CN110087110A - 应用深度搜索动态调控视频播放的方法及装置 - Google Patents
应用深度搜索动态调控视频播放的方法及装置 Download PDFInfo
- Publication number
- CN110087110A CN110087110A CN201910504776.XA CN201910504776A CN110087110A CN 110087110 A CN110087110 A CN 110087110A CN 201910504776 A CN201910504776 A CN 201910504776A CN 110087110 A CN110087110 A CN 110087110A
- Authority
- CN
- China
- Prior art keywords
- decision
- video
- score
- deep search
- video playing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012546 transfer Methods 0.000 claims abstract description 31
- 238000003066 decision tree Methods 0.000 claims description 55
- 230000015654 memory Effects 0.000 claims description 20
- 238000013138 pruning Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 230000002441 reversible effect Effects 0.000 claims description 15
- 238000012417 linear regression Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000011161 development Methods 0.000 abstract description 2
- 230000001105 regulatory effect Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000001965 increasing effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 208000001491 myopia Diseases 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- H04N21/23805—Controlling the feeding rate to the network, e.g. by controlling the video pump
-
- 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
-
- 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
- H04N21/2407—Monitoring of transmitted content, e.g. distribution time, number of downloads
-
- 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
- H04N21/266—Channel or content management, e.g. generation and management of keys and entitlement messages in a conditional access system, merging a VOD unicast channel into a multicast channel
- H04N21/2662—Controlling the complexity of the video stream, e.g. by scaling the resolution or bitrate of the video stream based on the client capabilities
-
- 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]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
- H04N21/44004—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving video buffer management, e.g. video decoder buffer or video display buffer
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种应用深度搜索动态调控视频播放的方法及装置，其中，该方法包括：获取一时间段内网络视频播放的数据传输记录；根据数据传输记录提取出那段时间内网络下载速度及视频播放状态；在将网络下载速度及视频播放状态输入深度搜索模型后，利用深度搜索模型对当前视频播放进行决策，并根据决策结果返回最优的视频码率及缓冲区容量大小；利用返回的视频码率及缓冲区容量大小调整当前的视频播放。本发明的技术方案能够基于网络传输状态对视频播放进行实时调控，能够提高视频播放的调整效率，提升用户的使用体验；另外，本方案还具有对不同网络环境适应能力强，节省开发时间及成本的优点。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种应用深度搜索动态调控视频播放的方法、装置、计算机设备及存储介质。
