CN115277581A - 网络传输的控制方法、装置、计算机设备、存储介质 - Google Patents
网络传输的控制方法、装置、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN115277581A CN115277581A CN202210859668.6A CN202210859668A CN115277581A CN 115277581 A CN115277581 A CN 115277581A CN 202210859668 A CN202210859668 A CN 202210859668A CN 115277581 A CN115277581 A CN 115277581A
- Authority
- CN
- China
- Prior art keywords
- quality index
- network service
- service quality
- network
- value
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 88
- 238000013507 mapping Methods 0.000 claims abstract description 130
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000011217 control strategy Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 98
- 230000002776 aggregation Effects 0.000 claims description 43
- 238000004220 aggregation Methods 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 43
- 238000005070 sampling Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 24
- 238000005457 optimization Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 230000003044 adaptive effect Effects 0.000 description 6
- 108700041286 delta Proteins 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000009877 rendering Methods 0.000 description 4
- 201000004569 Blindness Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000002708 enhancing effect Effects 0.000 description 3
- 102220014089 rs2277923 Human genes 0.000 description 3
- 241000700605 Viruses Species 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- ZXQYGBMAQZUVMI-GCMPRSNUSA-N gamma-cyhalothrin Chemical compound CC1(C)[C@@H](\C=C(/Cl)C(F)(F)F)[C@H]1C(=O)O[C@H](C#N)C1=CC=CC(OC=2C=CC=CC=2)=C1 ZXQYGBMAQZUVMI-GCMPRSNUSA-N 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 102220067471 rs377354475 Human genes 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002155 anti-virotic effect Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2425—Traffic characterised by specific attributes, e.g. priority or QoS for supporting services specification, e.g. SLA
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/20—Traffic policing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请涉及一种网络传输的控制方法、装置、计算机设备、存储介质和计算机程序产品,方法应用于云服务领域和智能交通领域。包括:获取会话连接的服务质量指标集;对服务质量指标集内的服务质量指标值依次进行调整,得到各服务质量指标调整集;通过映射关系模型依次对服务质量指标集和服务质量指标调整集进行映射处理,得到服务质量指标集对应的第一用户体验质量指标值和各服务质量指标调整集对应的第二用户体验质量指标值;基于各第二用户体验质量指标值与第一用户体验质量指标值,确定影响用户体验质量的关键服务质量指标值;根据关键服务质量指标值,调整流量发送策略或拥塞控制策略。采用本方法能够提升网络传输的控制效率。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种网络传输的控制方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着计算机技术以及互联网技术的发展,用户侧的体验质量(Quality ofExperience,QoE)是衡量不同云服务提供商的服务质量的重要依据,有效提升用户的体验质量是当前各大云平台所追求的目标。
然而,目前的网络传输的控制方式中,由于云服务器端无法实时获取第三方客户的用户体验质量信息,因而容易使得对网络服务质量进行优化后,也不一定带来用户侧体验质量的优化,导致网络传输的控制效率较差。
发明内容
基于此,有必要针对上述技术问题,提供一种能够有效提升网络传输的控制效率的网络传输的控制方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种网络传输的控制方法。所述方法包括:在执行发包或拥塞控制时,获取会话连接的网络服务质量指标集;所述网络服务质量指标集中包括不同的网络服务质量指标值;对所述网络服务质量指标集内的网络服务质量指标值依次进行调整,并将每次调整的一个网络服务质量指标值与其它未调整的网络服务质量指标值组合,得到各网络服务质量指标调整集;通过映射关系模型依次对所述网络服务质量指标集和所述网络服务质量指标调整集进行映射处理,得到所述网络服务质量指标集对应的第一用户体验质量指标值和各所述网络服务质量指标调整集对应的第二用户体验质量指标值;基于各所述第二用户体验质量指标值与所述第一用户体验质量指标值,在所述网络服务质量指标集确定影响用户体验质量的关键网络服务质量指标值;根据所述关键网络服务质量指标值,调整流量发送策略或拥塞控制策略。
第二方面,本申请还提供了一种网络传输的控制装置。所述装置包括:获取模块,用于在执行发包或拥塞控制时,获取会话连接的网络服务质量指标集;所述网络服务质量指标集中包括不同的网络服务质量指标值;组合模块,用于对所述网络服务质量指标集内的网络服务质量指标值依次进行调整,并将每次调整的一个网络服务质量指标值与其它未调整的网络服务质量指标值组合,得到各网络服务质量指标调整集;处理模块,用于通过映射关系模型依次对所述网络服务质量指标集和所述网络服务质量指标调整集进行映射处理,得到所述网络服务质量指标集对应的第一用户体验质量指标值和各所述网络服务质量指标调整集对应的第二用户体验质量指标值;确定模块,用于基于各所述第二用户体验质量指标值与所述第一用户体验质量指标值,在所述网络服务质量指标集确定影响用户体验质量的关键网络服务质量指标值;调整模块,用于根据所述关键网络服务质量指标值,调整流量发送策略或拥塞控制策略。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:在执行发包或拥塞控制时,获取会话连接的网络服务质量指标集;所述网络服务质量指标集中包括不同的网络服务质量指标值;对所述网络服务质量指标集内的网络服务质量指标值依次进行调整,并将每次调整的一个网络服务质量指标值与其它未调整的网络服务质量指标值组合,得到各网络服务质量指标调整集;通过映射关系模型依次对所述网络服务质量指标集和所述网络服务质量指标调整集进行映射处理,得到所述网络服务质量指标集对应的第一用户体验质量指标值和各所述网络服务质量指标调整集对应的第二用户体验质量指标值;基于各所述第二用户体验质量指标值与所述第一用户体验质量指标值,在所述网络服务质量指标集确定影响用户体验质量的关键网络服务质量指标值;根据所述关键网络服务质量指标值,调整流量发送策略或拥塞控制策略。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:在执行发包或拥塞控制时,获取会话连接的网络服务质量指标集;所述网络服务质量指标集中包括不同的网络服务质量指标值;对所述网络服务质量指标集内的网络服务质量指标值依次进行调整,并将每次调整的一个网络服务质量指标值与其它未调整的网络服务质量指标值组合,得到各网络服务质量指标调整集;通过映射关系模型依次对所述网络服务质量指标集和所述网络服务质量指标调整集进行映射处理,得到所述网络服务质量指标集对应的第一用户体验质量指标值和各所述网络服务质量指标调整集对应的第二用户体验质量指标值;基于各所述第二用户体验质量指标值与所述第一用户体验质量指标值,在所述网络服务质量指标集确定影响用户体验质量的关键网络服务质量指标值;根据所述关键网络服务质量指标值,调整流量发送策略或拥塞控制策略。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:在执行发包或拥塞控制时,获取会话连接的网络服务质量指标集;所述网络服务质量指标集中包括不同的网络服务质量指标值;对所述网络服务质量指标集内的网络服务质量指标值依次进行调整,并将每次调整的一个网络服务质量指标值与其它未调整的网络服务质量指标值组合,得到各网络服务质量指标调整集;通过映射关系模型依次对所述网络服务质量指标集和所述网络服务质量指标调整集进行映射处理,得到所述网络服务质量指标集对应的第一用户体验质量指标值和各所述网络服务质量指标调整集对应的第二用户体验质量指标值;基于各所述第二用户体验质量指标值与所述第一用户体验质量指标值,在所述网络服务质量指标集确定影响用户体验质量的关键网络服务质量指标值;根据所述关键网络服务质量指标值,调整流量发送策略或拥塞控制策略。
上述网络传输的控制方法、装置、计算机设备、存储介质和计算机程序产品,通过在执行发包或拥塞控制时,获取会话连接的网络服务质量指标集;网络服务质量指标集中包括不同的网络服务质量指标值;对网络服务质量指标集内的网络服务质量指标值依次进行调整,并将每次调整的一个网络服务质量指标值与其它未调整的网络服务质量指标值组合,得到各网络服务质量指标调整集;通过映射关系模型依次对网络服务质量指标集和网络服务质量指标调整集进行映射处理,得到网络服务质量指标集对应的第一用户体验质量指标值和各网络服务质量指标调整集对应的第二用户体验质量指标值;基于各第二用户体验质量指标值与第一用户体验质量指标值,在网络服务质量指标集确定影响用户体验质量的关键网络服务质量指标值,并根据关键网络服务质量指标值,调整流量发送策略或拥塞控制策略。由于预先通过模型训练得到了网络服务质量与用户体验质量之间的映射关系模型,故可以通过映射关系模型依次对初始的网络服务质量指标集、以及调整了某个指标值的网络服务质量指标调整集进行映射处理,得到初始的网络服务质量指标集对应的第一用户体验质量指标值和各网络服务质量指标调整集对应的第二用户体验质量指标值,以使得服务器可以基于各第二用户体验质量指标值与第一用户体验质量指标值,在网络服务质量指标集中确定影响用户体验质量的关键网络服务质量指标值,并根据关键网络服务质量指标值,定向调整流量发送策略或拥塞控制策略,解决了传统方式中无法实时获取第三方客户的用户体验质量信息的问题,可实现直接面向用户体验质量的网络传输优化,避免了仅对网络服务质量指标值优化而不一定带来用户体验质量优化的盲目性,即通过改善关键网络服务质量指标值实现对用户体验质量的定向优化,从而有效提升网络传输的控制效率。
