一、视频点播服务器的动态缓存管理（论文文献综述）
黄凯[1]（2021）在《对等网络视频点播云平台的视频传输研究》文中认为当前由于网络的快速普及,大量终端用户使用手机等移动设备观看视频的同时,由于对等网络技术（Peer-to-Peer,P2P）具有高扩展性、低成本等优点而受到研究者们广泛的关注。为了向终端用户更好的提供视频服务,云服务提供商与视频服务提供商结合构建一个高可用的对等网络视频点播云平台。通常,云服务提供商在不同地理区域部署大量的边缘云CDN节点,并通过租用高可用的ISP链路向终端用户提供视频服务。首先,视频服务提供商将所有的视频资源上载到云数据中心,再由云数据中心通过租用的ISP线路将视频片段分发到边缘云CDN节点。但是,由于大量的视频数据在网络链路中传输则会产生大量的视频传输成本。据相关数据显示,视频传输成本占到了云服务提供商运营成本的15%。因此,对于云服务提供商来说,如何降低云数据中心向其它边缘云CDN节点分发视频资源时产生的成本是一个急需解决的问题。另一方面,随着宽带接入,越来越多的用户选择在网上实时地观看视频。当用户想要观看某一个视频时,会从附近的边缘云CDN节点请求所需要的视频资源,并在本地实时解码播放。然而,边缘云CDN节点可能缺失该视频资源,则会从其它云节点请求该视频资源,这样不仅产生了大量的视频传输成本,而且降低了视频服务质量。因此,怎样在保证服务质量的情况下降低云服务提供商的视频传输成本也是当前需要解决的问题。本文针对上述的两个问题,并结合对等网络视频点播云平台的相关技术,并提出相应的数学模型和算法,主要研究内容如下。第一,本文基于带宽峰值的收费模型,提出了一套基于网络最大流最小割的算法Netcut-way。首先视频服务提供商会将流行的视频资源上载到云数据中心,然后再由云数据中心将所拥有的视频资源向不同地理区域的边缘云CDN节点分发,并由边缘云CDN节点向终端用户提供视频服务,这样当大量的视频数据在链路传输过程中会产生大量的视频传输成本。为了降低该视频传输成本,云数据中心首先按照不同链路的历史带宽峰值将视频分割合适大小的视频片段,将分割的视频片段以成本最小的方式向网络的其它边缘云CDN节点推送。当边缘云CDN节点接收到视频片段时,先将其缓存到本地流媒体源服务器,然后复制该视频片段并将其以成本最小的方式向其它边缘云CDN节点推送,与此同时,边缘云CDN节点可以向其他节点以低成本请求所缺失的视频片段。该算法主要分为三部分。在第一阶段,云数据中心获取历史最大带宽峰值,并通过该峰值以低成本将视频分割合适的片段。第二阶段,计算链路可分配的最大带宽,并根据该可分配的最大流量,使得在不超过链路最大历史带宽峰值的情况下尽可能传输视频片段。在第三阶段,当边缘云CDN节点缺少某个视频片段时,需要选择成本最低的路径来请求该视频片段,并且可以以成本最低的方式向其他节点推送缓存的视频片段。最后,由分布在不同地理区域的边缘云CDN节点向终端用户提供视频服务。第二,本文提出Netdmc算法。当终端用户想要观看某个视频时,该视频数据将从附近的边缘云CDN节点请求,但是该边缘云CDN节点可能不存在该视频片段。当边缘云CDN节点没有缓存用户所请求的视频数据时,则该边缘云CDN节点会向其他的边缘云CDN节点和云数据中心请求缺失的视频资源。因此,当边缘云CDN节点缺失终端用户请求的视频数据时,就会产生云服务提供商的视频传输成本。其次由于视频请求产生一定的传输延时,从而降低了视频服务质量。为了使边缘云CDN节点产生的云服务提供商的视频传输成本最小化,并保证Qo S（服务质量）,我们提出了一套视频传输算法,称为Netdmc。所提出的算法可分为两部分。第一部分是非紧急视频片段传输成本最小路径算法,该算法降低边缘云CDN节点请求缺失视频片段时的成本。第二部分是保证终端用户视频服务质量的请求紧急视频片段的低延迟算法。
张家豪[2]（2021）在《移动边缘计算网络中视频缓存策略研究》文中研究指明近年来随着移动通信技术的发展,无线通信网络中的移动设备数量呈爆发式地增长,随之出现了大量的新兴互联网应用,尤其是移动视频业务的快速发展,导致视频数据产生的流量在通信网络中所占比例越来越大。在以高带宽消耗视频文件作为服务访问热点的场景中,传统的云计算模式受限于回程链路的带宽容量,难以同时响应大规模的视频请求,导致网络拥塞,响应时延过长等情况频繁出现。为了克服现有网络架构的局限性,研究人员提出了在网络边缘就近提供计算和存储资源的移动边缘计算（Mobile Edge Computing,MEC）架构,以缓解回程链路的流量压力,降低请求的响应时延。在视频业务中,利用MEC服务器将视频资源进行缓存显然可以有效应对移动视频流量高速增长带来的问题,然而考虑到成本投入有限,不能任意地部署边缘资源来满足用户日益增长的需求,所以缓存策略的性能就显得尤为重要。现有的基于LRU和LFU的缓存策略假设用户的访问模式是固定的,即最近请求或经常请求的视频在将来有更高的概率被访问,但在移动视频网络中,流行内容总是很快到期,过去的访问模式往往无法准确表示视频未来的流行度。有研究尝试选取用户偏好、请求记录等信息对流行度建模,但是除了显式的特征,移动视频网络中的一些隐式特征如用户移动性、用户交互行为、网络状态等也会对视频流行度产生影响,导致该类策略难以对流行度精确建模。为了提高动态变化场景下缓存策略的性能,有研究提出了基于深度强化学习的缓存策略,该类策略在没有任何关于内容流行度先验信息的情况下,利用深度强化学习技术感知环境状态,根据观察到的环境数据自主学习缓存策略,但是该类方案大部分没有考虑视频码率的选择。此外,现有研究大多以命中率、流量卸载作为性能的评价指标,导致在选择码率时未能充分考虑缓存策略对用户体验质量的影响。考虑到移动边缘计算网络环境下,网络状况的时变性、用户的移动性,视频文件的特性等都会对缓存策略造成影响,如何高效利用边缘节点和无线网络有限的资源,为用户提供高质量、低延时的视频服务是移动边缘计算中一个重要的课题。本文致力于研究移动边缘计算网络下视频业务的缓存更新和放置策略,主要工作如下:（1）移动边缘计算网络中自适应码率选择的视频缓存更新策略针对移动边缘计算网络下视频流行度、网络状态难以精确建模的问题,研究了视频点播服务下自适应码率选择的视频缓存更新策略。首先,提出了基于移动边缘计算网络的视频缓存架构,在此架构下,MEC平台具有缓存、转码以及无线网络状态感知能力,缓存系统可利用MEC平台提供的功能设计缓存策略。其次,定义了以最大化系统和用户Qo E收益为目标的缓存更新优化问题。