背景技术
目前，互联网的视频流量需求占比已经达到80％，流媒体传输已成为当今网路传输中的重中之重。而随着如今直播、短视频等业务的兴起，相比于以前点播时代的视频传输，流媒体直播在低卡顿、高清晰的基础上，加入了实时交互(低延迟)的新型要求。所以保障直播过程中的传输稳定性，显得尤为重要。
对于广大直播用户来说，最难以忍受的就是在直播过程中持续频繁卡顿。在应对持续视频卡顿上，目前国内流行的直播平台如斗鱼、映客等，都是默认选择较高码率，等频繁卡顿以后，会有相应的弹窗提示用户往下调为标清、流畅等，需要客户多次手动调整。也有平台固定选择低码率，自然用户就不能享有高清的观看体验。
针对上述问题，目前通常采用设定缓冲区大小、网络吞吐量大小等参数阈值进行自动调整。该方案的原理为缓冲区大小、网络吞吐量大小等参数建立一张囊括了这些参数所有取值的查询表(lookup table)，对表中的每一个点，即每一种情况，算法会执行工程师事先为这种情况设置好的决策。由于这种技术需要建立一张表来包含每一种可能的情况，当参数数量增加或者参数取值范围增加时，储存查询表所需要的空间以及算法遍历查询表所需要的时间都会呈指数递增。且算法仅能依赖查询表机械地进行逻辑判断，所做的调整并非整体最优。此外，也有研究在探讨是否可以通过神经网络-强化学习模型，结合历史记录进行决策。但由于神经网络的内部过程对开发人员而言是不可知的，为此难以严格证明神经网络在此课题上的可行性。另外，使用神经网络模型容易出现过拟合情况而产生较大误差。
有鉴于此，有必要提出对目前的视频播放技术的进行进一步的改进。
发明内容
为解决上述至少一技术问题，本发明的主要目的是提供一种应用深度搜索动态调控视频播放的方法、装置、计算机设备及存储介质。
为实现上述目的，本发明采用的第一个技术方案为：提供一种应用深度搜索动态调控视频播放的方法，包括：
获取一时间段内网络视频播放的数据传输记录；
根据数据传输记录提取出那段时间内网络下载速度及视频播放状态；
在将网络下载速度及视频播放状态输入深度搜索模型后，利用深度搜索模型对当前视频播放进行决策，并根据决策结果返回最优的视频码率及缓冲区容量大小；
利用返回的视频码率及缓冲区容量大小调整当前的视频播放。
其中，所述将网络下载速度及视频播放状态输入深度搜索模型，并利用深度搜索模型对当前视频播放进行决策，包括：
预先将视频码率及缓冲区大小进行排列组合，得到n种不同的决策并预测各个决策的得分；
基于每一决策继续计算该决策状态下n种决策的各自得分，进入到决策树的第二层，得到n2种决策组合；
基于每一决策继续计算该决策状态下n种决策的各自得分，进入到决策树的第三层，得到n3种决策组合，直至通过递归得到深度为k的决策树，得到nk种决策组合，其中，k为决策树的层数。
其中，所述预测各个决策的得分，具体为：
在运用深度搜索对视频播放进行动态调控前，首先利用独立的线性回归模型对视频频道目前在播视频的过往数据传输记录进行计算，得到该视频频道的得分标准；
在随后的调控中，深度搜索动态调控根据该得分标准预测该频道各个决策的得分。
其中，所述根据决策结果返回最优的视频码率及缓冲区容量大小，包括：
当决策树的第k层返回决策结果时，首先为第k-1层的每一个决策选择其n个后继决策中最高的得分；
把第k-1层中各个决策自己的得分加上前一步中从n种后继决策挑选出的最高得分后，用所得结果替代第k-1层中各决策原有的得分，该结果亦是第k-1层中每个决策的临时总分，接着决策树返回到第k-2层；
退至第k-2层时，为第k-2层的每一个决策选择n个后继决策中最高的得分，后继决策的得分即是上一步中第k-1层各个决策的临时总分，把第k-2层中各个决策自身的得分加上后继决策中选择得到的最高得分作为第k-2层决策的临时总分后，决策树返回到第k-3层；直至决策树退至第1层时，从最后剩下的n种组合中选择出总得分最高的一种作为最终决策，并返回对应的视频码率及缓冲区容量大小。
其中，所述根据得分标准预测该频道各个决策的得分后，还包括：
预设决策树的递归运算的剪枝阈值以及反超容错步数；
在递归生成决策树的过程中，在每一层的决策中预先找到该层中的最高得分；
若某一决策的得分大于最高得分与剪枝阈值*反超容错步数之差，则继续对该决策进行下一层递归；
若某一决策的得分小于或等于最高得分与剪枝阈值*反超容错步数之差，则将该决策从决策空间去除。
其中，所述获取一时间段内网络视频播放的数据传输记录，包括：
获取视频开始播放至目前播放的数据传输记录。
为实现上述目的，本发明采用的第二个技术方案为：提供一种应用深度搜索动态调控视频播放的装置，包括：
获取模块，用于获取一时间段内视频播放的数据传输记录；
提取模块，用于根据数据传输记录提取出那段时间内网络下载速度及视频播放状态；
决策模块，用于在将网络下载速度及视频播放状态输入深度搜索模型后，利用深度搜索模型对当前视频播放进行决策，并根据决策结果返回最优的视频码率及缓冲区容量大小；
调整模块，用于利用返回的视频码率及缓冲区容量大小调整当前的视频播放。
为实现上述目的，本发明采用的第三个技术方案为：提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
为实现上述目的，本发明采用的第四个技术方案为：提供一种计算机可读存储介质，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上述的方法的步骤。
