一种基于网络异常预测的视频清晰度选择方法及装置

技术领域

本申请实施例涉及计算机技术领域，尤其涉及一种基于网络异常预测的视频清晰度选择方法、一种基于网络异常预测的视频清晰度选择装置、电子设备及存储介质。

背景技术

随着移动互联网和智能手机的普及，流媒体视频观看已经成为人们日常娱乐生活中不可缺少的一部分。在视频播放时选择符合当前网络状况的视频清晰度，能够在保证视频清晰度的前提下，减少视频下载时间并且降低视频播放卡顿率，从而优化用户观看体验。在短视频播放场景中，由于视频时间较短，一个视频往往仅为一个文件，因此选择合适的视频码率对用户的观看体验影响很大。同时，短视频观看往往是在移动客户端场景，由于用户的环境变化等因素，会出现与历史网络状况差别很大的异常网络状况。

现有公开的发明技术中，往往仅根据用户的历史下载速度，或根据带宽利用率、历史基础网络数据，结合简单的公式计算来对当前视频播放时的下载速度进行估计。这些方法存在以下不足：一是用下载速度等特征简单地表示网络状况，并根据这些特征作为判断依据进行清晰度选择，无法预测到短视频移动客户端场景下突现的异常网络状况；二是所用的历史信息较为单一，没有利用包括用户历史观看行为以及客户端信息在内的更多维度的特征信息进行预测，模型特征有限；三是算法模型较为简单，不能对特征进行高维度的信息提取；同时模型参数的选择存在主观性，不能根据训练数据集学习到不同的网络特征信息。

发明内容

本申请实施例提供一种基于网络异常预测的视频清晰度选择方法、基于网络异常预测的视频清晰度选择装置、电子设备及存储介质，以实现结合网络异常预测情况及时对播放视频的清晰度进行调整，避免观看时卡顿并提高用户观看体验。

在第一方面，本申请实施例提供了一种基于网络异常预测的视频清晰度选择方法，包括：

接收用户通过客户端发送的视频数据播放请求，基于所述视频数据播放请求确定目标视频数据，所述视频数据播放请求携带有目标播放码率；

根据所述视频数据播放请求以及目标视频数据获取用户播放所述目标视频数据时的播放特征数据；所述播放特征数据包括视频下载速度、用户信息、播放信息、视频信息、底层网络信息中的至少一种；

将所述播放特征数据输入预先训练的网络异常预测模型中预测网络状态数据；所述网络状态数据包括异常状态和正常状态；

基于网络状态数据按照预设选择规则选择目标视频数据的播放码率。

在第二方面，本申请实施例提供了一种基于网络异常预测的视频清晰度选择装置，包括：

播放请求接收模块：用于接收用户通过客户端发送的视频数据播放请求，基于所述视频数据播放请求确定目标视频数据，所述视频数据播放请求携带有目标播放码率；

特征数据采集模块：用于根据所述视频数据播放请求以及目标视频数据获取用户播放所述目标视频数据时的播放特征数据；所述播放特征数据包括视频下载速度、用户信息、播放信息、视频信息、底层网络信息中的至少一种；

网络状态输出模块：用于将所述播放特征数据输入预先训练的网络异常预测模型中预测网络状态数据；所述网络状态数据包括异常状态和正常状态；

清晰度选择模块：用于基于网络状态数据按照预设选择规则选择目标视频数据的播放码率。

在第三方面，本申请实施例提供了一种计算机设备，包括：存储器以及一个或多个处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的一种基于网络异常预测的视频清晰度选择方法。

在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的一种基于网络异常预测的视频清晰度选择方法。

本申请实施例通过大量数据预先对网络异常预测模型进行训练，并根据用户在客户端所发生的视频数据播放请求确定目标视频数据和目标播放码率，基于视频数据播放请求以及目标视频数据获得用户播放目标视频数据时的播放特征数据，将该播放特征数据输入至网络异常预测模型中获得网络状态数据，从而基于该网络状态数据可以进行视频清晰度的选择，从而在网络状态异常时自动降低视频清晰度以减少视频播放时的卡顿现象，在网络状态正常时选择较高清晰度的视频文件提供用户的画质体验，整体上提升用户的观看体验。

附图说明

图1是本申请实施例提供的一种基于网络异常预测的视频清晰度选择方法的流程图；

图2是本申请实施例提供的一种基于网络异常预测的视频清晰度选择装置的结构示意图；

图3是本申请实施例提供的一种计算机设备的结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

本申请实施例提供了一种基于网络异常预测的视频清晰度选择方法、基于网络异常预测的视频清晰度选择装置、计算机设备及存储介质。本申请实施例通过大量数据预先对网络异常预测模型进行训练，并根据用户在客户端所发生的视频数据播放请求确定目标视频数据和目标播放码率，基于视频数据播放请求以及目标视频数据获得用户播放目标视频数据时的播放特征数据，将该播放特征数据输入至网络异常预测模型中获得网络状态数据，从而基于该网络状态数据可以进行视频清晰度的选择，从而在网络状态异常时自动降低视频清晰度以减少视频播放时的卡顿现象，在网络状态正常时选择较高清晰度的视频文件提供用户的画质体验，整体上提升用户的观看体验。

图1给出了本申请实施例提供的基于网络异常预测的视频清晰度选择方法的流程图，本申请实施例提供的基于网络异常预测的视频清晰度选择方法可以由基于网络异常预测的视频清晰度选择装置来执行，该基于网络异常预测的视频清晰度选择装置可以通过硬件和/或软件的方式实现，并集成在计算机设备中。

下述以基于网络异常预测的视频清晰度选择装置执行基于网络异常预测的视频清晰度选择方法为例进行描述。参考图1，该基于网络异常预测的视频清晰度选择方法包括：

S101：接收用户通过客户端发送的视频数据播放请求，基于所述视频数据播放请求确定目标视频数据，所述视频数据播放请求携带有目标播放码率。

在本申请实施例中，用户客户端可能的载体是终端，终端可以是任意一种智能设备，包括智能手机、台式计算机、笔记本电脑、屏蔽电脑、智能手表等。容易理解的是，在本申请实施例中，承载在智能设备上的客户端为传输系统架构中的应用层，在本实施例中通常为视频客户端，例如直播平台、短视频平台等。

作为本申请实施例的一个应用场景，可以是应用在短视频平台场景下，用户通过短视频客户端请求播放短视频时，短视频客户端向服务器发送请求信息，服务器响应于该请求信息并根据短视频客户端已经接入的网络选择目标视频数据发送到短视频客户端进行播放。目标播放码率用于表达用户所请求的目标视频数据的所意愿或者是所期待的播放码率或者历史带宽所允许的最高码率，码率也即是视频的比特率，指每秒传送的比特数，当比特率越高，每秒所传送的数据就越多，画质就越清晰。因此当选择更高的播放码率，也意味着选择清晰度更高的视频文件。

S102：根据所述视频数据播放请求以及目标视频数据获取用户播放所述目标视频数据时的播放特征数据。

在本申请实施例中，用户登录客户端，往往需要进行用户的账户认证。用户使用的客户端的承载体智能设备往往具有设备型号，用户提出视频数据播放请求时，同时可以获得当前网络类型。用户通过客户端发送视频数据播放请求时，该视频数据播放请求携带着指定的目标视频数据，因此在结合视频数据播放请求和目标视频数据时获取播放特征数据。

需要说明的是，在本申请实施例中，由于需要先接收用户的视频数据播放请求，确定目标视频数据之后，可能需要先行对目标视频数据进行播放，这里对目标视频数据的播放主要是为了获取播放特征数据。即使是先行对目标视频数据进行播放的情况下，对目标视频数据的播放时长可能仅仅是一瞬间。

本申请实施例中，播放特殊数据可以被理解为短视频客户端播放视频数据时的网络特征数据，例如客户端接收到的短视频数据的文件大小、接收短视频数据的传输时间、下载速度等等。具体而言，在本实施例中播放特征数据可以包括视频下载速度、用户信息、播放信息、视频信息、底层网络信息中的至少一种。视频下载速度可以理解为用户的客户端接收视频数据时的传输速度，可基于用户的目标视频数据、用户信息等计算获得，也可能是直接对目标视频数据进行极短时间的实际播放而获得的数值。

S103：将所述播放特征数据输入预先训练的网络异常预测模型中预测网络状态数据；所述网络状态数据包括异常状态和正常状态。

本申请实施例中，通过预先构建网络异常预测模型，基于该网络异常预测模型对用户客户端当前的实际网络状态数据进行预测，并根据预测结果进行后续清晰度的选择。

具体的，在本申请中，预先训练网络异常预测模型通过以下方式：

获取用户历史播放视频数据时的播放特征数据和网络状态数据；采用所述播放特征数据作为输入特征、采用所述网络状态数据作为输出特征训练网络异常预测模型。

本申请实施例中，用户历史播放视频数据时，可以是通过同一个客户端或者视频平台播放短视频数据，例如用户在同一个直播平台播放过一定数量的短视频数据，也可以是用户通过同一个客户端或者视频平台播放长影片数据。其中，所播放的视频数据的格式包括但不限于RM、RMVB、AVI、FLV、MP4。本申请对采集的用户历史播放的视频数据的长度、格式不加以限定。

网络状态数据包括异常状态和正常状态，若出现异常记为1，否则记为0，作为监督式训练的模型预期输出值。

为了保证网络异常预测模型能够有足够多类型的素材输入，以保证所训练的模型能够在之后的使用场景中应对各种复杂的网络环境和用户行为，实现更加准确的预测是否会出现网络异常，本申请实施例的所述播放特征数据包括视频下载速度、用户信息、播放信息、视频信息、底层网络信息中的至少一种。

其中，所述用户信息包括用户国家、ISP信息、设备型号、操作系统及网络类型中的至少一种；所述播放信息包括用户的观看时长、卡顿次数、卡顿时长、等待开播时长、预下载比例、缓存区占比；所述视频信息包括视频时长、视频码率；所述网络信息包括当前的播放视频数据是否复用TCP链接、往返时延及丢包率；所述网络状态数据的异常状态包括用户切换网络类型、链接请求超时、链接断开。

作为进一步优选的实施方式，采用所述播放特征数据作为输入特征，包括：对所述播放特征数据进行标准化处理，将标准化处理后的播放特征数据作为输入特征。

而标准化的处理过程包括：提取播放特征数据中的数值特征数据和非数值特征数据；根据预设的特征编码将非数值特征数据转换为数值特征数据；将所述数值特征数据处理为标准正态分布数据，并将所述标准正态分布数据作为输入特征。

在上述标准化处理过程中，具体根据以下公式对所述数值特征数据处理为标准正态分布数据：

其中，x为所述数值特征数据，x

在本实施例中，对于非数值特征数据，例如用户国家、网络类型、设备型号、ISP(Internet Service Provider，互联网服务提供商)信息等，先转换为数值特征。

本申请中，采用所述播放特征数据作为输入特征、采用所述网络状态数据作为输出特征训练网络异常预测模型，包括以下方案：

确定初始化的网络异常预测模型。将多个用户历史的标准正态分布数据作为多个训练样本依次输入至初始化的网络异常预测模型进行训练，使得当前输入标准正态分布数据训练得到的网络预测模型总为上一次输入标准正态分布数据训练得到的网络预测模型与当前决策树的叠加；每一次输入标准正态分布数据均记录一次训练样本标签。其中，所述当前决策树包括当前输入的标准正态分布数据和决策树参数，所述决策树参数根据预设的损失函数以及训练样本标签计算获得。

本申请实施例以提升树模型为例，提升树模型可以表示为：

其中，

提升树模型的线下训练方法包括：

首先确定初始提升树为：

当执行到第m步时，模型表达为：

通过经验风险极小化确定第m个决策树参数Θ

其中，y

本身实施例中通过线上收集数据，线下进行训练，机器学习模型能够有效利用更多维度的特征信息，解决了特征信息较为单一的问题。同时，用机器学习模型拟合复杂的高阶函数，解决了一般方法模型简单，预测性能较差的问题。

训练好网络异常预测模型时，则可以输入用户的播放特征数据进行网络状态数据的预测。在实际应用中，当用户通过客户端提出视频数据播放请求时，假设是请求播放短视频，由于短视频的数据量通常较小，可通过数据包进行编码打包发送。而当请求播放长视频时，由于长视频数据量通常较大，可对数据分为多个数据包进行编码打包发送。

作为本申请实施例的优选方案，本实施例进一步对训练好的网络异常预测模型进行定期更新，每一次更新后将新的网络异常预测模型部署在后台服务器，从而使得网络异常预测模型能够总是符合最新的训练样板数据，避免旧模型因网络状况随时间变化而引发的预测性能下降的问题。本申请用数据驱动的方式，解决了传统算法模型参数存在主观性的问题。

具体而言，更新所述网络异常预测模型的方式包括每隔预设时间间隔获取一次所述预设时间间隔内用户历史播放视频数据时的第一播放特征数据和第一网络状态数据；采用所述第一播放特征数据作为新的输入特征、采用所述第一网络状态数据作为新的输出特征训练网络异常预测模型。预设时间间隔例如可以是一个月。本实施例中，第一播放特征数据包括视频下载速度、用户信息、播放信息、视频信息、底层网络信息中的至少一种，网络状态数据同样包括异常状态和正常状态。

S104：基于网络状态数据按照预设选择规则选择目标视频数据的播放码率。

本申请基于网络状态预测模型获得预测的网络状态数据，针对网络状态数据的不同而选取目标视频数据的清晰度，也即是选择目标视频数据的播放码率。

本申请实施例中，上述中的预设选择规则为：当预测的网络状态数据为正常时，选择目标视频数据的播放码率至少与目标播放码率一致，例如，用户的目标视频数据对应的目标播放码率为100kb/s，当网络状态数据为正常时，可以选择播放码率为100kb/s，也可以选择播放码率大于100kb/s；当预测的网络状态数据为异常时，选择目标视频数据的播放码率低于目标播放码率。

即是当网络状态数据为异常状态时，表明当前客户端的网络状态可能不稳定或者存在其他网络异常情况，此时降低目标视频数据的播放清晰度。在本身实施例，播放的清晰度用播放码率来进行表达，则例如目标播放码率为100kb/s时，而当网络状态数据为异常状态时，通过选择较低清晰度的目标视频来降低播放码率，例如将100kb/s的目标播放码率降低为90kb/s。另外一方面，当网络状态数据为正常状态时，表明网络当前无异常，此时可以尽可能选择高清晰度的视频文件，提高用户的画质体验。

本发明将预测目标视频数据播放时是否会出现网络异常抽象成为一个二分类问题，基于数据驱动和机器学习的方法，通过训练提升树模型，拟合出复杂的模型结构，根据包括历史的下载信息、用户信息、播放信息以及历史的网络内部数据等在内的多维特征信息来对用户观看目标视频数据时是否会出现网络异常进行预测。在线上利用线下训练的机器学习模型预测结果，如果预测结果为会出现网络异常，则服务器选择并下发较低清晰度的视频文件，从而降低视频的下载时间及卡顿率。每隔一段时间更新用户数据，对模型重新训练，以此减小网络条件随时间变化对异常网络检测性能的影响。

如图2所示，本申请实施例此外还提供一种基于网络异常预测的视频清晰度选择装置，包括播放请求接收模块201、特征数据采集模块202、网络状态输出模块203和清晰度选择模块204。其中，播放请求接收模块201用于接收用户通过客户端发送的视频数据播放请求，基于所述视频数据播放请求确定目标视频数据，所述视频数据播放请求携带有目标播放码率。播放特征数据包括视频下载速度、用户信息、播放信息、视频信息、底层网络信息中的至少一种。特征数据采集模块202用于根据所述视频数据播放请求以及目标视频数据获取用户播放所述目标视频数据时的播放特征数据。网络状态输出模块203用于将所述播放特征数据输入预先训练的网络异常预测模型中预测网络状态数据；所述网络状态数据包括异常状态和正常状态。清晰度选择模块204用于基于网络状态数据按照预设选择规则选择目标视频数据的播放码率。

在网络状态输出模块203中，所应用的网络异常预测模型由获取多个用户历史播放视频数据时的播放特征数据和网络状态数据，采用所述播放特征数据作为输入特征、采用所述网络状态数据作为输出特征训练得到。训练该网络异常预测模型中的播放特征数据包括视频下载速度、用户信息、播放信息、视频信息、底层网络信息中的至少一种。

本实施例进一步对训练好的网络异常预测模型进行定期更新，每一次更新后将新的网络异常预测模型部署在后台的服务器，从而使得网络异常预测模型能够总是符合最新的训练样本数据，避免旧模型因网络状况随时间变化而引发的预测性能下降的问题。本申请用数据驱动的方式，解决了传统算法模型参数存在主观性的问题。

具体而言，更新所述网络异常预测模型的方式包括每隔预设时间间隔获取一次所述预设时间间隔内用户历史播放视频数据时的第一播放特征数据和第一网络状态数据；采用所述第一播放特征数据作为新的输入特征、采用所述第一网络状态数据作为新的输出特征训练网络异常预测模型。实际上，第一播放特征数据和第一网络状态数据对应于本申请前述的播放特征数据和网络状态数据是相同实质的数据特征，仅仅是由于在本示例性中，针对的是预设时间间隔内产生的播放特征数据和网络状态数据，同样第一播放特征数据包括视频下载速度、用户信息、播放信息、视频信息、底层网络信息中的至少一种，网络状态数据同样包括异常状态和正常状态。

本申请实施例利用播放历史视频数据时的下载速度、用户信息，播放信息，视频信息以及底层网络信息，通过数据驱动和机器学习的方法，对视频场景下，视频播放时是否会出现网络异常进行预测。基于异常网络预测结果，服务选择较低清晰度的文件进行下发，减少视频下载时间并避免播放时出现卡顿的情况。相较于一般的仅根据网络带宽的清晰度选择方法，能够更好的适应移动客户端场景下的复杂网络环境。采用模型更新的方法，每隔一段时间用新的数据集重新训练机器学习模型，是的模型能够更好的适应不同时间段的网络状态。

参见图3，图3示出了本申请的一种计算机设备的结构示意图。如图3所示，本申请实施例所提供的计算机设备包括存储器301以及一个或多个处理器302；所述存储器301，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器302执行，使得所述一个或多个处理器实现如本申请任一所述的基于网络异常预测的视频清晰度选择方法。

本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的基于网络异常预测的视频清晰度选择方法。

当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的基于网络异常预测的视频清晰度选择方法，还可以执行本申请任意实施例所提供的方法中的相关操作。

上述实施例中提供的基于网络异常预测的视频清晰度选择装置、设备及存储介质可执行本申请任意实施例所提供的基于网络异常预测的视频清晰度选择方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的基于网络异常预测的视频清晰度选择方法。

上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。