CN113645471B - 多云视频分发策略优化方法及系统 - Google Patents

多云视频分发策略优化方法及系统 Download PDF

Info

Publication number
CN113645471B
CN113645471B CN202110694541.9A CN202110694541A CN113645471B CN 113645471 B CN113645471 B CN 113645471B CN 202110694541 A CN202110694541 A CN 202110694541A CN 113645471 B CN113645471 B CN 113645471B
Authority
CN
China
Prior art keywords
transcoding
code rate
video
user
cost
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110694541.9A
Other languages
English (en)
Other versions
CN113645471A (zh
Inventor
张海涛
靳依霖
郑键楠
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.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
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 Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202110694541.9A priority Critical patent/CN113645471B/zh
Publication of CN113645471A publication Critical patent/CN113645471A/zh
Application granted granted Critical
Publication of CN113645471B publication Critical patent/CN113645471B/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
    • H04N21/21—Server components or server architectures
    • H04N21/218—Source of audio or video content, e.g. local disk arrays
    • H04N21/2187—Live feed
    • 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
    • H04N21/23418—Processing of video elementary streams, e.g. splicing of video streams or manipulating encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics
    • 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
    • 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
    • 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
    • H04N21/45—Management operations performed by the client for facilitating the reception of or the interaction with the content or administrating data related to the end-user or to the client device itself, e.g. learning user preferences for recommending movies, resolving scheduling conflicts
    • H04N21/466—Learning process for intelligent management, e.g. learning user preferences for recommending movies
    • H04N21/4662—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms
    • H04N21/4665—Learning process for intelligent management, e.g. learning user preferences for recommending movies characterized by learning algorithms involving classification methods, e.g. Decision trees
    • 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
    • H04N21/47—End-user applications
    • H04N21/472—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)

Abstract

本发明提供一种多云视频分发策略优化方法及系统，该方法包括：获取历史时段内的直播视频流数据、各云平台服务器的CDN时延数据、CDN分发价格及各转码模板的转码价格；对直播视频流数据清洗，统计历史时段的第一时段内的第一观众终端总量、最小需求码率比例以及各源码率对应的直播用户数量的比例，根据源视频码率以及观众终端的最小需求码率进行用户类别分类；预测未来预定时段内观看视频的第二观众终端总量，计算未来预定时段内各类用户对应的观众终端数量，分别计算各类用户基于各转码模板在未来预定时段内的各消费成本及各QoE值；根据各消费成本及各QoE值确定各类用户适合的云平台服务器，统计各云平台服务器在未来预定时段内覆盖的用户总量比例。

