一、丢包网络中鲁棒的视频码率控制算法（论文文献综述）
周晓东,孙树峰[1]（2022）在《基于视频码率实时调整传输的QFRC算法研究》文中研究指明随着社会经济的发展,人们对视频传输效率的要求越来越高。如何在带宽有限的情况下提高传输效率成为研究热点。基于此,提出了一种基于视频码率传输实时调整的质量友好速率控制（QFRC）算法。该算法通过对网络延时趋势的判断指标进行传输码率预测,能够很好地避免网络拥塞。该算法在提高无线网络带宽利用率的同时,保持了对传输控制协议（TCP）流的友好性,从而避免了数据传输间的过度竞争问题。
张家森[2]（2021）在《支持远程驾驶的视频控制决策算法研究》文中认为随着汽车制造业的不断发展,国内私家车拥有量快速增长,因此而导致的交通拥堵和出行安全问题日益严重,对智能交通系统的建立有着迫切的需求。近些年来,随着车联网技术不断发展,在汽车行业内引起了广泛关注,远程驾驶技术作为其中重要组成部分,它可以实时追踪车辆的行驶状态,并在情况紧急时,在远端控制中心及时对车辆进行接管,实现远程驾驶,防止危险出现,提高车辆安全行驶。由于汽车在道路上进行远程驾驶时,车辆终端通过网络实时回传的视频信息是远端控制中心进行远程驾驶的重要依据,车辆终端通常在众多不同制式的无线网络覆盖范围内行驶,这就要求汽车终端需要通过有效的网络间的切换和自适应调整视频传输的速率来保持视频图像的稳定回传。本文主要对车辆在车联网环境下进行远程驾驶时的无线网络切换问题和视频实时传输自适应调整码率问题进行研究,并提出相应的解决方案。针对车辆终端在车联网场景下进行网络切换时存在响应不及时和切换次数过多导致乒乓效应的问题,提出一种改进算法。本算法首先对待接入网络进行筛选处理,选取符合条件的网络,然后通过模糊层次分析法确定网络属性的权重,TOPSIS算法进行优先级排序,最后根据排序结果进行切换。仿真结果表明,本文算法具有较好的切换性能,且能够降低切换的频率,减少乒乓效应,提升车端网络系统的切换性能和稳定性。针对车端视频实时传输过程中,由于网络环境的变换,不能自适应的调整视频传输速率,出现延迟、拥塞的问题,改进了一种基于探测法的自适应码率调整方法。该算法将视频接收端反馈的网络评估参数作为对实时网络环境进行预测的依据,在原有的网络状态评估参数丢包率的基础上引入时延抖动作为新的评估参数,然后根据本文所改进的视频传输速率调整机制对网络状态的变化做出及时反应,使视频数据传输速率与网络信道实时匹配,测试结果表明,改进后的算法能够准确地调整视频传输速率,更好的满足车端视频数据传输要求。
陆嘉敏[3]（2021）在《视频直播传输算法移动端适配与优化研究》文中研究表明随着互联网和视频技术的迅速发展,诞生了诸如直播带货、在线教育等行业,改变了人们的生活和工作方式。与此同时,实时视频产生的巨大流量给互联网传输带来了巨大挑战,视频卡顿多、延迟高等问题影响着用户的观看体验。因此,视频流的传输算法及其优化成为研究热点。本文设计和实现了针对移动端视频直播传输算法的测评平台,利用真实移动网络数据模拟链路,分析不同算法在不同网络场景中的表现。实验结果表明,基于机器学习的算法相比GCC算法能获得更高的吞吐量,但是存在训练困难和算法表现不稳定的问题。针对以上问题,本文对基于机器学习的算法进行了深入的研究,通过对比实验探究了不同因素对算法性能的影响。实验结果表明,历史信息的长度对拥塞控制算法对网络拥塞的判断有影响,而神经网络的结构影响不大。根据实验结论,本文基于DQN算法提出了 LVCC算法,并针对线上环境不稳定的问题,提出了网络状况检测算法来保障鲁棒性。最后,基于上述算法设计并实现了视频直播传输算法在移动端的适配系统,并在真实直播场景中进行实验验证。结果表明,优化后的LVCC算法在视频RTT和视频卡顿率等指标上都有所改善,提升了视频的传输质量。
周闰[4]（2021）在《基于喷泉码的视频传输策略的研究与实现》文中研究指明随着视频业务的日益发展,视频业务已经成为现代社会不可或缺的一环,人们对视频应用的服务质量也提出了更高的要求,但是网络波动和信道衰减等因素容易导致视频在传输过程中丢包。喷泉码能有效提升数据传输质量,但是直接将喷泉码应用到视频传输中很难满足性能要求。因此,针对喷泉码现有度分布无法满足视频传输性能要求和编码冗余度缺乏对网络适应能力的问题,对喷泉码度分布进行优化设计,构建一种冗余度算法,设计了一种能提高视频传输质量的视频传输策略。本文主要内容如下:1.结合喷泉码和视频传输技术的国内外研究现状,对视频传输策略进行总体设计。2.由于现有的单一度分布较难满足不同数量的输入符号的编译码性能,结合视频传输的特点,对现有度分布进行分析,设计了一种能适用于不同大小视频传输的联合度分布,并针对译码成功率和译码开销进行了测试与分析。结果表明,联合度分布能提高喷泉码的译码成功率,降低编译码开销。3.针对喷泉码在编码时采用固定冗余度无法适应网络带宽变化的问题,首先对不同长度的视频切片进行喷泉码译码开销和译码时延的实验与分析,明确了适用于视频传输的视频切片的大小。然后利用带宽测量技术根据每一个视频切片的传输时间估算出当前网络可用带宽。最后基于视频码率和网络带宽之间的关系,提出了一种具有网络适应能力的编码冗余度算法。为了验证本文设计的视频传输策略的有效性,搭建了一个视频传输测试系统,在不同网络丢包率下对视频传输策略进行测试。测试结果表明,基于喷泉码设计的视频传输策略能有效改善网络丢包对视频传输带来的影响,当视频数据出现丢包时,能通过少量时延和冗余编码符号的代价,对丢失的视频数据进行恢复,实现视频流畅播放。
