CN110418143A - 一种车联网中svc视频的传输方法 - Google Patents
一种车联网中svc视频的传输方法 Download PDFInfo
- Publication number
- CN110418143A CN110418143A CN201910652495.9A CN201910652495A CN110418143A CN 110418143 A CN110418143 A CN 110418143A CN 201910652495 A CN201910652495 A CN 201910652495A CN 110418143 A CN110418143 A CN 110418143A
- Authority
- CN
- China
- Prior art keywords
- svc
- svc video
- video
- roadside unit
- rsu
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 33
- 230000006855 networking Effects 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 230000033001 locomotion Effects 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 29
- 238000001228 spectrum Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 13
- 238000005315 distribution function Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000006854 communication Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/30—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using hierarchical techniques, e.g. scalability
- H04N19/34—Scalability techniques involving progressive bit-plane based encoding of the enhancement layer, e.g. fine granular scalability [FGS]
-
- 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
- H04N21/234—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs
- H04N21/2343—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements
- H04N21/234327—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving reformatting operations of video signals for distribution or compliance with end-user requests or end-user device requirements by decomposing into layers, e.g. base layer and one or more enhancement layers
-
- 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
- H04N21/4402—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 reformatting operations of video signals for household redistribution, storage or real-time display
- H04N21/440227—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 reformatting operations of video signals for household redistribution, storage or real-time display by decomposing into layers, e.g. base layer and one or more enhancement layers
