用于动态优化多用户无线多媒体传输的强健的基于内容的解决方案

摘要

一种在支持多个流式视频业务的通信网络中用于拥塞控制的方法，所述方法包括：-将合适的拥塞控制策略分别地与根据多个训练流式视频业务估计的视频类别相关联的学习步骤；-正在进行的流式视频业务的视频类别的估计步骤；-将与所述正在进行的流式视频业务的估计的视频类别相关联的拥塞控制策略应用至所述正在进行的流式视频业务的应用步骤。

说明书

技术领域

本发明涉及通信网络上的多媒体内容传输的优化。

背景技术

随着由于多媒体化用户设备的扩散所带来的有线和无线网络上的多媒体业务的指数增长，监视通信网络上的多媒体业务毋庸置疑是拥塞避免以及在服务质量和网络资源利用率之间达成折衷的最有影响的解决方案。

事实上，由于排队延时、分组丢弃和新连接阻塞(new connectionsblocking)，网络拥塞严重地影响用户感知的服务质量。

当前联网的应用——尤其是社交网络以及在线内容共享平台，由于它们引起大量的多媒体业务数据需被实时地处理而使得事情变得更加的复杂。因此，通信网络上的视频业务的量有可能被进一步增强，并且，即使移动网络提供的速率越来越高，对于高质量内容的要求的提高得更快。

而现有技术的另一个问题是客户端和服务器之间的多媒体会议仅由客户端(对于HTTP自适应流的情况)或服务器(对于RTP的情况)控制。因此，在两种情况下，网络并未意识到网络中的视频业务以及任何拥塞的控制是由正在进行的多媒体会话的良好行为来决定。

此外，即使是已知的在网络级使用的用于逐业务流控制的算法，当在网络中巨大数目的流需要被同时管理时这些算法也变得无能为力。控制系统变得非常复杂而难以解决。事实上，通过同时执行N次相同的算法来处理在相同的时间的N个视频流来避免拥塞具有无法管理的计算复杂度。

因此，多个挑战为同时面对多个网络上的拥塞控制。

本发明的一个目标为提出用于多媒体内容递送的有效方法，以使得在考虑匮乏的网络资源的同时为终端用户保证最优的体验质量。

本发明的另一个目标为提出一种能够支持大量的多媒体流的用于避免网络中的拥塞的可伸缩和易处理的方法。

本发明的另一个目标为在考虑大部分系统约束的同时优化多约束的业务(延迟、带宽、无线接入，以及抖动)的递送。

本发明的另一个目标为设计一种网络级的用于拥塞控制和视频业务递送最优化的机制。

本发明的另一个目标是为无线网络上的尽最大努力服务提高性能并减小TCP中拥塞控制机制的计算复杂性。

本发明的另一个目标为提出一种用于有效地将多种多媒体内容流送至移动接收端的方法。

发明内容

多种实施例直接地解决上述提及的一个或多个问题的影响。下面介绍了实施例的简化总结以便提供对于多种实施例的一些方面的基本理解。该总结不是对这些不同实施例的详尽综述。其并非旨在标识重要元素的关键或描述这些多种不同实施例的范围。其唯一目的为以简化的方式介绍一些概念以作为随后将被讨论的更详细的描述的前奏。

多种实施例涉及在支持多个流式视频业务的通信网络中用于拥塞控制的方法，所述方法包括：

-将合适的拥塞控制策略分别地与根据多个训练流式视频业务估计的视频分类相关联的学习步骤；

-正在进行的流式视频业务的视频分类的估计步骤；

-将与所述正在进行的流式视频业务的估计的视频类别相关联的拥塞控制策略应用至所述正在进行的流式视频业务的应用步骤。

根据广义的方面，上述方法进一步包括在多个流式视频业务的通信网络中的拦截步骤。

根据另一广义的方面，基于包括无线链路控制缓冲区填充、编码速率、空间分辨率和时间分辨率的参数来估计视频分类。

根据另一广义的方面，拥塞控制策略包括视频分组丢弃(dropping)策略和转码策略。

多种实施例涉及一种在支持多个流式视频业务的通信网络中用于拥塞控制的系统，所述系统包括：

-过滤决策模块，其被训练以将合适的拥塞控制策略分别地与根据多个训练流式视频业务估计的视频类别相关联；

-视频分类器，其被配置以估计正在进行的流式视频业务的视频种类；

-用于将与所述正在进行的流式视频业务的估计的视频类别相关联的拥塞控制策略应用至所述正在进行的流式视频业务的装置。

多种实施例进一步涉及一种包括上述系统的核心网节点。

根据广义的方面，上述核心网节点被配置以拦截由通信网络支持的多个流式视频业务。

多种实施例进一步涉及一种用于执行上述方法的计算机程序产品。

虽然多种实施例易受多种修改和替代形式的影响，但是其特定的实施例已通过示例的方式在附图中展示。然而，应理解本文对特定的实施例的描述并非旨在将不同的实施例限制为已公开的特殊的形式。

