CN117221295A - 一种基于边缘计算和网络切片的低延迟视频传输*** - Google Patents

Abstract

本发明公开了一种基于边缘计算和网络切片的低延迟视频传输***，属于数据传输领域，包括边缘计算节点、网络切片模块、内容优化模块、分布式存储模块、自适应编码模块、安全加密模块、体验分析模块、负载扩展模块、分析预测模块、反馈互动模块以及用户终端；本发明能够帮助***更好地理解当前网络环境、应用需求和用户行为，有助于降低成本、提高性能并提供更好的用户体验，且能够优化***的运营和规划，能够根据不同应用的需求分配不同的带宽和资源，提高资源利用率，大幅降低传输延迟，使网络资源的分配更加智能化。

Description

一种基于边缘计算和网络切片的低延迟视频传输***

技术领域

本发明涉及数据传输领域，尤其涉及一种基于边缘计算和网络切片的低延迟视频传输***。

背景技术

随着互联网的不断发展，视频传输已经成为了网络应用的重要组成部分。然而，在视频传输过程中，特别是在需要低延迟和高质量的实时视频传输中，仍然存在挑战。这些挑战包括网络拥塞、高延迟、带宽限制和不稳定的网络连接，这些问题会导致视频质量下降、卡顿和通信不畅。随着5G网络的快速部署和边缘计算技术的兴起，网络传输领域正在经历革命性的变革。5G网络提供了更高的带宽和更低的延迟，为实时视频传输提供了更好的条件。而边缘计算允许将计算和数据存储推近到网络边缘，从而降低了传输延迟，提高了数据处理效率。然而，要实现真正的低延迟视频传输，需要综合考虑网络性能、资源分配和应用需求。这正是网络切片技术的作用。网络切片允许将物理网络资源划分为多个虚拟网络切片，每个切片可以根据具体应用的需求进行优化配置，包括带宽、延迟、安全性和可靠性等方面。这种高度可定制的网络架构使得低延迟视频传输成为可能。

现有的低延迟视频传输***成本较高，同时无法提供更好的用户体验，不方便运营人员***的运营和规划进行优化；此外，现有的低延迟视频传输***，为此，我们提出一种基于边缘计算和网络切片的低延迟视频传输***无法根据不同应用的需求分配不同的带宽和资源，资源利用率较低。

发明内容

本发明的目的是为了解决现有技术中存在的缺陷，而提出的一种基于边缘计算和网络切片的低延迟视频传输***。

为了实现上述目的，本发明采用了如下技术方案：

一种基于边缘计算和网络切片的低延迟视频传输***，包括边缘计算节点、网络切片模块、内容优化模块、分布式存储模块、自适应编码模块、安全加密模块、体验分析模块、负载扩展模块、分析预测模块、反馈互动模块以及用户终端；

所述边缘计算节点用于处理和缓存视频数据；

所述网络切片模块用于将物理网络资源划分为多个虚拟网络切片，以根据应用需求进行优化配置；

所述内容优化模块用于分析和优化视频内容；

所述分布式存储模块用于在多个边缘计算节点上存储视频数据；

所述自适应编码模块用于根据网络条件和设备性能，选择最佳的视频编码方式；

所述安全加密模块用于加密传输的数据，验证用户身份，检测和防御潜在的网络攻击；

所述体验分析模块用于监测和分析用户的观看行为，以提供个性化的建议和推荐；

所述负载扩展模块用于分发流量并根据需求动态添加或移除资源；

所述分析预测模块用于分析网络性能数据和用户行为数据，以预测未来的网络需求和用户观看习惯；

所述反馈互动模块用于用户提供反馈和参与互动；

所述用户终端用于使用者与***进行交互的界面。

作为本发明的进一步方案，所述网络切片模块优化配置具体步骤如下：

步骤一：收集并确定各应用的带宽需求、延迟需求、服务质量需求以及安全需求，之后依据收集到的应用需求测量每组网络链路和设备的带宽容量与网络中不同部分的延迟，并确定网络设备和协议是否支持相关的QoS功能；

步骤二：将测量出的总带宽按照应用需求划分出多组网络切片，并根据需求为每组切片配置适当的QoS参数，之后配置访问控制列表和防火墙规则对未经授权的切片之间进行访问拦截；

