一种基于大数据的网络时延处理方法及系统技术方案

本发明专利技术公开了一种基于大数据的网络时延处理方法，包括：云服务器获取任务执行指令；基于人工智能AI模型，对所述任务的服务质量QoS进行预测，判断在执行任务过程中是否会出现网络时延异常；若会出现网络时延异常，则在所述任务加载前，扩大滑动时间窗口，并基于所述扩大后的滑动时间窗口预先获取任务内容数据；基于所述任务内容数据，执行所述任务。执行所述任务。执行所述任务。

【技术实现步骤摘要】
一种基于大数据的网络时延处理方法及系统


[0001]本专利技术属于信息
，具体地，涉及一种基于大数据的网络时延处理的方法及系统。

技术介绍

[0002]目前网络的传输要求越来越高，传输速率要求越来越快且时延要尽可能的降低，因此，对于目前的多媒体音视频处理、自动驾驶、电商直播、VR/AR/MR的图像渲染等方面，都需要较高的网络处理能力和较低的时延。
[0003]对于局域网的网络而言，能够做到一定范围内的数据实时传输，时延较低，而对于大规模的网络设备，其网络存储并传输的数据会呈现爆发式增长，对于海量数据的传输而言，不可避免的会在高峰时段造成网络时延，导致音视频出现卡顿、游戏卡顿、VR/AR的画面渲染失败等。因此，如何降低海量数据规模下的网络时延是一个较大的难题。

