CN116864153B - 一种区域远程诊断系统 - Google Patents
一种区域远程诊断系统 Download PDFInfo
- Publication number
- CN116864153B CN116864153B CN202310860003.1A CN202310860003A CN116864153B CN 116864153 B CN116864153 B CN 116864153B CN 202310860003 A CN202310860003 A CN 202310860003A CN 116864153 B CN116864153 B CN 116864153B
- Authority
- CN
- China
- Prior art keywords
- video
- video data
- module
- link
- playing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004171 remote diagnosis Methods 0.000 title claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims abstract description 46
- 230000002787 reinforcement Effects 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 15
- 230000000739 chaotic effect Effects 0.000 claims description 14
- 230000009471 action Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 239000012634 fragment Substances 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 abstract description 14
- 230000008569 process Effects 0.000 description 10
- 238000003745 diagnosis Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H80/00—ICT specially adapted for facilitating communication between medical practitioners or patients, e.g. for collaborative diagnosis, therapy or health monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Two-Way Televisions, Distribution Of Moving Picture Or The Like (AREA)
Abstract
本发明公开了一种区域远程诊断系统,属于远程交互系统技术领域,包括:获取模块,用于获取视频数据;第一计算模块,用于结合马尔可夫决策算法和深度强化学习模型,计算视频数据的目标比特率,并将视频数据按目标比特率进行处理;确定模块,用于根据视频数据的属性,确定接收端的最佳缓冲区占用长度;第二计算模块,用于结合视频数据的目标比特率和每条链路的可用带宽,计算链路最小占用数目;分配模块,用于根据链路最小占用数目和每条链路的可用带宽,为每个视频片段分配目标链路;传输模块,用于将处理后的视频数据按目标链路传输至具有最佳缓冲区占用长度的接收端。确保远程诊断的连续性、实时性,提高远程诊断抗干扰能力。
Description
技术领域
本发明属于远程交互系统技术领域,具体涉及一种区域远程诊断系统。
背景技术
随着科学技术的发展,患者就诊不仅仅局限于线下问诊,线上远程就诊成为了可能,远程就诊允许患者在家中或任何其他地方与医生进行会诊,无需前往医疗机构,这对于那些行动不便、交通不便或居住在偏远地区的患者来说尤其有益,同时,预约和等待时间通常较短,减少了传统门诊所需的时间和精力成本。而且减少患者与医生面对面接触的机会,从而降低传染病传播的风险,患者可以通过远程通信技术与医生交流症状和疾病信息,获得诊断和治疗方案。
现有的区域远程诊断系统受限于不能实时的切换视频数据的传输方案,在网路发生波动时,往往出现患者与医生之间出现较大交互延迟,视频交互质量差且具有延迟,造成就诊效率低,诊断结果不准确的风险。
发明内容
为了解决现有技术存在的区域远程诊断系统受限于不能实时的切换视频数据的传输方案,在网路发生波动时,往往出现患者与医生之间出现较大交互延迟,视频交互质量差且具有延迟,造成就诊效率低,诊断结果不准确的风险的技术问题,本发明提供一种区域远程诊断系统。
本发明提供了一种区域远程诊断系统,区域远程诊断系统包括视频编码服务器、视频决策模块和通过异构网络连接的发送端和接收端,其中,视频决策模块包括视频编码决策模块和视频片段分配模块;
区域远程诊断系统还包括:
获取模块,用于获取视频数据,其中,视频数据包括多个视频片段;
第一计算模块,用于结合马尔可夫决策算法和深度强化学习模型,以视频播放卡顿时长和视频同步时延为优化目标,计算视频数据的目标比特率,并将视频数据按目标比特率进行处理;
确定模块,用于根据视频数据的属性,确定接收端的最佳缓冲区占用长度,其中,视频数据的属性包括视频数据的长度、视频片段的播放长度和视频数据的播放速度;
第二计算模块,用于获取异构网络中的每条链路的可用带宽,结合视频数据的目标比特率和每条链路的可用带宽,计算链路最小占用数目;
分配模块,用于根据链路最小占用数目和每条链路的可用带宽,为每个视频片段分配目标链路;
传输模块,用于将处理后的视频数据按目标链路传输至具有最佳缓冲区占用长度的接收端;
所述第一计算模块具体用于:
S1021:根据当前视频数据比特率、视频播放卡顿时长和视频同步时延,计算视频播放质量:
Q=vf(t)-x*rb(t)-y*e(t)-z*|vf(t)-vf(t-1)|
其中,Q表示所述视频播放质量,rb(t)表示所述视频播放卡顿时长,e(t)表示所述视频同步时延,x,y,z分别表示相应的切换幅度惩罚因子;
S1022:将所述视频播放质量作为奖励值,结合所述马尔可夫决策算法,构建最优决策模型;
S1023:通过所述深度强化学习模型,求解所述最优决策模型的最优决策方案,确定所述视频数据的目标比特率;
所述将所述视频播放质量作为奖励值,结合所述马尔可夫决策算法,构建最优决策模型,具体为:
S1022A:结合所述视频播放质量,确定回报函数:
其中,R(s,F)表示所述回报函数,F表示将状态空间S映射到动作空间A的策略函数,γ表示折扣因子,rt表示t时刻的所述视频播放质量,S0表示初始状态空间,包括视频播放卡顿时长和视频同步时延,P(S1|S0)表示马尔可夫条件转移概率,符号表示等价;
S1022B:根据所述回报函数,确定最优策略即所述最优决策模型:
其中,F*(S)表示最优策略函数。
与现有技术相比,本发明至少具有以下有益技术效果:
(1)在本发明中,通过将视频数据的发送端和接收端进行异构网络连接,降低单路连接导致的事故频发风险,通过多链路并行传输视频数据,并基于现有链路的可用带宽设计了视频片段的链路分配方案,以链路最小占用数目对视频数据进行有序传输,最大程度的增加链路使用效率,提升视频数据传输质量,在解决单链路传输易失败的同时,避免并行传输易发生的传输混乱。
(2)在本发明中,通过结合马尔可夫决策算法和深度强化学习模型,以寻找视频播放卡顿时长和视频同步时延均最短为优化目标,在视频数据的传输过程中实时的调整视频数据的目标比特率,以适应网络吞吐量的变化,最大程度的保证视频数据的质量和流畅性,保证远程诊断的连续性和稳定性,并提高远程诊断过程的抗干扰能力。
(3)在本发明中,根据所述异构网络中不同链路的网络带宽和所述视频片段,确定所述接收端的最佳缓冲区占用长度,避免缓冲区设计不合理导致的视频播放延迟和视频数据丢失的情况,保证视频数据的连续性和稳定性,提高就诊效率和诊断结果准确性。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对本发明的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明提供的一种区域远程诊断系统的结构示意图;
图2是本发明提供的另一种区域远程诊断系统的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
在本文中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接。可以是机械连接,也可以是电连接。可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
另外,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在一个实施例中,参照图1,示出了本发明提供的一种区域远程诊断系统的结构示意图。参照图2,示出了本发明提供的另一种区域远程诊断系统的结构示意图。
图2中,展示了面向高清视频业务的异构无线网络自适应并行传输控制系统的系统架构,其中包括视频数据源、视频编码服务器、视频播放客户端以及视频发送控制模块。视频发送控制模块根据网络状态信息及客户端接收缓冲区的缓存信息,采取相关算法调整视频编码服务器的编码策略、发送策略,其中视频编码决策模块主要决策视频数据的比特率及长度,视频片段分配模块主要决策视频数据内的视频片段的链路分配策略,保证客户端接收的有序性。视频编码服务器根据视频发送控制模块的决策数据,通过异构网络将多个视频片段并行传输至接收端进行解码播放,提高交互过程的稳定性、连续性和抗干扰能力,即使出现某一网络链路出现故障或者较大波动时仍然能够以牺牲最低的视频数据比特率,完成视频数据的正常传输。
本发明提供的一种区域远程诊断系统,区域远程诊断系统包括包括视频编码服务器、视频决策模块和通过异构网络连接的发送端和接收端,其中,视频决策模块包括视频编码决策模块和视频片段分配模块。
现实生活中,对于行动不便且网络条件不佳的地区,区域远程诊断系统可以自适应的调整视频传输策略,能够适应发送端或者接收端的最低网络带宽,在保证交互过程的稳定性、流畅性的同时,完成最佳的视频传输方案计算。
区域远程诊断系统还包括:
获取模块1,用于获取视频数据,其中,视频数据包括多个视频片段。
其中,视频数据为交互双方,也就是患者和医生之间实时交互的数据,视频数据是整个视频的完整内容,而视频片段是从视频数据中提取的一小部分连续图像帧序列,用于特定的操作和应用。
其中,视频数据是指由一系列连续图像帧组成的数字数据。每个图像帧捕捉到的是视频中的一个静态画面,通过以一定的速率播放这些图像帧,可以还原出连续的动态视频内容。视频数据通常由视频编码器将原始视频进行压缩编码得到,以减少数据量和传输带宽的需求。视频片段是指视频数据的一个部分或片段,通常是由连续的图像帧组成的一小段视频内容。视频片段可以是整个视频的一部分,也可以是对视频进行切割或分段后的单个部分。视频片段可以根据需要进行选择、编辑和组合,以满足特定的应用需求。视频片段可以是视频数据的一个子集,也可以是整个视频的一个部分,在处理和传输视频时,可以对视频数据进行切割和分段,形成多个视频片段,以便更好地管理和处理视频内容。
第一计算模块2,用于结合马尔可夫决策算法和深度强化学习模型,以视频播放卡顿时长和视频同步时延为优化目标,计算视频数据的目标比特率,并将视频数据按目标比特率进行处理。
其中,马尔可夫决策算法是一种用于描述序列决策问题的数学框架。它基于马尔可夫性质,即未来状态的转移概率只依赖于当前状态和采取的动作,而与过去的状态无关。它由状态空间、动作空间、状态转移概率、奖励函数和折扣因子组成。马尔可夫决策算法可以帮助决策制定者在不确定的环境中,通过评估不同的动作选择,选择最佳的动作序列以达到最大累积奖励。
深度强化学习模型是将深度神经网络与强化学习算法相结合的模型。它通过使用深度神经网络来近似值函数或策略函数,从而学习在环境中做出最佳决策的策略。深度强化学习模型通常使用Q-learning、Deep Q-Network(DQN)、Actor-Critic等算法来进行训练。这些模型能够从与环境的交互中学习,通过尝试不同的动作并根据环境的反馈进行调整和优化,逐渐改进其决策策略。
需要说明的是,目标比特率决定了视频的压缩质量和传输带宽需求。更高的目标比特率通常会产生更好的视觉质量,但需要更大的传输带宽,目标比特率的选择需要权衡视频质量和传输资源的限制,以满足特定应用的需求。而传统的比特率控制方法往往采用固定比特率,不能自适应的给出视频数据的调整策略,马尔可夫决策算法和深度强化学习模型被结合使用,用于计算视频数据的目标比特率。这意味着系统会基于当前状态、可选的动作和奖励函数,使用强化学习算法进行决策和优化,以确定适合特定条件和要求的视频数据的目标比特率。通过这样的优化过程,系统可以在视频播放卡顿时长和视频同步时延之间找到一个平衡点,以提供更好的用户体验和视频传输性能。
在一种可能的实施方式中,第一计算模块2具体用于:
根据当前视频数据比特率、视频播放卡顿时长和视频同步时延,计算视频播放质量:
Q=vf(t)-x*rb(t)-y*e(t)-z*|vf(t)-vf(t-1)|
其中,Q表示视频播放质量,rb(t)表示视频播放卡顿时长,e(t)表示视频同步时延,x,y,z分别表示相应的切换幅度惩罚因子。
将视频播放质量作为奖励值,结合马尔可夫决策算法,构建最优决策模型。
在一种可能的实施方式中,将视频播放质量作为奖励值,结合马尔可夫决策算法,构建最优决策模型,具体为:
结合视频播放质量,确定回报函数:
其中,R(s,F)表示回报函数,F表示将状态空间S映射到动作空间A的策略函数,γ表示折扣因子,rt表示t时刻的视频播放质量,S0表示初始状态空间,包括视频播放卡顿时长和视频同步时延,P(S1|S0)表示马尔可夫条件转移概率,符号表示等价;
根据回报函数,确定最优策略即最优决策模型:
其中,F*(S)表示最优策略函数。
通过深度强化学习模型,求解最优决策模型的最优决策方案,确定视频数据的目标比特率。
在一种可能的实施方式中,通过深度强化学习模型,求解最优决策模型的最优决策方案,确定视频数据的目标比特率,具体为:
将状态空间数据输入至深度强化学习模型,输出包括所有动作空间的向量:
其中,表示动作空间的向量,R(S,an)表示任一种可能的向量;
确定包括动作空间的向量的深度强化学习模型的损失函数:
St={q(t),rb(t),e(t)}
at={v(t),th(t)}
其中,L(ωt)表示损失函数,表示深度强化学习模型目标R值,R(St,at,ωt)表示当前R值,St表示t时刻的状态空间,q(t)表示t时刻缓冲区占用长度;
结合损失函数和回报函数,确定目标比特率:
R(t)=v(K)-x*rb(t)-y*e(t)-z*|v(K)-v(t-1)|
其中,v(K)表示目标比特率。
确定模块3,用于根据视频数据的属性,确定接收端的最佳缓冲区占用长度。
其中,视频数据的属性包括视频数据的长度、视频片段的播放长度和视频数据的播放速度。
需要说明的是,缓冲区占用长度是指在视频传输过程中,接收端使用的缓冲区所占用的时间长度。缓冲区是一个用于存储接收到的视频数据的临时存储区域,它允许在网络传输或播放过程中的波动和延迟时提供缓冲和平滑的视频播放体验。较长的缓冲区占用长度意味着接收端会在缓冲区中存储更多的视频数据,这可以提供更大的缓冲和抵抗网络波动的能力,但可能会增加延迟。较短的缓冲区占用长度意味着接收端只存储少量的视频数据,这可以减少延迟,但可能会导致播放过程中的卡顿或中断。综合考虑视频数据的属性,确定合适的缓冲区占用长度可以平衡播放延迟和播放质量,提供更好的用户体验。
在一种可能的实施方式中,确定模块3具体用于:
结合视频数据的属性,计算缓冲区占用长度:
q(tK)=q(tK-1)+TNK-λp*(tK-tK-1)
其中,q(tK)表示缓冲区占用长度,q(tK-1)表示视频数据K开始下载时刻的缓冲区占用长度,NK表示视频数据的长度即视频片段的数量,T表示视频片段的播放长度,λ表示视频数据的播放速度,p表示视频数据的正常播放速度,tK表示视频数据开始下载的时刻。
第二计算模块4,用于获取异构网络中的每条链路的可用带宽,结合视频数据的目标比特率和每条链路的可用带宽,计算链路最小占用数目。
需要说明的是,在考虑了在保证视频正常传输的条件下,最小化传输链路数,可以充分利用可用带宽资源。这意味着系统会根据网络状态和可用带宽情况,选择适当数量的传输链路,以满足视频传输的需求,同时避免资源浪费。通过综合考虑各链路的网络状态、播放器缓冲区、已播放视频的比特率和编码比特率变化频率等因素,第二计算模块可以优化视频传输的质量和性能,提供更好的用户体验,并充分利用可用的带宽资源。基于链路最小占用数目可以使得远程交互过程适应更加复杂的网络环境,保证远程诊断系统的稳定运行和抗干扰能力。
在一种可能的实施方式中,第二计算模块4具体用于;
确定异构网络的最大可用链路数量;
计算链路最小占用数目:
其中,表示链路最小占用数目,L表示最大可用链路数量,i表示选择的链路标记,LK表示选择的链路,bi表示链路标记为i的链路可用带宽,NK表示视频数据的长度,V(K)表示视频数据的目标比特率。
分配模块5,用于根据链路最小占用数目和每条链路的可用带宽,为每个视频片段分配目标链路。
需要说明的是,分配模块5的目标是根据视频片段的播放顺序和传输条件,为每个视频片段分配目标链路,以确保序号为n-1的片段在序号为n的片段之前完成下载。在多链路传输中,由于播放器对片段的播放具有严格的时间顺序要求,需要按照播放顺序将视频片段依次发送和接收。如果在传输过程中,某个片段的下载完成时间早于它之前的片段,就会导致播放器需要等待之前的片段下载完成,才能开始播放由这些片段组成的视频块。为了解决这个问题,分配模块5采用基于累积传输时间的片段分配算法。具体而言,对于每个视频块中的每个片段,分配模块5会计算在各个链路上下载该片段所需的完成时间,并选择具有最小完成时间的链路作为目标链路。在分配过程中,分配模块5会考虑已经分配的片段所需的时间,将其加上当前片段下载所需的时间,以获得该片段在每个链路上的完成时间。然后,从这些完成时间中选择最小的时间作为目标链路,并将该片段分配到该链路上进行下载。通过这种方式,分配模块5可以确保序号为n-1的视频片段在序号为n的视频片段之前完成下载,从而满足播放顺序的要求。这样可以避免播放器的等待,并确保视频的连续播放。
