训练样本后,便可对上述的带宽预估模型进行训练,在训练时,可将大量的训练样本分为两部分,一部分组成训练集,一部分组成验证集,比如将所有训练样本的90%组成训练集,10%组成验证集,用训练集训练带宽预估模型,用验证集验证通过训练集训练得到的带宽预估模型的性能。
在使用训练集对带宽预估模型进行训练时,可采用随机梯度下降法进行训练,可选的,为了加快模型的训练速度,可采用批处理方式进行训练,示例性的,总的训练样本数为144000000,90%组成训练集,即训练集中的训练样本数为129600000,假设每批训练数据由32个训练样本组成,则训练时需要迭代4050000次,假设训练时设置的训练次数为20,这意味着训练集要重复使用20次,每次训练后采用验证集对训练得到的带宽预估模型进行交叉验证,在20次交叉验证结果中选择效果最好的训练后模型作为最终的带宽预估模型。
在获得最终的带宽预测模型后,可将目标带宽预估参数输入该带宽预测模型,获得该带宽预估模型输出的带宽调整比率,具体的,可通过该带宽预估模型的网络参数特征获取模块获取目标网络参数的特征向量,通过该带宽预估模型的带宽预测模块,根据目标网络的当前带宽以及目标网络参数的特征向量预测目标网络的带宽调整比率,然后根据目标网络的当前带宽和目标网络的带宽调整比率,确定目标网络的预估带宽。
本申请实施例提供的带宽预估方法,可通过仿真网络传输系统得出大量训练数据(带宽预估参数和对应的带宽调整比率),然后通过大量训练数据对预先搭建的带宽预估模型进行训练,从而得到最终的带宽预测模型,通过该带宽预测模型能够对网络的变化趋势进行精确和快速的预估,并且,由于带宽预测模型采用大量训练数据训练而成,因此,其能够针对千变万化的网络情况进行预估,另外,根据网络变化趋势来逐步增长或者降低网络预估带宽,有利于音视频传输系统平稳传输。
本申请实施例还提供了一种带宽预估装置,下面对本申请实施例提供的带宽预估装置进行描述,下文描述的带宽预估装置与上文描述的带宽预估方法可相互对应参照。
请参阅图7,示出了本申请实施例提供的一种带宽预估装置的结构示意图,该装置可以包括:参数获取模块701和带宽预估模块702。
参数获取模块701,用于获取反映目标网络的网络情况的目标带宽预估参数。
其中,所述目标带宽预估参数包括能够反映截止到当前的第一时间段内目标网络的带宽变化情况的目标网络参数,以及所述目标网络的当前带宽。
带宽预估模块702,用于根据所述目标带宽预估参数,通过预先建立的带宽预估模型,预估目标网络下一时刻的带宽,获得所述目标网络的预估带宽。
其中,所述带宽预估模型以训练带宽预估参数为训练样本,以所述训练带宽预估参数对应的带宽调整比率为样本标签训练得到。
本申请实施例提供的带宽预估装置,首先获取反映目标网络的当前网络情况的目标带宽预估参数,然后根据目标带宽预估参数,通过预先建立的带宽预估模型,预估目标网络的带宽,本申请提供的带宽预估装置将影响带宽预估的网络参数、网络当前带宽作为带宽预估参数,通过采用大量训练样本训练得到带宽预估模型进行带宽预估,这种带宽预估方法能够自动、高效、精确地对网络的带宽进行预估,并且能够针对千变万化的网络情况进行预估。
在一种可能的实现方式中,上述实施例提供的带宽预估装置中的带宽预估模块包括:带宽调整比率确定子模块和预估带宽确定子模块。
带宽调整比率确定子模块,用于将所述目标带宽预估参数输入所述带宽预估模型,获得所述带宽预估模型输出的带宽调整比率。
其中,所述带宽预估模型以训练带宽预估参数为训练样本,以所述训练带宽预估参数对应的带宽调整比率为样本标签训练得到;
预估带宽确定子模块,用于根据所述目标网络的当前带宽和所述带宽调整比率,确定所述目标网络的预估带宽。
在一种可能的实现方式中,上述实施例提供的带宽预估装置中,参数获取模块获取的目标网络参数包括:目标往返时间差集合和目标丢包率。
其中,所述目标往返时间差集合由目标数据帧集中各个数据帧对应的往返时间差组成,所述目标数据帧集为截止到当前的第一预设时间段内所述目标网络传输的数据帧组成的集合,任一数据帧对应的往返时间差为该数据帧对应的往返时间与其前一数据帧对应的往返时间的差值;
其中,所述目标丢包率为所述目标网络传输所述目标数据帧集中各个数据帧的最大丢包率。
在一种可能的实现方式中,上述实施例提供的带宽预估装置还可以包括:训练数据获取模块。
训练数据获取模块可以包括:带宽范围获取子模块、带宽组合获取子模块和训练数据获取子模块。
带宽范围获取子模块,用于获取所述目标网络的带宽范围。
带宽组合获取子模块,用于基于所述目标网络的带宽范围获得多个带宽组合。
其中,任一带宽组合包括第一带宽和第二带宽,所述第一带宽和所述第二带宽均为预设带宽的倍数;
训练数据获取子模块,用于针对任一带宽组合,获取该带宽组合对应的带宽预估参数以及该带宽预估参数对应的带宽调整比率,分别作为一个训练样本和该训练样本对应的样本标签,以针对所述多个带宽组合获得多个训练样本和所述多个训练样本分别对应的样本标签;其中,任一带宽组合对应的带宽预估参数能够反映所述目标网络由该带宽组合中的第一带宽变化到第二带宽的过程中的网络情况。
