开发网络视频直播系统过程中的那些关键点

简介: “Syno Japan与媒体Carts合作在日本国内发起了“电竞相关认知/消费调查”,调查表示整个2018年是日本的电子竞技元年,也是日本国内逐渐认知电竞的一年。”由此可见,电竞在日本仅仅处于起步阶段,对于中国和韩国等地来说早已成为了大众的“生活必需品”,尤其是在网络视频直播系统带动下的游戏电竞直播,更是受到了人们的广泛关注。

“Syno Japan与媒体Carts合作在日本国内发起了“电竞相关认知/消费调查”,调查表示整个2018年是日本的电子竞技元年,也是日本国内逐渐认知电竞的一年。”由此可见,电竞在日本仅仅处于起步阶段,对于中国和韩国等地来说早已成为了大众的“生活必需品”,尤其是在网络视频直播系统带动下的游戏电竞直播,更是受到了人们的广泛关注。实际上,大多数人并不了解网络视频直播系统在开发时需要怎样的技术支持。所以,就跟大家简单地分享一下相关内容。

1.DRM管理器

对于大部分网络视频直播系统来讲,都会有一个区域:付费房间,而直播中的付费视频服务都基于DRM管理。

DRM其实很大程度上是依赖于平台和设备的。多媒体引擎中的DRM管理器,是更底层解码器中内容解密API的包装。只要有可能,它就会尽量通过抽象的方式来屏蔽浏览器,或者操作系统实现细节的差异性。DRM管理器(可选组件)一般都会和流处理引擎紧密相连,主要原因是DRM管理器经常与解码层进行交互。

2.格式转换复用器

其实网络视频直播系统在进行封包和编码方面都存在一定的局限性,比如Flash读的是FLV容器封装的H.264文件。这种情况就容易导致有些视频片段在解码之前需要进行格式转化。这样一来,就能够使用相应格式的内容来播放视频流。而多媒体引擎层面的格式转换复用器曾经受到过质疑,但是随着现代Flash和Javascript性能的提升,所带来的性能损耗几乎可以忽略不计,并且也不会对用户体验造成太大影响。

3.资源质量参数预估器

这里提到的预估器主要是提供带宽、CPU和帧率等信息,它可以从各种不同的维度获取数据,比如跳帧数和片段下载时间。并且可以将数据汇总起来用于估算用户的可用带宽值和CPU计算能力,输出时采用ABR做出判断。

4.ABR 切换控制器

为什么要把ABR(切换控制器)放到最后再说呢,因为它是多媒体引擎中最为关键的部分,也是最容易被人忽视的一部分。控制器在读取预估器输出的带宽和跳帧数等数据之后,使用自定义算法根据这些数据做出相应的判断。从而告知流播放引擎是否需要切换视频或者是音频的质量。目前遇到的最大难点就是切换频率和在缓冲风险之间找到平衡,比如太频繁的切换可能会导致用户拥有一个糟糕的网络视频直播体验。

对于网络视频直播系统而言,带宽、跳帧数、延时和卡顿等问题都是影响用户体验非常重要的指标。要想在互联网领域获得长久发展,就要从开发过程中去避免和解决影响用户体验的问题,只有这样才能真正的适应用户需求,从而建立起优质的网络视频直播系统。


