專利名稱：認(rèn)知的無(wú)線網(wǎng)絡(luò)視頻流傳輸方法
認(rèn)知的無(wú)線網(wǎng)絡(luò)視頻流傳輸方法技術(shù)領(lǐng)域
本發(fā)明以無(wú)線網(wǎng)絡(luò)中流媒體傳輸為背景，以機(jī)器學(xué)習(xí)中的SVM算法為基礎(chǔ)，提出 一種認(rèn)知的無(wú)線網(wǎng)絡(luò)視頻流傳輸方法。該方法主要借鑒跨層設(shè)計(jì)的思想，根據(jù)網(wǎng)絡(luò)各層的 參數(shù)利用動(dòng)態(tài)規(guī)劃計(jì)算出合適的MAC層重傳次數(shù)，并用其訓(xùn)練SVM，得到分類器。然而理論 計(jì)算值往往不能反映實(shí)時(shí)的網(wǎng)絡(luò)狀況，因此動(dòng)態(tài)規(guī)劃得到的訓(xùn)練樣例不十分具有代表性， 為了提高SVM的精度，本方法采用了根據(jù)實(shí)際情況更新訓(xùn)練樣例的方法。為了更好的適應(yīng) 網(wǎng)絡(luò)的變化，本方法還提出一種在線調(diào)節(jié)的算法。本發(fā)明方法涉及到跨層設(shè)計(jì)、認(rèn)知無(wú)線 電、機(jī)器學(xué)習(xí)、流媒體傳輸?shù)燃夹g(shù)領(lǐng)域，屬于無(wú)線網(wǎng)絡(luò)視頻流傳輸方法的技術(shù)領(lǐng)域。
背景技術(shù)：
無(wú)線通信技術(shù)的發(fā)展，無(wú)線信道容量的增大，使得通過(guò)無(wú)線網(wǎng)絡(luò)傳輸多媒體成為 可能。特別是無(wú)線網(wǎng)絡(luò)中的流媒體傳輸技術(shù)在娛樂(lè)、搶險(xiǎn)救災(zāi)和軍事等領(lǐng)域得到廣泛的應(yīng) 用。然而，不同接入技術(shù)、多徑衰落、信道間干擾、噪聲及終端移動(dòng)性，使得無(wú)線網(wǎng)絡(luò)環(huán)境呈 現(xiàn)出變化快、時(shí)延大，誤碼率高的特點(diǎn)。對(duì)此要求系統(tǒng)能夠根據(jù)網(wǎng)絡(luò)變化進(jìn)行動(dòng)態(tài)調(diào)節(jié)。通 常，無(wú)線網(wǎng)絡(luò)中對(duì)網(wǎng)絡(luò)單獨(dú)某一層參數(shù)的調(diào)節(jié)無(wú)法達(dá)到較好效果，因此需同時(shí)對(duì)多個(gè)層的 參數(shù)進(jìn)行調(diào)節(jié)，但這又帶來(lái)新的問(wèn)題。首先，對(duì)某一層參數(shù)的調(diào)節(jié)需要其他層的信息，這就 需要實(shí)現(xiàn)層與層之間有效的通信；其次是如何進(jìn)行層與層間參數(shù)的協(xié)調(diào)。多層之間的參數(shù) 優(yōu)化是一個(gè)多目標(biāo)、非線性的問(wèn)題，加上網(wǎng)絡(luò)的動(dòng)態(tài)性和不確定性，使問(wèn)題變得更加復(fù)雜。
針對(duì)層與層之間通信機(jī)制的問(wèn)題，人們提出了跨層設(shè)計(jì)方法，包括自上向下、自下 向上、以應(yīng)用層為中心、以MAC層為中心等。但是這些方法都無(wú)法很好解決問(wèn)題。對(duì)此，學(xué) 者們又引入了垂直平面的概念。如圖1所示，網(wǎng)絡(luò)各層將可配置參數(shù)傳遞給垂直平面進(jìn)行 處理，得到各個(gè)參數(shù)的值并反饋回網(wǎng)絡(luò)各層。這樣既實(shí)現(xiàn)了網(wǎng)絡(luò)各層之間的交互，又保留了 原有層與層之間接口，避免了對(duì)現(xiàn)有協(xié)議的更改。