在一种可能的实施方式中,分配模块具体用于:
建立包括选择的链路和视频数据的长度的视频片段分配矩阵:
其中,X表示视频片段分配矩阵;
对每条链路的可用带宽和视频片段进行排序;
选取序号最大的链路对序号靠前的视频片段进行传输;
寻找剩余的视频选段的传输链路:
其中,LK+1表示剩余的视频片段,m*表示剩余的视频选段选择的链路。
传输模块6,用于将处理后的视频数据按目标链路传输至具有最佳缓冲区占用长度的接收端。
需要说明的是,结合异构网络的网络带宽,在医生和患者的视频交互过程中,实时的调整视频数据的目标比特率,以降低数据传输的带宽要求,保证视频数据的传输连续性、稳定性和实时性,另外根据视频数据的长度、视频片段的播放长度和视频数据的播放速度,合理的设计接收端的最佳缓冲区占用长度,保证视频数据的播放连续性,降低播放延迟,最后为视频数据中的视频片段进行链路最小占用数目的分配,降低网络资源的消耗,保证视频交互过程即使在网络波动较大的情况也能完成实时传输。
在一种可能的实施方式中,区域远程诊断系统还包括:
加密模块7,用于生成公钥对处理后的视频数据进行加密。
解密模块8,用于利用接收端的私钥对加密后的视频数据进行解密处理。
需要说明的是,加密模块应用于传输模块之前,即在视频数据传输之前对视频数据进行加密,以避免视频传输过程出现信息被窃取的情况,而解密模块用于接收端对接收的视频数据进行解密处理,解密模块中的私钥只有经过授权的用户如医生和患者,或者拥有监控权限的医院可以获取私钥对视频数据进行解密。
在一种可能的实施方式中,私钥和公钥的生成方法为:
生成两个大素数a和b,计算G=a×b以及
随机选择一个整数e,使得随机数e满足:
其中,表示随机数e与/>互质;
计算随机数e的逆元:
将(G,e)作为私钥,将(G,d)作为公钥。
需要说明的是,使用上述方法生成私钥和公钥可以提供安全的加密和身份验证机制,保护患者敏感数据的机密性和完整性,并确保只有经过授权的身份才可以访问和操作视频数据。
在一种可能的实施方式中,私钥和公钥的生成方法还包括:
建立关于随机数e和逆元d的混沌映射关系式:
其中,n表示验证次数,λ1、λ2、λ3、λ4和λ5表示均为常数的控制参数。
需要说明的是,需要说明的是,混沌映射关系式的作用是为了保护随机数e和逆元d,在后续的每一次验证中,随机数e和逆元d均会发生变化。现有技术中的二维混沌映射存在一些问题,例如混沌参数范围不连续,参数空间中存在许多周期窗口,混沌行为较脆弱等。当参数受到干扰时,会出现混沌行为容易消失、发生混沌退化的问题。而本发明通过以下步骤改进了现有的混沌映射关系式:初始化两个参数多项式、使用模运算将任意值折叠到一个固定的范围内以及从非线性多项式生成混沌映射。通过这样的改进,生成了具有鲁棒混沌性的二维混沌映射,弥补了现有混沌映射关系式中存在的缺点。这样的改进使得混沌映射关系式更加稳定和可靠,不容易受到参数干扰而失去混沌行为。
与现有技术相比,本发明至少具有以下有益技术效果:
(1)在本发明中,通过将视频数据的发送端和接收端进行异构网络连接,降低单路连接导致的事故频发风险,通过多链路并行传输视频数据,并基于现有链路的可用带宽设计了视频片段的链路分配方案,以链路最小占用数目对视频数据进行有序传输,最大程度的增加链路使用效率,提升视频数据传输质量,在解决单链路传输易失败的同时,避免并行传输易发生的传输混乱。
(2)在本发明中,通过结合马尔可夫决策算法和深度强化学习模型,以寻找视频播放卡顿时长和视频同步时延均最短为优化目标,在视频数据的传输过程中实时的调整视频数据的目标比特率,以适应网络吞吐量的变化,最大程度的保证视频数据的质量和流畅性,保证远程诊断的连续性和稳定性,并提高远程诊断过程的抗干扰能力。
(3)在本发明中,根据异构网络中不同链路的网络带宽和视频片段,确定接收端的最佳缓冲区占用长度,避免缓冲区设计不合理导致的视频播放延迟和视频数据丢失的情况,保证视频数据的连续性和稳定性,提高就诊效率和诊断结果准确性。
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。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种区域远程诊断系统,其特征在于,所述区域远程诊断系统包括视频编码服务器、视频决策模块和通过异构网络连接的发送端和接收端,其中,所述视频决策模块包括视频编码决策模块和视频片段分配模块;所述区域远程诊断系统还包括:
