本发明专利技术涉及一种通信网络，尤其涉及一种各网络带宽媒体内容传输的技术领域。本发明专利技术涉及一种轻量化自适应码率下的媒体内容的传输方法，传输方法包括：对各类带宽等级下的原始自适应码率模型进行训练，得到适合于各类带宽等级的原始自适应码率子模型；采用决策树架构对各类带宽等级的原始自适应码率子模型进行训练，得到对应的多个有监督学习模型；根据当前网络带宽统计特性，选择适应于当前网络状况的有监督学习模型，以根据其对应的码率决策来传输媒体内容。本发明专利技术能够更好地应对传输网络动态特性。同时，基于数据驱动的方式进行模型训练，得到轻量化的有监督学习决策树模型，从而降低算法部署的计算和空间开销。降低算法部署的计算和空间开销。降低算法部署的计算和空间开销。
【技术实现步骤摘要】
一种轻量化自适应码率下的媒体内容的传输方法及系统
[0001]本专利技术涉及一种通信网络，尤其涉及一种各网络带宽媒体内容传输的
技术介绍
[0002]随着互联网传输流量中视频流量所占比例的日益提升以及用户对于媒体质量要求的日渐增加，视频内容提供商越来越注重提升视频传输的质量以保证高用户主观体验质量，其中主要用到的一种方案就是自适应码率传输算法，即综合考虑传输网络历史吞吐率状况及用户端播放器状态，动态地为未来视频内容选择合适的传输码率，而不是以恒定的码率进行视频内容的传输，从而在保证用户观看视频高质量的同时，减少视频卡顿次数，降低传输时延，提升视频平滑度。目前视频内容提供商所采用的码率自适应传输算法主要可分为两类：传统启发式算法及基于数据驱动的算法。
[0003]然而，传输网络具有高动态特性，并且随着接入用户数量的不断上升以及网络流量的急剧增长，传输网络环境也正变得越来越复杂。现有的码率自适应传输算法(传统启发式算法或基于数据驱动的算法)，在选取特定模型或模型参数后，都只能针对某种网络状况时达到较优的效果，当网络因为波动而出现完全不同的吞吐率状况时，即当客户端播放器遇到完全不同的吞吐率状况时，固定参数/模型的码率自适应算法则无法取得较优的效果。
[0004]无论是采用传统启发式算法，还是采用基于数据驱动的算法，在进行媒体内容的码率自适应传输时(按需视频或实时直播视频)，都无法根据传输网络吞吐率状况实时进行参数调整或模型切换，因此也就很难在网络状况出现波动时保持较优的决策效果。此外，现实生活中的媒体传输网络通常具有高动态特性，且媒体播放器广泛部署在移动客户端之中，即客户端媒体播放器不可避免地会经历完全不同的网络吞吐率状况。因此，考虑到单一码率自适应模型或固定模型参数在应对网络动态特性时存在的不足，以及客户端播放器所处网络吞吐率状况时变的属性，需要针对码率自适应传输提出一种基于网络状况自动进行模型切换的方案。
[0005]此外，由于自适应码率传输算法(尤其基于数据驱动的算法)存在一定的计算与部署开销，线上系统资源有限，会阻碍算法的实际线上部署以及码率决策的效率。
技术实现思路
[0006]针对目前上述存在的上述问题，本专利技术提供一种轻量化自适应码率下的媒体内容的传输方法及系统。
[0007]本专利技术解决技术问题所采用的技术方案为：
[0008]一种轻量化自适应码率下的媒体内容的传输方法，所述传输方法包括：
[0009]对各类带宽等级下的原始自适应码率模型进行训练，得到适合于各类带宽等级的原始自适应码率子模型；
[0010]采用决策树架构对各类带宽等级的原始自适应码率子模型进行训练，得到对应的多个有监督学习模型；
[0011]根据当前网络带宽统计特性，选择适应于当前网络状况的有监督学习模型，以根据其对应的码率决策来传输媒体内容。
[0012]优选地，所述码率决策的方法包括：
[0013]根据所述有监督学习模型输入的网络状态值和客户端播放器的状态值来做出码率决策。
[0014]优选地，所述得到对应的多个有监督学习模型的方法包括：
[0015]提取“(网络状态值+客户端播放器状态值)
‑
模型码率决策”数据对，并以该数据对作为指导，从而训练得到轻量化的有监督学习模型。
[0016]优选地，根据网络带宽的统计特性来划分各个带宽等级。
[0017]优选地，在做出所述码率决策之前，还包括：
[0018]接收来自客户端播放器处的网络状况信息、播放器缓冲信息等，并基于上述信息以及有监督学习模型，做出传输码率决策。
[0019]一种轻量化自适应码率下的媒体内容的传输系统，所述传输系统包括自适应码率传输服务器，所述自适应码率传输服务器实现以下功能：
[0020]对各类带宽等级下的原始自适应码率模型进行训练，得到适合于各类带宽等级的原始自适应码率子模型；
[0021]采用决策树架构对各类带宽等级的原始自适应码率子模型进行训练，得到对应的多个有监督学习模型；
[0022]根据当前网络带宽统计特性，选择适应于当前网络状况的有监督学习模型，以根据其对应的码率决策来传输媒体内容。