最后将视频的历史请求信息以及用户的历史网络信息作为环境状态,设计了一种基于深度强化学习的缓存更新和码率选择算法。该算法能够感知环境的状态信息,并根据环境的反馈自主学习缓存策略。所提方案同时优化了缓存更新时机、缓存视频及其码率的选择。经仿真实验表明,本文所提方案能有效提高系统的缓存收益和用户的体验质量。（2）移动边缘计算网络中具有用户位置感知的多基站协作短视频缓存放置策略针对短视频流行度变化快、请求概率与用户位置分布密切相关的特点,研究了移动边缘计算网络下考虑用户移动性的短视频协作缓存策略。首先,提出了移动边缘计算网络下的云边协同架构,该架构下配备有宏基站和微基站,每个微基站都可以与宏基站进行通信,邻近的边缘节点间之间可以协作缓存。短视频平台的推荐系统根据用户的偏好生成到推送的短视频集合并确定短视频的流行度排名,边缘节点在缓存视频前,利用移动性管理模块预测下一时隙用户所处的基站,缓存控制模块根据用户分布情况决定短视频缓存的位置。其次,对用户移动性和缓存放置问题进行建模,定义了以最大化单位流量和时延收益为目标的缓存放置优化问题。最后,基于LSTM网络模型和深度强化学习设计了一种具有用户位置感知的缓存放置算法,该算法能够准确预测用户的移动轨迹,并且能根据用户移动情况将短视频缓存到合适的位置,以满足更多用户的短视频请求。实验结果表明,所提方案能有效减少回程链路流量、降低视频传输时延,进一步对实验测试和分析发现,准确预测用户移动的目标位置、选择短视频合适的放置位置对提升缓存性能非常重要。
刘文龙[3]（2021）在《基于深度增强学习的360度视频动态自适应请求算法及工程平台实现》文中研究表明随着视频流媒体技术的快速发展以及5G等低延时网络通信技术的普及,人们对视频流媒体的需求已经从普通二维视频逐渐发展到虚拟现实（Virtual Reality,VR）和增强现实（Augmented Reality,AR）等沉浸式视频领域。沉浸式视频应用的主要格式之一是360度视频,因在观看过程中观看者可以自由转换视角观看视频内容得到身临其境的体验而备受欢迎。但360度视频具有较高的帧率和分辨率,致使其数据量巨大,而现有的带宽资源有限,因此如何有效地进行传输是限制360视频进一步发展的瓶颈。为了提高视频流媒体用户的体验质量（Quality of Experience,QoE）,本文基于深度增强学习算法,结合视频流媒体动态自适应请求标准（MPEG-DASH）,针对360度视频,实现了基于深度增强学习的360度视频动态自适应请求直播和点播应用平台。整个应用平台由视频拼接平台、视频直播平台、视频点播平台和基于深度增强学习的360度视频请求算法四部分组成。首先,实现了基于FFmpeg的视频拼接平台,360度视频的直播和点播都采用划分Tile的传输方式,视频播放之前都需要进行拼接;其次,实现了基于Nginx-RTMP的加密视频直播平台,本文因硬件设备等原因仅实现了二维视频的直播平台,并采用3DES加密算法对视频直播裸流进行加密;然后,实现了基于DASH（Dynamic Adaptive Streaming over HTTP）的播放器点播平台,基于二维视频的DASH传输框架,开发了基于Tile的360度视频传输平台,平台可调用C++或Python开发的视频自适应请求算法,并在平台中加入本地二维视频和360度视频播放、本地视频加解密、网页版DASH自适应请求播放和嵌入平台的DASH自适应请求播放功能;最后,将二维视频中基于深度增强学习的码率自适应请求算法和码率分配算法相结合,实现360度视频的码率自适应请求,并应用于基于DASH的360度视频点播平台。
张承俊[4]（2020）在《基于Android的视频点播客户端的设计与实现》文中研究表明随着社会的进步,互联网行业的快速发展,移动智能手机已经与人们的日常生活密不可分,移动智能手机从最初的打电话,发短信,到如今的各类社交聊天软件。手机上的应用涉及面非常的广泛:包括生活购物、休闲娱乐、旅游出行、理财、教育学习,医疗等,可以看出传统行业和移动互联网的融合呈现新的特点,平台和模式都发生了变化。视频播放是智能手机十分重要的功能,目前移动视频播放通常分为综合视频,短视频,直播视频三类,视频播放平台整体的发展都显示出良好的前景。Android是在Linux内核基础上开发的操作系统,由于其开源性及优秀的系统特性,受到了广大手机厂商的青睐。Android系统在移动设备市场上拥有不可动摇的地位,目前为止已经占据全球智能手机操作系统70%以上的份额。在当前视频行业的不断壮大,移动智能手机的普及,移动视频快速发展的前景下,消费者的娱乐要求也不断提升。本课题源于实际的工程项目,根据项目的实际需求以及当前的移动视频发展背景,主要的目的是实现一款基于Android的视频点播APP。系统要实现的核心功能是Android智能手机上的视频点播,主要关注视频播放中的用户体验,其次,整体软件的各个功能模块是否符合用户操作习惯,是否符合当前流行的设计风格,也需要重视。根据当前的移动视频发展趋势,设计并实现一款基于Android系统的视频点播APP,提供丰富多样的视频内容,具有重要的现实意义。本文首先根据当前时代背景和互联网的发展探讨了课题背景和意义,并了解了国内外当前研究现状,之后对课题实现过程中使用的相关技术进行了介绍,并充分研究了产品的特点和需求,提出了功能性需求和非功能性需求。其中,在功能性需求分析中,分别对登录注册、个人中心、视频播放、喜好推荐四个模块进行详细的分析,并给出用例图说明,非功能性需求则主要针对性能需求和界面需求。在完成需求分析后,根据需求分析的结果进行概要设计,概要设计的主要内容有系统架构、功能结构、数据库结构、网络接口和界面结构五个方面。然后在此基础上分别对每个模块进行详细设计与实现,设计部分重点介绍了流程设计、界面设计和类的设计,给出相应的类图、流程图和界面设计图,实现部分则根据实现方法和部分关键代码来讲述实现过程。最后在编码实现后,针对各个模块分别设计了测试用例并进行了测试,并展示了测试结果,可以看到测试结果基本符合预期,最后针对测试中发现的问题提出了改进的意见。本文最终设计并实现了基于Android的视频点播APP,在功能和性能上都达到了预期,可以满足不同类型用户随时随地观看视频的需求。相信在今后的持续改进下,会得到更多用户的支持和青睐。