Description

多云视频分发策略优化方法及系统
技术领域
本发明涉及多媒体技术领域，尤其涉及一种多云视频分发策略优化方法及系统。
背景技术
对于传统的CLS(Customer Link Service，用户链路业务)来说，让观众能够顺利流畅的收到视频流是非常重要的，而传统的直播多云视频分发策略优化系统通常是构建私有的数据中心与分发网络来实现直播过程中的转码与分发操作。但是这样往往造成资源浪费的情况，且成本较高。而利用云平台的优势，将传统的视频分发架构转移至云上，利用CDN(Content Delivery Network，内容分发网络)进行分发能够有效降低运营成本，成为越来越多直播服务提供商的选择。然而单个CDN无法支持稳定的视频分发服务质量，对于超大型云平台来说，他们完全可以利用地理分布式云架构(类似阿里云和腾讯云)，设置边缘节点和数据中心进行CLS服务的视频分发，但是资源的有限性和受众的动态性仍然存在一定问题。
对于数据中心的选择以及高度动态化的受众群体和社交内容，也有研究考虑了不同数据中心之间视频分发路径的动态决定并推导出动态优化策略。而对于普通的视频服务提供商来说，前期研究者们提出的Livesmart框架系统地考虑了CDN和观众的动态性，合理的基于QoS(Quality of Service，服务质量)优化了成本，但是仍未考虑到针对转码模板的选择。
实时视频转码服务也是众包直播服务的重要组成部分；对于一般的视频转码，早期的研究利用P2P(Peer to Peer，对等网络/工作组)/Overlay streaming中的方法，该方法并不适合实时转码服务。而近来的研究倾向于利用云平台进行转码，而利用云平台进行转码时，每增加一个转码模板就需要支付对应的费用，这样弹性的计费策略在众包环境中虽然能够解决接收到的转码需求，但是静态费用较为昂贵。也有研究在保证QoS的情况下，将角色整体考虑，结合需求的动态性和设备的异构性进行预测和转码模板的决策，如针对于互动性较强的直播需求和需要提供更高直播服务质量的设备给出QoS更高的转码决策，而针对于实时性要求较低或者设备最低服务质量较差的设备给出更经济但是QoS更低的转码决策。除此之外，还有一种所谓雾计算的模式，它将云计算范式扩展到网络的边缘，有人以雾计算的模式为基础，提出了一种包含观测器的人群转码解决方案。然而上述方式也仅是以转码角度进行研究，并未与多CDN分发结合起来形成相对完备的评价决策体系。
综上分析，现有技术中大多数是对CDN分发或转码模板的选择进行单独研究和成本优化，上述技术虽然在一定程度上降低了分发成本，但由于视频分发的消费价格不仅受转码价格的影响，还受分发价格的影响，因而现有技术中普遍采用的成本优化方法所优化的成本有限。且上述技术在成本优化过程中也未综合考虑观众QoE(Quality ofExperience体验质量)，因而无法在保证观众QoE的前提下采用成本较低的分配策略。因此，在保证观众QoE的前提下如何降低视频分发成本是亟待解决的技术问题。
发明内容
有鉴于此，本发明提供了一种多云视频分发策略优化方法及系统，以解决现有技术中存在的一个或多个问题。
根据本发明的一个方面，本发明公开了一种多云视频分发策略优化方法，所述方法包括：
获取历史时段内的直播用户的直播视频流数据、各云平台服务器的内容分发网络CDN时延数据、CDN分发价格及各转码模板的转码价格；其中，所述直播视频流数据包括直播用户的源视频数据、源视频码率以及各观众终端对应的视频流信息；所述视频流信息包括观看时间及最小需求码率信息；
对所述直播视频流数据进行数据清洗，基于清洗后的数据统计历史时段的第一时段内的第一观众终端总量、最小需求码率比例以及各源码率对应的直播用户数量的比例，根据源视频码率以及观众终端的最小需求码率进行用户类别分类；
通过时间序列预测模型预测未来预定时段内观看所述视频的第二观众终端总量，并基于所述第二观众终端总量及所述最小需求码率比例计算未来预定时段内各类用户对应的观众终端数量；
根据各云平台服务器的CDN分发价格、各转码模板的转码价格及各类用户对应的观众终端数量和码率分别计算各类用户基于各转码模板在所述未来预定时段内的各消费成本，根据各云平台服务器的CDN时延数据及各类用户对应的码率计算各类用户基于各转码模板在所述未来预定时段内的各QoE值；
根据计算到的各消费成本及各QoE值确定各类用户适合的云平台服务器，统计各云平台服务器在未来预定时段内覆盖的用户总量比例，以使各云平台服务器根据所述用户总量比例向观众终端分发视频。
在本发明一些实施例中，根据计算到的各消费成本及各QoE值确定各类用户适合的云平台服务器，包括：
根据QoE筛选函数筛选大于设定阈值的QoE值；
将大于设定阈值的QoE值所对应的转码模板作为元素生成解空间；
从所述解空间内确定最小消费成本对应的转码模板及云平台服务器。
在本发明一些实施例中，所述消费成本包括分发成本和转码成本；
所述分发成本的计算公式为：
CostCDN＝Numaud×Δt×Rate×Costunitc，
其中，CostCDN为分发成本，Numaud为未来预定时段内各类用户对应的观众终端数量，Δt为未来预定时段的时长，Rate为码率，Costunitc为分发单价；
所述转码成本的计算公式为：
Costtrans＝Δt×Costunitt，
其中，Costtrans为转码成本，Δt为未来预定时段的时长，Costunitt为转码单价。
在本发明一些实施例中，所述QoE值的计算公式为：
QoEi＝((1500-delay(CDNi))÷100)×QoEtrans，
其中，QoEi为转码模板i对应的QoE值，delay(CDNi)为转码模板i对应的总时延时间，QoEtrans为码率影响系数，且QoEtrans取值为1，ln3，ln5或ln6。
在本发明一些实施例中，所述delay(CDNi)包括转码时延时长和分发时延时长。
在本发明一些实施例中，对所述各观众终端对应的视频流信息进行数据清洗，包括：
删除无效码率对应的数据项；
将各数据项对应的名称修改为预定格式；
补齐历史时段的第一时段内的数据项。
在本发明一些实施例中，所述时间序列预测模型为Prophet时间序列预测模型。
在本发明一些实施例中，所述Prophet时间序列预测模型的模型参数包括变点参数、周期项参数及节假日项参数。
在本发明一些实施例中，所述用户类别为九类。
根据本发明的另一方面，还公开了一种多云视频分发策略优化系统，所述系统包括：
数据获取模块，用于获取历史时段内的直播用户的直播视频流数据，各云平台服务器的CDN时延数据、CDN分发价格及各转码模板的转码价格；其中，所述直播视频流数据包括直播用户的源视频数据、源视频码率以及各观众终端对应的视频流信息；所述视频流信息包括观看时间及最小需求码率信息；