附图说明
图1为一个实施例中网络传输的控制方法的应用环境图;
图2为一个实施例中网络传输的控制方法的流程示意图;
图3为一个实施例中基于监督学习的QoE智能推理模型的示意图;
图4为一个实施例中基于服务质量训练集和体验质量训练集,构建映射关系模型步骤的流程示意图;
图5为一个实施例中基于各第二用户体验质量指标值与第一用户体验质量指标值,在网络服务质量指标集确定影响用户体验质量的关键网络服务质量指标值步骤的流程示意图;
图6为一个实施例中根据关键网络服务质量指标值,调整流量发送策略或拥塞控制策略步骤的流程示意图;
图7为一个实施例中产品侧的系统整体架构示意图;
图8为一个实施例中基于QoE智能推理的自适应拥塞控制方法的流程示意图;
图9为一个实施例中网络传输的控制装置的结构框图;
图10为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的网络传输的控制方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他服务器上。服务器104在执行发包或拥塞控制时,获取与终端102建立的会话连接的网络服务质量指标集,网络服务质量指标集中包括不同的网络服务质量指标值;服务器104对网络服务质量指标集内的网络服务质量指标值依次进行调整,并将每次调整的一个网络服务质量指标值与其它未调整的网络服务质量指标值组合,得到各网络服务质量指标调整集;服务器104通过映射关系模型依次对网络服务质量指标集和网络服务质量指标调整集进行映射处理,得到网络服务质量指标集对应的第一用户体验质量指标值和各网络服务质量指标调整集对应的第二用户体验质量指标值;服务器104基于各第二用户体验质量指标值与第一用户体验质量指标值,在网络服务质量指标集确定影响用户体验质量的关键网络服务质量指标值;服务器104根据关键网络服务质量指标值,调整流量发送策略或拥塞控制策略,以使得在终端102侧的用户体验质量更好。
其中,终端102可以但不限于是各种台式计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
可以理解,本申请实施例提供的服务器104也可以是区块链系统中的服务节点,该区块链系统中的各服务节点之间形成组成点对点(P2P,Peer To Peer)网络,P2P协议是一个运行在传输控制协议(TCP,Transmission Control Protocol)协议之上的应用层协议。
云技术(Cloud technology)基于云计算商业模式应用的网络技术、信息技术、整合技术、管理平台技术、应用技术等的总称,可以组成资源池,按需所用,灵活便利。云计算技术将变成重要支撑。技术网络系统的后台服务需要大量的计算、存储资源,如视频网站、图片类网站和更多的门户网站。伴随着互联网行业的高度发展和应用,将来每个物品都有可能存在自己的识别标志,都需要传输到后台系统进行逻辑处理,不同程度级别的数据将会分开处理,各类行业数据皆需要强大的系统后盾支撑,只能通过云计算来实现。
云计算(cloud computing)是一种计算模式,它将计算任务分布在大量计算机构成的资源池上,使各种应用系统能够根据需要获取计算力、存储空间和信息服务。提供资源的网络被称为“云”。“云”中的资源在使用者看来是可以无限扩展的,并且可以随时获取,按需使用,随时扩展,按使用付费。
作为云计算的基础能力提供商,会建立云计算资源池(简称云平台,一般称为IaaS(Infrastructure as a Service,基础设施即服务)平台,在资源池中部署多种类型的虚拟资源,供外部客户选择使用。云计算资源池中主要包括:计算设备(为虚拟化机器,包含操作系统)、存储设备、网络设备。
按照逻辑功能划分,在IaaS(Infrastructure as a Service,基础设施即服务)层上可以部署PaaS(Platform as a Service,平台即服务)层,PaaS层之上再部署SaaS(Software as a Service,软件即服务)层,也可以直接将SaaS部署在IaaS上。PaaS为软件运行的平台,如数据库、web容器等。SaaS为各式各样的业务软件,如web门户网站、短信群发器等。一般来说,SaaS和PaaS相对于IaaS是上层。
云存储(cloud storage)是在云计算概念上延伸和发展出来的一个新的概念,分布式云存储系统(以下简称存储系统)是指通过集群应用、网格技术以及分布存储文件系统等功能,将网络中大量各种不同类型的存储设备(存储设备也称之为存储节点)通过应用软件或应用接口集合起来协同工作,共同对外提供数据存储和业务访问功能的一个存储系统。
云安全(Cloud Security)是指基于云计算商业模式应用的安全软件、硬件、用户、机构、安全云平台的总称。云安全融合了并行处理、网格计算、未知病毒行为判断等新兴技术和概念,通过网状的大量客户端对网络中软件行为的异常监测,获取互联网中木马、恶意程序的最新信息,并发送到服务端进行自动分析和处理,再把病毒和木马的解决方案分发到每一个客户端。
云安全主要研究方向包括:1.云计算安全,主要研究如何保障云自身及云上各种应用的安全,包括云计算机系统安全、用户数据的安全存储与隔离、用户接入认证、信息传输安全、网络攻击防护、合规审计等;2.安全基础设施的云化,主要研究如何采用云计算新建与整合安全基础设施资源,优化安全防护机制,包括通过云计算技术构建超大规模安全事件、信息采集与处理平台,实现对海量信息的采集与关联分析,提升全网安全事件把控能力及风险控制能力;3.云安全服务,主要研究各种基于云计算平台为用户提供的安全服务,如防病毒服务等。
随着人工智能技术研究和进步,人工智能技术在多个领域展开研究和应用,例如常见的智能家居、智能穿戴设备、虚拟助理、智能音箱、智能营销、无人驾驶、自动驾驶、无人机、机器人、智能医疗、智能客服、车联网、自动驾驶、智慧交通等,相信随着技术的发展,人工智能技术将在更多的领域得到应用,并发挥越来越重要的价值。
在一个实施例中,如图2所示,提供了一种网络传输的控制方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,在执行发包或拥塞控制时,获取会话连接的网络服务质量指标集;网络服务质量指标集中包括不同的网络服务质量指标值。
其中,执行发包是指数据发送端执行数据包发送操作,本申请中的数据发送端可以是服务器,即服务器作为数据发送端,向不同的用户终端发送对应的数据包。
拥塞现象是指到达通信子网中某一部分的分组数量过多,使得该部分网络来不及处理,以致引起这部分乃至整个网络性能下降的现象,严重时甚至会导致网络通信业务陷入停顿,即出现死锁现象,因此需要进行拥塞控制。即网络拥塞是指网络节点或链路所承载的数据量超过了它所能处理的极限,从而导致的网络服务质量的下降,采用不同的拥塞控制方式,可以有效的缓解网络拥塞现象。本申请中的服务器在执行发包或拥塞控制时,实时动态的检测各个会话连接的网络服务质量信息,例如,服务器可以检测预设的一段时间内,如1分钟内的会话总量,即会话连接数量。
会话连接是指数据发送端与数据接收端建立的连接,例如,本申请中的数据发送端可以是服务器,数据接收端可以是各个用户终端,即服务器可以与不同的用户终端建立对应的会话连接。可以理解,本申请中的会话连接的数目可以为1个会话连接,也可以为多个会话连接,服务器可以实时获取到保持连接的会话连接的数量和相关网络服务质量指标。
网络服务质量(Quality of Services,QoS)指一个网络能够利用各种基础技术,为指定的网络通信提供更好的服务能力,是网络的一种安全机制,是用来解决网络延迟和阻塞等问题的一种技术。网络服务质量用于评价对一个服务的满意程度。
网络服务质量指标是指用于反映网络流量的传输质量的各个指标,即网络服务质量指标能够从网络角度反映流量的传输质量,例如,网络服务质量指标包括:重传率、往返时延(Rround-Trip Time,RTT)、下载速率、发送窗口、发送速率、会话持续时间、发送报文和重传报文数量、发送数据量和重传数据量、慢启动阶段的发包报文数量、重传报文数量、以及流量结束时是否处于慢启动状态等。本申请中的网络服务质量指标可以分为不同类型的指标,例如,往返时延(Rround-Trip Time,RTT)这个类型指标中,又可以包括平均RTT、平滑RTT、最小RTT和最大RTT这4个指标。
网络服务质量指标集是指用于反映网络流量的传输质量的网络服务质量指标的集合,例如,服务器获取到与用户终端建立的会话连接对应的网络服务质量指标值包括下载速率、发送窗口和发送速率这三个网络服务质量指标,则这三个指标组成的集合,即为网络服务质量指标集。
网络服务质量指标值是指各个网络服务质量指标对应的数值,例如,网络服务质量指标为下载速率,下载速率为220KB/s,则220为网络服务质量指标值。
具体地,服务器在执行发包或拥塞控制的过程中,服务器可以通过网络测量技术获取保持连接的各个会话连接的网络服务质量指标集,各个网络服务质量指标集中包括不同的网络服务质量指标值。由于每个会话连接的传输状态不同,因此,服务器获取到的各个会话连接对应的网络服务质量指标集中的各个指标值也可能是不同的。
举个例子,假设当前时刻服务器与用户终端A保持会话连接1、用户终端B保持会话连接2,以及用户终端C保持会话连接3,则服务器在执行发包或拥塞控制时,服务器可以通过网络测量技术获取每个会话连接对应的网络服务质量指标集,即服务器可以到会话连接1对应的网络服务质量指标集1、会话连接2对应的网络服务质量指标集2,以及会话连接3对应的网络服务质量指标集3。
步骤204,对网络服务质量指标集内的网络服务质量指标值依次进行调整,并将每次调整的一个网络服务质量指标值与其它未调整的网络服务质量指标值组合,得到各网络服务质量指标调整集。
其中,对网络服务质量指标集内的网络服务质量指标值依次进行调整,是指按照预设调整比例或者预设调整算法,对各个网络服务质量指标的数值,进行增大或者减小的调整,例如,网络服务质量指标集内的第一个网络服务质量指标下载速率的值为V=220KB/s,按照预设比例10%进行增大或者减小,得到调整后的下载速率的值为V1=220(1-10%)=198KB/s,或者V1=220(1+10%)=242KB/s。
其它未调整的网络服务质量指标值,是指没有对网络服务质量指标的数值进行调整。例如,服务器可以通过网络测量技术获取保持连接的某个会话连接的网络服务质量指标集中的第一个网络服务质量指标即下载速率的值为V=220KB/s,经过调整后,下载速率的值仍为V=220KB/s,则可以理解为下载速率的值此次并未调整。
网络服务质量指标调整集,是指经过调整后的网络服务质量指标值所组成的集合,例如,网络服务质量指标集A内的第一个网络服务质量指标下载速率的值为V=220KB/s,按照预设比例10%进行减小,得到调整后的下载速率的值为V1=220(1-10%)=198KB/s,将调整后的下载速率V1=220(1-10%)=198KB/s与未调整的其他指标组合后,得到的集合即为网络服务质量指标调整集。
具体地,服务器获取保持连接的各个会话连接的网络服务质量指标集之后,可以对各个会话连接的网络服务质量指标集进行聚合处理,得到聚合处理后的网络服务质量指标集。进一步的,服务器可以对聚合处理后的网络服务质量指标集内的网络服务质量指标值依次进行调整,即服务器可以先对网络服务质量指标集内的第一个网络服务质量指标值进行调整,并将调整后的第一个网络服务质量指标值与其它未调整的网络服务质量指标值组合,得到调整第一个网络服务质量指标所对应的网络服务质量指标调整集,以此类推,服务器可以对网络服务质量指标集内的第二个网络服务质量指标值进行调整,并将调整后的第二个网络服务质量指标值与其它未调整的网络服务质量指标值组合,得到调整第二个网络服务质量指标所对应的网络服务质量指标调整集,直到服务器将网络服务质量指标集中的最后一个网络服务质量指标值进行调整,得到调整最后一个网络服务质量指标所对应的网络服务质量指标调整集时停止调整。