[0023]优选地，所述码率决策的方法包括：
[0024]根据所述有监督学习模型输入的网络状态值和客户端播放器的状态值来做出码率决策。
[0025]优选地，所述得到对应的多个有监督学习模型的方法包括：
[0026]提取“(网络状态值+客户端播放器状态值)
‑
模型码率决策”数据对，并以该数据对作为指导，从而训练得到轻量化的有监督学习模型。
[0027]优选地，根据网络带宽的统计特性来划分各个带宽等级。
[0028]优选地，在做出所述码率决策之前，还包括：
[0029]所述自适应码率传输服务器接收来自客户端播放器处的网络状况信息、播放器缓冲信息等，并基于上述信息以及有监督学习模型，做出传输码率决策。
[0030]本专利技术的有益效果：本专利技术基于有监督学习模型进行码率自适应传输中的码率决策，能够更好地应对传输网络动态特性。同时，基于数据驱动的方式进行模型训练，得到轻量化的有监督学习决策树模型，从而降低算法部署的计算和空间开销。
附图说明
[0031]图1为本专利技术的一种实施例的系统框图。
具体实施方式
[0032]下面结合附图和具体实施例对本专利技术作进一步说明，但不作为本专利技术的限定。
[0033]本专利技术主要针对目前媒体码率自适应传输时，单一码率自适应模型或固定模型参数无法较好地应对传输网络高动态特性，即难以在多种不同的传输网络吞吐率状况下均取得较优决策效果的问题，以及自适应模型部署与计算开销较大的问题，提出并设计了一种在码率自适应传输中自动进行模型切换的方案，利用所接收到的传输网络吞吐率状况的统计特性，预测和判定网络未来的吞吐率状况，进而自动为码率自适应算法选择合适于某种网络状况的模型或参数，使得码率自适应算法在高动态特性网络中的码率决策能够获得较优的用户体验质量；同时，提出并设计了一种自适应码率传输模型的轻量化处理方案，在传统自适应码率模型训练完成之后，利用“输入状态值(网络状态值+客户端播放器状态值)
‑
模型码率决策”数据对作为指导，训练轻量化的有监督学习决策树模型，从而得到轻量化的自适应码率决策模型，减小部署开销，加快决策速度。
[0034]本专利技术的一种实施例，一种轻量化自适应码率下的媒体内容的传输方法，该传输方法包括：
[0035]对各类带宽等级下的原始自适应码率模型进行训练，得到适合于各类带宽等级的原始自适应码率子模型；
[0036]采用决策树架构对各类带宽等级的原始自适应码率子模型进行训练，得到对应的多个有监督学习模型；
[0037]根据当前网络带宽统计特性，选择适应于当前网络状况的有监督学习模型，以根据其对应的码率决策来传输媒体内容。
[0038]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种轻量化自适应码率下的媒体内容的传输方法，其特征在于，所述传输方法包括：对各类带宽等级下的原始自适应码率模型进行训练，得到适合于各类带宽等级的原始自适应码率子模型；采用决策树架构对各类带宽等级的原始自适应码率子模型进行训练，得到对应的多个有监督学习模型；根据当前网络带宽统计特性，选择适应于当前网络状况的有监督学习模型，以根据其对应的码率决策来传输媒体内容。2.根据权利要求1所述的轻量化自适应码率下的媒体内容的传输方法，其特征在于，所述码率决策的方法包括：根据所述有监督学习模型输入的网络状态值和客户端播放器的状态值来做出码率决策。3.根据权利要求1或2所述的轻量化自适应码率下的媒体内容的传输方法，其特征在于，所述得到对应的多个有监督学习模型的方法包括：提取“(网络状态值+客户端播放器状态值)
‑
模型码率决策”数据对，并以该数据对作为指导，从而训练得到轻量化的有监督学习模型。4.根据权利要求1所述的轻量化自适应码率下的媒体内容的传输方法，其特征在于，根据网络带宽的统计特性来划分各个带宽等级。5.根据权利要求1所述的轻量化自适应码率下的媒体内容的传输方法，其特征在于，在做出所述码率决策之前，还包括：接收来自客户端播放器处的网络状况信息、播放器缓冲信息等，并基于上述信息以及有监督学习模型，做出传输码率决策。6.一种轻量化自适应码率下的媒体内容的传输系统，其特征在于，所述传输系统包括自适应码率传输服务器，所述自适应码率传输服务器实现以下功能：对各类带宽等级下的原始自适应码率模型进行训练，得到适合于各类带宽等级的原始自适应码率子模型；采用决策树架构对各类带宽等级的原始自适应码率子模型进行训练，得到对应的多个有监督学习模型；根据当前网络带宽统计特性，选择适应于当前网络状况的有监督学习模型，以根据其对应的码率决策来传输媒体内容。7.根据权利要求6所述的轻量化自适应码率下的媒体内容的传输系统，其特征在于，所...
【专利技术属性】
技术研发人员：徐异凌，张文军，管云峰，柳宁，殷骄阳，张超，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。