获取模块,用于获取视频数据,其中,所述视频数据包括多个视频片段;
第一计算模块,用于结合马尔可夫决策算法和深度强化学习模型,以视频播放卡顿时长和视频同步时延为优化目标,计算所述视频数据的目标比特率,并将所述视频数据按所述目标比特率进行处理;
确定模块,用于根据所述视频数据的属性,确定所述接收端的最佳缓冲区占用长度,其中,所述视频数据的属性包括所述视频数据的长度、所述视频片段的播放长度和所述视频数据的播放速度;
第二计算模块,用于获取所述异构网络中的每条链路的可用带宽,结合所述视频数据的目标比特率和所述每条链路的可用带宽,计算链路最小占用数目;
分配模块,用于根据所述链路最小占用数目和所述每条链路的可用带宽,为每个视频片段分配目标链路;
传输模块,用于将处理后的视频数据按所述目标链路传输至具有所述最佳缓冲区占用长度的接收端;
所述第一计算模块具体用于:
S1021:根据当前视频数据比特率、视频播放卡顿时长和视频同步时延,计算视频播放质量:
Q=vf(t)-x*rb(t)-y*e(t)-z*|vf(t)-vf(t-1)|
其中,Q表示所述视频播放质量,rb(t)表示所述视频播放卡顿时长,e(t)表示所述视频同步时延,x,y,z分别表示相应的切换幅度惩罚因子;
S1022:将所述视频播放质量作为奖励值,结合所述马尔可夫决策算法,构建最优决策模型;
S1023:通过所述深度强化学习模型,求解所述最优决策模型的最优决策方案,确定所述视频数据的目标比特率;
所述将所述视频播放质量作为奖励值,结合所述马尔可夫决策算法,构建最优决策模型,具体为:
S1022A:结合所述视频播放质量,确定回报函数:
其中,R(s,F)表示所述回报函数,F表示将状态空间S映射到动作空间A的策略函数,γ表示折扣因子,rt表示t时刻的所述视频播放质量,S0表示初始状态空间,包括视频播放卡顿时长和视频同步时延,P(S1|S0)表示马尔可夫条件转移概率,符号表示等价;
S1022B:根据所述回报函数,确定最优策略即所述最优决策模型:
其中,F*(S)表示最优策略函数。
2.根据权利要求1所述的区域远程诊断系统,其特征在于,所述通过所述深度强化学习模型,求解所述最优决策模型的最优决策方案,确定所述视频数据的目标比特率,具体为:
S1023A:将所述状态空间数据输入至所述深度强化学习模型,输出包括所有动作空间的向量:
其中,表示所述动作空间的向量,R(S,an)表示任一种可能的向量;
S1023B:确定包括所述动作空间的向量的所述深度强化学习模型的损失函数:
St={q(t),rb(t),e(t)}
at={v(t),th(t)}
其中,L(ωt)表示所述损失函数,表示所述深度强化学习模型目标R值,R(St,at,ωt)表示当前R值,St表示t时刻的状态空间,q(t)表示t时刻缓冲区占用长度;
S1023C:结合所述损失函数和所述回报函数,确定所述目标比特率:
R(t)=v(K)-x*rb(t)-y*e(t)-z*|v(K)-v(t-1)|
其中,v(K)表示所述目标比特率。
3.根据权利要求1所述的区域远程诊断系统,其特征在于,所述确定模块具体用于:
S1031:结合视频数据的属性,计算所述缓冲区占用长度:
q(tK)=q(tK-1)+TNK-λp*(tK-tK-1)
其中,q(tK)表示所述缓冲区占用长度,q(tK-1)表示所述视频数据K开始下载时刻的缓冲区占用长度,NK表示视频数据的长度即所述视频片段的数量,T表示所述视频片段的播放长度,λ表示所述视频数据的播放速度,p表示所述视频数据的正常播放速度,tK表示所述视频数据开始下载的时刻。
4.根据权利要求1所述的区域远程诊断系统,其特征在于,所述第二计算模块具体用于;
S1041:确定所述异构网络的最大可用链路数量;
S1042:计算链路最小占用数目:
其中,表示所述链路最小占用数目,L表示所述最大可用链路数量,i表示选择的链路标记,LK表示选择的链路,bi表示所述链路标记为i的链路可用带宽,NK表示所述视频数据的长度,V(K)表示所述视频数据的目标比特率。
5.根据权利要求4所述的区域远程诊断系统,其特征在于,所述分配模块具体用于:
S1051:建立包括所述选择的链路和所述视频数据的长度的视频片段分配矩阵:
其中,X表示所述视频片段分配矩阵;
S1052:对所述每条链路的可用带宽和所述视频片段进行排序;
S1053:选取序号最大的链路对序号靠前的视频片段进行传输;