杨渡佳[5]（2021）在《深度强化学习样本效率提升方法及其在视频码率控制中的应用》文中研究指明与深度学习结合的深度强化学习是人工智能领域的热点研究方向之一,已经在诸多领域都有着很成功的案例。然而,深度强化学习普遍面临着样本复杂性问题,特别是更具通用性和实用性的非模型深度强化学习,因其增量参数调整等内在需求,使得算法的学习需要海量的样本。这就对算法的实际应用提出了很大的挑战,尤其是在样本获取代价巨大的场景。本文立足解决非模型深度强化学习算法的样本复杂性问题,在情景强化学习框架下探索设计提升样本效率的关键核心算法,并研究如何进一步将之应用到视频码率控制这一具体应用中。论文的三个主要研究内容如下:（1）针对已有情景记忆模型在快速性和稳定性指标上存在的局限性,提出了一种改进型情景记忆模型,该模型综合了快速奖励传播机制、基于表格的Q-learning算法和N-step learning机制,同时具有奖励值快速传播和稳定更新的优点,而且通过合理的模型设计,降低了模型的存储和计算复杂度;针对情景深度强化学习框架下情景记忆利用形式单一等问题,提出了多元情景记忆模型面向深度强化学习的综合利用框架,通过将所提模型应用到影响深度强化学习参数调节效率的三大关键部分（探索策略、经验回放和损失函数）的核心算法设计中,提升了算法的样本效率。实验结果表明,该基于多元情景记忆模型的深度强化学习算法在提升深度强化学习算法的样本效率方面有着显着作用。（2）针对传统和基于多元情景记忆模型的深度强化学习无法充分利用样本间关联信息以及后者的情景记忆模型无法评估新状态等问题,通过引入有向关联图表征所有样本之间的整体关联关系,进一步提出了基于有向关联图的样本效率增强算法并在数学上证明了收敛性。基于有向关联图和情景深度强化学习,算法使用目标深度神经网络、情景记忆和基于有向关联图的规划三个学习系统生成状态-动作值函数,从不同的角度对目标值进行估计,最后将其作为监督值分别计算估值网络的损失信号,共同用于深度神经网络的参数更新。实验结果表明,基于有向关联图的样本效率增强算法相较于基于多元情景记忆模型的样本效率提升算法可以进一步提升深度强化学习算法的样本效率。（3）深度强化学习框架下的视频码率控制算法对样本效率要求尤为突出,针对视频播放具有特征各异的初始缓冲和正式播放两个阶段的特点,提出了一种基于子情景记忆深度强化学习的视频码率控制算法。该算法将每个视频会话拆分为初始缓冲和正式播放两个子回合,然后分别建模和执行优化策略,最后统一于综合考虑初始缓冲和正式播放的奖励函数模型中,以最大化用户视频观看体验为目标,训练出适用于需要同时考虑样本效率、算法性能和初始缓冲情况的视频码率控制算法。仿真实验结果表明该算法相较于基于传统深度强化学习以及直接应用研究内容（1）和（2）提出的算法的视频码率控制算法,一方面有效提升了算法在训练中的样本效率,另一方面也全面提升了用户的主观观看体验、视频的客观质量指标以及初始缓冲阶段的表现。本文的研究内容采用了学术界通用的标准数据集（Atari 2600游戏数据集）测试和面向视频码率控制特定应用的仿真数据集测试相结合的方式,较好的证明了所设计的样本效率提升算法的普适性和面向实际应用的可推广性。本文的研究工作对深度强化学习下的样本效率提升算法的设计提供了有益的借鉴思路,对算法的实际应用推广提供了值得参考的方向。
马若暄[6]（2021）在《视频直播拥塞控制算法传输质量测量与优化研究》文中研究表明视频直播服务广泛进入到人们的日常生活中,拥塞控制算法承担着根据网络状况及时调整速率的任务,对于保证用户体验起到了重要作用。但是面对复杂多变的网络环境,拥塞控制算法面临着巨大考验。学术界对此引入了机器学习等方案解决此问题,但基于仿真器的设计,与真实环境仍然存在难以适配、表现差的问题。本课题依托合作方直播平台数据,通过结合线上实际表现,使用线上真实数据,验证了基于规则的GCC拥塞控制算法和由仿真训练的模型在实际中存在问题的现象,通过数据分析和实际实验,证实了在实际环境中进行训练的必要性。针对以上发现,本课题以在线训练为背景进行了研究,设计并实现了基于WebRTC的在线学习算法。在视频业务实际运行过程中,将WebRTC端的网络数据计算整合传输至实时训练服务端,在不干扰正常视频业务的情况下,完成了拥塞控制算法的在线训练,从而使得视频业务算法训练可以摆脱仿真器的限制。针对在视频应用中强化学习算法表现不佳的原因进行了分析研究,并改进了方案,针对同一种算法,使预测比特率与实际带宽的平均差值缩小了 28.70%,RTT降低了 40.46ms,丢包率降低了19.97%。
赵印[7]（2021）在《面向超低时延场景下的实时媒体流分发策略》文中指出随着互联网的飞速发展,视频会议、联机游戏、视频直播等以流媒体技术为核心的新兴应用大量涌现,它们都有着低时延的共性,对时延的追求从秒级（视频直播）,到百毫秒级（视频会议）,再到毫秒级（云游戏、车联网、VR/AR）。受这些新型应用场景的需求驱动,互联网的方向一定是越来越快,越来越实时。这些新兴的超低时延应用,同传统的网络密集型应用（Web,FTP,多媒体流等）相比,其分发的业务媒体流更加丰富,包括场景音效、视频、语音、文字、操作信息等。其中,视频流可以分为不同清晰度、不同质量的视频切片（如DASH）,研究在不同网络状况下选择下载不同码率的视频切片成为了学术界和工业界的热门研究方向,即码率自适应领域。除此之外,这些并发的媒体流通常拥有不同的优先级以及各自明确的截止日期,这使得在传输层根据其特性进行选择性调度成为了进一步降低延迟的可能。针对新兴应用的超低时延需求,本文设计了一套时延敏感的实时媒体流分发策略,从两个角度来降低时延:一是集成深度强化学习的时延敏感性码率自适应算法,新型应用的发展对自适应比特率（ABR）算法提出了许多新的技术挑战,不仅需要稳定的高质量传输,而且需要较低的端到端时延。