在一种可能的实现方式中,上述的带宽组合获取子模块,具体用于从所述目标网络的带宽范围内获取为预设带宽的倍数的带宽,得到属于所述目标网络的带宽范围内的多个带宽;将所述目标网络的带宽范围内的多个带宽进行两两组合,获得多个带宽组合。
在一种可能的实现方式中,上述的训练数据获取子模块在针对任一带宽组合,获取该带宽组合对应的带宽预估参数以及该带宽预估参数对应的带宽调整比率时,具体用于通过仿真网络传输系统模拟所述目标网络由该带宽组合中的第一带宽变化到第二带宽;在模拟过程中,每隔第一预设时间段获得一组带宽预估参数,并在每获得一组带宽预估参数后,基于预测的带宽调整比率和带宽调整范围确定实际的带宽调整比率,作为该组带宽预估参数对应的带宽调整比率,并根据所述实际的带宽调整比率调整所述仿真网络传输系统的网络带宽,直至获得预设组带宽预估参数和所述预设组带宽预估参数分别对应的带宽调整比率;将针对该带宽组合获得的所述预设组带宽预估参数作为一个训练样本,将所述预设组带宽预估参数分别对应的带宽调整比率作为该训练样本对应的样本标签。
在一种可能的实现方式中,所述仿真网络传输系统包括发送端、服务器和接收端,所述发送端通过所述服务器向所述接收端发送包含数据帧的数据包,所述接收端在接收到所述数据包后,通过所述服务器向所述发送端发送针对所述数据包的反馈数据包;
上述的训练数据获取子模块在所述在模拟过程中,每隔第一预设时间段获得一组带宽预估参数时,具体用于在模拟过程中,通过所述反馈数据包获取所述仿真网络传输系统传输的每个数据帧对应的往返时间差和丢包率,当获得一个包含预设个数据帧的数据帧集的往返时间差和丢包率时,将该数据帧集中各个数据帧对应的往返时间差组成的往返时间差集合、该数据帧集中各个数据帧对应的丢包率中的最大丢包率以及当前网络带宽作为一组带宽预估参数。
在一种可能的实现方式中,上述实施例提供的带宽预估装置中的带宽调整比率确定子模块,具体用于通过所述带宽预估模型的网络参数特征获取模块,获取所述目标网络参数的特征向量;通过所述带宽预估模型的带宽预测模块,根据所述目标网络的当前带宽以及所述目标网络参数的特征向量预估所述目标网络的带宽调整比率。
在一种可能的实现方式中,所述网络参数特征获取模块依次包括第一特征提取层和多层全连接层,所述带宽预测模块依次包括第二特征提取层、多层长短期记忆网络LSTM和softmax层,全连接层的层数和LSTM的层数相同,一层全连接层对应一层LSTM。所述第一特征提取层的输入为所述目标网络参数,每一层全连接层的输出为所述目标网络参数的特征向量,每一层全连接层的输出输入对应的LSTM,所述第二特征提取层的输入为所述目标网络的当前带宽,所述softmax层的输出为所述目标网络的带宽调整比率。
在一种可能的实现方式中,上述实施例提供的带宽预估装置中的带宽调整比率确定子模块在所述通过所述带宽预估模型的带宽预估模块,根据所述目标网络的当前带宽以及所述目标网络参数的特征向量预估所述目标网络的带宽调整比率时,具体用于通过所述带宽预估模型的带宽预估模块,根据所述目标网络的当前带宽以及所述目标网络参数的特征向量确定预设的带宽调整范围内的多个带宽调整比率分别对应的概率分布,并通过所述多个带宽调整比率分别对应的概率分布,确定所述目标网络的带宽调整比率。
本申请实施例还提供了一种带宽预估设备,请参阅图8,示出了该带宽预估设备的结构示意图,该带宽预估设备可以包括:至少一个处理器801,至少一个通信接口802,至少一个存储器803和至少一个通信总线804;
在本申请实施例中,处理器801、通信接口802、存储器803、通信总线804的数量为至少一个,且处理器801、通信接口802、存储器803通过通信总线804完成相互间的通信;
处理器801可能是一个中央处理器CPU,或者是特定集成电路ASIC
(Application Specific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路等;
存储器803可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory)等,例如至少一个磁盘存储器;
其中,存储器存储有程序,处理器可调用存储器存储的程序,所述程序用于:
获取反映目标网络的网络情况的目标带宽预估参数,其中,所述目标带宽预估参数包括能够反映截止到当前的第一预设时间段内目标网络的带宽变化情况的目标网络参数,以及所述目标网络的当前带宽;
根据所述目标带宽预估参数,通过预先建立的带宽预估模型,预估所述目标网络下一时刻的带宽,获得所述目标网络的预估带宽,其中,所述带宽预估模型以训练带宽预估参数为训练样本,以所述训练带宽预估参数对应的带宽调整比率为样本标签训练得到。
可选的,所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种可读存储介质,该可读存储介质可存储有适于处理器执行的程序,所述程序用于:
获取反映目标网络的网络情况的目标带宽预估参数,其中,所述目标带宽预估参数包括能够反映截止到当前的第一预设时间段内目标网络的带宽变化情况的目标网络参数,以及所述目标网络的当前带宽;