S1054:寻找剩余的视频选段的传输链路:
其中,LK+1表示剩余的视频片段,m*表示所述剩余的视频选段选择的链路。
6.根据权利要求1所述的区域远程诊断系统,其特征在于,所述区域远程诊断系统还包括:
加密模块,用于生成公钥对所述处理后的视频数据进行加密;
解密模块,用于利用所述接收端的私钥对加密后的视频数据进行进行解密处理。
7.根据权利要求6所述的区域远程诊断系统,其特征在于,所述私钥和所述公钥的生成方法为:
生成两个大素数a和b,计算G=a×b以及
随机选择一个整数e,使得随机数e满足:
其中,表示随机数e与所述/>互质;
计算随机数e的逆元:
将(G,e)作为所述私钥,将(G,d)作为所述公钥。
8.根据权利要求7所述的区域远程诊断系统,其特征在于,所述私钥和所述公钥的生成方法还包括:
建立关于随机数e和逆元d的混沌映射关系式:
其中,n表示验证次数,λ1、λ2、λ3、λ4和λ5表示均为常数的控制参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310860003.1A CN116864153B (zh) | 2023-07-13 | 2023-07-13 | 一种区域远程诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310860003.1A CN116864153B (zh) | 2023-07-13 | 2023-07-13 | 一种区域远程诊断系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116864153A CN116864153A (zh) | 2023-10-10 |
CN116864153B true CN116864153B (zh) | 2024-04-26 |
Family
ID=88221265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310860003.1A Active CN116864153B (zh) | 2023-07-13 | 2023-07-13 | 一种区域远程诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116864153B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112911408A (zh) * | 2021-01-25 | 2021-06-04 | 电子科技大学 | 基于深度学习的智能视频码率调整及带宽分配方法 |
CN115633143A (zh) * | 2022-10-21 | 2023-01-20 | 天津大学 | 一种边端协同超分的自适应视频流传输系统 |
CN115695390A (zh) * | 2022-09-23 | 2023-02-03 | 昆明理工大学 | 一种基于移动边缘计算的矿山安全监控系统海量视频数据自适应流方法 |
CN116233088A (zh) * | 2022-11-16 | 2023-06-06 | 西安交通大学 | 基于端云协同的实时超分视频流传输优化方法 |
-
2023
- 2023-07-13 CN CN202310860003.1A patent/CN116864153B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112911408A (zh) * | 2021-01-25 | 2021-06-04 | 电子科技大学 | 基于深度学习的智能视频码率调整及带宽分配方法 |
CN115695390A (zh) * | 2022-09-23 | 2023-02-03 | 昆明理工大学 | 一种基于移动边缘计算的矿山安全监控系统海量视频数据自适应流方法 |
CN115633143A (zh) * | 2022-10-21 | 2023-01-20 | 天津大学 | 一种边端协同超分的自适应视频流传输系统 |
CN116233088A (zh) * | 2022-11-16 | 2023-06-06 | 西安交通大学 | 基于端云协同的实时超分视频流传输优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116864153A (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10798386B2 (en) | Video compression with generative models | |