鞠爽爽[5]（2020）在《P2P流媒体中缓存策略研究》文中提出P2P流媒体技术的引进,冲击了传统视频传输技术。这种新颖的流媒体传输方式,得到了大量流媒体系统的应用。P2P流媒体系统的缓存策略需要对热点视频进行精确评估,以便于高程度地提升视频段的命中率,同时降低响应时延,这直接关系到用户的体验和流媒体系统的性能;P2P流媒体系统中的节点选择技术可以减轻服务器的压力,同时能提高服务节点的服务质量。本文所提的缓存策略集中从节点选择和视频预测两方面进行研究,具体的研究工作如下:（1）由于缓存节点的选择会影响到缓存效率,针对P2P流媒体缓存时的节点选择问题,本文使用贪心算法提出了一种新的节点选择模型（Peer selection algorithm based on greedy algorithm,GA-PSA）,综合考虑节点的上、下行带宽,节点在线时长,节点距离以及节点服务的能力,在高动态性的P2P网络拓扑下选择高效的合作节点。仿真实验表明该技术可以提高系统的传输延迟和吞吐量,有效提升系统的整体性能。（2）由于已经播出一段时间的视频段的流行度变化不会很大,使用更新频繁的模型不能够准确描述视频段的流行度。本文提出了一种基于关联规则视频段预测的缓存策略（Cache Replacement Algorithm based on Association Rule,CRA-AR）,该策略更偏重于对流行度较高的视频段进行存储。该策略通过关联规则挖掘用户历史访问记录,根据流行度进行筛选,得出待缓存段。仿真实验表明该技术在命中率及响应时间上都具有较好的表现。（3）新上映的视频段的流行度没有形成稳定的趋势,传统的统计方法不能及时反映出流行度的变化。针对此问题,本文提出一种基于马尔可夫修正模型的视频预测缓存策略（Modified Markov Prediction Model,MMPM）,该策略可以在用户历史访问记录不多的情况下运行。仿真实验表明,实现动态预测,提高了命中率及响应速度,验证了算法的有效性、准确性及快速性。本文从节点选择和视频段预测两方面进行研究,提出三种策略并进行实验,这三种策略可以提高吞吐量或提高命中率,可以在一定程度上缓解P2P流媒体缓存时的问题。
倪洱超[6]（2020）在《基于DQN的边缘服务器视频缓存算法研究》文中研究说明随着近几年互联网用户数量和视频数量的增长,视频传输流量成为互联网的流量的主要组成部分。在有限的带宽资源下,满足视频传输的服务质量成为一个挑战。在靠近用户的边缘服务器上缓存视频是减少骨干流量和提高视频传输性能的一个有效方法。然而,现有的工作没有能够有效的解决以下两个问题。第一,视频的流行度变化是动态的,即使是最受欢迎的视频热度也只能持续几个小时。第二,边缘服务器的视频更新成本没有得到适当的考虑。为了解决问题,本文提出了边缘网络实时缓存框架,以实现边缘服务器实时缓存的仿真。在这个缓存框架中,本文考虑了边缘服务器在替换视频时的替换成本与中断成本,使得边缘服务器能够在极短的时间周期进行缓存更新。在这一个基础上,本文利用深度强化学习来解决边缘服务器上的视频缓存问题。本文利用深度强化学习算法探索-利用的特性用于解决缓存更新带来的长期收益与短期收益之间权衡的问题。但是边缘服务器上有限的计算能力使得基于深度学习的算法一直不能有效运行。使用原始的深度强化学习算法用于解决缓存问题,会造成随着视频数量的增加带来的算法的状态空间与决策空间的规模的指数级增长。很明显,这与边缘服务器有限的计算能力是相互矛盾的。为此,本文设计了一种基于DQN（Deep Q-Network）的在线视频缓存更新算法,为了降低深度强化学习的计算复杂度,本文对其进行了改进,将Q值函数分解为视频价值函数与动作函数的乘积,称为DQN-OVC算法（DQN based Online Video Caching,DQN-OVC）。本文将对所有视频决策收益的预测改为对单个视频决策收益的预测,在此基础上,原本在指数级的缓存空间中搜索最优决策改变为对单个视频收益进行单次遍历得到最优策略。本文的改进大大降低了算法的计算复杂度,使得本文的算法能够在短时间内周期性地执行,以便能够根据最新的视频流行趋势进行更新。除此以外,还使得本文的算法能够适应不同规模的输入,让边缘服务器在用户数量较少的时候节省大量计算资源。最后本文使用真实的互联网视频的用户访问记录进行仿真实验。实验结果表明,在命中率方面,本文的算法比起传统的缓存算法与基于深度学习的预测算法来说有10%到30%之间的提高,在高峰时期能达到理论最优值93%的命中率水平。
赵阳超[7]（2020）在《面向视频应用的网络智能传输算法研究》文中研究表明随着移动终端的普及以及无线接入技术如4G/5G的飞速发展,当前,视频服务已是人们生活中必不可少的一部分,且越来越多的商用视频服务涌现了出来。同时,用户对视频传输高吞吐率、低时延的需求也随着各项技术的进步越来越高。不断涌现出的视频服务以及快速增加的用户不仅给互联网带来了巨大的数据流量压力,而且增加了网络拥塞发生的风险。然而,网络的拥塞和不稳定使得用户对视频传输的高吞吐率和低时延需求难以得到保证。波动的网络环境使得高吞吐率的视频传输充满挑战,而用户的低时延需求特别是在交互式视频传输场景下通常因为网络的拥塞而难以得到满足。在进行视频传输优化时,针对用户的高吞吐率需求和低时延需求,往往只能顾此失彼,或者牺牲视频的流畅性而极大影响用户的观看体验。针对上述视频传输所面临的问题,本文从视频的发送到接收整个过程入手,研究了面向视频应用的网络智能传输算法,涵盖了视频发送端的码率控制、传输过程中的网络路由、内容分发过程中的缓存算法以及接收端的自适应码流。本文的主要工作和创新点包括:1.基于深度强化学习的端到端码率控制:在用户对传输时延和吞吐率都有较高要求的视频传输场景中,需要在低时延的前提下传输较高质量的视频,离不了码率的动态调整,视频上传的质量更是直接决定了接收端的播放质量,在上行链路和下载链路波动的网络环境下,发送端的编码器码率控制尤为重要。本文在视频发送端提出了轻量级的、基于深度强化学习的码率控制模型smart RC;另外针对低时延传输场景中视频接收端缓冲区容量小而导致码率选择容错率低的挑战,本文利用基于深度强化学习的自适应码流模型Adaptive Streaming来实现多码率的选择。相比于基于带宽预测的比较方法,smart RC能够在保持较低传输时延的情况下提升20.88%的服务质量（Quality-of-Service,Qo S）;Adaptive Streaming相比于常用的基于缓冲区的方法分别能够降低64.72%的百秒卡顿次数和91.04%的百秒卡顿时长。