步骤三：使用网络监控工具来跟踪每组网络切片的性能和资源利用情况，以及网络拥塞情况，并实时上报各种存在异常的网络切片或网络问题，同时根据实际使用情况和需求动态调整切片配置。

作为本发明的进一步方案，所述带宽需求用于确定每个应用需要的带宽，包括最小和最大需求；所述延迟需求用于了解每个应用对延迟的敏感程度，以确定最大可接受的延迟；所述服务质量需求用于确定是否需要为特定应用配置特殊的QoS参数。

作为本发明的进一步方案，所述内容优化模块视频内容优化具体步骤如下：

步骤1：识别视频的分辨率以及所使用的编码格式，再通过视频编码技术以及音频编码对视频数据以及其对应的音频数据进行压缩，之后根据设备和带宽条件，选择最佳的分辨率阈值；

步骤2：依据分辨率阈值判断各视频分辨率是否过高，若视频数据分辨率超过阈值，则将视频数据的分辨率降低到适当的水平，再对各视频数据文件格式进行转换；

步骤3：将优化完成的视频数据通过流媒体容器格式进行动态码率自适应和快速流传输至边缘计算节点上进行缓存。

作为本发明的进一步方案，所述分布式存储模块视频数据存储具体步骤如下：

步骤Ⅰ：按照规定的时间区间对各组视频数据进行分割，以形成多组数据块，之后通过哈希算法生成各组数据块的标识，收集各组节点信息；

步骤Ⅱ：依据数据块划分规则以及各边缘计算节点负载情况，并通过负载均衡算法选择合适的边缘计算节点负载来存储每组数据块，数据块存储完成后，根据***的要求和可用资源进行配置复制规定数量的数据块到多组边缘计算节点负载上；

步骤Ⅲ：当边缘计算节点负载存储的数据发生变化时，通过数据同步算法将数据更新从一个节点传播到其他边缘计算节点负载，之后自动检测各组边缘计算节点负载运行情况，并对故障节点进行数据迁移或修复。

作为本发明的进一步方案，所述体验分析模块监测分析具体步骤如下：

步骤①：从文献资料、互联网以及行为数据库中收集与各用户观看行为相关的各种知识和信息，并对收集到的观看行为知识进行分类、去重以及筛选处理；

步骤②：通过NLP技术识别和抽取出处理后的观看行为知识中的实体，再从相关的知识信息中提取每个实体的对应属性，并建立实体之间的关系，形成行为知识图谱的连接；

步骤③：采用三元组的形式将实体、属性和关系处理成对应图状结构，选择合适的图数据库来存储和管理行为知识图谱，并对行为知识图谱进行不断地更新和维护，之后将传输的各组视频数据与知识图谱中的对应实体进行匹配，并将匹配结一致的视频数据缓存至边缘计算节点中。

作为本发明的进一步方案，所述分析预测模块具体预测步骤如下：

第Ⅰ步：获取用户历史观看数据以及网络需求信息，并对其进行预处理后获取各组特征数据，之后将各组数据随机划分为训练集、验证机以及测试集，并设定模型参数，通过训练集训练神经网络模型，再通过反向传播更新模型的参数，同时使用验证集监视模型的性能；

第Ⅱ步：使用测试集来评估训练完成后的神经网络模型性能，同时通过均方根误差来计算该模型的损失值，并通过Adam优化器最小化损失值，若损失值不满足预设阈值，则重新对该神经网络模型进行训练直至损失值满足预设阈值；

第Ⅲ步：将近期用户观看数据以及网络需求信息作为输入数据传入神经网络模型中，之后输入数据从神经网络模型输入层开始经过模型的各隐藏层，各隐藏层分别对输入数据进行一次线性变换和非线性激活，并将处理后的数据通过各层之间的权重和激活函数进行逐层传递，之后输出层输出最终检测结果；

第Ⅳ步：解码器对输出的检测结果以及匹配结果进行解码以获取相关预测曲线，之后依据最终预测结果重新调整网络需求，同时将用户可能会观看的视频数据预先缓存至用户终端以及边缘计算中心。

