CN115277704B - 基于分布式预载的云播放系统 - Google Patents

Abstract

本发明属于分布式预载技术领域，具体涉及基于分布式预载的云播放系统。所述系统包括：云服务器和多个并联后与云服务器相连接的分布式预载集群；每个分布式预载集群中包括多个并联的子集群；每个子集群中包括四个节点，分别为：主节点、从节点、参考节点和备用节点，四个节点彼此之间信号连接；其中，参考节点与自身所在的分布式预载集群中的其他子集群中的所有节点信号连接。其通过各个子集群的相互预载调度，一方面降低了云服务器的压力，另一方面也保证了预载的效率，使得云播放的时候，子集群可以从其他子集群中调度数据信息，同时在数据的调度交换过程中使用了创造性的矩阵块系统，进一步提升了效率。

Description

基于分布式预载的云播放系统

技术领域

本发明属于分布式预载技术领域，具体涉及基于分布式预载的云播放系统。

背景技术

云播放，指直接查看并在线播放离线空间视频文件的功能。核心技术是云下载与云转码。视频无需下载，即可在线快速播放。

其通过接入互联网，在终端设备上播放来自服务器(云端)的视频资源，终端设备包括PC、移动设备、平板电脑及互联网电视等。

而在播放视频资源时，终端设备需要通过给出的网络视频地址，下载视频原始数据；当满足缓冲条件时，开始解析数据，分离音、视频原始数据，分别进行音、视频解码后输出声音和图像。

现有网络媒体播放器的缺点在于：视频播放前，需要预先设置缓冲区的大小，无论缓冲区多大，媒体播放器只能被动地等待其完成后才会播放。因此，现有媒体播放器在网络播放过程中，起播的快慢取决于缓冲完成的快慢；当预设的缓冲区比较大或者网速比较慢的情况下，会造成用户等待时间过长的不良体验。

发明内容

有鉴于此，本发明的主要目的在于提供基于分布式预载的云播放系统，其通过各个子集群的相互预载调度，一方面降低了云服务器的压力，另一方面也保证了预载的效率，使得云播放的时候，子集群可以从其他子集群中调度数据信息，同时在数据的调度交换过程中使用了创造性的矩阵块方法，进一步提升了效率。

为达到上述目的，本发明的技术方案是这样实现的：

基于分布式预载的云播放系统，所述系统包括：云服务器和多个并联后与云服务器相连接的分布式预载集群；每个分布式预载集群中包括多个并联的子集群；每个子集群中包括四个节点，分别为：主节点、从节点、参考节点和备用节点，四个节点彼此之间信号连接；其中，参考节点与自身所在的分布式预载集群中的其他子集群中的所有节点信号连接；每个分布式预载集群中的每个子集群均与其他分布式预载集群中的一个子集群连接，且每个子集群相连接的其他分布式预载集群中的子集群互不相同；所述从节点配置用于存储有在先预载的数据信息；所述备用节点配置用于在从节点中存储的在先预载的数据信息被取走时，复制从节点中存储的在先预载的数据信息；所述主节点，配置用于按照设定的时间周期，从云服务器预载数据信息，将预载数据信息的信息标识发送至参考节点，同时将预载数据信息发送至从节点进行存储；所述参考节点配置用于响应数据请求指令，对数据请求指令进行分析，以找到数据请求指令的目标数据，从所在的子集群中的从节点获取在先预载的数据信息或向其连接的其他子集群中的参考节点发送数据请求指令，其他子集群中的参考节点接收到数据请求指令后，若目标数据与自身存储的信息标识相匹配，则从自身所在子集群中的从节点获取在先预载的数据信息，返回给发送数据请求指令的参考节点；所述主节点按照设定的时间周期，从云服务器预载数据信息包括：将云服务器中的组块集合按照编号顺序以矩阵的方式进行排列后得到组块数据矩阵；然后基于组块数据矩阵，得到生成矩阵；从所述生成矩阵中进行数据选择，以找到关键数据，将关键数据发送至主节点。

