基于模糊控制的流媒体自适应传输算法

基于HTTP的动态自适应流媒体DASH传输协议可以使用户根据自身的终端显示能力和信道条件选择合适的视频质量,是网络视频服务技术的发展方向。如何根据网络吞吐量的变化自适应地选择视频码率,以获得最佳的用户体验质量QOE,在已有的DASH系统中还没有得到很好的解决。提出了一种基于模糊控制的自适应传输算法,将缓存的视频余量以及用户申请的视频码率和网络吞吐量的码率失配度作为输入,将预期的缓存变化量作为输出,通过模糊逻辑实现以下控制目的:(1)将缓存稳定在一个安全的区间;(2)使传输视频的平均质量最大化;(3)避免因带宽波动所造成的视频播放中断。最后,分别在两种虚拟网络环境和两种实际网络环境下进行性能测试,实验结果表明,与已有的算法相比较,本文提出的算法可以给用户带来更好的QOE。

MPEG-DASH与HLS流传输技术的比较分析

选取了具有代表性的HLS企业解决方案,论述新一代流媒体传输标准MPEG-DASH与HLS两种技术的实现原理,比较了两种方案在业务体验、系统效率等方面的技术特性,并从产业链发展与系统演进的角度,分析了运营商部署MPEG-DASH视频业务的可行性和应用前景。

基于HTTP的自适应视频传输算法

移动网络中,不仅信道的质量具有时变性,而且不同用户的终端具有异构性.这就要求移动网络中的视频服务具有码率自适应性.针对自适应流媒体传输,提出一种全新的基于缓冲区下溢概率的码率自适应算法.虽然当前信道的质量是不可观测的,但是信道质量的变化会反映在缓冲区的变化上.因此,可以利用缓冲区下溢概率来表征视频码率和信道吞吐量之间的不匹配程度.我们构建了一个有约束的优化问题,即在保持下溢概率在一定范围内,最大化视频质量.同时,我们提出了基于大偏差原理的下溢概率估计模型及相应的码率自适应算法.最后,通过原型系统实验,我们验证了该算法在保证较低播放中断率的同时,能够提高视频质量.

基于强化学习的DASH自适应码率决策算法研究

目前的DASH客户端码率决策依赖基于特定环境的低准确性的建模来实现固定的控制算法,很难捕获和反映真实网络环境中动态网络的变化情况。本文采用了强化学习中的近端策略优化和深度神经网络相结合的算法,能够学习网络环境的动态变化特性做出决策,并根据价值网络输出调整策略网络的参数,逐渐收敛到最优策略。通过对真实网络轨迹数据集的实验证明:该算法比现有算法可获得更高的用户体验质量,具有较少的缓冲区下溢,并且保证了视频播放的流畅性。

基于状态机的视频码率自适应算法

由于链路带宽存在随机性,已有的基于超文本传输协议的动态自适应流媒体传输技术(DASH)的码率自适应算法不能很好解决播放流畅性和视频质量之间的矛盾。为解决该问题,提出一种基于状态机的DASH(SDASH)算法,将码率切换过程用状态机进行分析与控制。首先充分考虑客户端观看体验质量(QoE)的影响因素,对影响因素进行数值分析,并设定6个码率等级状态;然后将视频码率与影响因素的数值变化之间的联系作为状态转移条件;最后在保证播放缓存和码率偏移率处于一定阈值的条件下将视频码率切换至视频质量和播放流畅性整体性能相对最佳的码率等级上。实验结果表明,该算法与基于模糊逻辑控制的码率自适应算法相比能够提高客户端请求视频的平均码率,且尽量避免出现码率骤降等情况,从而较好地平衡播放流畅性和视频质量之间的关系,提升了视频观看过程的体验质量。