本发明的技术方案主要采用先获取一时间段内网络视频播放的数据传输记录，然后根据数据传输记录提取出那段时间内网络下载速度及视频播放状态，在将网络下载速度及视频播放状态输入深度搜索模型后，利用深度搜索模型对当前视频播放进行决策，并根据决策结果返回最优的视频码率及缓冲区容量大小，最后利用返回的视频码率及缓冲区容量大小调整当前的视频播放。本方案能够基于网络传输状态对视频播放进行实时调控，能够提高视频播放调整效率，提升用户的使用体验；另外，本方案还具有对不同网络环境适应能力强，开发时间短及成本低的优点。
附图说明
图1为本发明一实施例应用深度搜索动态调控视频播放的方法流程图；
图2为深度为k层的决策树示意图；
图3为本发明一实施例应用深度搜索动态调控视频播放的装置的模块方框图；
图4为本发明一实施例计算机设备的内部结构图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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，所描述的实施例仅是本发明的一部分实施例，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。
需要说明，本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
本方案应用深度搜索动态调控视频播放的方法通过获取数据传输记录，从数据传输记录中提取出当前网络下载速度及视频播放状态并输入深度搜索模型后，利用深度搜索模型决策出最优的视频码率及缓冲区容量大小，以及利用视频码率及缓冲区容量大小调整当前视频播放，能够实时调整视频播放，提升用户体验。对于本方案的决策方法，还可以应用于对生产监控数据、实时交易数据进行决策。
请参照图1，图1为本发明一实施例应用深度搜索动态调控视频播放的方法流程图。本发明的实施例中，该应用深度搜索动态调控视频播放的方法，包括：
步骤S10、获取一时间段内视频播放的数据传输记录；
步骤S20、根据数据传输记录提取出那段时间内网络下载速度及视频播放状态；
步骤S30、在将网络下载速度及视频播放状态输入深度搜索模型后，利用深度搜索模型对当前视频播放进行决策，并根据决策结果返回最优的视频码率及缓冲区容量大小；
步骤S40、利用返回的视频码率及缓冲区容量大小调整当前的视频播放。
在实际应用中，视频播放时的当前网络与视频状况，以及接下来几秒的网络与视频状况都是不可知的。为了能够提前预测未来的网络状况并做出相应的调整，本方案采用的是获取一时间段(过去几十秒内)的数据传输记录，然后从数据传输记录中提取出那段时间内网络下载速度及视频播放状态，并将其作为算法的输入，输入至深度搜索模型，利用深度搜索模型对当前视频播放进行决策，并根据决策结果返回最优的视频码率及缓冲区容量大小，最后应用到当前的视频播放。
例如，目前视频播放到第0秒，算法将提取第0秒之前的网络下载速度作为输入，计算得到最优的码率和缓冲区调整方案，假设计算耗时1秒，则该调整方案将会应用到第1秒的视频播放。本方案会在结果返回的时候立刻把调整方案应用到视频播放，何时能对视频播放进行调整取决于算法何时计算出结果，因此，上述的决策会存在微量的延时。
请参照图2，图2为深度为k层的决策树示意图。在一具体的实施例中，所述将从数据传输记录中提取的网络下载速度及视频播放状态输入深度搜索模型，并利用深度搜索模型对当前视频播放进行决策，包括：
预先将视频码率及缓冲区大小进行排列组合，得到n种不同的决策并预测各个决策的得分；
基于每一决策继续计算该决策状态下n种决策的各自得分，进入到决策树的第二层，得到n2种决策组合；
基于每一决策继续计算该决策状态下n种决策的各自得分，进入到决策树的第三层，得到n3种决策组合，直至通过递归得到深度为k的决策树，得到nk种决策组合，其中，k为决策树的层数。
本实施例中，每一个决策具体体现为一个关于视频码率与缓冲区大小的二维向量。具体决策时，先把码率和缓冲区排列组合得到n种不同的决策并预测各个决策的得分，与此同时这n种决策组成了一个决策空间(DecisionSpace)；接着算法基于每一种决策继续计算该决策状态下n种决策的各自得分，上述的n种决策来自决策空间，进入到决策树的第二层。此时，在决策树第二层中得到了n2种决策组合，接着对每一种决策组合再计算该决策组合下的n种决策，进入到决策树的第三层，得到了n3种决策组合。以此类推，算法通过递归得到深度为k的决策树。把这个流程对应到实际播放调整我们可以这样来理解：假设算法需要1秒才能计算出最佳决策，基于数据记录，算法对目前的播放有n种调整方案，对一秒后的播放有n2种调整方案，两秒后的播放有n2种调整方案，以此类推到算法对k秒后播放有nk种调整方案。决策树的规模相对于层数呈指数级增长，即预测的时间离当前越远，调整方案越多，时间复杂度和空间复杂度越高。另外，更多的决策树层数可以帮助算法对未来更远的播放做出预测和决策。
在一具体的实施例中，所述预测各个决策的得分，具体为：
在运用深度搜索对视频播放进行动态调控前，首先利用独立的线性回归模型对视频频道目前在播视频的过往数据传输记录进行计算，得到该视频频道的得分标准；
在随后的调控中，深度搜索动态调控根据该得分标准预测该频道各个决策的得分。
本实施例中，上述的决策得分可以通过独立的线性回归模型计算得到。当需要对某一个视频频道应用深度搜索动态调控时，需要事先收集该频道以往的播放数据，把数据投送到线性回归模型计算出适用于该频道的得分标准，再把得分标准应用到深度搜索算法方可对当前的视频播放决策进行调整。且得分标准需要保持更新以保证得分标准能够最大程度的符合网络状况变化的情况，更新频率根据用户不同的需求来决定。需要注意的是，每套得分标准仅适用于一个视频频道，每个视频频道需要计算自己专有的得分标准。
在一具体的实施例中，所述根据决策结果返回最优的视频码率及缓冲区容量大小，包括：
当决策树的第k层返回决策结果时，首先为第k-1层的每一个决策选择其n个后继决策中最高的得分；