强化学习（RL）能在不使用任何预编程控制规则的情况下自动学习ABR算法,取得了良好的效果。然而,现有的方法只考虑比特率控制而忽略了延迟控制。因此,为了有效降低端到端的时延,本文在基于RL的比特率控制模型的基础上,提出了一个独立的时延控制模型进行辅助控制。此外,本文还提出了一种模型集成算法来降低性能波动,提高用户体验质量。二是时延敏感的传输层调度算法,具体包括两个调度算法:基于启发式规则和DRL的拥塞控制算法、选包调度算法,分别决定了发送速率和发送哪些数据包,在探测网络带宽的基础上,尽可能有效利用带宽,减少带宽浪费或网络拥堵,尽量满足数据包的截止期限。综上所述,针对新兴的超低时延应用,设计一套合适的流媒体分发策略能够有效地契合当下网络传输的快速发展,提供更高质量的服务。本文将从终端侧的分发策略和网络侧的分发策略两个角度尝试解决这个问题,实验结果表明,两种算法都明显优于基线方法,证明了本文策略的有效性和实用性。
高溢之[8]（2020）在《异构无线网络自适应视频传输控制算法及验证》文中认为随着下一代移动网络与移动互联网的快速发展,移动数据流量在近年来呈现爆发式增长,无线网络视频应用在全网的吞吐量呈指数级增长。在异构无线网络环境中,存在多方面影响数据传输的因素,如无线网络信道衰落、时延抖动等,而视频流媒体传输业务相对于传统业务有着较高的用户体验质量（Quality of Experience,QoE）要求,因此,如何根据网络状态对视频传输进行优化,提升视频播放的流畅度以及视频质量的高水平,从而确保观看者能够获得良好的QoE,是研究无线网络视频传输的重点,也是为用户提供良好的观看体验的一项具有挑战性的工作。基于现有的视频传输研究现状,针对异构无线网络中视频传输存在的问题以及如何提升用户观看体验,本文的研究主要从以下三个方面展开:（1）针对视频直播客户端在视频传输过程中无法自适应调节视频播放比特率的问题,本文提出了基于深度强化学习的无线视频码率自适应传输控制算法,将端到端时延和客户端缓冲占用长度联合考虑,建立了以端到端时延和播放缓存为主要参数的反馈控制模型,并根据网络数据集和视频数据集使用深度Q学习网络（Deep Q-learning Network,DQN）训练出无线视频比特率自适应传输控制模型,得到视频传输过程中最合适的视频比特率。仿真结果证明,与基于客户端缓冲区的比特率调整算法比较,本文提出的算法通过对时延和缓存的有效控制,对用户体验有较为明显的提升。（2）针对单一链路带宽不足或网络环境较差而影响视频传输播放的问题,本文提出了面向高清视频业务的异构无线网络自适应并行传输控制方法,根据最小化链路数、视频片段有序传输等问题,建立了多链路并行的视频传输控制模型。仿真结果证明,与单链路传输场景对比,本文提出的多链路视频传输算法能进一步提升视频比特率、端到端时延、播放缓冲区的稳定性,进而提高了用户体验。（3）针对视频直播传输场景,设计并实现了以QoE为导向的视频传输比特率自适应控制系统。本系统根据网络参数、视频参数等,调节视频比特率的水平以及客户端播放的倍速,以此来提升视频传输、播放的稳定性,进而提升用户体验。仿真实验表明,该系统能够模拟视频直播传输场景并且使用相关比特率调整算法提升用户体验。
魏文佳[9]（2020）在《基于MPTCP的多路径传输中的耦合拥塞控制和数据调度机制研究》文中提出随着各种接入技术的不断发展,一种通信设备通常具有多个网络接口,多路径TCP（Multipath TCP,MPTCP）作为传输层上的一种新的带宽聚合技术,由于支持并发使用多个接口以及对上层应用程序的兼容性而备受关注。MPTCP技术旨在提供可靠的带宽聚合服务,同时保持对单路径TCP连接的公平性。近年来国内外机构先后作出了大量的研究来提升MPTCP的性能,但总体而言,在MPTCP拥塞控制算法、数据调度算法以及和实际应用结合等方面还存在着诸多问题。首先,MPTCP默认的拥塞控制设计准则（网络公平性准则）严重限制了MPTCP连接非瓶颈位置的子流的性能,导致其不能有效利用链路资源。应该基于瓶颈公平性原则设计拥塞控制算法,只在瓶颈位置耦合控制子流实现对单路径TCP连接的公平性。而在非瓶颈位置子流,应该解除耦合控制,使其按照单路径TCP连接来运行,从而提升整体吞吐量。其次,在无线异构网络中,无线随机丢包经常出现,现有的MPTCP拥塞控制算法在该场景中性能下降明显,需要引入新的拥塞控制算法来解决无线网络中吞吐量下降的问题,同时还要进一步考虑在新拥塞控制算法下数据调度算法的调整。最后,由于MPTCP对上层应用的透明,现有的MPTCP传输方案在进行数据调度时没有考虑上层应用,比如虚拟现实（Virtual Reality,VR）视频的要求,而是盲目地在不同路径上进行数据调度。因此,需要跨层的优化策略提升整个传输过程。为解决上述问题,本文提出了如下三个方案:（一）本文提出一种新的基于瓶颈公平性的多径传输优化方案,其包括一个新的基于瓶颈公平性的拥塞控制算法和一个新的基于瓶颈公平性的数据调度算法。基于瓶颈公平性的拥塞控制算法利用显示拥塞通告（Explicit Congestion Notification,ECN）机制检测子流是否共享瓶颈,并基于两次判定提升检测的准确度。在完成瓶颈集合判定之后,该拥塞控制算法释放瓶颈集合外部子流的传输性能,而在瓶颈集合内部实现基于子流拥塞度的耦合拥塞控制。此外,该拥塞控制算法通过弹性地调控子流拥塞控制窗口（Congestion Window,CWND）的增大和减小实现负载均衡并保证对瓶颈集合内部单路径TCP连接的友好性。不同于以往数据调度算法在估计数据包分配数目时忽视子流CWND的耦合变化,基于瓶颈公平性的数据调度算法能够根据每个子流的拥塞程度以及子流所处的瓶颈集合,对每个子流的CWND进行建模。