一定需要注意的是在任意的此类实际的实施例的发展中，特定于实现的决定可被做出以满足开发者的特定目的，例如符合系统相关和商业相关的约束。需指出此类发展努力可能是旷日持久的，但是对于那些受益于本公开的该领域那些或普通的本领域技术人员是常规的理解。

附图说明

通过下列的公开和权利要求，本发明的目的、优势和其他特点将更加的显而易见。仅以示例的目的，根据附图——其中图1为示出了用于部署多种实施例的环境的原理图——给出了优选的实施例的下列非限制性的描述。

具体实施方式

参考图1，示出了与通信网络10相连接并且分别在单播的流式会话4-6中的多个用户设备1-3。

从不同的内容提供商源7-9流送流式内容至用户设备1-3。这些远程内容提供商源7-9可属于不同的服务平台(例如，视频点播、IPTV、时移TV、IPTV、社交网络、视频分享平台)。内容提供商源7-9可以是视频服务器、网络服务器、分发直播视频节目的覆盖节点，或者更一般地能够通过网络10将内容流送至下游用户设备1-3的任何网络节点。

“用户设备”此处是指能够与远程的内容提供商源建立单播流式会话的任何用户装置。台式电脑、手提电脑、平板电脑、智能手机、移动电话或个人数字助理(PDA)都是这样的用户设备1-3的示例。

因为视频分类器12以及训练的过滤决策模块13的应用，由多个同时正在进行的单播流式会话4-6引起的网络10内部的拥塞可被避免。

视频分类器12被配置以估计流式视频业务的视频类别。过滤决策模块13被在线或离线训练(学习阶段)以确定将被应用至每个估计的视频类别以用于网络10中的拥塞避免的最优拥塞控制策略。

为了拥塞避免而被应用至给定的流式视频业务的最优策略(例如过滤、选择或视频分组的丢弃策略)与该视频的估计类别相关联，并且其根据用于其类别的被考虑的(considered)参数的值而推出。作为此类参数的示例，可提及基站17中的RLC(无线链路控制)缓冲区14-16填充、被传输的帧的优先级、用户的重放裕度(playback margin)、编码速率、活动等级、空间分辨率、时间分辨率或视频内容中的任何其他的区别性特征。

事实上，在学习阶段期间，在代表性的视频内容资料库中观察参数集并且使用强化学习来训练参数集，以使得基于在被考虑的(considered)参数的收敛处的值来获得视频的不同类别和相应的最优策略。控制问题由Markov决策过程框架来选定(cast)。

代表性的视频内容资料库可包括通常的或被有意修改的视频序列以便覆盖具有不同特征(例如，时间分辨率、空间分辨率、失真、编码速率、约束)的视频内容(例如新闻、电影、体育和纪录片)。

学习阶段允许获得Q-矩阵或更一般地数据集，所述Q-矩阵定义了将为流式视频业务采取的最优调度操作。然后依据被学习的流式视频业务的类别，标记并存储每个矩阵。

一旦具有与给定的视频类别相关联的最优操作的矩阵被学习，这些矩阵被过滤决策模块13在线使用以用于落入该相同类别的任何其他正在进行的流式视频业务。也就是说，当正在进行的流式视频业务属于与之前已学习的视频内容相同的类别时，之前已学习的视频的Q-矩阵被过滤决策模块13使用以调度该正在进行的流式视频业务。

因此，离线执行学习/训练阶段以分类不同视频流并且获取被学习以在线应用于流式视频业务4-6的一种掩膜(mask)或策略集。因此，在学习阶段期间获取的最优策略被在线使用，同时基于视频业务的估计的类别来流式视频业务。

在一个实施例中，为确保为给定的视频习得的最优拥塞控制策略对于相同的类别内的另一序列也是最优的，决策做出算法(即过滤决策模块13)在第一视频V1上被习得并且使用获得的最优拥塞控制策略对被认为是相同类别C1的第二视频V2进行测试。然后，过滤决策模块13在类别C3的第三视频V3上被训练(学习阶段)并且使用获得的最优拥塞控制策略对第二视频V2进行测试。

在一个实施例中，视频内容的分类粒度可被进一步细微调整，也就是以帧级别(即逐帧)、以图形组(GoP)级别(即逐GoP)、以GoP集级别(中间级别)或以视频片段级别(粗糙级别，即整个视频内容)。

由过滤决策模块13预先计算/学习并且与给定的视频类别相关联的操作集(即拥塞控制策略)被应用至核心网节点11处落入该相同的类别的任何正在进行的流式视频业务以解决网络10内部的拥塞。

正在进行的流式会话4-6的业务被核心网节点11(例如，代理)拦截并且被提供至视频分类器12。

视频分类器12负责估计正在进行的流式视频业务属于的类别。

可选择地，每个单播视频流的类别由内容提供商源7-9定义并且在开始传输时在流中标记。

核心网节点11中的过滤决策模块13负责根据由视频分类器12估计出的每个正在进行的流式视频流的视频类别选择将被应用至每个正在进行的流式视频流的合适的拥塞控制策略。

此外，过滤决策模块13在最大化接收的视频的质量的同时考虑每个单播的流式会话4-6的通道和流式视频业务的特性的变化。

为了该目的，在用户设备1-3处解码的帧的质量是仅通过不同可伸缩层和内容提供商源7-9的RLC/MAC层的序列等级的质量的观察推导出的。学习阶段负责寻找在每个可能的系统状态中采取的最优过滤操作。最优操作将导致最大的接收的质量。