数据处理模块，用于对所述直播视频流数据进行数据清洗，基于清洗后的数据统计历史时段的第一时段内的第一观众终端总量、最小需求码率比例以及各源码率对应的直播用户数量的比例，根据源视频码率以及观众终端的最小需求码率进行用户类别分类；
时间序列预测模型模块，用于预测未来预定时段内观看所述视频的第二观众终端总量，并基于所述第二观众终端总量及所述最小需求码率比例计算未来预定时段内各类用户对应的观众终端数量；
消费成本及QoE计算模块，用于根据各云平台服务器的CDN分发价格、各转码模板的转码价格及各类用户对应的观众终端数量和码率分别计算各类用户基于各转码模板在所述未来预定时段内的各消费成本，根据各云平台服务器的CDN时延数据及各类用户对应的码率计算各类用户基于各转码模板在所述未来预定时段内的各QoE值；
决策模块，用于根据计算到的各消费成本及各QoE值确定各类用户适合的云平台服务器，统计各云平台服务器在未来预定时段内覆盖的用户总量比例，以使各云平台服务器根据所述用户总量比例向观众终端分发视频。
通过上述实施例可以发现，该多云视频分发策略优化方法利用各云平台提供的转码和CDN服务，实现了成本优化的多云视频分发服务选择策略。该方法综合考虑了转码配置的选择、CDN选择、服务质量、云服务成本等因素，在保证用户观看体验的同时尽可能地降低了多云视频分发的服务成本；从而使直播服务提供商采用更优质的CDN分配决策，进而提高了用户的直播体验。
本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在书面说明及其权利要求书以及附图中具体指出的结构实现到并获得。
本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。附图中的部件不是成比例绘制的，而只是为了示出本发明的原理。为了便于示出和描述本发明的一些部分，附图中对应部分可能被放大，即，相对于依据本发明实际制造的示例性装置中的其它部件可能变得更大。在附图中：
图1为本发明一实施例的多云视频分发策略优化方法的流程示意图。
图2为本发明另一实施例的多云视频分发策略优化方法的流程示意图。
图3为本发明一实施例的成本优化的选择策略的流程示意图。
图4为本发明一实施例的多云视频分发策略优化系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
在此，需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
应该强调，术语“包括/包含/具有”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。
在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。
多云环境下直播视频分发平台需要包含流接收、流转发、云转码、多CDN分发、流监控等功能，其中原始视频流被推送至云端流接收部分，通过云端流转发部分将原始视频流转发至各云平台，在各云平台根据默认的转码配置模板对原始视频流进行转码操作，输出多种码率和分辨率的视频流，输出的视频流通过各云平台提供的CDN分发服务推送至观看端满足用户的观看需求。同时，云端需要有流监控部分，能够对直播过程中的在线流信息、云平台转码模板配置、CDN分发线路、在线人数等关键信息进行监控。对于CDN分发过程中的分发成本，现有技术中，有的通过雾计算的模式来观测并优化转码成本，其设置观测器和优化器针对于人群(大量多路媒体流)转码提出解决方案，在针对转码进行成本优化和转码模式分析方面取得了较为重要的成果。但现有技术并未存在一种可多维度考虑观众QoE，综合CDN分发和转码模板选择，解决多云视频分发服务选择策略的成本优化问题的技术，以在保障观众观看QoE的情况下获得成本尽可能低的CDN分配策略。
图1为本发明一实施例的多云视频分发策略优化方法的流程示意图，如图1所示，该多云视频分发策略优化方法包括步骤S10～S50。
步骤S10：获取历史时段内的直播用户的直播视频流数据、各云平台服务器的CDN时延数据、CDN分发价格及各转码模板的转码价格；其中，所述直播视频流数据包括直播用户的源视频数据、源视频码率以及各观众终端对应的视频流信息；所述视频流信息包括观看时间及最小需求码率信息。
在该步骤中，直播视频流数据可为通过直播服务提供商的直播服务器实时监控获得的，在实际应用场景中，直播用户(主播)作为视频发起端，其发起直播之后，直播服务器上会有实时的信息监视器对于相应的直播视频流数据进行监控。其中，直播用户的源视频数据包括视频内容以及视频所对应的时间等信息，而各观众终端对应的视频流信息也可包括分发至各观众终端的视频内容信息。在直播过程中，一般各直播用户对应的观众终端为多个，而由于多个观众终端设备的异构性以及各观众终端观看直播时间的不一致性，从而使得各个观众终端对应的视频流信息也不一致。
其中，源视频的分辨率可为240P、480P、720P、1080P，相应的，与源视频的分辨率相对应的源视频码率也为四种，而各观众终端对应的视频流信息的最小需求码率是通过观众设备决定的。示例性的，当源视频的分辨率为1080p时，此时观众终端所观看的视频的分辨率可为240P、480P、720P或1080P，且此时观众终端对应的最小需求码率即为与分辨率240p所相适应的码率。另外，在实际直播过程中，直播服务提供商的直播服务器除了实时监控上述列举的信息之外，还可监控各直播用户及各观众终端的ID信息，并实时统计观众终端的在线数量。
一般的，当直播服务器监控到直播视频流数据之后，会推送至多云平台，从而通过多云平台分发网络CDN实现视频分发。进一步的，云端数据库会存储对应的直播视频流数据，而云平台服务器会将CDN时延数据、各转码模板的转码价格、CDN分发价格等发送至该多云视频分发策略优化系统的数据获取模块，从而也即获取到了各云平台服务器的CDN时延数据、CDN分发价格及各转码模板的转码价格。
步骤S20：对所述直播视频流数据进行数据清洗，基于清洗后的数据统计历史时段的第一时段内的第一观众终端总量、最小需求码率比例以及各源码率对应的直播用户数量的比例，根据源视频码率以及观众终端的最小需求码率进行用户类别分类。
该步骤可通过多云视频分发策略优化系统的数据处理模块实现，在该步骤中，第一时段的时长与历史时段的时长可相等，第一时段的时长也可小于历史时段的时长。示例性的，历史时段为过去的时长为24h的时段，而第一时段可为时长为5min的时段，且第一时段的起始时间以及终止时间可不进行限制，只要在确保在历史时段之内即可。第一时段内的观众终端总量则是指该时段内的观看直播的在线用户数量，而最小需求码率比例是指在该时段内观看直播视频的在线用户数量中的各码率所对应的观众数量之间的比值，其也可通过各分辨率所对应的用户数量的比值来表示；示例性的，统计得到的第一时段内的240P：480P：720P：1080P的用户数量比为2：4：2：1。
在实际处理过程中，数据获取模块获取到的直播视频流数据、CDN时延数据、CDN分发价格、转码价格等信息可存储在数据库中。为了便于数据的统计，可进一步的将获取到的直播用户的源视频数据、源视频码率以及各观众终端对应的视频流信息进行数据清洗。具体的，数据清洗的步骤包括：删除无效码率对应的数据项；将各数据项对应的名称修改为预定格式；补齐历史时段的第一时段内的缺失数据项。无效码率对应的数据项例如为240P的源视频转换为1080P的视频所对应的数据项，也可称为无效转码所对应的数据项；而各数据项的名称可修改为“％Y-％m-％d％H:％M:％S”(年-月-日时：分：秒)的格式，此步骤即为将各数据项的文件名格式化处理；而补齐第一时段内的数据项即为对缺失项进行补齐；例如，在选定的5min时段内，若没有对应该5min时段准点的数据信息，则可利用相邻非整点信息进行平均值计算，计算得出的结果作为待补齐的数据项；而若只有单个相邻点时，则可通过四舍五入的方式将该相邻点的数据项作为待补齐数据项。
在该步骤中，用户类别是根据源视频的源码率以及观众终端的最小需求码率确定的；源视频可为240P、480P、720P、1080P视频，相应的，观看终端所观看的视频也可为240P、480P、720P、1080P视频。此时，基于源视频的源码率以及观众终端的最小需求码率可以对观众终端进行用户分类。此外，转码功能需要避免无效转码，因此转码之后的码率需要小于等于源码率，故而排除掉无效转码；因此，按照源码率与最小需求码率的对照关系将观看终端分为九类，如：480P源视频转换为240P播放视频的用户、480P源视频转换为480P播放视频的用户、720P源视频转换为240P播放视频的用户、720P源视频转换为480P播放视频的用户、720P源视频转换为720P播放视频的用户、1080P源视频转换为240P播放视频的用户、1080P源视频转换为480P播放视频的用户、1080P源视频转换为720P播放视频的用户、1080P源视频转换为1080P播放视频的用户。
另外，当源视频的源码率确定，且用户视频的最小码率需求确定的情况下，该直播用户所对应的观看用户的类别即被确定；而当源视频的源码率确定的情况下，则用户的类别小于或等于四类。
步骤S30：通过时间序列预测模型预测未来预定时段内观看所述视频的第二观众终端总量，并基于所述第二观众终端总量及所述最小需求码率比例计算未来预定时段内各类用户对应的观众终端数量。
在该步骤中，未来预定时间段具体的可指未来一天，也可指未来的一个小时或5min。最小需求码率比值是指在步骤S20中统计得到的第一时段内的240P：480P：720P：1080P的用户数量比，因而在预测到未来预定时间段内观看该直播的观众终端数量后，基于该预测到的观众终端数量以及计算得到的第一时段内的240P：480P：720P：1080P的用户数量比，进一步的可分别计算出未来预定时间段内240P视频、480P视频、720P视频、1080P视频所对应的观众数量，进而也即确定各类用户对应的观众终端数量。
时间序列预测模型具体的可为Prophet模型，Prophet模型主要用于对短时间内有周期性特征和趋势特征的时间序列问题进行预测，而其方便性体现在可以灵活的添加周期性因素、变点以及节假日的影响。对于本发明实施例来说，直播用户的直播过程具有非常明显的日周期性和周周期性，此外还必然会受到节假日影响和可能出现的变点趋势；且该多云视频分发策略优化方法是为了得出成本尽可能低，QoE尽可能高的CDN分配决策，所以面向的是短时间内的时间序列预测；而Prophet模型的模型参数包括变点参数、周期项参数及节假日项参数，且Prophet模型对于短时期内的预测较为准确而合理，因而具体的可采用Prophet模型预测未来预定时段内的观看该直播的观众终端数量。
具体的，将经过步骤S20清洗后的数据输入至Prophet时间序列预测模型中，提前设置好日周期性和周周期性，并且加入中国的节假日影响，并在上午、下午、晚间的黄金时间处设置适当的变点。其中，所设置的周期项参数也可为月周期性、年周期性，而变点参数也可为其他的较为合理的影响趋势的变点。
步骤S40：根据各云平台服务器的CDN分发价格、各转码模板的转码价格及各类用户对应的观众终端数量和码率分别计算各类用户基于各转码模板在所述未来预定时段内的各消费成本，根据各云平台服务器的CDN时延数据及各类用户对应的码率计算各类用户基于各转码模板在所述未来预定时段内的各QoE值。
其中，消费成本包括分发成本和转码成本，而分发成本和转码成本的计算方式不同，分发成本与所分发的用户的数量以及CDN分发单价有关，且分发成本与用户数量、CDN分发单价均呈正比；而转码模板则是采用存在即服务的计费方式，也即只要开启了该转码模板，那么每分每秒都在计费。
具体的，分发成本的计算公式为：
CostCDN＝Numaud×Δt×Rate×Costunitc，
其中，CostCDN为分发成本，Numaud为未来预定时段内各类用户对应的观众终端数量，Δt为未来预定时段的时长，Rate为码率，Costunitc为分发单价。示例性的，Δt可取5min，所计算的为720P源视频转换为240P播放视频的用户，此时Numaud则是指未来5min内最低分辨率要求为240P的观众终端数量，而Rate为240P对应的码率，Costunitc为各云平台服务器对应的分发单价；通过上述公式可计算出720P源视频转换为240P播放视频的该类用户采用各云平台服务器的分发成本。
转码成本的计算公式为：
Costtrans＝Δt×Costunitt，
其中，Costtrans为转码成本，Δt为未来预定时段的时长，Costunitt为转码单价。类似的，Δt也取5min，所计算的用户类别也为720P源视频转换为240P播放视频的用户，而Costunitt则为各云平台服务器对应的转码模板的单价；通过上述公式则计算出各云平台对应的的转码成本。
进一步的，通过计算得到的720P源视频转换为240P播放视频的该类用户采用各云平台服务器的分发成本以及转码成本，可推选出各云平台相对于该类用户的总消费成本。
另外，对于QoE参数，时延是最能直观体现QoE的因素，时延具体的包括转码时延和CDN分发时延两个部分；在实际情况中，由于时延的大小由许多因素影响，无法准确量化，因此为四种CDN的转码时延和分发时延按照阈值分别设置了随机数。QoE的另一个影响因素是转码因素。观众终端一般都有其最低码率需求，而转码功能需要避免无效转码，因此转码之后的码率需要小于等于源码率。显然观众终端的最低需求和源码率不同时，算法提供的转码模板码率高于最低需求时就会增加其QoE的质量评分，而越高的码率越背离其本身的最低需求，所以QoE提高的趋势就会越缓慢；根据这样的特点，本文以log函数为最初设定思路，设计码率系数的取值原理为：基本需求为1，这之后每超过一档对于码率的提升，系数就会依次增加为ln3，ln5，ln6，因此QoE即与转码过程中的转码因素相关联。具体的，QoE值的计算公式为：
QoEi＝((1500-delay(CDNi))÷100)×QoEtrans，
其中，QoEi为转码模板i对应的QoE值，delay(CDNi)为转码模板i对应的总时延时间，QoEtrans为码率影响系数，且QoEtrans取值为1，ln3，ln5或ln6。示例性的，当用户类别为1080P源视频转换为1080P播放视频时，QoEtrans为1；当用户类别为1080P源视频转换为720P播放视频时，QoEtrans为ln3；当用户类别为1080P源视频转换为480P播放视频时，QoEtrans为ln5；当用户类别为1080P源视频转换为240P播放视频时，QoEtrans为ln6。
通过上述内容可知，采用上述的计算公式可计算出各类用户基于各转码模板的消费成本以及QoE值，另为了满足用户对于QoE的要求，可进一步的将QoE值较低的分配方案删除，从而进一步的缩小了可选分配方案的解空间。
步骤S50：根据计算到的各消费成本及各QoE值确定各类用户适合的云平台服务器，统计各云平台服务器在未来预定时段内覆盖的用户总量比例，以使各云平台服务器根据所述用户总量比例向观众终端分发视频。
在该步骤中，各类用户适合的云平台服务器也即为消费成本最低且满足QoE值需求的云平台服务器。当采用步骤S30循环计算出各类用户采用各云平台服务器的各转码模板的各消费成本以及各QoE值后，进一步的可确定各类用户所适用的云平台服务器。最终统计出最低分发成本所对应的分发策略所对应的各云平台服务器覆盖的用户总量。
其中，根据计算到的各消费成本及各QoE值确定各类用户适合的云平台服务器，包括：根据QoE筛选函数筛选大于设定阈值的QoE值；将大于设定阈值的QoE值所对应的转码模板作为元素生成解空间；从所述解空间内确定最小消费成本对应的转码模板及云平台服务器。QoE筛选函数具体的为((1500-delay(CDNi))÷100)×QoEtrans>4；即QoE大于4时所对应的转码策略为有效策略。在实际应用过程中，可将符合条件的分配策略在选择矩阵中置为1，1表示可以选择，因而即将QoE不符合条件的分配方案排除，也即缩小了待选择的分发方案的解空间。
在本发明一实施例中，在从分配方案的解空间内推选最优方案时，可通过以下公式进行推选：Δt×(Zi+Num×Ci×Di)<Δt×(Zj+Num×Cj×Dj)。其中，Δt为未来预定时段的时长，Zi为i转码模板对应的Costunitt(转码单价)，Num为观众终端数量，Ci为i转码模板对应的Rate(码率)，Di为i转码模板对应的Costunitc(分发单价)；Zj为j转码模板对应的Costunitt(转码单价)，Cj为j转码模板对应的Rate(码率)，Dj为j转码模板对应的Costunitc(分发单价)。根据上述公式可得到消费成本最低的转码模板以及转码模板对应的云平台服务器。
通过上述方法，最终可获得各类观众适用的转码模板及云平台服务器，并进一步的可将最终各云平台服务器所覆盖的观众终端数量以及消费成本显示并输出。另外，基于各云平台服务器所覆盖的观众终端数量可获得各云平台服务器在未来预定时段内覆盖的用户总量比例，该用户总量比例可被进一步的发送至云服务提供商，进而使云服务提供商根据该比例进行合理分配。
图2为本发明另一实施例的多云视频分发策略优化方法的流程示意图，如图2所示，在该方法中首先通过数据获取模块获取待处理的数据，此时数据获取模块获取到的数据为云平台获取到的log数据，示例性的如阿里云log数据；进一步的对数据进行预处理，进而将处理过的数据作为Prophet时间序列预测模型的输入数据以使Prophet时间序列预测模型预测未来预定时段内的观众信息数据；进一步的基于预测到的观众信息数据计算QoE和消费成本，并基于成本优化算法从解空间内获取最优的分配策略。
图3为成本优化的选择策略的流程示意图，如图3所示，首先对终端用户进行用户类别分类；然后计算各类用户基于各转码模板在未来预定时段内的各QoE值；进而将不符合预设条件的QoE对应的分配策略删除从而缩小解空间；最终基于公式Δt×(Zi+Num×Ci×Di)<Δt×(Zj+Num×Cj×Dj)在解空间内启发式搜索最优解，从而得到优化后的CDN分配策略。
图4为本发明一实施例的多云视频分发策略优化系统的结构示意图，如图4所示，该与多云视频分发策略优化方法相对应的多云视频分发策略优化系统包括：数据获取模块、数据处理模块、时间序列预测模型模块、消费成本及QoE计算模块及决策模块。
数据获取模块用于获取历史时段内的直播用户的直播视频流数据，各云平台服务器的CDN时延数据、CDN分发价格及各转码模板的转码价格；其中，所述直播视频流数据包括直播用户的源视频数据、源视频码率以及各观众终端对应的视频流信息；所述视频流信息包括观看时间及最小需求码率信息；
数据处理模块用于对所述直播视频流数据进行数据清洗，基于清洗后的数据统计历史时段的第一时段内的第一观众终端总量、最小需求码率比例以及各源码率对应的直播用户数量的比例，根据源视频码率以及观众终端的最小需求码率进行用户类别分类；
时间序列预测模型模块用于预测未来预定时段内观看所述视频的第二观众终端总量，并基于所述第二观众终端总量及所述最小需求码率比例计算未来预定时段内各类用户对应的观众终端数量；
消费成本及QoE计算模块用于根据各云平台服务器的CDN分发价格、各转码模板的转码价格及各类用户对应的观众终端数量和码率分别计算各类用户基于各转码模板在所述未来预定时段内的各消费成本，根据各云平台服务器的CDN时延数据及各类用户对应的码率计算各类用户基于各转码模板在所述未来预定时段内的各QoE值；
决策模块用于根据计算到的各消费成本及各QoE值确定各类用户适合的云平台服务器，统计各云平台服务器在未来预定时段内覆盖的用户总量比例，以使各云平台服务器根据所述用户总量比例向观众终端分发视频。
通过上述实施例可以发现，该多云视频分发策略优化方法及系统利用Prophet时间序列预测模型对于未来预定时段内的观众数量进行预测，并利用预测到的数据对分配方案进行决策。在实际应用场景中，由于终端设备的异构性，很多时候直播服务提供商对于观众直播流数据需要提前进行分配，该方法可提前作出CDN分配方案的决策，并不断的对数据库进行更新以及通过Prophet模型独有的节假日影响选项和变点选项，进一步的更准确更细致的作出未来的分配方案的决策。
另外，QoE评价是一个多维度且异构性极强的一个问题，事实上很难将全部的因素考虑进来，无法全面具体的量化所有指标并提出合适的评价方案。而实际上多数因素的影响并非非常明显，很多情况可以忽略绝大多数的影响因素。本发明技术在构建QoE评价体系的时候主要考虑两大主要因素，即时延和转码；其中时延显然是最重要的影响因素，其对于用户观感起到最直接的影响；而转码过程中，由于观众终端对于码率的需求不同，因而QoE的质量同样受观众终端码率的影响。因而，本发明在评价QoE时，综合考虑时延及转码带来的影响，从而使得计算到的QoE值更准确。
对于该多云视频分发策略优化方法，当得到通过时间序列预测模型预测的数据之后，首先计算不同类别观众基于不同转码模板的QoE，并利用提前设置好的阈值对于解空间进行约束缩小，即去掉QoE不符合阈值要求的解方案，然后在缩小的解空间中进行启发式搜索并最终得到相对最优解，即得到最终的CDN分配比例。
本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种多云视频分发策略优化方法，其特征在于，所述方法包括：
获取历史时段内的直播用户的直播视频流数据、各云平台服务器的内容分发网络CDN时延数据、CDN分发价格及各转码模板的转码价格；其中，所述直播视频流数据包括直播用户的源视频数据、源视频码率以及各观众终端对应的视频流信息；所述视频流信息包括观看时间及最小需求码率信息；
对所述直播视频流数据进行数据清洗，基于清洗后的数据统计历史时段的第一时段内的第一观众终端总量、最小需求码率比例以及各源码率对应的直播用户数量的比例，根据源视频码率以及观众终端的最小需求码率进行用户类别分类；
通过时间序列预测模型预测未来预定时段内观看所述视频的第二观众终端总量，并基于所述第二观众终端总量及所述最小需求码率比例计算未来预定时段内各类用户对应的观众终端数量；
根据各云平台服务器的CDN分发价格、各转码模板的转码价格及各类用户对应的观众终端数量和码率分别计算各类用户基于各转码模板在所述未来预定时段内的各消费成本，根据各云平台服务器的CDN时延数据及各类用户对应的码率计算各类用户基于各转码模板在所述未来预定时段内的各QoE值；
根据计算到的各消费成本及各QoE值确定各类用户适合的云平台服务器，统计各云平台服务器在未来预定时段内覆盖的用户总量比例，以使各云平台服务器根据所述用户总量比例向观众终端分发视频。
2.根据权利要求1所述的多云视频分发策略优化方法，其特征在于，根据计算到的各消费成本及各QoE值确定各类用户适合的云平台服务器，包括：
根据QoE筛选函数筛选大于设定阈值的QoE值；
将大于设定阈值的QoE值所对应的转码模板作为元素生成解空间；
从所述解空间内确定最小消费成本对应的转码模板及云平台服务器。
3.根据权利要求2所述的多云视频分发策略优化方法，其特征在于，所述消费成本包括分发成本和转码成本；
所述分发成本的计算公式为：
CostCDN＝Numaud×Δt×Rate×Costunitc；
其中，CostCDN为分发成本，Numaud为未来预定时段内各类用户对应的观众终端数量，Δt为未来预定时段的时长，Rate为码率，Costunitc为分发单价；
所述转码成本的计算公式为：
Costtrans＝Δt×Costunitt；
其中，Costtrans为转码成本，Δt为未来预定时段的时长，Costunitt为转码单价。
4.根据权利要求1所述的多云视频分发策略优化方法，其特征在于，所述QoE值的计算公式为：
QoEi＝((1500-delay(CDNi))÷100)×QoEtrans；
其中，QoEi为转码模板i对应的QoE值，delay(CDNi)为转码模板i对应的总时延时间，QoEtrans为码率影响系数，且QoEtrans取值为1，ln3，ln5或ln6。
5.根据权利要求4所述的多云视频分发策略优化方法，其特征在于，所述delay(CDNi)包括转码时延时长和分发时延时长。
6.根据权利要求1所述的多云视频分发策略优化方法，其特征在于，对所述各观众终端对应的视频流信息进行数据清洗，包括：
删除无效码率对应的数据项；
将各数据项对应的名称修改为预定格式；
补齐历史时段的第一时段内的数据项。
7.根据权利要求1所述的多云视频分发策略优化方法，其特征在于，所述时间序列预测模型为Prophet时间序列预测模型。
8.根据权利要求7所述的多云视频分发策略优化方法，其特征在于，所述Prophet时间序列预测模型的模型参数包括变点参数、周期项参数及节假日项参数。
9.根据权利要求1至8中任意一项所述的多云视频分发策略优化方法，其特征在于，所述用户类别为九类。
10.一种多云视频分发策略优化系统，其特征在于，所述系统包括：
数据获取模块，用于获取历史时段内的直播用户的直播视频流数据，各云平台服务器的CDN时延数据、CDN分发价格及各转码模板的转码价格；其中，所述直播视频流数据包括直播用户的源视频数据、源视频码率以及各观众终端对应的视频流信息；所述视频流信息包括观看时间及最小需求码率信息；
数据处理模块，用于对所述直播视频流数据进行数据清洗，基于清洗后的数据统计历史时段的第一时段内的第一观众终端总量、最小需求码率比例以及各源码率对应的直播用户数量的比例，根据源视频码率以及观众终端的最小需求码率进行用户类别分类；
时间序列预测模型模块，用于预测未来预定时段内观看所述视频的第二观众终端总量，并基于所述第二观众终端总量及所述最小需求码率比例计算未来预定时段内各类用户对应的观众终端数量；
消费成本及QoE计算模块，用于根据各云平台服务器的CDN分发价格、各转码模板的转码价格及各类用户对应的观众终端数量和码率分别计算各类用户基于各转码模板在所述未来预定时段内的各消费成本，根据各云平台服务器的CDN时延数据及各类用户对应的码率计算各类用户基于各转码模板在所述未来预定时段内的各QoE值；
决策模块，用于根据计算到的各消费成本及各QoE值确定各类用户适合的云平台服务器，统计各云平台服务器在未来预定时段内覆盖的用户总量比例，以使各云平台服务器根据所述用户总量比例向观众终端分发视频。
CN202110694541.9A 2021-06-22 2021-06-22 多云视频分发策略优化方法及系统 Active CN113645471B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110694541.9A CN113645471B (zh) 2021-06-22 2021-06-22 多云视频分发策略优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110694541.9A CN113645471B (zh) 2021-06-22 2021-06-22 多云视频分发策略优化方法及系统