此外针对计算能力和功耗受限的移动端,smart RC和Adaptive Streaming采用了微调的轻量级深度神经网络,其和基于时序神经网络的模型相比较在维持表现相近的情况下能节省62.63%的运行时间。2.基于深度学习的覆盖网络路由选择:路由的准确选择离不开实时且准确的网络流量信息,为此,本文利用一个结合网络流量预测和路由选择的深度学习模型实现覆盖网络路由的快速搜索,并针对整体的用户满意率提出了基于regret的覆盖网络路由算法COR。基于深度学习的覆盖网络路由模型能达到90.58%的路由决策准确率且和不做流量预测的方法相比能多节省14.92%的传输时延。相比于传统的基于底层路由协议的算法,COR能提升5%到43%的用户满意率。3.基于内容流行度的自适应缓存算法:针对网络流量压力和数据成本的挑战,本文对包含超过200亿个独立视频的真实数据进行了特征分析,提出了基于流行度的自适应缓存算法ATW。基于真实数据集的仿真实验,ATW相比于内容提供商现行的缓存算法,能节省1%到3%的数据流量。另一方面,其在保持同等命中率的情况下能节省37.5%的缓存容量。
范雅晴[8]（2020）在《面向多终端支持的HTTP自适应流媒体点播云平台关键技术研究》文中进行了进一步梳理随着宽带网络的快速发展,对等网络技术（Peer-to-Peer,P2P）已广泛应用于流媒体服务,具有高扩展、低成本的优点,能有效降低服务器带宽开销。近年来,HTTP自适应流媒体技术（DASH）由于具备部署简单、自适应调整码率的优点,也得到了快速的发展,广泛应用于流媒体点播服务（Vo D）中。在流媒体点播服务中,如何有效应用对等网络技术与HTTP自适应流媒体技术的优点是一个要解决的问题。另一方面,随着无线网络技术（WIFI）和智能移动终端的普及,基于移动终端观看视频的用户也越来越多。因此,如何面向移动终端和固定终端构建一个多终端支持的P2P Vo D体系结构,实现资源在移动终端和固定终端之间打通共享,也是要考虑的一个重要问题。针对上述两个问题,本文研究面向多终端支持的HTTP自适应流媒体点播云平台的关键技术,主要研究内容如下。第一,本文将DASH技术和P2P Vo D服务相结合,提出了一种用于视频点播的P2P-DASH Vo D方案,该方案充分利用P2P的可扩展性和低成本特性以及DASH的动态自适应性。首先,构建了一个多层的将幂律环状覆盖网和斐波那契环状覆盖网结合在一起的P2P覆盖网结构。在该结构中,节点根据目标距离决定在幂律环状覆盖网或者在斐波那契环状覆盖网中搜索目标流媒体片段,以实现流媒体片段的快速查找。该覆盖网结构能有效减少视频点播中VCR操作产生的跳转延迟,提高播放的流畅度。然后,提出一种DASH码率控制策略用于流媒体数据的传输。本文的DASH码率控制策略根据节点自身状态和实时的全局网络状态,综合考虑四个自适应因子(视频片段准时到达率AR、节点的可用缓冲区Wiavailiable、当前覆盖层带宽可用率?j（7）t（8）、当前覆盖层上传带宽利用率ηj（7）t（8）),共同指导节点的视频码率选择。该选择策略在降低流媒体点播中跳转延迟的同时,能有效提高用户的视频观看满意度。第二,本文提出了一个多终端支持的基于超级节点的P2P Vo D体系结构。该体系结构将移动终端和固定终端组织在一起,实现多终端之间共享资源,降低服务器端负载。首先,本文构建了一个基于超级节点的P2P Vo D体系结构的模型。然后,本文为选择合适的超级节点对体系结构中的各类终端进行管理,提出一个超级节点选择算法。最后,本文结合各类终端不同的特性,为不同终端设计了相应的缓存结构,并结合视频点播的特性对体系结构的维护进行了讨论。通过实验,验证了该体系结构能有效实现多终端之间的资源共享,提高视频播放的质量和流畅度,并且有效降低服务器负载。
徐敏儿[9]（2020）在《基于Android系统的视频对讲与点播技术的研究与实现》文中指出随着计算机网络技术的发展,移动智能终端和互联网技术不断成熟,目前4G和WIFI网络的覆盖率极高,移动终端硬件的性能也获得了极大提升,这为智能手机搭载高负荷、高带宽的系统创造了有利条件。与此同时,人们对于智能手机的需求不仅仅是电话、短信等基本功能,而更多的是享受网络提供的各种生活服务。在如今诸多手机业务中,得益于优异的网络环境和广大用户的需求,视频对讲与视频点播成为当今发展最快、普及度最广的业务。随着用户的增加以及5G的到来,针对视频对讲以及视频点播技术的研究有着广阔的前景和巨大潜力。本文以研究视频对讲与点播技术的重要性为出发点,分析了当前Android系统的发展趋势以及国内外对视频对讲与点播技术的研究现状,研究并实现了一套基于Android平台的视频对讲与点播系统。不仅如此,在实现功能的基础上还分析了目前主流视频对讲与点播系统中分别存在的回声难以消除以及视频播放时易受网络干扰和盗播问题,研究了回声消除算法、视频缓存技术和视频加密算法用于提升系统的性能和实用性。本文的主要工作有:（1）针对Android系统开发平台,对Android系统的架构以及应用开发组件进行了深入学习和研究,为课题功能的实现打下基础。（2）针对视频对讲功能,研究学习了H.264视频编码和G.711音频编码,以及用于数据传输的SIP协议和RTP协议。利用Android系统中的音视频采集编码技术,研究实现了基于SIP信令交互,RTP数据传输的视频对讲功能。接着对回声消除技术加以研究,使用WebRTC技术中的AECM算法实现回声消除,改善音频质量。（3）针对视频点播功能,研究学习了HTTP协议、视频播放开源库以及加密算法。本文利用HTTP协议获取视频信息,ijkplayer开源库播放视频,研究实现了具有可操作界面的视频点播功能。接着研究视频缓存技术和AES加密算法分别解决视频易受网络影响和易被攻击的问题,提升视频流畅度和安全性。（4）针对实现的功能,提出测试方法对功能进行测试,提高系统的性能和稳定性。