根据所述目标带宽预估参数,通过预先建立的带宽预估模型,预估所述目标网络下一时刻的带宽,获得所述目标网络的预估带宽,其中,所述带宽预估模型以训练带宽预估参数为训练样本,以所述训练带宽预估参数对应的带宽调整比率为样本标签训练得到。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种带宽预估方法,其特征在于,包括:
获取反映目标网络的网络情况的目标带宽预估参数,其中,所述目标带宽预估参数包括能够反映截止到当前的第一预设时间段内目标网络的带宽变化情况的目标网络参数,以及所述目标网络的当前带宽;
根据所述目标带宽预估参数,通过预先建立的带宽预估模型,预估所述目标网络下一时刻的带宽,获得所述目标网络的预估带宽,其中,所述带宽预估模型以训练带宽预估参数为训练样本,以所述训练带宽预估参数对应的带宽调整比率为样本标签训练得到;
获取训练样本和训练样本对应的样本标签的过程包括:
获取所述目标网络的带宽范围,并基于所述目标网络的带宽范围获得多个带宽组合,其中,任一带宽组合包括第一带宽和第二带宽,所述第一带宽和所述第二带宽均为预设带宽的倍数;
针对任一带宽组合,获取该带宽组合对应的带宽预估参数以及该带宽预估参数对应的带宽调整比率,分别作为一个训练样本和该训练样本对应的样本标签,以针对所述多个带宽组合获得多个训练样本和所述多个训练样本分别对应的样本标签;其中,任一带宽组合对应的带宽预估参数能够反映所述目标网络由该带宽组合中的第一带宽变化到第二带宽的过程中的网络情况。
2.根据权利要求1所述的带宽预估方法,其特征在于,所述根据所述目标带宽预估参数,通过预先建立的带宽预估模型,预估所述目标网络下一时刻的带宽,获得所述目标网络的预估带宽,包括:
将所述目标带宽预估参数输入所述带宽预估模型,获得所述带宽预估模型输出的带宽调整比率;
根据所述目标网络的当前带宽和所述带宽调整比率,确定所述目标网络的预估带宽。
3.根据权利要求1所述的带宽预估方法,其特征在于,所述目标网络参数包括:目标往返时间差集合和目标丢包率;
其中,所述目标往返时间差集合由目标数据帧集中各个数据帧对应的往返时间差组成,所述目标数据帧集为截止到当前的第一预设时间段内所述目标网络传输的数据帧组成的集合,任一数据帧对应的往返时间差为该数据帧对应的往返时间与其前一数据帧对应的往返时间的差值;
其中,所述目标丢包率为所述目标网络传输所述目标数据帧集中各个数据帧的最大丢包率。
4.根据权利要求1所述的带宽预估方法,其特征在于,所述基于所述目标网络的带宽范围获得多个带宽组合,包括:
从所述目标网络的带宽范围内获取为预设带宽的倍数的带宽,得到属于所述目标网络的带宽范围内的多个带宽;
将所述目标网络的带宽范围内的多个带宽进行两两组合,获得多个带宽组合。
5.根据权利要求1所述的带宽预估方法,其特征在于,针对任一带宽组合,获取该带宽组合对应的带宽预估参数以及该带宽预估参数对应的带宽调整比率,包括:
通过仿真网络传输系统模拟所述目标网络由该带宽组合中的第一带宽变化到第二带宽;
在模拟过程中,每隔第一预设时间段获得一组带宽预估参数,并在每获得一组带宽预估参数后,基于预测的带宽调整比率和带宽调整范围确定实际的带宽调整比率,作为该组带宽预估参数对应的带宽调整比率,并根据所述实际的带宽调整比率调整所述仿真网络传输系统的网络带宽,直至获得预设组带宽预估参数和所述预设组带宽预估参数分别对应的带宽调整比率;
将针对该带宽组合获得的所述预设组带宽预估参数作为一个训练样本,将所述预设组带宽预估参数分别对应的带宽调整比率作为该训练样本对应的样本标签。
6.根据权利要求5所述的带宽预估方法,其特征在于,所述仿真网络传输系统包括发送端、服务器和接收端,所述发送端通过所述服务器向所述接收端发送包含数据帧的数据包,所述接收端在接收到所述数据包后,通过所述服务器向所述发送端发送针对所述数据包的反馈数据包;
所述在模拟过程中,每隔第一预设时间段获得一组带宽预估参数,包括:
在模拟过程中,通过所述反馈数据包获取所述仿真网络传输系统传输的每个数据帧对应的往返时间差和丢包率,当获得一个包含预设个数据帧的数据帧集的往返时间差和丢包率时,将该数据帧集中各个数据帧对应的往返时间差组成的往返时间差集合、该数据帧集中各个数据帧对应的丢包率中的最大丢包率以及当前网络带宽作为一组带宽预估参数。
7.根据权利要求1~6中任意一项所述的带宽预估方法,其特征在于,所述带宽预估模型包括:网络参数特征获取模块和带宽预测模块;
其中,所述网络参数特征获取模块依次包括第一特征提取层和多层全连接层,所述带宽预测模块依次包括第二特征提取层、多层长短期记忆网络LSTM和softmax层,全连接层的层数和LSTM的层数相同,一层全连接层对应一层LSTM;
其中,所述第一特征提取层的输入为所述目标网络参数,每一层全连接层的输出为所述目标网络参数的特征向量,每一层全连接层的输出输入对应的LSTM,所述第二特征提取层的输入为所述目标网络的当前带宽,所述softmax层的输出为所述目标网络的带宽调整比率。
8.一种带宽预估装置,其特征在于,包括:参数获取模块和带宽预估模块;
