基于机器学习的流媒体推流性能提升方法和装置与流程

1.本技术涉及互联网技术领域，尤其涉及一种基于机器学习的流媒体推流性能提升方法和装置。


背景技术：

2.网络带宽是指在单位时间(如1秒钟等)内能传输的数据量。网络和高速公路类似，带宽越大，就类似高速公路的车道越多，其通行能力越强。网络带宽作为衡量网络特征的一个重要指标，日益受到人们的普遍关注。
3.传统流媒体依靠互联网内容进行实时传输，传统互联网可以将流媒体的视频图像或音频进行传输，面对高质量的图像和音频时一般采用压缩质量的方式。随着视频图像质量的提升，很多的传输内容都很大，在较远的传输距离以及带宽不够使用的情况下，会有很高的延迟，同时过压缩的传输内容也会影响传输的效果。因此，亟需解决这一技术问题。


技术实现要素：

4.鉴于上述问题，提出了本技术以便提供一种克服上述问题或者至少部分地解决上述问题的基于机器学习的流媒体推流性能提升方法和装置，通过机器学习对网络中的传输进行预先判断，对不活跃的流媒体流部分实施资源减少向活跃部分移动，在不活跃部分如果重新有大量数据需要传输，再进行传输资源的重新分配，解决了高质量视频图像传输的限制，同时增加了流媒体在互联网的传输效率，可以将多路的传输汇总到一起，实现传输资源的最大化利用。所述技术方案如下：
5.第一方面，提供了一种基于机器学习的流媒体推流性能提升方法，包括：
6.获取网络中的待传输流媒体；
7.通过机器学习对网络中的待传输流媒体进行预先判断，判断出所述待传输流媒体中满足预设条件的流媒体作为不活跃的流媒体；
8.对所述不活跃的流媒体流部分实施资源减少，将实施资源减少得到的目标资源提供给所述待传输流媒体中除所述不活跃的流媒体外的活跃流媒体；
9.利用所述目标资源对所述活跃流媒体进行网络传输提升流媒体推流性能。
10.在一种可能的实现方式中，所述获取网络中的待传输流媒体，包括：
11.接收流媒体获取请求，提取所述获取请求对应的流媒体数据；
12.将提取的所述流媒体数据作为网络中的待传输流媒体存储至分发缓冲区。
13.在一种可能的实现方式中，利用所述目标资源对所述活跃流媒体进行网络传输提升流媒体推流性能，包括：
14.根据所述目标资源确定所述活跃流媒体的目标传输速率；
15.按照确定的所述目标传输速率对所述分发缓冲区内的所述活跃流媒体进行网络传输，将所述活跃流媒体推送至所述获取请求对应的客户端。
16.在一种可能的实现方式中，所述获取网络中的待传输流媒体，包括：
17.获取用户的位置数据，并根据所述位置数据确定对应的目标区域；
18.获取与所述目标区域关联的目标区域性媒体对象；
19.从所述目标区域性媒体对象对应的流媒体内容中获取待推荐的目标媒体内容作为待传输流媒体。
20.在一种可能的实现方式中，通过机器学习对网络中的待传输流媒体进行预先判断，判断出所述待传输流媒体中满足预设条件的流媒体作为不活跃的流媒体，包括：
21.获取通过机器学习训练得到的流媒体活跃性识别模型；
22.将网络中的待传输流媒体输入所述流媒体活跃性识别模型，利用所述流媒体活跃性识别模型对网络中的待传输流媒体的活跃性进行识别判断，判断出网络中的待传输流媒体中不活跃的流媒体。
23.在一种可能的实现方式中，在利用所述目标资源对所述活跃流媒体进行网络传输提升流媒体推流性能之后，所述方法还包括：
24.若接收到针对所述不活跃的流媒体的获取请求，则分配传输资源给所述不活跃的流媒体；
25.利用分配的传输资源对所述不活跃的流媒体进行网络传输提升流媒体推流性能。
26.第二方面，提供了一种基于机器学习的流媒体推流性能提升装置，包括：
27.获取模块，用于获取网络中的待传输流媒体；
28.判断模块，用于通过机器学习对网络中的待传输流媒体进行预先判断，判断出所述待传输流媒体中满足预设条件的流媒体作为不活跃的流媒体；
29.提供模块，用于对所述不活跃的流媒体流部分实施资源减少，将实施资源减少得到的目标资源提供给所述待传输流媒体中除所述不活跃的流媒体外的活跃流媒体；
30.传输模块，用于利用所述目标资源对所述活跃流媒体进行网络传输提升流媒体推流性能。
31.在一种可能的实现方式中，所述获取模块还用于：
32.接收流媒体获取请求，提取所述获取请求对应的流媒体数据；
33.将提取的所述流媒体数据作为网络中的待传输流媒体存储至分发缓冲区。
34.在一种可能的实现方式中，所述传输模块还用于：