把第k-1层中各个决策自己的得分加上前一步中从n种后继决策挑选出的最高得分后，用所得结果替代第k-1层中各决策原有的得分，该结果亦是第k-1层中每个决策的临时总分，接着决策树返回到第k-2层；
退至第k-2层时，为第k-2层的每一个决策选择n个后继决策中最高的得分，后继决策的得分即是上一步中第k-1层各个决策的临时总分，把第k-2层中各个决策自身的得分加上后继决策中选择得到的最高得分作为第k-2层决策的临时总分后，决策树返回到第k-3层；直至决策树退至第1层时，从最后剩下的n种组合中选择出总得分最高的一种作为最终决策，并返回对应的视频码率及缓冲区容量大小。
本实施例中，当算法到达决策树的第k层后进入到返回步骤(Return Process)，也即评估步骤(Evaluation Process)。底层的nk种决策由其上一层的nk-1种决策(每种产生n种决策，我们称这nk-1种决策为底层决策的前驱决策(predecessor)，而底层决策为其后继决策(successor))产生。具体的，首先为第k-1层的每一个决策选择其n个后继决策中最高的得分，接着把该层中各个决策的得分加上此前选择得到的最高得分得到该层各决策新的得分，亦是各决策的临时总分。接着退回到第k-2层，为该层的每一个决策选择n个后继决策中最高的得分，此时后继决策的得分即此前计算得到的临时总分。紧接着算法把第k-2层中各个决策的得分加上此前选择得到的最高得分得到新的临时总分。然后退回到第k-3层继续执行该步骤直到算法回到决策树根。当算法退回到第一层后，算法会从最后剩下的n种组合中选择出总得分最高的一种，并作为最终决策(即运行结果)返回，以及返回对应的视频码率及缓冲区容量大小。
在一具体的实施例中，所述根据得分标准预测该频道各个决策的得分后，还包括：
预设决策树的递归运算的剪枝阈值以及反超容错步数；
在递归生成决策树的过程中，在每一层的决策中预先找到该层中的最高得分；
若某一决策的得分大于最高得分与剪枝阈值*反超容错步数之差，则继续对该决策进行下一层递归；
若某一决策的得分小于或等于最高得分与剪枝阈值*反超容错步数之差，则将该决策从决策空间去除。
在实际运行中，由于指数递增效应带来的耗时十分严重，需要对决策树进行了适当的剪枝。即对于一些明显糟糕的决策，会事先将其从决策空间中去除。或在进行决策树递归时，若一些决策组合的得分持续偏低，算法会停止这些决策继续递归下去。具体的剪枝操作为：预先设定决策的剪枝阈值以及反超容错步数(均根据历史数据得到)；在每一层的决策中算法先找到该层中得分最高的得分，接着仅对决策得分大于(最高得分–剪枝阈值*反超容错步数)的决策继续进行递归，以此达到剪枝目的。例如，剪枝阈值为3分，反超容错步数为2步，决策树的第三层中最高决策得分为9分，那么算法仅对得分大于3分的决策进行下一层的递归，而剩下的这些决策有可能能够在未来的1-2步中反超当前最高分决策成为未来的最高分决策。
举例而言，假设决策空间中有两种决策，深度搜索算法首先计算出这两种决策的得分。设决策1得分为3，决策2得分为1。接着算法会继续计算这两个决策下的决策得分，并进入到决策树第二层。设决策1.1得分为6，决策1.2得分为3，决策2.1的得分为2，决策2.2得分为4。假设此决策树共有三层，决策1.1.1得分为2，决策1.1.2得分为1，决策1.2.1得分为3，决策1.2.2得分为2，决策2.1.1得分为4，决策2.1.2得分为1，决策2.2.1得分为2，决策2.2.2得分为5。进入返回步骤后，算法选择决策1.1.1，决策1.2.1，决策2.1.1，决策2.2.2作为第三层的最高得分，随后算法选择决策1.1(6+2分)，决策2.2(4+5分)作为第二层的最高得分，最后选择决策1(3+8分)作为最终结果。决策1中所采用的码率和缓冲区将会在结果返回后立刻应用到当前视频播放。
需要注意的是，通过深度搜索决策模型预测并计算了目前到未来k时刻之间每一时刻的最优码率-缓冲区选择，但最后并没有把这一系列决策完全实施，而是仅仅为当前时刻实施了当前时刻的最优决决策，而下一时刻乃至未来k时刻的视频播放采取何种决策仍需要重新调用该算法计算。但通过计算这种预测模式，能够使当前时刻采用的决策不仅仅是对当下最优的，同时也是最有利于未来的视频播放的，这使得算法在下一轮计算开始时能够由一个更好的出发点，更能够保证每一次的决策都能最优化，提升实时调整视频播放的质量。
在一具体的实施例中，所述获取一时间段内网络视频播放的数据传输记录，包括：
获取视频开始播放至目前播放的数据传输记录。
请参照图3，图3为本发明一实施例应用深度搜索动态调控视频播放的装置的模块方框图。在本发明的实施例中，该应用深度搜索动态调控视频播放的装置，包括：
获取模块10，用于获取一时间段内网络视频播放的数据传输记录；
提取模块20，用于根据数据传输记录提取出那段时间内网络下载速度及视频播放状态；
决策模块30，用于在将网络下载速度及视频播放状态输入深度搜索模型后，利用深度搜索模型对当前视频播放进行决策，并根据决策结果返回最优的视频码率及缓冲区容量大小；
调整模块40，用于利用返回的视频码率及缓冲区容量大小调整当前的视频播放。
本方案采用的是通过获取模块10，获取一时间段(过去几十秒内)的数据传输记录，然后通过提取模块20，从数据传输记录中提取出当前网络下载速度及视频播放状态，并将其作为深度搜索算法的输入，输入至深度搜索模型；在通过决策模块30，利用深度搜索模型对当前视频播放进行决策，并根据决策结果返回最优的视频码率及缓冲区容量大小，最后通过调整模块40，利用最优的视频码率及缓冲区容量大小调整当前的视频播放。
在一具体的实施例中，所述决策模块30，具体用于：
预先将视频码率及缓冲区大小进行排列组合，得到n种不同的决策并预测各个决策的得分；
基于每一决策继续计算该决策状态下n种决策的各自得分，进入到决策树的第二层，得到n2种决策组合；