该调度算法提升了估计的准确度,进一步提升了整体传输性能。（二）瓶颈带宽和往返时延（Bottleneck Bandwidth and Round-trip propagation time,BBR）算法对丢包环境有很强的适应性,尤其是随机丢包出现时,能保持较高的吞吐量。为了提高无线异构网络环境下MPTCP的性能,本文提出了一种基于BBR的多径传输优化方案。该方案包括一个基于BBR的拥塞控制算法和一个在该拥塞控制算法基础上设计的数据调度算法。基于BBR的拥塞控制算法依据实际探测速率而不是丢包信息来自适应地调整每个子流的发送速率,保证其在提升性能的同时保持对单路径TCP连接的瓶颈公平性。然后,考虑到无线异构网络中子流的不同传输速率将导致乱序交付问题,新的调度算法通过两个阶段的调度来确保数据包按序到达接收端以减少完成时间:第一阶段,在不同的子流上实现冗余传输,这样既可以缩短对时延敏感的小流的完成时间,又可以为后续大流的传输提供链路参数。在达到固定的阈值后,进入第二阶段,执行前向预测调度算法,根据拥塞控制算法执行过程中得到的每个子流的带宽和RTT值,准确估计每个子流上数据包的完成时间,选取最快完成时间的子流进行调度。我们通过NS-3和实际网络测试来评估我们提出的方案。实验结果表明,我们提出的方案在无线异构环境中优于现有的MPTCP方案。（三）本文针对360度VR视频传输所面临的带宽不足和时延无法保证的问题,提出了一种基于MPTCP的虚拟视频传输方案。该方案根据不同子流的带宽和传输延迟动态选择合适的图块比特率,然后将视频片段精细地调度到不同的子流,以便视频数据包可以按时按序到达接收端的播放缓冲区,以提高用户的体验质量（Quality of Experience,QoE）。我们通过实验室搭建的测试平台和NS-3分别验证我们提出的方案的性能。评估结果表明,当网络波动或者视口的图块出现传输错误时,我们的方案优于现有的基于图块的策略,能提供更可靠的视频传输性能。
郑莹,段庆洋,林利祥,游新宇,徐跃东,王新[10]（2020）在《深度强化学习在典型网络系统中的应用综述》文中指出近几年来,以深度强化学习（Deep Reinforcement Learning,DRL）为代表的人工智能技术被引入计算机网络系统设计中,促使网络领域走向数据驱动和智能化,并在典型的网络系统中不断取得新的突破。计算机网络应用的难点是难以对多变的网络环境进行复杂准确的建模,借助深度神经网络出色的特征提取能力,深度强化学习能够更好地以试错的方式探索更优的决策,并具有端到端的设计优势。首先阐述深度强化学习技术的原理,包括多种典型的深度学习中使用的神经网络结构、基于值函数和基于策略梯度的深度强化学习训练算法;之后详细分析了深度强化学习技术在计算机网络领域中解决资源调度问题的研究现状,包括任务调度、视频传输、路由选择、TCP拥塞控制以及网络缓存;最后给出了在计算机网络应用中使用深度强化学习仍存在的挑战。
二、丢包网络中鲁棒的视频码率控制算法（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、丢包网络中鲁棒的视频码率控制算法（论文提纲范文）
（1）基于视频码率实时调整传输的QFRC算法研究（论文提纲范文）
| 0 引言 |
| 1 视频传输码率现状分析 |
| 1.1 视频传输丢包 |
| 1.2 视频拥塞控制机制 |
| 1) 端到端方案。 |
| 2) 分段连接方案。 |
| 3) 本地链路层方案。 |
| 2 视频码率优化系统架构 |
| 3 QFRC算法 |
| 3.1 视频码率预测 |
| 3.2 拥塞趋势判断 |
| 3.3 视频码率调整 |
| 4 实验测试分析 |
| 4.1 实验仿真结果及分析 |
| 4.2 实验测试环境及结果分析 |
| 1) 视频源： |
| 2) 网关： |
| 3) LTE基站： |
| 4) 智能终端： |
| 5 结束语 |
（2）支持远程驾驶的视频控制决策算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 车联网的国内外研究现状 |
| 1.3 远程驾驶技术及其关键技术研究现状 |
| 1.3.1 远程驾驶技术研究现状 |
| 1.3.2 网络切换技术的研究现状 |
| 1.3.3 视频码率自适应算法研究现状 |
| 1.4 主要研究内容及章节安排 |
| 1.4.1 主要研究内容 |
| 1.4.2 章节安排 |
| 第二章 远程驾驶中的视频控制决策相关技术 |
| 2.1 无线网络接入技术 |
| 2.1.1 WI-FI技术 |
| 2.1.2 LTE技术 |
| 2.2 垂直切换技术 |
| 2.2.1 垂直切换分类 |
| 2.2.2 垂直切换过程 |
| 2.2.3 垂直切换算法分析 |
| 2.2.4 模糊层次分析法和TOPSIS算法 |
| 2.3 视频实时传输的关键技术 |
| 2.3.1 压缩编解码技术 |
| 2.3.2 视频传输协议 |
| 2.3.3 网络拥塞 |
| 2.3.4 基于网络的拥塞调控策略 |
| 2.3.5 基于终端的速率调控策略 |
| 2.4 本章小结 |
| 第三章 基于车联网的多属性垂直切换算法研究 |
| 3.1 应用场景分析和传统算法分析 |
| 3.1.1 应用场景分析 |
| 3.1.2 传统算法分析 |
| 3.2 基于车联网的多属性垂直切换算法 |
| 3.2.1 预筛选 |
| 3.2.2 网络判决 |
| 3.3 实验仿真结果与算法性能分析 |
| 3.3.1 仿真模型搭建 |
| 3.3.2 算法性能指标 |
