CN111405327A - 网络带宽预测模型训练方法、视频数据播放方法及装置 - Google Patents
网络带宽预测模型训练方法、视频数据播放方法及装置 Download PDFInfo
- Publication number
- CN111405327A CN111405327A CN202010261315.7A CN202010261315A CN111405327A CN 111405327 A CN111405327 A CN 111405327A CN 202010261315 A CN202010261315 A CN 202010261315A CN 111405327 A CN111405327 A CN 111405327A
- Authority
- CN
- China
- Prior art keywords
- data
- network bandwidth
- characteristic data
- video data
- 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 75
- 238000012549 training Methods 0.000 title claims abstract description 61
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
- H04N21/25—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
- H04N21/262—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists
- H04N21/26208—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists the scheduling operation being performed under constraints
- H04N21/26216—Content or additional data distribution scheduling, e.g. sending additional data at off-peak times, updating software modules, calculating the carousel transmission frequency, delaying a video stream transmission, generating play-lists the scheduling operation being performed under constraints involving the channel capacity, e.g. network bandwidth
-
- 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
- H04N21/442—Monitoring of processes or resources, e.g. detecting the failure of a recording device, monitoring the downstream bandwidth, the number of times a movie has been viewed, the storage space available from the internal hard disk
- H04N21/44209—Monitoring of downstream path of the transmission network originating from a server, e.g. bandwidth variations of a wireless network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例公开了一种网络带宽预测模型训练方法、视频数据播放方法及装置,网络带宽预测模型训练方法包括:获取多个用户播放历史视频数据时的播放特征数据和网络连接特征数据;获取每个用户播放视频数据时的实际网络带宽值;采用所述播放特征数据、所述网络连接特征数据以及所述实际网络带宽值训练网络带宽预测模型。本发明实施例解决了仅通过历史网络带宽和下载时间预测网络带宽造成网络带宽预测不准确的问题,提高了网络带宽预测模型在实际应用中对网络带宽的预测准确率,进而能够根据预测的带宽选择合适播放码率的视频数据,提升了用户视频观看体验。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种网络带宽预测模型训练方法、网络带宽预测模型训练装置、视频数据播放方法、视频数据播放装置、电子设备和存储介质。
背景技术
近年来,随着网络技术的不断发展,流媒体视频观看已经成为人们日常娱乐生活中不可或缺的一部分,然而,在播放视频时视频的清晰度、视频下载时间和视频播放卡顿率都与视频码率息息相关,如何准确进行带宽预测已成为视频码率选择中一个较为棘手的问题。
现有的短视频带宽预测模型主要依赖于历史视频传输时的网络带宽和下载时间,通过计算网络带宽和下载时间的指数移动平均值或调和平均值,将得到结果作为下一个视频文件传输时的带宽预测值。
但是,该模型的结构过于简单,预测值仅是历史数据的平均,当网络变化剧烈抖动时,以平均值作为带宽预测值往往非常不准确,导致选择的视频码率与网络实际情况差距很大;并且由于该模型仅将历史视频传输时的网络带宽和下载时间作为输入值,模型特征有限,无法利用更多维度信息得到更为准确的预测结果,因此在实际应用中存在带宽预测准确率较低,使得客户端难以选择合适的码率,影响用户视频观看体验。
发明内容
本发明实施例提供一种网络带宽预测模型训练方法、网络带宽预测模型训练装置、视频数据播放方法、视频数据播放装置、电子设备和存储介质,以解决现有技术中视频带宽预测模型特征有限,无法准确预测网络带宽的问题。
第一方面,本发明实施例提供了一种网络带宽预测模型训练方法,包括:
获取多个用户播放历史视频数据时的播放特征数据和网络连接特征数据;
获取每个用户播放视频数据时的实际网络带宽值;
采用所述播放特征数据、所述网络连接特征数据以及所述实际网络带宽值训练网络带宽预测模型。
第二方面,本发明实施例提供了一种视频数据播放方法,包括:
在接收到用户通过客户端发送的视频数据播放请求时,获取所述用户播放历史视频数据时的播放特征数据和网络连接特征数据;
将所述播放特征数据和网络连接特征数据输入预先训练的网络带宽预测模型中预测所述用户的网络带宽值;