相比于现有技术，本发明的有益效果在于：

1、本发明通过从文献资料、互联网以及行为数据库中收集与各用户观看行为相关的各种知识和信息，并对收集到的观看行为知识进行分类、去重以及筛选处理，通过NLP技术识别和抽取出处理后的观看行为知识中的实体，再从相关的知识信息中提取每个实体的对应属性，并建立实体之间的关系，形成行为知识图谱的连接，采用三元组的形式将实体、属性和关系处理成对应图状结构，选择合适的图数据库来存储和管理行为知识图谱，并对行为知识图谱进行不断地更新和维护，之后将传输的各组视频数据与知识图谱中的对应实体进行匹配，并将匹配结一致的视频数据缓存至边缘计算节点中，能够帮助***更好地理解当前网络环境、应用需求和用户行为，有助于降低成本、提高性能并提供更好的用户体验，且能够优化***的运营和规划。

2、本发明通过收集并确定各应用的带宽需求、延迟需求、服务质量需求以及安全需求，之后依据收集到的应用需求测量每组网络链路和设备的带宽容量与网络中不同部分的延迟，并确定网络设备和协议是否支持相关的QoS功能，将测量出的总带宽按照应用需求划分出多组网络切片，并根据需求为每组切片配置适当的QoS参数，之后配置访问控制列表和防火墙规则对未经授权的切片之间进行访问拦截，使用网络监控工具来跟踪每组网络切片的性能和资源利用情况，以及网络拥塞情况，并实时上报各种存在异常的网络切片或网络问题，同时根据实际使用情况和需求动态调整切片配置，能够根据不同应用的需求分配不同的带宽和资源，提高资源利用率，大幅降低传输延迟，使网络资源的分配更加智能化。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明提出的一种基于边缘计算和网络切片的低延迟视频传输***的***框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

实施例1

参照图1，一种基于边缘计算和网络切片的低延迟视频传输***，包括边缘计算节点、网络切片模块、内容优化模块、分布式存储模块、自适应编码模块、安全加密模块、体验分析模块、负载扩展模块、分析预测模块、反馈互动模块以及用户终端。

边缘计算节点用于处理和缓存视频数据；网络切片模块用于将物理网络资源划分为多个虚拟网络切片，以根据应用需求进行优化配置。

具体的，收集并确定各应用的带宽需求、延迟需求、服务质量需求以及安全需求，之后依据收集到的应用需求测量每组网络链路和设备的带宽容量与网络中不同部分的延迟，并确定网络设备和协议是否支持相关的QoS功能，将测量出的总带宽按照应用需求划分出多组网络切片，并根据需求为每组切片配置适当的QoS参数，之后配置访问控制列表和防火墙规则对未经授权的切片之间进行访问拦截，使用网络监控工具来跟踪每组网络切片的性能和资源利用情况，以及网络拥塞情况，并实时上报各种存在异常的网络切片或网络问题，同时根据实际使用情况和需求动态调整切片配置。

本实施例中，带宽需求用于确定每个应用需要的带宽，包括最小和最大需求；延迟需求用于了解每个应用对延迟的敏感程度，以确定最大可接受的延迟；服务质量需求用于确定是否需要为特定应用配置特殊的QoS参数。

内容优化模块用于分析和优化视频内容。

具体的，识别视频的分辨率以及所使用的编码格式，再通过视频编码技术以及音频编码对视频数据以及其对应的音频数据进行压缩，之后根据设备和带宽条件，选择最佳的分辨率阈值，依据分辨率阈值判断各视频分辨率是否过高，若视频数据分辨率超过阈值，则将视频数据的分辨率降低到适当的水平，再对各视频数据文件格式进行转换，将优化完成的视频数据通过流媒体容器格式进行动态码率自适应和快速流传输至边缘计算节点上进行缓存。

分布式存储模块用于在多个边缘计算节点上存储视频数据。

具体的，按照规定的时间区间对各组视频数据进行分割，以形成多组数据块，之后通过哈希算法生成各组数据块的标识，收集各组节点信息，依据数据块划分规则以及各边缘计算节点负载情况，并通过负载均衡算法选择合适的边缘计算节点负载来存储每组数据块，数据块存储完成后，根据***的要求和可用资源进行配置复制规定数量的数据块到多组边缘计算节点负载上，当边缘计算节点负载存储的数据发生变化时，通过数据同步算法将数据更新从一个节点传播到其他边缘计算节点负载，之后自动检测各组边缘计算节点负载运行情况，并对故障节点进行数据迁移或修复。

