CN113852818A - 一种自适应码率传输的服务器及码率确定方法 - Google Patents
一种自适应码率传输的服务器及码率确定方法 Download PDFInfo
- Publication number
- CN113852818A CN113852818A CN202010597833.6A CN202010597833A CN113852818A CN 113852818 A CN113852818 A CN 113852818A CN 202010597833 A CN202010597833 A CN 202010597833A CN 113852818 A CN113852818 A CN 113852818A
- Authority
- CN
- China
- Prior art keywords
- code rate
- client
- network condition
- media content
- condition information
- 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.)
- Pending
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000003044 adaptive effect Effects 0.000 title claims description 47
- 230000003139 buffering effect Effects 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 230000011664 signaling Effects 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000007634 remodeling Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012790 confirmation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
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
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/146—Data rate or code amount at the encoder output
-
- 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
-
- 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
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/156—Availability of hardware or computational resources, e.g. encoding based on power-saving criteria
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明揭示了一种自适应码率传输的服务器及码率确定方法,自适应码率传输服务器,包括网络状况判断模块和码率决策模块;其中,网络状况判断模块,接收客户端的历史网络状况信息,并根据网络状况预测模型,判断出客户端的未来网络状况;码率决策模块,根据客户端的未来网络状况选择或切换相对应的码率决策模型,并结合客户端的历史网络状况信息、客户端的缓冲状况信息和码率决策模型确定传输给客户端的媒体内容的码率。采用了本发明的技术方案,解决了现有码率自适应传输难以很好地应对网络高动态特性的问题,有利于保持较优的决策性能,保证用户在多种传输网络状况下均可以获得较高的媒体观看体验质量。
Description
技术领域
本发明属于互联网领域,尤其是一种媒体内容自适应码率传输的服务器及码率确定方法。
背景技术
随着互联网传输流量中视频流量所占比例的日益提升以及用户对于媒体质量要求的日渐增加,视频内容提供商越来越注重提升视频传输的质量以保证高用户主观体验质量,其中主要用到的一种方案就是自适应码率传输算法,即综合考虑传输网络历史吞吐率状况及用户端播放器状态,动态地为未来视频内容选择合适的传输码率,而不是以恒定的码率进行视频内容的传输,从而在保证用户观看视频高质量的同时,减少视频卡顿次数,降低传输时延,提升视频平滑度。然而,传输网络具有高动态特性,并且随着接入用户数量的不断上升以及网络流量的急剧增长,传输网络环境也正变得越来越复杂。
现有的码率自适应传输算法,在选取特定模型或模型参数后,都只能针对某种网络状况时达到较优的效果,当网络因为波动而出现完全不同的吞吐率状况时,即当客户端播放器遇到完全不同的网络状况时,码率自适应算法则无法取得较优的效果。现实生活中的媒体传输网络通常具有高动态特性,且媒体播放器广泛部署在移动客户端之中,客户端媒体播放器不可避免地会经历完全不同的网络状况。
因此,考虑到单一码率自适应模型或固定模型参数在应对网络动态特性时存在的不足,以及客户端播放器处网络状况时变的属性,需要针对码率自适应传输提出一种基于网络状况自动进行模型切换的方案。
发明内容
本发明提供了一种自适应码率传输服务器及码率确认方法,采用在自适应码率传输中设置多个码率决策模型、能够自动进行码率决策模型切换并确认媒体内容传输码率的技术方案,解决媒体内容在多种不同的网络状况下传输质量不佳的问题。
依据上述目的,实施本发明的一种自适应码率传输服务器,用于根据客户端的网络状况及缓冲状况确定传输给客户端的媒体内容的码率,其特征在于,包括网络状况判断模块和码率决策模块;其中,
所述网络状况判断模块,接收客户端的历史网络状况信息,并根据网络状况预测模型,判断出客户端的未来网络状况;
所述码率决策模块,根据客户端的未来网络状况选择或切换相对应的码率决策模型,并结合客户端的历史网络状况信息、客户端的缓冲状况信息和码率决策模型确定传输给客户端的媒体内容的码率。
可选的,所述码率决策模块,确定传输给客户端的媒体内容的码率时,还需结合客户端当时的网络状况信息。
可选的,所述客户端的历史网络状况信息包括客户端在若干个不同时刻的网络状况信息。
可选的,所述网络状况预测模型基于传统启发式算法或数据驱动的深度学习算法构建。
可选的,所述网络状况预测模型,包括卷积神经网络、池化层、批量归一化层、矩阵维度重塑层和全连接神经网络;其中,
所述卷积神经网络,对接收到的所述历史网络状况的信息进行卷积运算;
所述池化层,对卷积运算后的数据进行一维池化处理;
所述批量归一化层,对池化后的数据进行归一化处理;
所述矩阵维度重塑层,对归一化处理后的数据进行矩阵维度重塑;
所述全连接神经网络,对矩阵维度重塑后的数据进行分类,并预测出客户端的未来网络状况。
依据上述目的,实施本发明的一种自适应码率传输的码率确定方法,用于根据客户端的网络状况及缓冲状况确定传输给客户端的媒体内容的码率,其特征在于,包括如下步骤:
接收的客户端的历史网络状况信息;
根据客户端的历史网络状况信息和网络状况预测模型,判断出客户端的未来网络状况;
根据客户端的未来网络状况选择或切换相对应的码率决策模型;
根据客户端的历史网络状况信息、客户端的缓冲状况信息和码率决策模型,确定传输给客户端的媒体内容的码率。
可选的,确定传输给客户端的媒体内容的码率时,还需结合客户端当时的网络状况信息。
可选的,所述客户端的历史网络状况信息包括客户端在若干个不同时刻的网络状况信息。
可选的,所述网络状况预测模型基于传统启发式算法或数据驱动的深度学习算法构建。
可选的,所述网络状况预测模型,包括卷积神经网络、池化层、批量归一化层、矩阵维度重塑层和全连接神经网络;其中,
所述卷积神经网络,对接收到的所述历史网络状况的信息进行卷积运算;
所述池化层,对卷积运算后的数据进行一维池化处理;
所述批量归一化层,对池化后的数据进行归一化处理;
所述矩阵维度重塑层,对归一化处理后的数据进行矩阵维度重塑;
所述全连接神经网络,对矩阵维度重塑后的数据进行分类,并预测出客户端的未来网络状况。
依据上述目的,实施本发明的一种自适应码率传输的系统,其特征在于,客户端、自适应码率传输服务器、媒体服务提供商和内容存储服务器;
所述客户端,用于向媒体服务提供商发送认证信令和需要的媒体内容请求信息,向自适应码率传输服务器发送客户端的网络状况信息和缓冲状况信息,并根据媒体服务提供商反馈的媒体内容的存储地址及可用码率信息、自适应码率传输服务器反馈的合适码率,向对应存储地址的内容存储服务器请求合适码率的媒体内容;
所述媒体服务提供商,根据接收到的认证信令和需要的媒体内容请求信息,反馈媒体内容的存储地址及可用码率信息;
所述自适应码率传输服务器,根据接收到的客户端的网络状况信息和缓冲状况信息,确定传输给客户端的媒体内容的合适码率;
所述内容存储服务器,根据接收到的客户端的请求,向客户端发送合适码率的媒体内容。
依据上述目的,实施本发明的一种媒体内容的自适应码率传输方法,其特征在于,
发送认证信令和需要的媒体内容请求信息、客户端的网络状况信息和缓冲状况信息;
根据认证信令和需要的媒体内容请求信息,反馈媒体内容的存储地址及可用码率信息;
根据客户端的网络状况信息和缓冲状况信息,确定传输媒体内容的合适码率;
根据获得的媒体内容的存储地址和合适码率,向对应存储地址的内容存储服务器请求合适码率的媒体内容;
发送合适码率的媒体内容。
本发明提供了一种自适应码率传输服务器及码率确认方法,根据接收到的客户端的历史网络状况信息判定和预测客户端的未来网络状况,选择最适合该网络状况的码率决策模型,并基于该码率决策模型进行未来一段时间内码率自适应传输中的码率决策,更好地应对传输网络动态特性。
附图说明
图1为自适应码率传输系统的示意图;
图2为网络状况预测模型的示意图。
具体实施方式
下面结合附图和实施例进一步说明本发明的技术方案。
如图1所示为自适应码率传输系统的示意图。自适应码率传输系统主要包括四部分:客户端、自适应码率传输服务器、媒体服务提供商和内容存储服务器。
客户端首先向媒体服务提供商发送认证信令及需要的媒体内容信息,媒体服务提供商返回相应媒体内容的存储地址及可用码率信息;与此同时,客户端向自适应码率传输服务器提供客户端处的网络状况信息和播放器缓冲状况信息,自适应码率传输服务器接收来自客户端播放器处的网络状况信息、播放器缓冲状况信息等,并基于上述信息以及自适应码率传输服务器内的网络状况预测模型、码率决策模型,做出传输码率决策,即确认媒体内容最合适的传输码率。
一个优选实施例中,自适应码率传输服务器从可用码率信息中选择确认媒体内容最合适的传输码率。
一个优选实施例中,可用码率信息中不存在自适应码率传输服务器选择确认的媒体内容最合适的传输码率,此时媒体服务提供商从传输网络中提取媒体内容,并根据上述最合适的传输码率对提取的媒体内容进行重新编码,并将重新编码后的媒体内容存储于内容存储服务器中。
根据自适应码率传输服务器做出的码率决策以及媒体服务提供商提供的信息,客户端会向相关的内容存储服务器请求确认最合适码率的媒体内容。内容存储服务器向客户端发送相应码率的媒体内容,客户端接收后,客户端上的播放器进行播放和呈现。
自适应码率传输服务器在进行码率决策的同时,会基于来自客户端的历史网络状况信息以及内部存储的网络状况预测模型,进行未来网络状况的预测和判决。利用网络状况预测模型对客户端的历史网络状况信息的特征进行提取和分析,从而预测未来最有可能出现的网络状况。与此同时,由于自适应码率传输服务器内保存有适合于多种网络状况的码率决策模型,所以在确定了未来最有可能出现的网络状况后,服务器会依此进行码率决策模型的切换,即选择最适合于未来网络状况的码率决策模型用于之后的传输码率决策。
自适应码率传输服务器包括网络状况判断模块和码率决策模块,网络状况判断模块中保存有网络状况预测模型,码率决策模块中保持有适用于多种传输网络状况的码率决策模型。当自适应码率传输服务器接收到来自客户端的历史网络状况信息后,网络状况判断模块就会分析、提取上述历史网络状况信息的特征并采用网络状况预测模型进行分析,根据分析结果进行未来网络状况的预测和判决。当完成未来网络状况预测后,自适应码率传输服务器就会相应地进行码率决策模型的选择或切换,以使得未来所使用的码率决策模型适合于未来网络状况。
网络状况预测模型可以基于传统启发式算法构建,也可以基于数据驱动的深度学习算法构建。如图2所示为一个优选实施例中的网络状况预测模型的示意图,其网络状况预测模型基于深度学习算法构建,主要由卷积神经网络、池化层、批量归一化层、矩阵维度重塑层和全连接神经网络等组成;输入的客户端的历史网络状况信息为过去一段时间内的网络状况,如当前时刻前10s或前20s等时刻的客户端的历史网络状况信息;卷积神经网络,对接收到的所述历史网络状况信息进行卷积运算;池化层,对卷积运算后的数据进行一维池化处理;批量归一化层,对池化后的数据进行归一化处理;矩阵维度重塑层,对归一化处理后的数据进行矩阵维度重塑,将批量归一化后的数据的维度变成适合于后续全连接神经网络的输入维度;全连接神经网络,对矩阵维度重塑后的数据进行分类并最终输出网络状况的判决及预测结果,根据输出的判决及预测结果预测出客户端的未来网络状况。
一个优选实施例中,卷积神经网络选择一维卷积网络,由于一维卷积网络能够处理和学习到数据中的时间维度信息,因此采用一维卷积网络对输入数据(即历史网络状况信息)进行一维卷积运算,提取输入数据中的多层级特征,同时采用一维池化进一步降低所需的计算数据量。由于输入数据在经过多层卷积神经网络后可能产生数据分布的偏移,影响卷积神经网络的优化及收敛进程,因此采用批量归一化层对每层一维卷积+一维池化后的输出数据进行批量归一化操作,使得经卷积神经网络运算后的输出数据分布不会发生大范围的偏移。优选的,对输入数据采用三层一维卷积运算。
前述的历史网络状况信息输入的维度、卷积神经网络的结构、卷积神经网络的层数、节点数、激活函数种类等均可以根据具体情况进行适当地调整。
一个优选的实施例中,网络状况预测模型能够由带类型标注的历史网络数据进行训练,训练完成后的网络状况预测模型可以基于输入的历史网络状况信息进行网络状况的判决及预测。
媒体内容的自适应码率传输中所涉及的处理任务如下表一所示:
表一
本实施例的装置及方法具有如下作用和效果:
本发明通过在媒体内容的自适应码率传输的框架中加入基于网络状况的码率决策模型的切换机制,利用客户端的历史网络状况信息以及自适应码率传输服务器中的网络状况预测模型,对客户端处网络状况的特征提取和分析,从而实现对客户端处未来可能出现的网络状况的预测,并根据预测结果选择或切换最合适的码率决策模型。本发明弥补了现有码率自适应算法难以很好地应对网络高动态特性的问题,有利于码率自适应算法保持较优的决策性能,保证用户在多种传输网络状况下均可以获得较高的媒体观看体验质量。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置、模块、单元以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置、模块、单元以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以,本发明提供的系统及其各项装置、模块、单元可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置、模块、单元也可以视为硬件部件内的结构;也可以将用于实现各种功能的装置、模块、单元视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
所属领域的技术人员应当认识到,以上的说明书仅是本发明众多实施例中的一种或几种实施方式,而并非用对本发明的限定。任何对于以上所述实施例的均等变化、变型以及等同替代等技术方案,只要符合本发明的实质精神范围,都将落在本发明的权利要求书所保护的范围内。
Claims (12)
1.一种自适应码率传输服务器,用于根据客户端的网络状况及缓冲状况确定传输给客户端的媒体内容的码率,其特征在于,包括网络状况判断模块和码率决策模块;其中,
所述网络状况判断模块,接收客户端的历史网络状况信息,并根据网络状况预测模型,判断出客户端的未来网络状况;
所述码率决策模块,根据客户端的未来网络状况选择或切换相对应的码率决策模型,并结合客户端的历史网络状况信息、客户端的缓冲状况信息和码率决策模型确定传输给客户端的媒体内容的码率。
2.如权利要求1所述的一种自适应码率传输服务器,其特征在于,
所述码率决策模块,确定传输给客户端的媒体内容的码率时,还需结合客户端实时的网络状况信息。
3.如权利要求1所述的一种自适应码率传输服务器,其特征在于,
所述客户端的历史网络状况信息包括客户端在若干个不同时刻的网络状况信息。
4.如权利要求1所述的一种自适应码率传输服务器,其特征在于,
所述网络状况预测模型基于传统启发式算法或数据驱动的深度学习算法构建。
5.如权利要求4所述的一种自适应码率传输服务器,其特征在于,
所述网络状况预测模型,包括卷积神经网络、池化层、批量归一化层、矩阵维度重塑层和全连接神经网络;其中,
所述卷积神经网络,对接收到的所述历史网络状况的信息进行卷积运算处理;
所述池化层,对卷积运算后的数据进行一维池化处理;
所述批量归一化层,对池化后的数据进行归一化处理;
所述矩阵维度重塑层,对归一化处理后的数据进行矩阵维度重塑;
所述全连接神经网络,对矩阵维度重塑后的数据进行分类,并预测出客户端的未来网络状况。
6.一种自适应码率传输的码率确定方法,用于根据客户端的网络状况及缓冲状况确定传输给客户端的媒体内容的码率,其特征在于,包括如下步骤:
接收客户端的历史网络状况信息;
根据客户端的历史网络状况信息和网络状况预测模型,判断出客户端的未来网络状况;
根据客户端的未来网络状况选择或切换相对应的码率决策模型;
根据客户端的历史网络状况信息、客户端的缓冲状况信息和码率决策模型,确定传输给客户端的媒体内容的码率。
7.如权利要求6所述的一种自适应码率传输的码率确定方法,其特征在于,
确定传输给客户端的媒体内容的码率时,还需结合客户端实时的网络状况信息。
8.如权利要求6所述的一种自适应码率传输的码率确定方法,其特征在于,
所述客户端的历史网络状况信息包括客户端在若干个不同时刻的网络状况信息。
9.如权利要求6所述的一种自适应码率传输的码率确定方法,其特征在于,
所述网络状况预测模型基于传统启发式算法或数据驱动的深度学习算法构建。
10.如权利要求9所述的一种自适应码率传输的码率确定方法,其特征在于,
所述网络状况预测模型,包括卷积神经网络、池化层、批量归一化层、矩阵维度重塑层和全连接神经网络;其中,
所述卷积神经网络,对接收到的所述历史网络状况的信息进行卷积运算处理;
所述池化层,对卷积运算后的数据进行一维池化处理;
所述批量归一化层,对池化后的数据进行归一化处理;
所述矩阵维度重塑层,对归一化处理后的数据进行矩阵维度重塑;
所述全连接神经网络,对矩阵维度重塑后的数据进行分类,并预测出客户端的未来网络状况。
11.一种自适应码率传输的系统,其特征在于,包括客户端、自适应码率传输服务器、媒体服务提供商和内容存储服务器;
所述客户端,用于向媒体服务提供商发送认证信令和需要的媒体内容请求信息,向自适应码率传输服务器发送客户端的网络状况信息和缓冲状况信息,并根据媒体服务提供商反馈的媒体内容的存储地址及可用码率信息、自适应码率传输服务器反馈的合适码率,向对应存储地址的内容存储服务器请求合适码率的媒体内容;
所述媒体服务提供商,根据接收到的认证信令和需要的媒体内容请求信息,反馈媒体内容的存储地址及可用码率信息;
所述自适应码率传输服务器,采用如权利要求1-5中任意一项所述的一种自适应码率传输服务器,根据接收到的客户端的网络状况信息和缓冲状况信息,确定传输给客户端的媒体内容的合适码率;
所述内容存储服务器,根据接收到的客户端的请求,向客户端发送合适码率的媒体内容。
12.一种媒体内容的自适应码率传输方法,其特征在于,
发送认证信令和需要的媒体内容请求信息、客户端的网络状况信息和缓冲状况信息;
根据认证信令和需要的媒体内容请求信息,反馈媒体内容的存储地址及可用码率信息;
根据客户端的网络状况信息和缓冲状况信息,采用如权利要求6-10任意一项所述的一种自适应码率传输的码率确定方法,确定传输媒体内容的合适码率;
根据获得的媒体内容的存储地址和合适码率,向对应存储地址的内容存储服务器请求合适码率的媒体内容;
发送合适码率的媒体内容。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010597833.6A CN113852818A (zh) | 2020-06-28 | 2020-06-28 | 一种自适应码率传输的服务器及码率确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010597833.6A CN113852818A (zh) | 2020-06-28 | 2020-06-28 | 一种自适应码率传输的服务器及码率确定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113852818A true CN113852818A (zh) | 2021-12-28 |
Family
ID=78972102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010597833.6A Pending CN113852818A (zh) | 2020-06-28 | 2020-06-28 | 一种自适应码率传输的服务器及码率确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113852818A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017069849A (ja) * | 2015-09-30 | 2017-04-06 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 映像制御装置、映像配信システムおよび映像制御方法 |
CN108271048A (zh) * | 2018-02-09 | 2018-07-10 | 北京邮电大学 | 一种兼顾吞吐量和视频缓冲的码率自适应调整装置和方法 |
CN109413456A (zh) * | 2018-10-08 | 2019-03-01 | 山东大学 | 一种面向基于http的动态自适应流媒体多假设码率自适应系统及方法 |
CN109873726A (zh) * | 2019-03-07 | 2019-06-11 | 西安交通大学 | Sdn中基于深度学习的鲁棒服务质量预测与保障方法 |
CN110851782A (zh) * | 2019-11-12 | 2020-02-28 | 南京邮电大学 | 一种基于轻量级时空深度学习模型的网络流量预测方法 |
CN110996125A (zh) * | 2019-11-18 | 2020-04-10 | 腾讯科技(深圳)有限公司 | 一种视频流的生成方法、装置、电子设备及存储介质 |
-
2020
- 2020-06-28 CN CN202010597833.6A patent/CN113852818A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017069849A (ja) * | 2015-09-30 | 2017-04-06 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカPanasonic Intellectual Property Corporation of America | 映像制御装置、映像配信システムおよび映像制御方法 |
CN108271048A (zh) * | 2018-02-09 | 2018-07-10 | 北京邮电大学 | 一种兼顾吞吐量和视频缓冲的码率自适应调整装置和方法 |
CN109413456A (zh) * | 2018-10-08 | 2019-03-01 | 山东大学 | 一种面向基于http的动态自适应流媒体多假设码率自适应系统及方法 |
CN109873726A (zh) * | 2019-03-07 | 2019-06-11 | 西安交通大学 | Sdn中基于深度学习的鲁棒服务质量预测与保障方法 |
CN110851782A (zh) * | 2019-11-12 | 2020-02-28 | 南京邮电大学 | 一种基于轻量级时空深度学习模型的网络流量预测方法 |
CN110996125A (zh) * | 2019-11-18 | 2020-04-10 | 腾讯科技(深圳)有限公司 | 一种视频流的生成方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Video super-resolution and caching—An edge-assisted adaptive video streaming solution | |
Liu et al. | When wireless video streaming meets AI: A deep learning approach | |
Hu et al. | Mining mobile intelligence for wireless systems: a deep neural network approach | |
CN110248210B (zh) | 视频传输优化方法 | |
US10592578B1 (en) | Predictive content push-enabled content delivery network | |
US20220191592A1 (en) | Method and system for user-oriented streaming of content | |
Fu et al. | 360SRL: A sequential reinforcement learning approach for ABR tile-based 360 video streaming | |
CN110809167B (zh) | 一种视频播放方法、装置、电子设备及存储介质 | |
CN114518956A (zh) | 边缘流媒体下的基于队列开销的负载均衡方法及装置 | |
CN106134215A (zh) | 用户体验质量QoE预测装置、网络设备和方法 | |
CN115633380B (zh) | 一种考虑动态拓扑的多边缘服务缓存调度方法和系统 | |
CN113012013A (zh) | 一种在车联网中基于深度强化学习的协同边缘缓存方法 | |
CN113259657A (zh) | 基于视频质量分数的dppo码率自适应控制系统和方法 | |
Hsu | Mec-assisted fov-aware and qoe-driven adaptive 360 video streaming for virtual reality | |
CN113852817B (zh) | 自适应码率传输服务器、码率确定方法、传输系统及方法 | |
CN112202800B (zh) | C-ran架构中基于强化学习的vr视频边缘预取方法和系统 | |
Gong et al. | Adaptive bitrate video semantic communication over wireless networks | |
CN113852818A (zh) | 一种自适应码率传输的服务器及码率确定方法 | |
Xiao et al. | Deep reinforcement learning-driven intelligent panoramic video bitrate adaptation | |
CN115967826A (zh) | 一种轻量化自适应码率下的媒体内容的传输方法及系统 | |
Aguilar-Armijo et al. | Segment prefetching at the edge for adaptive video streaming | |
Darwich et al. | Adaptive video streaming: An ai-driven approach leveraging cloud and edge computing | |
Kim et al. | A modification of the fuzzy logic based dash adaptation scheme for performance improvement | |
Darwich et al. | Video quality adaptation using CNN and RNN models for cost-effective and scalable video streaming Services | |
Naik et al. | ARMPC-ARIMA based prediction model for Adaptive Bitrate Scheme in Streaming |
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 |