码迷，mamicode.com
首页 > 编程语言 > 详细

webrtc中的带宽自适应算法

时间：2016-06-21 12:42:14      阅读：286      评论：0      收藏：0      [点我收藏+]

标签：

转自：http://www.xuebuyuan.com/1248366.html

 

webrtc中的带宽自适应算法分为两种：

１，　发端带宽控制，　原理是由rtcp中的丢包统计来动态的增加或减少带宽，在减少带宽时使用TFRC算法来增加平滑度。

２，　收端带宽估算，　原理是并由收到rtp数据，估出带宽；　用卡尔曼滤波，对每一帧的发送时间和接收时间进行分析，　从而得出网络带宽利用情况，修正估出的带宽。

 

两种算法相辅相成，　收端将估算的带宽发送给发端，　发端结合收到的带宽以及丢包率，调整发送的带宽。

 

下面具体分析两种算法：

技术分享

 

 

2,  接收端带宽估算算法分析

     结合文档http://tools.ietf.org/html/draft-alvestrand-rtcweb-congestion-02以及源码webrtc/modules/remote_bitrate_estimator/overuse_detector.cc进行分析

     带宽估算模型： d(i) = dL(i) / c + w(i)     d(i)两帧数据的网络传输时间差，dL(i)两帧数据的大小差， c为网络传输能力， w(i)是我们关注的重点， 它主要由三个因素决定：发送速率， 网络路由能力， 以及网络传输能力。w(i)符合高斯分布， 有如下结论：当w(i)增加是，占用过多带宽（over-using)；当w(i)减少时，占用较少带宽（under-using)；为0时，用到恰好的带宽。所以，只要我们能计算出w(i)，即能判断目前的网络使用情况，从而增加或减少发送的速率。

 

     算法原理：即应用kalman-filters
     theta_hat(i) = [1/C_hat(i) m_hat(i)]^T   // i时间点的状态由C, m共同表示，theta_hat(i)即此时的估算值

     z(i) = d(i) - h_bar(i)^T * theta_hat(i-1)  //d(i)为测试值，可以很容易计算出， 后面的可以认为是d(i-1)的估算值， 因此z(i)就是d(i)的偏差，即residual

     theta_hat(i) = theta_hat(i-1) + z(i) * k_bar(i) //好了，这个就是我们要的结果，关键是k值的选取，下面两个公式即是取k值的，具体推导见后继博文。

                              E(i-1) * h_bar(i)
     k_bar(i) = --------------------------------------------
                  var_v_hat + h_bar(i)^T * E(i-1) * h_bar(i)

     E(i) = (I - K_bar(i) * h_bar(i)^T) * E(i-1) + Q(i)   // h_bar(i)由帧的数据包大小算出

     由此可见，我们只需要知道当前帧的长度，发送时间，接收时间以及前一帧的状态，就可以计算出网络使用情况。

     接下来具体看一下代码：
     

 

[cpp] view
plaincopy

 