例如，过滤决策模块13基于与特定的视频类别对应的参数集(例如，每个链路的缓冲区填充)为每个视频节目选择视频分组的数目来传输(或选择性地丢弃)，以使得被接收的视频质量被最大化。

此外，过滤决策模块13可采取的操作可以是在视频源使用H263、H264/AVC或MPEG2/4标准编码情况下的转码操作，或者在H264SVC(可伸缩视频编码)情况下的层过滤机制。该操作被需要以最大化接收的质量。视频质量可使用任何现有的主观的或客观的度量来测量。

相应地，通过单播流式会话4将视频节目从内容提供商源7传送至用户设备1可通过如下所述步骤来达成：

-从视频节目i发送帧分组，所述帧类型为fi；

-测量被考虑的参数，例如节目i的RLC 14缓冲区Bi的缓冲区填充；

-估计节目i的类别Ci，Ci取决于视频的内容；

-应用由过滤决策模块13选择的最优过滤策略，所述最优过滤策略基于Bi、fi和Ci来最大化接收的质量。

有利地，由于上述方法和系统，选择/丢弃战略的计算复杂度和计算时间被显著地降低，这允许同时处理多个视频流以用于拥塞规避。特别地，鉴于最消耗时间的阶段——增强学习阶段是离线完成的，在线计算时间被降低并且递送决策时间变得迅速。此外，可以在网络节点资源级获得CPU时间和存储器需求的表达量。

有利地，上述用于视频内容递送的方法允许使用基站17中RLC 14-16状态来同时进行视频流的控制、视频流分类以及网络拥塞的控制以用于并行(而不是单独)的多个单播连接。

有利地，拥塞控制在核心网节点做出以用于所有活动的流式视频业务而非在网络中的每个流路径上做出。

权利要求书(按照条约第19条的修改)

1.一种在支持多个流式视频业务的通信网络(10)中用于拥塞控制的方法，所述方法包括：

-确定步骤，其中确定用于正在进行的流式视频业务的合适的拥塞控制策略，并且将其与正在进行的流式视频相关联；

-应用步骤，其中将确定的拥塞控制策略应用至所述正在进行的流式视频业务；

其特征在于，对于所述确定步骤，其包括：

-学习步骤，其中根据多个训练流式视频业务离线地预先确定多个拥塞控制策略，参数集在代表性的视频内容资料库中观察到并且使用增强学习来学习，以使得基于在被考虑的参数的收敛处的值来预先确定最优的策略；

-估计步骤，其中从所述预先确定的拥塞控制策略中对所述多个正在进行的流式视频业务中的每一个业务同时在线选择策略；

以及所述应用步骤包括在线地将被选择的拥塞控制策略分别地应用至所述多个正在进行的流式视频业务的业务的步骤。

2.如权利要求1所述的方法，进一步包括在通信网络(10)中拦截多个流式视频业务的拦截步骤。

3.如权利要求1或2所述的方法，其中基于包括无线链路控制缓冲区(14-16)填充、编码速率、空间分辨率和时间分辨率的参数来进行所述估计步骤。

4.如前述任一项所述的方法，其中逐帧地进行所述估计步骤。

5.如权利要求1至3中任一项所述的方法，其中逐个图像组地进行所述估计步骤。

6.如前述任一项所述的方法，其中所述拥塞控制策略是视频分组丢弃策略。

7.如权利要求1至5中任一项所述的方法，其中所述拥塞控制策略是转码策略。

8.一种在支持多个流式视频业务的通信网络(10)中用于拥塞控制的系统，所述系统包括：

-用于确定用于正在进行的流式视频业务的合适的拥塞控制策略的装置；

-用于将确定的拥塞控制策略应用至所述正在进行的流式视频的装置；

其特征在于，用于同时确定分别用于多个正在进行的流式视频业务的多个合适的拥塞控制策略，其包括：

-过滤决策模块(13)，其被训练以根据多个训练流式视频业务离线地预先确定多个拥塞控制策略，参数集在代表性的视频内容资料库中观察到并且使用增强学习来学习，以使得基于在被考虑的参数的收敛处的值来预先确定最优的策略；

-视频分类器(12)，其被配置以从所述预先确定的拥塞控制策略中为所述多个正在进行的流式视频业务中的每一个在线选择策略；

-用于在线地将被选择的拥塞控制策略分别地应用至所述多个正在进行的流式视频业务的业务的装置。

9.一种核心网节点(11)，包括如权利要求8所述的系统。

10.如权利要求9所述的核心网节点(11)，其被配置以拦截由通信网络(10)支持的多个流式视频业务。

11.一种在计算机的处理单元上实施的计算机程序，所述程序包括用于执行与如权利要求1-7中任一项所述的方法的步骤相对应的指令的代码段。