技术实现思路

[0004]本专利技术提供了一种基于大数据的网络时延处理的方法及系统，解决了现有技术中海量数据场景下高峰时段产生网络时延的问题，有效降低了网络时延，提升用户体验。
[0005]为了实现上述目的，本专利技术提供了一种基于大数据的网络时延处理的方法，包括：
[0006]云服务器获取任务执行指令；
[0007]基于人工智能AI模型，对所述任务的服务质量QoS进行预测，判断在执行任务过程中是否会出现网络时延异常；
[0008]若会出现网络时延异常，则在所述任务加载前，扩大滑动时间窗口，并基于所述扩大后的滑动时间窗口预先获取任务内容数据；
[0009]基于所述任务内容数据，执行所述任务。<br/>[0010]可选地，基于人工智能AI模型，对所述任务的服务质量QoS进行预测，包括：
[0011]将所述AI模型进行拆分，拆分为多个目标工作流，每一个目标工作流对应一个性能指标的预测子任务；
[0012]将所述目标工作流并行为多个模型预测任务，通过所述多个模型预测任务对所述预测任务进行梯度预测；
[0013]将所述梯度预测结果进行汇总，并进行加权操作，获取最终的QoS预测评分。
[0014]可选地，在将所述AI模型进行拆分之前，所述方法还包括：
[0015]将服务质量QoS进行拆分，拆分为多个性能指标，并将所述性能指标添加进目标预测队列中，以将所述多个模型预测任务标记为所述目标预测队列中对应的性能指标的子任务。
[0016]可选地，所述AI模型为分布式横向联邦学习模型，则所述将所述目标工作流并行为多个模型预测任务，通过所述多个模型预测任务对所述预测任务进行梯度预测，包括：
[0017]云服务器将联邦学习模型分发至各分布式网络节点；
[0018]所述分布式网络节点基于所述联邦学习模型，执行模型预测任务，并将所述执行后的预测结果加密梯度上传至所述云服务器；
[0019]所述云服务器聚合所述预测结果，并将更新迭代后的联邦学习模型分发至所述分布式网络节点，以使所述分布式网络节点更新所述本地保存的联邦学习模型。
[0020]可选地，所述任务执行指令为视频播放指令，则判断在执行任务过程中是否会出现网络时延异常，包括：
[0021]所述云服务器获取所述视频的流媒体数据，所述流媒体数据中包含视频数据和音频数据；
[0022]所述云服务器在编码所述视频数据时，预测所述视频数据的编码时间，将所述视频编码时间写入视频数据的时间戳；
[0023]所述云服务器在编码所述音频数据时，预测所述音频数据的编码时间，将所述音频编码时间写入视频数据的时间戳；
[0024]所述云服务器将所述视频数据的时间戳和音频数据的时间戳设置为编码双时间戳，并将所述编码双时间戳写入到视频帧中；
[0025]用户终端在对所述视频帧进行解码时，提取所述编码双时间戳，并预测所述视频帧中的视频和音频解码时间，设置为解码双时间戳；
[0026]所述用户终端计算所述解码双时间戳和编码双时间戳的差值，若所述差值大于预设阈值，则判断在执行任务过程中是否会出现网络时延异常。
[0027]可选地，在所述用户终端计算所述解码双时间戳和编码双时间戳的差值之后，包括：
[0028]所述用户终端分别计算每一视频帧的解码双时间戳和编码双时间戳的瞬时差值，所述瞬时差值包括所述视频帧中视频解码与视频编码的时间差值，以及所述音频解码与编码的时间差值；
[0029]基于所述每一视频帧的瞬时差值，计算多个视频帧的平均差值；
[0030]将每一视频帧的瞬时差值与所述平均差值做差值，获取差值序列；
[0031]若所述差值序列中的第一差值大于预设差值，则确定所述第一差值对应的视频帧存在瞬时时延。
[0032]可选地，所述视频帧为补充加强信息帧SEI。
[0033]可选地，所述方法还包括：
[0034]若同一视频帧中，所述视频解码时间戳与所述音频解码时间戳，或所述视频编码时间戳和所述音频编码时间戳不一致时，确定所述视频帧存在着音视频播放不同步的问题。
[0035]可选地，基于所述扩大后的滑动时间窗口预先获取任务内容数据，包括：
[0036]所述云服务器基于所述扩大后的滑动时间窗口，获取所述时间窗口范围内预加载的图像组GOP，其中所述GOP由视频图像I帧、B帧、P帧和SEI帧组成。
[0037]本专利技术实施例还提供一种系统，包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时实现上述的方法。
[0038]本专利技术实施例的方法及系统具有下列优点：
[0039]本专利技术实施例中，通过AI模型拆分为多个目标工作流，将复杂的网络QoS预测与评
估进行分解，并将多个目标工作流分解为多个模型预测任务，通过多模型预测任务并行对某一具体的性能指标进行预测与评估，若预测出会网络时延，则需要在任务开始前且网络时延发生前，尽可能多地加载任务内容数据，例如，在流媒体格式的视频解码播放时，通常是加载一段播放一段，在一段即将播放完毕后再从网络中获取下一段，而网络时延严重时，下一段迟迟加载不下来，会出现严重的卡顿，在应用了本专利技术实施例提供的方法后，可以保证在网络时延来临前，对下一段任务执行前预先加载较多的任务内容数据，保证网络时延异常的情况下不出现卡顿现象，即保证在执行任务的过程中不受到或少受到网络时延的影响。提升了用户体验。
附图说明
[0040]图1为一个实施例中基于大数据的网络时延处理系统架构图；
[0041]图2为一个实施例中基于大数据的网络时延处理的方法流程图；
[0042]图3为一个实施例中AI模型拆分逻辑示意图；
[0043]图4为一个实施例中插入时间戳的视频帧的逻辑示意图；
[0044]图5为一个实施例中系统的硬件组成示意图。
具体实施方式
[0045]为了使本专利技术的目的、技术方案及优点更加清楚，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的网络时延处理方法，其特征在于，所述方法包括：云服务器获取任务执行指令；基于人工智能AI模型，对所述任务的服务质量QoS进行预测，判断在执行任务过程中是否会出现网络时延异常；若会出现网络时延异常，则在所述任务加载前，扩大滑动时间窗口，并基于所述扩大后的滑动时间窗口预先获取任务内容数据；基于所述任务内容数据，执行所述任务。2.根据权利要求1所述的方法，其特征在于，基于人工智能AI模型，对所述任务的服务质量QoS进行预测，包括：将所述AI模型进行拆分，拆分为多个目标工作流，每一个目标工作流对应一个性能指标的预测子任务；将所述目标工作流并行为多个模型预测任务，通过所述多个模型预测任务对所述预测任务进行梯度预测；将所述梯度预测结果进行汇总，并进行加权操作，获取最终的QoS预测评分。3.根据权利要求2所述的方法，其特征在于，在将所述AI模型进行拆分之前，所述方法还包括：将服务质量QoS进行拆分，拆分为多个性能指标，并将所述性能指标添加进目标预测队列中，以将所述多个模型预测任务标记为所述目标预测队列中对应的性能指标的子任务。4.根据权利要求2所述的方法，其特征在于，所述AI模型为分布式横向联邦学习模型，则所述将所述目标工作流并行为多个模型预测任务，通过所述多个模型预测任务对所述预测任务进行梯度预测，包括：云服务器将联邦学习模型分发至各分布式网络节点；所述分布式网络节点基于所述联邦学习模型，执行模型预测任务，并将所述执行后的预测结果加密梯度上传至所述云服务器；所述云服务器聚合所述预测结果，并将更新迭代后的联邦学习模型分发至所述分布式网络节点，以使所述分布式网络节点更新所述本地保存的联邦学习模型。5.根据权利要求1所述的方法，其特征在于，所述任务执行指令为视频播放指令，则判断在执行任务过程中是否会出现网络时延异常，包括：所述云服务器获取所述视频的流媒体数据，所述流媒体数据中包含视频数据和音频数据；所述云服务器在编码所述视频数据时，预测所述视频数据的编码时间，将所述...

【专利技术属性】
技术研发人员：杨亮，
申请(专利权)人：笈简文创深圳科技有限公司，
类型：发明
国别省市：