韩凯[10]（2019）在《某万吨级海事船通信网络方案设计与实现》文中进行了进一步梳理随着我国经济实力的日益强大,党和国家非常重视海洋强国的战略部署,包括在东海、南海海域开展生命救助、海洋安全监管、海上指挥管理,打击海上各种违法活动,维护我国海洋权益等方面。海事巡逻船发展面临着良好的发展机遇,现役的千吨级海事巡逻船功不可没,但是目前普遍存在几个问题:由于吨位低,对抗恶劣海况能力有限,无法执行远海任务;系统通联手段少,近海通信方式依靠运营商的移动网络,移动基站覆盖不到的地方使用微波,但微波通信也会受到距离的制约,影响远海执行任务的能力;千吨级海事巡逻船的通信装备配置低,影响海事船编队指挥和综合指挥能力。所以为了加快推进国家相关规划布局的实施,有效提高我国海事部门应对远海海域执行任务的要求,需要建造一艘综合能力更强、能够适应全球海域内执行海事应急处置任务的新型的万吨级海事船。本文通过对某万吨海事船通信网络进行需求调研,针对需求性分析结果,确定通信网络由海事业务网、航行保障网与日常保障网组成。制定该通信网络拟采用的技术包括:IP地址分配、组播路由、服务质量（QOS）等。总体架构借鉴军事信息网络体系理论基础,采用面向服务架构技术和业务、控制、承载分离的思想,技术分层上采用“四层两面”架构。通过对系统总体架构的深入研究,三网基础部分采用统一技术体制构建承载平台,实现各业务系统由IP体制统一承载。根据业务需求设计了三网基础部分的网络架构,局域网和广域网的路由协议,VL AN划分。明确三网各分系统的功能、性能、内外接口等要求,完成各分系统的方案设计,对方案中采用的设备进行选型。通过搭建环境进行参数配置,验证万吨级海事船通信网络方案设计合理、可行。该通信网络方案满足不同业务子系统、不同接入方式、不同类型业务对网络承载能力提出的要求。通过运用业务分类、流量监测、队列调度、带宽控制及层次化QOS策略,按需实现精细化的流量控制、端到端的可靠传输等服务。该方案实现了预期设计目标,为后续项目的工程实施起到了指导性作用。
二、视频点播服务器的动态缓存管理（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、视频点播服务器的动态缓存管理（论文提纲范文）
（1）对等网络视频点播云平台的视频传输研究（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 国内外研究现状 |
| §1.2.1 对等网络视频点播的研究现状 |
| §1.2.2 对等网络视频点播云平台视频传输的研究现状 |
| §1.3 论文的主要研究内容 |
| §1.4 论文的章节安排 |
| 第二章 相关理论与技术 |
| §2.1 对等网络的相关概述 |
| §2.1.1 对等网络的相关概念 |
| §2.1.2 对等网络的结构 |
| §2.1.3 对等网络技术的主要特点 |
| §2.2 对等网络流媒体视频技术概述 |
| §2.2.1 流媒体视频技术概述 |
| §2.2.2 对等网络流媒体视频技术的结构 |
| §2.2.3 直播系统与点播系统的相关概述 |
| §2.3 对等网络视频点播云平台视频传输相关技术 |
| §2.3.1 视频的分割策略 |
| §2.3.2 视频点播云平台的数据传输调度方式 |
| §2.3.3 视频点播云平台的视频传输策略 |
| §2.4 对等网络流媒体视频传输成本优化相关技术 |
| §2.4.1 视频传输成本优化问题描述 |
| §2.4.2 视频传输成本相关的优化算法介绍 |
| §2.5 本章小结 |
| 第三章 对等网络视频点播云平台系统模型 |
| §3.1 对等网络流媒体点播云平台的系统模型 |
| §3.2 流媒体点播云平台系统工作原理 |
| §3.2.1 流媒体视频片段的分割方式 |
| §3.2.2 节点间视频资源共享 |
| §3.3 本章小结 |
| 第四章 降低云节点之间的传输成本算法 |
| §4.1 相关背景介绍 |
| §4.2 算法相关数学模型介绍与分析 |
| §4.2.1 算法相关的数学模型介绍 |
| §4.2.2 算法相关的设计和分析 |
| §4.3 基于仿真实验的性能评价 |
| §4.3.1 仿真实验环境 |
| §4.3.2 仿真程序参数设置 |
| §4.3.3 仿真实验结果分析 |
| §4.4 本章小结 |
| 第五章 保证服务质量的降低云节点视频传输产生的成本 |
| §5.1 算法相关数学模型介绍与分析 |
| §5.1.1 流媒体视频片段请求服务描述 |
| §5.1.2 算法相关数学模型介绍与分析 |
| §5.2 算法相关的设计和分析 |
| §5.2.1 紧急视频片段的低延迟请求算法 |
| §5.2.2 非紧急视频片段的最小成本路径算法 |
| §5.3 基于仿真实验的性能评价 |
| §5.3.1 仿真程序参数设置 |
| §5.3.2 实验性能评价指标 |
| §5.3.2 仿真实验结果分析 |
| §5.4 本章小结 |
| 第六章 总结与展望 |
| §6.1 总结 |
| §6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士学位期间的主要研究成果 |
（2）移动边缘计算网络中视频缓存策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状与挑战 |
| 1.2.1 移动边缘缓存研究现状 |
| 1.2.2 现有研究工作存在的不足 |
| 1.3 论文的研究内容及章节安排 |
| 第2章 移动边缘缓存相关技术背景概述 |
| 2.1 移动边缘计算及缓存技术 |
| 2.1.1 移动边缘计算 |
| 2.1.2 移动边缘缓存 |
| 2.2 深度强化学习算法简介 |
| 2.2.1 深度学习 |
| 2.2.2 强化学习 |
| 2.2.3 深度强化学习 |
| 2.3 本章小结 |
| 第3章 自适应码率选择的视频缓存更新策略 |
| 3.1 引言 |
| 3.2 系统模型 |
| 3.2.1 网络模型 |
| 3.2.2 视频模型 |
| 3.2.3 请求模型 |
| 3.3 优化问题 |
| 3.3.1 系统收益模型 |
| 3.3.2 QoE收益模型 |
| 3.3.3 优化目标 |
| 3.3.4 马尔科夫决策过程 |
| 3.4 算法设计 |
| 3.4.1 视频缓存更新决策流程分析 |
| 3.4.2 Actor-Critic网络的更新规则 |
| 3.4.3 基于DDPG的视频缓存更新算法 |
| 3.5 仿真结果与分析 |
| 3.5.1 参数设置 |
| 3.5.2 性能评估 |
| 3.6 本章小结 |
| 第4章 具有用户位置感知的多基站协作短视频缓存放置策略 |
| 4.1 引言 |
| 4.2 系统模型 |
| 4.2.1 网络模型 |
| 4.2.2 用户移动性模型 |
| 4.2.3 短视频流行度模型 |
| 4.2.4 时延模型 |
| 4.2.5 缓存收益模型 |
| 4.3 短视频缓存放置优化问题 |
| 4.4 算法设计 |
| 4.4.1 用户移动轨迹预测和短视频本地流行度计算 |