-
- 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
- H04N21/647—Control signaling between network components and server or clients; Network processes for video distribution between server and clients, e.g. controlling the quality of the video stream, by dropping packets, protecting content from unauthorised alteration within the network, monitoring of network load, bridging between two different networks, e.g. between IP and wireless
- H04N21/64784—Data processing by the network
- H04N21/64792—Controlling the complexity of the content stream, e.g. by dropping packets
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Security & Cryptography (AREA)
- Mobile Radio Communication Systems (AREA)
- Traffic Control Systems (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明属于第五代无线通信技术领域，具体涉及一种车联网中SVC视频的传输方法。目的是为了解决目前车联网中视频传输中时延高、核心网负担大和传统的强化学习算法处理能力有限等技术问题。本发明为了降低时延和减轻核心网的负担，将流行度高的SVC视频缓存在路边单元RSU中，如果车辆用户请求的SVC视频恰好存储在路边单元RSU中，就直接由路边单元RSU给车辆用户发送SVC视频，反之再从SVC服务器传送，这不仅可以省去一部分SVC服务器端向路边单元RSU发送SVC视频的时间，而且避免视频频繁穿梭核心网从而减轻核心网的传输负担。
Description
技术领域
本发明属于第五代无线通信技术领域，具体涉及一种车联网中SVC视频的传输方法。
背景技术
借助5G网络的高速率、低时延和大覆盖特点，车联网中视频传输业务得到快速发展，在无人驾驶、娱乐、路线导航和救援抢险方向有很大的应用价值。目前车联网中视频传输的方法是采用可伸缩视频编码(SVC)技术，将视频流编码成一个基础层和若干个增强层，只对基本层的码流进行传输和解码，得到的视频质量很低，而且目前的车联网中视频传输的方法是以系统吞吐量或能效为优化目标，忽略了视频质量和时延的重要性；此外，车联网中视频传输还存在时延高、核心网负担大和传统的强化学习算法处理能力有限的问题。本发明利用深度AC算法对SVC视频层选择、用户调度和视屏传输进行联合优化，旨在保证视频质量的同时降低时延，从而提高车联网中用户体验质量
发明内容
本发明的目的是为了解决目前车联网中视频传输中时延高、核心网负担大和传统的强化学习算法处理能力有限等技术问题，提供一种车联网中SVC视频的传输方法。为解决上述技术问题，本发明采用的技术方案为：
一种车联网中SVC视频的传输方法，包括以下步骤：
步骤1.将车联网SVC视频传输的动态系统建模为马尔科夫决策过程MDP＜S,A,P,r＞；
其中S表示状态空间，A表示动作空间，P表示状态转移概率函数，r表示回报函数；
所述状态空间S包括四部分：
1)下行链路的信干噪比ηu(t)；
2)可用的无线频谱资源状态信息
3)SVC视频存储状态信息eu；
4)SVC视频的内容流行度ρu；
所述动作空间A包括三部分：
1)SVC视频层数选择；
2)无线频谱资源块的分配数量；
3)选择哪个路边单元RSU为用户服务；
所述回报函数其中Ψu是SVC视频质量函数，Du是时延函数，U是车辆用户的个数，α是SVC视频质量的奖励系数且α＞0，单位为元，β是时延的惩罚系数且β＞0，单位为元/秒；
步骤2.检测导频信号来获取下行链路的信道增益，建立城市道路场景的路径损耗数学模型，将获取的信道增益代入路径损耗模型中，得到下行链路的信干噪比ηu(t)；
步骤3.将每个路边单元RSU中无线资源频谱均分成K块，每一块带宽为Z赫兹，采集可用的无线频谱资源状态信息记为第k块频谱资源被RSU分配与否的标志，当时，路边单元RSU将第k块频谱资源分配给第u个车辆用户；