举个例子,假设当前时刻服务器只与用户终端A保持会话连接1,则服务器在执行发包或拥塞控制时,服务器可以通过网络测量技术获取到会话连接1对应的网络服务质量指标集A为:{下载速率V1=220KB/s、发送速率V2=300KB/s、往返时延R=40ms},则服务器可以对网络服务质量指标集A内的网络服务质量指标值依次进行调整,即服务器可以先对网络服务质量指标集A内的第一个网络服务质量指标值即下载速率V1=220KB/s进行调整,按照预设比例10%进行减小,得到调整后的下载速率的值为V1=220(1-10%)=198KB/s,并将调整后的下载速率的值V1=198KB/s与其它未调整的网络服务质量指标值即发送速率V2=300KB/s和往返时延R=40ms组合,得到调整下载速率所对应的网络服务质量指标调整集A1为:{下载速率V1=198KB/s、发送速率V2=300KB/s、往返时延R=40ms},以此类推,服务器可以继续对网络服务质量指标集A内的第二个网络服务质量指标值即发送速率V2=300KB/s进行调整,按照预设比例10%进行减小,得到调整后的发送速率的值为V2=300(1-10%)=270KB/s,并将调整后的发送速率的值为V2=270KB/s与其它未调整的网络服务质量指标值即下载速率V1=220KB/s、往返时延R=40ms组合,得到调整发送速率所对应的网络服务质量指标调整集A2为:{下载速率V1=220KB/s、发送速率V2=270KB/s、往返时延R=40ms}。
进一步的,服务器可以继续对网络服务质量指标集A内的最后一个网络服务质量指标值即往返时延R=40ms进行调整,按照预设比例10%进行减小,得到调整后的往返时延的值为R=40(1-10%)=36ms,并将调整后的往返时延的值为R=36ms与其它未调整的网络服务质量指标值即下载速率V1=220KB/s、发送速率V2=300KB/s组合,得到调整往返时延所对应的网络服务质量指标调整集A3为:{下载速率V1=220KB/s、发送速率V2=300KB/s、往返时延R=36ms},由于往返时延R=40ms为网络服务质量指标集A内的最后一个网络服务质量指标值,因此,服务器得到调整往返时延所对应的网络服务质量指标调整集A3时停止调整。
步骤206,通过映射关系模型依次对网络服务质量指标集和网络服务质量指标调整集进行映射处理,得到网络服务质量指标集对应的第一用户体验质量指标值和各网络服务质量指标调整集对应的第二用户体验质量指标值。
其中,映射关系模型是指预先构建好的用户体验质量与网络服务质量之间的映射关系模型,例如,映射关系模型可以是预先构建的通用各类型的拥塞控制算法的映射关系模型,也可以是预先构建的与各类型的拥塞控制算法对应的映射关系模型。
第一用户体验质量指标值是指将网络服务质量指标集输入映射关系模型中,输出得到的用户体验质量指标值。
第二用户体验质量指标值是指将各个网络服务质量指标调整集输入映射关系模型中,输出得到的用户体验质量指标值。
具体地,服务器对网络服务质量指标集内的网络服务质量指标值依次进行调整,并将每次调整的一个网络服务质量指标值与其它未调整的网络服务质量指标值组合,得到各网络服务质量指标调整集之后,服务器可以通过映射关系模型依次对网络服务质量指标集和各个网络服务质量指标调整集进行映射处理,得到网络服务质量指标集对应的第一用户体验质量指标值和各网络服务质量指标调整集对应的第二用户体验质量指标值,即服务器将初始的网络服务质量指标集输入映射关系模型中,输出得到第一用户体验质量指标值;进一步的,服务器将经过调整的各个网络服务质量指标调整集依次输入映射关系模型中,输出得到各个网络服务质量指标调整集对应的第二用户体验质量指标值。
举个例子,假设服务器对网络服务质量指标集A{下载速率V1=220KB/s、发送速率V2=300KB/s、往返时延R=40ms}内的网络服务质量指标值依次进行调整,并将每次调整的一个网络服务质量指标值与其它未调整的网络服务质量指标值组合,得到了3个网络服务质量指标调整集分别为A1{下载速率V1=198KB/s、发送速率V2=300KB/s、往返时延R=40ms}、A2{下载速率V1=220KB/s、发送速率V2=270KB/s、往返时延R=40ms}、A3{下载速率V1=220KB/s、发送速率V2=300KB/s、往返时延R=36ms},则服务器可以通过映射关系模型依次对网络服务质量指标集A和网络服务质量指标调整集A1、A2、A3进行映射处理,得到网络服务质量指标集A对应的第一用户体验质量指标值E和各网络服务质量指标调整集对应的第二用户体验质量指标值E1、E2、E3,即服务器将初始的网络服务质量指标集A输入映射关系模型中,输出得到第一用户体验质量指标值E;进一步的,服务器将经过调整的网络服务质量指标调整集A1、A2、A3依次输入映射关系模型中,输出得到网络服务质量指标调整集A1对应的第二用户体验质量指标值E1、网络服务质量指标调整集A2对应的第二用户体验质量指标值E2、网络服务质量指标调整集A3对应的第二用户体验质量指标值E3。
步骤208,基于各第二用户体验质量指标值与第一用户体验质量指标值,在网络服务质量指标集确定影响用户体验质量的关键网络服务质量指标值。
其中,关键网络服务质量指标值,是指从网络服务质量指标集中,选取的满足影响用户体验质量关键指标条件的网络服务质量指标值,关键网络服务质量指标值可以是一个网络服务质量指标值,也可以是多个网络服务质量指标值的组合,例如,关键网络服务质量指标值为发送速率V2=300KB/s,或者关键网络服务质量指标值包括发送速率V2=300KB/s和往返时延R=40ms。
用户体验质量(Quality of Experience,QoE)是指用户对设备、网络和系统、应用或业务的质量和性能的主观感受。QoE指的是用户感受到的完成整个过程的难易程度。
具体地,服务器通过映射关系模型依次对网络服务质量指标集和网络服务质量指标调整集进行映射处理,得到网络服务质量指标集对应的第一用户体验质量指标值和各网络服务质量指标调整集对应的第二用户体验质量指标值之后,服务器可以基于各第二用户体验质量指标值与第一用户体验质量指标值之间的差值,在网络服务质量指标集中确定影响用户体验质量的关键网络服务质量指标值。即第二用户体验质量指标值与第一用户体验质量指标值之间的差值越大,则说明调整该网络服务质量指标值后对用户体验质量指标值的影响越大,因此,服务器可以基于各第二用户体验质量指标值与第一用户体验质量指标值之间的差值,在网络服务质量指标集中确定影响用户体验质量的关键网络服务质量指标值。
举个例子,假设服务器通过映射关系模型依次对网络服务质量指标集A和网络服务质量指标调整集A1、A2、A3进行映射处理,得到网络服务质量指标集A对应的第一用户体验质量指标值E=3、网络服务质量指标调整集A1对应的第二用户体验质量指标值E1=5、网络服务质量指标调整集A2对应的第二用户体验质量指标值E2=4、网络服务质量指标调整集A3对应的第二用户体验质量指标值E3=2,则服务器可以分别确定各第二用户体验质量指标值与第一用户体验质量指标值之间差值的绝对值,即服务器可以依次确定第二用户体验质量指标值E1与第一用户体验质量指标值E之间差值的绝对值为delta_1=|E1–E|=|5-3|=2、第二用户体验质量指标值E2与第一用户体验质量指标值E之间差值的绝对值为delta_2=|E2–E|=|4-3|=1、第二用户体验质量指标值E3与第一用户体验质量指标值E之间差值的绝对值为delta_3=|E3–E|=|2-3|=1,由于delta_1=2>delta_2=delta_3=1,因此,服务器可以选取最大差值delta_1所对应网络服务质量指标值作为影响用户体验质量的关键网络服务质量指标值,由于网络服务质量指标调整集A2是将发送速率V2=300KB/s调整为V2=270KB/s得到的,因此,最大差值delta_1所对应网络服务质量指标值为发送速率V2=270KB/s,即服务器将发送速率V2=270KB/s作为影响用户体验质量的关键网络服务质量指标值。
步骤210,根据关键网络服务质量指标值,调整流量发送策略或拥塞控制策略。
其中,流量发送策略是指用于调节流量传输参数的策略。
拥塞控制策略是指用于缓解网络拥塞现象的策略,本申请中的拥塞控制策略可以通过采用不同类型的拥塞控制算法实现,例如,本申请中采用的拥塞控制算法包括但不限于是Reno算法、Cubic算法和BBR算法。
具体地,服务器基于各第二用户体验质量指标值与第一用户体验质量指标值,在网络服务质量指标集确定影响用户体验质量的关键网络服务质量指标值之后,服务器可以根据关键网络服务质量指标值,调整流量发送策略或拥塞控制策略。例如,假设服务器在网络服务质量指标集A中,确定影响用户体验质量的关键网络服务质量指标值为发送速率V2=270KB/s,则服务器可以根据上述关键网络服务质量指标值,调整流量发送策略或拥塞控制策略中的发送速率V2=270KB/s,即按照发送速率V2=270KB/s执行发包。
本实施例中,通过在执行发包或拥塞控制时,获取会话连接的网络服务质量指标集;网络服务质量指标集中包括不同的网络服务质量指标值;对网络服务质量指标集内的网络服务质量指标值依次进行调整,并将每次调整的一个网络服务质量指标值与其它未调整的网络服务质量指标值组合,得到各网络服务质量指标调整集;通过映射关系模型依次对网络服务质量指标集和网络服务质量指标调整集进行映射处理,得到网络服务质量指标集对应的第一用户体验质量指标值和各网络服务质量指标调整集对应的第二用户体验质量指标值;基于各第二用户体验质量指标值与第一用户体验质量指标值,在网络服务质量指标集确定影响用户体验质量的关键网络服务质量指标值,并根据关键网络服务质量指标值,调整流量发送策略或拥塞控制策略。由于预先通过模型训练得到了网络服务质量与用户体验质量之间的映射关系模型,故可以通过映射关系模型依次对初始的网络服务质量指标集、以及调整了某个指标值的网络服务质量指标调整集进行映射处理,得到初始的网络服务质量指标集对应的第一用户体验质量指标值和各网络服务质量指标调整集对应的第二用户体验质量指标值,以使得服务器可以基于各第二用户体验质量指标值与第一用户体验质量指标值,在网络服务质量指标集中确定影响用户体验质量的关键网络服务质量指标值,并根据关键网络服务质量指标值,定向调整流量发送策略或拥塞控制策略,解决了传统方式中无法实时获取第三方客户的用户体验质量信息的问题,可实现直接面向用户体验质量的网络传输优化,避免了仅对网络服务质量指标值优化而不一定带来用户体验质量优化的盲目性,通过改善关键网络服务质量指标值实现对用户体验质量的定向优化,有利于提升云业务的网络传输性能,增强第三方客户的用户体验。
在一个实施例中,获取会话连接的网络服务质量指标集的步骤,包括:
获取目标时刻的每个会话连接的网络服务质量指标值,并将获取的网络服务质量指标值进行聚合处理,得到网络服务质量指标集;或者,
在目标时刻的所有会话连接中抽样预设数量的目标会话连接,获取目标会话连接的网络服务质量指标值,并将获取的网络服务质量指标值进行聚合处理,得到网络服务质量指标集。
其中,聚合在信息科学中是指对有关的数据进行内容挑选、分析、归类,最后分析得到人们想要的结果,主要是指任何能够从数组产生标量值的数据转换过程。本申请中采用的聚合处理方式包括但不限于是取平均值或者取分位点值的方式。
具体的,在执行发包或拥塞控制时,服务器可以获取目标时刻的每个会话连接的网络服务质量指标值,并将获取的网络服务质量指标值进行聚合处理,得到网络服务质量指标集;或者,服务器在目标时刻的所有会话连接中抽样预设数量的目标会话连接,例如,预设数量为3,则服务器可以抽样获取3个目标会话连接的网络服务质量指标值,并将获取的网络服务质量指标值进行聚合处理,得到网络服务质量指标集。
举个例子,假设在目标时刻为9点30分时,与服务器保持连接的会话有4个分别为会话1、会话2、会话3和会话4,则服务器可以分别获取上述会话1、会话2、会话3和会话4的网络服务质量指标值,并将获取的网络服务质量指标值进行聚合处理,得到聚合处理后的网络服务质量指标集;或者,服务器也可以从上述会话1、会话2、会话3和会话4中抽样预设数量的目标会话连接,例如,预设数量为3,则服务器可以随机抽样获取会话1、会话2、会话3的网络服务质量指标值,并将获取的网络服务质量指标值进行聚合处理,得到聚合处理后的网络服务质量指标集。
