CN113014968A - 一种基于强化学习的多用户动态码率视频传输方法及系统 - Google Patents

一种基于强化学习的多用户动态码率视频传输方法及系统 Download PDF

Info

Publication number
CN113014968A
CN113014968A CN202110205013.2A CN202110205013A CN113014968A CN 113014968 A CN113014968 A CN 113014968A CN 202110205013 A CN202110205013 A CN 202110205013A CN 113014968 A CN113014968 A CN 113014968A
Authority
CN
China
Prior art keywords
user
server
users
video transmission
neural network
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
Application number
CN202110205013.2A
Other languages
English (en)
Other versions
CN113014968B (zh
Inventor
张旭
杨凯
马展
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University
Original Assignee
Nanjing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University filed Critical Nanjing University
Priority to CN202110205013.2A priority Critical patent/CN113014968B/zh
Publication of CN113014968A publication Critical patent/CN113014968A/zh
Application granted granted Critical
Publication of CN113014968B publication Critical patent/CN113014968B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H04N21/266—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
    • G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2209/00—Indexing scheme relating to G06F9/00
    • G06F2209/50—Indexing scheme relating to G06F9/50
    • G06F2209/508—Monitor

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明公开了一种基于强化学习的多用户动态码率视频传输方法及系统。其方法包括：用户与服务器协商，确定各用户各自的角色及分组；各用户请求服务器上的媒体描述文件，以及Actor神经网络模型文件；各用户根据历史缓存信息，输入Actor网络，选择合适码率的音视频块；各用户间隔一定时间上传最近一段时间内的记录，并下载服务器最新的Actor网络模型文件；服务器上存储用户提供的记录以及服务器资源状态记录，在获取一定数量样本后在服务器上集中训练神经网络。本发明的方法更好地考虑了视频内容之间以及用户之间的关系，能优化服务器资源使用，提高传输效率，保证用户之间的公平性，同时也大大提高了用户视频体验质量。