进一步的，所述云服务器中存储的数据信息按照组块集合的方式进行存储；所述数据信息在到达云服务器后，云服务器首先将数据信息划分为多个组块，并对组块进行编号，同一时刻到达云服务器的数据信息具备同样的编号头码；将编号头码相同的组块作为一个组块集合进行存储。

进一步的，所述主节点在从云服务器预载数据信息后，将数据信息经由参考节点后发送至从节点；在数据信息经过参考节点时，参考节点将获取预载数据信息的信息标识进行存储。

进一步的，所述将云服务器中的组块集合按照编号顺序以矩阵的方式进行排列后得到组块数据矩阵包括：将组块集合按照编号顺序填充到一个空矩阵T中，然后构建一个差值矩阵B；基于如下公式，生成组块数据矩阵：

其中，

为上三角稀疏矩阵，u₁₂...u_nn的取值为设定值，其取值为任意实数，但须满足最终的矩阵为稀疏矩阵；

为下三角稀疏矩阵，1₁₁…1_nn的取值为设定值，其取值为任意实数，但须满足最终的矩阵为稀疏矩阵。

进一步的，所述基于组块数据矩阵，得到生成矩阵包括：首先求取组块数据矩阵的秩；然后基于组块数据矩阵的秩，使用如下公式计算得到生成矩阵：S＝lg(T+1)*rankQ*A；其中，rank为求秩运算；S为生成矩阵；T为主节点设定的时间周期；A为一个与组块数据矩阵的阶数相等的次稀疏矩阵；所述次稀疏矩阵为两个同阶的稀疏矩阵相乘后得到的新矩阵的秩。

进一步的，从所述生成矩阵中进行数据选择，以找到关键数据包括：对待生成矩阵进行矩阵数据特征分析，得到特征图；利用特征图识别算法，对所述特征图进行特征提取，得到所述生成矩阵的特征；其中，所述特征图识别算法包括多个数据插值模块，每个数据插值模块包括一个分路层、多个数据插值层、一个插值求和层和一个特征拼接层；所述插值求和层用于采样；所述插值求和层在时域上的总采样率小于在频域上的总采样率，其中，在形成所述特征图时在时域已对所述生成矩阵进行了一次采样。

进一步的，所述每个子集群中的四个节点均为服务器或终端设备。

进一步的，所述特征图识别算法包括4个数据插值模块，其中，所述第一个数据插值模块和第二个数据插值模块中均包括：一个分路层、4个数据插值核为1*1的数据插值层、1个数据插值核为3*3的数据插值层和1个数据插值核为5*1的数据插值层和1个数据插值核为1*5的数据插值层、所述插值求和层和所述特征拼接层。

进一步的，所述1个数据插值核为5*1的数据插值层和1个数据插值核为1*5的数据插值层构成一个数据插值核5*5的数据插值层，所述插值求和的尺度为2*2，数据插值步长为1*1；所述第三个数据插值模块和第四个数据插值模块中均包括：一个所述分路层、4个数据插值核为1*1的数据插值层、1个数据插值核为3*3的数据插值层和1个数据插值核为7*1的数据插值层和1个数据插值核为1*7的数据插值层、所述插值求和层和所述特征拼接层，其中，所述1个数据插值核为7*1的数据插值层和1个数据插值核为1*7的数据插值层构成一个数据插值核7*7的数据插值层，所述插值求和的尺度为2*2，数据插值步长为1*。

本发明的基于分布式预载的云播放系统，具有如下有益效果：

1.效率高：本发明的基于分布式预载的云播放系统其预载过程通过各个自己群进行了分散，使得各子集群在获取数据的时候不需要再从云服务器中获取数据信息，而是从其他子集群中获取，这就使得中兴式云播放结构转换成了分布式云播放结构，大幅度降低了云服务器的负载，提升了预载的效率。