此外,服务器还可以获取目标时段的每个会话连接的网络服务质量指标值,并将获取的网络服务质量指标值进行聚合处理,得到聚合处理后的网络服务质量指标集;或者,服务器在目标时段的所有会话连接中抽样预设数量的目标会话连接,例如,预设数量为3,则服务器可以抽样获取3个目标会话连接的网络服务质量指标值,并将获取的网络服务质量指标值进行聚合处理,得到聚合处理后的网络服务质量指标集。其中,目标时段可以为高峰时段或者用户自定义的任意时段。
本实施例中,通过在执行发包或拥塞控制时,获取会话连接的网络服务质量指标值,再通过离线监督学习的方法实现用户体验质量的实时推理,能够实时获取影响用户体验质量的关键网络服务质量指标值,进而对该关键网络服务质量指标值进行定向优化,有利于增强用户体验质量。
在一个实施例中,在执行发包或拥塞控制时,获取会话连接的网络服务质量指标集之前,所述方法还包括:
将样本会话连接的网络服务质量指标值作为服务质量训练集;
将样本数据内容提供方反馈的用户体验质量指标值作为体验质量训练集;
基于服务质量训练集和体验质量训练集,构建映射关系模型。
其中,样本会话连接是指选取的作为训练样本的会话连接,样本会话连接可以的数量可以为一个,也可以为多个。例如,样本会话连接包括会话1和会话2。
样本数据内容提供方是指选取的作为训练样本的数据内容提供方,数据内容提供方可以为一个,也可以为多个,例如,数据内容提供方可以为CDN(Content DeliveryNetwork,内容分发网络)服务提供商。
服务质量训练集是指包含不同网络服务质量指标的集合,例如,服务质量训练集中可以包括重传率、往返时延(Rround-Trip Time,RTT)、下载速率、发送窗口、发送速率、会话持续时间、发送报文和重传报文数量、发送数据量和重传数据量、慢启动阶段的发包报文数量、重传报文数量、以及流量结束时是否处于慢启动状态等网络服务质量指标。
体验质量训练集是指包含不同用户体验质量指标的集合,例如,体验质量训练集中可以包括端到端时延、首帧时延、拉流成功率、百秒卡顿次数、百秒卡顿时长、视频渲染百秒卡顿次数、视频渲染百秒卡顿时长等户体验质量指标。
具体的,在服务器获取会话连接的网络服务质量指标集之前,服务器可以预先基于机器学习的方法,构建网络服务质量与用户体验质量之间的映射关系模型,即对于初始映射关系模型来说,将聚合或归一化之后的网络服务质量指标值作为初始映射关系模型的输入值,将用户体验质量指标值作为该模型的输出值,对初始映射关系模型进行训练。例如,如图3所示,为基于监督学习的QoE智能推理模型的示意图。本申请实施例中可以使用监督学习的方法,构建网络服务质量与用户体验质量之间的映射关系模型,该模型如图3所示。
其中,服务器在构建网络服务质量与用户体验质量之间的映射关系模型时,服务器可以将样本会话连接的网络服务质量指标值作为服务质量训练集,以及将样本数据内容提供方反馈的用户体验质量指标值作为体验质量训练集,并基于服务质量训练集和体验质量训练集,构建映射关系模型。
即映射关系模型的输入值可以是一段时间内网络服务质量指标值的统计值,如平均值或某分位点的数值,假设输入值的数量记为α,映射关系模型的输出值为预测的用户体验质量指标值,则输出值的数量为β,即输入值的数量与输出值的数量可以是不相同的。例如,如图3所示,假设输入值包括重传率、往返时延和下载速率三个维度的网络服务质量指标值,服务器将上述三个网络服务质量指标值输入映射关系模型中,输出得到的用户体验质量指标值包括端到端时延和首帧时延两个维度的用户体验质量指标值,即输入值的数量α=3,输出值的数量β=2。由此使得,通过预先构建网络QoS与用户QoE的关联关系模型,能够实时获取影响用户QoE的关键QoS指标,进而对该网络QoS指标进行定向优化,有利于增强用户QoE。
在一个实施例中,将样本数据内容提供方反馈的用户体验质量指标值作为体验质量训练集的步骤,包括:
获取样本数据内容提供方反馈的目标区域内用户的用户体验质量指标值;用户体验质量指标值,用于反映样本数据内容提供方在提供数据内容服务时的平均用户体验质量;
将目标区域对应的用户体验质量指标值作为体验质量训练集。
其中,数据内容提供方是指提供数据内容的厂商,例如,数据内容提供方可以是CDN服务提供商。
具体的,在服务器预先对初始映射关系模型进行训练时,服务器可以获取样本数据内容提供方反馈的一个或者多个目标区域内用户的用户体验质量指标值,并将一个或者多个目标区域对应的用户体验质量指标值作为体验质量训练集。可以理解,本申请实施例中的用户体验质量指标值,用于反映样本数据内容提供方在提供数据内容服务时的平均用户体验质量。即在实际情况中,出于对用户隐私保护的角度,数据内容提供方是无法向云服务提供商即服务器公开每个用户在使用过程中的卡顿信息的,因此,本申请中用户体验质量训练集中的数据也是样本数据内容提供方在提供数据内容服务时的平均用户体验质量,即样本数据内容提供方会定期向服务器反馈某个地域内所有用户的用户体验质量平均值,这些用户体验质量平均值用于比较不同的服务器的服务质量,进而对这些服务器即云厂商进行排名。由此使得,通过离线监督学习的方法实现用户QoE的实时推理,在后续模型应用过程中,无需获取用户实时反馈的QoE信息,通过构建网络QoS与用户QoE的关联关系模型,能够实时获取影响用户QoE的关键QoS指标,进而对该网络QoS指标进行定向优化,具有自适应程度高、控制准确、可部署能力强等优势。
在一个实施例中,如图4所示,基于服务质量训练集和体验质量训练集,构建映射关系模型的步骤,包括:
步骤402,获取不同类型的拥塞控制算法;
步骤404,基于服务质量训练集和体验质量训练集,构建与各类型的拥塞控制算法对应的映射关系模型;或者,
步骤406,基于服务质量训练集和体验质量训练集,构建通用各类型的拥塞控制算法的映射关系模型。
具体的,服务器在构建映射关系模型时,服务器可以获取不同类型的拥塞控制算法,例如,拥塞控制算法包括Reno算法、Cubic算法和BBR算法等。进一步的,服务器可以基于服务质量训练集和体验质量训练集,构建与各类型的拥塞控制算法对应的映射关系模型;或者,服务器可以基于服务质量训练集和体验质量训练集,构建通用各类型的拥塞控制算法的映射关系模型。
举个例子,假设服务器在构建映射关系模型时,服务器可以获取到的拥塞控制算法包括Reno算法、Cubic算法和BBR算法三种类型,则服务器可以基于服务质量训练集和体验质量训练集,构建与Reno算法对应的映射关系模型A、构建与Cubic算法对应的映射关系模型B,以及构建与BBR算法对应的映射关系模型C;或者服务器可以基于服务质量训练集和体验质量训练集,构建通用Reno算法、Cubic算法和BBR算法的映射关系模型D,即映射关系模型A、映射关系模型B,以及映射关系模型C为专用模型,映射关系模型D为通用模型。比如,在使用训练好的映射关系模型D时,当输入值输入该模型中,映射关系模型D会先确定使用的拥塞控制算法,再基于拥塞控制算法进行映射处理,输出得到对应的用户体验质量指标值。由此使得,服务器构建的QoE智能推理模型可实现不同拥塞控制算法下网络QoS与用户QoE的映射与推理,在这种情况下,可以通过调整拥塞控制算法来实现关键网络QoS的优化,并最终提升用户QoE。
在一个实施例中,所述将样本会话连接的网络服务质量指标值作为服务质量训练集之后,所述方法还包括:
获取样本会话连接的网络服务质量指标值;
将样本会话连接的网络服务质量指标值进行聚合处理,得到聚合结果;
将聚合结果作为服务质量训练集;聚合结果与用户体验质量指标值在时间粒度上是对齐的。
具体的,服务器在构建映射关系模型时,服务器可以获取样本会话连接的网络服务质量指标值,并将样本会话连接的网络服务质量指标值进行聚合处理,得到聚合结果,服务器将聚合结果作为服务质量训练集,其中,聚合结果与用户体验质量指标值在时间粒度上是对齐的。由于本申请中用户体验质量训练集中的数据是样本数据内容提供方在提供数据内容服务时的平均用户体验质量,即样本数据内容提供方会定期向服务器反馈某个地域内所有用户的用户体验质量平均值,因此,服务器需要将获取到的样本会话连接的网络服务质量指标值进行聚合处理,以使得聚合处理后的网络服务质量指标值与用户体验质量训练集中用户体验质量指标值在时间粒度上是对齐的。
举个例子,假设服务器获取样本数据内容提供方定时反馈的目标区域A内用户的用户体验质量指标值为:在时段A时,端到端时延T=10s,服务器获取时段A时样本会话连接的网络服务质量指标值为:会话1的下载速率V=120KB/s、会话2的下载速率V=100KB/s、会话3的下载速率V=110KB/s,则服务器将样本会话连接的网络服务质量指标值进行聚合处理,比如,服务器计算会话1、会话2、会话3的下载速率的平均值V0=110KB/s,则服务器将聚合结果即下载速率的平均值V0=110KB/s作为服务质量训练集中的参数,以使得聚合处理后的下载速率的平均值V0=110KB/s与用户体验质量指标值即端到端时延T=10s在时间粒度上是对齐的。由此使得,通过对样本会话连接的网络服务质量指标值进行聚合处理,以使得聚合后的网络服务质量指标值与用户体验质量指标值在时间粒度上是对齐的,故可以有效提升训练映射关系模型的准确性,确保训练好的映射关系模型输出的用户体验质量指标值更加准确。
在一个实施例中,样本会话连接的网络服务质量指标值包括样本会话连接的重传率、下载速率以及往返时延时;将样本会话连接的网络服务质量指标值进行聚合处理,得到聚合结果的步骤,包括:
确定样本会话连接的重传率、下载速率以及发送速率各自的平均值,并将重传率的平均值、下载速率的平均值以及发送速率的平均值作为聚合结果;或者,
分别获取样本会话连接的重传率、下载速率以及往返时延时在预设分位点的值,并将各预设分位点的值作为聚合结果。
其中,预设分位点是指预先设置的百分位点,例如,预设分位点可以为75%。
具体的,当服务器获取到的样本会话连接的网络服务质量指标值包括样本会话连接的重传率、下载速率以及往返时延时时,服务器可以将样本会话连接的网络服务质量指标值进行聚合处理,即服务器可以确定样本会话连接的重传率、下载速率以及发送速率各自的平均值,并将重传率的平均值、下载速率的平均值以及发送速率的平均值作为聚合结果;或者,服务器分别获取样本会话连接的重传率、下载速率以及往返时延时在预设分位点的值,并将各预设分位点的值作为聚合结果。可以理解,本申请中采用的聚合处理的方式包括但不限于是取平均值或者取分位点的值的方式,还可以为其他自定义的聚合方式。
举个例子,当服务器获取到的样本会话1、样本会话2、样本会话3和样本会话4的网络服务质量指标值包括重传率{a1、a2、a3、a4}、下载速率{b1、b2、b3、b4}以及往返时延时{c1、c2、c3、c4}时,服务器可以确定样本会话1、样本会话2、样本会话3和样本会话4的重传率、下载速率以及发送速率各自的平均值,并将重传率的平均值a0=(a1+a2+a3+a4)÷4、下载速率的平均值b0=(b1+b2+b3+b4)÷4以及发送速率的平均值c0=(c1+c2+c3+c4)÷4作为聚合结果;或者,假设预设分位点为50%,服务器分别获取样本会话连接的重传率、下载速率以及往返时延时在预设分位点50%的值,即服务器分别获取到在预设分位点50%时,样本会话2的重传率、下载速率以及往返时延时的值分别为a2、b2、c2,并将重传率a2、下载速率b2以及往返时延时c2作为聚合结果。由此使得,通过对样本会话连接的网络服务质量指标值进行聚合处理,以使得聚合后的网络服务质量指标值与用户体验质量指标值在时间粒度上是对齐的,故可以有效提升映射关系模型的准确性,确保输出的用户体验质量指标值更加准确。
在一个实施例中,基于服务质量训练集和体验质量训练集,构建通用各类型的拥塞控制算法的映射关系模型,包括:
依次对服务质量训练集内的重传率、下载速率以及往返时延时进行归一化处理,得到归一化的重传率、下载速率以及往返时延时;
基于体验质量训练集和归一化的重传率、下载速率以及往返时延时,对初始映射关系模型进行训练,得到映射关系模型。
具体的,当服务器获取到的样本会话连接的网络服务质量指标值包括样本会话连接的重传率、下载速率以及往返时延时这三个维度的网络服务质量指标值时,服务器对样本会话连接的网络服务质量指标值进行聚合处理,得到聚合结果之后,服务器还可以依次对服务质量训练集内的重传率、下载速率以及往返时延时进行归一化处理,得到归一化的重传率、下载速率以及往返时延时,并基于体验质量训练集和归一化的重传率、下载速率以及往返时延时,对初始映射关系模型进行训练,得到映射关系模型。即服务器根据网络服务质量指标值和样本数据内容提供方定期反馈的用户体验质量指标值,构建QoS与QoE的映射关系模型时,服务器首先需要对数据进行预处理,例如,服务器将测量的网络服务质量指标值进行聚合处理,使得聚合后的网络服务质量指标值与用户体验质量指标值在时间粒度上对齐,具体的数据聚合方式包括但不限于:在对齐的时间粒度上取网络服务质量指标值的平均值,或者取某分位点的数值。
进一步的,服务器对网络服务质量指标值进行归一化处理,使每个会话连接网络服务质量指标值均处于0到1之间,其中,网络服务质量指标值用Para.表示,如下述公式(1)或公式(2)所示:
Para.=(p_1/p_max+p_2/p_max+…+p_n/p_max)/n (1)
Para.=(p_min/p_1+p_min/p_2+…+p_min/p_n)/n (2)
其中,p_1,…,p_n为每个会话连接的网络服务质量指标值;p_max和p_min分别为时间周期内网络服务质量指标值的最大值和最小值;n为该时间周期内会话连接的数量。
本实施例中,在对初始映射关系模型进行训练时,通过对训练集内的数据进行预处理,可以有效降低模型训练的时间,加快收敛,以提升模型训练的效率和准确性。
在一个实施例中,体验质量训练集包括端到端时延和首帧时延;基于体验质量训练集和归一化的重传率、下载速率以及往返时延时,对初始映射关系模型进行训练,包括:
通过初始映射关系模型,对归一化的重传率、下载速率以及往返时延时进行处理,得到预测端到端时延和预测首帧时延;
基于预测端到端时延、预测首帧时延、端到端时延和首帧时延,确定损失值;
依据损失值对初始映射关系模型进行参数调整。
具体的,当用户体验质量训练集中包括端到端时延和首帧时延两个维度的用户体验质量指标值时,且服务器获取到的样本会话连接的网络服务质量指标值包括重传率、下载速率以及往返时延时三个维度的网络服务质量指标值时,服务器可以通过初始映射关系模型,对归一化后的重传率、下载速率以及往返时延时进行处理,得到预测端到端时延和预测首帧时延;进一步的,服务器可以基于预测端到端时延、预测首帧时延、端到端时延和首帧时延,确定损失值,并依据损失值对初始映射关系模型进行参数调整,以得到优化后的映射关系模型。可以理解,体验质量训练集中包括的用户体验质量指标值包括但不限于是端到端时延和首帧时延这两个维度的用户体验质量指标值,还可以为其他维度的用户体验质量指标值,或者3个维度、4个维度的用户体验质量指标值,这里对用户体验质量指标值的数量不做具体限定。
本实施例中,在对初始映射关系模型进行训练时,通过对训练集内的数据进行预处理,可以有效降低模型训练的时间,加快收敛,以提升模型训练的效率和准确性。
在一个实施例中,如图5所示,基于各第二用户体验质量指标值与第一用户体验质量指标值,在网络服务质量指标集确定影响用户体验质量的关键网络服务质量指标值,包括:
步骤502,确定各第二用户体验质量值与第一用户体验质量值的第一差值;
步骤504,从确定的第一差值中选取不小于第一预设阈值的目标差值;
步骤506,在网络服务质量指标集内,选取不小于第一预设阈值的目标差值对应的网络服务质量指标值;
步骤508,将选取的网络服务质量指标值,作为影响用户体验质量的关键网络服务质量指标值。
具体的,服务器通过映射关系模型依次对网络服务质量指标集和网络服务质量指标调整集进行映射处理,得到网络服务质量指标集对应的第一用户体验质量指标值和各网络服务质量指标调整集对应的第二用户体验质量指标值之后,服务器可以确定各个第二用户体验质量值与第一用户体验质量值的第一差值,并从确定的第一差值中选取不小于第一预设阈值的目标差值,例如,第一预设阈值为3,则服务器依次计算第二用户体验质量值与第一用户体验质量值之间的差值,得到多个差值,并从多个差值中,选取大于3的差值作为目标差值。进一步的,服务器可以在网络服务质量指标集内,选取目标差值所对应的网络服务质量指标值,并将选取的网络服务质量指标值,作为影响用户体验质量的关键网络服务质量指标值。可以理解,本申请中的关键网络服务质量指标值可以为一个,也可以是多个网络服务质量指标值的组合,这里不做具体数量的限制。
举个例子,假设服务器通过映射关系模型依次对网络服务质量指标集A和网络服务质量指标调整集A1、A2、A3进行映射处理,得到网络服务质量指标集A对应的第一用户体验质量指标值E=3、网络服务质量指标调整集A1对应的第二用户体验质量指标值E1=5、网络服务质量指标调整集A2对应的第二用户体验质量指标值E2=4、网络服务质量指标调整集A3对应的第二用户体验质量指标值E3=2,则服务器可以分别确定各第二用户体验质量指标值与第一用户体验质量指标值之间差值的绝对值,即服务器可以依次确定第二用户体验质量指标值E1与第一用户体验质量指标值E之间差值的绝对值为delta_1=|E1–E|=|5-3|=2、第二用户体验质量指标值E2与第一用户体验质量指标值E之间差值的绝对值为delta_2=|E2–E|=|4-3|=1、第二用户体验质量指标值E3与第一用户体验质量指标值E之间差值的绝对值为delta_3=|E3–E|=|2-3|=1,由于第一预设阈值为1,delta_2=delta_3=1,因此,服务器可以选取大于第一预设阈值1的目标差值delta_1所对应网络服务质量指标值作为影响用户体验质量的关键网络服务质量指标值,由于网络服务质量指标调整集A2是将发送速率V2=300KB/s调整为V2=270KB/s得到的,因此,目标差值delta_1所对应网络服务质量指标值为发送速率V2=270KB/s,即服务器将发送速率V2=270KB/s作为影响用户体验质量的关键网络服务质量指标值。
本实施例中通过构建网络QoS与用户QoE的关联关系模型,能够实时获取影响用户QoE的关键QoS指标,进而对该网络QoS指标进行定向优化,有利于增强用户QoE。
在一个实施例中,如图6所示,关键网络服务质量指标集中包括发送窗口和发送速率中的至少一个;根据关键网络服务质量指标值,调整流量发送策略或拥塞控制策略,包括:
步骤602,对网络服务质量指标调整集内的且经过调整的关键网络服务质量指标值进行更新,得到网络服务质量指标更新集;
步骤604,通过映射关系模型依次对网络服务质量指标更新集进行映射处理,得到网络服务质量指标更新集对应的第三用户体验质量指标值;
步骤606,确定各第三用户体验质量指标值与第二用户体验质量指标值的第二差值;
步骤608,在确定的第二差值中选取满足预设条件的第二目标差值;
步骤610,基于第二目标差值对应的关键网络服务质量指标值,调整流量传输参数或拥塞控制参数。
具体的,服务器基于各第二用户体验质量指标值与第一用户体验质量指标值之间的第一差值,在网络服务质量指标集确定影响用户体验质量的关键网络服务质量指标值之后,服务器可以在第一次调整的基础上,继续对关键网络服务质量指标值进行更新,即服务器可以对网络服务质量指标调整集内的且经过调整的关键网络服务质量指标值进行更新,得到网络服务质量指标更新集,并通过映射关系模型依次对网络服务质量指标更新集进行映射处理,得到网络服务质量指标更新集对应的第三用户体验质量指标值;进一步的,服务器可以确定各个第三用户体验质量指标值与第二用户体验质量指标值的第二差值,并在确定的第二差值中选取满足预设条件的第二目标差值,以使得服务器可以基于第二目标差值所对应的关键网络服务质量指标值,调整流量传输参数或拥塞控制参数。这个过程是优化用户体验质量指标值的过程,通过调整网络服务质量指标值的比例值ratio,来试图获取最优的用户体验质量指标值。例如,第一次调整之后,参数由p1调整为p1*(1+ratio),使得得到的用户体验质量指标值变得更优了,那么接下来服务器可以继续对该参数值p1调整,即将p1*(1+ratio)调整为p1*(1+ratio)*(1+ratio_1),如果用户体验质量指标值变得更优,则继续调整;如果用户体验质量指标值变差,则可以适当降低ratio_1的数值进行尝试,直到用户体验质量指标值趋于稳定,不再变化为止。
举个例子,假设服务器通过网络测量技术获取到会话连接对应的网络服务质量指标集A为:{下载速率V1=220KB/s、发送速率V2=300KB/s、往返时延R=40ms},并且服务器基于各第二用户体验质量指标值与第一用户体验质量指标值之间的第一差值,在网络服务质量指标集确定影响用户体验质量的关键网络服务质量指标值为发送速率V2=270KB/s和往返时延R=36ms,由于网络服务质量指标调整集A2是将发送速率V2=300KB/s调整为V2=270KB/s得到的,因此,服务器可以继续对网络服务质量指标调整集A2中的发送速率V2=270KB/s进行调整,即服务器继续按照预设比例10%,对发送速率V2=270KB/s进行减小,得到更新后的发送速率的值为V2=270(1-10%)=243KB/s,并将更新后的发送速率的值为V2==243KB/s与其它未调整的网络服务质量指标值即下载速率V1=220KB/s、往返时延R=40ms组合,得到继续调整发送速率所对应的网络服务质量指标更新集A21为:{下载速率V1=220KB/s、发送速率V2=243KB/s、往返时延R=40ms},以此类推,服务器可以继续对网络服务质量指标调整集A3中的往返时延R=36ms继续进行调整,即服务器继续按照预设比例10%,对往返时延R=36ms进行减小,得到更新后的往返时延的值为R=36(1-10%)=32.4ms,并将更新后的往返时延的值为R==32.4ms与其它未调整的网络服务质量指标值即下载速率V1=220KB/s、发送速率V2=300KB/s组合,得到继续调整往返时延所对应的网络服务质量指标更新集A31为:{下载速率V1=220KB/s、发送速率V2=300KB/s、往返时延R=32.4ms}。
进一步的,服务器通过映射关系模型依次对网络服务质量指标更新集A21、A31进行映射处理,得到网络服务质量指标更新集A21、A31对应的第三用户体验质量指标值E21=4、E31=3,则服务器可以确定第三用户体验质量指标值E21=4与第二用户体验质量指标值E2=4之间差值的绝对值为delta_21=|E21–E2|=|4-4|=0,以及第三用户体验质量指标值E31=3与第二用户体验质量指标值E3=2之间差值的绝对值为delta_31=|E31–E3|=|3-2|=1,由于delta_31>delta_21,因此,服务器可以在确定的上述差值中选取最大值的delta_31作为目标差值,并基于该目标差值对应的关键网络服务质量指标值即往返时延R=32.4ms,调整流量传输参数或拥塞控制参数。
当服务器基于该目标差值对应的关键网络服务质量指标值即往返时延R=32.4ms,调整流量传输参数或拥塞控制参数之后,服务器运行一段时间后,服务器可以在第二次调整的基础上,继续对关键网络服务质量指标值进行更新,并重新确定关键网络服务质量指标值,以实现动态的调整流量传输参数或拥塞控制参数。由于在第二次调整过程中,第三用户体验质量指标值E21=4与第二用户体验质量指标值E2=4之间差值的绝对值为delta_21=0,表示继续调整发送速率后,得到的用户体验质量指标值已不再增加,因此,服务器可以停止对发送速率的值的调整。
本实施例中,通过构建网络QoS与用户QoE的关联关系模型,能够实时获取影响用户QoE的关键QoS指标,进而对该网络QoS指标进行定向优化,实现动态的调整流量传输参数或拥塞控制参数,有利于增强用户QoE。
本申请还提供一种应用场景,该应用场景应用上述的网络传输的控制方法。具体地,该网络传输的控制方法在该应用场景的应用如下:
当服务器执行数据包发送操作或者出现拥塞现象时,服务器可以采用上述的网络传输的控制方法,即服务器可以预先测量网络QoS数据并收集来自第三方客户反馈的用户侧QoE信息,并基于上述测量的网络QoS数据和第三方客户反馈的用户侧QoE信息,构建网络QoS与用户QoE的关联模型,以使服务器可以根据预先构建的QoS与QoE的关联模型,确定当前网络条件或状态下影响用户QoE的关键QoS指标,并根据确定的关键QoS指标,调整相关的流量传输参数值,比如,调整拥塞控制的初始窗口值、最大窗口值、最大发送速率值等。