| 3.3.3 仿真实验结果与分析 |
| 3.4 本章小结 |
| 第四章 自适应视频码率控制算法研究 |
| 4.1 应用场景分析和传统算法分析 |
| 4.1.1 应用场景分析 |
| 4.1.2 传统算法分析 |
| 4.2 视频传输自适应码率算法的改进 |
| 4.2.1 基于探测的视频码率自适应调整方法 |
| 4.2.2 改进的视频传输自适应码率调整方法 |
| 4.3 实验环境和实验方案 |
| 4.3.1 实验环境 |
| 4.3.2 实验设备介绍 |
| 4.3.3 实验方案介绍 |
| 4.4 自适应传输性能测试及其对比分析 |
| 4.4.1 网络可用带宽突变状况下的性能测试 |
| 4.4.2 车辆移动状态下的性能测试 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 研究展望 |
| 参考文献 |
| 在学期间的研究成果 |
| 致谢 |
（3）视频直播传输算法移动端适配与优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.2.1 视频直播技术的发展现状 |
| 1.2.2 移动端视频直播传输算法的优化研究 |
| 1.3 研究目标与研究内容 |
| 1.4 论文组织结构 |
| 第二章 相关技术 |
| 2.1 视频直播关键技术 |
| 2.1.1 视频直播基本架构 |
| 2.1.2 音视频传输技术 |
| 2.1.3 WebRTC底层模块介绍 |
| 2.2 网络拥塞控制 |
| 2.2.1 网络出现拥塞的原因分析 |
| 2.2.2 基于TCP的拥塞控制算法 |
| 2.2.3 视频流场景下的拥塞控制算法 |
| 2.3 机器学习相关技术 |
| 2.3.1 机器学习理论 |
| 2.3.2 强化学习 |
| 2.3.3 强化学习分类 |
| 2.4 本章小结 |
| 第三章 视频直播传输算法测评研究 |
| 3.1 测评平台设计与实现 |
| 3.1.1 移动网络链路模拟 |
| 3.1.2 视频直播传输算法测评平台设计与实现 |
| 3.2 实验评估 |
| 3.2.1 测评实验环境 |
| 3.2.2 测评实验部署 |
| 3.2.3 实验结果 |
| 3.2.4 问题分析和总结 |
| 3.3 本章小结 |
| 第四章 视频直播传输算法移动端适配与优化研究 |
| 4.1 视频直播传输算法性能优化 |
| 4.1.1 优化角度 |
| 4.1.2 不同强化学习算法的影响 |
| 4.1.3 输入状态历史信息长度的影响 |
| 4.1.4 神经网络结构的影响 |
| 4.2 LVCC算法设计 |
| 4.2.1 LVCC算法架构 |
| 4.2.2 DQN智能体的设计 |
| 4.2.3 算法训练过程与实验结果 |
| 4.3 网络状况检测算法 |
| 4.4 本章小结 |
| 第五章 系统设计与实验评估 |
| 5.1 移动端在线适配系统 |
| 5.1.1 移动端适配系统方案选择 |
| 5.1.2 移动端在线适配系统设计与实现 |
| 5.2 在线实验评估 |
| 5.2.1 在线实验环境和实验部署 |
| 5.2.2 受限网络场景的实验结果 |
| 5.2.3 真实直播场景的实验结果 |
| 5.2.4 基于机器学习算法的实验结果 |
| 5.3 移动端适配系统的不足与展望 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 对本文工作的总结 |
| 6.2 对未来研究工作的展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间所发表的学术论文 |
（4）基于喷泉码的视频传输策略的研究与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要内容和目标 |
| 1.3.1 主要内容 |
| 1.3.2 研究目标 |
| 1.4 论文的结构安排 |
| 第2章 基于喷泉码的视频传输策略总体架构 |
| 2.1 基于喷泉码的视频传输策略需求分析 |
| 2.1.1 视频数据丢包恢复能力 |
| 2.1.2 基于视频分片的编码冗余度 |
| 2.2 基于喷泉码的视频传输策略总体设计 |
| 2.3 关键技术 |
| 2.3.1 基于视频传输的喷泉码度分布 |
| 2.3.2 基于视频传输的冗余度算法 |
| 2.4 本章小结 |
| 第3章 基于视频传输的喷泉码度分布研究与设计 |
| 3.1 视频传输信道模型 |
| 3.2 LT码编译码算法 |
| 3.2.1 LT码编码算法 |
| 3.2.2 LT码译码算法 |
| 3.3 基于视频传输的LT码度分布设计 |
| 3.3.1 基于视频传输的LT码度分布研究 |
| 3.3.2 基于视频传输的联合度分布设计 |
| 3.3.3 联合度分布性能测试与分析 |
| 3.4 本章小结 |
| 第4章 基于视频传输的喷泉码冗余度算法 |
| 4.1 基于喷泉码的视频分片 |
| 4.2 基于视频分片的网络可用带宽测量 |
| 4.3 基于视频传输的冗余度算法 |
| 4.3.1 冗余度算法模型 |
| 4.3.2 具有网络适应能力的冗余度算法 |
| 4.4 本章小结 |
| 第5章 基于喷泉码的视频传输策略实现 |
| 5.1 视频采集 |
| 5.2 视频传输策略LT码的实现 |
| 5.2.1 LT码编码器的实现 |
| 5.2.2 冗余度算法的实现 |
| 5.2.3 LT码译码器的实现 |
| 5.3 视频推流 |
| 5.4 性能测试与分析 |
| 5.4.1 丢包恢复能力 |