CN109768987B (zh) | 一种基于区块链的数据文件安全隐私存储和分享方法 | |
CN108271048B (zh) | 一种兼顾吞吐量和视频缓冲的码率自适应调整装置和方法 | |
US11463750B2 (en) | Method and apparatus for transmitting adaptive video in real time using content-aware neural network | |
US9497243B1 (en) | Content delivery | |
CN110809771B (zh) | 用于机器学习模型的压缩和分发的系统和方法 | |
Lekharu et al. | Deep learning based prediction model for adaptive video streaming | |
Turkkan et al. | GreenABR: Energy-aware adaptive bitrate streaming with deep reinforcement learning | |
Huang et al. | Personalized QoE enhancement for adaptive video streaming: A digital twin-assisted scheme | |
CN103716596B (zh) | 图像处理装置和图像处理方法 | |
WO2022143987A1 (zh) | 树模型训练方法、装置和系统 | |
EP4383670A1 (en) | Wan optimization using probabilistic data filters | |
CN116864153B (zh) | 一种区域远程诊断系统 | |
US20060153373A1 (en) | System and method of transmission of generalized scalable bit-streams | |
WO2021170594A1 (en) | Method for playing on a player of a client device a content streamed in a network | |
Xu et al. | Fedabr: A personalized federated reinforcement learning approach for adaptive video streaming | |
Lu et al. | Deep-reinforcement-learning-based user-preference-aware rate adaptation for video streaming | |
CN114245225B (zh) | 用于经由内容分发网络流式传输媒体数据的方法及系统 | |
KR102160294B1 (ko) | 비밀 키에 대한 정족수 설계를 수행하는 장치 및 방법 | |
JPWO2017018072A1 (ja) | 配信レート選択装置、配信レート選択方法、及びプログラム | |
Huang et al. | Predictive and robust field-of-view selection for virtual reality video streaming | |
US20240187476A1 (en) | Wan optimization for encrypted data traffic using fully homomorphic encryption | |
US20240187227A1 (en) | Wan optimization for encrypted data traffic using fully homomorphic encryption | |
EP4383676A1 (en) | Wan optimization using probabilistic data filters | |
Cai et al. | A multi-objective optimization approach to resource allocation for edge-based digital twin |
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 |