面向低延时实时视频的多维跨层带宽预测

5G网络的可用带宽是影响实时视频业务的关键要素之一,但如何在低延时实时视频业务下完成准确预测依旧是个难题。传统可用带宽预测算法通常依靠业务层的数据指标,根据发包策略完成预测。但此类算法在网络频繁变化的复杂场景下会出现预测滞后问题,严重影响了用户的接收视频质量。为解决此问题,文中提出了一种基于跨层多维参数的可用带宽预测算法,该算法综合考虑了业务层、物理层、网络层等的相关数据指标,并通过多个维度参数提升无线网络带宽探测的准确性。文中采用深度强化学习作为模型框架,针对不同的运动场景,通过跨层多维度的数据模型学习实现离线预测和在线预测的融合。同时,将网络丢包率、图像质量评估和端到端时延等链路影响因素作为约束条件,以实现预测模型在传输过程中的实时调整和优化。在半物理平台上的实验结果表明:文中所提算法的预测性能优于传统的预测算法,预测曲线与实际曲线的拟合程度高达95.8%以上;相比于单层预测算法,所提算法在步行、驾驶场景下的丢包率分别降低了47.3%和30.9%,接收视频质量提升了12%。