Description

一种基于强化学习的多用户动态码率视频传输方法及系统
技术领域
本发明涉及视频传输领域，具体涉及一种基于强化学习的多用户动态码率视频传输方法及系统。
背景技术
近年来随着智能终端(如智能手机，智能电视，平板电脑，头显)的快速发展，视频传输向着更高用户体验(更高清晰度，更低卡顿率，更低延迟)方向发展。但是在复杂的网络环境下，受限于现有网络服务供应能力，更高的用户体验难以得到满足。
在现有网络设施基础上提升服务质量成为视频服务器提供商重点研究领域之一。现有的视频服务优化主要针对客户端-服务器模式下进行单用户优化，例如通过算法估计网络参数来选择最合适码率，这种方式的主要缺点在于网络参数(时延，丢包等)成因复杂且相互影响，不同成因解决策略不同，需要针对具体场景制定不同策略，很难在不同网络环境以及应用场景中泛化。同时单用户优化导致用户之间的公平性无法得到保障。随着强化学习在码率自适应传输中的应用，尤其是多智能体技术的进展，使得多用户协同优化传输成为可能。
发明内容
本发明针对现有技术中的上述缺陷或不足，提供一种基于强化学习的多用户动态码率视频传输方法及系统。
本发明方法所采用的技术方案是：
一种基于强化学习的多用户动态码率视频传输方法，该方法的步骤包括：
a)多用户通过与服务器进行协商，根据视频传输的应用场景，确定用户的角色和分组；
b)各用户端具有Actor神经网络，用户根据所在的分组及角色请求传输服务器上的媒体描述文件，以及Actor神经网络模型文件；
c)各用户将历史缓存信息及网络状态信息输入Actor神经网络，Actor神经网络输出码率选择，作为接下来用户端选择的码率；
d)各用户间隔一定时间向服务器上传最近一段时间内的记录，并下载服务器上最新的Actor神经网络模型参数文件，替换本地的网络模型参数；
e)服务器上存储用户提供的记录以及服务器资源状态记录，在获取一定数量样本后利用多智能体深度确定性策略梯度算法训练各用户的Actor神经网络以及服务器上的Critic神经网络，用来响应用户端的更新Actor神经网络的请求。
本发明系统所采用的技术方案是：
一种基于强化学习的多用户动态码率视频传输系统，包括：用户协商单元，用于分配用户角色并根据预设模型将用户分组；资源调度单元，用于分配服务器资源给每个用户，并监控每个用户组使用服务器资源情况，根据使用情况动态调整用户分组以及服务器资源；网络训练单元，用于在服务器上进行集中式训练，在初始时提供不同应用场景下的模型文件，并且进行优化网络模型参数，实时训练并更新各用户的Actor神经网络模型文件
本发明的方法根据多用户的关系通过分组与服务器协同优化，更好地考虑了视频内容之间以及用户之间的关系，能优化服务器资源使用，提高传输效率，保证用户之间的公平性，同时也大大提高了用户视频体验质量。
附图说明
图1是本发明实施例中方法的流程图。
图2是本发明实施例中系统的示意图。
具体实施方式
下面结合附图和实施例对本申请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相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，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组合。下面将参考附图并结合实施例来详细说明本申请。
如图1所示，本实施例一种基于强化学习的多用户动态码率视频传输方法的流程图，具体包括如下步骤：
步骤1，用户与服务器协商，确定各用户各自的角色及分组。
将多用户连接到共同服务器(集群)时，用户通过与服务器协商确定自身角色以及所在分组，通常分组的用户数量以及用户角色根据几种典型视频传输场景固定为几种模型：纯竞争，纯合作，竞争与合作三种模型；用户数量可以由少到多选取几个典型值，每组最少2个用户，最多10个用户。本发明区别于其他方法的地方在于：将多用户根据角色分组联合起来优化服务器资源使用情况以及传输质量。
举例来说，确定用户角色以及分组过程，在多码率视频点播场景中，用户间视为竞争与合作关系：各自希望得到在所处网络条件下最好的视频体验质量并合理分配有限的服务器资源，使得所处用户组的整体体验最好。
步骤2，各用户请求服务器上的媒体描述文件，以及适用的训练结果文件，该文件包括：根据用户角色选择服务器上提供的初始Actor神经网络模型文件。随着视频传输的进行，用户下载到的服务器上更新后的Actor网络替代自己的Actor网络。
