[发明专利]一种支持神经网络的流媒体码率自适应方法、装置和设备

说明书

本申请涉及一种支持神经网络的流媒体码率自适应方法、装置和计算机设备。所述方法包括：获取历史网络吞吐量测量值、预设的可用分辨率大小的向量和当前缓冲区占用信息，输入预先构建的贝叶斯神经网络中，输出下一时间段的吞吐量预测值，以预设的QoE指标最优化为目标，构建模型预测控制最优化模型，求解得到当前视频块的预测下载比特率；执行后根据QoE指标得到对应的奖励值，根据预测下载比特率和奖励值对贝叶斯神经网络进行持续训练，根据持续训练的贝叶斯神经网络和模型预测控制最优化模型自适应得到下载视频块的最佳比特率。本发明提高了吞吐量预测准确度和移动网络视频质量。

技术领域

本申请涉及计算机技术领域，特别是涉及一种支持神经网络的流媒体码率自适应方法、装置和计算机设备。

背景技术

根据思科VNI，到2022年，视频流量将占所有IP流量的80％以上，视频应用成为了流量绝对优势应用。在视频流量不断增长的同时，用户也需要更好的视频质量。近年来，出现了很多可以提高用户体验质量的技术，但这些技术中最核心的还是ABR算法，通过ABR算法来动态决定每个段的质量级别。ABR算法需要在高质量、最小再缓冲和较少的质量切换之间取得平衡来最大化整体QoE。

对于相对长时间的视频流传输，ABR算法如何预测未来网络和客户端情况对QoE有重大影响。原始的方案一般单纯基于缓冲区或者吞吐量，但由于指标过于单一，无法正确评估此时的客户端和网络情况，导致无法选择最优比特率。许多关于互联网视频流的工作都致力于设计更好的ABR算法，现有的算法仍然需要进一步的改进。目前最先进的ABR算法都利用神经网络设计自适应。但是，由于神经网络方案需要更多的资源，这样的预测具有滞后性，通常无法正确反映此时的比特率，因此ABR算法可能无法得到最平衡的QoE。

发明内容

基于此，有必要针对上述技术问题，提供一种能够支持在线质量自适应的支持神经网络的流媒体码率自适应方法、装置、计算机设备和存储介质。

一种支持神经网络的流媒体码率自适应方法，所述方法包括：

获取前n个时间段视频块的历史网络吞吐量测量值、预设的可用分辨率大小的向量和当前缓冲区占用信息，将所述历史网络吞吐量测量值、所述分辨率大小的向量和所述当前缓冲区占用信息输入预先构建的贝叶斯神经网络中，通过所述贝叶斯神经网络输出下一时间段的吞吐量预测值；

获取前一时间段视频块的QoE信息，根据所述吞吐量预测值、所述当前缓冲区占用信息和所述QoE信息，以预设的QoE指标最优化为目标，构建模型预测控制最优化模型，求解所述模型预测控制最优化模型得到当前视频块的预测下载比特率；

执行所述预测下载比特率后，根据所述QoE指标得到对应的奖励值，根据所述预测下载比特率和所述奖励值对所述贝叶斯神经网络进行持续训练；

在视频播放过程中，根据持续训练的贝叶斯神经网络和所述模型预测控制最优化模型自适应得到下载视频块的最佳比特率。

在其中一个实施例中，还包括：所述贝叶斯神经网络是通过反向传播方式构建的。

在其中一个实施例中，还包括：所述预设的QoE指标为：一般延迟时间、启动延迟时间和缓冲时间。

在其中一个实施例中，还包括：所述前一视频块的QoE信息为前一时间段下载视频块的比特率。

在其中一个实施例中，还包括：当播放器处于启动阶段时，根据所述吞吐量预测值、所述当前缓冲区占用信息和所述QoE信息，以预设的QoE指标最优化为目标，构建第二模型预测控制最优化模型；

求解所述第二模型预测控制最优化模型得到当前视频块的预测下载比特率和启动时间。

在其中一个实施例中，还包括：以所述预测下载比特率下载当前视频块；

当播放器处于启动阶段时，在开始播放之前等待所述启动时间。