| 4.4.2 基于A3C的短视频放置算法 |
| 4.5 仿真结果与分析 |
| 4.5.1 参数设置 |
| 4.5.2 数据集 |
| 4.5.3 仿真结果及分析 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 本文工作总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 攻读硕士期间科研情况 |
| 致谢 |
（3）基于深度增强学习的360度视频动态自适应请求算法及工程平台实现（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.3 论文的主要内容安排 |
| 第二章 基于FFmpeg的视频拼接平台 |
| 2.1 360度全景视频 |
| 2.2 视频拼接 |
| 2.3 拼接算法比较 |
| 2.4 拼接平台操作流程 |
| 2.5 本章小结 |
| 第三章 视频自适应传输工程平台搭建 |
| 3.1 基于Nginx-RTMP的加密直播平台实现 |
| 3.1.1 平台整体架构 |
| 3.1.2 搭建Nginx-RTMP服务器平台 |
| 3.1.3 加密直播推流的实现 |
| 3.1.4 推流操作流程 |
| 3.1.5 解密直播拉流的实现 |
| 3.1.6 拉流操作流程 |
| 3.2 基于DASH的播放器点播平台实现 |
| 3.2.1 平台整体架构 |
| 3.2.2 基于Tile的360度视频传输 |
| 3.2.3 DASH视频传输标准 |
| 3.2.4 DASH框架在360度视频传输中的应用 |
| 3.2.5 播放器平台实现和操作流程 |
| 3.3 本章小结 |
| 第四章 基于深度增强学习的360度视频动态请求算法实现 |
| 4.1 深度增强学习算法 |
| 4.1.1 基于价值的增强学习算法 |
| 4.1.2 基于概率的增强学习算法 |
| 4.1.3 基于价值和概率的增强学习算法 |
| 4.2 码率分配算法 |
| 4.3 基于深度增强学习的360度视频动态请求算法实现 |
| 4.4 本章小结 |
| 第五章 总结和展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表的成果 |
| 学位论文评阅及答辩情况表 |
（4）基于Android的视频点播客户端的设计与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 引言 |
| 1.1 课题背景 |
| 1.2 国内外现状和趋势 |
| 1.3 课题任务 |
| 1.3.1 课题内容 |
| 1.3.2 本人承担任务 |
| 1.4 论文结构 |
| 第二章 相关技术介绍 |
| 2.1 Android操作系统 |
| 2.1.1 Android系统架构 |
| 2.1.2 Android四大组件 |
| 2.2 开发相关技术及工具 |
| 2.2.1 内存泄漏检测 |
| 2.2.2 移动端网络抓包 |
| 2.3 音视频框架 |
| 2.4 数据存储 |
| 2.5 本章小结 |
| 第三章 视频点播客户端需求分析 |
| 3.1 总体需求 |
| 3.2 功能性需求分析 |
| 3.2.1 视频播放功能需求分析 |
| 3.2.2 登录注册功能需求分析 |
| 3.2.3 喜好推荐功能需求分析 |
| 3.2.4 个人中心需求分析 |
| 3.3 非功能性需求分析 |
| 3.3.1 性能需求 |
| 3.3.2 界面需求 |
| 3.4 本章小结 |
| 第四章 视频点播客户端概要设计 |
| 4.1 软件架构设计 |
| 4.2 功能结构设计 |
| 4.3 数据库总体设计 |
| 4.4 服务器接口设计 |
| 4.5 界面结构设计 |
| 4.6 本章小结 |
| 第五章 视频点播客户端详细设计与实现 |
| 5.1 登录注册模块的设计与实现 |
| 5.1.1 数据库表结构设计 |
| 5.1.2 登录注册模块的界面设计 |
| 5.1.3 登录注册模块的实现 |
| 5.2 个人中心模块的设计与实现 |
| 5.2.1 个人中心模块的类设计 |
| 5.2.2 个人中心模块的界面设计 |
| 5.2.3 个人中心模块的实现 |
| 5.3 视频播放模块的设计与实现 |
| 5.3.1 视频播放模块的界面设计 |
| 5.3.2 视频播放模块的流程图 |
| 5.3.3 视频播放模块的实现 |
| 5.4 喜好推荐模块的设计与实现 |
| 5.4.1 喜好推荐模块的界面设计 |
| 5.4.2 喜好推荐模块的实现 |
| 5.5 系统功能截图展示 |
| 5.6 本章小结 |
| 第六章 视频点播客户端系统测试 |
| 6.1 测试方法 |
| 6.2 测试用例 |
| 6.2.1 登录注册模块测试用例设计 |
| 6.2.2 个人中心模块测试用例设计 |
| 6.2.3 视频播放模块测试用例设计 |
| 6.2.4 喜好推荐模块测试用例设计 |
| 6.3 性能测试 |
| 6.3.1 启动时间测试 |
| 6.3.2 内存测试及分析 |
| 6.4 测试结果及分析 |
| 6.5 本章小结 |
| 第七章 结束语 |
| 7.1 工作总结 |
| 7.2 问题与展望 |
| 参考文献 |
| 致谢 |
（5）P2P流媒体中缓存策略研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 研究内容 |
| 1.4 论文结构 |
| 第2章 P2P流媒体系统 |
| 2.1 P2P流媒体系统简介 |
| 2.2 P2P流媒体缓存方法 |
| 2.2.1 节点选择机制 |
| 2.2.2 缓存替换机制 |
| 2.3 本章小结 |
| 第3章 基于贪心算法的节点选择策略 |
| 3.1 问题描述 |
| 3.2 系统模型 |
| 3.3 仿真实验 |
| 3.4 本章小结 |
| 第4章 基于关联规则的视频预测策略 |
| 4.1 问题描述 |
| 4.2 系统流程 |
| 4.3 视频段预测模型 |
| 4.3.1 指数加权平均模型 |
| 4.3.2 关联规则 |
| 4.3.3 预测算法 |
| 4.4 仿真实验 |
| 4.5 本章小结 |
| 第5章 基于马尔可夫修正模型的视频预测策略 |
| 5.1 问题描述 |
| 5.2 系统模型 |