基于每一决策继续计算该决策状态下n种决策的各自得分，进入到决策树的第三层，得到n3种决策组合，直至通过递归得到深度为k的决策树，得到nk种决策组合，其中，k为决策树的层数。
进一步的，所述决策模块30，还用于：
在运用深度搜索对视频播放进行动态调控前，首先利用独立的线性回归模型对视频频道目前在播视频的过往数据传输记录进行计算，得到该视频频道的得分标准；
在随后的调控中，深度搜索动态调控根据该得分标准预测该频道各个决策的得分。
进一步的，所述决策模块30，还用于：
当决策树的第k层返回决策结果时，首先为第k-1层的每一个决策选择其n个后继决策中最高的得分；
把第k-1层中各个决策自己的得分加上前一步中从n种后继决策挑选出的最高得分后，用所得结果替代第k-1层中各决策原有的得分，该结果亦是第k-1层中每个决策的临时总分，接着决策树返回到第k-2层；
退至第k-2层时，为第k-2层的每一个决策选择n个后继决策中最高的得分，后继决策的得分即是上一步中第k-1层各个决策的临时总分，把第k-2层中各个决策自身的得分加上后继决策中选择得到的最高得分作为第k-2层决策的临时总分后，决策树返回到第k-3层；直至决策树退至第1层时，从最后剩下的n种组合中选择出总得分最高的一种作为最终决策，并返回对应的视频码率及缓冲区容量大小。
进一步的，所述决策模块30，还用于：
预设决策树的递归运算的剪枝阈值以及反超容错步数；
在递归生成决策树的过程中，在每一层的决策中预先找到该层中的最高得分；
若某一决策的得分大于最高得分与剪枝阈值*反超容错步数之差，则继续对该决策进行下一层递归；
若某一决策的得分小于或等于最高得分与剪枝阈值*反超容错步数之差，则将该决策从决策空间去除。
在一具体的实施例中，所述获取模块10，具体用于：获取视频开始播放至目前播放的数据传输记录。
请参照图4，图4为本发明一实施例计算机设备的内部结构图。在一实施例中，该计算机设备包括通过系统总线连接的处理器、存储器及网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种应用深度搜索动态调控视频播放的方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以上各个方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以上各个方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (9)
1.一种应用深度搜索动态调控视频播放的方法，其特征在于，所述应用深度搜索动态调控视频播放的方法包括：
获取一时间段内网络视频播放的数据传输记录；
根据数据传输记录提取出那段时间内网络下载速度及视频播放状态；
在将网络下载速度及视频播放状态输入深度搜索模型后，利用深度搜索模型对当前视频播放进行决策，并根据决策结果返回最优的视频码率及缓冲区容量大小；
利用返回的视频码率及缓冲区容量大小调整当前的视频播放。
2.如权利要求1所述的应用深度搜索动态调控视频播放的方法，其特征在于，所述将当前网络下载速度及视频播放状态输入深度搜索模型，并利用深度搜索模型对当前视频播放进行决策，包括：
预先将视频码率及缓冲区大小进行排列组合，得到n种不同的决策并预测各个决策的得分；
基于每一决策继续计算该决策状态下n种决策的各自得分，进入到决策树的第二层，得到n2种决策组合；
基于每一决策继续计算该决策状态下n种决策的各自得分，进入到决策树的第三层，得到n3种决策组合，直至通过递归得到深度为k的决策树，得到nk种决策组合，其中，k为决策树的层数。
3.如权利要求2所述的应用深度搜索动态调控视频播放的方法，其特征在于，所述预测各个决策的得分，具体为：
在运用深度搜索对视频播放进行动态调控前，首先利用独立的线性回归模型对视频频道目前在播视频的过往数据传输记录进行计算，得到该视频频道的得分标准；
在随后的调控中，深度搜索动态调控根据该得分标准预测调控中各个决策的得分。
4.如权利要求3所述的应用深度搜索动态调控视频播放的方法，其特征在于，所述根据决策结果返回最优的视频码率及缓冲区容量大小，包括：
当决策树的第k层返回决策结果时，首先为第k-1层的每一个决策选择其n个后继决策中最高的得分；
把第k-1层中各个决策自己的得分加上前一步中从n种后继决策挑选出的最高得分后，用所得结果替代第k-1层中各决策原有的得分，该结果亦是第k-1层中每个决策的临时总分，接着决策树返回到第k-2层；
退至第k-2层时，为第k-2层的每一个决策选择n个后继决策中最高的得分，后继决策的得分即是上一步中第k-1层各个决策的临时总分，把第k-2层中各个决策自身的得分加上后继决策中选择得到的最高得分作为第k-2层决策的临时总分后，决策树返回到第k-3层；直至决策树退至第1层时，从最后剩下的n种组合中选择出总得分最高的一种作为最终决策，并返回对应的视频码率及缓冲区容量大小。
5.如权利要求4所述的应用深度搜索动态调控视频播放的方法，其特征在于，所述根据得分标准预测该频道各个决策的得分后，还包括：
预设决策树的递归运算的剪枝阈值以及反超容错步数，具体包括,
在递归生成决策树的过程中，在每一层的决策中预先找到该层中的最高得分；
若某一决策的得分大于最高得分与剪枝阈值*反超容错步数之差，则继续对该决策进行下一层递归；
若某一决策的得分小于或等于最高得分与剪枝阈值*反超容错步数之差，则将该决策从决策空间去除。
6.如权利要求5所述的应用深度搜索动态调控视频播放的方法，其特征在于，所述获取一时间段内网络视频播放的数据传输记录，包括：
获取网络视频开始播放至目前播放的数据传输记录。
7.一种应用深度搜索动态调控视频播放的装置，其特征在于，所述应用深度搜索动态调控视频播放的装置包括：