步骤4.将步骤2和3采集的信干噪比ηu(t)和可用的无线频谱资源状态信息代入得到传输速率vu(t)；
步骤5.将SVC视频服务器端提供的原始SVC视频以SVC技术编码为L0,L1,L2,L3,L4五层，其中，L0为基础层，L1,L2L3L4为增强层；SVC视频遵循H.264/SVC标准，使用软件JSVM获得可伸缩SVC视频流每层的源速率，用源速率乘以播放时间0.5秒，得到各层SVC视频的数据量大小
步骤6.将步骤4和5的得到的vu(t)和代入式子得出SVC视频从路边单元RSU到车辆用户的传输时间Tp；
步骤7.采集SVC视频存储状态信息eu，记为请求SVC视频内容被路边单元RSU存储与否的标志；
步骤8.用Zipf分布来模拟SVC视频的流行度ρu，采集得到RSU视频的内容流行度信息ρu；
步骤9.将步骤7和8采集的SVC视频存储状态信息eu和内容流行度信息ρu代入式子Tb＝(1-eu)(1-ρu)Tr，得到当eu＝0时SVC视频从SVC服务器端传送到路边单元RSU的时间，其中Tr是常数系数，这个式子的物理意义是ρu值更高的视频更受欢迎，它被存储在RSU中的概率就越高；
步骤10.将步骤5中车辆用户接收到的SVC视频划分成若干小段进行播放和传输，每一段的播放时间长度Ts＝0.5秒，当播放一小段SVC视频的同时传输下一小段SVC视频流；将步骤6得到的SVC视频从路边单元RSU到车辆用户的传输时间Tp和步骤9得到的当eu＝0时SVC视频从SVC服务器端传送到路边单元RSU的时间Tb，代入式子得到传输一小段SVC视频所需的总时间Tu；
步骤11.将步骤10得到的传输一小段SVC视频所需的总时间Tu，代入式子Du＝Tu-Ts，得到步骤1回报函数中的时延函数Du；
步骤12.设各个SVC视频流不同的层解码所对应的峰值信噪比PSNR已知，用峰值信噪比PSNR来衡量接收SVC视频质量并构建步骤1回报函数中的SVC视频质量函数，
其中表示车辆用户接收到SVC视频的峰值信噪比PSNR值，PSNR(L4)是最高层SVC视频的峰值信噪比PSNR值；至此完成MDP问题的建模和采样工作；
步骤13.用深度AC算法解决上述MDP问题，初始化Actor部分的权重向量θ和学习率αa,t且使αa,t＞0；初始化Critic部分的权重向量ω和学习率αc,t且使αc,t＞0；
步骤14.将Actor部分的输入设为状态s，输出设为动作a，动作概率分布函数描绘在当前状态下各个动作的概率值，选择一个最大概率值的动作，在当前状态下执行该动作就可以得到这个动作的立即奖励值，状态从当前状态转换到下一状态；
步骤15.Critic部分通过神经网络进行函数逼近，通过权重向量ω对状态-动作值函数Qπ(s,a)进行参数化，采用ReLU作为非线性激活函数，将状态作为神经元的输入，映射到输出端得到Qω(s,a)，作为Qπ(s,a)的函数逼近值；
步骤16.Critic部分用步骤14得到的立即奖励值和步骤15的结果得到时间差分误差；
步骤17.根据步骤16的结果，Critic部分更新权重向量ω；
步骤18.将步骤16的结果反馈给Actor部分，指导Actor部分更新权重向量θ和动作概率分布函数,重复步骤14-18直到动作概率分布函数稳定。
进一步，所述步骤7中采集的SVC视频存储状态信息eu，当eu＝1，请求的SVC视频内容已经缓存在路边单元RSU中，能够直接由路边单元RSU发送给车辆用户；当eu＝0，请求的SVC视频内容没有缓存在路边单元RSU上，必须先从SVC视频服务器发送到路边单元RSU，再发送给车辆用户，从而得到SVC视频存储状态信息eu。
与现有技术相比，本发明具有以下有益效果：
1.本发明为了降低时延和减轻核心网的负担，将流行度高的SVC视频缓存在路边单元RSU中，如果车辆用户请求的SVC视频恰好存储在路边单元RSU中，就直接由路边单元RSU给车辆用户发送SVC视频，反之再从SVC服务器传送，这不仅可以省去一部分SVC服务器端向路边单元RSU发送SVC视频的时间，而且避免视频频繁穿梭核心网从而减轻核心网的传输负担。
2.本发明在部署路边单元RSU环节上，与传统方法只用基站作为路边单元RSU相比，本发明根据工信部和交通运输部的发声，将改进后的增加存储功能的交通灯作为部分路边单元RSU使用，更方便的采集汽车的行驶速度、驾驶习惯等数据，这一点改进非常适合智慧城市道路建设，不仅节省了部署路边单元RSU的费用，而且覆盖范围更广。
3.本发明采用深度AC算法，与传统的强化学习算法相比，深度AC算法不仅可以处理连续状态和动作空间的问题，而且用神经网络能够获得更好的Q函数的估计值，深度强化学习算法的学习效率还高，与策略梯度算法PG和深度Q-learning算法DQN相比，深度AC算法学习效率更高、收敛速度更快。当仿真参数设置为3个RSU和3个车辆用户时，深度AC算法只需100个回合左右就达到收敛，比PG算法节省了500个回合的时间，比DQN算法节省600个回合的时间。