本实施例可以适用于点播以及直播场景，根据使用场景的不同，使用不同的办法提供多码率传输服务。在点播情景中，使用符合Dash标准工具生成多码率视频，视频被切成时间长度相等的块存储在服务器上，每个视频块有多个可选的码率。在直播场景中，多码率对应多组可供选择的编码参数，通过设置不同的编码参数来提供多码率视频流。
步骤3，各用户根据历史缓存信息，输入Actor网络，Actor网络输出码率选择，作为接下来用户端选择的码率。
本实施例的Actor网络具体是指用户端码率决策Actor网络。Actor网络每个用户都有一个，定期从服务器上更新。Critic网络仅存在于服务器上，可以观测到所有用户上传的信息，可以观测到全局的信息。Actor网络为两层的全连接神经网络，输出为三个动作的概率值，这三个动作分别是增加码率、减少码率以及保持码率。Ti表示截止到时间点i的最近的n个时间点，Actor网络输入仅需用户观测到的历史请求的码率(kbps)：R＝{R(t)|t∈Ti}，网络传输过程中用户端的网络状态信息，包括：缓存时间(s)：C＝{C(t)|t∈Ti}，视频块大小(b)：S＝{S(t)|t∈Ti}，该网络请求总的网络吞吐量(kb)：P＝{P(t)|t∈Ti}。Critic网络的输入为用户码率决策，输出为对用户码率决策的评分，Critic网络作为评价者根据观察到的前后状态信息的变化输出Actor网络输出决策的评分，用来指导Actor网络的训练。
步骤4，各用户间隔一定时间上传最近一段时间内的记录，并下载服务器最新的Actor网络模型参数文件。
本实施例中，用户上传记录存储在服务器存储单元内，通过收集更多数量的样本文件提供给网络来提升训练效果。如果在上传过程中发现存储单元中网络模型文件有更新，用户下载最新的Actor神经网络模型文件，下载最新的文件需要间隔固定的时间进行，来不断更新用户的Actor神经网络模型参数。用户上传的记录可以包含在用户请求服务器的数据中进行传输。
步骤5，服务器上存储用户提供的记录以及服务器资源状态记录，在获取一定数量样本后利用神经网络进行训练。
本实施例中，使用MADDPG的训练方法，训练预设文件，训练时采用集中式学习训练Critic与多个Actor网络，使用时用户端利用单个Actor网络只要知道局部信息就可以运行，从而使得用户只要下载服务器为自己训练好的网络模型参数就可以进行决策。服务端集中式训练方法存储所有用户上传的记录和服务器资源使用情况记录，等待数据数量足够时进行训练。服务器利用存储的训练数据，以优化服务器资源使用以及用户体验质量作为训练目标，使用多智能体MADDPG方法(参考《Multi-Agent Actor-Critic for MixedCooperative-Competitive Environments》，arXiv:1706.02275，2017)，结合DQN(Deep Q-Learning)的经验回放以及目标网络的方法进行训练。服务器状态信息包括：服务器端资源使用情况，包括cpu、内存、gpu、磁盘、网络带宽资源的使用情况等。服务器资源使用情况使用RU(Resource Utilization)表征，整体体验使用带权重的QoE(Quality of Experience)表征，参数包括帧率，时延，卡顿，清晰度，码率变化情况等。所述权重根据用户角色进行区分。用户上传记录包括用户决策，以及决策结果码率文件下载情况。
本实施例还提供一种基于强化学习的多用户动态码率视频传输系统。系统包括：用户协商单元，用于在用户连接到服务器时，分配用户角色并根据预设模型将用户分组。资源调度单元，用于在初始建立连接的时候分配服务器资源给用户，监控每个用户组使用资源情况，根据使用情况动态调整需要使用到的服务器资源；并且由于不同服务使用资源类型存在差异，需要在服务器集群中选择合适的目标服务器，随着用户的动态变化(登入与登出)，动态调整用户分组。网络训练单元，用于在服务器上进行集中式训练，提供不同应用场景下的模型文件，并且随着应用实例的进行优化网络模型参数，实时训练并更新各用户的Actor神经网络模型文件。
具体实例系统参考图2所示。
第一组用户1-1，1-2使用合作模型中的2人模型，需要解决视频播放同步要求问题，如果存在一方网络条件较差情况，网络条件好的一方需要等待。所连接服务器分配一定数量的资源R1给第一组用户。
第二组用户2-1，2-2使用竞争模型中的2人模型，争抢服务器分配的资源R2。
第三组用户3-1，3-2，3-3，3-4使用竞争与合作模型中的4人模型，共享服务器资源R3，各自希望得到在所处网络条件下最好的视频体验质量并合理分配有限的服务器资源，使得所处用户组的整体体验最好。
存储单元S1用来存储用户记录，以及网络模型文件。
训练单元S2用来集中式训练Actor-Critic网络。