| 5.4.2 译码开销 |
| 5.5 本章小结 |
| 第6章 全文工作总结与展望 |
| 6.1 全文工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间从事的科研工作及取得的成果 |
（5）深度强化学习样本效率提升方法及其在视频码率控制中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号说明 |
| 缩略语说明 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 相关工作和研究现状 |
| 1.3 本文的研究内容与主要贡献 |
| 1.4 本文的组织结构 |
| 第2章 背景知识介绍 |
| 2.1 强化学习的问题描述 |
| 2.2 强化学习的算法原理 |
| 2.3 深度强化学习基本原理 |
| 2.4 强化学习的复杂性问题 |
| 2.5 流媒体视频业务 |
| 2.5.1 自适应码流协议 |
| 2.5.2 基于体验质量的视频业务评估 |
| 2.6 算法实现与仿真 |
| 2.7 本章小结 |
| 第3章 基于多元情景记忆模型的样本效率提升算法 |
| 3.1 引言 |
| 3.2 问题描述及解决思路 |
| 3.3 改进型情景记忆模型 |
| 3.4 多元情景记忆综合利用框架 |
| 3.4.1 基于百分位数最优回放单元的混合经验回放 |
| 3.4.2 基于情景调整的探索策略和混合损失函数 |
| 3.5 实验与分析 |
| 3.5.1 测试环境 |
| 3.5.2 测试结果 |
| 3.5.3 多元情景记忆综合利用框架的有效性分析 |
| 3.6 本章小结 |
| 第4章 基于有向关联图的样本效率增强算法 |
| 4.1 引言 |
| 4.2 问题描述及解决思路 |
| 4.3 基于有向关联图的算法实现 |
| 4.3.1 有向关联图的构造 |
| 4.3.2 基于有向关联图的规划 |
| 4.3.3 混合损失函数 |
| 4.4 实验与分析 |
| 4.4.1 环境设置 |
| 4.4.2 测试结果 |
| 4.4.3 长期性能 |
| 4.4.4 评估未知状态-动作对和混合损失函数的影响 |
| 4.5 本章小结 |
| 第5章 基于子情景记忆深度强化学习的视频码率控制算法 |
| 5.1 引言 |
| 5.2 问题描述及解决思路 |
| 5.3 基于强化学习的视频码率控制算法 |
| 5.3.1 基于强化学习的ABR算法的问题建模 |
| 5.3.2 基于子情景记忆深度强化学习的ABR算法的实现原理 |
| 5.4 实验仿真 |
| 5.4.1 仿真平台设置 |
| 5.4.2 算法参数设置 |
| 5.5 实验结果与分析 |
| 5.5.1 实验综合结果分析 |
| 5.5.2 视频质量客观指标分析 |
| 5.5.3 初始缓冲分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文工作总结 |
| 6.1.1 课题背景及相关理论知识 |
| 6.1.2 提升深度强化学习样本效率的算法研究 |
| 6.1.3 高效深度强化学习在视频码率控制中的应用研究 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
| 在读期间的研究经历 |
（6）视频直播拥塞控制算法传输质量测量与优化研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第二章 相关技术介绍 |
| 2.1 视频直播 |
| 2.1.1 视频直播概述 |
| 2.1.2 WebRTC |
| 2.1.3 谷歌拥塞控制算法(GCC) |
| 2.2 强化学习基础 |
| 2.2.1 几种强化学习算法 |
| 2.2.2 stable-baselines |
| 2.3 本章小结 |
| 第三章 数据分析与问题发现 |
| 3.1 数据处理与分析 |
| 3.2 在线训练必要性分析 |
| 3.2.1 对WebRTC GCC的行为分析 |
| 3.2.2 数据宏观分析 |
| 3.2.3 仿真器模型测试 |
| 3.3 在线训练的必要性 |
| 3.4 本章小结 |
| 第四章 基于WebRTC的在线学习算法设计 |
| 4.1 在线学习算法的系统设计 |
| 4.2 强化学习算法设计 |
| 4.2.1 模型的输入输出 |
| 4.2.2 reward函数设计 |
| 4.2.3 神经网络结构 |
| 4.3 Pacer节拍器的设计 |
| 4.3.1 节拍器的工作逻辑 |
| 4.3.2 速率一致性节拍器设计 |
| 4.4 Client端与Server端设计 |
| 4.4.1 码率调控 |
| 4.4.2 信息收集 |
| 4.4.3 通信传输 |
| 4.4.4 数据处理与在线训练 |
| 4.5 本章小结 |
| 第五章 基于WebRTC在线学习算法的实现与评估 |
| 5.1 WebRTC在线学习Testbed搭建 |
| 5.2 系统各模块设计 |
| 5.3 WebRTC Client实现 |
| 5.3.1 信息收集模块 |
| 5.3.2 通信传输模块 |
| 5.3.3 码率控制模块 |
| 5.4 Server端实现 |
| 5.4.1 通信传输模块 |
| 5.4.2 数据处理模块 |
| 5.4.3 模型训练模块 |
| 5.5 网络带宽控制 |
| 5.6 性能评估 |
| 5.6.1 性能评估的方法 |
| 5.6.2 强化学习算法的效果 |
| 5.6.3 算法表现不足的原因 |