| 5.3 仿真实验 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 参考文献 |
| 攻读学位期间完成的科研成果 |
| 致谢 |
（6）基于DQN的边缘服务器视频缓存算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.4 本文研究内容 |
| 1.5 本文组织结构 |
| 第2章 相关工作 |
| 2.1 问题背景 |
| 2.2 缓存问题 |
| 2.3 强化学习算法 |
| 2.4 Deep Q-learning算法 |
| 第3章 边缘网络视频实时缓存框架 |
| 3.1 视频流行度分析 |
| 3.2 现有视频缓存框架分析实验 |
| 3.3 视频实时缓存框架结构设置 |
| 3.4 替换成本分析实验 |
| 3.5 基于实验分析结果的问题建模 |
| 第4章 基于深度强化学习的缓存算法 |
| 4.1 深度强化学习优劣势分析 |
| 4.2 在线视频缓存算法(DQN-OVC)设计 |
| 4.3 偏向短期收益的优化DQN-OVC算法 |
| 4.4 DQN-OVC模型训练 |
| 4.5 边缘服务器实时缓存更新算法 |
| 4.6 仿真环境设置 |
| 4.7 不同缓存容量的对比试验 |
| 4.8 不同算法总效果对比 |
| 第5章 总结与未来展望 |
| 5.1 总结 |
| 5.2 未来展望 |
| 参考文献 |
| 指导教师对研究生学位论文的学术评语 |
| 答辩委员会决议书 |
| 致谢 |
| 攻读硕士学位期间的研究成果 |
（7）面向视频应用的网络智能传输算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 本文研究背景与意义 |
| 1.2 视频传输流程介绍 |
| 1.3 当前视频传输所面临的挑战 |
| 1.3.1 高质量低时延的挑战 |
| 1.3.2 交互式视频传输的挑战 |
| 1.3.3 网络流量压力和成本的挑战 |
| 1.4 本文的主要工作及创新点 |
| 1.5 本文的结构安排 |
| 1.6 本章总结 |
| 第二章 国内外研究现状 |
| 2.1 流控和码率自适应 |
| 2.2 覆盖网络路由 |
| 2.3 视频内容缓存 |
| 2.3.1 经典的缓存算法 |
| 2.3.2 基于学习的缓存算法 |
| 2.4 本章总结 |
| 第三章 基于深度强化学习的端到端码率调整 |
| 3.1 本章引论 |
| 3.2 视频发送端码率控制 |
| 3.3 发送端码率控制实验及结果 |
| 3.4 视频接收端自适应码流 |
| 3.5 模型的移动端性能测试 |
| 3.6 本章总结 |
| 第四章 基于深度学习的覆盖网络路由 |
| 4.1 本章引论 |
| 4.2 基于regret的覆盖网络路由算法 |
| 4.3 基于深度学习的网络流量预测和覆盖网络路由 |
| 4.4 本章总结 |
| 第五章 基于流行度的自适应内容缓存 |
| 5.1 本章引论 |
| 5.2 基于内容流行度的自适应缓存优化 |
| 5.3 视频内容缓存优化实验结果 |
| 5.4 本章总结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
| 简历与科研成果 |
（8）面向多终端支持的HTTP自适应流媒体点播云平台关键技术研究（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 国内外研究现状 |
| §1.2.1 对等网络流媒体的研究现状 |
| §1.2.2 HTTP自适应流媒体的研究现状 |
| §1.2.3 P2PVoD覆盖网的研究现状 |
| §1.3 论文的主要研究内容 |
| §1.4 论文的章节安排 |
| 第二章 相关理论与技术 |
| §2.1 对等网络概述 |
| §2.1.1 对等网络概念 |
| §2.1.2 对等网络结构 |
| §2.1.3 对等网络主要优点 |
| §2.2 对等网络流媒体技术概述 |
| §2.2.1 流媒体技术概述 |
| §2.2.2 对等网络流媒体技术概述 |
| §2.3 HTTP自适应流媒体相关理论概述 |
| §2.4 对等网络覆盖网构建相关技术 |
| §2.4.1 经典P2P覆盖网 |
| §2.4.2 移动P2P覆盖网 |
| §2.5 本章小结 |
| 第三章 对等网络流媒体点播系统模型 |
| §3.1 流媒体点播系统模型 |
| §3.2 流媒体点播系统工作原理 |
| §3.2.1 流媒体片段的分割 |
| §3.2.2 节点加入系统 |
| §3.2.3 节点离开系统 |
| §3.2.4 节点间资源共享 |
| §3.3 本章小结 |
| 第四章 基于HTTP自适应流媒体的对等网络流媒体点播研究 |
| §4.1 模型概述 |
| §4.2 基于斐波那契环和幂率环结合的覆盖网 |
| §4.3 DASH码率控制策略 |
| §4.4 基于仿真实验的性能评价 |
| §4.4.1 仿真实验环境 |
| §4.4.2 仿真实验参数设置 |
| §4.4.3 仿真结果分析 |
| §4.5 本章小结 |
| 第五章 基于超级节点的多终端支持的P2P VoD体系结构研究 |
| §5.1 多终端支持的体系结构模型 |
| §5.2 超级节点的选择 |
| §5.2.1 超级节点选择指标 |
| §5.2.2 超级节点选择算法 |
| §5.3 各类终端的缓存机制 |
| §5.4 体系结构的维护 |
| §5.4.1 节点的加入 |
| §5.4.2 节点的离开 |
| §5.4.3 节点的拖动操作 |
| §5.4.4 节点的常规播放 |
| §5.5 基于仿真实验的性能评价 |
| §5.5.1 仿真实验主要参数设置 |
| §5.5.2 仿真结果分析 |
| §5.6 本章小结 |
| 第六章 总结与展望 |
| §6.1 总结 |
| §6.2 展望 |
| 参考文献 |
| 致谢 |
| 作者在攻读硕士学位期间的主要研究成果 |
（9）基于Android系统的视频对讲与点播技术的研究与实现（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 国内外研究现状 |
| 1.2.1 视频对讲的国内外研究现状 |
| 1.2.2 视频点播技术的国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文组织结构 |
