《泛娱乐行业技术服务白皮书》——三、泛娱乐典型业务架构与场景——3.1直播类泛娱乐——3.1.6 出海业务直播场景(3)

本文涉及的产品
密钥管理服务KMS,1000个密钥,100个凭据,1个月
简介: 《泛娱乐行业技术服务白皮书》——三、泛娱乐典型业务架构与场景——3.1直播类泛娱乐——3.1.6 出海业务直播场景(3)

《泛娱乐行业技术服务白皮书》——三、泛娱乐典型业务架构与场景——3.1直播类泛娱乐——3.1.6 出海业务直播场景(2) https://developer.aliyun.com/article/1231031?groupCode=supportservice



3.1.6.4 海外直播与国内直播的区别


海外直播与中国内地直播的区别主要体现在以下三个方面:


直播域名的加速区域、直播中心和上下行监控。选择合适的直播中心、加速区 域能解决跨境链路传输不稳定,直播卡顿率高等问题。上行帧率、码率监控实时查看 主播推流情况,下行播放统计及时感知用户观看情况。


域名备案等资质。无论主播在中国内地还是海外,只要出现在中国内地播放的 场景,域名就必须进行备案。针对海外直播场景的直播能力。海外直播尤其是直播推 流、播放纯海外直播场景,对直播加密有更高的要求,需要对直播流进行加密。


同时因为海外链路长,不同网络情况下对动态多码率直播播放有更强需求。

 

•针对海外直播场景的直播能力。


海外直播尤其是直播推流、播放纯海外直播场景,对直播加密有更高的要求 需要对直播流进行加密


同时因为海外链路长,不同网络情况下对动态多码率直播播放有更强需求。


针对跨国广电级活动、赛事、音乐直播,还提供了SRT直播整体解决方案。


我们知道,各个国家对于文娱、社交等平台的政策是不同的,因此此类平台出海 时通常需要注意其他国家的政策,直播平台也是如此。在直播业务出海通常是让国内 外平台彻底隔离,使用不同的APP和数据。这种方法可以让平台在国内外政策有差异 时无需兼顾双方,仅需在各自的平台注意当地的合法合规政策即可。


这种法在云上很容易就能得到支持,仅需一套海外的加速节点和直播中心即 可。而成熟的云厂商早已支持海外的直播服务。解决了数据合法合规的问题了,我们 关注的就是直播的质量。


海外直播的痛点在于用户分布范围极广,边缘节点无法覆盖每一个国家或地区, 即使推流到边缘节点也有可能出现跨国的情况。


先介绍两种通用的优化方法:


动态多码率

直播用户在上行网络允许的前提下,为了较高清晰度,常常会选择较高的参数, 如较高码率。而网络情况复杂多变,为了适应多种环境下都能正常观看,下行播放支 持多种码率,根据观众的网络情况,选择合适的码率进行观看。开启后在播放时自动 选择最高清晰度,检测用户网络情况不佳时切换到更低码率进行观看。


•超低延时直播

RTS延时直播方案,端到端直播延时1 .5秒。支持不改变直播上行原有的 RTMP推流,在下行原有的RTMPFLVHLS播放协议基础上,通过新增子播放 名,在子域名使用ARTC(基本开源WebRTC开放协议演进)进行超低延时播放。支持 使阿里云播放SDKRTSnetSDK、自对接开放协议的方式对接。秒开、卡顿效果 可以与RTMP播放持平或更好。


除此之外还有一些特殊的场景,如主播在海外,但是他面向的是中国国内的直播 平台,这就必须面对跨国链路带来的延迟和不稳定


这种情况下我们有另一种方案,通过GA加速转推。其架构如下图。


image.png

GA加速后,转推到国内域名,以国内域名的调度策略转发到直播中心或客户功能节点

 