| 5.6.4 调整pacer后训练结果 |
| 5.7 资源消耗情况 |
| 5.8 本章总结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的论文及研究成果 |
（7）面向超低时延场景下的实时媒体流分发策略（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 流媒体直播传输技术和码率自适应算法 |
| 1.2.2 超低时延应用的传输层需求和传输协议 |
| 1.3 研究内容 |
| 1.4 论文组织结构 |
| 第二章 相关技术简介 |
| 2.1 流媒体直播传输码率自适应 |
| 2.1.1 流媒体直播架构 |
| 2.1.2 基于HTTP的流媒体传输协议DASH |
| 2.1.3 码率自适应算法 |
| 2.2 拥塞控制算法 |
| 2.3 深度强化学习 |
| 2.3.1 基本原理 |
| 2.3.2 算法分类 |
| 2.3.3 A3C: Actor-Critic网络的异步更新算法 |
| 2.4 本章小结 |
| 第三章 L2AC-E:集成深度强化学习的时延敏感性码率自适应算法 |
| 3.1 引言 |
| 3.2 问题分析 |
| 3.2.1 系统架构分析 |
| 3.2.2 算法决策分析 |
| 3.3 L2AC-E码率自适应算法 |
| 3.3.1 L2AC |
| 3.3.2 模型集成 |
| 3.3.3 实际参数配置 |
| 3.4 仿真器与数据集 |
| 3.4.1 直播环境仿真器介绍 |
| 3.4.2 实验数据集说明 |
| 3.5 实验与分析 |
| 3.5.1 对比实验介绍和性能分析 |
| 3.5.2 模型集成对比实验 |
| 3.5.3 QoE详细分析 |
| 3.5.4 L2AC-E vs.现存其他ABR算法 |
| 3.5.5 实用性分析 |
| 3.6 本章小结 |
| 第四章 时延敏感的传输层调度算法 |
| 4.1 引言 |
| 4.2 问题分析 |
| 4.2.1 系统架构分析 |
| 4.2.2 算法决策分析 |
| 4.3 时延敏感的传输层调度算法 |
| 4.3.1 基于启发式和深度强化学习的拥塞控制算法 |
| 4.3.1.1 基于启发式的拥塞控制算法 |
| 4.3.1.2 基于深度强化学习的拥塞控制算法 |
| 4.3.2 选包调度算法 |
| 4.3.3 实际参数配置 |
| 4.4 仿真器与数据集 |
| 4.4.1 DTP环境仿真器介绍 |
| 4.4.2 实验数据集说明 |
| 4.5 实验与分析 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（8）异构无线网络自适应视频传输控制算法及验证（论文提纲范文）
| 摘要 |
| abstract |
| 专用术语注释表 |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.3 主要研究目标和内容 |
| 1.4 论文结构安排 |
| 第二章 异构无线网络视频传输相关技术 |
| 2.1 流媒体传输协议 |
| 2.1.1 实时传输协议RTP |
| 2.1.2 实时传输控制协议RTCP |
| 2.1.3 实时流协议RTSP |
| 2.1.4 基于HTTP的动态自适应流媒体协议DASH |
| 2.2 视频编码标准 |
| 2.2.1 H.264视频编码简介 |
| 2.2.2 I帧P帧B帧简介 |
| 2.3 深度强化学习相关算法 |
| 2.3.1 深度Q学习网络简介 |
| 2.3.2 长短期记忆神经网络LSTM简介 |
| 2.4 本章小结 |
| 第三章 基于深度强化学习的无线视频码率自适应传输控制算法 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.3 比特率自适应传输控制算法 |
| 3.3.1 用户体验QoE的分析与定义 |
| 3.3.2 基于马尔可夫决策过程MDP建模 |
| 3.3.3 基于深度Q学习的自适应比特率算法 |
| 3.4 仿真结果与分析 |
| 3.5 本章小结 |
| 第四章 面向高清视频业务的异构无线网络自适应并行传输控制算法 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.3 自适应并行传输控制系统及算法 |
| 4.3.1 基于长短期记忆神经网络LSTM的带宽预测算法 |
| 4.3.2 基于深度Q学习的比特率调整算法 |
| 4.3.3 最小化链路数算法 |
| 4.3.4 片段分配算法 |
| 4.3.5 算法实现流程 |
| 4.4 仿真结果与分析 |
| 4.5 本章小结 |
| 第五章 基于QoE的视频传输比特率自适应控制系统验证平台设计与实现 |
| 5.1 引言 |
| 5.2 系统架构 |
| 5.3 仿真器环境介绍 |
| 5.3.1 网络数据集 |
| 5.3.2 视频数据集 |
| 5.3.3 自适应算法模块 |
| 5.3.4 仿真器核心环境 |
| 5.4 系统测试与验证 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 附录1 攻读硕士学位期间申请的专利 |
| 附录2 攻读硕士学位期间参加的科研项目 |
| 致谢 |
（9）基于MPTCP的多路径传输中的耦合拥塞控制和数据调度机制研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 缩略词表 |
| 第1章 绪论 |
| 1.1 研究背景和研究意义 |
