面向实时视频质量优化的深度混合模型流量控制方法、装置和存储介质制造方法及图纸

本发明专利技术提供一种面向实时视频质量优化的深度混合模型流量控制方法、装置和存储介质，该方法包括：实时获得网络传输数据包的网络信息状态，从中获得第一特征集合，输入至训练好的第一智能拥塞控制模型，以从该模型的特征层输出概率特征向量，该模型为利用基于固定映射规则的拥塞控制算法的预测结果作为标签训练得到的；基于网络信息状态获得第二特征集合，输入至在线训练的基于强化学习的第二智能拥塞控制模型，从该模型的特征层输出概率特征向量；对第一智能拥塞控制模型输出的概率特征向量进行强化操作；将经强化的概率特征向量与第二智能拥塞控制模型输出的概率特征向量进行融合；基于融合后的概率特征向量获得预测码率，进行流量控制。进行流量控制。进行流量控制。

【技术实现步骤摘要】
面向实时视频质量优化的深度混合模型流量控制方法、装置和存储介质


[0001]本专利技术涉及视频网络传输
，尤其涉及一种面向实时视频质量优化的深度混合模型流量控制方法、装置和存储介质。

技术介绍

[0002]网络传输协议(拥塞控制算法)已具有30多年的研究历史，用于通过预测(估计) 下一时刻的码率来进行视频传输流量的实时控制。随着近年来互联网应用的迅猛发展，传统的传输协议已经不能满足实时视频应用的需求，如大带宽、低延迟、高清晰度等需求。当前传统的(非智能)视频传输协议，大都存在“杂而不精”的问题，且会对网络的预先情况设置一系列的假设条件，当这些假设与新的网络环境不匹配时，算法性能会显著下降，可能会直接导致视频用户体验质量的不足，如过高的码率估计会引发视频的高缓存、卡顿等现象发生。换句话说，传统的码率预测算法，可能只适用于某些网络情况，而在不适用的网络环境下表现较差。另一方面，近年来，现代的基于学习的智能网络协议表现出算法自适应的优势，但是容易存在收敛性和不可预测性等问题。本专利技术的专利技术人发现，直接使用智能算法在真实系统运行时，容易引发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向实时视频质量优化的深度混合模型流量控制方法，其特征在于，该方法包括以下步骤：实时获得网络传输数据包的网络信息状态；基于所述网络信息状态获得第一特征集合，将所述第一特征集合输入至训练好的基于神经网络的第一智能拥塞控制模型，以从所述第一智能拥塞控制模型的特征层输出概率特征向量，其中，所述第一智能拥塞控制模型为利用基于固定映射规则的预设拥塞控制算法得到的预测码率作为标签训练得到的；基于所述网络信息状态获得第二特征集合，将所述第二特征集合输入至在线训练的基于强化学习的第二智能拥塞控制模型，以从所述第二智能拥塞控制模型的特征层输出概率特征向量，所述第二智能拥塞控制模型为与所述基于固定映射规则的预设拥塞控制算法不相关的预先建立的拥塞控制模型；将所述第一智能拥塞控制模型的概率特征向量与所述第二智能拥塞控制模型的特征层输出的概率特征向量进行融合，得到融合后的概率特征向量；基于所述融合后的概率特征向量获得目标决策码率值，基于所述目标决策码率值进行流量控制。2.根据权利要求1所述的方法，其特征在于，在将所述第一智能拥塞控制模型的概率特征向量与所述第二智能拥塞控制模型的特征层输出的概率特征向量进行融合之前，所述方法还包括：对所述第一智能拥塞控制模型的特征层输出的概率特征向量进行强化操作，以加强所述第一智能拥塞控制模型在检测到带宽下降趋势时的注意力反馈；所述将所述第一智能拥塞控制模型的概率特征向量与所述第二智能拥塞控制模型的特征层输出的概率特征向量进行融合，得到融合后的概率特征向量包括：将所述第一智能拥塞控制模型的经强化的概率特征向量与所述第二智能拥塞控制模型的特征层输出的概率特征向量进行基于注意力机制的融合，得到融合后的概率特征向量。3.根据权利要求1所述的方法，其特征在于，所述网络信息状态包括：丢包率、延时间隔、延迟以及接收端吞吐量；所述第一特征集合与所述第二特征集合相同，为所述网络信息状态中的部分或全部特征。4.根据权利要求1所述的方法，其特征在于，所述网络信息状态包括：丢包率、延时间隔、延迟以及接收端吞吐量；所述第一特征集合与所述第二特征集合不相同，所述第一特征集合包括丢包...

【专利技术属性】
技术研发人员：马华东，周安福，张欢欢，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：