一， 背景介紹---點(diǎn)播視頻源站分發(fā)的痛點(diǎn)

點(diǎn)播視頻觀看的流程與源站定義

點(diǎn)播，是相對(duì)于直播說的，英文命叫VOD （Video on Demand），顧名思義，某個(gè)觀眾demand了，才有video看，看到的內(nèi)容是視頻的開始；

而直播呢，是不管有沒有觀眾去看的，視頻一直在往前走，某個(gè)觀眾進(jìn)來(lái)時(shí)看到的，是當(dāng)時(shí)的視頻。

點(diǎn)播視頻的內(nèi)容非常多樣化，有連續(xù)劇、電影、體育錄像、自媒體制作的視頻，甚至包含（現(xiàn)在非常火爆的）短視頻。

大家有沒有想過，每次打開一個(gè)點(diǎn)播視頻的時(shí)候，背后的操作是什么樣子的呢？

簡(jiǎn)單的一種觀點(diǎn)是圖上這樣：

視頻網(wǎng)站提供點(diǎn)播資源，比如說PPTV新上了一個(gè)連續(xù)劇，一個(gè)電影，或是短視頻網(wǎng)站新提供了一個(gè)新的短視頻

觀眾通過網(wǎng)頁(yè)、app等訪問網(wǎng)站，進(jìn)行視頻的觀看

實(shí)際上，情況沒有這么簡(jiǎn)單

視頻網(wǎng)站的提供的點(diǎn)播資源，也就是文件，是放在自己公司的服務(wù)器上面的，這個(gè)服務(wù)器可能是買的，也可能是租的，

存儲(chǔ)這些文件的服務(wù)器集群，就叫做源站

這些視頻文件，實(shí)際上不會(huì)直接給用戶訪問，而是通過cdn逐級(jí)分發(fā)出去的，所以這些存儲(chǔ)集群，還要負(fù)責(zé)對(duì)接CDN

所以源站的作用是負(fù)責(zé)存儲(chǔ)和對(duì)接CDN，這里有個(gè)分工，視頻網(wǎng)站擁有視頻版權(quán)，CDN擅長(zhǎng)分發(fā)

下面我們來(lái)看看點(diǎn)播、包括短視頻的視頻網(wǎng)站的處理流程，

流程如下：

內(nèi)容生成（這一點(diǎn)是在視頻網(wǎng)站之外就可以做的）。視頻網(wǎng)站采購(gòu)版權(quán)，或者是自媒體作者制作好視頻，短視頻作者在手機(jī)端錄制好視頻

把內(nèi)容上傳到視頻網(wǎng)站的源片存儲(chǔ)。視頻網(wǎng)站的編輯上傳采購(gòu)的版權(quán)視頻，自媒體和短視頻作者上傳自己制作的視頻

選擇是否壓制（根據(jù)特性）。視頻網(wǎng)站根據(jù)視頻的特性，選擇是否對(duì)視頻進(jìn)行壓制處理， 例如短視頻一般不需要壓制即可在手機(jī)播放，而電影連續(xù)劇一般會(huì)壓制多檔碼率

成片存儲(chǔ)。壓制好（或不用壓制）的視頻，叫做成片，存儲(chǔ)起來(lái)

回源。CDN從成片存儲(chǔ)回源下載這些視頻，給觀眾看

源站與CDN的網(wǎng)絡(luò)拓?fù)?/h2>

我們知道有以下事實(shí)：

一個(gè)視頻網(wǎng)站的（成片）視頻，一般不會(huì)只放在一個(gè)機(jī)房?jī)?nèi)。如PPTV的視頻，體育類的會(huì)放在上海的機(jī)房，原因是體育演播室在上海，本地錄制方便且無(wú)需互聯(lián)網(wǎng)帶寬；影視類的都放在武漢的機(jī)房，原因是編輯中心在武漢。

一個(gè)視頻網(wǎng)站會(huì)對(duì)接多個(gè)CDN，也可能自己建設(shè)CDN。如PPTV，在自己CDN的基礎(chǔ)上，和國(guó)內(nèi)外各大知名CDN廠商都有深度的合作

每個(gè)CDN（包括自建）供應(yīng)商對(duì)應(yīng)的網(wǎng)絡(luò)接入點(diǎn)位置，質(zhì)量都有很多區(qū)別

另外，對(duì)于視頻網(wǎng)站來(lái)說，一個(gè)視頻文件，只用保存一兩份（當(dāng)然，視頻公司會(huì)做冷熱備份等等操作，所以，實(shí)際上落盤的存儲(chǔ)不只這么少，這個(gè)細(xì)節(jié)屬于存儲(chǔ)高可用的范疇，就不深究了），

為了存儲(chǔ)在不同機(jī)房，唯一的一份數(shù)據(jù)同時(shí)發(fā)到多個(gè)CDN，源站內(nèi)部需要使用多級(jí)緩存的結(jié)構(gòu)。