2.数据传递效率高：本发明采用块状数据的概念来构建组块数据矩阵，后面再来构建生成矩阵，从而得到关键数据，在预载的时候，由于不需要将整个数据完全下载后进行播放，而是只需要将部分关键数据进行预载，就可以实现云播放，在云播放过程中再下载其他数据，从而提升数据传递的效率，也提升云播放的效率。

附图说明

图1为本发明实施例提供的基于分布式预载的云播放系统的系统结构示意图；

图2为本发明实施例提供的基于分布式预载的云播放系统的各个子集群的节点连接关系示意图；

图3为本发明实施例提供的基于分布式预载的云播放系统的生成矩阵生成原理示意图。

具体实施方式

下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。

实施例1

基于分布式预载的云播放系统，所述系统包括：云服务器和多个并联后与云服务器相连接的分布式预载集群；每个分布式预载集群中包括多个并联的子集群；每个子集群中包括四个节点，分别为：主节点、从节点、参考节点和备用节点，四个节点彼此之间信号连接；其中，参考节点与自身所在的分布式预载集群中的其他子集群中的所有节点信号连接；每个分布式预载集群中的每个子集群均与其他分布式预载集群中的一个子集群连接，且每个子集群相连接的其他分布式预载集群中的子集群互不相同；所述从节点配置用于存储有在先预载的数据信息；所述备用节点配置用于在从节点中存储的在先预载的数据信息被取走时，复制从节点中存储的在先预载的数据信息；所述主节点，配置用于按照设定的时间周期，从云服务器预载数据信息，将预载数据信息的信息标识发送至参考节点，同时将预载数据信息发送至从节点进行存储；所述参考节点配置用于响应数据请求指令，对数据请求指令进行分析，以找到数据请求指令的目标数据，从所在的子集群中的从节点获取在先预载的数据信息或向其连接的其他子集群中的参考节点发送数据请求指令，其他子集群中的参考节点接收到数据请求指令后，若目标数据与自身存储的信息标识相匹配，则从自身所在子集群中的从节点获取在先预载的数据信息，返回给发送数据请求指令的参考节点；所述主节点按照设定的时间周期，从云服务器预载数据信息包括：将云服务器中的组块集合按照编号顺序以矩阵的方式进行排列后得到组块数据矩阵；然后基于组块数据矩阵，得到生成矩阵；从所述生成矩阵中进行数据选择，以找到关键数据，将关键数据发送至主节点。

具体的，本发明的分布式预载集群中包括多个子集群，每个子集群中包括多个节点。这些节点通常为一些硬件设备。

具体的，参考图1，图1中展示了一个分布式预载集群与云服务器的连接关系，通常情况下，分布式预载集群与云服务器直接信号连接。但在获取到云播放预载的指令时，往往不会直接向云服务器直接请求预载，而是转而首先向自身坐在的子集群中的从节点获取数据信息，这个数据信息获取的过程效率更高。因为云服务器往往与所有的分布式预载集群都连接，极其容易造成拥堵。

实施例2

在上一实施例的基础上，所述云服务器中存储的数据信息按照组块集合的方式进行存储；所述数据信息在到达云服务器后，云服务器首先将数据信息划分为多个组块，并对组块进行编号，同一时刻到达云服务器的数据信息具备同样的编号头码；将编号头码相同的组块作为一个组块集合进行存储。

具体的，参考图2，将数据信息按照组块集合的方式存储有两个好处，一者是组块集合的存储方式更加易于数据的传输，且更加适合预载。因为预载的过程本质上来说是预先加载，如果是通过数据流的方式进行传输，如果数据流在传输过程中出现了中断，很容易导致加载的流畅度大幅度降低。而组块集合的方式进行传输，数据以块的方式传输，这种传输在传输到目的地之前，数据时一体的，即便出现数据传输的中断，也不影响整体数据的流畅性，从而保证预载的效果更高。

实施例3

在上一实施例的基础上，所述主节点在从云服务器预载数据信息后，将数据信息经由参考节点后发送至从节点；在数据信息经过参考节点时，参考节点将获取预载数据信息的信息标识进行存储。