4.本发明综合考虑了用户调度和SVC视频层选择，同时以提高SVC视频质量和降低时延为优化目标，从而提升用户的体验质量，非常适合应用在对时延和SVC视频质量要求严格的实时视频传输业务，比如视频会议和道路救援抢险的视频直播。
5.本发明中的SVC技术将多媒体视频流编码分成多个具有不同码率的SVC视频层，通过灵活选择SVC视频层数来满足用户终端和信道的差异性，当用户只收到基础层SVC视频时，能得到较低SVC视频质量，当用户收到更多增强层SVC视频并与基础层SVC视频一起解码时，能得到较高的SVC视频质量。当仿真条件设置为固定的带宽资源时，发现随着车辆用户的数量从15增加45时，大部分车辆都能接收到最高层SVC视频，而当车辆用户的数量从45增加75时，能接收到最高层SVC视频的车辆用户数量在减少，接收到中间层SVC视频的车辆用户在增加。
6.本发明通过联合优化SVC视频层选择、用户调度和资源分配问题，将优化问题建模为马尔科夫决策过程MDP，其中的回报函数包括对SVC视频质量的奖励和对时延的惩罚，从而达到提高SVC视频质量和降低时延的优化目标。
附图说明
图1为本发明适用的场景图；
图2为车辆数量与接收SVC视频质量的关系图；
图3为算法性能比较图。
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。
实施例
如图1所示，SVC视频服务器的作用是为车辆用户提供视频；无线网络控制器控制的对象是路边单元，路边单元包括4个基站和1个改造后的交通灯，路面上车辆用户的个数记作U＝15，图中汽车的编号相同代表他们请求的视频是相同的，有5个编号为1的汽车，5个编号为2的汽车，5个编号为3的汽车。下行链路的通信过程如下：SVC视频服务器将车辆用户请求的视频经过核心网发送到无线网络控制器，再由无线网络控制器发给各个路边单元，最后由路边单元发送给车辆用户。当某个视频被多个车辆用户请求时，该视频的内容流行度就被认为是高的，会被缓存在路边单元中，以便省时高效的发给其他车辆用户再使用。假设每个车辆每次只发起一个请求，则共有15个请求。
本实施例中的一种车联网中SVC视频的传输方法，包括以下步骤：
一种车联网中SVC视频的传输方法，包括以下步骤：
步骤1.将车联网SVC视频传输的动态系统建模为马尔科夫决策过程MDP＜S,A,P,r＞；
其中S表示状态空间，A表示动作空间，P表示状态转移概率函数，r表示回报函数；
所述状态空间S包括四部分：
1)下行链路的信干噪比ηu(t)；
2)可用的无线频谱资源状态信息
3)SVC视频存储状态信息eu；
4)SVC视频的内容流行度ρu；
所述动作空间A包括三部分：
1)SVC视频层数选择；
2)无线频谱资源块的分配数量；
3)选择哪个路边单元RSU为用户服务；
所述回报函数其中Ψu是SVC视频质量函数，Du是时延函数，U是车辆用户的个数，α是SVC视频质量的奖励系数且α＞0，单位为元，β是时延的惩罚系数且β＞0，单位为元/秒；
步骤2.检测导频信号来获取下行链路的信道增益，建立城市道路场景的路径损耗数学模型，将获取的信道增益代入路径损耗模型中，得到下行链路的信干噪比ηu(t)；
步骤3.将每个路边单元RSU中无线资源频谱均分成K块，每一块带宽为Z赫兹，采集可用的无线频谱资源状态信息记为第k块频谱资源被RSU分配与否的标志，当时，路边单元RSU将第k块频谱资源分配给第u个车辆用户；
步骤4.将步骤2和3采集的信干噪比ηu(t)和可用的无线频谱资源状态信息代入得到传输速率vu(t)；
步骤5.将SVC视频服务器端提供的原始SVC视频以SVC技术编码为L0,L1,L2,L3,L4五层，其中，L0为基础层，L1,L2L3L4为增强层；SVC视频遵循H.264/SVC标准，使用软件JSVM获得可伸缩SVC视频流每层的源速率，用源速率乘以播放时间0.5秒，得到各层SVC视频的数据量大小
表1SVC各视频层的源速率
| 视频层 | L<sub>0</sub> | L<sub>1</sub> | L<sub>2</sub> | L<sub>3</sub> | L<sub>4</sub> |
| 源速率(Kbps) | 74.468 | 93.576 | 297.652 | 552.244 | 710.404 |
步骤6.将步骤4和5的得到的vu(t)和代入式子得出SVC视频从路边单元RSU到车辆用户的传输时间Tp；
步骤7.采集SVC视频存储状态信息eu，记为请求SVC视频内容被路边单元RSU存储与否的标志；
步骤8用Zipf分布来模拟SVC视频的流行度ρu，采集得到SVC视频的内容流行度信息ρu；