GA加速阿里云的加速专线,在海外主播推流到边缘节点后,经过GA加速(上 车点海外,下点国内)转推到一个国内的转推域名。这是为了能够适用国内的调度 策略。


个方案可以结合阿里两种产品的优势,完美地为国外大主播入驻国内平台做保 。具有极高的实用价值。

目录
打赏
0
0
0
0
81
分享
相关文章
十大主流联邦学习框架:技术特性、架构分析与对比研究
联邦学习(FL)是保障数据隐私的分布式模型训练关键技术。业界开发了多种开源和商业框架,如TensorFlow Federated、PySyft、NVFlare、FATE、Flower等,支持模型训练、数据安全、通信协议等功能。这些框架在灵活性、易用性、安全性和扩展性方面各有特色,适用于不同应用场景。选择合适的框架需综合考虑开源与商业、数据分区支持、安全性、易用性和技术生态集成等因素。联邦学习已在医疗、金融等领域广泛应用,选择适配具体需求的框架对实现最优模型性能至关重要。
587 79
十大主流联邦学习框架:技术特性、架构分析与对比研究
云通信编排技术助力中国企业出海
云通信编排技术助力中国企业出海,通过便捷的流程设计实现私域流量自动化营销服务。分享内容涵盖Chat App消息服务、Chat Flow场景编排及其应用场景。Chat App支持全球主流通讯App的消息触达,如WhatsApp、Instagram等,帮助企业高效触达C端用户。Chat Flow提供可视化拖拽工具,降低操作门槛,快速搭建复杂业务流程,提升用户体验和转化率。典型应用包括国际物流订单全流程交付和电商个性化推荐,显著提升客户满意度和粘性。
探索云原生技术:容器化与微服务架构的融合之旅
本文将带领读者深入了解云原生技术的核心概念,特别是容器化和微服务架构如何相辅相成,共同构建现代软件系统。我们将通过实际代码示例,探讨如何在云平台上部署和管理微服务,以及如何使用容器编排工具来自动化这一过程。文章旨在为开发者和技术决策者提供实用的指导,帮助他们在云原生时代中更好地设计、部署和维护应用。
深入解析Tiktokenizer:大语言模型中核心分词技术的原理与架构
Tiktokenizer 是一款现代分词工具,旨在高效、智能地将文本转换为机器可处理的离散单元(token)。它不仅超越了传统的空格分割和正则表达式匹配方法,还结合了上下文感知能力,适应复杂语言结构。Tiktokenizer 的核心特性包括自适应 token 分割、高效编码能力和出色的可扩展性,使其适用于从聊天机器人到大规模文本分析等多种应用场景。通过模块化设计,Tiktokenizer 确保了代码的可重用性和维护性,并在分词精度、处理效率和灵活性方面表现出色。此外,它支持多语言处理、表情符号识别和领域特定文本处理,能够应对各种复杂的文本输入需求。
56 6
深入解析Tiktokenizer:大语言模型中核心分词技术的原理与架构
DeepSeek背后的技术基石:DeepSeekMoE基于专家混合系统的大规模语言模型架构
DeepSeekMoE是一种创新的大规模语言模型架构,融合了专家混合系统(MoE)、多头潜在注意力机制(MLA)和RMSNorm归一化。通过专家共享、动态路由和潜在变量缓存技术,DeepSeekMoE在保持性能的同时,将计算开销降低了40%,显著提升了训练和推理效率。该模型在语言建模、机器翻译和长文本处理等任务中表现出色,具备广泛的应用前景,特别是在计算资源受限的场景下。
585 29
DeepSeek背后的技术基石:DeepSeekMoE基于专家混合系统的大规模语言模型架构
|
3月前
|
使用PaliGemma2构建多模态目标检测系统:从架构设计到性能优化的技术实践指南
本文详细介绍了PaliGemma2模型的微调流程及其在目标检测任务中的应用。PaliGemma2通过整合SigLIP-So400m视觉编码器与Gemma 2系列语言模型,实现了多模态数据的高效处理。文章涵盖了开发环境构建、数据集预处理、模型初始化与配置、数据加载系统实现、模型微调、推理与评估系统以及性能分析与优化策略等内容。特别强调了计算资源优化、训练过程监控和自动化优化流程的重要性,为机器学习工程师和研究人员提供了系统化的技术方案。
267 77
使用PaliGemma2构建多模态目标检测系统:从架构设计到性能优化的技术实践指南
YOLOv11改进策略【模型轻量化】| MoblieNetV3:基于搜索技术和新颖架构设计的轻量型网络模型
YOLOv11改进策略【模型轻量化】| MoblieNetV3:基于搜索技术和新颖架构设计的轻量型网络模型
162 10
YOLOv11改进策略【模型轻量化】| MoblieNetV3:基于搜索技术和新颖架构设计的轻量型网络模型
RT-DETR改进策略【模型轻量化】| MoblieNetV3:基于搜索技术和新颖架构设计的轻量型网络模型
RT-DETR改进策略【模型轻量化】| MoblieNetV3:基于搜索技术和新颖架构设计的轻量型网络模型
47 4
RT-DETR改进策略【模型轻量化】| MoblieNetV3:基于搜索技术和新颖架构设计的轻量型网络模型
深度用云——释放企业潜能 | 网络先行——阿里云网络卓越架构白皮书正式发布
深度用云——释放企业潜能 | 网络先行——阿里云网络卓越架构白皮书正式发布
社交软件红包技术解密(六):微信红包系统的存储层架构演进实践
微信红包本质是小额资金在用户帐户流转,有发、抢、拆三大步骤。在这个过程中对事务有高要求,所以订单最终要基于传统的RDBMS,这方面是它的强项,最终订单的存储使用互联网行业最通用的MySQL数据库。支持事务、成熟稳定,我们的团队在MySQL上有长期技术积累。但是传统数据库的扩展性有局限,需要通过架构解决。
81 18

热门文章

最新文章

AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等