35.根据所述目标资源确定所述活跃流媒体的目标传输速率；
36.按照确定的所述目标传输速率对所述分发缓冲区内的所述活跃流媒体进行网络传输，将所述活跃流媒体推送至所述获取请求对应的客户端。
37.在一种可能的实现方式中，所述获取模块还用于：
38.获取用户的位置数据，并根据所述位置数据确定对应的目标区域；
39.获取与所述目标区域关联的目标区域性媒体对象；
40.从所述目标区域性媒体对象对应的流媒体内容中获取待推荐的目标媒体内容作为待传输流媒体。
41.借由上述技术方案，本技术实施例提供的基于机器学习的流媒体推流性能提升方法和装置，可以获取网络中的待传输流媒体；通过机器学习对网络中的待传输流媒体进行预先判断，判断出待传输流媒体中满足预设条件的流媒体作为不活跃的流媒体；对不活跃的流媒体流部分实施资源减少，将实施资源减少得到的目标资源提供给待传输流媒体中除
不活跃的流媒体外的活跃流媒体；利用目标资源对活跃流媒体进行网络传输提升流媒体推流性能。可以看到，本技术实施例通过机器学习对网络中的传输进行预先判断，对不活跃的流媒体流部分实施资源减少向活跃部分移动，解决了高质量视频图像传输的限制，同时增加了流媒体在互联网的传输效率，可以将多路的传输汇总到一起，实现传输资源的最大化利用。
附图说明
42.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例描述中所需要使用的附图作简单地介绍。
43.图1示出了根据本技术实施例的基于机器学习的流媒体推流性能提升方法的流程图；
44.图2示出了根据本技术另一实施例的基于机器学习的流媒体推流性能提升方法的流程图；
45.图3示出了根据本技术实施例的基于机器学习的流媒体推流性能提升装置的结构图。
具体实施方式
46.下面将参照附图更详细地描述本技术的示例性实施例。虽然附图中显示了本技术的示例性实施例，然而应当理解，可以以各种形式实现本技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本技术，并且能够将本技术的范围完整的传达给本领域的技术人员。
47.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。
48.本技术实施例提供了一种基于机器学习的流媒体推流性能提升方法。如图1所示，该基于机器学习的流媒体推流性能提升方法可以包括以下步骤s101至s104：
49.步骤s101，获取网络中的待传输流媒体；
50.步骤s102，通过机器学习对网络中的待传输流媒体进行预先判断，判断出待传输流媒体中满足预设条件的流媒体作为不活跃的流媒体；
51.步骤s103，对不活跃的流媒体流部分实施资源减少，将实施资源减少得到的目标资源提供给待传输流媒体中除不活跃的流媒体外的活跃流媒体；
52.步骤s104，利用目标资源对活跃流媒体进行网络传输提升流媒体推流性能。
53.本技术实施例提供的基于机器学习的流媒体推流性能提升方法，可以获取网络中的待传输流媒体；通过机器学习对网络中的待传输流媒体进行预先判断，判断出待传输流媒体中满足预设条件的流媒体作为不活跃的流媒体；对不活跃的流媒体流部分实施资源减少，将实施资源减少得到的目标资源提供给待传输流媒体中除不活跃的流媒体外的活跃流媒体；利用目标资源对活跃流媒体进行网络传输提升流媒体推流性能。可以看到，本技术实
施例通过机器学习对网络中的传输进行预先判断，对不活跃的流媒体流部分实施资源减少向活跃部分移动，解决了高质量视频图像传输的限制，同时增加了流媒体在互联网的传输效率，可以将多路的传输汇总到一起，实现传输资源的最大化利用。
54.本技术实施例中提供了一种可能的实现方式，上文步骤s101获取网络中的待传输流媒体，具体可以包括以下步骤a1至a2：
55.步骤a1，接收流媒体获取请求，提取获取请求对应的流媒体数据；
56.步骤a2，将提取的流媒体数据作为网络中的待传输流媒体存储至分发缓冲区。
57.本技术实施例接收流媒体获取请求，提取获取请求对应的流媒体数据，进而将提取的流媒体数据作为网络中的待传输流媒体存储至分发缓冲区，可以及时对流媒体数据进行处理，提高后续传输的效率。
58.本技术实施例中提供了一种可能的实现方式，上文步骤s104利用目标资源对活跃流媒体进行网络传输提升流媒体推流性能，具体可以包括以下步骤b1至b2：