步骤9.将步骤7和8采集的SVC视频存储状态信息eu和内容流行度信息ρu代入式子Tb＝(1-eu)(1-ρu)Tr，得到当eu＝0时SVC视频从SVC服务器端传送到路边单元RSU的时间，其中Tr是常数系数；
步骤10.将步骤5中车辆用户接收到的SVC视频划分成若干小段进行播放和传输，每一段的播放时间长度Ts＝0.5秒，当播放一小段SVC视频的同时传输下一小段SVC视频流；将步骤6得到的SVC视频从路边单元RSU到车辆用户的传输时间Tp和步骤9得到的当eu＝0时SVC视频从SVC服务器端传送到路边单元RSU的时间Tb，代入式子得到传输一小段SVC视频所需的总时间Tu；
步骤11.将步骤10得到的传输一小段SVC视频所需的总时间Tu，代入式子Du＝Tu-Ts，得到步骤1回报函数中的时延函数Du；
步骤12.设各个SVC视频流不同的层解码所对应的峰值信噪比PSNR已知，用峰值信噪比PSNR来衡量接收SVC视频质量并构建步骤1回报函数中的SVC视频质量函数，
其中表示车辆用户接收到SVC视频的峰值信噪比PSNR值，PSNR(L4)是最高层SVC视频的峰值信噪比PSNR值；至此完成MDP问题的建模和采样工作；
表2 SVC各视频层的PSNR值
| 视频层 | L<sub>0</sub> | L<sub>1</sub> | L<sub>2</sub> | L<sub>3</sub> | L<sub>4</sub> |
| PSNR(dB) | 28.1406 | 30.6066 | 37.2694 | 38.5445 | 39.2136 |
步骤13.用深度AC算法解决上述MDP问题，初始化Actor部分的权重向量θ和学习率αa,t且使αa,t＞0；初始化Critic部分的权重向量ω和学习率αc,t且使αc,t＞0；
步骤14.将Actor部分的输入设为状态s，输出设为动作a，动作概率分布函数描绘在当前状态下各个动作的概率值，选择一个最大概率值的动作，在当前状态下执行该动作就可以得到这个动作的立即奖励值，状态从当前状态转换到下一状态；
步骤15.Critic部分通过神经网络进行函数逼近，通过权重向量ω对状态-动作值函数Qπ(s,a)进行参数化，采用ReLU作为非线性激活函数，将状态作为神经元的输入，映射到输出端得到Qω(s,a)，作为Qπ(s,a)的函数逼近值；
步骤16.Critic部分用步骤14得到的立即奖励值和步骤15的结果得到时间差分误差；
步骤17.根据步骤16的结果，Critic部分更新权重向量ω；
步骤18.将步骤16的结果反馈给Actor部分，指导Actor部分更新权重向量θ和动作概率分布函数,重复步骤14-18直到动作概率分布函数稳定。
如图2所示,网络场景用python仿真器进行仿真。当带宽资源固定时，随着车辆数的增加，接收视频质量的变化如图2所示。当车辆用户的数量从15增加45时，大部分车辆都能接收到SVC最高层质量的视频，而当车辆用户的数量从45增加75时，能接收到SVC最高层视频的车辆用户数量在减少，接收到SVC中间层视频的车辆用户在增加。
如图3所示,将本发明采用的深度AC算法与策略梯度算法PG和深度Q-learning算法DQN的进行对比仿真，实验结果如图3所示。从图3可知，深度AC算法学习效率更高、收敛速度更快。当仿真参数设置为3个RSU和3个车辆用户时，深度AC算法只需100个回合左右就达到收敛，比PG算法节省了500个回合的时间，比DQN算法节省600个回合的时间。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点,对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (2)
1.一种车联网中SVC视频的传输方法，其特征在于：包括以下步骤：
步骤1.将车联网SVC视频传输的动态系统建模为马尔科夫决策过程MDP＜S,A,P,r＞；
其中S表示状态空间，A表示动作空间，P表示状态转移概率函数，r表示回报函数；
所述状态空间S包括四部分：
1)下行链路的信干噪比ηu(t)；
2)可用的无线频谱资源状态信息
3)SVC视频存储状态信息eu；
4)SVC视频的内容流行度ρu；
所述动作空间A包括三部分：
1)SVC视频层数选择；
2)无线频谱资源块的分配数量；
3)选择哪个路边单元RSU为用户服务；
所述回报函数其中Ψu是SVC视频质量函数，Du是时延函数，U是车辆用户的个数，α是SVC视频质量的奖励系数且α＞0，单位为元，β是时延的惩罚系数且β＞0，单位为元/秒；
步骤2.检测导频信号来获取下行链路的信道增益，建立城市道路场景的路径损耗数学模型，将获取的信道增益代入路径损耗模型中，得到下行链路的信干噪比ηu(t)；
步骤3.将每个路边单元RSU中无线资源频谱均分成K块，每一块带宽为Z赫兹，采集可用的无线频谱资源状态信息记为第k块频谱资源被RSU分配与否的标志，当时，路边单元RSU将第k块频谱资源分配给第u个车辆用户；