| 1.2 研究问题 |
| 1.3 研究内容与论文结构 |
| 第2章 MPTCP相关背景介绍 |
| 2.1 MPTCP实际应用场景相关研究 |
| 2.1.1 MPTCP在数据中心中应用 |
| 2.1.2 MPTCP在移动网络中应用 |
| 2.2 MPTCP拥塞控制算法研究 |
| 2.2.1 网络公平性 |
| 2.2.2 瓶颈公平性 |
| 2.3 MPTCP数据调度算法研究 |
| 2.4 本章小结 |
| 第3章 基于瓶颈公平性的多径传输优化方案 |
| 3.1 问题描述 |
| 3.2 相关工作 |
| 3.2.1 瓶颈检测相关工作 |
| 3.2.2 基于ECN的TCP传输方案 |
| 3.3 方案架构 |
| 3.4 基于ECN的共享瓶颈检测算法 |
| 3.5 基于瓶颈公平性的拥塞控制算法SB-CC |
| 3.5.1 子流窗口的减少 |
| 3.5.2 子流窗口的增长 |
| 3.6 基于瓶颈公平性的前向预测调度算法SB-FPS |
| 3.7 方案验证和性能分析 |
| 3.7.1 拥塞控制算法性能对比 |
| 3.7.2 数据调度算法性能对比 |
| 3.8 本章小结 |
| 第4章 基于BBR的多径传输优化方案 |
| 4.1 问题描述 |
| 4.2 BBR拥塞控制算法 |
| 4.3 方案架构 |
| 4.4 基于瓶颈公平性的拥塞控制算法MPTCP-BBR |
| 4.4.1 基于RTT的共享瓶颈识别方案 |
| 4.4.2 MPTCP-BBR耦合拥塞控制算法 |
| 4.5 基于MPTCP-BBR的数据调度算法 |
| 4.6 方案验证和性能分析 |
| 4.6.1 NS3仿真实验对比 |
| 4.6.2 实际网络实验对比 |
| 4.7 本章小结 |
| 第5章 基于MPTCP的虚拟现实视频传输方案 |
| 5.1 问题描述 |
| 5.2 相关研究 |
| 5.2.1 基于图块的VR视频传输 |
| 5.2.2 利用多路径传输视频 |
| 5.3 基于MPTCP的虚拟现实视频传输方案 |
| 5.3.1 码率选择算法 |
| 5.3.2 数据分配算法 |
| 5.4 方案验证和性能分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 本文总结 |
| 6.2 下一步工作 |
| 参考文献 |
| 在读博士学位期间的科研和项目经历 |
| 在读期间发表的学术论文与取得的研究成果 |
| 致谢 |
（10）深度强化学习在典型网络系统中的应用综述（论文提纲范文）
| 0 引言 |
| 1 深度强化学习方法 |
| 1.1 深度学习 |
| 1.2 强化学习 |
| 1.2.1 基于动态规划求解强化学习问题 |
| 1.2.2 基于蒙特卡洛方法求解强化学习问题 |
| 1.2.3 基于时间差分方法求解强化学习问题 |
| 1.3 深度强化学习 |
| 1.3.1 基于值函数的深度强化学习方法 |
| (1) 深度Q网络 |
| (2) 深度双Q网络 |
| (3) 基于优先采样的深度双Q网络 |
| 1.3.2 基于策略梯度的深度强化学习方法 |
| 1.3.3 混合值函数和策略梯度的方法 |
| (1) 行动者-评论家算法及其改进 |
| (2) 信赖域策略优化算法及其改进 |
| (3) 深度确定性策略梯度算法及其改进 |
| 2 基于深度强化学习的网络应用 |
| 2.1 任务及数据流调度 |
| 2.1.1 面向独立任务的调度 |
| 2.1.2 面向关联任务的调度 |
| 2.1.3 面向计算和节能的联合调度 |
| 2.1.4 面向数据中心网络流的调度 |
| 2.2 视频传输 |
| 2.2.1 视频点播 |
| 2.2.2 360全景视频传输 |
| 2.2.3直播 |
| 2.3 路由 |
| 2.3.1 数据包路由 |
| 2.3.2 域内流量规划 |
| 2.4 TCP拥塞控制 |
| 2.4.1 面向TCP整体性能的拥塞控制 |
| 2.4.2 针对特定传输问题的拥塞控制 |
| 2.4.3 与传统算法相结合的拥塞控制 |
| 2.5 网络缓存 |
| 3 挑战 |
| 3.1 可解释性 |
| 3.2 鲁棒性问题 |
| 3.3 DRL和领域知识的融合 |
| 4 结束语 |
四、丢包网络中鲁棒的视频码率控制算法（论文参考文献）
- [1]基于视频码率实时调整传输的QFRC算法研究[J]. 周晓东,孙树峰. 仪表技术, 2022(01)
- [2]支持远程驾驶的视频控制决策算法研究[D]. 张家森. 北方工业大学, 2021(01)
- [3]视频直播传输算法移动端适配与优化研究[D]. 陆嘉敏. 北京邮电大学, 2021(01)
- [4]基于喷泉码的视频传输策略的研究与实现[D]. 周闰. 重庆邮电大学, 2021
- [5]深度强化学习样本效率提升方法及其在视频码率控制中的应用[D]. 杨渡佳. 中国科学技术大学, 2021(09)
- [6]视频直播拥塞控制算法传输质量测量与优化研究[D]. 马若暄. 北京邮电大学, 2021(01)
- [7]面向超低时延场景下的实时媒体流分发策略[D]. 赵印. 北京邮电大学, 2021(01)
- [8]异构无线网络自适应视频传输控制算法及验证[D]. 高溢之. 南京邮电大学, 2020(03)
- [9]基于MPTCP的多路径传输中的耦合拥塞控制和数据调度机制研究[D]. 魏文佳. 中国科学技术大学, 2020(01)
- [10]深度强化学习在典型网络系统中的应用综述[J]. 郑莹,段庆洋,林利祥,游新宇,徐跃东,王新. 无线电通信技术, 2020(06)