视频卡顿模型训练方法、预测方法、服务器及存储介质技术

本发明专利技术公开了一种视频卡顿模型训练方法、预测方法、服务器及存储介质，属于视频技术领域。该训练方法包括：采集用户的视频码流数据，并记录卡顿时间区间；对视频数据计算下载速率序列，并标注播放状态标签；将下载速率序列按预设的时间单位进行分割为区间，将每个区间作为一个单独样本计算速率波形特征；利用机器学习分类法对计算出的速率波形特征进行训练，得到视频卡顿模型。本发明专利技术实施例采用机器学习分类法将正常和卡顿区间的速率波形进行采样训练，得到卡顿模型，然后根据训练的卡顿模型对更多的网络视频的卡顿现象进行在线预测，协助提升网络质量。特别适用于加密视频。

Training method, prediction method, server and storage medium of video Caton model

【技术实现步骤摘要】
视频卡顿模型训练方法、预测方法、服务器及存储介质
本专利技术涉及视频
，尤其涉及一种视频卡顿模型训练方法、卡顿预测方法、服务器及存储介质。
技术介绍
随着互联网技术的快速发展，越来越多的用户会观看网络视频。同时，出于数据安全性和用户隐私保护的考虑，加密视频流量在互联网中的占比也越来越高。比如YOUTUBE，海外最主流的视频播放软件，其播放的视频内容全部都是加密视频流量。加密视频流量也会带来问题，用户在使用观看网络视频时，如果网络出现问题，可能会造成视频播放不流畅或者无法播放。因为视频为加密流量，运营商服务器无法获取码率等信息，又无法通过传统的DPI(DeepPacketInspection，深度包检测技术)方法感知用户体验。因此，运营商服务器无法分析用户在观看加密视频播放过程中的卡顿现象，导致不能更好的提升网络质量。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种视频卡顿模型训练方法、卡顿预测方法、服务器及存储介质，以解决运营商服务器无法分析用户在观看加密视频播放过程中的卡顿现象，导致不能更好的提升网络质本文档来自技高网...

【技术保护点】
1.一种视频卡顿模型训练方法，其特征在于，该方法包括：/n采集用户的视频码流数据，并记录卡顿时间区间；/n对视频数据计算下载速率序列，并标注播放状态标签；/n将下载速率序列按预设的时间单位进行分割为区间，将每个区间作为一个单独样本计算速率波形特征；/n利用机器学习分类法对计算出的速率波形特征进行训练，得到视频卡顿模型。/n

【技术特征摘要】
1.一种视频卡顿模型训练方法，其特征在于，该方法包括：
采集用户的视频码流数据，并记录卡顿时间区间；
对视频数据计算下载速率序列，并标注播放状态标签；
将下载速率序列按预设的时间单位进行分割为区间，将每个区间作为一个单独样本计算速率波形特征；
利用机器学习分类法对计算出的速率波形特征进行训练，得到视频卡顿模型。


2.根据权利要求1所述的视频卡顿模型训练方法，其特征在于，所述将每个区间作为一个样本计算速率波形特征，具体包括：计算每个区间内下载速率序列的分位数比值、变异系数、峰度系数和编码均值。


3.根据权利要求2所述的视频卡顿模型训练方法，其特征在于，计算每个区间内下载速率序列的分位数比值、变异系数和编码均值，具体包括按以下方式计算：
设q25为下载速率序列q的0.25分位数，q50为0.5位数，q75为0.75分位数，如果q50-q25等于0，那么分位数比值等于5000，否则分位数比值＝1.0*(q75-q50)/(q50-q25)，其中，q表示下载速率序列；
变异系数＝下载速率序列q的标准差/下载速率序列q的平均值；
编码均值＝速率量化编码后的均值。


4.根据权利要求1所述的视频卡顿模型训练方法，其特征在于，利用机器学习分类法对所述计算出的速率波形特征进行训练，得到视频卡顿模型，具体包括：
选取样本总量第一比例的数据作为机器学习的训练集，使用分类方法进行训练，得到视频卡顿模型；
使用样本总量第二比例的数据作为测试集，验证所述视频卡顿模型的效果。


5.根据权利要求1-4任意一项权利要求所述的视频卡顿模型训练方法，其特征在于，所述预设的时间单位包括：10-40秒中的任一值，所述机器学习分类法包括：梯度提成分类法以...

【专利技术属性】
技术研发人员：成云飞，陈雨，单家伟，
申请(专利权)人：中兴通讯股份有限公司，
类型：发明
国别省市：广东;44