本申请实施例提供的方法,可以应用于任意的执行发包或者拥塞控制场景中,以下以拥塞控制场景为例,对本申请实施例提供的网络传输的控制方法进行说明。
传统方式中,出于对用户隐私保护的角度,服务器难以获取用户实时的QoE指标或数据,例如,CDN厂商无法实时获取到每个用户在使用过程中的卡顿信息,容易导致各种优化手段比较盲目。
因此,为了解决上述问题,本申请提供了一种基于QoE智能推理的自适应拥塞控制方法,在不依赖第三方客户端实时反馈用户QoE信息的情况下,有效构建网络QoS与用户QoE的映射关系,实现网络QoS到用户QoE的智能推理功能;即服务器通过预先构建QoE智能推理模型,服务器可实时获取影响用户QoE的关键QoS指标,并通过自适应调整相关的流量发送策略和拥塞控制策略来优化上述关键QoS指标,最终实现对用户QoE的优化。即本申请采用的自适应拥塞控制方法,可实现直接面向用户QoE的网络传输优化,具备自适应程度高、控制准确、可部署能力强等优势,避免了仅对网络QoS优化而不一定带来用户QoE优化的盲目性,进一步提升用户侧的QoE,有利于提升云产品的竞争力和云业务的网络传输性能,增强第三方客户的用户体验。
在产品侧,本申请提供的方法的目的是解决传统的拥塞控制方法无法直接面向用户QoE优化的难题,提出一种基于QoE智能推理的自适应拥塞控制方法,该方法通过服务器测量的网络QoS与第三方客户定期提供的用户QoE等信息,通过机器学习的方法,预先构建网络QoS与用户QoE的映射模型,以使得在实际处理过程中,服务器可以通过该模型直接确定影响用户QoE的关键网络QoS指标,并通过调整流量发送策略和拥塞控制策略来优化上述关键的网络QoS指标,进而实现对用户QoE的优化。
如图7所示,为产品侧的系统整体架构示意图。图7中所示的云服务器或网关服务器可以通过网络测量技术获取每个用户会话连接的QoS信息,并定期获取来自第三方客户反馈的QoE信息,利用预先构建QoS与QoE的映射关系模型,确定关键QoS指标,以使得服务器通过调整相关的发送策略或拥塞控制参数来优化上述关键QoS指标,最终实现对第三方用户QoE的优化。
例如,如图7所示,当前时刻云服务器或网关服务器与用户1保持会话连接1、与用户2保持会话连接2、与用户3保持会话连接3,以及与用户3保持会话连接3,则云服务器或网关服务器在执行发包或拥塞控制时,云服务器或网关服务器可以通过网络测量技术获取每个会话连接对应的网络服务质量指标集,即服务器可以到会话连接1对应的网络服务质量指标集1、会话连接2对应的网络服务质量指标集2、会话连接3对应的网络服务质量指标集3,以及会话连接4对应的网络服务质量指标集4。进一步的,服务器可以对获取到的所有会话连接的网络服务质量指标值进行聚合处理,得到聚合后网络服务质量指标集S,以使得聚合后网络服务质量指标集S与用户体验质量指标值在时间粒度上是对齐的。
进一步的,云服务器或网关服务器可以对聚合后网络服务质量指标集S内的网络服务质量指标值依次进行调整,并将每次调整的一个网络服务质量指标值与其它未调整的网络服务质量指标值组合,得到各网络服务质量指标调整集,并通过映射关系模型依次对聚合后网络服务质量指标集S和网络服务质量指标调整集进行映射处理,得到网络服务质量指标集S对应的第一用户体验质量指标值和各网络服务质量指标调整集对应的第二用户体验质量指标值;服务器可以基于各第二用户体验质量指标值与第一用户体验质量指标值,在网络服务质量指标集S中确定影响用户体验质量的关键网络服务质量指标值,并根据关键网络服务质量指标值,调整流量发送策略或拥塞控制策略。
可以理解,本申请实施例中的服务器可以是独立的物理服务器,也可以是多个物理服务器构成的服务器集群或者分布式系统,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接,本申请在此不做限制。
在技术侧,如图8所示,为基于QoE智能推理的自适应拥塞控制方法的流程示意图。本申请提供的一种基于QoE智能推理的自适应拥塞控制方法,具体包括以下步骤:
步骤1.网络QoS测量与用户QoE收集:
在本实施例中,服务器作为数据发送端,记录每条连接的网络QoS信息;同时,服务器会定期接收来自第三方客户反馈的用户QoE信息,该用户QoE信息为第三方客户定期向云厂商反馈某个地域内所有用户的用户QoE信息平均值。
1)网络QoS信息主要记录每条连接在流量发送过程中的相关统计值,该统计值能够从网络角度反映流量的传输质量,这些QoS信息包括但不限于:
a)一段时间内的会话总量即连接数量,比如一段时间可以设置为1分钟;
b)重传率的平均值;或某分位点数值,即排序后取其中某一个分位点位置的数值;
c)RTT的平均值,或某分位点的数值,比如,平均RTT、平滑RTT、最小RTT、最大RTT等;
d)下载速率(即有效吞吐量)的平均值,或某分位点的数值;
e)发送窗口的平均值,或某分位点的数值,比如,初始发送窗口、最大发送窗口、最后发送窗口等;
f)发送速率的平均值,或某分位点的数值,比如,初始发送速率、最大发送速率、最小发送速率、平均发送速率、最后发送速率等;
g)会话持续时间的平均值,或某分位点的数值;
h)发送报文和重传报文数量的平均值,或某分位点的数值;
i)发送数据量和重传数据量的平均值,或某分位点的数值;
j)慢启动阶段的发包报文数量或数据量、重传报文数量或数据量的平均值,或某分位点的数值;
k)流量结束时是否处于慢启动状态等,比如,初始窗口或者初始速率;
可以理解,本申请实施例中的服务器在实际处理过程中,服务器可以统计出预设时间段内的所有连接对应的网络QoS信息,并且,服务器获取每条连接的网络QoS信息时,服务器可以将上述的a-k的11个参数都获取,即统计所有连接的网络QoS值,但如果统计开销过大,服务器也可以通过抽样或采样的方法,例如,按照1:5采样对应的网络QoS信息。即服务器对上述a-k的11个参数统计的越多越好,但本实施例中不强制要求必须全部统计。
此外,网络QoS信息除了上述列举的a-k的11中类型的参数之外,还可以包括其它参数,例如,应用限制的次数和时长、发送窗口限制的次数和时长、RTO(RetransmissionTime Out超时重传)次数等。
2)用户QoE信息,主要记录第三方客户在租用云服务时获得的用户体验信息,这些QoE信息会定期从第三方客户向云服务提供商反馈,比如每隔5分钟反馈一次,包括但不限于是:
a)端到端时延;
b)首帧时延;
c)拉流成功率;
d)百秒卡顿次数;
e)百秒卡顿时长;
f)视频渲染百秒卡顿次数;
g)视频渲染百秒卡顿时长;
步骤2.服务器根据测量的网络QoS和来自第三方客户定期反馈的用户QoE,构建QoS与QoE的映射模型。
1)数据预处理:服务器将测量的网络QoS进行聚合,使网络QoS与用户QoE在时间粒度上对齐,具体的数据聚合方式包括但不限于:
a)在对齐的时间粒度上取网络QoS的平均值,或某分位点的数值;
b)将网络QoS数据归一化,使每个连接的QoS信息均处于0到1之间,如前述公式(1)或公式(2)所示。
2)服务器构建网络QoS与用户QoE之间的映射关系模型,由于网络QoS复杂多变且用户QoE来源于第三方客户,因此,本申请实施例中基于机器学习的方法,来构建QoS与QoE的关联模型,该模型的输入为聚合或归一化之后的网络QoS值,该模型的输出为用户QoE值。本实施例中可以使用监督学习的方法构建网络QoS与用户QoE之间的映射关系模型,该模型如图3所示。
其中,模型的输入为一段时间内网络QoS的统计值,如平均值或某分位点的数,该网络QoS统计值的数量记为α,模型的输出为某个或某些预测的用户QoE,输出值的数量为β。
步骤3.服务器利用步骤2构建的网络QoS与用户QoE关联关系模型,提取影响用户QoE的关键QoS指标。
具体地,服务器通过调整QoE智能推理模型的输入,来探索该模型的众多输入值即网络QoS中对用户QoE影响最大的网络QoS,或网络QoS组合,具体实现方法如下:
1)调整模型输入中α个网络QoS中的一个或多个,调整比例为ratio,其它输入的网络QoS值不变;
例如,QoE智能推理模型的输入为[p1,p2,…,p_α]且调整的网络QoS值为p1,则调整之后的模型输入为[p1*(1+ratio),p2,…,p_α]或[p1*(1-ratio),p2,…,p_α],并将调整之后网络QoS值输入至步骤2中得到的QoE智能推理模型中;
2)QoE智能推理模型在接收调整之后的网络QoS作为输入之后,即调整的网络QoS为p_i,输出该模型推理的用户QoE数值,将该数值记为D,并记录将该数值D与原始数值记为d之间的差值,差值记为delta_i,具体如下公式(3)所示:
delta_i=D–d (3)
3)从众多的差值,即从{delta_1,delta_2,…,delta_n}中提取出数值最大的一个或几个delta值,例如,确定delta_i为最大差值,并获取最大差值对应的网络QoS指标,如delta_i所对应的网络QoS指标为p_i。
步骤4.服务器根据步骤3中获得的影响用户QoE的关键网络QoS指标,通过调整发送策略或拥塞控制策略来优化该网络QoS指标,具体的策略调整方式包括但不限于:
1)将步骤3中影响用户QoE的关键网络QoS信息记为p_i,并调整p_i为(1+ratio)*p_i;
2)若关键网络QoS指标为发送窗口、发送速率的最小值、最大值或初始值等,可以直接通过调整发送策略或拥塞控制策略来配置来调整的参数,则服务器在步骤3的基础上继续调整比例值ratio,直至公式(3)中的delta_i不再增大为止,并取delta_i最大值对应的网络QoS值来设置对应的拥塞控制参数。
此外,针对本实施例中步骤2中提及的面向QoE智能推理模型,可将拥塞控制算法的类型作为该模型的输入值,此时服务器构建的QoE智能推理模型可实现不同拥塞控制算法下网络QoS与用户QoE的映射与推理,在这种情况下,可以通过调整拥塞控制算法来实现关键网络QoS的优化,并最终提升用户QoE。
本申请实施例中提供的方法所产生的有益效果包括:
客户端QoE是评估云服务质量的重要指标,当前主流方法在于提升网络QoS的性能,进而期望用户QoE的提升。但遗憾的是,网络QoS的提升并不代表用户QoE的改善,也就是说通过优化网络QoS来改善用户QoE的方法具有一定的盲目性,其根本原因在于云服务器端无法实时获取第三方客户的用户QoE信息。因此,本实施例中通过构建网络QoS与用户QoE的关联关系模型,能够实时获取影响用户QoE的关键QoS指标,进而对该网络QoS指标进行定向优化,有利于增强用户QoE。同时,本实施例中提供的方法无需用户实时反馈QoE信息,通过离线监督学习的方法实现用户QoE的实时推理,该推理模型有利于网络发送策略和拥塞控制参数的调整,通过改善关键网络QoS指标实现对用户QoE的定向优化,具有自适应程度高、控制准确、可部署能力强等优势。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的网络传输的控制方法的网络传输的控制装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个网络传输的控制装置实施例中的具体限定可以参见上文中对于网络传输的控制方法的限定,在此不再赘述。
在一个实施例中,如图9所示,提供了一种网络传输的控制装置,包括:获取模块902、组合模块904、处理模块906、确定模块908和调整模块910,其中:
获取模块902,用于在执行发包或拥塞控制时,获取会话连接的网络服务质量指标集;网络服务质量指标集中包括不同的网络服务质量指标值。
组合模块904,用于对网络服务质量指标集内的网络服务质量指标值依次进行调整,并将每次调整的一个网络服务质量指标值与其它未调整的网络服务质量指标值组合,得到各网络服务质量指标调整集。
处理模块906,用于通过映射关系模型依次对网络服务质量指标集和网络服务质量指标调整集进行映射处理,得到网络服务质量指标集对应的第一用户体验质量指标值和各网络服务质量指标调整集对应的第二用户体验质量指标值。
确定模块908,用于基于各第二用户体验质量指标值与第一用户体验质量指标值,在网络服务质量指标集确定影响用户体验质量的关键网络服务质量指标值。