参考图2，从节点本质上来说是一个预存储的节点，存储的预加载的数据信息，这些数据信息在被其他参考节点获取后，则从备用节点调用被获取的部分，从而保证无论发生多少频次的数据信息的调度，其都可以保证数据信息不会出现拥堵和滞后。

实施例4

在上一实施例的基础上，所述主节点按照设定的时间周期，从云服务器预载数据信息包括：将云服务器中的组块集合按照编号顺序以矩阵的方式进行排列后得到组块数据矩阵；然后基于组块数据矩阵，得到生成矩阵；从所述生成矩阵中进行数据选择，以找到关键数据，将关键数据发送至主节点。

实施例5

在上一实施例的基础上，所述将云服务器中的组块集合按照编号顺序以矩阵的方式进行排列后得到组块数据矩阵包括：将组块集合按照编号顺序填充到一个空矩阵T中，然后构建一个差值矩阵B；基于如下公式，生成组块数据矩阵：

其中，

为上三角稀疏矩阵，u₁₂...u_nn的取值为设定值，其取值为任意实数，但须满足最终的矩阵为稀疏矩阵；

为下三角稀疏矩阵，1₁₁…1_nn的取值为设定值，其取值为任意实数，但须满足最终的矩阵为稀疏矩阵。

参考图3，在云服务器中的数据信息通过组块集合的方式进行存储，在存储过程中，这些数据信息在传递过程中的效率更高。

稀疏矩阵(英语：sparse matrix)，在数值分析中，是其元素大部分为零的矩阵。反之，如果大部分元素都非零，则这个矩阵是稠密(dense)的。在科学与工程领域中求解线性模型时经常出现大型的稀疏矩阵。

在使用计算机存储和操作稀疏矩阵时，经常需要修改标准算法以利用矩阵的稀疏结构。由于其自身的稀疏特性，通过压缩可以大大节省稀疏矩阵的内存代价。更为重要的是，由于过大的尺寸，标准的算法经常无法操作这些稀疏矩阵。

通过稀疏矩阵变换得到的组块数据矩阵则更加能让数据信息的存储占用的空间更小，而数据信息传递的效率更高。

稀疏矩阵的“注入元”是指执行算法是从初始的零值变为非零值的那些元素。为减少内存要求和算术操作的次数，我们经常通过交换某些行或某些列来尽量减少注入元。符号柯列斯基分解(英语：Symbolic Cholesky decomposition)可以用来在做实际的柯列斯基分解之前计算最坏情况下注入元的数目。与此类似，可以用符号QR分解在做实际的QR分解之前计算最坏情况下注入元的数目。

实施例6

在上一实施例的基础上，所述基于组块数据矩阵，得到生成矩阵包括：首先求取组块数据矩阵的秩；然后基于组块数据矩阵的秩，使用如下公式计算得到生成矩阵：S＝lg(T+1)*rankQ*A；其中，rank为求秩运算；S为生成矩阵；T为主节点设定的时间周期；A为一个与组块数据矩阵的阶数相等的次稀疏矩阵；所述次稀疏矩阵为两个同阶的稀疏矩阵相乘后得到的新矩阵的秩。

具体的，矩阵的秩是线性代数中的一个概念。在线性代数中，一个矩阵A的列秩是A的线性独立的纵列的极大数，通常表示为r(A)，rk(A)或rank A。

在线性代数中，一个矩阵A的列秩是A的线性独立的纵列的极大数目。类似地，行秩是A的线性无关的横行的极大数目。即如果把矩阵看成一个个行向量或者列向量，秩就是这些行向量或者列向量的秩，也就是极大无关组中所含向量的个数。

实施例7

在上一实施例的基础上，从所述生成矩阵中进行数据选择，以找到关键数据包括：对待生成矩阵进行矩阵数据特征分析，得到特征图；利用特征图识别算法，对所述特征图进行特征提取，得到所述生成矩阵的特征；其中，所述特征图识别算法包括多个数据插值模块，每个数据插值模块包括一个分路层、多个数据插值层、一个插值求和层和一个特征拼接层；所述插值求和层用于采样；所述插值求和层在时域上的总采样率小于在频域上的总采样率，其中，在形成所述特征图时在时域已对所述生成矩阵进行了一次采样。