基于所述视频数据播放请求确定目标视频数据;
根据所述网络带宽值选择所述目标视频数据的播放码率;
将已编码的具有所述播放码率的所述目标视频数据发送至所述客户端,所述客户端用于以所述播放码率播放所述目标视频数据;
其中,所述网络带宽预测模型通过本发明任一实施例所述的网络带宽模型训练方法所训练。
第三方面,本发明实施例提供了一种网络带宽预测模型训练装置,包括:
历史数据获取模块,用于获取多个用户播放历史视频数据时的播放特征数据和网络连接特征数据;
网络带宽值获取模块,用于获取每个用户播放视频数据时的实际网络带宽值;
模型训练模块,用于采用所述播放特征数据、所述网络连接特征数据以及所述实际网络带宽值训练网络带宽预测模型。
第四方面,本发明实施例提供了一种视频数据播放装置,包括:
用户历史数据获取模块,用于在接收到用户通过客户端发送的视频数据播放请求时,获取所述用户播放历史视频数据时的播放特征数据和网络连接特征数据;
网络带宽值预测模块,用于将所述播放特征数据和网络连接特征数据输入预先训练的网络带宽预测模型中预测所述用户的网络带宽值;
目标视频数据确定模块,用于基于所述视频数据播放请求确定目标视频数据;
播放码率确定模块,用于根据所述网络带宽值选择所述目标视频数据的播放码率;
发送模块,用于将已编码的具有所述播放码率的所述目标视频数据发送至所述客户端,所述客户端用于以所述播放码率播放所述目标视频数据;
其中,所述网络带宽预测模型通过本发明任一实施例所述的网络带宽模型训练方法所训练。
第五方面,本发明实施例提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任一实施例所述的网络带宽预测模型训练方法和/或视频数据播放方法。
第六方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任一实施例所述的网络带宽预测模型训练方法和/或视频数据播放方法。
本发明实施例通过获取多个用户播放历史视频数据时的播放特征数据和网络连接特征数据,同时获取每个用户播放视频数据时的实际网络带宽值;进而可以采用播放特征数据、网络连接特征数据以及实际网络带宽值来训练网络带宽预测模型。本发明实施例通过用户的播放历史视频数据时的播放特征数据和网络连接特征数据,以及每个用户播放视频数据时的实际网络带宽值来训练网络带宽预测模型,由于播放特征数据和网络连接特征数据可以包含多个维度的特征值,解决了仅通过历史网络带宽和下载时间预测网络带宽造成网络带宽预测不准确的问题,提高了网络带宽预测模型在实际应用中对网络带宽的预测准确率,进而能够根据预测的带宽选择合适播放码率的视频数据,提升了用户视频观看体验。
附图说明
图1是本发明实施例一提供的一种网络带宽预测模型训练方法的步骤流程图;
图2是本发明实施例二提供的一种网络带宽预测模型训练方法的步骤流程图;
图3是本发明实施例三提供的一种视频数据播放方法的步骤流程图;
图4是本发明实施例四提供的一种网络带宽预测模型训练装置的结构框图;
图5是本发明实施例五提供的一种视频数据播放装置的结构框图;
图6是本发明实施例六提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互结合。
实施例一
图1为本发明实施例一提供的一种网络带宽预测模型训练方法的步骤流程图,本发明实施例可适用于训练网络带宽预测模型来预测网络带宽的情况,该方法可以由本发明实施的网络带宽预测模型训练装置来执行,该网络带宽预测模型训练装置可以由硬件或软件来实现,并集成在本发明实施例所提供的电子设备中,具体地,如图1所示,本发明实施例的网络带宽预测模型训练方法可以包括如下步骤:
S101、获取多个用户播放历史视频数据时的播放特征数据和网络连接特征数据。
在本发明实施例中,历史视频数据可以是同一视频平台上的短视频数据,例如,历史视频数据可以是用户在同一直播平台或者同一短视频平台等播放过的预设数量的短视频数据,当然历史视频数据还可以是用户在同一视频播放平台上播放过的长影片数据。其中,历史视频数据可为RM、RMVB、AVI、FLV、MP4等多种格式的视频数据,本发明实施例对历史视频数据的长度、来源及视频格式均不加以限制。
播放特征数据可理解为应用层(如短视频客户端)播放视频数据时的网络特征数据,例如播放特征数据可理解为视频播放客户端接收到的短视频数据的文件大小、接收短视频数据的传输时间和下载速度等。其中,视频文件大小可理解为经编码压缩后的视频文件的大小,需要明确的是,视频文件的大小会受到视频时长、画面码率、音轨码率等影响,可理解为视频文件大小=(视频码率+音轨码率)*视频时长;传输时间可理解为从客户端发出视频观看请求信号到接收到所请求视频的全部数据所用的时间;下载速度可理解为客户端接收视频数据的传输速度。在实际应用中,获取的多个用户播放历史视频数据时的播放特征数据可为上述播放特征数据中的一种或几种,本发明实施例对此不加以限制。
网络连接特征数据可以是传输层的网络特征数据,示例性地,在Linux系统中,网络连接特征数据可以是Linux系统中传输控制协议(Transmission Control Protocol,TCP)内核统计得到的TCP连接数据,该TCP连接数据可包括发送速率、丢失且未恢复的数据段数、未确认的数据段数、重传且未确认的数据段数、平滑的RTT、拥塞窗口、最小RTT、RTT方差等。其中,获取的多个用户播放历史视频数据的网络连接特征数据可为上述网络连接特征数据中的一种或几种,本发明实施例对此不加以限制。
其中,发送速率可理解为由主机或路由器向数字信道上发送数据的速度;丢失且未恢复的数据段数可理解为丢失且未重新发送的数据包数量;未确认的数据段数可理解为发送未收到确认字符(Acknowledge Character,ACK)的数据包数量;重传且未确认的数据段数可理解为进行重传且未收到ACK的数据包数量;RTT(Round-Trip Time,来回通信时延)可理解为数据从网络一端传送至另一端所需要的时间,通常由发送时延、传播时延、排队时延和处理时延四部分组成,其中,平滑的RTT可理解为为了去除RTT样本的随机抖动而利用加权算法对RTT样本进行平滑后的RTT值;拥塞窗口可理解为一个装在发送端的可滑动窗口。
示例性的,本实施例可应用于短视频平台场景下,当短视频客户端请求播放短视频时,短视频客户端向服务器发送请求信息,服务器响应该请求并根据客户端接入网络的网络带宽选择适当码率的已编码好的短视频,并将该短视频发送至客户端,客户端对短视频解码并以适合码率进行播放,在该过程中可对每个传输视频的播放特征数据和网络连接特征数据进行记录并对应进行存储,当网络带宽预测模型训练需要数据时,可对应获取每个用户播放的每个历史视频数据时的播放特征数据和网络连接特征数据。
S102、获取每个用户播放视频数据时的实际网络带宽值。