获取模块，用于获取一时间段内网络视频播放的数据传输记录；
提取模块，用于根据数据传输记录提取出那段时间内网络下载速度及视频播放状态；
决策模块，用于在将网络下载速度及视频播放状态输入深度搜索模型后，利用深度搜索模型对当前视频播放进行决策，并根据决策结果返回最优的视频码率及缓冲区容量大小；
调整模块，用于利用返回的视频码率及缓冲区容量大小调整当前的视频播放。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质，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权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910504776.XA CN110087110B (zh) | 2019-06-12 | 2019-06-12 | 应用深度搜索动态调控视频播放的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910504776.XA CN110087110B (zh) | 2019-06-12 | 2019-06-12 | 应用深度搜索动态调控视频播放的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110087110A true CN110087110A (zh) | 2019-08-02 |
| CN110087110B CN110087110B (zh) | 2021-03-30 |
Family
ID=67424164
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910504776.XA Active CN110087110B (zh) | 2019-06-12 | 2019-06-12 | 应用深度搜索动态调控视频播放的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110087110B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111031347A (zh) * | 2019-11-29 | 2020-04-17 | 广州市百果园信息技术有限公司 | 一种视频处理的方法及装置、电子设备、存储介质 |
| CN111669627A (zh) * | 2020-06-30 | 2020-09-15 | 广州市百果园信息技术有限公司 | 一种视频码率的确定方法、装置、服务器和存储介质 |
| CN112752117A (zh) * | 2020-12-30 | 2021-05-04 | 百果园技术(新加坡)有限公司 | 一种视频缓存方法、装置、设备及存储介质 |
| WO2021196603A1 (zh) * | 2020-03-31 | 2021-10-07 | 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 |
| CN114363677A (zh) * | 2021-12-02 | 2022-04-15 | 深圳市新田科技有限公司 | 基于深度学习的移动网络视频码率实时调整方法和装置 |
| CN118102005A (zh) * | 2024-04-28 | 2024-05-28 | 腾讯科技（深圳）有限公司 | 视频数据处理方法、装置、设备以及介质 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090185618A1 (en) * | 2002-04-11 | 2009-07-23 | Microsoft Corporation | Streaming Methods and Systems |
| CN102137047A (zh) * | 2011-03-21 | 2011-07-27 | 华中科技大学 | 一种多参数媒体适配网关及其适配方法 |
| CN102238433A (zh) * | 2010-04-29 | 2011-11-09 | 爱迪德有限责任公司 | 控制数字内容的自适应流传输 |
| CN103108257A (zh) * | 2011-11-10 | 2013-05-15 | 中国科学院声学研究所 | 一种用于嵌入式终端改善流媒体播放质量的方法及系统 |
| US20130138828A1 (en) * | 2010-04-08 | 2013-05-30 | Vasona Networks | Managing streaming bandwidth for multiple clients |
| CN103916716A (zh) * | 2013-01-08 | 2014-07-09 | 北京信威通信技术股份有限公司 | 一种无线网络下视频实时传输的码率平滑方法 |
| CN104350755A (zh) * | 2012-06-06 | 2015-02-11 | 思科技术公司 | 通过速率限制的自适应流视频客户端的稳定 |
| CN104967884A (zh) * | 2015-04-17 | 2015-10-07 | 北京奇艺世纪科技有限公司 | 一种码流切换方法和装置 |
| WO2017096377A1 (en) * | 2015-12-04 | 2017-06-08 | Activevideo Networks, Inc. | Managing deep and shallow buffers in a thin-client device of a digital media distribution network |