針對(duì)層與層之間參數(shù)的協(xié)同，一種可行的方法是通過(guò)學(xué)習(xí)。雖然目前出現(xiàn)了一種 利用動(dòng)態(tài)規(guī)劃得到的樣例訓(xùn)練SVM，進(jìn)而調(diào)節(jié)MAC層重傳次數(shù)以適應(yīng)無(wú)線網(wǎng)絡(luò)動(dòng)態(tài)多變特 征的方法，但是該方法仍存在一些問(wèn)題。首先，由于網(wǎng)絡(luò)的動(dòng)態(tài)性和不確定性，無(wú)法準(zhǔn)確地 進(jìn)行網(wǎng)絡(luò)建模。因此通過(guò)建模并用動(dòng)態(tài)規(guī)劃產(chǎn)生的訓(xùn)練樣例不具備代表性，訓(xùn)練得到的策 略也將無(wú)法很好地對(duì)實(shí)際情況進(jìn)行分類；其次，無(wú)法根據(jù)網(wǎng)絡(luò)的實(shí)時(shí)狀態(tài)進(jìn)行在線調(diào)節(jié)。發(fā)明內(nèi)容
技術(shù)問(wèn)題本發(fā)明公布了一種認(rèn)知的無(wú)線網(wǎng)絡(luò)視頻流傳輸方法。該方法針對(duì)無(wú)線 網(wǎng)絡(luò)帶寬小，變化快，誤碼率高等特點(diǎn)，根據(jù)網(wǎng)絡(luò)狀態(tài)以及視頻特征等參數(shù)動(dòng)態(tài)調(diào)節(jié)發(fā)送端 MAC層參數(shù)。由于網(wǎng)絡(luò)各層參數(shù)的優(yōu)化是一個(gè)多目標(biāo)非線性的問(wèn)題，本發(fā)明采用機(jī)器學(xué)習(xí)的 方法來(lái)解決該問(wèn)題——離線訓(xùn)練，在線分類。由于機(jī)器學(xué)習(xí)方法只有在訓(xùn)練樣例具有代表 性時(shí)才具有較高精度，因此必需根據(jù)實(shí)際情況修正訓(xùn)練樣例。動(dòng)態(tài)規(guī)劃得到的樣例雖然不 十分準(zhǔn)確，但仍可用來(lái)初始化整個(gè)過(guò)程，加速收斂。最后，本發(fā)明還提出一種在線調(diào)節(jié)算法，能夠根據(jù)實(shí)際網(wǎng)絡(luò)狀態(tài)在線調(diào)節(jié)，使得系統(tǒng)具有更大靈活性，彌補(bǔ)了機(jī)器學(xué)習(xí)方法的不足。
技術(shù)方案一種認(rèn)知的無(wú)線網(wǎng)絡(luò)視頻流傳輸方法，該方法的步驟為
本發(fā)明認(rèn)知的無(wú)線網(wǎng)絡(luò)視頻流傳輸方法，其特征在于該方法的步驟為
1)用動(dòng)態(tài)規(guī)劃計(jì)算在各種網(wǎng)絡(luò)狀態(tài)和視頻流特征作為輸入的情況下理論最佳的 MAC層重傳次數(shù)，將得到的訓(xùn)練樣例離線訓(xùn)練SVM ；
2)發(fā)送端感知網(wǎng)絡(luò)狀態(tài)、視頻流特征信息，做為SVM的輸入，得到MAC層理論最佳 重傳次數(shù)；
3)根據(jù)在線調(diào)節(jié)算法調(diào)節(jié)MAC層重傳次數(shù)，據(jù)此發(fā)送數(shù)據(jù)包，并將此時(shí)網(wǎng)絡(luò)狀況 和所選參數(shù)暫時(shí)保存，這里將對(duì)應(yīng)的訓(xùn)練樣例稱為發(fā)送樣例；