| 第二章 相关技术研究 |
| 2.1 Android系统概述 |
| 2.1.1 Android系统的基本架构 |
| 2.1.2 Android应用开发组件 |
| 2.2 视频对讲技术 |
| 2.2.1 视频编解码技术 |
| 2.2.2 音频编码技术 |
| 2.3 视频点播技术 |
| 2.3.1 视频播放开源库 |
| 2.3.2 AES数据加密算法 |
| 2.4 数据通信协议 |
| 2.4.1 RTP协议 |
| 2.4.2 SIP协议 |
| 2.4.3 HTTP协议 |
| 2.5 本章小结 |
| 第三章 视频对讲与点播功能设计 |
| 3.1 功能需求分析 |
| 3.2 总体框架设计 |
| 3.3 功能模块设计 |
| 3.3.1 Android MVC设计模式 |
| 3.3.2 数据库设计 |
| 3.3.3 UI界面设计 |
| 3.3.4 视频对讲功能设计 |
| 3.3.5 视频点播功能设计 |
| 3.4 本章小结 |
| 第四章 视频对讲与点播功能实现 |
| 4.1 视频对讲功能实现 |
| 4.1.1 SIP信令交互实现 |
| 4.1.2 音频模块处理 |
| 4.1.3 视频模块处理 |
| 4.1.4 数据传输实现 |
| 4.2 回声消除 |
| 4.2.1 回声消除策略 |
| 4.2.2 自适应滤波算法 |
| 4.2.3 回声消除实现 |
| 4.3 视频点播功能实现 |
| 4.3.1 数据请求及解析 |
| 4.3.2 视频列表界面呈现 |
| 4.3.3 视频播放 |
| 4.3.4 视频缓存 |
| 4.3.5 视频加密 |
| 4.4 本章小结 |
| 第五章 测试与结果分析 |
| 5.1 测试环境 |
| 5.2 注册与登录测试 |
| 5.3 视频对讲测试 |
| 5.4 视频点播测试 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 后续展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 1 作者简历 |
| 2 参与的科研项目及获奖情况 |
| 3 发明专利 |
| 学位论文数据集 |
（10）某万吨级海事船通信网络方案设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 海事船通信网络的发展现状 |
| 1.3 本论文设计思路 |
| 1.4 本论文主要工作 |
| 第二章 某万吨级海事船通信网络需求分析 |
| 2.1 需求六性分析 |
| 2.2 业务需求分析 |
| 2.3 网络组成分析 |
| 2.4 拟采用技术分析 |
| 2.4.1 组播路由 |
| 2.4.2 IP地址规划 |
| 2.4.3 服务质量(QoS) |
| 2.5 本章小结 |
| 第三章 某万吨级海事船通信网络设计与实现 |
| 3.1 系统总体架构 |
| 3.2 海事业务网 |
| 3.2.1 基础网络设计 |
| 3.2.2 编队宽带通信分系统 |
| 3.2.3 船机高速数据传输分系统 |
| 3.2.4 统一通信平台分系统 |
| 3.2.5 海事综合业务分系统 |
| 3.2.6 视频会议分系统 |
| 3.3 航行保障网 |
| 3.3.1 基础网络设计 |
| 3.3.2 维护保障信息分系统设计 |
| 3.3.3 视频监视分系统设计 |
| 3.4 日常保障网 |
| 3.4.1 基础网络设计 |
| 3.4.2 船载手机通信分系统 |
| 3.4.3 船载IPTV分系统 |
| 3.5 网络安全 |
| 3.5.1 概述 |
| 3.5.2 系统方案设计 |
| 3.5.3 设备清单 |
| 3.6 实现与验证 |
| 3.6.1 基础网络方案的实现 |
| 3.6.2 基础网络方案验证 |
| 3.6.3 实现与验证小结 |
| 3.7 本章小结 |
| 第四章 主要指标测试 |
| 4.1 测试环境 |
| 4.2 限速方案的选择 |
| 4.2.1 备选方案 |
| 4.2.2 备选方案的比较 |
| 4.2.3 最终的限速思路 |
| 4.3 Hqos policy pq |
| 4.3.1 测试一、各优先级队列在不同限速值时限速精度 |
| 4.3.2 测试二、各优先级队列的限速独立性 |
| 4.3.3 测试三、各优先级队列的调度方式为pq |
| 4.3.4 测试四、各pq队列在不同限速值时允许的突发报文数量 |
| 4.4 QoS gts |
| 4.4.1 测试一、各优先级队列在不同限速值时的限速精度 |
| 4.4.2 测试二、各优先级队列的限速独立性 |
| 4.4.3 测试三、各优先级队列的调度方式为pq |
| 4.4.4 测试四、各pq队列在不同限速值时允许的突发报文数量 |
| 4.5 测试结论 |
| 4.5.1 Hqos policy pq限速 |
| 4.5.2 qos gts限速 |
| 4.6 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
四、视频点播服务器的动态缓存管理（论文参考文献）
- [1]对等网络视频点播云平台的视频传输研究[D]. 黄凯. 桂林电子科技大学, 2021(02)
- [2]移动边缘计算网络中视频缓存策略研究[D]. 张家豪. 广西师范大学, 2021(09)
- [3]基于深度增强学习的360度视频动态自适应请求算法及工程平台实现[D]. 刘文龙. 山东大学, 2021(12)
- [4]基于Android的视频点播客户端的设计与实现[D]. 张承俊. 北京邮电大学, 2020(05)
- [5]P2P流媒体中缓存策略研究[D]. 鞠爽爽. 扬州大学, 2020(04)
- [6]基于DQN的边缘服务器视频缓存算法研究[D]. 倪洱超. 深圳大学, 2020(10)
- [7]面向视频应用的网络智能传输算法研究[D]. 赵阳超. 南京大学, 2020(04)
- [8]面向多终端支持的HTTP自适应流媒体点播云平台关键技术研究[D]. 范雅晴. 桂林电子科技大学, 2020(04)
- [9]基于Android系统的视频对讲与点播技术的研究与实现[D]. 徐敏儿. 浙江工业大学, 2020(08)
- [10]某万吨级海事船通信网络方案设计与实现[D]. 韩凯. 电子科技大学, 2019(04)