实施例8

在上一实施例的基础上，所述每个子集群中的四个节点均为服务器或终端设备。

实施例9

在上一实施例的基础上，所述特征图识别算法包括4个数据插值模块，其中，所述第一个数据插值模块和第二个数据插值模块中均包括：一个分路层、4个数据插值核为1*1的数据插值层、1个数据插值核为3*3的数据插值层和1个数据插值核为5*1的数据插值层和1个数据插值核为1*5的数据插值层、所述插值求和层和所述特征拼接层。

具体的，通过提取关键数据可以进一步提升预载的效率，只需要部分关键数据就可以完成预载的目的，从而大幅度提升预载的效率。

实施例10

在上一实施例的基础上，所述1个数据插值核为5*1的数据插值层和1个数据插值核为1*5的数据插值层构成一个数据插值核5*5的数据插值层，所述插值求和的尺度为2*2，数据插值步长为1*1；所述第三个数据插值模块和第四个数据插值模块中均包括：一个所述分路层、4个数据插值核为1*1的数据插值层、1个数据插值核为3*3的数据插值层和1个数据插值核为7*1的数据插值层和1个数据插值核为1*7的数据插值层、所述插值求和层和所述特征拼接层，其中，所述1个数据插值核为7*1的数据插值层和1个数据插值核为1*7的数据插值层构成一个数据插值核7*7的数据插值层，所述插值求和的尺度为2*2，数据插值步长为1*1。

需要说明的是，上述实施例提供的系统，仅以上述各功能单元的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能单元来完成，即将本发明实施例中的单元或者步骤再分解或者组合，例如，上述实施例的单元可以合并为一个单元，也可以进一步拆分成多个子单元，以完成以上描述的全部或者单元功能。对于本发明实施例中涉及的单元、步骤的名称，仅仅是为了区分各个单元或者步骤，不视为对本发明的不当限定。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

本领域技术人员应能够意识到，结合本文中所公开的实施例描述的各示例的单元、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件单元、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

术语“第一”、“另一部分”等是配置用于区别类似的对象，而不是配置用于描述或表示特定的顺序或先后次序。

术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者单元/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者单元/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术标记作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。以上所述，仅为本发明的较佳实施例而已，并非配置用于限定本发明的保护范围。

Claims (9)

1.基于分布式预载的云播放系统，其特征在于，所述系统包括：云服务器和多个并联后与云服务器相连接的分布式预载集群；每个分布式预载集群中包括多个并联的子集群；每个子集群中包括四个节点，分别为：主节点、从节点、参考节点和备用节点，四个节点彼此之间信号连接；其中，参考节点与自身所在的分布式预载集群中的其他子集群中的所有节点信号连接；每个分布式预载集群中的每个子集群均与其他分布式预载集群中的一个子集群连接，且每个子集群相连接的其他分布式预载集群中的子集群互不相同；所述从节点配置用于存储有在先预载的数据信息；所述备用节点配置用于在从节点中存储的在先预载的数据信息被取走时，复制从节点中存储的在先预载的数据信息；所述主节点，配置用于按照设定的时间周期，从云服务器预载数据信息，将预载数据信息的信息标识发送至参考节点，同时将预载数据信息发送至从节点进行存储；所述参考节点配置用于响应数据请求指令，对数据请求指令进行分析，以找到数据请求指令的目标数据，从所在的子集群中的从节点获取在先预载的数据信息或向其连接的其他子集群中的参考节点发送数据请求指令，其他子集群中的参考节点接收到数据请求指令后，若目标数据与自身存储的信息标识相匹配，则从自身所在子集群中的从节点获取在先预载的数据信息，返回给发送数据请求指令的参考节点；所述主节点按照设定的时间周期，从云服务器预载数据信息包括：将云服务器中的组块集合按照编号顺序以矩阵的方式进行排列后得到组块数据矩阵；然后基于组块数据矩阵，得到生成矩阵；从所述生成矩阵中进行数据选择，以找到关键数据，将关键数据发送至主节点。