在視頻源站內(nèi)部的多級(jí)緩存之間，也就是多個(gè)機(jī)房之間的分發(fā)，叫做內(nèi)部分發(fā)；

視頻源站（L2集群）到CDN接入點(diǎn)間的分發(fā)，叫做外部分發(fā)。一般L2集群對(duì)接CDN接入點(diǎn)，在與CDN聯(lián)調(diào)對(duì)接時(shí)，就會(huì)選好優(yōu)質(zhì)線路，甚至在一個(gè)運(yùn)營(yíng)商的機(jī)房。

所以，我們介紹的重點(diǎn)還是，如何把視頻文件從N個(gè)成片存儲(chǔ)集群，通過K個(gè)L1集群，分發(fā)到M個(gè)L2集群中。

點(diǎn)播視頻源站分發(fā)過程中，存在的問題

點(diǎn)播視頻從中央集群向L1，L2集群（機(jī)房）分發(fā)時(shí)，采用樹狀分發(fā)（這個(gè)樹的建立，會(huì)根據(jù)經(jīng)驗(yàn)或者網(wǎng)絡(luò)本身特性），每個(gè)中央節(jié)點(diǎn)到不同的L1機(jī)房線路質(zhì)量差距很大，不同的L1機(jī)房到L2機(jī)房質(zhì)量也差異很大

分發(fā)過程走的是互聯(lián)網(wǎng)線路（專線太貴），互聯(lián)網(wǎng)線路的穩(wěn)定性不可預(yù)期，有時(shí)網(wǎng)絡(luò)抖動(dòng)，會(huì)造成分發(fā)失敗，甚至挖斷光纜導(dǎo)致某條干網(wǎng)不可用的事故也經(jīng)常出現(xiàn)，某條線路或者某個(gè)機(jī)房的問題，可能會(huì)造成區(qū)域性的不可用

不同集群（機(jī)房）在規(guī)劃和建設(shè)時(shí)，服務(wù)器（計(jì)算、存儲(chǔ)、IO）能力、出入口帶寬不一樣，不同集群向下分發(fā)時(shí)對(duì)應(yīng)的節(jié)點(diǎn)數(shù)也不一致，會(huì)出現(xiàn)不同集群間的負(fù)載差異較大的情況，俗稱忙的忙死閑的閑死，忙的節(jié)點(diǎn)，很可能成為瓶頸

點(diǎn)播視頻源站分發(fā)鏈路優(yōu)化的意義

如何解決上面說的問題呢，我們自然的會(huì)想到，如果每個(gè)文件的分發(fā)過程，都能自動(dòng)選擇一個(gè)最優(yōu)秀的鏈路，而不是根據(jù)那個(gè)配置死的回源樹，那么分發(fā)的過程將會(huì)帶來(lái)這些優(yōu)勢(shì)：

更加高效和穩(wěn)定 避免區(qū)域性的故障

不同集群（機(jī)房）的負(fù)載更加合理和平均

二， 節(jié)點(diǎn)間數(shù)據(jù)分發(fā)質(zhì)量的評(píng)估

為何先評(píng)估兩個(gè)服務(wù)器節(jié)點(diǎn)間的分發(fā)質(zhì)量

前面提到了優(yōu)化的辦法是選擇好的分發(fā)鏈路，那么，到底怎樣分發(fā)鏈路才是一個(gè)好的鏈路呢？我們先來(lái)看以下事實(shí)：

鏈路是由數(shù)據(jù)通過的服務(wù)器節(jié)點(diǎn)構(gòu)成的

鏈路中，相鄰的服務(wù)器節(jié)點(diǎn)傳輸質(zhì)量的最差值，決定這條分發(fā)鏈路的質(zhì)量上限

所以，我們首先研究?jī)蓚€(gè)服務(wù)器節(jié)點(diǎn)間傳輸質(zhì)量的情況

兩個(gè)服務(wù)器節(jié)點(diǎn)間傳輸質(zhì)量的評(píng)估

那么，用什么的來(lái)評(píng)估兩個(gè)服務(wù)器節(jié)點(diǎn)間的傳輸質(zhì)量呢，我們自然希望有一個(gè)量化的數(shù)據(jù)，一個(gè)簡(jiǎn)單的想法就是“文件下載耗時(shí)”。

影響兩個(gè)服務(wù)器節(jié)點(diǎn)間的傳輸質(zhì)量（下載耗時(shí)）的因素有這些：

文件大小

服務(wù)器之間網(wǎng)絡(luò)線路的情況，包括數(shù)據(jù)延遲、丟包率、躍點(diǎn)數(shù)等等

發(fā)送服務(wù)器（接收服務(wù)器）的當(dāng)前負(fù)載，包括CPU負(fù)載，內(nèi)存用量，IO負(fù)載，當(dāng)前帶寬，存儲(chǔ)用量