4)接收端將丟包情況、時(shí)延以及時(shí)延抖動(dòng)信息反饋給發(fā)送端；
5)發(fā)送端根據(jù)反饋信息，將與成功發(fā)送的數(shù)據(jù)包對(duì)應(yīng)的發(fā)送樣例保存，成為新的 訓(xùn)練樣例；
6)用新的訓(xùn)練樣例代替舊的訓(xùn)練樣例，如果是第一次替換，那么舊的訓(xùn)練樣例即 動(dòng)態(tài)規(guī)劃計(jì)算得到的訓(xùn)練樣例；
7)由新訓(xùn)練樣例訓(xùn)練SVM得到新策略。
優(yōu)選地，步驟幻所述的在線調(diào)節(jié)方法包括如下步驟
a)如果α大于閾值aT，m力口一，α設(shè)為0 ；
b)如果β大于閾值βτ，πι減一，β設(shè)為0 ；
c)如果根據(jù)理論計(jì)算，數(shù)據(jù)包j在m+1次重傳時(shí)仍然能夠成功被對(duì)端接收，則將 α值加一，β設(shè)為0，并返回m+1作為MAC層的理論最佳重傳次數(shù)；
d)否則如果數(shù)據(jù)包j在m次重傳時(shí)無(wú)法被對(duì)端成功接收，那么設(shè)α為0，β加一， 并返回此時(shí)理論計(jì)算得到的重傳次數(shù)作為MAC層的理論最佳重傳次數(shù)；
e)如果以上兩種情況均不成立，則返回SVM輸出的值m作為MAC層的理論最佳重 傳次數(shù)；
其中α，β分別表示連續(xù)上調(diào)或者下調(diào)重傳次數(shù)總數(shù)，ατ，βτ分別為α，β的 閾值，m表示根據(jù)網(wǎng)絡(luò)實(shí)時(shí)狀況和視頻流特征通過(guò)SVM得到的重傳次數(shù)，將α，β分別初始 值都為0。
有益效果
通過(guò)認(rèn)知的無(wú)線網(wǎng)絡(luò)視頻流傳輸方法，我們能夠?qū)崿F(xiàn)
1.通過(guò)SVM算法根據(jù)網(wǎng)絡(luò)狀態(tài)和視頻媒體特征等信息對(duì)MAC層重傳次數(shù)進(jìn)行調(diào) 節(jié)，能夠較好地適應(yīng)網(wǎng)絡(luò)狀態(tài)的變化；
2.根據(jù)實(shí)際狀態(tài)下，接收端的反饋信息，不斷更新訓(xùn)練樣例，使得訓(xùn)練樣例更具代 表性，從而實(shí)現(xiàn)根據(jù)無(wú)線網(wǎng)絡(luò)狀態(tài)的變化進(jìn)行“粗調(diào)”；
3.利用在線調(diào)節(jié)算法，可以根據(jù)網(wǎng)絡(luò)的變化做出快速的反應(yīng)，實(shí)現(xiàn)“細(xì)調(diào)”；
4.利用離線訓(xùn)練，在線分類的方法，可以進(jìn)行實(shí)時(shí)調(diào)節(jié)。


圖1是跨層設(shè)計(jì)的示意圖2是認(rèn)知的無(wú)線網(wǎng)絡(luò)視頻流傳輸系統(tǒng)示意圖3是認(rèn)知的無(wú)線網(wǎng)絡(luò)視頻流學(xué)習(xí)環(huán)示意圖。
具體實(shí)施方式
下面結(jié)合附圖對(duì)發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說(shuō)明
認(rèn)知的無(wú)線網(wǎng)絡(luò)視頻流傳輸方法可以經(jīng)過(guò)認(rèn)知的無(wú)線網(wǎng)絡(luò)視頻流學(xué)習(xí)環(huán)進(jìn)行調(diào) 整，便可提高分類器精度，如圖2、3所示。這里僅介紹了選擇MAC層重傳次數(shù)的例子，其他 參數(shù)如數(shù)據(jù)包大小，由于它關(guān)系到時(shí)延、時(shí)延抖動(dòng)和丟包率，也可作為可調(diào)節(jié)參數(shù)加入到動(dòng) 態(tài)規(guī)劃過(guò)程中，再通過(guò)多輸出的SVM進(jìn)行訓(xùn)練。該方法的步驟如下
1)用動(dòng)態(tài)規(guī)劃計(jì)算在各種網(wǎng)絡(luò)狀態(tài)和視頻流特征的作為輸入的情況下最佳的 MAC層重傳次數(shù)，將得到的訓(xùn)練樣例離線訓(xùn)練SVM ；
2)發(fā)送端感知網(wǎng)絡(luò)狀態(tài)、視頻流特征等信息，做為SVM的輸入，得到MAC層“最佳” 重傳次數(shù)；
3)根據(jù)在線調(diào)節(jié)算法調(diào)節(jié)MAC層重傳次數(shù)，據(jù)此發(fā)送數(shù)據(jù)包，并將此時(shí)網(wǎng)絡(luò)狀況 和所選參數(shù)暫時(shí)保存，這里將對(duì)應(yīng)的訓(xùn)練樣例稱為發(fā)送樣例；
4)接收端將丟包情況、時(shí)延以及時(shí)延抖動(dòng)等信息反饋給發(fā)送端；
5)發(fā)送端根據(jù)反饋信息，將與成功發(fā)送的數(shù)據(jù)包對(duì)應(yīng)的發(fā)送樣例保存，成為新的 訓(xùn)練樣例；
6)用新的訓(xùn)練樣例代替舊的訓(xùn)練樣例(如果是第一次替換，那么舊的訓(xùn)練樣例即 動(dòng)態(tài)規(guī)劃計(jì)算得到的樣例)；
7)由新訓(xùn)練樣例訓(xùn)練SVM得到新策略。
其中步驟3)的在線調(diào)節(jié)算法用于在實(shí)時(shí)情況下根據(jù)網(wǎng)絡(luò)的實(shí)際情況修正MAC層 重傳次數(shù)，以適應(yīng)網(wǎng)絡(luò)動(dòng)態(tài)多變的特點(diǎn)，彌補(bǔ)了機(jī)器學(xué)習(xí)方法的不足，實(shí)現(xiàn)“細(xì)調(diào)”。該算法 的具體描述如下假設(shè)α，β分別表示連續(xù)上調(diào)或者下調(diào)重傳次數(shù)的總數(shù)，ατ, βτ分別為 它們的閾值，m表示SVM計(jì)算得到的重傳次數(shù)，將α，β分別初始化為0，在線調(diào)節(jié)方法的步 驟為
a)如果α大于閾值aT，m力口一，α設(shè)為0 ；
b)如果β大于閾值β T，m減一，β設(shè)為0 ；
c)如果 TimeAvg(m+l，j) < Deadline (j) _TimeA。t，即理論計(jì)算的數(shù)據(jù)包 j 在 m 加一 次重傳時(shí)仍然能夠成功被對(duì)端接收，將α值加一，β設(shè)為0，并返回m+1作為MAC層的重傳 次數(shù)；
d)否貝丨J 如果 TimeAvg(m，j) > Deadline (j) _TimeAct，即數(shù)據(jù)包 j 在 m 次 重傳時(shí)無(wú)法被對(duì)端成功接收，那么設(shè)α為0，β加一，并返回理論計(jì)算得到的值
權(quán)利要求