所述参数获取模块,用于获取反映目标网络的网络情况的目标带宽预估参数,其中,所述目标带宽预估参数包括能够反映截止到当前的第一预设时间段内目标网络的带宽变化情况的目标网络参数,以及所述目标网络的当前带宽;
所述带宽预估模块,用于根据所述目标带宽预估参数,通过预先建立的带宽预估模型,预估所述目标网络下一时刻的带宽,获得所述目标网络的预估带宽,其中,所述带宽预估模型以训练带宽预估参数为训练样本,以所述训练带宽预估参数对应的带宽调整比率为样本标签训练得到;
所述带宽预估装置还包括:训练数据获取模块;
所述训练数据获取模块,用于获取所述目标网络的带宽范围,并基于所述目标网络的带宽范围获得多个带宽组合,针对任一带宽组合,获取该带宽组合对应的带宽预估参数以及该带宽预估参数对应的带宽调整比率,分别作为一个训练样本和该训练样本对应的样本标签,以针对所述多个带宽组合获得多个训练样本和所述多个训练样本分别对应的样本标签;其中,任一带宽组合包括第一带宽和第二带宽,所述第一带宽和所述第二带宽均为预设带宽的倍数,任一带宽组合对应的带宽预估参数能够反映所述目标网络由该带宽组合中的第一带宽变化到第二带宽的过程中的网络情况。
9.一种带宽预估设备,其特征在于,包括:存储器和处理器;
所述存储器,用于存储程序;
所述处理器,用于执行所述程序,实现如权利要求1~7中任一项所述的带宽预估方法的各个步骤。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1~7中任一项所述的带宽预估方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910456372.8A CN110049357B (zh) | 2019-05-29 | 2019-05-29 | 一种带宽预估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910456372.8A CN110049357B (zh) | 2019-05-29 | 2019-05-29 | 一种带宽预估方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110049357A CN110049357A (zh) | 2019-07-23 |
CN110049357B true CN110049357B (zh) | 2021-10-15 |
Family
ID=67284063
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910456372.8A Active CN110049357B (zh) | 2019-05-29 | 2019-05-29 | 一种带宽预估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110049357B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112533234B (zh) * | 2019-09-19 | 2023-04-07 | 中国移动通信集团重庆有限公司 | 基于机器学习的5g载波带宽配置方法及装置 |
CN110674942A (zh) * | 2019-09-26 | 2020-01-10 | 深圳前海达闼云端智能科技有限公司 | 一种带宽管理的方法、装置、电子设备和可读存储介质 |
CN111092791B (zh) * | 2019-12-31 | 2023-01-31 | 上海掌门科技有限公司 | 一种确定从应用至服务器的可用网络带宽的方法与设备 |
CN113114520A (zh) * | 2020-01-10 | 2021-07-13 | 华为技术有限公司 | 一种传输数据的方法和终端 |
CN111405319B (zh) * | 2020-03-31 | 2021-07-23 | 北京达佳互联信息技术有限公司 | 带宽确定方法、装置、电子设备和存储介质 |
CN111405327B (zh) * | 2020-04-03 | 2022-12-09 | 广州市百果园信息技术有限公司 | 网络带宽预测模型训练方法、视频数据播放方法及装置 |
CN114629826B (zh) * | 2020-12-14 | 2024-05-28 | 京东方科技集团股份有限公司 | 一种网络最大带宽估计方法、装置、电子设备及存储介质 |
CN114629737B (zh) * | 2020-12-14 | 2024-03-12 | 深圳Tcl新技术有限公司 | 一种带宽调整方法、装置、网关设备及存储介质 |
CN113726562A (zh) * | 2021-08-19 | 2021-11-30 | 中国电子科技集团公司第二十八研究所 | 空管系统间监视信息传输所需网络通信带宽评估方法 |
CN114071569B (zh) * | 2021-11-04 | 2023-06-16 | 中国联合网络通信集团有限公司 | 一种数据传输方法、装置和电子设备 |
CN114389975B (zh) * | 2022-02-08 | 2024-03-08 | 北京字节跳动网络技术有限公司 | 网络带宽预估方法、装置、系统、电子设备及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101304537A (zh) * | 2008-03-24 | 2008-11-12 | 北京邮电大学 | 3g-ip无线视频传输系统 |
CN102137023A (zh) * | 2011-04-14 | 2011-07-27 | 中国人民解放军空军工程大学 | 基于可用带宽预测的组播拥塞控制方法 |
CN103281569A (zh) * | 2013-04-10 | 2013-09-04 | 深圳康佳通信科技有限公司 | 一种面向视频传输的网络带宽检测及预测方法及系统 |
CN105898800A (zh) * | 2015-10-30 | 2016-08-24 | 乐卡汽车智能科技(北京)有限公司 | 用于移动网络的多链路聚合的链路带宽分配方法及装置 |
CN105897506A (zh) * | 2016-03-31 | 2016-08-24 | 乐视控股(北京)有限公司 | 一种带宽估计方法及装置 |
CN109302623A (zh) * | 2018-11-01 | 2019-02-01 | 南京大学 | 一种基于QoE模型动态自适应视频的传输方法 |
CN109510715A (zh) * | 2017-09-14 | 2019-03-22 | 中国电信股份有限公司 | 带宽分配方法、装置、数据中心以及存储介质 |
CN109525366A (zh) * | 2018-11-12 | 2019-03-26 | 内蒙古方向图科技有限公司 | 一种传送数据的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10314091B2 (en) * | 2013-03-14 | 2019-06-04 | Microsoft Technology Licensing, Llc | Observation assisted bandwidth management |
CN108614845B (zh) * | 2016-12-13 | 2020-08-18 | 腾讯科技(深圳)有限公司 | 基于媒体文件的行为预估方法和装置 |
-
2019
- 2019-05-29 CN CN201910456372.8A patent/CN110049357B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101304537A (zh) * | 2008-03-24 | 2008-11-12 | 北京邮电大学 | 3g-ip无线视频传输系统 |
CN102137023A (zh) * | 2011-04-14 | 2011-07-27 | 中国人民解放军空军工程大学 | 基于可用带宽预测的组播拥塞控制方法 |
CN103281569A (zh) * | 2013-04-10 | 2013-09-04 | 深圳康佳通信科技有限公司 | 一种面向视频传输的网络带宽检测及预测方法及系统 |
CN105898800A (zh) * | 2015-10-30 | 2016-08-24 | 乐卡汽车智能科技(北京)有限公司 | 用于移动网络的多链路聚合的链路带宽分配方法及装置 |
CN105897506A (zh) * | 2016-03-31 | 2016-08-24 | 乐视控股(北京)有限公司 | 一种带宽估计方法及装置 |
CN109510715A (zh) * | 2017-09-14 | 2019-03-22 | 中国电信股份有限公司 | 带宽分配方法、装置、数据中心以及存储介质 |
CN109302623A (zh) * | 2018-11-01 | 2019-02-01 | 南京大学 | 一种基于QoE模型动态自适应视频的传输方法 |
CN109525366A (zh) * | 2018-11-12 | 2019-03-26 | 内蒙古方向图科技有限公司 | 一种传送数据的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110049357A (zh) | 2019-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110049357B (zh) | 一种带宽预估方法、装置、设备及存储介质 | |
Bhattacharyya et al. | QFlow: A reinforcement learning approach to high QoE video streaming over wireless networks | |
US10091675B2 (en) | System and method for estimating an effective bandwidth | |
CN107683600A (zh) | 用于响应于客户端的视频缓冲器特性来管理abr比特率递送的系统和方法 | |
CN110178377A (zh) | 用于视频传送会话的初始比特率选择 | |
Batalla et al. | Adaptive video streaming: Rate and buffer on the track of minimum rebuffering | |
CN113038187B (zh) | 视频体验质量公平的实用网络带宽分配方法、设备及介质 | |
US11490149B2 (en) | Cap-based client-network interaction for improved streaming experience | |
CN104185285A (zh) | 一种媒体数据的传输方法、装置和系统 | |
Lee et al. | On the MDP-based cost minimization for video-on-demand services in a heterogeneous wireless network with multihomed terminals | |
Krishnamoorthi et al. | Slow but steady: Cap-based client-network interaction for improved streaming experience | |
CN110674942A (zh) | 一种带宽管理的方法、装置、电子设备和可读存储介质 | |
CN111617466B (zh) | 编码格式的确定方法、装置及云游戏的实现方法 | |
Sun et al. | Optimal strategies for live video streaming in the low-latency regime | |
WO2024041365A1 (zh) | 一种视频决策码率确定方法、装置、存储介质及电子装置 | |
Yu et al. | Efficient QoS provisioning for adaptive multimedia in mobile communication networks by reinforcement learning | |
CN104506453B (zh) | 一种面向用户体验质量的码率分配方法 | |
EP3366060B1 (en) | Allocating radio resources in a cellular network | |
Garroppo et al. | On traffic prediction for resource allocation: A Chebyshev bound based allocation scheme | |
CN104871502A (zh) | 用于动态优化多用户无线多媒体传输的强健的基于内容的解决方案 | |
CN114629797B (zh) | 带宽预测方法、模型生成方法及设备 | |
US20060182027A1 (en) | Method and server for controlling data flows in telecommunications network | |
Ho et al. | Mobile data offloading system for video streaming services over SDN-enabled wireless networks | |
Shen et al. | CDN accelerate research based on MEC for UHD video service | |
CN115499657A (zh) | 视频码率自适应网络的训练方法、应用方法、装置及设备 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: Room 306, 3rd Floor, Building 1, Tianyuan Dike Industrial Park, No. 66 Yunfei Road, High tech Zone, Hefei City, Anhui Province, 230000 Patentee after: Anhui Wisdom Digital Technology Co.,Ltd. Country or region after: China Address before: Floor 16-17, A5 building, iFLYTEK Co., Ltd., No. 666, Wangjiang West Road, Hefei City, Anhui Province, 230088 Patentee before: Anhui Xunfeijiecheng Software Technology Co.,Ltd. Country or region before: China |