Pensieve-A3C-Streaming-Adaptive-Bitrate-Model

based on Pensieve model to figure ABR problem in general streaming

环境安装

--pip install LiveStreamingEnv==0.7.1

仿真器SIM

功能:类似于一个播放器系统，模拟播放器在不同网络环境下下载视频帧、并动态播放的过程。每次调度为下载了一帧。

仿真器输入，输入分为三部分:

  1.Frame Trace,视频数据集，此数据集重在模拟视频源的动态变化情况。详细请看数据集

  2.Network Trace,网络数据集，此数据集重在模拟网络的动态变化情况。详细请看数据集

  3.ABR算法的决策，即码率和目标缓冲区大小

仿真器输出:仿真器的各个指标的状态。所含指标有：物理时间、当前下载帧、当前播放时间、客户端缓冲区大小、当前网络RTT等。详细请看下表：

1、time（s） 物理时间 2、time_interval（s） 本周期经过的物理时间 3、send_data_size:（bit） 本周期下载的数据量 4、chunk_len(s) 当前要下载帧的时间长度 5、rebuf(s) 本周期内的卡顿时间 6、buffer_size(s) 当前时刻的缓冲区大小 7、RTT（ms） 当前网络的RTT 8、play_time_len(s) 本周期播放的时间长度 9、end_delay(s) 当前端到端时延 10、decision_flag(Flase/True) 是否到GOP边界 11、buffer_flag(Flase/True) 播放器是否在缓冲 12、cdn_rebuffer_flag(Flase/True) CDN是否有可取的帧 13、end_of_video(Flase/True) 视频结束标志 14、download_id 当前下载帧的id 15、cdn_has_frame CDN帧集合 16、cdn_newest_id CDN上最新一帧的id 表1 仿真器返回值

运行环境:Python2 or Python 3 Linux/Mac or Windows

安装:我们已经在python的官方源中将仿真器封装好。大家只需要执行以下命令：

pip install LiveStreamingEnv==0.5.2

C. ABR Algorithm ABR Algorithm根据仿真器提供的状态信息，做出码率和目标缓冲区大小决策。为了方便大家更好地上手，我们提供了一个快速开始SDK的DEMO

本Demo提供了根据客户端buffer去做调度的一个样例，选手只需要在填充demo的算法部分。在demo中我们也提供了动态画图的功能，只需要将DRAW设置为True。就可以看到实时画图的结果。

具体文档详细请看git上的README

下载地址: git clone https://github.com/NGnetLab/LiveStreamingDemo

D. 用户体验质量（QoE) QoE与以下指标有关

指标 变量名 权重（正/负）（奖励/惩罚） 码率 Bitrate + 卡顿时间 Rebuff - 时延 Latency - 切换频次 Smooth - 表2 评测指标

QOE分两部分：一部分为frame QOE，一部分为Gop QOE

QOE = QOE1 + QOE2

 1、对于每一帧，公式为：

QoE1 = play_time_duration（播放时长） * Bitrate - 1.5 * rebuff- 0.005 * latency

2、对于每一块，公式为：

QOE2 = - 0.02 *smooth

详细请看DEMO 文件