在本发明实施例中,实际网络带宽值可理解为用户播放视频时测量得到的网络带宽,其中,该实际网络带宽值也可理解为单位时间内应答的数据个数,即相当于应答的数据链各应答数据所需时间的比值。
当短视频客户端进行视频播放时,实时获取播放该视频时的实际网络带宽值,并将实际网络带宽值与播放的视频进行一一对应的记录和存储,当网络带宽预测模型训练需要数据时,可对应获取每个用户播放的每个历史视频数据对应的实际网络带宽值。
S103、采用所述播放特征数据、所述网络连接特征数据以及所述实际网络带宽值训练网络带宽预测模型。
在本发明实施例中,可将获取的各播放的历史视频数据时的播放特征数据、网络连接特征数据以及实际网络带宽值作为训练数据,采用该训练数据对模型进行训练,具体地,以播放特征数据、网络连接特征数据作为模型训练的输入数据来获得预测网络带宽值,通过该预测网络带宽值和实际网络带宽值来计算损失率以调整模型,对模型进行迭代,停止迭代后的模型即为网络带宽预测模型。其中,模型可理解为各种神经网络模型,优选的,可采用深度神经网络模型(Deep Neural Network,DNN),该网络带宽预测模型可以部署在服务器上,当服务器接收到客户端的视频数据播放请求时,网络带宽预测模型对该客户端所接入网络的网络带宽进行预测,以使服务器根据预测的网络带宽选择合适播放码率的视频数据发送至客户端。
本发明实施例通过获取多个用户播放历史视频数据时的播放特征数据和网络连接特征数据,同时获取每个用户播放视频数据时的实际网络带宽值;进而可以采用播放特征数据、网络连接特征数据以及实际网络带宽值来训练网络带宽预测模型。本发明实施例通过用户的播放历史视频数据时的播放特征数据和网络连接特征数据,以及每个用户播放视频数据时的实际网络带宽值来训练网络带宽预测模型,由于播放特征数据和网络连接特征数据可以包含多个维度的特征值,解决了仅通过历史网络带宽和下载时间预测网络带宽造成网络带宽预测不准确的问题,提高了网络带宽预测模型在实际应用中对网络带宽的预测准确率,进而能够根据预测的带宽选择合适播放码率的视频数据,提升了用户视频观看体验。
实施例二
图2为本发明实施例二提供的一种网络带宽预测模型训练方法的步骤流程图,本发明实施例在前述实施例一的基础上进行优化,具体地,如图2所示,本发明实施例的网络带宽预测模型训练方法可以包括如下步骤:
S201、获取每个用户的历史视频数据序列,所述历史视频数据序列按照所述用户播放历史视频数据的时间所生成。
在本发明实施例中,当服务器接收到用户通过客户端发送的视频播放请求时,服务器对该请求进行响应将视频数据发送至客户端,并生成用户日志,其中,该用户日志记录了用户播放的视频数据和视频数据的播放时间等,通过分析用户的用户日志,可以得到每个用户按照播放历史视频数据的时间生成的历史视频数据序列。
示例性的,当用户A从当前时刻前一天至当前时刻依次在同一短视频播放网站上观看了短视频1、短视频2和短视频3,则当需要获取用户A的历史视频数据序列时,按照播放顺序与当前时刻的先后顺序,服务器得到用户A的历史视频数据序列为:短视频3、短视频2、短视频1。可以理解的是,每个历史视频数据进行播放时均可产生对应的播放特征数据和网络连接特征数据。
S202、基于预设滑动窗口从所述历史视频数据序列中确定出多个目标历史视频数据。
在本发明实施例中,滑动窗口可理解为用于从历史视频数据序列中选取用于网络带宽预测模型训练的多个历史视频数据的选取机制,根据窗口大小的不同可以获取不同个数的历史视频数据,其中,滑动窗口的大小可以由服务器遵循默认规则设置。例如,当滑动窗口大小为8个视频时,即获取历史视频数据序列中当前时刻往前的8个视频的视频数据作为目标历史视频数据,当用户的历史视频数据不足8个时,将现有的历史视频数据重复添加到滑动窗口中,例如,将播放最早的历史视频数据重复添加到滑动窗口中,使得滑动窗口中的历史视频数据为8个。
S203、获取所述用户播放所述目标历史视频数据时的播放特征数据和网络连接特征数据。
在本发明实施例中,当确定目标历史视频数据后,获取每个目标历史视频数据的数据大小、传输时间和下载速度的中的至少一项作为该目标历史视频数据的播放特征数据,获取每个目标历史视频数据播放时的发送速率、丢失且未恢复的数据段数、未确认的数据段数、重传且未确认的数据段数、平滑的RTT、拥塞窗口、最小RTT、RTT方差中的至少一项作为该目标历史视频数据的网络连接特征数据。可选地,可以通过对用户日志进行分析,从用户日志中获得播放目标历史视频数据时的播放特征数据和网络连接特征数据,当然,还可以通过数据埋点等方式获取播放特征数据和网络连接特征数据,本发明实施例对获取播放特征数据和网络连接特征数据的方式不加以限制。
S204、获取每个用户播放视频数据时的实际网络带宽值。
S205、分别对所述播放特征数据和所述网络连接特征数据进行标准化处理,获得标准化处理后的播放特征数据和网络连接特征数据。
在本发明实施例中,播放特征数据和网络连接特征数据均包括多个维度的数据,若直接使用原始值进行分析,会突出数值较高的维度数据在整体综合分析中的作用,而对数值较低的维度的作用进行削弱,为保证结果准确性,则需对播放特征数据和网络连接特征数据进行标准化处理。其中,标准化处理方法可包括:直线型方法(如极值法、标准差法等)、折线形方法(如三折线法)和曲线型方法(如半正态性分布法)等。
在本发明实施例中以标准差法为例,首先计算每个维度的播放特征数据的均值和标准差,然后采用均值和标准差对每个维度的播放特征数据进行标准化处理得到每个维度的标准化处理后的播放特征数据;同时计算每个维度的所有网络连接特征数据的均值和标准差,然后采用上述均值和标准差对每个维度的网络连接特征数据进行标准化处理得到每个维度的标准化处理后的网络连接特征数据。具体的,标准差标准化方法的数学表达式如下:
其中,x为一个特征维度下的数据,x*为处理后符合标准正态分布的该维度下数据,μ为该维度所有样本数据的均值,σ为该维度所有样本数据的标准差。
示例性的,获取的视频数据来自于多个用户,其中,从用户A处获取A1-A8共8个历史视频数据,每个历史视频数据播放时均包含多个维度的数据,同理可从用户B处获取B1-B5共5个历史视频数据,从用户C处获取C1-C3共3个历史视频数据。其中,从用户A、B和C处获取的历史视频数据在进行播放时所具有的维度相同,此时计算的均值为每个维度下所有用户的所有视频在该维度下数据的均值,标准差为每个维度下所有用户的所有视频在该维度下数据的均方差,通过标准差标准对各个维度的数据进行标准化后,可以提高数据的准确度,从而提高训练得到的模型的鲁棒性和网络带宽预测的准确度。
S206、采用每个用户的标准化处理后的播放特征数据、网络连接特征数据以及所述用户的实际网络带宽值训练网络带宽预测模型。