當(dāng)前時(shí)間

我們接下來(lái)會(huì)簡(jiǎn)單分析，這些因素會(huì)對(duì)下載有什么影響

文件大小：文件越大，下載越慢，耗時(shí)越長(zhǎng)

服務(wù)器之間網(wǎng)絡(luò)線路的情況：兩個(gè)服務(wù)器之間的網(wǎng)絡(luò)情況，具體有這些指標(biāo)

延遲：下圖中的ping指令，可以測(cè)試出兩個(gè)服務(wù)器間的延遲信息，對(duì)于數(shù)據(jù)傳輸來(lái)說，延遲越小越好

MTU（Maximum Transmission Unit）：是指一種通信協(xié)議的某一層上面所能通過的最大數(shù)據(jù)包大小（以字節(jié)為單位）。最大傳輸單元這個(gè)參數(shù)通常與通信接口有關(guān)（網(wǎng)絡(luò)接口卡、串口等），如下方圖中所示，傳輸3000字節(jié)，如果mtu設(shè)置成1500，需要打成兩個(gè)包，而當(dāng)mtu設(shè)置為1492，則需要打成3個(gè)包，傳輸3個(gè)包當(dāng)然要比2個(gè)耗時(shí)更多。

丟包率：下圖中的ping指令，測(cè)試出當(dāng)前丟包為0個(gè)，在網(wǎng)絡(luò)出現(xiàn)問題時(shí)，這個(gè)數(shù)據(jù)可能不為0，視頻下載基于HTTP，底層是TCP協(xié)議，丟包后要重傳，丟包率越低會(huì)越好

躍點(diǎn)數(shù)：躍點(diǎn)數(shù)代表兩個(gè)服務(wù)器間通信時(shí)經(jīng)過的路由設(shè)備數(shù)目，數(shù)據(jù)通過路由器時(shí)，路由器中會(huì)有數(shù)據(jù)包隊(duì)列，隊(duì)列過滿，數(shù)據(jù)有被丟棄的風(fēng)險(xiǎn)；路由器在計(jì)算數(shù)據(jù)包下一跳的時(shí)候，也會(huì)有一定的耗時(shí)；

服務(wù)器的最大帶寬：服務(wù)器最大帶寬，當(dāng)然是越大越好（當(dāng)然成本也越高），例如家里裝寬帶，500M的肯定比100M的好（也更貴）

發(fā)送服務(wù)器（接收服務(wù)器）的當(dāng)前負(fù)載情況

CPU負(fù)載：CPU負(fù)載在不大的時(shí)候，對(duì)下載影響不大，當(dāng)CPU負(fù)載超過一定值時(shí)，會(huì)嚴(yán)重影響下載的效率

內(nèi)存用量：內(nèi)存用量在不高的時(shí)候，對(duì)下載影響不大，當(dāng)內(nèi)存用量過一定值時(shí)，會(huì)嚴(yán)重影響下載的效率

IO負(fù)載：IO負(fù)載在不大的時(shí)候，對(duì)下載影響不大，當(dāng)IO負(fù)載超過一定值時(shí)，會(huì)嚴(yán)重影響下載的效率

當(dāng)前帶寬使用情況：當(dāng)前帶寬在不接近最大帶寬的時(shí)候，對(duì)下載影響不大，當(dāng)它接近最大帶寬時(shí)，數(shù)據(jù)包傳輸阻塞，會(huì)嚴(yán)重影響下載的效率

圖中為top指令看到的當(dāng)前機(jī)器負(fù)載

當(dāng)前時(shí)間：

以上提到的數(shù)據(jù)，都是隨著時(shí)間抖動(dòng)的，例如說帶寬數(shù)據(jù)，視頻網(wǎng)站早上看的人少，晚上看的人多，工作日看的人和周末又不一致，而遇到一些節(jié)假日，又有新的特點(diǎn)，整體互聯(lián)網(wǎng)的使用趨勢(shì)是向上的，所以從一個(gè)長(zhǎng)期時(shí)間來(lái)看，帶寬數(shù)據(jù)應(yīng)該是波動(dòng)向上的。

這里要提一個(gè)問題，正是由于相同尺寸、相同鏈路的下載速度，在不同時(shí)間點(diǎn)的表現(xiàn)差異巨大，才需要引入一個(gè)動(dòng)態(tài)的預(yù)估機(jī)制。

例如，一個(gè)文件2G大小，我們?cè)陂_始下載前，覺得鏈路A是最好的，但是實(shí)際上下載了300M后，鏈路的A的質(zhì)量已經(jīng)不好了，這是鏈路B可能反倒更好，我們想要達(dá)到的目的是，計(jì)算出下載完2G大小文件的綜合耗時(shí)最低是哪條。