Claims (10)

1.一种基于强化学习的多用户动态码率视频传输方法，其特征在于，该方法的步骤包括：
a)多用户通过与服务器进行协商，根据视频传输的应用场景，确定用户的角色和分组；
b)各用户端具有Actor神经网络，用户根据所在的分组及角色请求传输服务器上的媒体描述文件，以及Actor神经网络模型文件；
c)各用户将历史缓存信息及网络状态信息输入Actor神经网络，Actor神经网络输出码率选择，作为接下来用户端选择的码率；
d)各用户间隔一定时间向服务器上传最近一段时间内的记录，并下载服务器上最新的Actor神经网络模型参数文件，替换本地的网络模型参数；
e)服务器上存储用户提供的记录以及服务器资源状态记录，在获取一定数量样本后利用多智能体深度确定性策略梯度算法训练各用户的Actor神经网络以及服务器上的Critic神经网络，用来响应用户端的更新Actor神经网络的请求。
2.根据权利要求1所述的一种基于强化学习的多用户动态码率视频传输方法，其特征在于，所述步骤a)中，视频传输为动态码率视频传输，其应用场景包括点播场景以及直播场景；在点播场景中，使用符合Dash标准工具生成多码率视频，视频被切成时间长度相等的块存储在服务器上，每个视频块有多个可选的码率；在直播场景中，多码率对应多组可供选择的编码参数，通过设置不同的编码参数来提供多码率视频流。
3.根据权利要求1所述的一种基于强化学习的多用户动态码率视频传输方法，其特征在于，所述步骤a)中，用户依据用户间的关系进行分组，用户间的关系包括三种：竞争关系、合作关系、竞争与合作关系。
4.根据权利要求3所述的一种基于强化学习的多用户动态码率视频传输方法，其特征在于，所述步骤a)中，用户的角色根据视频传输的应用场景确定，在多码率视频点播场景中，用户间视为竞争与合作关系：各自希望得到在所处网络条件下最好的视频体验质量并合理分配有限的服务器资源，使得所处用户组的整体体验最好。
5.根据权利要求1所述的一种基于强化学习的多用户动态码率视频传输方法，其特征在于，所述步骤b)中，在点播的应用场景中，所述媒体描述文件包括需要下载的视频块的所有可供选择的视频码率；在直播的应用场景中，所述媒体描述文件包括可供选择的编码器编码参数。
6.根据权利要求1所述的一种基于强化学习的多用户动态码率视频传输方法，其特征在于，所述步骤c)中，历史缓存信息包括：最近时间内一定数量的视频块下载过程中的网络情况、缓存时间以及网络时延数据。
7.根据权利要求1所述的一种基于强化学习的多用户动态码率视频传输方法，其特征在于，所述步骤d)中，用户上传的记录包含在用户请求服务器的数据中进行传输。
8.根据权利要求1所述的一种基于强化学习的多用户动态码率视频传输方法，其特征在于，所述步骤d)中，用户下载服务器上最新的Actor神经网络模型参数文件需要间隔固定的时间进行，来不断更新用户端的Actor神经网络模型参数。
9.根据权利要求1所述的一种基于强化学习的多用户动态码率视频传输方法，其特征在于，所述步骤e)中，服务器为每个客户保存并训练一个Actor神经网络；所述Critic网络可以观测到所有用户上传的信息，可以观测到全局的信息；在服务器训练过程中，使用多智能体深度确定性策略梯度算法的同时，结合深度强化学习的经验回放以及目标网络的方法进行训练。
10.一种基于强化学习的多用户动态码率视频传输系统，包括：
用户协商单元，用于分配用户角色并根据预设模型将用户分组；
资源调度单元，用于分配服务器资源给每个用户，并监控每个用户组使用服务器资源情况，根据使用情况动态调整用户分组以及服务器资源；
网络训练单元，用于在服务器上进行集中式训练，在初始时提供不同应用场景下的模型文件，并且进行优化网络模型参数，实时训练并更新各用户的Actor神经网络模型文件。
CN202110205013.2A 2021-02-24 2021-02-24 一种基于强化学习的多用户动态码率视频传输方法及系统 Active CN113014968B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110205013.2A CN113014968B (zh) 2021-02-24 2021-02-24 一种基于强化学习的多用户动态码率视频传输方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110205013.2A CN113014968B (zh) 2021-02-24 2021-02-24 一种基于强化学习的多用户动态码率视频传输方法及系统