 
  1. void OveruseDetector::UpdateKalman(int64_t t_delta,  
  2.                                    double ts_delta,  
  3.                                    uint32_t frame_size,  
  4.                                    uint32_t prev_frame_size) {  
  5.   const double min_frame_period = UpdateMinFramePeriod(ts_delta);  
  6.   const double drift = CurrentDrift();  
  7.   // Compensate for drift  
  8.   const double t_ts_delta = t_delta - ts_delta / drift;  //即d(i)  
  9.   double fs_delta = static_cast<double>(frame_size) - prev_frame_size;   
  10.   
  11.   // Update the Kalman filter  
  12.   const double scale_factor =  min_frame_period / (1000.0 / 30.0);  
  13.   E_[0][0] += process_noise_[0] * scale_factor;  
  14.   E_[1][1] += process_noise_[1] * scale_factor;  
  15.   
  16.   if ((hypothesis_ == kBwOverusing && offset_ < prev_offset_) ||  
  17.       (hypothesis_ == kBwUnderusing && offset_ > prev_offset_)) {  
  18.     E_[1][1] += 10 * process_noise_[1] * scale_factor;  
  19.   }  
  20.   
  21.   const double h[2] = {fs_delta, 1.0}; //即h_bar  
  22.   const double Eh[2] = {E_[0][0]*h[0] + E_[0][1]*h[1],  
  23.                         E_[1][0]*h[0] + E_[1][1]*h[1]};  
  24.   
  25.   const double residual = t_ts_delta - slope_*h[0] - offset_; //即z(i)， slope为1／C  
  26.   
  27.   const bool stable_state =  
  28.       (BWE_MIN(num_of_deltas_, 60) * fabsf(offset_) < threshold_);  
  29.   // We try to filter out very late frames. For instance periodic key  
  30.   // frames doesn‘t fit the Gaussian model well.  
  31.   if (fabsf(residual) < 3 * sqrt(var_noise_)) {  
  32.     UpdateNoiseEstimate(residual, min_frame_period, stable_state);  
  33.   } else {  
  34.     UpdateNoiseEstimate(3 * sqrt(var_noise_), min_frame_period, stable_state);  
  35.   }  
  36.   
  37.   const double denom = var_noise_ + h[0]*Eh[0] + h[1]*Eh[1];  
  38.   
  39.   const double K[2] = {Eh[0] / denom,  
  40.                        Eh[1] / denom}; //即k_bar  
  41.   
  42.   const double IKh[2][2] = {{1.0 - K[0]*h[0], -K[0]*h[1]},  
  43.                             {-K[1]*h[0], 1.0 - K[1]*h[1]}};  
  44.   const double e00 = E_[0][0];  
  45.   const double e01 = E_[0][1];  
  46.   
  47.   // Update state  
  48.   E_[0][0] = e00 * IKh[0][0] + E_[1][0] * IKh[0][1];  
  49.   E_[0][1] = e01 * IKh[0][0] + E_[1][1] * IKh[0][1];  
  50.   E_[1][0] = e00 * IKh[1][0] + E_[1][0] * IKh[1][1];  
  51.   E_[1][1] = e01 * IKh[1][0] + E_[1][1] * IKh[1][1];  
  52.   
  53.   // Covariance matrix, must be positive semi-definite  
  54.   assert(E_[0][0] + E_[1][1] >= 0 &&  
  55.          E_[0][0] * E_[1][1] - E_[0][1] * E_[1][0] >= 0 &&  
  56.          E_[0][0] >= 0);  
  57.   
  58.   
  59.   slope_ = slope_ + K[0] * residual; //1/C  
  60.   prev_offset_ = offset_;  
  61.   offset_ = offset_ + K[1] * residual; //theta_hat(i)  
  62.   
  63.   Detect(ts_delta);  
  64. }  

 

[cpp] view
plaincopy

 

 
  1. BandwidthUsage OveruseDetector::Detect(double ts_delta) {  
  2.   if (num_of_deltas_ < 2) {  
  3.     return kBwNormal;  
  4.   }  
  5.   const double T = BWE_MIN(num_of_deltas_, 60) * offset_; //即gamma_1  
  6.   if (fabsf(T) > threshold_) {  
  7.     if (offset_ > 0) {  
  8.       if (time_over_using_ == -1) {  
  9.         // Initialize the timer. Assume that we‘ve been  
  10.         // over-using half of the time since the previous  
  11.         // sample.  
  12.         time_over_using_ = ts_delta / 2;  
  13.       } else {  
  14.         // Increment timer  
  15.         time_over_using_ += ts_delta;  
  16.       }  
  17.       over_use_counter_++;  
  18.       if (time_over_using_ > kOverUsingTimeThreshold  //kOverUsingTimeThreshold是gamma_2， gamama_3=1  
  19.           && over_use_counter_ > 1) {  
  20.         if (offset_ >= prev_offset_) {  
  21.           time_over_using_ = 0;  
  22.           over_use_counter_ = 0;  
  23.           hypothesis_ = kBwOverusing;  
  24.         }  
  25.       }  
  26.     } else {  
  27.       time_over_using_ = -1;  
  28.       over_use_counter_ = 0;  
  29.  hypothesis_ = kBwUnderusing;  
  30.     }  
  31.   } else {  
  32.     time_over_using_ = -1;  
  33.     over_use_counter_ = 0;  
  34.     hypothesis_ = kBwNormal;  
  35.   }  
  36.   return hypothesis_;  
  37. }  



参考文档：

 

    1. http://www.swarthmore.edu/NatSci/echeeve1/Ref/Kalman/ScalarKalman.html
    2. http://tools.ietf.org/html/draft-alvestrand-rtcweb-congestion-02

webrtc中的带宽自适应算法

标签：

原文地址：http://www.cnblogs.com/x_wukong/p/5603174.html
踩
(0)
赞
(0)
   
举报
评论 一句话评论（0）
登录后才能评论！
分享档案
更多>
2021年07月29日 (22)
2021年07月28日 (40)
2021年07月27日 (32)
2021年07月26日 (79)
2021年07月23日 (29)
2021年07月22日 (30)
2021年07月21日 (42)
2021年07月20日 (16)
2021年07月19日 (90)
2021年07月16日 (35)
周排行
mamicode.com排行更多图片
更多
友情链接
兰亭集智   国之画   百度统计   站长统计   阿里云   chrome插件   新版天听网
关于我们 - 联系我们 - 留言反馈
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码！