具体的,可以随机提取多个用户的标准化处理后的播放特征数据和网络连接特征数据输入初始化模型参数后的网络带宽预测模型中,得到多个用户的网络带宽预测值,采用所述网络带宽预测值和所述实际网络带宽值来计算损失率,如果所述损失率未满足预设条件,则采用所述损失率计算梯度,采用所述梯度调整模型参数,返回随机提取多个用户的标准化处理后的播放特征数据和网络连接特征数据输入初始化模型参数后的网络带宽预测模型中的步骤,直到所述损失率满足预设条件。
在本发明的一个示例中,可以构建深度学习网络作为模型,例如初始化包含4个全连接层的DNN模型,其每层神经元个数分别为64,64,21,1。在每轮迭代训练时向DNN模型输入标准化后的播放特征数据和网络连接特征数据,DNN模型输出每一个用户的网络带宽预测值,获取每一个用户对应的实际网络带宽值,然后通过计算每个用户的网络带宽预测值和实际网络带宽值的差值的绝对值得到多个绝对值,最后通过计算多个绝对值的均值作为损失率。具体的,损失率计算公式的数学表达式如下:
如果损失率未满足预设条件,例如,损失率大于预设阈值,则采用该损失率计算梯度,采用该梯度对模型的每层参数进行调整,并返回随机提取多个用户的标准化处理后的播放特征数据和网络连接特征数据输入初始化模型参数后的网络带宽预测模型中的步骤,继续对调整模型参数后的网络带宽预测模型进行迭代指导损失率满足预设条件为止。
当然,在实际应用中还可以通过CNN、RNN等其他神经网络,或者SVM训练模块,在训练模型过程中还可以采用其他损失函数和梯度算法训练得到网络带宽预测模型,本发明实施例对训练网络带宽预测模型的方法不加以限制。
S207、在检测到模型重训练事件时,重训练所述网络带宽预测模型。
在本发明实施例中,模型重训练事件可理解为再次训练网络带宽预测模型的条件,该条件可包括时间条件,例如,距离上一次模型重训练时间达到一个月时,利用上一次模型重训练至当前时刻间获取的新数据对模型进行重训练。其中,重训练可理解为返回执行S201-S206的步骤对网络带宽预测模型进行训练。当然,重训练事件还可以是检测到网络带宽预设模型的预测准确率明显下降等,本发明实施例对模型重训练事件不加以限制。
本发明实施例获取每个用户的历史视频数据序列,并基于预设滑动窗口从历史视频数据序列中确定多个目标历史视频数据以获取对应的播放特征数据和网络连接特征数据,分别对播放特征数据和网络连接特征数据进行标准化处理,采用标准化后的数据进行网络带宽预测模型的训练,并在检测到模型重训练事件时对网络带宽预测模型进行重训练。一方面,对数据标准化处理提高了数据选择的准确度并使得用作模型训练的数据更加规范,训练得到的网络带宽预测模型更为准确,另一方面,在检测到模型重训练事件时对模型进行重训练,对模型训练数据及时更新,能够使得重训练后的网络带宽模型与用户的网络带宽相适应,提高了模型的准确性。
实施例三
图3为本发明实施例三提供的一种视频数据播放方法的步骤流程图,本发明实施例可适用于向用户客户端发送视频数据的情况,该方法可以由本发明实施的视频数据播放装置来执行,该视频数据播放装置可以由硬件或软件来实现,并集成在本发明实施例所提供的电子设备中,具体地,如图3所示,本发明实施例的视频数据播放方法可以包括如下步骤:
S301、在接收到用户通过客户端发送的视频数据播放请求时,获取所述用户播放历史视频数据时的播放特征数据和网络连接特征数据。
本发明实施例可以在接收到用户通过客户端发送的视频数据播放请求时,在服务器中查询该用户的用户日志,并通过用户日志获取该用户播放的历史视频数据,并获取用户播放历史视频数据时的播放特征数据和网络连接特征数据。可选地可获取播放的历史视频数据的数据大小、传输时间和下载速度的中的至少一项作为该历史视频的播放特征数据,播放视频数据时的TCP数据中的数据段数、平滑的RTT、拥塞窗口、最小RTT、RTT方差中的至少一项作为该历史视频的网络连接特征数据。
在实际应用中,当客户端请求的视频数据为短视频数据时,由于短视频数据量较小,可通过一个数据包进行编码打包发送,此时服务器获取的用户播放历史视频数据可理解为用户之前观看过的其他视频数据,则可以获取用户播放其他视频数据时的播放特征数据和网络连接特征数据。
当客户端请求的是长视频数据时,由于长视频数据量较大,需要通过多个数据包进行编码打包发送,对于该长视频数据的每个数据包,用户播放历史视频数据可以是长视频数据以外的其他视频数据,还可以是已发送的长视频数据的部分数据包,则可以获取用户播放其他视频数据时的播放特征数据和网络连接特征数据,或者获取用户已播放该长视频数据的数据包的播放特征数据和网络连接特征数据,从而可以在长视频播放过程中实时对网络带宽进行实时预测,对长视频数据的码率进行动态调整。
S302、将所述播放特征数据和网络连接特征数据输入预先训练的网络带宽预测模型中预测所述用户的网络带宽值。
其中,本发明实施例的网络带宽预测模型可以通过实施例一和实施例二任一实施例所提供的网络带宽预测模型训练方法所训练,当将获取到的播放特征数据和网络连接特征数据输入网络带宽预测模型后,可获得预测的用户网络带宽值。其中,输入的播放特征数据及网络连接特征数据中的特征越多,预测的用户网络带宽值越准确。
S303、基于所述视频数据播放请求确定目标视频数据。
在实际应用中,视频数据播放请求中包含客户端所请求的视频数据的信息,视频数据的信息可以是视频数据的ID、视频数据的名称、视频数据的URL等,服务器接收到视频数据请求后,对视频数据请求进行解析来确定客户端所请求的目标视频数据。。
S304、根据所述网络带宽值选择所述目标视频数据的播放码率。
在本发明实施例中,播放码率可理解为视频数据在传输时单位时间传输的数据位数,也可理解为取样率,当单位时间内的取样率越大,精度就越高,处理出的视频文件就越接近于原始文件。基本的码率算法为:码率(kbps)=文件大小(KB)*8/时间(s)。目标视频数据由服务器发送至客户端进行播放,需经历编码和解码的过程,对于同样时长的视频文件,较高的码率意味着较小的压缩和较大的文件大小,同时意味着解码播放时分辨率更高,更接近于原始视频文件,对网络带宽的要求也越高。则根据预测得到的网络带宽值选择最接近网络实际传输速率的视频码率作为目标视频数据的播放码率。
示例性的,当预测得到的网络带宽为2Mb/s,即带宽理论速率为256KB/s,其考虑多种如用户计算机性能、网络设备质量、资源使用情况、网络高峰期、网站服务能力、线路衰耗,信号衰减后的可应用实际传输速率约为150-240KB/s。则对于一个原始文件大小为90M的5分钟短视频,其原始码率约为300KB/s,为保证播放流畅性,根据预测得到的网络带宽,可为该视频选择播放码率150KB/s,在最大程度上保证播放清晰度的同时保证了播放的流畅度。
在另一个示例中,对于一个原始文件大小为1.58G的90分钟长视频,其原始码率约为300KB/s,但由于其文件大小较大,无法在一个数据包中传输,则可将其拆分为多个数据包,并根据预测得到的网络带宽,先为第一个数据包进行播放码率的选择,并根据第一个数据包的数据信息反馈重新对网络带宽进行预测,并重新为第二个数据包进行播放码率的选择,以此类推,直到需要选择播放码率的数据包为最后一个数据包,从而实现长视频播放过程中实时动态地调整播放码率。
S305、将已编码的具有所述播放码率的所述目标视频数据发送至所述客户端,所述客户端用于以所述播放码率播放所述目标视频数据。
具体的,服务器可以预先编码各种播放码率的视频数据,在选择目标视频数据的播放码率后,可以将已编码好的指定播放码率的目标视频数据发送至用户所使用的客户端,客户端接收编码后的目标视频数据并对其进行解码,并在解码后以上述播放码率对目标视频数据进行播放。
本发明实施例预先通过用户播放历史视频数据的播放特征数据和网络连接特征数据来训练网络带宽预测模型,在接收到用户通过客户端发送的视频数据播放请求时,将用户播放历史视频数据的播放特征数据和网络连接特征数据输入预先训练的网络带宽预测模型中预测用户的网络带宽值,根据预测的网络带宽值选择目标视频数据的播放码率,以在客户端以播放码率进行播放。本发明实施例的网络带宽预测模型采用包含多个维度数据的播放特征数据和网络连接特征数据来训练,网络带宽预测模型对网络带宽的预测准确率高,进而能够根据预测的带宽选择合适的码率来播放视频数据,避免了采用不恰当播放码率造成的视频播放卡顿或清晰度过低的问题,既提升了用户视频观看体验,又能够保证播放效果的同时最大限度对网络带宽进行利用,避免了网络带宽的浪费
实施例四
图4是本发明实施例四提供的一种网络带宽预测模型训练装置的结构框图,如图4所示,本发明实施例的网络带宽预测模型训练装置具体可以包括如下模块:
历史数据获取模块401,用于获取多个用户播放历史视频数据时的播放特征数据和网络连接特征数据;
网络带宽值获取模块402,用于获取每个用户播放视频数据时的实际网络带宽值;
模型训练模块403,用于采用所述播放特征数据、所述网络连接特征数据以及所述实际网络带宽值训练网络带宽预测模型。
本发明实施例所提供的网络带宽预测模型训练装置可执行本发明实施例一、实施例二所提供的网络带宽预测模型训练方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5是本发明实施例五提供的一种视频数据播放装置的结构框图,如图5所示,本发明实施例的视频数据播放装置具体可以包括如下模块:
用户历史数据获取模块501,用于在接收到用户通过客户端发送的视频数据播放请求时,获取所述用户播放历史视频数据的播放特征数据和网络连接特征数据;
网络带宽值预测模块502,用于将所述播放特征数据和网络连接特征数据输入预先训练的网络带宽预测模型中预测所述用户的网络带宽值;
目标视频数据确定模块503,用于基于所述视频数据播放请求确定目标视频数据;
播放码率确定模块504,用于根据所述网络带宽值选择所述目标视频数据的播放码率;
发送模块505,用于将已编码的具有所述播放码率的所述目标视频数据发送至所述客户端,所述客户端用于以所述播放码率播放所述目标视频数据。
本发明实施例所提供的视频数据播放装置可执行本发明实施例三所提供的视频数据播放方法,具备执行方法相应的功能模块和有益效果。
实施例六
参照图6,示出了本发明一个示例中的一种电子设备的结构示意图。如图6所示,该电子设备具体可以包括:处理器601、存储器602、具有触摸功能的显示屏603、输入装置604、输出装置605以及通信装置606。该电子设备中处理器601的数量可以是一个或者多个,图6中以一个处理器601为例。该电子设备的处理器601、存储器602、显示屏603、输入装置604、输出装置605以及通信装置606可以通过总线或者其他方式连接,图6中以通过总线连接为例。所述电子设备用于执行本发明任一实施例提供的网络带宽预测模型训练方法和/或视频数据播放方法。
本发明实施例还提供一种计算机可读存储介质,所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如本发明任一实施例所述的网络带宽预测模型训练方法和/或视频数据播放方法。
需要说明的是,对于装置、系统、设备、存储介质实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (15)
1.一种网络带宽预测模型训练方法,其特征在于,包括:
获取多个用户播放历史视频数据时的播放特征数据和网络连接特征数据;
获取每个用户播放视频数据时的实际网络带宽值;
采用所述播放特征数据、所述网络连接特征数据以及所述实际网络带宽值训练网络带宽预测模型。
2.根据权利要求1所述的方法,其特征在于,所述获取多个用户播放历史视频数据时的播放特征数据和网络连接特征数据,包括:
获取每个用户的历史视频数据序列,所述历史视频数据序列按照所述用户播放历史视频数据的时间所生成;
基于预设滑动窗口从所述历史视频数据序列中确定出多个目标历史视频数据;
获取所述用户播放所述目标历史视频数据时的播放特征数据和网络连接特征数据。
3.根据权利要求2所述的方法,其特征在于,所述获取所述用户播放每个目标历史视频数据时的播放特征数据和网络连接特征数据,包括:
获取所述用户播放所述目标历史视频数据时所述目标历史视频数据的数据大小、传输时间和下载速度中的至少一项作为播放特征数据;以及,
获取所述用户播放所述目标历史视频数据时的TCP连接数据作为网络连接特征数据。
4.根据权利要求3所述的方法,其特征在于,所述TCP连接数据包括发送速率、丢失且未恢复的数据段数、未确认的数据段数、重传且未确认的数据段数、平滑的RTT、拥塞窗口、最小RTT、RTT方差中的至少一项。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述采用所述播放特征数据、所述网络连接特征数据以及所述实际网络带宽值训练网络带宽预测模型,包括:
分别对所述播放特征数据和所述网络连接特征数据进行标准化处理,获得标准化处理后的播放特征数据和网络连接特征数据;
采用每个用户的标准化处理后的播放特征数据、网络连接特征数据以及所述用户的实际网络带宽值训练网络带宽预测模型。
6.根据权利要求5所述的方法,其特征在于,所述播放特征数据和所述网络连接特征数据均包括多个维度的数据,所述分别对所述播放特征数据和所述网络连接特征数据进行标准化处理,获得标准化处理后的播放特征数据和网络连接特征数据,包括:
计算每个维度的播放特征数据的均值和标准差;
采用所述均值和所述标准差对每个维度的播放特征数据进行标准化处理得到每个维度的标准化处理后的播放特征数据;
计算每个维度的所有网络连接特征数据的均值和标准差;
采用所述均值和所述标准差对每个维度的网络连接特征数据进行标准化处理得到每个维度的标准化处理后的网络连接特征数据。
7.根据权利要求5所述的方法,其特征在于,所述采用每个用户的标准化处理后的播放特征数据、网络连接特征数据以及所述用户的实际网络带宽值训练网络带宽预测模型,包括:
随机提取多个用户的标准化处理后的播放特征数据和网络连接特征数据输入初始化模型参数后的网络带宽预测模型中,得到多个用户的网络带宽预测值;
采用所述网络带宽预测值和所述实际网络带宽值来计算损失率;
如果所述损失率未满足预设条件,则采用所述损失率计算梯度;
采用所述梯度调整模型参数,返回随机提取多个用户的标准化处理后的播放特征数据和网络连接特征数据输入初始化模型参数后的网络带宽预测模型中的步骤,直到所述损失率满足预设条件。
8.根据权利要求7所述的方法,其特征在于,所述采用所述网络带宽预测值和所述实际网络带宽值来计算损失率,包括:
计算每个用户的网络带宽预测值和实际网络带宽值的差值的绝对值得到多个绝对值;
计算多个绝对值的均值作为损失率。
9.根据权利要求1-4任一项所述的方法,其特征在于,还包括:
在检测到模型重训练事件时,重训练所述网络带宽预测模型。
10.一种视频数据播放方法,其特征在于,包括:
在接收到用户通过客户端发送的视频数据播放请求时,获取所述用户播放历史视频数据时的播放特征数据和网络连接特征数据;
将所述播放特征数据和网络连接特征数据输入预先训练的网络带宽预测模型中预测所述用户的网络带宽值;
基于所述视频数据播放请求确定目标视频数据;
根据所述网络带宽值选择所述目标视频数据的播放码率;
将已编码的具有所述播放码率的目标视频数据发送至所述客户端,所述客户端用于以所述播放码率播放所述目标视频数据;
其中,所述网络带宽预测模型通过权利要求1-9任一项所述的网络带宽预测模型训练方法所训练。
11.根据权利要求10所述的方法,其特征在于,所述播放特征数据包括历史视频数据的数据大小、传输时间和下载速度中的至少一项;
所述网络连接特征数据包括发送速率、丢失且未恢复的数据段数、未确认的数据段数、重传且未确认的数据段数、平滑的RTT、拥塞窗口、最小RTT、RTT方差中的至少一项。
12.一种网络带宽预测模型训练装置,其特征在于,包括:
历史数据获取模块,用于获取多个用户播放历史视频数据时的播放特征数据和网络连接特征数据;
网络带宽值获取模块,用于获取每个用户播放视频数据时的实际网络带宽值;
模型训练模块,用于采用所述播放特征数据、所述网络连接特征数据以及所述实际网络带宽值训练网络带宽预测模型。
13.一种视频数据播放装置,其特征在于,包括:
用户历史数据获取模块,用于在接收到用户通过客户端发送的视频数据播放请求时,获取所述用户播放历史视频数据时的播放特征数据和网络连接特征数据;
网络带宽值预测模块,用于将所述播放特征数据和网络连接特征数据输入预先训练的网络带宽预测模型中预测所述用户的网络带宽值;
目标视频数据确定模块,用于基于所述视频数据播放请求确定目标视频数据;
播放码率确定模块,用于根据所述网络带宽值选择所述目标视频数据的播放码率;
发送模块,用于将已编码的具有所述播放码率的所述目标视频数据发送至所述客户端,所述客户端用于以所述播放码率播放所述目标视频数据;
其中,所述网络带宽预测模型通过权利要求1-9任一项所述的网络带宽预测模型训练方法所训练。
14.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-9中任一项所述的网络带宽预测模型训练方法和/或权利要求10-11任一项所述的视频数据播放方法。
15.一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,该程序被处理器执行时实现如权利要求1-9中任一项所述的网络带宽预测模型训练方法和/或权利要求10-11任一项所述的视频数据播放方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010261315.7A CN111405327B (zh) | 2020-04-03 | 2020-04-03 | 网络带宽预测模型训练方法、视频数据播放方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010261315.7A CN111405327B (zh) | 2020-04-03 | 2020-04-03 | 网络带宽预测模型训练方法、视频数据播放方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111405327A true CN111405327A (zh) | 2020-07-10 |
CN111405327B CN111405327B (zh) | 2022-12-09 |
Family
ID=71436862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010261315.7A Active CN111405327B (zh) | 2020-04-03 | 2020-04-03 | 网络带宽预测模型训练方法、视频数据播放方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111405327B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112468808A (zh) * | 2020-11-26 | 2021-03-09 | 深圳大学 | 一种基于强化学习的i帧目标带宽分配方法及装置 |
CN112752148A (zh) * | 2020-12-28 | 2021-05-04 | 北京百度网讯科技有限公司 | 视频起播的优化方法、装置、设备以及存储介质 |
CN112929712A (zh) * | 2021-01-26 | 2021-06-08 | 游密科技(深圳)有限公司 | 视频码率调整方法和装置 |
CN112954464A (zh) * | 2021-01-21 | 2021-06-11 | 百果园技术(新加坡)有限公司 | 一种基于网络异常预测的视频清晰度选择方法及装置 |
CN114339269A (zh) * | 2020-10-10 | 2022-04-12 | 中国电信股份有限公司 | 视频传输方法、组播管理平台、终端以及存储介质 |
CN114389975A (zh) * | 2022-02-08 | 2022-04-22 | 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 |
CN114629797A (zh) * | 2022-03-11 | 2022-06-14 | 阿里巴巴(中国)有限公司 | 带宽预测方法、模型生成方法及设备 |