59.步骤b1，根据目标资源确定活跃流媒体的目标传输速率；
60.步骤b2，按照确定的目标传输速率对分发缓冲区内的活跃流媒体进行网络传输，将活跃流媒体推送至获取请求对应的客户端。
61.本技术实施例可以根据目标资源确定活跃流媒体的目标传输速率，进而按照确定的目标传输速率对分发缓冲区内的活跃流媒体进行网络传输，将活跃流媒体推送至获取请求对应的客户端，可以提高传输的效率。
62.本技术实施例中提供了一种可能的实现方式，上文步骤s101获取网络中的待传输流媒体，具体可以包括以下步骤c1至c3：
63.步骤c1，获取用户的位置数据，并根据位置数据确定对应的目标区域；
64.步骤c2，获取与目标区域关联的目标区域性媒体对象；
65.步骤c3，从目标区域性媒体对象对应的流媒体内容中获取待推荐的目标媒体内容作为待传输流媒体。
66.本技术实施例获取用户的位置数据，并根据位置数据确定对应的目标区域；获取与目标区域关联的目标区域性媒体对象；从目标区域性媒体对象对应的流媒体内容中获取待推荐的目标媒体内容作为待传输流媒体，从而可以根据用户的实际情况获取相应的流媒体，满足用户的需求。
67.本技术实施例中提供了一种可能的实现方式，上文步骤s102通过机器学习对网络中的待传输流媒体进行预先判断，判断出待传输流媒体中满足预设条件的流媒体作为不活跃的流媒体，具体可以是获取通过机器学习训练得到的流媒体活跃性识别模型；将网络中的待传输流媒体输入流媒体活跃性识别模型，利用流媒体活跃性识别模型对网络中的待传输流媒体的活跃性进行识别判断，判断出网络中的待传输流媒体中不活跃的流媒体。可以看到，本技术实施例可以利用机器学习提高流媒体识别判断的准确性。
68.本技术实施例中提供了一种可能的实现方式，在步骤s104利用目标资源对活跃流媒体进行网络传输提升流媒体推流性能之后，还可以若接收到针对不活跃的流媒体的获取请求，则分配传输资源给不活跃的流媒体；利用分配的传输资源对不活跃的流媒体进行网络传输提升流媒体推流性能。可以看到，本技术实施例能够根据流媒体的传输情况及时调整传输资源，实现传输资源的最大化利用。
69.以上介绍了图1所示实施例的各个环节的多种实现方式，下面将通过具体实施例来详细介绍基于机器学习的流媒体推流性能提升方法的实现过程。
70.本技术另一实施例提供了一种基于机器学习的流媒体推流性能提升方法，如图2所示，该基于机器学习的流媒体推流性能提升方法可以包括以下步骤s201至s208。
71.步骤s201，接收流媒体获取请求，提取获取请求对应的流媒体数据。
72.步骤s202，将提取的流媒体数据作为网络中的待传输流媒体存储至分发缓冲区。
73.步骤s203，获取通过机器学习训练得到的流媒体活跃性识别模型。
74.步骤s204，将网络中的待传输流媒体输入流媒体活跃性识别模型，利用流媒体活跃性识别模型对网络中的待传输流媒体的活跃性进行识别判断，判断出网络中的待传输流媒体中不活跃的流媒体。
75.步骤s205，对不活跃的流媒体流部分实施资源减少，将实施资源减少得到的目标资源提供给待传输流媒体中除不活跃的流媒体外的活跃流媒体。
76.步骤s206，根据目标资源确定活跃流媒体的目标传输速率。
77.步骤s207，按照确定的目标传输速率对分发缓冲区内的活跃流媒体进行网络传输，将活跃流媒体推送至获取请求对应的客户端。
78.步骤s208，若接收到针对不活跃的流媒体的获取请求，则分配传输资源给不活跃的流媒体；利用分配的传输资源对不活跃的流媒体进行网络传输提升流媒体推流性能。
79.本技术实施例通过机器学习对网络中的传输进行预先判断，对不活跃的流媒体流部分实施资源减少向活跃部分移动，在不活跃部分如果重新有大量数据需要传输，再进行传输资源的重新分配，解决了高质量视频图像传输的限制，同时增加了流媒体在互联网的传输效率，可以将多路的传输汇总到一起，实现传输资源的最大化利用。
80.需要说明的是，实际应用中，上述所有可能的实施方式可以采用结合的方式任意组合，形成本技术的可能的实施例，在此不再一一赘述。
81.基于上文各个实施例提供的基于机器学习的流媒体推流性能提升方法，基于同一发明构思，本技术实施例还提供了一种基于机器学习的流媒体推流性能提升装置。
82.图3示出了根据本技术实施例的基于机器学习的流媒体推流性能提升装置的结构图。如图3所示，该基于机器学习的流媒体推流性能提升装置可以包括获取模块310、判断模块320、提供模块330以及传输模块340。