Publications (2)

Publication Number Publication Date
CN113014968A true CN113014968A (zh) 2021-06-22
CN113014968B CN113014968B (zh) 2022-02-08

Family

ID=76409057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110205013.2A Active CN113014968B (zh) 2021-02-24 2021-02-24 一种基于强化学习的多用户动态码率视频传输方法及系统

Country Status (1)

Country Link
CN (1) CN113014968B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113660488A (zh) * 2021-10-18 2021-11-16 腾讯科技（深圳）有限公司 对多媒体数据进行流控及流控模型训练方法、以及装置
CN114040230A (zh) * 2021-11-08 2022-02-11 北京达佳互联信息技术有限公司 视频码率确定方法、装置、电子设备及其存储介质
CN115190135A (zh) * 2022-06-30 2022-10-14 华中科技大学 一种分布式存储系统及其副本选择方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103581701A (zh) * 2012-08-07 2014-02-12 株式会社Ntt都科摩 向多个客户端传送多媒体数据的方法、系统和网络
CN108063961A (zh) * 2017-12-22 2018-05-22 北京联合网视文化传播有限公司 一种基于强化学习的自适应码率视频传输方法以及系统
US20180288114A1 (en) * 2017-03-31 2018-10-04 At&T Intellectual Property I, L.P. Apparatus and method of managing resources for video services
WO2018232622A1 (en) * 2017-06-21 2018-12-27 Microsoft Technology Licensing, Llc RECOMMENDATION OF MULTIMEDIA CONTENT THROUGH CONVERSATIONAL ROBOTS
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
WO2020175866A1 (en) * 2019-02-25 2020-09-03 Samsung Electronics Co., Ltd. Method and system for user-oriented streaming of content
CN111654712A (zh) * 2020-06-22 2020-09-11 中国科学技术大学 适用于移动边缘计算场景的动态自适应流媒体组播方法
CN111901642A (zh) * 2020-07-31 2020-11-06 成都云格致力科技有限公司 基于强化学习的实时视频码率自适应调控方法与系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103581701A (zh) * 2012-08-07 2014-02-12 株式会社Ntt都科摩 向多个客户端传送多媒体数据的方法、系统和网络
US20180288114A1 (en) * 2017-03-31 2018-10-04 At&T Intellectual Property I, L.P. Apparatus and method of managing resources for video services
WO2018232622A1 (en) * 2017-06-21 2018-12-27 Microsoft Technology Licensing, Llc RECOMMENDATION OF MULTIMEDIA CONTENT THROUGH CONVERSATIONAL ROBOTS
CN108063961A (zh) * 2017-12-22 2018-05-22 北京联合网视文化传播有限公司 一种基于强化学习的自适应码率视频传输方法以及系统
WO2020175866A1 (en) * 2019-02-25 2020-09-03 Samsung Electronics Co., Ltd. Method and system for user-oriented streaming of content
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
CN111654712A (zh) * 2020-06-22 2020-09-11 中国科学技术大学 适用于移动边缘计算场景的动态自适应流媒体组播方法
CN111901642A (zh) * 2020-07-31 2020-11-06 成都云格致力科技有限公司 基于强化学习的实时视频码率自适应调控方法与系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHENGMING ZHANG等: "Cache-enabled adaptive bit rate streaming via deep self-transfer reinforcement learning", 《2018 10TH INTERNATIONAL CONFERENCE ON WIRELESS COMMUNICATIONS AND SIGNAL PROCESSING (WCSP)》 *
陈永建等: "基于双向强化学习与动态码率调节的无线mesh网络协议", 《计算机应用研究》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113660488A (zh) * 2021-10-18 2021-11-16 腾讯科技（深圳）有限公司 对多媒体数据进行流控及流控模型训练方法、以及装置
CN113660488B (zh) * 2021-10-18 2022-02-11 腾讯科技（深圳）有限公司 对多媒体数据进行流控及流控模型训练方法、以及装置
CN114040230A (zh) * 2021-11-08 2022-02-11 北京达佳互联信息技术有限公司 视频码率确定方法、装置、电子设备及其存储介质
CN114040230B (zh) * 2021-11-08 2024-03-29 北京达佳互联信息技术有限公司 视频码率确定方法、装置、电子设备及其存储介质
CN115190135A (zh) * 2022-06-30 2022-10-14 华中科技大学 一种分布式存储系统及其副本选择方法
CN115190135B (zh) * 2022-06-30 2024-05-14 华中科技大学 一种分布式存储系统及其副本选择方法

Also Published As

Publication number Publication date
CN113014968B (zh) 2022-02-08

Similar Documents

Publication Publication Date Title
CN113014968B (zh) 一种基于强化学习的多用户动态码率视频传输方法及系统
CN109587519B (zh) 基于q学习的异构网络多径视频传输控制系统及方法
CN108833996B (zh) 分布式dash系统中服务节点选择、更新和码率自适应方法
JP6981257B2 (ja) 情報処理装置および情報処理方法
EP2696552A1 (en) Method, system and network for transmitting multimedia data to a plurality of clients
JP7059509B1 (ja) ピア・トゥ・ピアネットワークにおけるストリーミングコンテンツの配信方法
WO2020067592A1 (ko) 컨텐츠 인지 신경망을 이용하여 실시간으로 적응형 비디오를 전송하는 방법 및 장치
Wang et al. Multilive: Adaptive bitrate control for low-delay multi-party interactive live streaming
CN112954385A (zh) 一种基于控制论和数据驱动的自适应分流决策方法
WO2022037228A1 (zh) 一种基于智能边缘的svc视频的传输方法及智能边缘
Wang et al. A joint online transcoding and delivery approach for dynamic adaptive streaming
Liubogoshchev et al. Adaptive cloud-based extended reality: Modeling and optimization
CN111669617A (zh) 一种基于智能边缘的直播视频流的传输方法
CN101960793A (zh) 分散式分层群集对等实况流系统
Hassan et al. Video streaming processing using fog computing
CN113282786A (zh) 一种基于深度强化学习的全景视频边缘协作缓存替换方法
CN110913239B (zh) 一种精细化的移动边缘计算的视频缓存更新方法
CN106454317B (zh) 基于模糊控制的立体视频质量自适应算法
Li et al. High efficiency live video streaming with frame dropping
KR20210042051A (ko) 적응적 스트리밍 서비스를 위한 다중 경로 기반 블록 전송 시스템 및 스트리밍 방법
JP2024015959A (ja) 性能メトリックを使用するコンテンツ配信ネットワーク（ｃｄｎ）選択
CN116347170A (zh) 一种基于序贯因果建模的自适应比特率控制方法
Braun et al. Mobile peer-to-peer assisted coded streaming
CN117336521A (zh) 视频流传输的控制方法及装置、设备、介质
CN114025190A (zh) 多码率调度方法和多码率调度装置

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