申请/专利权人：天津大学

申请日：2024-01-19

公开（公告）日：2024-03-22

公开（公告）号：CN117749775A

主分类号：H04L65/60

分类号：H04L65/60;H04L65/1108;H04L47/70

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明公开了一种适用于非平稳性网络环境下的实时通讯系统及方法，包括基于NS_Transformer框架的带宽预测模型、训练模块、压缩模块、知识迁移模块和码率控制模块，通过基于NS_Transformer框架的带宽预测模型进行训练，将海量网络带宽数据作为预测模型输入，进行序列平稳化和序列去平稳化，以时间序列中后续的带宽数据作为标签进行监督学习，将包含带宽预测知识的RL模型进行训练，将基于强化学习的RL模型与基于启发式的WebRTC内置的传统拥塞控制GCC算法相结合，输出码率控制策略，进行带宽预测。本发明考虑了输入数据的非平稳性和时序依赖性，并且在具有不平稳特征的海量网络带宽数据上达到好的预测水平。

主权项：1.一种适用于非平稳性网络环境下的实时通讯系统，其特征在于，包括基于NS_Transformer框架的带宽预测模型、训练模块、压缩模块、知识迁移模块和码率控制模块；所述训练模块，基于NS_Transformer框架的带宽预测模型进行训练，将海量网络带宽数据作为基于NS_Transformer框架的预测模型输入，以时间序列在当前时间窗口之外的后续的带宽数据作为标签进行监督学习，得到训练好的基于NS_Transformer框架的预测模型；该模块进一步包括所述预处理单元，用于将收集到的海量网络带宽跟踪数据集进行预处理和批量划分，从预处理后的网络带宽跟踪数据集进行网络带宽数据收集，生成网络带宽配置文件；以及所述预测模型单元，用于构建基于NS_Transformer框架的带宽预测模型，基于NS_Transformer框架的带宽预测模型的输入为带宽、丢包率和延迟的时间序列；其中，所述预测模型单元进一步包括所述平稳化处理子单元，通过第一阶段进行基于NS_Transformer框架的带宽预测模型输入的归一化，将网络状态的各个变量包括网络带宽、丢包率和延迟的时间序列分别进行时间维度的归一化处理，再次作为输入；在第二个阶段进行基于NS_Transformer框架的带宽预测模型输出的反归一化，恢复归一化时丢失的分布信息；以及，所述去平稳化子单元，利用注意力机制实现面向非平稳时间序列数据的去平稳化；所述压缩模块，用于将所述训练模块训练好的基于NS_Transformer框架的预测模型作为教师网络，设定一个循环神经网络模型RNN作为学生网络，利用循环神经网络模型RNN从训练好的基于NS_Transformer框架的预测模型学习到知识蒸馏提取，得到轻量化的基于NS_Transformer框架的预测模型；所述知识迁移模块，用于对压缩模块得到的轻量化的基于NS_Transformer框架的预测模型的神经网络参数与Actor神经网络共享，完成基于神经网络微调的知识迁移学习，得到包含带宽预测知识的强化学习模型Actor-Critic算法模型，其中Actor神经网络进行码率决策，而Critic神经网络进行状态价值的计算；所述码率控制模块，用于将所述知识迁移模块进行知识迁移后得到的包含带宽预测知识的RL模型进行训练，将基于强化学习的RL模型与基于启发式的WebRTC内置的传统拥塞控制GCC算法相结合设计码率控制策略，实现带宽预测。

全文数据：

权利要求：

百度查询： 天津大学 一种适用于非平稳性网络环境下的实时通讯系统及方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD