一种轻量化自适应码率下的媒体内容的传输方法及系统

技术领域

本发明涉及一种通信网络，尤其涉及一种各网络带宽媒体内容传输的技术领域。

背景技术

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。

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。

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。

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。

发明内容

针对目前上述存在的上述问题，本发明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。

本发明解决技术问题所采用的技术方案为：

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：

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。

优选地，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。

优选地，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。

优选地，根据网络带宽的统计特性来划分各个带宽等级。

优选地，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。

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：

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。

优选地，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。

优选地，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。

优选地，根据网络带宽的统计特性来划分各个带宽等级。

优选地，在做出所述码率决策之前，还包括：

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。

本发明的有益效果：本发明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

图1为本发明的一种实施例的系统框图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

本发明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。

本发明的一种实施例，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：

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。

本发明给出一种基于网络吞吐率状况实时进行模型切换的码率自适应传输方案，同时对码率自适应传输进行轻量化处理。具体地，在进行媒体内容的码率自适应传输时，由于传输网络的高动态特性，客户端播放器会经历各种各样的网络吞吐率状况。此时，算法可以根据收集到的客户端网络吞吐率数据，根据接收到的网络历史吞吐率数据的统计特性(均值或方差)，判定和预测客户端未来可能会经历的网络吞吐率状况，依此选择最适合该网络状况的码率自适应模型参数，并基于该模型参数进行未来一段时间内码率自适应传输中的码率决策，从而使得码率自适应算法在应对各种网络吞吐率状况时能够做出更合适的码率决策，更好地应对传输网络动态特性。

本发明的另一实施例，码率决策的方法包括：根据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。

本发明的再一实施例，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。

在该实施例中，为了进一步降低算法部署的计算和空间开销，对于码率自适应传输模型，本算法首先基于数据驱动的方式进行模型训练，训练完成后，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。

本发明还有一实施例，根据网络带宽的统计特性来划分各个带宽等级。

还有一实施例中，在产生码率决策之前，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。

如图1所示，目前媒体内容码率自适应传输系统主要由四部分组成：媒体服务提供商、内容存储服务器、自适应码率传输服务器和客户端播放器。客户端播放器首先向媒体服务提供商发送认证信令，媒体服务提供商会提供相应媒体内容的存储地址及可用码率信息。与此同时，客户端播放器向自适应码率传输服务器提供客户端处的网络吞吐率状况信息和播放器缓冲信息，自适应码率传输服务器根据上述信息在可选码率中选择最合适的传输码率。基于媒体服务提供商提供的信息以及自适应码率传输服务器做出的码率决策，客户端播放器会向相应的内存存储服务器请求指定码率的媒体内容，内容存储服务器将发送相应码率的媒体内容，客户端播放器接收后进行播放和呈现。

为了在媒体内容自适应码率传输系统中实现基于传输网络吞吐率状况的模型切换机制，以及自适应模型轻量化处理，本发明采用了以下技术方案：在上述的媒体内容码率自适应传输框架中，自适应码率传输服务器除了需要根据接收的来自客户端播放器的网络吞吐率信息和缓冲信息做出码率决策，还需基于客户端播放器处的网络吞吐率历史信息的统计特性(均值/方差)，进行未来网络吞吐率状况的预测和判决，根据判决结果更改服务器中所选择的码率决策模型/参数，即在未来进行码率决策时选择最适合于客户端实时网络吞吐率状况的决策模型/参数，从而使得自适应码率传输算法能够更好地应对传输网络的高动态特性，保证在网络吞吐率出现波动时所做出的码率决策能够获得较高的用户体验质量。同时，在自适应码率传输模型训练完成后，本算法会提取“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，并以该数据对作为指导，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，降低有监督学习模型部署与计算开销，用户后续快速、轻量化的码率决策。该有监督学习模型可以为决策树模型，随机森林，集成学习， XGBoost等。

具体来说，在得到各类带宽等级原始自适应码率子模型之前，需要对各类带宽等级进行划分，不同的带宽等级对应于不同的原始自适应码率子模型。其中，该带宽等级可以根据网络带宽的统计特性来划分，如吞吐率的统计特性，如均值，进行划分。然后在对应的带宽等级下，自适应码率传输服务器中保存有适用于多种传输网络吞吐率状况的码率决策模型，同时保存网络吞吐率状况预测和判决模型。当自适应码率传输服务器接收到来自客户端播放器的网络吞吐率历史信息后，网络状况预测模块就会分析上述历史信息的统计特性，如均值及方差，并根据分析结果进行未来网络状况的预测和判决。当完成网络状况预测后，自适应码率传输服务器就会相应地进行码率决策模型的切换，以使得未来所使用的码率决策模型适合于未来网络吞吐率状况。

本发明的一种轻量化自适应码率下的媒体内容的传输系统主要包括：客户端播放器，媒体服务提供商，内容存储服务器，自适应码率传输服务器(包括码率决策模块和网络状况判决模块)，模型轻量化处理模块。整体架构框图如图1所示，相关处理流程如下：

客户端播放器向媒体内容服务商发送认证信令及需要的媒体内容信息，媒体服务提供商返回相应媒体内容的存储地址及可用码率信息。

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服务器内的多个有监督学习模型，做出传输码率决策。

根据自适应码率传输服务器做出的码率决策以及媒体内容服务商提供的信息，客户端播放器会向相关的内容存储服务器请求指定码率的媒体内容。内容存储服务器向客户端发送相关媒体内容。

自适应码率传输服务器在进行码率决策的同时，会基于来自客户端播放器的网络吞吐率状况数据以及内部存储的网络吞吐率状况分析模型，进行未来网络吞吐率状况的判决。利用网络状况预测模块对客户端播放器历史吞吐率状况的统计特性(均值或方差)进行提取和分析，从而预测未来最有可能出现的网络吞吐率状况。与此同时，由于自适应码率传输服务器内保存有适合于多种网络吞吐率状况的码率决策模型，所以在确定了未来最有可能出现的网络状况后，服务器会依此进行码率模型切换，即选择最适合于未来网络吞吐率状况的码率决策模型用于之后的传输码率决策。

同时，为了实现自适应模型轻量化，本算法会判断原始模型的训练效果(即图1中的原始模型效果评估)，当原始码率自适应模型训练完成后，该模型在实际运行时，算法会向训练好的原始模型输入状态值(网络状态值+客户端播放器状态值)，该模型做出相应的码率决策。进而，本算法将提取“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，并以该数据对作为指导，训练轻量化的有监督学习模型(即原始模型转决策树)，从而得到轻量化的决策树子模型，降低模型部署与计算开销。轻量化的决策树子模型将输入码率自适应服务器，用于后续快速、轻量化的码率决策。

此外，基于网络状况进行有监督学习模型切换的轻量化码率自适应传输的机制所涉及的处理任务如表一所示：

表一码率决策模型切换以及模型轻量化机制所涉及的处理任务

其中，码率自适应传输中的模型切换机制主要通过自适应码率传输服务器中的网络状况判决模块实现，通过对客户端播放器处的历史网络状况信息的统计特征性进行提取和分析，实现对未来可能出现网络状况的判决，从而依据判决结果进行码率决策模型切换，选择最适合于未来网络状况的码率决策模型。网络状况预测模块所分析的吞吐率统计特性包含吞吐率均值和方差，但不仅限于均值和方差，且分析的历史信息长度可以根据需求进行调整；自适应码率模型的轻量化处理主要基于已训练好的原始自适应码率模型，以及相应的状态信息，进行有监督轻量化模型训练，该有监督算法可以是决策树模型，但不仅限于决策树，可根据实际需求选择合适的有监督学习算法。

本发明的一种轻量化自适应码率下的媒体内容的传输系统，传输系统包括自适应码率传输服务器，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。

本发明的还一种实施例，码率决策的方法包括：根据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。

本发明的另一种传输系统的实施例，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。

本发明的另一种传输系统的实施例，根据网络带宽的统计特性来划分各个带宽等级。

本发明的另一种传输系统的实施例，在做出码率决策之前，还包括：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。

以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书及图示内容所做出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。