| CN107612912A (zh) * | 2017-09-20 | 2018-01-19 | 北京京东尚科信息技术有限公司 | 一种设置播放参数的方法和装置 |
| CN108076364A (zh) * | 2016-11-07 | 2018-05-25 | 韩华泰科株式会社 | 自适应媒体流传输设备和媒体服务设备 |
| CN108696403A (zh) * | 2018-03-23 | 2018-10-23 | 中国科学技术大学 | 一种基于网络流特征构造学习的加密视频QoE评测方法 |
| CN108848415A (zh) * | 2018-05-04 | 2018-11-20 | 北京大学 | 一种自适应学习的网络实时视频传输方法及装置 |
| CN108881967A (zh) * | 2018-08-01 | 2018-11-23 | 广发证券股份有限公司 | 一种基于机器学习的视频上传方法、装置及设备 |
-
2019
- 2019-06-12 CN CN201910504776.XA patent/CN110087110B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090185618A1 (en) * | 2002-04-11 | 2009-07-23 | Microsoft Corporation | Streaming Methods and Systems |
| US20130138828A1 (en) * | 2010-04-08 | 2013-05-30 | Vasona Networks | Managing streaming bandwidth for multiple clients |
| CN102238433A (zh) * | 2010-04-29 | 2011-11-09 | 爱迪德有限责任公司 | 控制数字内容的自适应流传输 |
| CN102137047A (zh) * | 2011-03-21 | 2011-07-27 | 华中科技大学 | 一种多参数媒体适配网关及其适配方法 |
| CN103108257A (zh) * | 2011-11-10 | 2013-05-15 | 中国科学院声学研究所 | 一种用于嵌入式终端改善流媒体播放质量的方法及系统 |
| CN104350755A (zh) * | 2012-06-06 | 2015-02-11 | 思科技术公司 | 通过速率限制的自适应流视频客户端的稳定 |
| CN103916716A (zh) * | 2013-01-08 | 2014-07-09 | 北京信威通信技术股份有限公司 | 一种无线网络下视频实时传输的码率平滑方法 |
| CN104967884A (zh) * | 2015-04-17 | 2015-10-07 | 北京奇艺世纪科技有限公司 | 一种码流切换方法和装置 |
| WO2017096377A1 (en) * | 2015-12-04 | 2017-06-08 | Activevideo Networks, Inc. | Managing deep and shallow buffers in a thin-client device of a digital media distribution network |
| CN108076364A (zh) * | 2016-11-07 | 2018-05-25 | 韩华泰科株式会社 | 自适应媒体流传输设备和媒体服务设备 |
| CN107612912A (zh) * | 2017-09-20 | 2018-01-19 | 北京京东尚科信息技术有限公司 | 一种设置播放参数的方法和装置 |
| CN108696403A (zh) * | 2018-03-23 | 2018-10-23 | 中国科学技术大学 | 一种基于网络流特征构造学习的加密视频QoE评测方法 |
| CN108848415A (zh) * | 2018-05-04 | 2018-11-20 | 北京大学 | 一种自适应学习的网络实时视频传输方法及装置 |
| CN108881967A (zh) * | 2018-08-01 | 2018-11-23 | 广发证券股份有限公司 | 一种基于机器学习的视频上传方法、装置及设备 |
Non-Patent Citations (2)
| Title |
|---|
| HANAN LUSS: ""Optimal Content Distribution in Video-on-Demand Tree Networks"", 《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS—PART A: SYSTEMS AND HUMANS》 * |
| 林高全等: ""移动网络YouTube视频码率及分辨率识别方法"", 《计算机工程与应用》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111031347A (zh) * | 2019-11-29 | 2020-04-17 | 广州市百果园信息技术有限公司 | 一种视频处理的方法及装置、电子设备、存储介质 |
| WO2021196603A1 (zh) * | 2020-03-31 | 2021-10-07 | 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 |
| US11388459B2 (en) | 2020-03-31 | 2022-07-12 | Beijing Dajia Internet Information Technology Co., Ltd. | Method and apparatus for determining bandwidth, and electronic device and storage medium |