自适应编码模块用于根据网络条件和设备性能，选择最佳的视频编码方式；安全加密模块用于加密传输的数据，验证用户身份，检测和防御潜在的网络攻击；体验分析模块用于监测和分析用户的观看行为，以提供个性化的建议和推荐。

具体的，从文献资料、互联网以及行为数据库中收集与各用户观看行为相关的各种知识和信息，并对收集到的观看行为知识进行分类、去重以及筛选处理，通过NLP技术识别和抽取出处理后的观看行为知识中的实体，再从相关的知识信息中提取每个实体的对应属性，并建立实体之间的关系，形成行为知识图谱的连接，采用三元组的形式将实体、属性和关系处理成对应图状结构，选择合适的图数据库来存储和管理行为知识图谱，并对行为知识图谱进行不断地更新和维护，之后将传输的各组视频数据与知识图谱中的对应实体进行匹配，并将匹配结一致的视频数据缓存至边缘计算节点中。

实施例2

参照图1，一种基于边缘计算和网络切片的低延迟视频传输***，包括边缘计算节点、网络切片模块、内容优化模块、分布式存储模块、自适应编码模块、安全加密模块、体验分析模块、负载扩展模块、分析预测模块、反馈互动模块以及用户终端。

负载扩展模块用于分发流量并根据需求动态添加或移除资源。

分析预测模块用于分析网络性能数据和用户行为数据，以预测未来的网络需求和用户观看习惯。

具体的，获取用户历史观看数据以及网络需求信息，并对其进行预处理后获取各组特征数据，之后将各组数据随机划分为训练集、验证机以及测试集，并设定模型参数，通过训练集训练神经网络模型，再通过反向传播更新模型的参数，同时使用验证集监视模型的性能，使用测试集来评估训练完成后的神经网络模型性能，同时通过均方根误差来计算该模型的损失值，并通过Adam优化器最小化损失值，若损失值不满足预设阈值，则重新对该神经网络模型进行训练直至损失值满足预设阈值，将近期用户观看数据以及网络需求信息作为输入数据传入神经网络模型中，之后输入数据从神经网络模型输入层开始经过模型的各隐藏层，各隐藏层分别对输入数据进行一次线性变换和非线性激活，并将处理后的数据通过各层之间的权重和激活函数进行逐层传递，之后输出层输出最终检测结果，解码器对输出的检测结果以及匹配结果进行解码以获取相关预测曲线，之后依据最终预测结果重新调整网络需求，同时将用户可能会观看的视频数据预先缓存至用户终端以及边缘计算中心。

反馈互动模块用于用户提供反馈和参与互动；用户终端用于使用者与***进行交互的界面。

Claims (6)

1.一种基于边缘计算和网络切片的低延迟视频传输***，其特征在于，包括边缘计算节点、网络切片模块、内容优化模块、分布式存储模块、自适应编码模块、安全加密模块、体验分析模块、负载扩展模块、分析预测模块、反馈互动模块以及用户终端；

所述边缘计算节点用于处理和缓存视频数据；

所述网络切片模块用于将物理网络资源划分为多个虚拟网络切片，以根据应用需求进行优化配置；

所述内容优化模块用于分析和优化视频内容；

所述分布式存储模块用于在多个边缘计算节点上存储视频数据；

所述自适应编码模块用于根据网络条件和设备性能，选择最佳的视频编码方式；

所述安全加密模块用于加密传输的数据，验证用户身份，检测和防御潜在的网络攻击；

所述体验分析模块用于监测和分析用户的观看行为，以提供个性化的建议和推荐；

所述负载扩展模块用于分发流量并根据需求动态添加或移除资源；

所述分析预测模块用于分析网络性能数据和用户行为数据，以预测未来的网络需求和用户观看习惯；

所述反馈互动模块用于用户提供反馈和参与互动；

所述用户终端用于使用者与***进行交互的界面。

2.根据权利要求1所述的一种基于边缘计算和网络切片的低延迟视频传输***，其特征在于，所述网络切片模块优化配置具体步骤如下：

步骤一：收集并确定各应用的带宽需求、延迟需求、服务质量需求以及安全需求，之后依据收集到的应用需求测量每组网络链路和设备的带宽容量与网络中不同部分的延迟，并确定网络设备和协议是否支持相关的QoS功能；