1.一種認(rèn)知的無(wú)線網(wǎng)絡(luò)視頻流傳輸方法，其特征在于該方法的步驟為1)用動(dòng)態(tài)規(guī)劃計(jì)算在各種網(wǎng)絡(luò)狀態(tài)和視頻流特征作為輸入的情況下理論最佳的MAC 層重傳次數(shù)，將得到的訓(xùn)練樣例離線訓(xùn)練SVM ；2)發(fā)送端感知網(wǎng)絡(luò)狀態(tài)、視頻流特征信息，做為SVM的輸入，得到MAC層理論最佳重傳 次數(shù)；3)根據(jù)在線調(diào)節(jié)算法調(diào)節(jié)MAC層重傳次數(shù)，據(jù)此發(fā)送數(shù)據(jù)包，并將此時(shí)網(wǎng)絡(luò)狀況和所 選參數(shù)暫時(shí)保存，這里將對(duì)應(yīng)的訓(xùn)練樣例稱為發(fā)送樣例；4)接收端將丟包情況、時(shí)延以及時(shí)延抖動(dòng)信息反饋給發(fā)送端；5)發(fā)送端根據(jù)反饋信息，將與成功發(fā)送的數(shù)據(jù)包對(duì)應(yīng)的發(fā)送樣例保存，成為新的訓(xùn)練 樣例；6)用新的訓(xùn)練樣例代替舊的訓(xùn)練樣例，如果是第一次替換，那么舊的訓(xùn)練樣例即動(dòng)態(tài) 規(guī)劃計(jì)算得到的訓(xùn)練樣例；7)由新訓(xùn)練樣例訓(xùn)練SVM得到新策略。
2.根據(jù)權(quán)利要求1所述的認(rèn)知的無(wú)線網(wǎng)絡(luò)視頻流傳輸方法，其特征在于步驟3)所述的 在線調(diào)節(jié)方法包括如下步驟a)如果α大于閾值αT，m加一，α設(shè)為0 ；b)如果β大于閾值βT，m減一，β設(shè)為0 ；c)如果根據(jù)理論計(jì)算，數(shù)據(jù)包j在m+1次重傳時(shí)仍然能夠成功被對(duì)端接收，則將α值 加一，β設(shè)為0，并返回m+1作為MAC層的理論最佳重傳次數(shù)；d)否則如果數(shù)據(jù)包j在m次重傳時(shí)無(wú)法被對(duì)端成功接收，那么設(shè)α為0，β加一，并 返回此時(shí)理論計(jì)算得到的重傳次數(shù)作為MAC層的理論最佳重傳次數(shù)；e)如果以上兩種情況均不成立，則返回SVM輸出的值m作為MAC層的理論最佳重傳次數(shù)；其中α，β分別表示連續(xù)上調(diào)或者下調(diào)重傳次數(shù)總數(shù)，ατ，βτ分別為α，β的閾值， m表示根據(jù)網(wǎng)絡(luò)實(shí)時(shí)狀況和視頻流特征通過(guò)SVM得到的重傳次數(shù)，將α，β分別初始值都 為0。
全文摘要
本發(fā)明公布了一種認(rèn)知的無(wú)線網(wǎng)絡(luò)視頻流傳輸方法。本發(fā)明方法根據(jù)網(wǎng)絡(luò)各層的參數(shù)利用動(dòng)態(tài)規(guī)劃計(jì)算出合適的MAC層重傳次數(shù)，并用其訓(xùn)練SVM，得到分類器；采用了根據(jù)實(shí)際情況更新訓(xùn)練樣例的方法。為了更好的適應(yīng)網(wǎng)絡(luò)的變化，本方法還提出一種在線調(diào)節(jié)的算法，能夠根據(jù)實(shí)際網(wǎng)絡(luò)狀態(tài)對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行在線調(diào)節(jié)，使得系統(tǒng)具有更大靈活性。
文檔編號(hào)H04W28/04GK102045765SQ20101057614
公開(kāi)日2011年5月4日 申請(qǐng)日期2010年12月7日 優(yōu)先權(quán)日2010年12月7日
發(fā)明者亓?xí)x, 孫雁飛, 張順頤, 王攀, 顧成杰, 黃桂松 申請(qǐng)人:南京郵電大學(xué)