2.如权利要求1所述的系统，其特征在于，所述云服务器中存储的数据信息按照组块集合的方式进行存储；所述数据信息在到达云服务器后，云服务器首先将数据信息划分为多个组块，并对组块进行编号，同一时刻到达云服务器的数据信息具备同样的编号头码；将编号头码相同的组块作为一个组块集合进行存储。

3.如权利要求1所述的系统，其特征在于，所述主节点在从云服务器预载数据信息后，将数据信息经由参考节点后发送至从节点；在数据信息经过参考节点时，参考节点将获取预载数据信息的信息标识进行存储。

4.如权利要求3所述的系统，其特征在于，所述将云服务器中的组块集合按照编号顺序以矩阵的方式进行排列后得到组块数据矩阵包括：将组块集合按照编号顺序填充到一个空矩阵T中，然后构建一个差值矩阵B；基于如下公式，生成组块数据矩阵：

其中，

为上三角稀疏矩阵，u₁₂...u_nn的取值为设定值，其取值为任意实数，但须满足最终的矩阵为稀疏矩阵；

为下三角稀疏矩阵，1₁₁…1_nn的取值为设定值，其取值为任意实数，但须满足最终的矩阵为稀疏矩阵。

5.如权利要求4所述的系统，其特征在于，所述基于组块数据矩阵，得到生成矩阵包括：首先求取组块数据矩阵的秩；然后基于组块数据矩阵的秩，使用如下公式计算得到生成矩阵：S＝lg(T+1)*rankQ*A；其中，rank为求秩运算；S为生成矩阵；T为主节点设定的时间周期；A为一个与组块数据矩阵的阶数相等的次稀疏矩阵；所述次稀疏矩阵为两个同阶的稀疏矩阵相乘后得到的新矩阵的秩。

6.如权利要求5所述的系统，其特征在于，从所述生成矩阵中进行数据选择，以找到关键数据包括：对待生成矩阵进行矩阵数据特征分析，得到特征图；利用特征图识别算法，对所述特征图进行特征提取，得到所述生成矩阵的特征；其中，所述特征图识别算法包括多个数据插值模块，每个数据插值模块包括一个分路层、多个数据插值层、一个插值求和层和一个特征拼接层；所述插值求和层用于采样；所述插值求和层在时域上的总采样率小于在频域上的总采样率，其中，在形成所述特征图时在时域已对所述生成矩阵进行了一次采样。

7.如权利要求6所述的系统，其特征在于，所述每个子集群中的四个节点均为服务器或终端设备。

8.如权利要求7所述的系统，其特征在于，所述特征图识别算法包括4个数据插值模块，其中，所述第一个数据插值模块和第二个数据插值模块中均包括：一个分路层、4个数据插值核为1*1的数据插值层、1个数据插值核为3*3的数据插值层和1个数据插值核为5*1的数据插值层和1个数据插值核为1*5的数据插值层、所述插值求和层和所述特征拼接层。

9.如权利要求8所述的系统，其特征在于，所述1个数据插值核为5*1的数据插值层和1个数据插值核为1*5的数据插值层构成一个数据插值核5*5的数据插值层，所述插值求和的尺度为2*2，数据插值步长为1*1；所述第三个数据插值模块和第四个数据插值模块中均包括：一个所述分路层、4个数据插值核为1*1的数据插值层、1个数据插值核为3*3的数据插值层和1个数据插值核为7*1的数据插值层和1个数据插值核为1*7的数据插值层、所述插值求和层和所述特征拼接层，其中，所述1个数据插值核为7*1的数据插值层和1个数据插值核为1*7的数据插值层构成一个数据插值核7*7的数据插值层，所述插值求和的尺度为2*2，数据插值步长为1*1。

Images