调整模块910,用于根据关键网络服务质量指标值,调整流量发送策略或拥塞控制策略。
在一个实施例中,处理模块还用于获取目标时刻的每个会话连接的网络服务质量指标值,并将获取的所述网络服务质量指标值进行聚合处理,得到所述网络服务质量指标集;或者,在所述目标时刻的所有会话连接中抽样预设数量的目标会话连接,获取所述目标会话连接的网络服务质量指标值,并将获取的所述网络服务质量指标值进行聚合处理,得到所述网络服务质量指标集。
在一个实施例中,所述装置还包括:构建模块,用于将样本会话连接的网络服务质量指标值作为服务质量训练集;将样本数据内容提供方反馈的用户体验质量指标值作为体验质量训练集;基于所述服务质量训练集和所述体验质量训练集,构建所述映射关系模型。
在一个实施例中,获取模块还用于获取所述样本数据内容提供方反馈的目标区域内用户的用户体验质量指标值;所述用户体验质量指标值,用于反映所述样本数据内容提供方在提供数据内容服务时的平均用户体验质量;将所述目标区域对应的用户体验质量指标值作为所述体验质量训练集。
在一个实施例中,获取模块还用于获取不同类型的拥塞控制算法;构建模块还用于基于所述服务质量训练集和所述体验质量训练集,构建与各类型的拥塞控制算法对应的所述映射关系模型;或者,基于所述服务质量训练集和所述体验质量训练集,构建通用各类型的拥塞控制算法的所述映射关系模型。
在一个实施例中,获取模块还用于获取所述样本会话连接的网络服务质量指标值;处理模块还用于将所述样本会话连接的网络服务质量指标值进行聚合处理,得到聚合结果;将所述聚合结果作为所述服务质量训练集;所述聚合结果与所述用户体验质量指标值在时间粒度上是对齐的。
在一个实施例中,确定模块还用于确定所述样本会话连接的重传率、下载速率以及发送速率各自的平均值,并将所述重传率的平均值、所述下载速率的平均值以及所述发送速率的平均值作为聚合结果;或者,分别获取所述样本会话连接的重传率、下载速率以及往返时延时在预设分位点的值,并将各所述预设分位点的值作为聚合结果。
在一个实施例中,所述装置还包括:训练模块。处理模块还用于依次对所述服务质量训练集内的重传率、下载速率以及往返时延时进行归一化处理,得到归一化的重传率、下载速率以及往返时延时;训练模块,用于基于所述体验质量训练集和所述归一化的重传率、下载速率以及往返时延时,对初始映射关系模型进行训练,得到所述映射关系模型。
在一个实施例中,处理模块还用于通过所述初始映射关系模型,对所述归一化的重传率、下载速率以及往返时延时进行处理,得到预测端到端时延和预测首帧时延;确定模块还用于基于所述预测端到端时延、所述预测首帧时延、所述端到端时延和所述首帧时延,确定损失值;调整模块还用于依据所述损失值对所述初始映射关系模型进行参数调整。
在一个实施例中,所述装置还包括:选取模块。确定模块还用于确定各所述第二用户体验质量值与所述第一用户体验质量值的第一差值;选取模块,用于从确定的所述第一差值中选取不小于第一预设阈值的目标差值;在所述网络服务质量指标集内,选取不小于所述第一预设阈值的目标差值对应的网络服务质量指标值;将选取的所述网络服务质量指标值,作为影响用户体验质量的所述关键网络服务质量指标值。
在一个实施例中,所述装置还包括:更新模块,用于对所述网络服务质量指标调整集内的且经过调整的所述关键网络服务质量指标值进行更新,得到网络服务质量指标更新集;处理模块还用于通过所述映射关系模型依次对所述网络服务质量指标更新集进行映射处理,得到所述网络服务质量指标更新集对应的第三用户体验质量指标值;确定模块还用于确定各所述第三用户体验质量指标值与所述第二用户体验质量指标值的第二差值;选取模块还用于在确定的所述第二差值中选取满足预设条件的第二目标差值;调整模块还用于基于所述第二目标差值对应的关键网络服务质量指标值,调整流量传输参数或拥塞控制参数。
上述网络传输的控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储网络传输的控制数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种网络传输的控制方法。
本领域技术人员可以理解,图10中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (15)
1.一种网络传输的控制方法,其特征在于,所述方法包括:
在执行发包或拥塞控制时,获取会话连接的网络服务质量指标集;所述网络服务质量指标集中包括不同的网络服务质量指标值;
对所述网络服务质量指标集内的网络服务质量指标值依次进行调整,并将每次调整的一个网络服务质量指标值与其它未调整的网络服务质量指标值组合,得到各网络服务质量指标调整集;
通过映射关系模型依次对所述网络服务质量指标集和所述网络服务质量指标调整集进行映射处理,得到所述网络服务质量指标集对应的第一用户体验质量指标值和各所述网络服务质量指标调整集对应的第二用户体验质量指标值;
基于各所述第二用户体验质量指标值与所述第一用户体验质量指标值,在所述网络服务质量指标集确定影响用户体验质量的关键网络服务质量指标值;
根据所述关键网络服务质量指标值,调整流量发送策略或拥塞控制策略。
2.根据权利要求1所述的方法,其特征在于,所述获取会话连接的网络服务质量指标集,包括:
获取目标时刻的每个会话连接的网络服务质量指标值,并将获取的所述网络服务质量指标值进行聚合处理,得到所述网络服务质量指标集;或者,
在所述目标时刻的所有会话连接中抽样预设数量的目标会话连接,获取所述目标会话连接的网络服务质量指标值,并将获取的所述网络服务质量指标值进行聚合处理,得到所述网络服务质量指标集。
3.根据权利要求1所述的方法,其特征在于,所述在执行发包或拥塞控制时,获取会话连接的网络服务质量指标集之前,所述方法还包括:
将样本会话连接的网络服务质量指标值作为服务质量训练集;
将样本数据内容提供方反馈的用户体验质量指标值作为体验质量训练集;
基于所述服务质量训练集和所述体验质量训练集,构建所述映射关系模型。
4.根据权利要求3所述的方法,其特征在于,所述将样本数据内容提供方反馈的用户体验质量指标值作为体验质量训练集,包括:
获取所述样本数据内容提供方反馈的目标区域内用户的用户体验质量指标值;所述用户体验质量指标值,用于反映所述样本数据内容提供方在提供数据内容服务时的平均用户体验质量;
将所述目标区域对应的用户体验质量指标值作为所述体验质量训练集。
5.根据权利要求3所述的方法,其特征在于,所述基于所述服务质量训练集和所述体验质量训练集,构建所述映射关系模型,包括:
获取不同类型的拥塞控制算法;
基于所述服务质量训练集和所述体验质量训练集,构建与各类型的拥塞控制算法对应的所述映射关系模型;或者,
基于所述服务质量训练集和所述体验质量训练集,构建通用各类型的拥塞控制算法的所述映射关系模型。
6.根据权利要求3所述的方法,其特征在于,所述将样本会话连接的网络服务质量指标值作为服务质量训练集之后,所述方法还包括:
获取所述样本会话连接的网络服务质量指标值;
将所述样本会话连接的网络服务质量指标值进行聚合处理,得到聚合结果;
将所述聚合结果作为所述服务质量训练集;所述聚合结果与所述用户体验质量指标值在时间粒度上是对齐的。
7.根据权利要求6所述的方法,其特征在于,所述样本会话连接的网络服务质量指标值包括所述样本会话连接的重传率、下载速率以及往返时延时;所述将所述样本会话连接的网络服务质量指标值进行聚合处理,得到聚合结果,包括:
确定所述样本会话连接的重传率、下载速率以及发送速率各自的平均值,并将所述重传率的平均值、所述下载速率的平均值以及所述发送速率的平均值作为聚合结果;或者,
分别获取所述样本会话连接的重传率、下载速率以及往返时延时在预设分位点的值,并将各所述预设分位点的值作为聚合结果。
8.根据权利要求7所述的方法,其特征在于,所述基于所述服务质量训练集和所述体验质量训练集,构建通用各类型的拥塞控制算法的所述映射关系模型,包括:
依次对所述服务质量训练集内的重传率、下载速率以及往返时延时进行归一化处理,得到归一化的重传率、下载速率以及往返时延时;
基于所述体验质量训练集和所述归一化的重传率、下载速率以及往返时延时,对初始映射关系模型进行训练,得到所述映射关系模型。
9.根据权利要求8所述的方法,其特征在于,所述体验质量训练集包括端到端时延和首帧时延;所述基于所述体验质量训练集和所述归一化的重传率、下载速率以及往返时延时,对初始映射关系模型进行训练,包括:
通过所述初始映射关系模型,对所述归一化的重传率、下载速率以及往返时延时进行处理,得到预测端到端时延和预测首帧时延;
基于所述预测端到端时延、所述预测首帧时延、所述端到端时延和所述首帧时延,确定损失值;
依据所述损失值对所述初始映射关系模型进行参数调整。
10.根据权利要求1所述的方法,其特征在于,所述基于各所述第二用户体验质量指标值与所述第一用户体验质量指标值,在所述网络服务质量指标集确定影响用户体验质量的关键网络服务质量指标值,包括:
确定各所述第二用户体验质量值与所述第一用户体验质量值的第一差值;
从确定的所述第一差值中选取不小于第一预设阈值的目标差值;
在所述网络服务质量指标集内,选取不小于所述第一预设阈值的目标差值对应的网络服务质量指标值;
将选取的所述网络服务质量指标值,作为影响用户体验质量的所述关键网络服务质量指标值。
11.根据权利要求10所述的方法,其特征在于,所述关键网络服务质量指标集中包括发送窗口和发送速率中的至少一个;所述根据所述关键网络服务质量指标值,调整流量发送策略或拥塞控制策略,包括:
对所述网络服务质量指标调整集内的且经过调整的所述关键网络服务质量指标值进行更新,得到网络服务质量指标更新集;
通过所述映射关系模型依次对所述网络服务质量指标更新集进行映射处理,得到所述网络服务质量指标更新集对应的第三用户体验质量指标值;
确定各所述第三用户体验质量指标值与所述第二用户体验质量指标值的第二差值;
在确定的所述第二差值中选取满足预设条件的第二目标差值;
基于所述第二目标差值对应的关键网络服务质量指标值,调整流量传输参数或拥塞控制参数。
12.一种网络传输的控制装置,其特征在于,所述装置包括:
获取模块,用于在执行发包或拥塞控制时,获取会话连接的网络服务质量指标集;所述网络服务质量指标集中包括不同的网络服务质量指标值;
组合模块,用于对所述网络服务质量指标集内的网络服务质量指标值依次进行调整,并将每次调整的一个网络服务质量指标值与其它未调整的网络服务质量指标值组合,得到各网络服务质量指标调整集;
处理模块,用于通过映射关系模型依次对所述网络服务质量指标集和所述网络服务质量指标调整集进行映射处理,得到所述网络服务质量指标集对应的第一用户体验质量指标值和各所述网络服务质量指标调整集对应的第二用户体验质量指标值;
确定模块,用于基于各所述第二用户体验质量指标值与所述第一用户体验质量指标值,在所述网络服务质量指标集确定影响用户体验质量的关键网络服务质量指标值;
调整模块,用于根据所述关键网络服务质量指标值,调整流量发送策略或拥塞控制策略。
13.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至13中任一项所述的方法的步骤。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至13中任一项所述的方法的步骤。
15.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至13中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210859668.6A CN115277581B (zh) | 2022-07-21 | 2022-07-21 | 网络传输的控制方法、装置、计算机设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210859668.6A CN115277581B (zh) | 2022-07-21 | 2022-07-21 | 网络传输的控制方法、装置、计算机设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115277581A true CN115277581A (zh) | 2022-11-01 |