CN115037986A (zh) * | 2021-03-04 | 2022-09-09 | 北京字跳网络技术有限公司 | 视频的自适应播放方法及设备 |
WO2023116233A1 (zh) * | 2021-12-20 | 2023-06-29 | 北京字节跳动网络技术有限公司 | 视频卡顿预测方法、装置、设备和介质 |
CN117041073A (zh) * | 2023-09-05 | 2023-11-10 | 广州天懋信息系统股份有限公司 | 网络行为预测方法、系统、设备及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6614466B2 (en) * | 2001-02-22 | 2003-09-02 | Texas Instruments Incorporated | Telescopic reconstruction of facial features from a speech pattern |
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 |
CN106341738A (zh) * | 2015-07-08 | 2017-01-18 | 杭州海康威视数字技术股份有限公司 | 流媒体网络传输的带宽计算方法、服务器端和系统 |
CN106357453A (zh) * | 2016-09-30 | 2017-01-25 | 邦彦技术股份有限公司 | 一种带宽自适应控制系统及方法 |
CN106604078A (zh) * | 2015-10-14 | 2017-04-26 | 北京国双科技有限公司 | 一种网络视频推荐方法及装置 |
US20180191799A1 (en) * | 2016-12-30 | 2018-07-05 | Facebook, Inc. | Effectively fetch media content for enhancing media streaming |
CN109874031A (zh) * | 2017-12-04 | 2019-06-11 | 华平信息技术股份有限公司 | 基于网络带宽预测的多优先级动态码率调整方法及系统 |
CN109919245A (zh) * | 2019-03-18 | 2019-06-21 | 北京市商汤科技开发有限公司 | 深度学习模型训练方法及装置、训练设备及存储介质 |
CN109982118A (zh) * | 2019-03-27 | 2019-07-05 | 北京奇艺世纪科技有限公司 | 一种视频码率自适应调整方法、装置及电子设备 |
CN110049357A (zh) * | 2019-05-29 | 2019-07-23 | 安徽讯飞皆成软件技术有限公司 | 一种带宽预估方法、装置、设备及存储介质 |
CN110225417A (zh) * | 2019-05-09 | 2019-09-10 | 网宿科技股份有限公司 | 数据处理方法及服务器、检测卡顿的方法及服务器 |
-
2020
- 2020-04-03 CN CN202010261315.7A patent/CN111405327B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6614466B2 (en) * | 2001-02-22 | 2003-09-02 | Texas Instruments Incorporated | Telescopic reconstruction of facial features from a speech pattern |
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 |
CN106341738A (zh) * | 2015-07-08 | 2017-01-18 | 杭州海康威视数字技术股份有限公司 | 流媒体网络传输的带宽计算方法、服务器端和系统 |
CN106604078A (zh) * | 2015-10-14 | 2017-04-26 | 北京国双科技有限公司 | 一种网络视频推荐方法及装置 |
CN106357453A (zh) * | 2016-09-30 | 2017-01-25 | 邦彦技术股份有限公司 | 一种带宽自适应控制系统及方法 |
US20180191799A1 (en) * | 2016-12-30 | 2018-07-05 | Facebook, Inc. | Effectively fetch media content for enhancing media streaming |
CN109874031A (zh) * | 2017-12-04 | 2019-06-11 | 华平信息技术股份有限公司 | 基于网络带宽预测的多优先级动态码率调整方法及系统 |
CN109919245A (zh) * | 2019-03-18 | 2019-06-21 | 北京市商汤科技开发有限公司 | 深度学习模型训练方法及装置、训练设备及存储介质 |
CN109982118A (zh) * | 2019-03-27 | 2019-07-05 | 北京奇艺世纪科技有限公司 | 一种视频码率自适应调整方法、装置及电子设备 |
CN110225417A (zh) * | 2019-05-09 | 2019-09-10 | 网宿科技股份有限公司 | 数据处理方法及服务器、检测卡顿的方法及服务器 |
CN110049357A (zh) * | 2019-05-29 | 2019-07-23 | 安徽讯飞皆成软件技术有限公司 | 一种带宽预估方法、装置、设备及存储介质 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114339269A (zh) * | 2020-10-10 | 2022-04-12 | 中国电信股份有限公司 | 视频传输方法、组播管理平台、终端以及存储介质 |
CN112468808B (zh) * | 2020-11-26 | 2022-08-12 | 深圳大学 | 一种基于强化学习的i帧目标带宽分配方法及装置 |
CN112468808A (zh) * | 2020-11-26 | 2021-03-09 | 深圳大学 | 一种基于强化学习的i帧目标带宽分配方法及装置 |
CN112752148A (zh) * | 2020-12-28 | 2021-05-04 | 北京百度网讯科技有限公司 | 视频起播的优化方法、装置、设备以及存储介质 |
