[发明专利]码率确定方法、装置、电子设备和存储介质

说明书

本公开提供了一种码率确定方法、装置、电子设备和存储介质，所述方法包括：根据下载视频的当前视频块时的缓存占用量和缓存变化量预测用于下载所述视频的下一视频块的下载时间；根据当前视频块的下载速率状况预测下一视频块的下载速率；根据预测的下一视频块的下载时间、下一视频块的时间长度和预测的下一视频块的下载速率来确定用于下一视频块的码率，其中，所述视频被划分为多个视频块，每个视频块的时间长度相同。

技术领域

本公开涉及互联网技术领域，尤其涉及一种码率确定方法、装置、电子设备和存储介质。

背景技术

视频直播应用是当前互联网上非常重要的部分。直播视频内容提供商为了向用户着力提供更好的观看和交互体验，努力降低直播时延并提高用户体验质量(QoE)指标。其中，设计更佳的码率自适应(ABR)算法是提高QoE并保证低延时的主要方式。

现如今视频直播多是基于超文本传送协议(HTTP)，其好处在于部署代价低、可扩展性高、便于实现多码率自适应。直播推流时，视频会以块为单位被编码为不同的码率，客户端的ABR算法将会依据缓存占用情况、网络吞吐量等情况选择不同码率的视频数据块进行下载。

相关技术的流媒体传输技术方案多是以视频点播为研究对象。视频点播与视频直播对于ABR算法有着不同的要求。对于视频点播来讲，视频的缓存可能长达数分钟，视频的下载多以长达数秒的视频块为单位，带宽测量较为简单直接，ABR算法更加关心高码率、低卡顿率、平滑码率切换。而对于视频直播来讲，低延时的特性致使视频的缓存只有数秒，且视频多是以短视频块或帧级别下载，ABR算法更加关心高码率、低卡顿率和平均时延，由于每次下载的视频容量小，带宽预测也变得困难，对视频缓存的控制变得更为重要。

另外，由于移动设备的计算、存储、网络资源特性的不同，移动设备的直播服务质量更加难以保证。计算能力差和存储资源少导致移动设备难以部署复杂、需要细粒度采样的算法；而移动网络常见的带宽、时延突变使得传统自适应码率中的带宽预测准确度大大降低。

例如，在图1所示的模型预测控制(MPC)算法实现的视频会话的缓存量示图中，可以看出，MPC存在严重的卡顿风险：播放器中的缓存量抖动幅度很大，缓存量经常很少，一旦发生预测误差或吞吐量抖动，缓存将极易被排空，从而引发卡顿。

另外一个典型的视频ABR算法是Pensieve，它使用强化学习中的Actor-Critic算法进行码率决策，工作机理如图2所示。其神经网络的输入有六个数据，分别为过去若干个视频块下载时的网络吞吐、过去若干个视频块的下载时间、未来若干个视频块的大小、当前缓存大小、剩余未下载的视频块数量、上一个视频块的码率。Pensieve算法在部署前需要在仿真环境中利用与线采集到的数据进行训练。然而，Pensieve的输入(例如未来若干个视频块大小、剩余的视频块数量等)不适用于视频内容实时产生的直播场景，神经网络通常对于计算资源的消耗较大，部署在移动设备上难以达到相似的效果，并且使用强化学习算法使得Pensieve需要数据集进行预先训练的过程，而覆盖全面的训练数据是难以获得的，不全面的训练数据可能导致算法出现无法预测和解释的异常行为。

发明内容

本公开提供一种码率确定方法、装置、存储介质及电子设备，以至少解决相关技术中的视频卡顿的问题，也可不解决任何上述问题。

根据本公开的第一方面，提供了一种码率确定方法，所述方法包括：根据下载视频的当前视频块时的缓存占用量和缓存变化量预测用于下载所述视频的下一视频块的下载时间；根据当前视频块的下载速率状况预测下一视频块的下载速率；根据预测的下一视频块的下载时间、下一视频块的时间长度和预测的下一视频块的下载速率来确定用于下一视频块的码率。

根据本公开的第一方面，所述根据当前时刻的缓存占用量和缓存变化量预测用于下载所述视频的下一视频块的下载时间包括：使用基于下载所述视频的视频块时的缓存占用量和缓存变化量与用于视频块的下载时间的关系建立的滑模控制模型来预测用于下载所述视频的下一视频块的下载时间。