原文首发地址:https://blog.csdn.net/fmscms/article/details/88551292

相关文章
|
2天前
|
机器学习/深度学习 人工智能 安全
构建未来:AI驱动的自适应网络安全防御系统
【5月更文挑战第8天】 随着网络攻击的不断演变,传统的安全措施已不足以应对日益复杂的威胁。本文提出了一种基于人工智能(AI)的自适应网络安全防御系统,旨在通过实时分析网络流量和行为模式来自动调整安全策略。系统利用深度学习算法识别潜在威胁,并通过强化学习优化防御机制。初步实验表明,该系统能够有效提高检测率,减少误报,并在未知攻击面前展现出较强的适应性。
13 1
|
5天前
|
机器学习/深度学习 存储 算法
m基于Yolov2深度学习网络的螺丝检测系统matlab仿真,带GUI界面
MATLAB 2022a中展示了YOLOv2算法的螺丝检测仿真结果,该系统基于深度学习的YOLOv2网络,有效检测和定位图像中的螺丝。YOLOv2通过批标准化、高分辨率分类器等优化实现速度和精度提升。核心代码部分涉及设置训练和测试数据,调整图像大小,加载预训练模型,构建YOLOv2网络并进行训练,最终保存检测器模型。
22 3
|
10天前
|
机器学习/深度学习 自动驾驶 安全
基于深度学习的图像识别技术在自动驾驶系统中的应用网络安全与信息安全:防御前线的关键技术与意识
【4月更文挑战第30天】随着人工智能技术的飞速发展,深度学习已成为推动多个技术领域革新的核心力量。特别是在图像识别领域,深度学习模型已展现出超越传统算法的性能。在自动驾驶系统中,准确的图像识别是确保行车安全和高效导航的基础。本文将探讨深度学习在自动驾驶中图像识别的应用,分析关键技术挑战,并提出未来的发展方向。
|
10天前
|
机器学习/深度学习 安全 网络安全
数字堡垒的构筑者:网络安全与信息安全的深层剖析构建高效微服务架构:后端开发的新趋势
【4月更文挑战第30天】在信息技术高速发展的今天,构建坚不可摧的数字堡垒已成为个人、企业乃至国家安全的重要组成部分。本文深入探讨网络安全漏洞的本质、加密技术的进展以及提升安全意识的必要性,旨在为读者提供全面的网络安全与信息安全知识框架。通过对网络攻防技术的解析和案例研究,我们揭示了防御策略的关键点,并强调了持续教育在塑造安全文化中的作用。
|
10天前
|
存储 XML 前端开发
【Flutter前端技术开发专栏】Flutter中的网络请求与数据处理
【4月更文挑战第30天】本文介绍了Flutter开发中的网络请求和数据处理。 Flutter开发者可选择http(官方库)或dio(功能更强大)进行网络请求。http库简单易用,dio支持更多功能如拦截器。数据处理涉及JSON和XML解析,数据存储可选SharedPreferences或Hive,数据传递推荐使用InheritedWidget或Provider状态管理库。了解这些知识点能提升Flutter开发效率。
【Flutter前端技术开发专栏】Flutter中的网络请求与数据处理
|
10天前
|
机器学习/深度学习 数据采集 安全
基于机器学习的网络安全威胁检测系统
【4月更文挑战第30天】 随着网络技术的迅猛发展,网络安全问题日益凸显。传统的安全防御机制在应对复杂多变的网络攻击时显得力不从心。为了提高威胁检测的准确性和效率,本文提出了一种基于机器学习的网络安全威胁检测系统。该系统通过集成多种数据预处理技术和特征选择方法,结合先进的机器学习算法,能够实时识别并响应各类网络威胁。实验结果表明,与传统方法相比,本系统在检测率、误报率以及处理速度上均有显著提升,为网络安全管理提供了一种新的技术手段。
|
10天前
|
JSON 数据处理 Swift
【Swift 开发专栏】Swift 中的网络编程:URLSession 与 Alamofire
【4月更文挑战第30天】本文探讨了Swift中的网络编程,重点关注URLSession和Alamofire。URLSession是苹果提供的网络请求框架,允许底层控制和定制,适合需要高度灵活性的场景。Alamofire则是在URLSession基础上的第三方库,提供简洁接口和功能扩展,简化网络请求和错误处理。文中还介绍了两者在实际应用中的选择和使用场景,强调掌握网络编程基础的重要性。
|
11天前
|
机器学习/深度学习 算法 计算机视觉
m基于Yolov2深度学习网络的智能零售柜商品识别系统matlab仿真,带GUI界面
MATLAB 2022a中展示了YOLOv2目标检测算法的仿真结果,包括多张检测图像。YOLOv2是实时检测算法,由卷积层和全连接层构成,输出张量包含边界框坐标和类别概率。损失函数由三部分组成。程序使用75%的数据进行训练,剩余25%作为测试集。通过ResNet-50预训练模型构建YOLOv2网络,并用SGDM优化器进行训练。训练完成后,保存模型为`model.mat`。
24 2
|
12天前
|
机器学习/深度学习 算法 TensorFlow
TensorFlow 2keras开发深度学习模型实例:多层感知器(MLP),卷积神经网络(CNN)和递归神经网络(RNN)
TensorFlow 2keras开发深度学习模型实例:多层感知器(MLP),卷积神经网络(CNN)和递归神经网络(RNN)
|
12天前
|
机器学习/深度学习 监控 安全
入侵检测系统:实时监测与防范网络攻击
网络攻击频发,防火墙并非万全之策。入侵检测系统(IDS)成为重要补充,监控可疑活动并发出警报。IDS分为网络IDS(NIDS)、主机IDS(HIDS)等类型,分别监控网络流量和主机行为。NIDS部署在边界或内部网络,HIDS关注单台主机安全。IDS结合机器学习能检测异常行为,有效应对已知和未知威胁。在容器安全领域,如德迅蜂巢,通过多锚点监测实现入侵的实时响应和闭环处理,确保业务系统安全,同时具备低影响和高准确性。未来,研究人员将继续借助深度学习等技术提升入侵检测效能。