CN112954464A (zh) * | 2021-01-21 | 2021-06-11 | 百果园技术(新加坡)有限公司 | 一种基于网络异常预测的视频清晰度选择方法及装置 |
CN112929712A (zh) * | 2021-01-26 | 2021-06-08 | 游密科技(深圳)有限公司 | 视频码率调整方法和装置 |
CN115037986B (zh) * | 2021-03-04 | 2023-06-06 | 北京字跳网络技术有限公司 | 视频的自适应播放方法及设备 |
CN115037986A (zh) * | 2021-03-04 | 2022-09-09 | 北京字跳网络技术有限公司 | 视频的自适应播放方法及设备 |
WO2023116233A1 (zh) * | 2021-12-20 | 2023-06-29 | 北京字节跳动网络技术有限公司 | 视频卡顿预测方法、装置、设备和介质 |
CN114389975A (zh) * | 2022-02-08 | 2022-04-22 | 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 |
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 |
CN114629797A (zh) * | 2022-03-11 | 2022-06-14 | 阿里巴巴(中国)有限公司 | 带宽预测方法、模型生成方法及设备 |
CN114629797B (zh) * | 2022-03-11 | 2024-03-08 | 阿里巴巴(中国)有限公司 | 带宽预测方法、模型生成方法及设备 |
CN117041073A (zh) * | 2023-09-05 | 2023-11-10 | 广州天懋信息系统股份有限公司 | 网络行为预测方法、系统、设备及存储介质 |
CN117041073B (zh) * | 2023-09-05 | 2024-05-28 | 广州天懋信息系统股份有限公司 | 网络行为预测方法、系统、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111405327B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111405327B (zh) | 网络带宽预测模型训练方法、视频数据播放方法及装置 | |
US20030165150A1 (en) | Multi-threshold smoothing | |
US6968387B2 (en) | Stochastic adaptive streaming of content | |
US8094578B2 (en) | Method of predicting the transmission error rate in a communication network and server implementing such a method | |
CN110636339B (zh) | 基于码率的调度方法、装置及电子设备 | |
CN111277870B (zh) | 带宽预测方法、装置、服务器及存储介质 | |
CN112887795B (zh) | 视频播放方法、装置、设备和介质 | |
CN110072130A (zh) | 一种基于http/2的has视频切片推送方法 | |
Dong et al. | QoE-aware adaptive bitrate video streaming over mobile networks with caching proxy | |
CN114040257B (zh) | 一种自适应视频流传输播放方法、装置、设备及存储介质 | |
WO2013008387A1 (ja) | パラメータ推定装置、パラメータ推定方法、及び、パラメータ推定プログラム | |
CN113839830B (zh) | 数据包多发参数的预测方法、装置与存储介质 | |
CN111263225A (zh) | 视频卡顿预测方法、装置、计算机设备及存储介质 | |
CN114401253A (zh) | 一种基于WebRTC的模拟网络中视频传输方法 | |
KR20010033572A (ko) | 네트워크로의 데이터 출력 속도 제어 시스템 | |
US10320874B2 (en) | Site-based server selection | |
Arun Raj et al. | Adaptive video streaming over HTTP through 4G wireless networks based on buffer analysis | |
CN110505501B (zh) | 信息处理方法、电子设备及计算机可读存储介质 | |
Lv et al. | Accurate Throughput Prediction for Improving QoE in Mobile Adaptive Streaming | |
US11412283B1 (en) | System and method for adaptively streaming video | |
CN113411628B (zh) | 直播视频的码率自适应方法、装置、电子设备及可读介质 | |
CN116866672A (zh) | 得分记忆单元的训练方法及设备 | |
CN114885208B (zh) | Ndn网络下可伸缩流媒体传输的动态自适应方法、设备及介质 | |
CN116866323A (zh) | 机器学习分类器的训练方法及设备 | |
CN114629797B (zh) | 带宽预测方法、模型生成方法及设备 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231010 Address after: 31a, 15th floor, building 30, maple commercial city, bangrang Road, Brazil Patentee after: Baiguoyuan Technology (Singapore) Co.,Ltd. Address before: 5-13 / F, West Tower, building C, 274 Xingtai Road, Shiqiao street, Panyu District, Guangzhou, Guangdong 510000 Patentee before: GUANGZHOU BAIGUOYUAN INFORMATION TECHNOLOGY Co.,Ltd. |
|
TR01 | Transfer of patent right |