CN115277581B CN115277581B (zh) | 2024-04-30 |
Family
ID=83767693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210859668.6A Active CN115277581B (zh) | 2022-07-21 | 2022-07-21 | 网络传输的控制方法、装置、计算机设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115277581B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116208788A (zh) * | 2023-05-04 | 2023-06-02 | 海马云(天津)信息技术有限公司 | 提供网络应用服务的方法及装置、服务器设备和存储介质 |
CN116545942A (zh) * | 2023-07-04 | 2023-08-04 | 腾讯科技(深圳)有限公司 | 数据传输方法、装置、电子设备和存储介质 |
CN116723339A (zh) * | 2023-08-11 | 2023-09-08 | 腾讯科技(深圳)有限公司 | 内容数据的分发方法和装置、存储介质及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080155087A1 (en) * | 2006-10-27 | 2008-06-26 | Nortel Networks Limited | Method and apparatus for designing, updating and operating a network based on quality of experience |
CN104113788A (zh) * | 2014-07-09 | 2014-10-22 | 北京邮电大学 | 一种TCP视频流业务的QoE训练和评估的方法及系统 |
CN104378220A (zh) * | 2013-08-14 | 2015-02-25 | 中兴通讯股份有限公司 | 评价用户体验质量的方法及装置、用户终端、网络服务器 |
WO2015144211A1 (en) * | 2014-03-25 | 2015-10-01 | Telefonaktiebolaget L M Ericsson (Publ) | Method and system for monitoring qoe |
CN105637925A (zh) * | 2013-10-16 | 2016-06-01 | 英派尔科技开发有限公司 | 具有细化策略管理的动态频率和功率资源分配 |
CN105791046A (zh) * | 2014-12-26 | 2016-07-20 | 中兴通讯股份有限公司 | 用户体验质量QoE评估方法、装置、终端及服务器 |
CN109905382A (zh) * | 2019-02-15 | 2019-06-18 | 南京邮电大学 | Iptv视频流业务用户体验质量主客观综合评估方法 |
CN110913414A (zh) * | 2019-12-19 | 2020-03-24 | 中国卫通集团股份有限公司 | 一种5G卫星融合网络的QoS保障系统 |
-
2022
- 2022-07-21 CN CN202210859668.6A patent/CN115277581B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080155087A1 (en) * | 2006-10-27 | 2008-06-26 | Nortel Networks Limited | Method and apparatus for designing, updating and operating a network based on quality of experience |
CN104378220A (zh) * | 2013-08-14 | 2015-02-25 | 中兴通讯股份有限公司 | 评价用户体验质量的方法及装置、用户终端、网络服务器 |
CN105637925A (zh) * | 2013-10-16 | 2016-06-01 | 英派尔科技开发有限公司 | 具有细化策略管理的动态频率和功率资源分配 |
WO2015144211A1 (en) * | 2014-03-25 | 2015-10-01 | Telefonaktiebolaget L M Ericsson (Publ) | Method and system for monitoring qoe |
CN104113788A (zh) * | 2014-07-09 | 2014-10-22 | 北京邮电大学 | 一种TCP视频流业务的QoE训练和评估的方法及系统 |
CN105791046A (zh) * | 2014-12-26 | 2016-07-20 | 中兴通讯股份有限公司 | 用户体验质量QoE评估方法、装置、终端及服务器 |
CN109905382A (zh) * | 2019-02-15 | 2019-06-18 | 南京邮电大学 | Iptv视频流业务用户体验质量主客观综合评估方法 |
CN110913414A (zh) * | 2019-12-19 | 2020-03-24 | 中国卫通集团股份有限公司 | 一种5G卫星融合网络的QoS保障系统 |
Non-Patent Citations (2)
Title |
---|
FENGXIAO TANG等: "Survey on Machine Learning for Intelligent End-to-End Communication Toward 6G:From Network Access, Routing to Traffic Control and Streaming Adaption", IEEE COMMUNICATIONS SURVEYS & TUTORIALS, vol. 23, no. 3, pages 1578 - 1598, XP011873309, DOI: 10.1109/COMST.2021.3073009 * |
秦瑾,焦勇: "面向5G 边缘计算的短视频缓存策略研究", 通信技术, vol. 54, no. 4, pages 885 - 892 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116208788A (zh) * | 2023-05-04 | 2023-06-02 | 海马云(天津)信息技术有限公司 | 提供网络应用服务的方法及装置、服务器设备和存储介质 |
CN116545942A (zh) * | 2023-07-04 | 2023-08-04 | 腾讯科技(深圳)有限公司 | 数据传输方法、装置、电子设备和存储介质 |
CN116545942B (zh) * | 2023-07-04 | 2023-09-26 | 腾讯科技(深圳)有限公司 | 数据传输方法、装置、电子设备和存储介质 |
CN116723339A (zh) * | 2023-08-11 | 2023-09-08 | 腾讯科技(深圳)有限公司 | 内容数据的分发方法和装置、存储介质及电子设备 |
CN116723339B (zh) * | 2023-08-11 | 2023-11-14 | 腾讯科技(深圳)有限公司 | 内容数据的分发方法和装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115277581B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115277581A (zh) | 网络传输的控制方法、装置、计算机设备、存储介质 | |
CN107864084B (zh) | 数据包的传输方法和装置 | |
US9559972B2 (en) | Systems and methods for managing congestion | |
US8510374B2 (en) | Polling protocol for automatic load limiting | |
EP2456142A1 (en) | Methods and apparatus for detecting and limiting focused server overload in a network | |
US20210067453A1 (en) | Data transmission method and apparatus | |
WO2021103706A1 (zh) | 控制数据包发送方法、模型训练方法、装置及系统 | |
JP4402619B2 (ja) | マルチキャスト通信フロー制御方法および装置 | |
CN111611129B (zh) | PaaS云平台的性能监控方法及装置 | |
Lan et al. | A deep reinforcement learning based congestion control mechanism for NDN | |
WO2017049925A1 (zh) | 网络拥塞控制方法、装置及客户端 | |
WO2024012065A1 (zh) | 数据传输控制方法、装置、计算机可读存储介质、计算机设备及计算机程序产品 | |
CN113132490A (zh) | 一种基于强化学习的MQTT协议QoS机制选择方案 | |
US8634322B2 (en) | Apparatus and methods for adaptive network throttling | |
AU2022209882A1 (en) | Systems and methods for push-based data communications | |
US10320642B2 (en) | Dynamic TCP proxy selection for acceleration of short network flows | |
Nougnanke et al. | Learning-based incast performance inference in software-defined data centers | |
Sacco et al. | Partially oblivious congestion control for the internet via reinforcement learning | |
KR20220097201A (ko) | 연합학습을 이용한 네트워크 혼잡 제어방법 | |
Nougnanke et al. | ML-based Incast performance optimization in software-defined data centers | |
JP6263452B2 (ja) | 帯域制御システム、帯域制御方法、及びプログラム | |
Rajan | Improving The Performance Of Tcp Flows In Wireless Networks By Using Tcp Aware Backpressure And Aodv Algorithms | |
US20150100622A1 (en) | Network Device Mediation | |
Tong et al. | Troubleshooting solution for traffic congestion control | |
Wen et al. | Online optimal queue scheme for enhanced transport over wireless links |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40075672 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |