CN114389975A - 网络带宽预估方法、装置、系统、电子设备及存储介质 - Google Patents
网络带宽预估方法、装置、系统、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114389975A CN114389975A CN202210117416.6A CN202210117416A CN114389975A CN 114389975 A CN114389975 A CN 114389975A CN 202210117416 A CN202210117416 A CN 202210117416A CN 114389975 A CN114389975 A CN 114389975A
- Authority
- CN
- China
- Prior art keywords
- network bandwidth
- network
- bandwidth
- model
- estimation
- 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 115
- 238000012360 testing method Methods 0.000 claims abstract description 115
- 238000012549 training Methods 0.000 claims description 75
- 230000008569 process Effects 0.000 claims description 46
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000005259 measurement Methods 0.000 abstract description 35
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
- H04L43/0876—Network utilisation, e.g. volume of load or congestion level
- H04L43/0894—Packet rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开实施例公开了一种网络带宽预估方法、装置、系统、电子设备及存储介质，其中，应用于客户端的方法包括：向服务端发送带宽测试文件，并分别获取发送所述带宽测试文件前后的网络状态参数，带宽测试文件的体积小于预设文件体积阈值；基于所述网络状态参数和所述带宽测试文件的体积，确定第一网络带宽和第二网络带宽；将所述网络状态参数、所述第一网络带宽和所述第二网络带宽输入到当前最新的网络带宽预估模型中，得到目标网络带宽预估结果。本公开实施例公开的技术方案，解决了采用小文件网络测速结果不准确的问题，实现了提升网络测速结果的准确性，以更好的为待上传视频匹配更加的视频编码策略，提升用户视频上传体验感。
Description
技术领域
本公开实施例涉及数据通信技术领域，尤其涉及一种网络带宽预估方法、装置、系统、电子设备及存储介质。
背景技术
视频应用平台，在用户发布视频的过程中，会对视频进行编辑、处理并最终上传发布到服务端。其中，视频的编辑通常会采用动态编码的策略，根据上传网络带宽的预测结果确定视频的编码策略，从而使视频发布过程流畅，提升用户在视频上传过程中的体验。
通常，为了探测上传网络带宽，需要在正式视频上传前发送测速数据，且测速数据的数据量较小。但是，小数据量的上传测速会受到传输层协议的限制，测速结果不准确，导致确定的视频编码策略并不是最优策略。由于视频不同的编码策略，会有不同编码时长和上传时长，会影响视频上传过程中的用户体验，甚至会影响视频的观看体验。
发明内容
本公开实施例提供了一种网络带宽预估方法、装置、系统、电子设备及存储介质，能够实现了提升网络测速结果的准确性，以更好的为待上传视频匹配更加的视频编码策略，提升用户视频上传体验感。
第一方面，本公开实施例提供了一种网络带宽预估方法，应用于客户端，该方法包括：
向服务端发送带宽测试文件，并分别获取发送所述带宽测试文件前后的网络状态参数，其中，所述带宽测试文件的体积小于预设文件体积阈值；
基于所述网络状态参数和所述带宽测试文件的体积，确定第一网络带宽和第二网络带宽；
将所述网络状态参数、所述第一网络带宽和所述第二网络带宽输入到当前最新的网络带宽预估模型中，得到目标网络带宽预估结果；
其中，所述当前最新的网络带宽预估模型是基于历次网络带宽预估过程中的所述网络状态参数、所述第一网络带宽、所述第二网络带宽以及对应的实际网络带宽进行机器学习确定的模型。
第二方面，本公开实施例提供了一种网络带宽预估方法，应用于服务端，该方法包括：
获取客户端在每一次网络带宽预估的过程中，采集到的网络状态参数、计算得到的第一网络带宽及第二网络带宽，以及与目标网络带宽预估结果对应的实际网络带宽，作为模型训练样本数据；
基于所述模型训练样本数据训练网络带宽预估模型；
将训练得到的网络带宽预估模型发送至客户端，以使所述客户端基于所述网络带宽预估模型，预估得到目标网络带宽预估结果。
第三方面，本公开实施例还提供了一种网络带宽预估装置，配置于客户端，该装置包括：
测试数据获取模块，用于向服务端发送带宽测试文件，并分别获取发送所述带宽测试文件前后的网络状态参数，其中，所述带宽测试文件的体积小于预设文件体积阈值；
第一带宽预估模块，用于基于所述网络状态参数和所述带宽测试文件的体积，确定第一网络带宽和第二网络带宽；
第二带宽预估模块，用于将所述网络状态参数、所述第一网络带宽和所述第二网络带宽输入到当前最新的网络带宽预估模型中，得到目标网络带宽预估结果；
其中，所述当前最新的网络带宽预估模型是基于历次网络带宽预估过程中的所述网络状态参数、所述第一网络带宽、所述第二网络带宽以及对应的实际网络带宽进行机器学习确定的模型。
第四方面，本公开实施例还提供了一种网络带宽预估装置，配置于服务端，该装置包括：
模型训练样本获取模块，用于获取客户端在每一次网络带宽预估的过程中，采集到的网络状态参数、计算得到的第一网络带宽及第二网络带宽，以及与目标网络带宽预估结果对应的实际网络带宽，作为模型训练样本数据；
模型训练模块，用于基于所述模型训练样本数据训练网络带宽预估模型；
带宽预估模块，用于将训练得到的网络带宽预估模型发送至客户端，以使所述客户端基于所述网络带宽预估模型，预估得到目标网络带宽预估结果。
第六方面，本公开实施例还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如本公开实施例任一所述的网络带宽预估方法。
第七方面，本公开实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如本公开实施例任一所述的网络带宽预估方法。
本公开实施例的技术方案，通过向服务端发送带宽测试文件，并分别获取发送所述带宽测试文件前后的网络状态参数，其中，带宽测试文件的体积小于预设文件体积阈值，是小文件；然后，基于网络状态参数和带宽测试文件的体积，确定第一网络带宽和第二网络带宽；将网络状态参数、第一网络带宽和第二网络带宽输入到当前最新的网络带宽预估模型中，得到目标网络带宽预估结果，即通过预先训练好的网络带宽预估模型，综合分析网络状态参数以及不同方式计算确定的网络带宽值，最终输出一个目标网络带宽预估结果。本公开实施例的技术方案解决了采用小文件网络测速结果不准确的问题，实现了提升网络测速结果的准确性，以更好的为待上传视频匹配更加的视频编码策略，提升用户视频上传体验感。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例一所提供的一种应用于客户端的网络带宽预估方法的流程示意图；
图2为本公开实施例二所提供的一种应用于客户端的网络带宽预估方法的流程示意图；
图3为本公开实施例三所提供的一种应用于客户端的网络带宽预估方法的流程示意图；
图4为本公开实施例四所提供的一种应用于客户端的网络带宽预估方法的流程示意图；
图5为本公开实施例五所提供的一种应用于服务端的网络带宽预估方法的流程示意图；
图6为本公开实施例六所提供的一种配置于客户端的网络带宽预估装置的结构示意图；
图7为本公开实施例七所提供的一种配置于服务端的网络带宽预估装置的结构示意图；
图8为本公开实施例八所提供的一种电子设备结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
实施例一
图1为本公开实施例一所提供的一种应用于客户端的网络带宽预估方法流程示意图，本公开实施例适用于快速测试网络带宽的场景，特别是在用户上传视频之前进行带宽预测，以确定视频动态编码策略的情形。该方法可以由配置于客户端的网络带宽预估装置来执行，该装置可以通过软件和/或硬件的形式实现，该装置可配置于电子设备中，例如配置于移动终端或服务器设备中。
如图1所示，本实施例提供的应用于客户端的网络带宽预估方法，包括：
S110、向服务端发送带宽测试文件，并分别获取发送所述带宽测试文件前后的网络状态参数。
当用户通过一些社交媒体应用或是短视频应用发布视频时，会对视频进行编辑、处理并最后完成上传发布。相应的，应用客户端在上传视频的过程中，为了提高用户在上传过程中的体验，会对编辑好的待发布视频进行编码压缩。其中，编码压缩的策略是根据客户端对上传网络带宽状况进行预测的结果，确定的动态的编码策略。
在用户触发视频上传之后，为了预估上传网络带宽，客户端会待发布在视频上传前发送测速数据。即客户端与服务端建立测速连接，并向服务端发送带宽测试文件。其中，带宽测试文件本身是数据量非常小的文件，其体积小于预设文件体积阈值，且文件内容不包含实质内容信息，因此，可以实现快速的上传以及测速。
在客户端与服务端建立测速连接后，可以获取一次链路的网络状态参数；然后，在测速文件上传之后，再获取一次链路的网络状态参数，从而分别获取发送带宽测试文件前后的网络状态参数。具体的，网络状态参数的获取方式可以通过socket端口及相关协议获取。网络状态参数包括丢包率、数据包从客户端到服务器之间的往返时间(round-triptime，RTT)等能够反映网络状态的参数。可以理解的是，第一次获取到的网络状态参数的置信度不高，在数值有较大波动时，可以作为网络状态的一个参考。
S120、基于所述网络状态参数和所述带宽测试文件的体积，确定第一网络带宽和第二网络带宽。
其中，第一网络带宽是指通过常规的网络测速方式确定的网络带宽数值，即根据带宽测试文件的体积和网络状态参数中的数据传输往返时延确定第一网络带宽，例如，可以用带宽测试文件的体积除以上传该带宽测试文件消耗的时长，得到相应的第一网络带宽数值，其中，上传该带宽测试文件消耗的时长是根据网络状态参数中数据确定的。
第二网络带宽是将网络状态参数输入到预设离线带宽预测模型中，得到第二网络带宽。预设离线带宽预测模型可以是基于数学的建模公式(The Mathis et.al.Formula)或延迟带宽积公式等带宽估计模型。
本实施例中，考虑到上传的带宽测试文件数据量的较小，受到传输协议的限制，部分收集到的网络状态参数可能存在误差，第一网络带宽结果会与真实的带宽有一定的误差；进一步的，由于网络状态参数可能存在误差，也会使得基于预设离线带宽预测模型的预测带宽也存在相应的误差，第二网络带宽的准确度也有待提升。因此，也并没有将第一网络带宽与第二网络带宽直接作为最终的网络带宽预估结果，还要经过步骤S130来确定最终的网络带宽预估结果。
S130、将所述网络状态参数、所述第一网络带宽和所述第二网络带宽输入到当前最新的网络带宽预估模型中，得到目标网络带宽预估结果。
其中，网络带宽预估模型为机器学习模型，是基于在历次视频上传过程中，采集到网络状态参数、基于带宽测试文件的体积与上传该带宽测试文件消耗时长常规计算确定的网络带宽值(第一网络带宽)、基于预设的离线带宽预测模型确定的网络带宽预估结果(第二网络带宽)以及对应的实际网络带宽进行学习生成的模型。网络带宽预估模型可以预先配置于客户端中。
网络带宽预估模型可以是神经网络模型，也可以是权重参数模型。其中，权重参数模型是指经过机器学习的网络带宽预估模型是一个优选的函数，在该优选的函数中包括各个输入数据的权重值，可以基于对应的权重值最终计算出目标网络带宽预估结果。
在本实施例中，经过网络带宽预估模型进一步的分析计算，最终可以得到一个经过优化的目标网络带宽预估结果，相较于第一网络带宽和第二网络带宽的准确度有所提升。
本公开实施例的技术方案，可以通过向服务端发送带体积较小的宽测试文件，并分别获取发送所述带宽测试文件前后的网络状态参数；然后，基于网络状态参数和带宽测试文件的体积，确定第一网络带宽和第二网络带宽；将网络状态参数、第一网络带宽和第二网络带宽输入到当前最新的网络带宽预估模型中，得到目标网络带宽预估结果，即通过预先训练好的网络带宽预估模型，综合分析网络状态参数以及不同方式计算确定的网络带宽值，最终输出一个目标网络带宽预估结果。本公开实施例的技术方案解决了采用小文件网络测速结果不准确的问题，实现了提升网络测速结果的准确性，以更好的为待上传视频匹配更加的视频编码策略，提升用户视频上传体验感。
实施例二
本公开实施例与上述实施例中所提供的应用于客户端的网络带宽预估方法中各个可选方案可以结合。本实施例所提供的应用于客户端的网络带宽预估方法，进一步描述了根据网络状态参数选择更加适宜的网络带宽预估模型，并进行网络带宽预估的过程。
图2为本公开实施例二所提供的一种应用于客户端的网络带宽预估方法的流程示意图。如图2所示，本实施例提供的应用于客户端的网络带宽预估方法，包括：
S210、向服务端发送带宽测试文件，并分别获取发送所述带宽测试文件前后的网络状态参数。
S220、基于所述网络状态参数和所述带宽测试文件的体积，确定第一网络带宽和第二网络带宽。
S230、根据所述网络状态参数中预设参数项的数值，确定当前最新的网络带宽预估模型中，与所述数值所在参数数值区间匹配的目标网络带宽预估模型。
在本实施例中，当前最新的网络带宽预估模型包括一组模型，在该模型组中的各个模型是与网络状态参数的数值所在的参数数值区间相匹配的。例如，在模型训练的过程中，为了进一步提高模型输出结果的准确度，根据模型训练样本中网络状态参数的数值将模型训练样本进行分组操作，从而得到多个模型训练样本组。例如，根据RTT的数值将模型训练样本分成三组，RTT值小于50毫秒的网络状态参数为一组，RTT值介于50毫秒和200毫秒的网络状态参数为一组，RTT值大于200毫秒的网络状态参数为一组。然后，分别基于每一个模型训练样本组的样本进行模型的训练，最终得到多个网络带宽预估模型。每个网络带宽预估模型都与其对应的预设参数项的数值区间的网络带宽测试数据有更佳的适配度，能够得到更优的结果。
S240、将所述网络状态参数、所述第一网络带宽和所述第二网络带宽输入到所述目标网络带宽预估模型中，得到目标网络带宽预估结果。
在确定了与采集到的网络状态参数以及计算得到的第一网络带宽、第二网络带宽相匹配的目标网络带宽预估模型之后，直接把网络状态参数、第一网络带宽和第二网络带宽输入到目标网络带宽预估模型中，即可得到目标网络带宽预估结果。
由于目标网络带宽预估模型是根据网络状态参数数值细分后匹配的网络带宽预估模型，模型输出结果的准确度能够有一定程度的提升，从而使网络带宽预测结果的准确度更高。
本公开实施例的技术方案，通过向服务端发送带宽测试文件，并分别获取发送所述带宽测试文件前后的网络状态参数；然后，基于网络状态参数和带宽测试文件的体积，确定第一网络带宽和第二网络带宽；进一步的根据网络状态参数的数值，匹配与该组网络状态参数匹配的目标网络带宽预估模型将网络状态参数、第一网络带宽和第二网络带宽输入到当前最新的网络带宽预估模型中，得到目标网络带宽预估结果，即通过预先训练好的网络带宽预估模型，综合分析网络状态参数以及不同方式计算确定的网络带宽值，最终输出一个目标网络带宽预估结果。本公开实施例的技术方案解决了采用小文件网络测速结果不准确的问题，实现了提升网络测速结果的准确性，以更好的为待上传视频匹配更加的视频编码策略，提升用户视频上传体验感。
实施例三
本公开实施例与上述实施例中所提供的应用于客户端的网络带宽预估方法中各个可选方案可以结合。本实施例所提供的应用于客户端的网络带宽预估方法，进一步描述了从服务端动态的获取最新的网络带宽预估模型，并进行网络带宽预估的过程。
图3为本公开实施例三所提供的一种应用于客户端的网络带宽预估方法的流程示意图。
如图3所示，本实施例提供的应用于客户端的网络带宽预估方法，包括：
S310、向服务端发送带宽测试文件，并分别获取发送所述带宽测试文件前后的网络状态参数。
S320、基于所述网络状态参数和所述带宽测试文件的体积，确定第一网络带宽和第二网络带宽。
S330、从所述服务端获取所述当前最新的网络带宽预估模型。
在本实施例中，网络带宽预估模型并非是预先配置于客户端的，是在进行网络带宽预估的过程中，从服务端获取到的。
这里要进行说明的是，步骤S330的执行顺序并没有严格的现定于S320之后，其可以在步骤S310或S320执行的前、后执行，以获取网络带宽预估模型。即只要在步骤S340用到网络带宽预估模型之前获取到当前最新的网络带宽预估模型，即可。
之所以要从服务端获取网络带宽预估模型，是因为随着新的模型训练样本的产生，该模型是在服务端不断地进行迭代更新的。相较于预先配置在客户端，网络带宽预估模型的更新效率更高，且对于客户端的内存配置更加友好。
此外，还可以为获取到的网络带宽预估模型设定一个有效期限，若下一次预估网络带宽与当前次预估网络带宽的时间间隔在该有限期限内，可以无需再次向服务端获取网络带宽预估模型。
S340、将所述网络状态参数、所述第一网络带宽和所述第二网络带宽输入到当前最新的网络带宽预估模型中，得到目标网络带宽预估结果。
在一种优选的实施方式中，在每一次网络带宽预估的过程中，可以通过预先设置的数据传输接口，将客户端获取到的网络状态参数、计算得到的第一网络带宽及第二网络带宽，以及与目标网络带宽预估结果对应的实际网络带宽发送到服务端，以使服务端根据接收到的数据进行网络带宽预估模型的训练和更新。
本公开实施例的技术方案，通过向服务端发送带体积较小的宽测试文件，并分别获取发送所述带宽测试文件前后的网络状态参数；然后，基于网络状态参数和带宽测试文件的体积，确定第一网络带宽和第二网络带宽；并且，从服务端获取当前最新的网络带宽预估模型，将网络状态参数、第一网络带宽和第二网络带宽输入到当前最新的网络带宽预估模型中，得到目标网络带宽预估结果，即通过预先训练好的网络带宽预估模型，综合分析网络状态参数以及不同方式计算确定的网络带宽值，最终输出一个目标网络带宽预估结果。本公开实施例的技术方案解决了采用小文件网络测速结果不准确的问题，实现了提升网络测速结果的准确性，以更好的为待上传视频匹配更加的视频编码策略，提升用户视频上传体验感。
实施例四
本公开实施例是基于上述实施例中所提供的应用于客户端的网络带宽预估方法中各个可选方案的优选实施方式，可以与各个可选方案进行结合。本实施例所提供的应用于客户端的网络带宽预估方法，进一步描述了进行网络带宽测试的时机，并进行网络带宽预估的过程。
图4为本公开实施例四所提供的一种应用于客户端的网络带宽预估方法的流程示意图。
如图4所示，本实施例提供的应用于客户端的网络带宽预估方法，包括：
S410、在进入待上传视频数据的编辑界面时，向服务端发送带宽测试文件，并分别获取发送所述带宽测试文件前后的网络状态参数。
在本实施例中，当用户进行待上传视频数据编辑时，就提前向服务端发送带宽测试文件，开始进行网络带宽预估。而不再等待用户触发待上传视频的上传操作。那么，等到用户触发视频上传的操作时，便可以根据网络带宽预估的结果确定待上传视频的编码策略，这样可以减少整个视频上传过程的时间，使视频上传过程得到优化，从而提升用户体验。
具体的，在进入待上传视频数据的编辑界面时，便可以在客户端与服务端间建立测速连接，然后获取一次链路的网络状态参数。进一步的，在测速文件上传之后，再获取一次链路的网络状态参数，从而分别获取发送带宽测试文件前后的网络状态参数。
S420、基于所述网络状态参数和所述带宽测试文件的体积，确定第一网络带宽和第二网络带宽。
其中，第一网络带宽是指通过常规的网络测速方式确定的网络带宽数值，即根据带宽测试文件的体积和网络状态参数中的数据传输往返时延确定第一网络带宽，例如，可以用带宽测试文件的体积除以上传该带宽测试文件消耗的时长，得到相应的第一网络带宽数值。
第二网络带宽是将网络状态参数输入到预设离线带宽预测模型中，得到第二网络带宽。预设离线带宽预测模型可以是基于数学的建模公式(The Mathis et.al.Formula)或延迟带宽积公式等带宽估计模型。
S430、从所述服务端获取所述当前最新的网络带宽预估模型。
网络带宽预估模型并非是预先配置于客户端的，是在进行网络带宽预估的过程中，从服务端获取到的。该模型是在服务端不断地进行迭代更新的。
S440、根据所述网络状态参数中预设参数项的数值，确定所述当前最新的网络带宽预估模型中，与所述数值所在参数数值区间匹配的目标网络带宽预估模型。
当前最新的网络带宽预估模型包括一组模型，在该模型组中的各个模型是与网络状态参数的数值所在的参数数值区间相匹配的。也就是说，在网络带宽预估过程中，选取的目标网络带宽预估模型是经过细分的模型，更够得到准确度更高的网络带宽预估结果。
S450、将所述网络状态参数、所述第一网络带宽和所述第二网络带宽输入到所述目标网络带宽预估模型中，得到目标网络带宽预估结果。
网络带宽预估模型是基于历次网络带宽预估过程中的所述网络状态参数、所述第一网络带宽、所述第二网络带宽以及对应的实际网络带宽进行机器学习确定的模型，具体可以是神经网络模型，也可以是权重参数模型。将网络状态参数、第一网络带宽和第二网络带宽输入到目标网络带宽预估模型中，便可以得到目标网络带宽预估结果。
此外，在每一次网络带宽预估的过程中，可以通过预先设置的数据传输接口，将客户端获取到的网络状态参数、计算得到的第一网络带宽及第二网络带宽，以及与目标网络带宽预估结果对应的实际网络带宽发送到服务端，以使服务端根据接收到的数据进行网络带宽预估模型的训练和更新。
本公开实施例的技术方案，通过将进行网络带宽预估的时机提前，在用户编辑待上传视频时，开启网络带宽预估的流程，向服务端发送带体积较小的宽测试文件，并分别获取发送所述带宽测试文件前后的网络状态参数；然后，基于网络状态参数和带宽测试文件的体积，确定第一网络带宽和第二网络带宽；并且，从服务端获取当前最新的网络带宽预估模型，将网络状态参数、第一网络带宽和第二网络带宽输入到与网络状态参数数值所在参数区间匹配的最新的网络带宽预估模型中，得到目标网络带宽预估结果，即通过预先训练好的网络带宽预估模型，综合分析网络状态参数以及不同方式计算确定的网络带宽值，最终输出一个目标网络带宽预估结果。本公开实施例的技术方案解决了采用小文件网络测速结果不准确的问题，实现了提升网络测速结果的准确性，以更好的为待上传视频匹配更加的视频编码策略，提升用户视频上传体验感。
实施例五
图五为本公开实施例五所提供的一种应用于服务端的网络带宽预估方法流程示意图，本公开实施例适用于快速测试网络带宽的场景，训练网络带宽预估模型，特别是在用户上传视频之前进行带宽预测，以确定视频动态编码策略的情形。该方法可以由配置于服务端的网络带宽预估装置来执行，该装置可以通过软件和/或硬件的形式实现，该装置可配置于电子设备中，例如配置于移动终端或服务器设备中。
如图5所示，本实施例提供的应用于服务端的网络带宽预估方法，包括：
S510、获取客户端在每一次网络带宽预估的过程中，采集到的网络状态参数、计算得到的第一网络带宽及第二网络带宽，以及与目标网络带宽预估结果对应的实际网络带宽，作为模型训练样本数据。
在客户端进行网络带宽预估的过程中，会将采集到的网络状态参数，以及在带宽与过程中计算得到的中间带宽预估数值，以及与最终网络带宽预估结果对应的实际网络带宽数值均会上传到服务端，作为服务端进行网络带宽预估模型的训练样本。
其中，网络状态参数是客户端在向服务端发送测速文件上传之前以及之后，分别获取的网络测速链路的网络状态参数。网络状态参数具体包括丢包率、带宽测试文件从客户端到服务器之间的往返时间(round-trip time，RTT)等能够反映网络状态的参数。第一网络带宽是客户端根据通过常规的网络测速方式确定的网络带宽数值，即根据带宽测试文件的体积和网络状态参数中的数据传输往返时延确定第一网络带宽，例如，可以用带宽测试文件的体积除以RTT再乘以二，得到相应的第一网络带宽数值。第二网络带宽是客户端将网络状态参数输入到预设离线带宽预测模型中，得到第二网络带宽。预设离线带宽预测模型可以是基于数学的建模公式(The Mathis et.al.Formula)或延迟带宽积公式等带宽估计模型。
S520、基于所述模型训练样本数据训练网络带宽预估模型。
在本实施例中是通过机器学习的方式训练网络带宽预估模型的。训练过程中，可以首先以及模型训练要解决的问题选择一个合适的模型，模型相当于是一组函数的集合。模型本身可以有不同的结构，例如，线性拟合模型、非线性拟合模型、神经网络模型等。然后，设定一个损失函数(Loss Function)以衡量模型的好坏。最终，基于模型训练样本数据的多个轮次的模型训练，可以找出“最好”的函数，即得到最终的网络带宽预估模型。
在一种优选的实施方式中，在进行模型训练时，首先，根据网络状态参数中预设参数项的数值将各模型训练样本数据进行分组；然后，基于分组后的模型训练样本参数分别进行模型训练，得到多个网络带宽预估模型。每个网络带宽预估模型都与其对应的预设参数项的数值区间的网络带宽测试数据有更佳的适配度，能够得到更优的结果。
S530、将训练得到的网络带宽预估模型发送至客户端，以使所述客户端基于所述网络带宽预估模型，预估得到目标网络带宽预估结果。
本公开实施例的技术方案，通过使用从客户端获取到的网络状态参数、客户端计算得到的第一网络带宽及第二网络带宽，以及与目标网络带宽预估结果对应的实际网络带宽，作为模型训练样本数据，训练得到目标网络带宽预估模型，可以综合分析网络状态参数以及不同方式计算确定的网络带宽值，最终输出一个目标网络带宽预估结果。并将训练得到的模型发送到客户端用于网络带宽预估。本公开实施例的技术方案解决了采用小文件网络测速结果不准确的问题，实现了提升网络测速结果的准确性，以更好的为待上传视频匹配更加的视频编码策略，提升用户视频上传体验感。
实施例六
图6为本公开实施例六所提供的一种配置于客户端的网络带宽预估装置结构示意图。本实施例提供的配置于客户端的网络带宽预估装置适用于快速测试网络带宽的场景，特别是在用户上传视频之前进行带宽预测，以确定视频动态编码策略的情形。
如图6所示，配置于客户端的网络带宽预估装置包括：测试数据获取模块610、第一带宽预估模块620和第二带宽预估模块630。
其中，测试数据获取模块610，用于向服务端发送带宽测试文件，并分别获取发送所述带宽测试文件前后的网络状态参数，其中，所述带宽测试文件的体积小于预设文件体积阈值；第一带宽预估模块620，用于基于所述网络状态参数和所述带宽测试文件的体积，确定第一网络带宽和第二网络带宽；第二带宽预估模块630，用于将所述网络状态参数、所述第一网络带宽和所述第二网络带宽输入到当前最新的网络带宽预估模型中，得到目标网络带宽预估结果；其中，所述当前最新的网络带宽预估模型是基于历次网络带宽预估过程中的所述网络状态参数、所述第一网络带宽、所述第二网络带宽以及对应的实际网络带宽进行机器学习确定的模型。
本公开实施例的技术方案，通过向服务端发送带宽测试文件，并分别获取发送所述带宽测试文件前后的网络状态参数；然后，基于网络状态参数和带宽测试文件的体积，确定第一网络带宽和第二网络带宽；将网络状态参数、第一网络带宽和第二网络带宽输入到当前最新的网络带宽预估模型中，得到目标网络带宽预估结果，即通过预先训练好的网络带宽预估模型，综合分析网络状态参数以及不同方式计算确定的网络带宽值，最终输出一个目标网络带宽预估结果。本公开实施例的技术方案解决了采用小文件网络测速结果不准确的问题，实现了提升网络测速结果的准确性，以更好的为待上传视频匹配更加的视频编码策略，提升用户视频上传体验感。
在一些可选的实现方式中，所述第二带宽预估模块630具体用于：
根据所述网络状态参数中预设参数项的数值，确定所述当前最新的网络带宽预估模型中，与所述数值所在参数数值区间匹配的目标网络带宽预估模型；
将所述网络状态参数、所述第一网络带宽和所述第二网络带宽输入到所述目标网络带宽预估模型中，得到目标网络带宽预估结果。
在一些可选的实现方式中，所述第一带宽预估模块620包括第一带宽预估子模块和第二带宽预估子模块；
其中，第一带宽预估子模块，用于根据所述带宽测试文件的体积和所述网络状态参数中的数据传输往返时延确定所述第一网络带宽；
第二带宽预估子模块，用于将所述网络状态参数输入到预设离线带宽预测模型中，得到所述第二网络带宽。
在一些可选的实现方式中，测试数据获取模块610还可用于：在进入待上传视频数据的编辑界面时，向所述服务端发送带宽测试文件。
在一些可选的实现方式中，网络带宽预估装置还包括：
带宽预估模型获取模块，用于从所述服务端获取所述当前最新的网络带宽预估模型。
在一些可选的实现方式中，网络带宽预估装置还包括：
参数上传接口模块，用于在每一次网络带宽预估的过程中，将获取到的网络状态参数、计算得到的第一网络带宽及第二网络带宽，以及与所述目标网络带宽预估结果对应的实际网络带宽发送到所述服务端，以使所述服务端根据接收到的数据进行网络带宽预估模型的训练和更新。
在一些可选的实现方式中，所述网络带宽预估模型包括神经网络模型和权重参数模型。
本公开实施例所提供的配置于客户端的网络带宽预估装置，可执行本公开任意实施例所提供的应用于客户端的网络带宽预估方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
实施例七
图7为本公开实施例七所提供的一种配置于服务端的网络带宽预估装置结构示意图。本实施例提供的配置于服务端的网络带宽预估装置，进一步描述了在服务端进行网络带宽预估模型的训练的过程。
如图7所示，配置于服务端的网络带宽预估装置包括：模型训练样本获取模块710、模型训练模块720和带宽预估模块730。
其中，模型训练样本获取模块710，用于获取客户端在每一次网络带宽预估的过程中，采集到的网络状态参数、计算得到的第一网络带宽及第二网络带宽，以及与目标网络带宽预估结果对应的实际网络带宽，作为模型训练样本数据；模型训练模块720，用于基于所述模型训练样本数据训练网络带宽预估模型；带宽预估模块730，用于将训练得到的网络带宽预估模型发送至客户端，以使所述客户端基于所述网络带宽预估模型，预估得到目标网络带宽预估结果。
本公开实施例的技术方案，通过使用从客户端获取到的网络状态参数、客户端计算得到的第一网络带宽及第二网络带宽，以及与目标网络带宽预估结果对应的实际网络带宽，作为模型训练样本数据，训练得到目标网络带宽预估模型，可以综合分析网络状态参数以及不同方式计算确定的网络带宽值，最终输出一个目标网络带宽预估结果。并将训练得到的模型发送到客户端用于网络带宽预估。本公开实施例的技术方案解决了采用小文件网络测速结果不准确的问题，实现了提升网络测速结果的准确性，以更好的为待上传视频匹配更加的视频编码策略，提升用户视频上传体验感。
在一些可选的实现方式中，所述模型训练模块720具体用于：
根据所述网络状态参数中预设参数项的数值将各模型训练样本数据进行分组；
基于分组后的模型训练样本参数分别进行模型训练，得到多个网络带宽预估模型。
本公开实施例所提供的配置于服务端的网络带宽预估装置，可执行本公开任意实施例所提供的应用于服务端的网络带宽预估方法，具备执行方法相应的功能模块和有益效果。
值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。
实施例八
下面参考图8，其示出了适于用来实现本公开实施例的电子设备(例如图8中的终端设备或服务器)800的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图8示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图8所示，电子设备800可以包括处理装置(例如中央处理器、图形处理器等)801，其可以根据存储在只读存储器(Read-Only Memory，ROM)802中的程序或者从存储装置806加载到随机访问存储器(Random Access Memory，RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有电子设备800操作所需的各种程序和数据。处理装置801、ROM 802以及RAM803通过总线804彼此相连。输入/输出(I/O)接口805也连接至总线804。
通常，以下装置可以连接至I/O接口805：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置806；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置807；包括例如磁带、硬盘等的存储装置808；以及通信装置809。通信装置809可以允许电子设备800与其他设备进行无线或有线通信以交换数据。虽然图8示出了具有各种装置的电子设备800，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置809从网络上被下载和安装，或者从存储装置806被安装，或者从ROM802被安装。在该计算机程序被处理装置801执行时，执行本公开实施例的应用于客户端或服务端的网络带宽预估方法中限定的上述功能。
本公开实施例提供的电子设备与上述实施例提供的应用于客户端或服务端的网络带宽预估方法属于同一公开构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。
实施例九
本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的应用于客户端或服务端的网络带宽预估方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)或闪存(FLASH)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
向服务端发送带宽测试文件，并分别获取发送所述带宽测试文件前后的网络状态参数，其中，所述带宽测试文件的体积小于预设文件体积阈值；
基于所述网络状态参数和所述带宽测试文件的体积，确定第一网络带宽和第二网络带宽；
将所述网络状态参数、所述第一网络带宽和所述第二网络带宽输入到当前最新的网络带宽预估模型中，得到目标网络带宽预估结果；
其中，所述当前最新的网络带宽预估模型是基于历次网络带宽预估过程中的所述网络状态参数、所述第一网络带宽、所述第二网络带宽以及对应的实际网络带宽进行机器学习确定的模型。
或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
获取客户端在每一次网络带宽预估的过程中，采集到的网络状态参数、计算得到的第一网络带宽及第二网络带宽，以及与目标网络带宽预估结果对应的实际网络带宽，作为模型训练样本数据；
基于所述模型训练样本数据训练网络带宽预估模型；
将训练得到的网络带宽预估模型发送至客户端，以使所述客户端基于所述网络带宽预估模型，预估得到目标网络带宽预估结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元、模块的名称在某种情况下并不构成对该单元、模块本身的限定，例如，数据生成模块还可以被描述为“视频数据生成模块”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FieldProgrammable Gate Array，FPGA)、专用集成电路(Application Specific IntegratedCircuit，ASIC)、专用标准产品(Application Specific Standard Parts，ASSP)、片上系统(System on Chip，SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
根据本公开的一个或多个实施例，【示例一】提供了一种应用于客户端的网络带宽预估方法，该方法包括：
向服务端发送带宽测试文件，并分别获取发送所述带宽测试文件前后的网络状态参数，其中，所述带宽测试文件的体积小于预设文件体积阈值；
基于所述网络状态参数和所述带宽测试文件的体积，确定第一网络带宽和第二网络带宽；
将所述网络状态参数、所述第一网络带宽和所述第二网络带宽输入到当前最新的网络带宽预估模型中，得到目标网络带宽预估结果；
其中，所述当前最新的网络带宽预估模型是基于历次网络带宽预估过程中的所述网络状态参数、所述第一网络带宽、所述第二网络带宽以及对应的实际网络带宽进行机器学习确定的模型。
根据本公开的一个或多个实施例，【示例二】提供了一种应用于客户端的网络带宽预估方法，还包括：
在一些可选的实现方式中，所述将所述网络状态参数、所述第一网络带宽和所述第二网络带宽输入到当前最新的网络带宽模型中，得到目标网络带宽预估结果，包括：
根据所述网络状态参数中预设参数项的数值，确定所述当前最新的网络带宽预估模型中，与所述数值所在参数数值区间匹配的目标网络带宽预估模型；
将所述网络状态参数、所述第一网络带宽和所述第二网络带宽输入到所述目标网络带宽预估模型中，得到目标网络带宽预估结果。
根据本公开的一个或多个实施例，【示例三】提供了一种应用于客户端的网络带宽预估方法，包括：
在一些可选的实现方式中，所述基于所述网络状态参数和所述带宽测试文件的体积，确定第一网络带宽和第二网络带宽，包括：
根据所述带宽测试文件的体积和所述网络状态参数中的数据传输往返时延确定所述第一网络带宽；
将所述网络状态参数输入到预设离线带宽预测模型中，得到所述第二网络带宽。
根据本公开的一个或多个实施例，【示例四】提供了一种应用于客户端的网络带宽预估方法，还包括：
在一些可选的实现方式中，所述向服务端发送带宽测试文件，包括：
在进入待上传视频数据的编辑界面时，向所述服务端发送带宽测试文件。
根据本公开的一个或多个实施例，【示例五】提供了一种应用于客户端的网络带宽预估方法，还包括：
在一些可选的实现方式中，在向服务端发送带宽测试文件之后，所述方法还包括：
从所述服务端获取所述当前最新的网络带宽预估模型。
根据本公开的一个或多个实施例，【示例六】提供了一种应用于客户端的网络带宽预估方法，还包括：
在一些可选的实现方式中，在每一次网络带宽预估的过程中，将获取到的网络状态参数、计算得到的第一网络带宽及第二网络带宽，以及与所述目标网络带宽预估结果对应的实际网络带宽发送到所述服务端，以使所述服务端根据接收到的数据进行网络带宽预估模型的训练和更新。
根据本公开的一个或多个实施例，【示例七】提供了一种应用于客户端的网络带宽预估方法，还包括：
在一些可选的实现方式中，所述网络带宽预估模型包括神经网络模型和权重参数模型。
根据本公开的一个或多个实施例，【示例八】提供了一种应用于服务端的网络带宽预估方法，该方法包括：
获取客户端在每一次网络带宽预估的过程中，采集到的网络状态参数、计算得到的第一网络带宽及第二网络带宽，以及与目标网络带宽预估结果对应的实际网络带宽，作为模型训练样本数据；
基于所述模型训练样本数据训练网络带宽预估模型；
将训练得到的网络带宽预估模型发送至客户端，以使所述客户端基于所述网络带宽预估模型，预估得到目标网络带宽预估结果。
根据本公开的一个或多个实施例，【示例九】提供了一种应用于客户端的网络带宽预估方法，还包括：
在一些可选的实现方式中，所述基于上述数据训练网络带宽预估模型，包括：
根据所述网络状态参数中预设参数项的数值将各模型训练样本数据进行分组；
基于分组后的模型训练样本参数分别进行模型训练，得到多个网络带宽预估模型。
根据本公开的一个或多个实施例，【示例十】提供了一种配置于客户端的网络带宽预估装置，包括：
测试数据获取模块，用于向服务端发送带宽测试文件，并分别获取发送所述带宽测试文件前后的网络状态参数，其中，所述带宽测试文件的体积小于预设文件体积阈值；
第一带宽预估模块，用于基于所述网络状态参数和所述带宽测试文件的体积，确定第一网络带宽和第二网络带宽；
第二带宽预估模块，用于将所述网络状态参数、所述第一网络带宽和所述第二网络带宽输入到当前最新的网络带宽预估模型中，得到目标网络带宽预估结果；
其中，所述当前最新的网络带宽预估模型是基于历次网络带宽预估过程中的所述网络状态参数、所述第一网络带宽、所述第二网络带宽以及对应的实际网络带宽进行机器学习确定的模型。
根据本公开的一个或多个实施例，【示例十一】提供了一种配置于客户端的网络带宽预估装置，还包括：
在一些可选的实现方式中，所述第二带宽预估模块具体用于：
根据所述网络状态参数中预设参数项的数值，确定所述当前最新的网络带宽预估模型中，与所述数值所在参数数值区间匹配的目标网络带宽预估模型；
将所述网络状态参数、所述第一网络带宽和所述第二网络带宽输入到所述目标网络带宽预估模型中，得到目标网络带宽预估结果。
根据本公开的一个或多个实施例，【示例十二】提供了一种配置于客户端的网络带宽预估装置，还包括：
在一些可选的实现方式中，所述第一带宽预估模块包括第一带宽预估子模块和第二带宽预估子模块；
其中，第一带宽预估子模块，用于根据所述带宽测试文件的体积和所述网络状态参数中的数据传输往返时延确定所述第一网络带宽；
第二带宽预估子模块，用于将所述网络状态参数输入到预设离线带宽预测模型中，得到所述第二网络带宽。
根据本公开的一个或多个实施例，【示例十三】提供了一种配置于客户端的网络带宽预估装置，还包括：
在一些可选的实现方式中，测试数据获取模块还可用于：在进入待上传视频数据的编辑界面时，向所述服务端发送带宽测试文件。
根据本公开的一个或多个实施例，【示例十四】提供了一种配置于客户端的网络带宽预估装置，还包括：
在一些可选的实现方式中，网络带宽预估装置还包括：
带宽预估模型获取模块，用于从所述服务端获取所述当前最新的网络带宽预估模型。
根据本公开的一个或多个实施例，【示例十五】提供了一种配置于客户端的网络带宽预估装置，还包括：
在一些可选的实现方式中，网络带宽预估装置还包括：
参数上传接口模块，用于在每一次网络带宽预估的过程中，将获取到的网络状态参数、计算得到的第一网络带宽及第二网络带宽，以及与所述目标网络带宽预估结果对应的实际网络带宽发送到所述服务端，以使所述服务端根据接收到的数据进行网络带宽预估模型的训练和更新。
根据本公开的一个或多个实施例，【示例十六】提供了一种配置于客户端的网络带宽预估装置，还包括：
在一些可选的实现方式中，所述网络带宽预估模型包括神经网络模型和权重参数模型。
根据本公开的一个或多个实施例，【示例十七】提供了一种配置于服务端的网络带宽预估装置，包括：
模型训练样本获取模块，用于获取客户端在每一次网络带宽预估的过程中，采集到的网络状态参数、计算得到的第一网络带宽及第二网络带宽，以及与目标网络带宽预估结果对应的实际网络带宽，作为模型训练样本数据；
模型训练模块，用于基于所述模型训练样本数据训练网络带宽预估模型；
带宽预估模块，用于将训练得到的网络带宽预估模型发送至客户端，以使所述客户端基于所述网络带宽预估模型，预估得到目标网络带宽预估结果。
根据本公开的一个或多个实施例，【示例十八】提供了一种配置于服务端的网络带宽预估装置，还包括：
在一些可选的实现方式中，所述模型训练模块具体用于：
根据所述网络状态参数中预设参数项的数值将各模型训练样本数据进行分组；
基于分组后的模型训练样本参数分别进行模型训练，得到多个网络带宽预估模型。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (12)
1.一种网络带宽预估方法，应用于客户端，其特征在于，包括：
向服务端发送带宽测试文件，并分别获取发送所述带宽测试文件前后的网络状态参数，其中，所述带宽测试文件的体积小于预设文件体积阈值；
基于所述网络状态参数和所述带宽测试文件的体积，确定第一网络带宽和第二网络带宽；
将所述网络状态参数、所述第一网络带宽和所述第二网络带宽输入到当前最新的网络带宽预估模型中，得到目标网络带宽预估结果；
其中，所述当前最新的网络带宽预估模型是基于历次网络带宽预估过程中的所述网络状态参数、所述第一网络带宽、所述第二网络带宽以及对应的实际网络带宽进行机器学习确定的模型。
2.根据权利要求1所述的方法，其特征在于，所述将所述网络状态参数、所述第一网络带宽和所述第二网络带宽输入到当前最新的网络带宽模型中，得到目标网络带宽预估结果，包括：
根据所述网络状态参数中预设参数项的数值，确定所述当前最新的网络带宽预估模型中，与所述数值所在参数数值区间匹配的目标网络带宽预估模型；
将所述网络状态参数、所述第一网络带宽和所述第二网络带宽输入到所述目标网络带宽预估模型中，得到目标网络带宽预估结果。
3.根据权利要求1所述的方法，其特征在于，所述基于所述网络状态参数和所述带宽测试文件的体积，确定第一网络带宽和第二网络带宽，包括：
根据所述带宽测试文件的体积和所述网络状态参数中的数据传输往返时延确定所述第一网络带宽；
将所述网络状态参数输入到预设离线带宽预测模型中，得到所述第二网络带宽。
4.根据权利要求1所述的方法，其特征在于，所述向服务端发送带宽测试文件，包括：
在进入待上传视频数据的编辑界面时，向所述服务端发送带宽测试文件。
5.根据权利要求1所述的方法，其特征在于，在向服务端发送带宽测试文件之后，所述方法还包括：
从所述服务端获取所述当前最新的网络带宽预估模型。
6.根据权利要求5所述的方法，其特征在于，所述方法还包括：
在每一次网络带宽预估的过程中，将获取到的网络状态参数、计算得到的第一网络带宽及第二网络带宽，以及与所述目标网络带宽预估结果对应的实际网络带宽发送到所述服务端，以使所述服务端根据接收到的数据进行网络带宽预估模型的训练和更新。
7.一种网络带宽预估方法，应用于服务端，其特征在于，包括：
获取客户端在每一次网络带宽预估的过程中，采集到的网络状态参数、计算得到的第一网络带宽及第二网络带宽，以及与目标网络带宽预估结果对应的实际网络带宽，作为模型训练样本数据；
基于所述模型训练样本数据训练网络带宽预估模型；
将训练得到的网络带宽预估模型发送至客户端，以使所述客户端基于所述网络带宽预估模型，预估得到目标网络带宽预估结果。
8.根据权利要求7所述的方法，其特征在于，所述基于上述数据训练网络带宽预估模型，包括：
根据所述网络状态参数中预设参数项的数值将各模型训练样本数据进行分组；
基于分组后的模型训练样本参数分别进行模型训练，得到多个网络带宽预估模型。
9.一种网络带宽预估装置，配置于客户端，其特征在于，所述装置包括：
测试数据获取模块，用于向服务端发送带宽测试文件，并分别获取发送所述带宽测试文件前后的网络状态参数，其中，所述带宽测试文件的体积小于预设文件体积阈值；
第一带宽预估模块，用于基于所述网络状态参数和所述带宽测试文件的体积，确定第一网络带宽和第二网络带宽；
第二带宽预估模块，用于将所述网络状态参数、所述第一网络带宽和所述第二网络带宽输入到当前最新的网络带宽预估模型中，得到目标网络带宽预估结果；
其中，所述当前最新的网络带宽预估模型是基于历次网络带宽预估过程中的所述网络状态参数、所述第一网络带宽、所述第二网络带宽以及对应的实际网络带宽进行机器学习确定的模型。
10.一种网络带宽预估装置，配置于服务端，其特征在于，所述装置包括：
模型训练样本获取模块，用于获取客户端在每一次网络带宽预估的过程中，采集到的网络状态参数、计算得到的第一网络带宽及第二网络带宽，以及与目标网络带宽预估结果对应的实际网络带宽，作为模型训练样本数据；
模型训练模块，用于基于所述模型训练样本数据训练网络带宽预估模型；
带宽预估模块，用于将训练得到的网络带宽预估模型发送至客户端，以使所述客户端基于所述网络带宽预估模型，预估得到目标网络带宽预估结果。
11.一种电子设备，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1-8中任一所述的网络带宽预估方法。
12.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-8中任一所述的网络带宽预估方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210117416.6A CN114389975B (zh) | 2022-02-08 | 2022-02-08 | 网络带宽预估方法、装置、系统、电子设备及存储介质 |
| PCT/CN2023/074527 WO2023151528A1 (zh) | 2022-02-08 | 2023-02-06 | 网络带宽预估方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210117416.6A CN114389975B (zh) | 2022-02-08 | 2022-02-08 | 网络带宽预估方法、装置、系统、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114389975A true CN114389975A (zh) | 2022-04-22 |
| CN114389975B CN114389975B (zh) | 2024-03-08 |
Family
ID=81205479
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210117416.6A Active CN114389975B (zh) | 2022-02-08 | 2022-02-08 | 网络带宽预估方法、装置、系统、电子设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN114389975B (zh) |
| WO (1) | WO2023151528A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114979169A (zh) * | 2022-05-27 | 2022-08-30 | 山东派盟网络科技有限公司 | 一种网络资源推送方法、装置、存储介质及电子设备 |
| CN115174429A (zh) * | 2022-05-25 | 2022-10-11 | 深信服科技股份有限公司 | 网络带宽检测方法、装置、系统、设备及存储介质 |
| WO2023151528A1 (zh) * | 2022-02-08 | 2023-08-17 | 北京字节跳动网络技术有限公司 | 网络带宽预估方法、装置、电子设备及存储介质 |
Citations (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020140851A1 (en) * | 2001-03-30 | 2002-10-03 | Indra Laksono | Adaptive bandwidth footprint matching for multiple compressed video streams in a fixed bandwidth network |
| WO2012079396A1 (zh) * | 2010-12-14 | 2012-06-21 | 华为技术有限公司 | 一种带宽控制的方法、设备和系统 |
| CN102571909A (zh) * | 2011-11-14 | 2012-07-11 | 北京安天电子设备有限公司 | 基于服务器文件夹访问量动态调整带宽的方法及装置 |
| CN103001835A (zh) * | 2012-12-29 | 2013-03-27 | 电信科学技术第一研究所 | 基于数据传输的网络带宽测试方法及系统 |
| 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 |
| US20160337223A1 (en) * | 2014-02-04 | 2016-11-17 | Distrix Networks Ltd. | Bandwidth and latency estimation in a communication network |
| CN106302016A (zh) * | 2016-08-18 | 2017-01-04 | 成都网优力软件有限公司 | 小流量快速获取网络物理带宽的方法及系统 |
| US20170019310A1 (en) * | 2015-07-14 | 2017-01-19 | Waterford Institute Of Technology | Method and system for effective bandwidth estimation |
| CN106464942A (zh) * | 2015-03-20 | 2017-02-22 | 华为技术有限公司 | 流媒体资源的下载方法、装置和终端设备 |
| US20180139258A1 (en) * | 2016-11-15 | 2018-05-17 | Google Inc. | Leveraging Aggregated Network Statistics for Enhancing Quality and User Experience for Live Video Streaming from Mobile Devices |
| CN108322401A (zh) * | 2017-01-17 | 2018-07-24 | 网宿科技股份有限公司 | 网络传输拥塞的控制方法及装置 |
| CN109150665A (zh) * | 2018-09-27 | 2019-01-04 | 视联动力信息技术股份有限公司 | 一种带宽测试方法和装置 |
| 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 |
| US20190246297A1 (en) * | 2018-02-07 | 2019-08-08 | Rohde & Schwarz Gmbh & Co. Kg | Method and test system for mobile network testing as well as prediction system |
| CN110572297A (zh) * | 2019-08-09 | 2019-12-13 | 网宿科技股份有限公司 | 网络性能的评估方法、服务器及存储介质 |
| WO2020083364A1 (zh) * | 2018-10-25 | 2020-04-30 | 中兴通讯股份有限公司 | 5g通信方法、系统、设备及存储介质 |
| CN111371626A (zh) * | 2020-03-20 | 2020-07-03 | 南京大学 | 一种基于神经网络的带宽预测方法 |
| CN111405327A (zh) * | 2020-04-03 | 2020-07-10 | 广州市百果园信息技术有限公司 | 网络带宽预测模型训练方法、视频数据播放方法及装置 |
| CN111541626A (zh) * | 2020-04-21 | 2020-08-14 | 广州市百果园信息技术有限公司 | 网络带宽更新方法、装置、电子设备及存储介质 |
| CN112118151A (zh) * | 2020-08-28 | 2020-12-22 | 北京奇艺世纪科技有限公司 | 网络测速方法、装置、系统、电子设备及存储介质 |
| WO2021057245A1 (zh) * | 2019-09-23 | 2021-04-01 | 北京达佳互联信息技术有限公司 | 带宽预测方法、装置、电子设备及存储介质 |
| CN112671606A (zh) * | 2020-12-16 | 2021-04-16 | 深圳创维数字技术有限公司 | 一种网络测速方法和装置、系统、存储介质及网关设备 |
| CN113079045A (zh) * | 2021-03-26 | 2021-07-06 | 北京达佳互联信息技术有限公司 | 带宽分配方法、装置、服务器及存储介质 |
| CN113453045A (zh) * | 2021-06-28 | 2021-09-28 | 苏州科达科技股份有限公司 | 网络带宽预测方法、系统、设备及存储介质 |
| CN113660173A (zh) * | 2021-08-16 | 2021-11-16 | 北京字节跳动网络技术有限公司 | 一种流量控制方法、装置、计算机设备及存储介质 |
| US11190597B1 (en) * | 2020-07-09 | 2021-11-30 | International Business Machines Corporation | Network bandwidth sharing |
| CN113962417A (zh) * | 2020-07-03 | 2022-01-21 | 腾讯科技（深圳）有限公司 | 一种视频处理方法、装置、电子设备和存储介质 |
| CN113992967A (zh) * | 2021-10-25 | 2022-01-28 | 北京字节跳动网络技术有限公司 | 一种投屏数据传输方法、装置、电子设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102916908B (zh) * | 2011-08-02 | 2014-03-19 | 腾讯科技（深圳）有限公司 | 网络应用中的带宽优化方法及系统 |
| 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 |
-
2022
- 2022-02-08 CN CN202210117416.6A patent/CN114389975B/zh active Active
-
2023
- 2023-02-06 WO PCT/CN2023/074527 patent/WO2023151528A1/zh unknown
Patent Citations (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020140851A1 (en) * | 2001-03-30 | 2002-10-03 | Indra Laksono | Adaptive bandwidth footprint matching for multiple compressed video streams in a fixed bandwidth network |
| WO2012079396A1 (zh) * | 2010-12-14 | 2012-06-21 | 华为技术有限公司 | 一种带宽控制的方法、设备和系统 |
| CN102571909A (zh) * | 2011-11-14 | 2012-07-11 | 北京安天电子设备有限公司 | 基于服务器文件夹访问量动态调整带宽的方法及装置 |
| CN103001835A (zh) * | 2012-12-29 | 2013-03-27 | 电信科学技术第一研究所 | 基于数据传输的网络带宽测试方法及系统 |
| 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 |
| US20160337223A1 (en) * | 2014-02-04 | 2016-11-17 | Distrix Networks Ltd. | Bandwidth and latency estimation in a communication network |
| CN106464942A (zh) * | 2015-03-20 | 2017-02-22 | 华为技术有限公司 | 流媒体资源的下载方法、装置和终端设备 |
| US20170019310A1 (en) * | 2015-07-14 | 2017-01-19 | Waterford Institute Of Technology | Method and system for effective bandwidth estimation |
| CN106302016A (zh) * | 2016-08-18 | 2017-01-04 | 成都网优力软件有限公司 | 小流量快速获取网络物理带宽的方法及系统 |
| US20180139258A1 (en) * | 2016-11-15 | 2018-05-17 | Google Inc. | Leveraging Aggregated Network Statistics for Enhancing Quality and User Experience for Live Video Streaming from Mobile Devices |
| CN108322401A (zh) * | 2017-01-17 | 2018-07-24 | 网宿科技股份有限公司 | 网络传输拥塞的控制方法及装置 |
| US20190246297A1 (en) * | 2018-02-07 | 2019-08-08 | Rohde & Schwarz Gmbh & Co. Kg | Method and test system for mobile network testing as well as prediction system |
| CN109150665A (zh) * | 2018-09-27 | 2019-01-04 | 视联动力信息技术股份有限公司 | 一种带宽测试方法和装置 |
| WO2020083364A1 (zh) * | 2018-10-25 | 2020-04-30 | 中兴通讯股份有限公司 | 5g通信方法、系统、设备及存储介质 |
| 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 |
| CN110572297A (zh) * | 2019-08-09 | 2019-12-13 | 网宿科技股份有限公司 | 网络性能的评估方法、服务器及存储介质 |
| WO2021057245A1 (zh) * | 2019-09-23 | 2021-04-01 | 北京达佳互联信息技术有限公司 | 带宽预测方法、装置、电子设备及存储介质 |
| CN111371626A (zh) * | 2020-03-20 | 2020-07-03 | 南京大学 | 一种基于神经网络的带宽预测方法 |
| CN111405327A (zh) * | 2020-04-03 | 2020-07-10 | 广州市百果园信息技术有限公司 | 网络带宽预测模型训练方法、视频数据播放方法及装置 |
| CN111541626A (zh) * | 2020-04-21 | 2020-08-14 | 广州市百果园信息技术有限公司 | 网络带宽更新方法、装置、电子设备及存储介质 |
| CN113962417A (zh) * | 2020-07-03 | 2022-01-21 | 腾讯科技（深圳）有限公司 | 一种视频处理方法、装置、电子设备和存储介质 |
| US11190597B1 (en) * | 2020-07-09 | 2021-11-30 | International Business Machines Corporation | Network bandwidth sharing |
| CN112118151A (zh) * | 2020-08-28 | 2020-12-22 | 北京奇艺世纪科技有限公司 | 网络测速方法、装置、系统、电子设备及存储介质 |
| CN112671606A (zh) * | 2020-12-16 | 2021-04-16 | 深圳创维数字技术有限公司 | 一种网络测速方法和装置、系统、存储介质及网关设备 |
| CN113079045A (zh) * | 2021-03-26 | 2021-07-06 | 北京达佳互联信息技术有限公司 | 带宽分配方法、装置、服务器及存储介质 |
| CN113453045A (zh) * | 2021-06-28 | 2021-09-28 | 苏州科达科技股份有限公司 | 网络带宽预测方法、系统、设备及存储介质 |
| CN113660173A (zh) * | 2021-08-16 | 2021-11-16 | 北京字节跳动网络技术有限公司 | 一种流量控制方法、装置、计算机设备及存储介质 |
| CN113992967A (zh) * | 2021-10-25 | 2022-01-28 | 北京字节跳动网络技术有限公司 | 一种投屏数据传输方法、装置、电子设备及存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023151528A1 (zh) * | 2022-02-08 | 2023-08-17 | 北京字节跳动网络技术有限公司 | 网络带宽预估方法、装置、电子设备及存储介质 |
| CN115174429A (zh) * | 2022-05-25 | 2022-10-11 | 深信服科技股份有限公司 | 网络带宽检测方法、装置、系统、设备及存储介质 |
| CN115174429B (zh) * | 2022-05-25 | 2024-04-09 | 深信服科技股份有限公司 | 网络带宽检测方法、装置、系统、设备及存储介质 |
| CN114979169A (zh) * | 2022-05-27 | 2022-08-30 | 山东派盟网络科技有限公司 | 一种网络资源推送方法、装置、存储介质及电子设备 |
| CN114979169B (zh) * | 2022-05-27 | 2024-03-29 | 山东派盟网络科技有限公司 | 一种网络资源推送方法、装置、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023151528A1 (zh) | 2023-08-17 |
| CN114389975B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114389975B (zh) | 网络带宽预估方法、装置、系统、电子设备及存储介质 | |
| CN114861790B (zh) | 联邦学习压缩通信的优化方法、系统及装置 | |
| CN109600665B (zh) | 用于处理数据的方法和装置 | |
| CN114257815A (zh) | 一种视频转码方法、装置、服务器和介质 | |
| CN110443647B (zh) | 信息投放方法及设备 | |
| CN115037986B (zh) | 视频的自适应播放方法及设备 | |
| CN117241092A (zh) | 一种视频处理方法、装置、存储介质及电子设备 | |
| CN111949527A (zh) | 游戏视频的测试方法、装置、设备及存储介质 | |
| CN112685271A (zh) | 压测数据处理方法、装置、电子设备及可读存储介质 | |
| CN110290381B (zh) | 视频质量评估方法、装置、电子设备及计算机存储介质 | |
| CN114157578A (zh) | 网络状态预测方法及装置 | |
| CN113435528A (zh) | 对象分类的方法、装置、可读介质和电子设备 | |
| CN113556480A (zh) | 车辆连续运动视频生成方法、装置、设备和介质 | |
| CN113592557A (zh) | 广告投放结果的归因方法、装置、存储介质及电子设备 | |
| CN111680754A (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
| CN112307320A (zh) | 一种信息推送方法、装置、移动终端及存储介质 | |
| CN115348460B (zh) | 视频的预加载方法、装置、设备及存储介质 | |
| CN116862319B (zh) | 电力指标信息生成方法、装置、电子设备和介质 | |
| CN117082273A (zh) | 视频播放时长预测方法、装置、电子设备、介质及产品 | |
| CN112926735A (zh) | 深度强化学习模型的更新方法、装置、框架、介质及设备 | |
| CN116933857A (zh) | 神经网络的剪枝处理方法、装置、设备及介质 | |
| CN117725420A (zh) | 数据集生成方法、装置、可读介质及电子设备 | |
| CN116843027A (zh) | 一种处理推送信息的方法和装置 | |
| CN118171098A (zh) | 异常数据检测方法、装置、电子设备和存储介质 | |
| CN115002557A (zh) | 一种网速预测方法、装置、设备和存储介质 |
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 |