步骤4.将步骤2和3采集的信干噪比ηu(t)和可用的无线频谱资源状态信息代入得到传输速率vu(t)；
步骤5.将SVC视频服务器端提供的原始SVC视频以SVC技术编码为L0,L1,L2,L3,L4五层，其中，L0为基础层，L1,L2L3L4为增强层；SVC视频遵循H.264/SVC标准，使用软件JSVM获得可伸缩SVC视频流每层的源速率，用源速率乘以播放时间0.5秒，得到各层SVC视频的数据量大小
步骤6.将步骤4和5的得到的vu(t)和代入式子得出SVC视频从路边单元RSU到车辆用户的传输时间Tp；
步骤7.采集SVC视频存储状态信息eu，记为请求SVC视频内容被路边单元RSU存储与否的标志；
步骤8.用Zipf分布来模拟SVC视频的流行度ρu，ρu∈[0,1]，采集得到SVC视频的内容流行度信息ρu；
步骤9.将步骤7和8采集的SVC视频存储状态信息eu和内容流行度信息ρu代入式子Tb＝(1-eu)(1-ρu)Tr，得到当eu＝0时SVC视频从SVC服务器端传送到路边单元RSU的时间，其中Tr是常数系数；
步骤10.将步骤5中车辆用户接收到的SVC视频划分成若干小段进行播放和传输，每一段的播放时间长度Ts＝0.5秒，当播放一小段SVC视频的同时传输下一小段SVC视频流；将步骤6得到的SVC视频从路边单元RSU到车辆用户的传输时间Tp和步骤9得到的当eu＝0时SVC视频从SVC服务器端传送到路边单元RSU的时间Tb，代入式子得到传输一小段SVC视频所需的总时间Tu；
步骤11.将步骤10得到的传输一小段SVC视频所需的总时间Tu，代入式子Du＝Tu-Ts，得到步骤1回报函数中的时延函数Du；
步骤12.设各个SVC视频流不同的层解码所对应的峰值信噪比PSNR已知，用峰值信噪比PSNR来衡量接收SVC视频质量并构建步骤1回报函数中的SVC视频质量函数，
其中表示车辆用户接收到SVC视频的峰值信噪比PSNR值，PSNR(L4)是最高层SVC视频的峰值信噪比PSNR值；至此完成MDP问题的建模和采样工作；
步骤13.用深度AC算法解决上述MDP问题，初始化Actor部分的权重向量θ和学习率αa,t且使αa,t＞0；初始化Critic部分的权重向量ω和学习率αc,t且使αc,t＞0；
步骤14.将Actor部分的输入设为状态s，输出设为动作a，动作概率分布函数描绘在当前状态下各个动作的概率值，选择一个最大概率值的动作，在当前状态下执行该动作就可以得到这个动作的立即奖励值，状态从当前状态转换到下一状态；
步骤15.Critic部分通过神经网络进行函数逼近，通过权重向量ω对状态-动作值函数Qπ(s,a)进行参数化，采用ReLU作为非线性激活函数，将状态作为神经元的输入，映射到输出端得到Qω(s,a)，作为Qπ(s,a)的函数逼近值；
步骤16.Critic部分用步骤14得到的立即奖励值和步骤15的结果得到时间差分误差；
步骤17.根据步骤16的结果，Critic部分更新权重向量ω；
步骤18.将步骤16的结果反馈给Actor部分，指导Actor部分更新权重向量θ和动作概率分布函数,重复步骤14-18直到动作概率分布函数稳定。
2.根据权利要求1所述的一种车联网中SVC视频的传输方法，其特征在于：所述步骤7中采集的SVC视频存储状态信息eu，当eu＝1，请求的SVC视频内容已经缓存在路边单元RSU中，能够直接由路边单元RSU发送给车辆用户；当eu＝0，请求的SVC视频内容没有缓存在路边单元RSU上，必须先从SVC视频服务器发送到路边单元RSU，再发送给车辆用户，从而得到SVC视频存储状态信息eu。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910652495.9A CN110418143B (zh) | 2019-07-19 | 2019-07-19 | 一种车联网中svc视频的传输方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910652495.9A CN110418143B (zh) | 2019-07-19 | 2019-07-19 | 一种车联网中svc视频的传输方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110418143A true CN110418143A (zh) | 2019-11-05 |
| CN110418143B CN110418143B (zh) | 2021-05-14 |
Family