Publications (2)

Publication Number Publication Date
CN113645471A CN113645471A (zh) 2021-11-12
CN113645471B true CN113645471B (zh) 2022-06-03

Family

ID=78416095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110694541.9A Active CN113645471B (zh) 2021-06-22 2021-06-22 多云视频分发策略优化方法及系统

Country Status (1)

Country Link
CN (1) CN113645471B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114339311B (zh) * 2021-12-09 2022-10-11 北京邮电大学 一种视频云转码及分发联合决策方法及系统
CN114302027A (zh) * 2021-12-22 2022-04-08 上海正在上演文化科技有限公司 一种基于5G技术的数字演艺SaaS系统
CN115022687A (zh) * 2022-08-08 2022-09-06 深圳市华曦达科技股份有限公司 一种多视点直播视频流分发方法、装置及系统
CN116108476B (zh) * 2022-11-03 2023-08-25 深圳市和合信诺大数据科技有限公司 一种基于大数据的信息安全管理及监控系统
CN117119231A (zh) * 2023-10-13 2023-11-24 深圳市知酷信息技术有限公司 一种基于区块链的视频计费调控系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105828105A (zh) * 2015-12-10 2016-08-03 广东亿迅科技有限公司 一种基于分布式环境的视频转码系统及视频转码方法
CN106713956A (zh) * 2016-11-16 2017-05-24 上海交通大学 动态自适应视频流媒体的码率控制与版本选择方法及系统
CN107241384A (zh) * 2017-05-03 2017-10-10 复旦大学 一种基于多云架构的内容分发服务资源优化调度方法
KR20190078684A (ko) * 2017-12-13 2019-07-05 한국과학기술원 라이브 스트리밍을 위한 프리패칭 기반 클라우드 중계 장치 및 방법
CN110351571A (zh) * 2019-07-05 2019-10-18 清华大学 基于深度强化学习的直播视频云转码资源分配与调度方法
CN110856018A (zh) * 2019-11-14 2020-02-28 武汉珞佳伟业科技有限公司 一种基于云计算的监控系统中的快速转码方法及系统
CN111294647A (zh) * 2018-12-10 2020-06-16 中国移动通信集团有限公司 一种视频处理方法、装置及设备、存储介质
CN111431941A (zh) * 2020-05-13 2020-07-17 南京工业大学 一种基于移动边缘计算的实时视频码率自适应方法
CN111447485A (zh) * 2020-03-31 2020-07-24 广州微算互联信息技术有限公司 一种实时的云游戏录制视频方法、系统、装置及存储介质
CN112468569A (zh) * 2020-11-23 2021-03-09 华能国际电力股份有限公司 一种基于“云计算”工业视频级联的生产实时监管架构
CN112492325A (zh) * 2020-10-12 2021-03-12 北京邮电大学 一种观看者协助的视频转码任务分配方法及装置
CN112672227A (zh) * 2019-10-15 2021-04-16 中国电信股份有限公司 基于边缘节点的业务处理方法、装置、节点以及存储介质
CN112788357A (zh) * 2020-12-30 2021-05-11 北京达佳互联信息技术有限公司 网络直播方法、装置、服务器及计算机可读存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10298969B2 (en) * 2016-11-10 2019-05-21 University Of Louisiana At Lafayette Architecture and method for high performance on demand video transcoding
US11166057B2 (en) * 2016-11-10 2021-11-02 University Of Louisiana At Lafayette System for high performance on-demand video transcoding
US10951521B2 (en) * 2017-09-01 2021-03-16 Maxlinear, Inc. Method for scheduling a computational task, a method for processing a computational task, a computer readable storage medium, a computer program, a residential gateway, and a server