步骤二：将测量出的总带宽按照应用需求划分出多组网络切片，并根据需求为每组切片配置适当的QoS参数，之后配置访问控制列表和防火墙规则对未经授权的切片之间进行访问拦截；

步骤三：使用网络监控工具来跟踪每组网络切片的性能和资源利用情况，以及网络拥塞情况，并实时上报各种存在异常的网络切片或网络问题，同时根据实际使用情况和需求动态调整切片配置。

3.根据权利要求2所述的一种基于边缘计算和网络切片的低延迟视频传输***，其特征在于，所述内容优化模块视频内容优化具体步骤如下：

步骤1：识别视频的分辨率以及所使用的编码格式，再通过视频编码技术以及音频编码对视频数据以及其对应的音频数据进行压缩，之后根据设备和带宽条件，选择最佳的分辨率阈值；

步骤2：依据分辨率阈值判断各视频分辨率是否过高，若视频数据分辨率超过阈值，则将视频数据的分辨率降低到适当的水平，再对各视频数据文件格式进行转换；

步骤3：将优化完成的视频数据通过流媒体容器格式进行动态码率自适应和快速流传输至边缘计算节点上进行缓存。

4.根据权利要求1所述的一种基于边缘计算和网络切片的低延迟视频传输***，其特征在于，所述分布式存储模块视频数据存储具体步骤如下：

步骤Ⅰ：按照规定的时间区间对各组视频数据进行分割，以形成多组数据块，之后通过哈希算法生成各组数据块的标识，收集各组节点信息；

步骤Ⅱ：依据数据块划分规则以及各边缘计算节点负载情况，并通过负载均衡算法选择合适的边缘计算节点负载来存储每组数据块，数据块存储完成后，根据***的要求和可用资源进行配置复制规定数量的数据块到多组边缘计算节点负载上；

步骤Ⅲ：当边缘计算节点负载存储的数据发生变化时，通过数据同步算法将数据更新从一个节点传播到其他边缘计算节点负载，之后自动检测各组边缘计算节点负载运行情况，并对故障节点进行数据迁移或修复。

5.根据权利要求3所述的一种基于边缘计算和网络切片的低延迟视频传输***，其特征在于，所述体验分析模块监测分析具体步骤如下：

步骤①：从文献资料、互联网以及行为数据库中收集与各用户观看行为相关的各种知识和信息，并对收集到的观看行为知识进行分类、去重以及筛选处理；

步骤②：通过NLP技术识别和抽取出处理后的观看行为知识中的实体，再从相关的知识信息中提取每个实体的对应属性，并建立实体之间的关系，形成行为知识图谱的连接；

步骤③：采用三元组的形式将实体、属性和关系处理成对应图状结构，选择合适的图数据库来存储和管理行为知识图谱，并对行为知识图谱进行不断地更新和维护，之后将传输的各组视频数据与知识图谱中的对应实体进行匹配，并将匹配结一致的视频数据缓存至边缘计算节点中。

6.根据权利要求1所述的一种基于边缘计算和网络切片的低延迟视频传输***，其特征在于，所述分析预测模块具体预测步骤如下：

第Ⅰ步：获取用户历史观看数据以及网络需求信息，并对其进行预处理后获取各组特征数据，之后将各组数据随机划分为训练集、验证机以及测试集，并设定模型参数，通过训练集训练神经网络模型，再通过反向传播更新模型的参数，同时使用验证集监视模型的性能；

第Ⅱ步：使用测试集来评估训练完成后的神经网络模型性能，同时通过均方根误差来计算该模型的损失值，并通过Adam优化器最小化损失值，若损失值不满足预设阈值，则重新对该神经网络模型进行训练直至损失值满足预设阈值；

第Ⅲ步：将近期用户观看数据以及网络需求信息作为输入数据传入神经网络模型中，之后输入数据从神经网络模型输入层开始经过模型的各隐藏层，各隐藏层分别对输入数据进行一次线性变换和非线性激活，并将处理后的数据通过各层之间的权重和激活函数进行逐层传递，之后输出层输出最终检测结果；

第Ⅳ步：解码器对输出的检测结果以及匹配结果进行解码以获取相关预测曲线，之后依据最终预测结果重新调整网络需求，同时将用户可能会观看的视频数据预先缓存至用户终端以及边缘计算中心。