ID=68362001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910652495.9A Active CN110418143B (zh) | 2019-07-19 | 2019-07-19 | 一种车联网中svc视频的传输方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110418143B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111372096A (zh) * | 2020-03-12 | 2020-07-03 | 重庆邮电大学 | 一种基于d2d辅助的视频质量自适应缓存方法和设备 |
| CN111432270A (zh) * | 2020-03-09 | 2020-07-17 | 重庆邮电大学 | 一种基于分层缓存的实时业务时延优化方法 |
| CN113905353A (zh) * | 2021-12-09 | 2022-01-07 | 交通运输部公路科学研究所 | 一种车载无线网络视频数据资源配置与调度方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101742305A (zh) * | 2009-12-09 | 2010-06-16 | 哈尔滨商业大学 | 基于马尔科夫链模型的可伸缩性视频编解码系统运动估计方法 |
| US20120106598A1 (en) * | 2010-11-01 | 2012-05-03 | Electronics And Telecommunications Research Institute | Signal processing method for terrestrial repeater |
| CN103313054A (zh) * | 2013-05-22 | 2013-09-18 | 中国科学院声学研究所 | 可伸缩视频编码svc视频的传输调度方法 |
| US20140019593A1 (en) * | 2012-07-10 | 2014-01-16 | Vid Scale, Inc. | Quality-driven streaming |
| CN104507051A (zh) * | 2014-12-16 | 2015-04-08 | 大连理工大学 | Vaent中面向消息广播的mac层改进方法 |
| CN105359528A (zh) * | 2013-07-15 | 2016-02-24 | 高通股份有限公司 | 用于视频信息的可缩放译码的装置和方法 |
| CN105792310A (zh) * | 2016-03-04 | 2016-07-20 | 哈尔滨工业大学深圳研究生院 | 一种基于lte车联网的中继选择算法 |
-
2019
- 2019-07-19 CN CN201910652495.9A patent/CN110418143B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101742305A (zh) * | 2009-12-09 | 2010-06-16 | 哈尔滨商业大学 | 基于马尔科夫链模型的可伸缩性视频编解码系统运动估计方法 |
| US20120106598A1 (en) * | 2010-11-01 | 2012-05-03 | Electronics And Telecommunications Research Institute | Signal processing method for terrestrial repeater |
| US20140019593A1 (en) * | 2012-07-10 | 2014-01-16 | Vid Scale, Inc. | Quality-driven streaming |
| CN103313054A (zh) * | 2013-05-22 | 2013-09-18 | 中国科学院声学研究所 | 可伸缩视频编码svc视频的传输调度方法 |
| CN105359528A (zh) * | 2013-07-15 | 2016-02-24 | 高通股份有限公司 | 用于视频信息的可缩放译码的装置和方法 |
| CN104507051A (zh) * | 2014-12-16 | 2015-04-08 | 大连理工大学 | Vaent中面向消息广播的mac层改进方法 |
| CN105792310A (zh) * | 2016-03-04 | 2016-07-20 | 哈尔滨工业大学深圳研究生院 | 一种基于lte车联网的中继选择算法 |
Non-Patent Citations (1)
| Title |
|---|