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105828105A (zh) * 2015-12-10 2016-08-03 广东亿迅科技有限公司 一种基于分布式环境的视频转码系统及视频转码方法
CN106713956A (zh) * 2016-11-16 2017-05-24 上海交通大学 动态自适应视频流媒体的码率控制与版本选择方法及系统
CN107241384A (zh) * 2017-05-03 2017-10-10 复旦大学 一种基于多云架构的内容分发服务资源优化调度方法
KR20190078684A (ko) * 2017-12-13 2019-07-05 한국과학기술원 라이브 스트리밍을 위한 프리패칭 기반 클라우드 중계 장치 및 방법
CN111294647A (zh) * 2018-12-10 2020-06-16 中国移动通信集团有限公司 一种视频处理方法、装置及设备、存储介质
CN110351571A (zh) * 2019-07-05 2019-10-18 清华大学 基于深度强化学习的直播视频云转码资源分配与调度方法
CN112672227A (zh) * 2019-10-15 2021-04-16 中国电信股份有限公司 基于边缘节点的业务处理方法、装置、节点以及存储介质
CN110856018A (zh) * 2019-11-14 2020-02-28 武汉珞佳伟业科技有限公司 一种基于云计算的监控系统中的快速转码方法及系统
CN111447485A (zh) * 2020-03-31 2020-07-24 广州微算互联信息技术有限公司 一种实时的云游戏录制视频方法、系统、装置及存储介质
CN111431941A (zh) * 2020-05-13 2020-07-17 南京工业大学 一种基于移动边缘计算的实时视频码率自适应方法
CN112492325A (zh) * 2020-10-12 2021-03-12 北京邮电大学 一种观看者协助的视频转码任务分配方法及装置
CN112468569A (zh) * 2020-11-23 2021-03-09 华能国际电力股份有限公司 一种基于“云计算”工业视频级联的生产实时监管架构
CN112788357A (zh) * 2020-12-30 2021-05-11 北京达佳互联信息技术有限公司 网络直播方法、装置、服务器及计算机可读存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
"Cost-Efficient and Robust On-Demand Video Transcoding Using Heterogeneous Cloud Services";X. Li et al.;《IEEE TRANSACTIONS ON PARALLEL AND DISTRIBUTED SYSTEMS》;20180301;第29卷(第3期);第 556-571页 *
"QoS-Aware Resource Allocation for Video Transcoding in Clouds";J. Cai et al.;《 IEEE Transactions on Circuits and Systems for Video Technology》;20170131;第27卷(第1期);第49-61页 *
"云计算平台中监控视频摘要任务调度方法研究";许彬等;《计算机应用与软件》;20170715;第34卷(第7期);第7-10页 *
"基于云计算的直播流按需转码机制研究";石启森;《硕士电子期刊》;20190215(第2期);全文 *

Also Published As

Publication number Publication date
CN113645471A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN113645471B (zh) 多云视频分发策略优化方法及系统
US11960509B2 (en) Feedback loop content recommendation
Wang et al. Intelligent edge-assisted crowdcast with deep reinforcement learning for personalized QoE
CN101305612B (zh) 用于对等订户小区的多源和弹性按需点播视频流媒体系统
US10433010B1 (en) Predictive content placement on a managed services system
Gao et al. Towards cost-efficient video transcoding in media cloud: Insights learned from user viewing patterns
US10178198B2 (en) System and method for selection and switching of content sources for a streaming content session
JP7096464B2 (ja) オーディオ・ビジュアルコンテンツプログラムの視聴者に関する情報を決定する方法、装置、コンピュータプログラム及びシステム
Pires et al. Dash in twitch: Adaptive bitrate streaming in live game streaming platforms
US7644423B2 (en) System and method for generating media consumption statistics
Toni et al. Optimal set of video representations in adaptive streaming
US20220263881A1 (en) Methods and systems for dynamic data management
US9553909B2 (en) System and method for assignment and switching of content sources for a streaming content session
Madlener et al. The electricity-and CO2-saving potentials offered by regulation of European video-streaming services
CN111669617B (zh) 一种基于智能边缘的直播视频流的传输方法
US20140149425A1 (en) View count weighted content recommendation
US11297364B2 (en) Video content streaming bitrate selection using an edge computing system for improving user experience
Jin et al. Reducing operational costs in cloud social TV: An opportunity for cloud cloning
US20140149326A1 (en) Post-processed content recommendation
Schien et al. Using behavioural data to assess the environmental impact of electricity consumption of alternate television service distribution platforms
JP2023175841A (ja) ビデオストリーミングのためのセッションベースの適応再生プロファイルの決定
Haouari et al. Transcoding resources forecasting and reservation for crowdsourced live streaming
Colonnese et al. Cloud-assisted buffer management for http-based mobilevideo streaming
Kim et al. View pattern-based adaptive streaming strategy for mobile content delivery services
CN114339311B (zh) 一种视频云转码及分发联合决策方法及系统

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