[发明专利]基于深度学习的智能视频码率调整及带宽分配方法

说明书

本发明公开了一种基于深度学习的智能视频码率调整及带宽分配方法，构建码率分配神经网络，其输入为包括可用带宽归一化值、用户缓存视频时长归一化值和用户活跃状态的状态向量，其输出为每个用户的码率分配方案向量；设置若干用户状态和可用带宽场景以获取训练样本，对码率分配神经网络进行训练；在每个决策时隙到来时，获取状态向量输入至训练好的码率分配神经网络，得到码率分配方案，再根据码率分配方案和当前可用带宽确定每个用户所占用的带宽，完成带宽分配。本发明利用神经网络推断过程执行速度快的特点，快速求解码率和带宽分配方案，提高时效及准确性。

技术领域

本发明属于通信技术领域，更为具体地讲，涉及一种基于深度学习的智能视频码率调整及带宽分配方法。

背景技术

近年来，视频流业务量急剧增加，并已占据整个互联网业务的主要部分。为了适应动态网络条件并提供更好的服务质量，大多数视频服务提供商已部署了基于HTTP的动态自适应流(Dynamic Adaptive Streaming over HTTP，DASH)方案。在DASH方案中，视频文件被分为多个固定段长度(以秒为单位)的分段。视频的每个分段可以使用不同的比特率编码为不同的副本，并且每个比特率对应于特定的视频帧率和分辨率。客户端可以根据估计的当前网络状况来自适应地请求下一个段的比特率(不同的帧率和分辨率)。

然而，随着DASH的广泛部署和视频需求的快速增长，在同一瓶颈链路上，多个DASH流竞争带宽资源的情况变得越来越普遍。在多DASH流竞争同一瓶颈链路的情况下，已有的自适应码率调整算法有以下缺点：1)每个客户端在不知道其他客户端存在的情况下，独立地做出比特率自适应决策，缺乏客户端之间的协作；2)客户端只能在应用层探测物理带宽，缺乏准确的网络带宽信息。这导致：1)用户的体验质量较低，比如视频播放卡顿次数增加；2)不同用户的服务体验质量差距较大。

一种可行的解决方法是在瓶颈链路控制器处部署中心控制的码率和带宽分配方案。目前已有学者对这种方法进行了数学建模，其数学模型如下：

Subject to:

其中，A、B、C、a为可根据实际情况进行调整的系数，r_i,k为第k个时隙用户i所被分配的码率，ω_i,k为第k个时隙用户i所被分配的带宽，β_i,k表示第k个时隙用户i保证视频播放不卡顿所需的最低带宽，b_i,k为第k个时隙用户i缓存中的视频时长，π为单位决策时隙，W_k为第k个时隙的可用带宽。分别表示码率、缓存剩余、所有用户码率的标准差对用户服务质量的贡献，此模型保证用户在接下来单位时隙内，能观看码率尽可能高的视频服务，且所有用户视频不会发生卡顿，有更多的视频缓存，同时用户间服务质量的公平性较高。

但是目前已证明该问题为NP难问题，不能保证多项式时间内完成求解，无法适应现阶段时延敏感的用户业务需求。因此，迫切需要一个能快速有效求解此问题的方案。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于深度学习的智能视频码率调整及带宽分配方法，利用神经网络推断过程执行速度快的特点，快速求解码率和带宽分配方案，提高时效及准确性。

为实现上述发明目的，本发明基于深度学习的智能视频码率调整及带宽分配方法包括以下步骤：

S1：记接入核心网络的瓶颈链路控制器所控制的可同时请求DASH业务流的最大用户数量为N，根据实际情况设置M个用户可选码率档位，码率档位的序号越大码率越高；