| 蒋宇浩: ""可伸缩视频编码在移动互联网中的应用与实现"", 《微电子学与计算机》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111432270A (zh) * | 2020-03-09 | 2020-07-17 | 重庆邮电大学 | 一种基于分层缓存的实时业务时延优化方法 |
| CN111432270B (zh) * | 2020-03-09 | 2022-03-11 | 重庆邮电大学 | 一种基于分层缓存的实时业务时延优化方法 |
| CN111372096A (zh) * | 2020-03-12 | 2020-07-03 | 重庆邮电大学 | 一种基于d2d辅助的视频质量自适应缓存方法和设备 |
| CN111372096B (zh) * | 2020-03-12 | 2022-02-18 | 重庆邮电大学 | 一种基于d2d辅助的视频质量自适应缓存方法和设备 |
| CN113905353A (zh) * | 2021-12-09 | 2022-01-07 | 交通运输部公路科学研究所 | 一种车载无线网络视频数据资源配置与调度方法及系统 |
| CN113905353B (zh) * | 2021-12-09 | 2022-02-25 | 交通运输部公路科学研究所 | 一种车载无线网络视频数据资源配置与调度方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110418143B (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110312231B (zh) | 车联网中基于mec的内容缓存决策和资源分配优化方法 | |
| CN110418143A (zh) | 一种车联网中svc视频的传输方法 | |
| CN112995951B (zh) | 一种采用深度确定性策略梯度算法的5g车联网v2v资源分配方法 | |
| CN109068391B (zh) | 基于边缘计算和Actor-Critic算法的车联网通信优化算法 | |
| CN102104538B (zh) | 一种映射参数动态自适应的无线流媒体传输控制方法 | |
| CN114116047B (zh) | 一种基于强化学习的车载计算密集型应用的v2i卸载方法 | |
| CN113163451A (zh) | 一种基于深度强化学习的d2d通信网络切片分配方法 | |
| CN105187849A (zh) | 一种基于d2d和蜂窝网络的可伸缩视频多播资源分配的方法 | |
| CN106230550B (zh) | 车联网环境下具有缓存能力的编码传输方法 | |
| CN109819422B (zh) | 一种基于Stackelberg博弈的异构车联网多模通信方法 | |
| CN114885426A (zh) | 一种基于联邦学习和深度q网络的5g车联网资源分配方法 | |
| CN115629873A (zh) | 车路云协同任务卸载与任务队列稳定性控制系统和方法 | |
| CN113015105A (zh) | 空天地一体化网络的编码缓存内容放置与资源联合优化方法 | |
| CN114885420A (zh) | 一种noma-mec系统中的用户分组和资源分配方法及装置 | |
| CN115297171A (zh) | 一种蜂窝车联网分级决策的边缘计算卸载方法及系统 | |
| CN107949007A (zh) | 无线缓存系统中基于拍卖理论的一种资源分配算法 | |
| CN114650567A (zh) | 一种无人机辅助v2i网络任务卸载方法 | |
| CN107302801A (zh) | 一种5G混合场景下面向QoE的双层匹配博弈方法 | |
| Momeni et al. | Availability evaluations for IPTV in VANETs with different types of access networks | |
| CN107911404A (zh) | 一种车联网云大文件压缩下载方法 | |
| CN103812629B (zh) | 一种高铁车载基站通信架构下的资源分配方法 | |
| CN104868985B (zh) | 基于比例公平的认知ofdm网络中的资源分配方法 | |
| CN111510882B (zh) | 基于用户体验质量的车联网频谱资源分配方法及系统 | |
| CN115103368A (zh) | 一种基于内容感知的移动基站轨迹规划方法 | |
| CN103796293B (zh) | 一种高铁通信架构下的功率分配方法 |
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 |