| CN111669627A (zh) * | 2020-06-30 | 2020-09-15 | 广州市百果园信息技术有限公司 | 一种视频码率的确定方法、装置、服务器和存储介质 |
| CN111669627B (zh) * | 2020-06-30 | 2022-02-15 | 广州市百果园信息技术有限公司 | 一种视频码率的确定方法、装置、服务器和存储介质 |
| CN112752117A (zh) * | 2020-12-30 | 2021-05-04 | 百果园技术(新加坡)有限公司 | 一种视频缓存方法、装置、设备及存储介质 |
| CN112752117B (zh) * | 2020-12-30 | 2023-03-28 | 百果园技术(新加坡)有限公司 | 一种视频缓存方法、装置、设备及存储介质 |
| CN114363677A (zh) * | 2021-12-02 | 2022-04-15 | 深圳市新田科技有限公司 | 基于深度学习的移动网络视频码率实时调整方法和装置 |
| CN118102005A (zh) * | 2024-04-28 | 2024-05-28 | 腾讯科技（深圳）有限公司 | 视频数据处理方法、装置、设备以及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110087110B (zh) | 2021-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110087110A (zh) | 应用深度搜索动态调控视频播放的方法及装置 | |
| Wikström et al. | Solving the stand management problem under biodiversity-related considerations | |
| CN111447471B (zh) | 模型生成方法、播放控制方法、装置、设备及存储介质 | |
| Walsh et al. | Learning and planning in environments with delayed feedback | |
| US20120216115A1 (en) | System of automated management of event information | |
| WO2008134652A1 (en) | Predictive modeling system and method for fantasy sports | |
| CN112004120B (zh) | 平台网络资源播放量的预测方法、装置、设备及存储介质 | |
| DE102014113988A1 (de) | Erzeugungsvorrichtung, Erzeugungsverfahren und Programm | |
| CN110297712A (zh) | 一种面向区块链节点负载预测的arima组合预测方法 | |
| Sire et al. | Understanding baseball team standings and streaks | |
| US10901993B2 (en) | Performing cache update adaptation | |
| CA3038018A1 (en) | Performing cache update adaptation | |
| Polacheck et al. | An initial evaluation of management strategies for the southern bluefin tuna fishery | |
| CN107292388A (zh) | 一种基于神经网络的热点数据的预测方法及系统 | |
| CN110737432B (zh) | 一种基于词根表的脚本辅助设计方法及装置 | |
| CN117725259A (zh) | 视频搜索方法和装置 | |
| US8244656B2 (en) | System and method for predicting rare events | |
| CN114370264A (zh) | 机械钻速确定、钻井参数优化方法、装置及电子设备 | |
| Liu et al. | Comparing proactive and reactive management: managing a transboundary fish stock under changing environment | |
| CN110149534A (zh) | 基于决策树的自适应视频流转码方法及装置 | |
| Prakken | Comparing alternative factor-and precedent-based accounts of precedential constraint | |
| CN108090224A (zh) | 一种级联连接方法及设备 | |
| WO2021240677A1 (ja) | 映像処理装置、映像処理方法、訓練装置、訓練方法、及び、記録媒体 | |
| Ravichandran et al. | Oilseeds production and yield forecasting using ARIMA-ANN modelling | |
| CN104053024A (zh) | 一种基于少量数据的短期视频点播量预测系统 |
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 |