83.获取模块310，用于获取网络中的待传输流媒体；
84.判断模块320，用于通过机器学习对网络中的待传输流媒体进行预先判断，判断出待传输流媒体中满足预设条件的流媒体作为不活跃的流媒体；
85.提供模块330，用于对不活跃的流媒体流部分实施资源减少，将实施资源减少得到的目标资源提供给待传输流媒体中除不活跃的流媒体外的活跃流媒体；
86.传输模块340，用于利用目标资源对活跃流媒体进行网络传输提升流媒体推流性能。
87.本技术实施例中提供了一种可能的实现方式，上文图3展示的获取模块310还用于：
88.接收流媒体获取请求，提取获取请求对应的流媒体数据；
89.将提取的流媒体数据作为网络中的待传输流媒体存储至分发缓冲区。
90.本技术实施例中提供了一种可能的实现方式，上文图3展示的传输模块340还用于：
91.根据目标资源确定活跃流媒体的目标传输速率；
92.按照确定的目标传输速率对分发缓冲区内的活跃流媒体进行网络传输，将活跃流媒体推送至获取请求对应的客户端。
93.本技术实施例中提供了一种可能的实现方式，上文图3展示的获取模块310还用于：
94.获取用户的位置数据，并根据位置数据确定对应的目标区域；
95.获取与目标区域关联的目标区域性媒体对象；
96.从目标区域性媒体对象对应的流媒体内容中获取待推荐的目标媒体内容作为待传输流媒体。
97.本技术实施例中提供了一种可能的实现方式，上文图3展示的判断模块320还用于：
98.获取通过机器学习训练得到的流媒体活跃性识别模型；
99.将网络中的待传输流媒体输入流媒体活跃性识别模型，利用流媒体活跃性识别模型对网络中的待传输流媒体的活跃性进行识别判断，判断出网络中的待传输流媒体中不活跃的流媒体。
100.本技术实施例中提供了一种可能的实现方式，上文图3展示的传输模块340还用于：
101.在利用目标资源对活跃流媒体进行网络传输提升流媒体推流性能之后，若接收到针对不活跃的流媒体的获取请求，则分配传输资源给不活跃的流媒体；
102.利用分配的传输资源对不活跃的流媒体进行网络传输提升流媒体推流性能。
103.本技术实施例提供的基于机器学习的流媒体推流性能提升装置，可以获取网络中的待传输流媒体；通过机器学习对网络中的待传输流媒体进行预先判断，判断出待传输流媒体中满足预设条件的流媒体作为不活跃的流媒体；对不活跃的流媒体流部分实施资源减少，将实施资源减少得到的目标资源提供给待传输流媒体中除不活跃的流媒体外的活跃流媒体；利用目标资源对活跃流媒体进行网络传输提升流媒体推流性能。可以看到，本技术实施例通过机器学习对网络中的传输进行预先判断，对不活跃的流媒体流部分实施资源减少向活跃部分移动，解决了高质量视频图像传输的限制，同时增加了流媒体在互联网的传输效率，可以将多路的传输汇总到一起，实现传输资源的最大化利用。
104.所属领域的技术人员可以清楚地了解到，上述描述的系统、装置、模块的具体工作过程，可以参考前述方法实施例中的对应过程，为简洁起见，在此不另赘述。
105.本领域普通技术人员可以理解：本技术的技术方案本质上或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，其包括若干程序指令，用以使得一电子设备(例如个人计算机，服务器，或者网络设备等)在运行所述程序指令时执行本技术各实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom)、随机存取存储器(ram)、磁碟或者光盘等各种可以存储程序代码的介质。
106.或者，实现前述方法实施例的全部或部分步骤可以通过程序指令相关的硬件(诸
如个人计算机，服务器，或者网络设备等的电子设备)来完成，所述程序指令可以存储于一计算机可读取存储介质中，当所述程序指令被电子设备的处理器执行时，所述电子设备执行本技术各实施例所述方法的全部或部分步骤。
107.以上各实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述各实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：在本技术的精神和原则之内，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案脱离本技术的保护范围。