建立兩個(gè)節(jié)點(diǎn)間數(shù)據(jù)傳輸質(zhì)量模型的設(shè)想

度量?jī)蓚€(gè)節(jié)點(diǎn)間的分發(fā)質(zhì)量，我們可以用一個(gè)數(shù)值，下載時(shí)長(zhǎng)（Download Time，縮寫為DT）來(lái)表示，這個(gè)數(shù)據(jù)受到很多具體的、隨時(shí)間呈現(xiàn)一定規(guī)律的因素（變量）影響，那么我們可以有一個(gè)美好的設(shè)想：用一個(gè)模型，或者說是一個(gè)函數(shù)，來(lái)描述這些因素與DT間的關(guān)系，后續(xù)新的文件下載時(shí)，使用這個(gè)模型，輸入當(dāng)前這些變量，預(yù)測(cè)文件下載的耗時(shí)。

假設(shè)函數(shù)如下：

DT = Func（file_size，current_time，defer，cpu_load，mem_load，io_load， ……。）

我們知道一個(gè)文件大小為100M，當(dāng)前時(shí)間點(diǎn)已知，節(jié)點(diǎn)間這些變量已知，我們可以根據(jù)這個(gè)函數(shù)算出時(shí)長(zhǎng)來(lái)。

三， 機(jī)器學(xué)習(xí)算法的設(shè)計(jì)和實(shí)現(xiàn)

機(jī)器學(xué)習(xí)的引入

前面提出了建立一個(gè)模型（函數(shù)）的設(shè)想，來(lái)預(yù)測(cè)DT，這個(gè)模型如何建立呢？

我們先看數(shù)學(xué)上是怎么做的，在數(shù)學(xué)范疇里，對(duì)于已知一組自變量、應(yīng)變量數(shù)據(jù)，反過來(lái)求函數(shù)的過程，叫做擬合

二維空間里，一個(gè)自變量，一個(gè)應(yīng)變量，就是簡(jiǎn)單的曲線擬合，

三維空間了，兩個(gè)自變量，一個(gè)應(yīng)變量，就是曲面擬合，

N維空間里， N-1個(gè)自變量，1個(gè)應(yīng)變量，也能擬合，

這些具體的算法在數(shù)學(xué)書里都有，最小二乘法什么的，感興趣的同學(xué)可以自行查看。

而在計(jì)算機(jī)科學(xué)范圍內(nèi)，AI研究的先驅(qū)者，提出了利用神經(jīng)網(wǎng)絡(luò)做機(jī)器學(xué)習(xí)的辦法，來(lái)處理這個(gè)問題。

機(jī)器學(xué)習(xí)是什么呢，現(xiàn)在網(wǎng)上有很多解釋，我們這里簡(jiǎn)單來(lái)說明下

我們給機(jī)器（計(jì)算機(jī)上的程序）已知的輸入、輸出，讓它去找規(guī)律出來(lái)（知識(shí)發(fā)現(xiàn)），然后我們讓它根據(jù)找到的規(guī)律，用新的輸入算出新的輸出來(lái)，并對(duì)這個(gè)輸出結(jié)果做評(píng)價(jià)，如果合適就正向鼓勵(lì)，如果結(jié)果不合適，就告訴機(jī)器這樣不對(duì)，讓它重新找規(guī)律。

其實(shí)這個(gè)過程在模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。

機(jī)器學(xué)習(xí)的本質(zhì)就是讓機(jī)器根據(jù)已有的數(shù)據(jù)，去分析出一個(gè)模型來(lái)表示隱藏在這些數(shù)據(jù)背后的規(guī)律（函數(shù)）。

如何實(shí)現(xiàn)這個(gè)找規(guī)律的過程呢？

我們先說數(shù)學(xué)上是如何建立函數(shù)的（如何做擬合），過程如下：

選取擬合函數(shù)（冪函數(shù)，指數(shù)函數(shù)，對(duì)數(shù)函數(shù)，三角函數(shù)等）

設(shè)定參數(shù)

比較誤差，調(diào)節(jié)參數(shù)

迭代

對(duì)于圖中這一系列點(diǎn)，我們第一感覺這些點(diǎn)的排布是符合正弦函數(shù)的，那么我們使用三角函數(shù)中的正弦函數(shù)去擬合它，并且設(shè)定函數(shù)的周期、振幅、相位等等參數(shù)，你和后，發(fā)現(xiàn)在x 》 5后，還是有一定誤差的，這就需要去判斷誤差是可接受，如果不可，則需要重新做擬合。

對(duì)于上圖中的這些點(diǎn)做擬合，我們發(fā)現(xiàn)這些點(diǎn)的分布好像是個(gè)拋物線，那么根據(jù)我們中學(xué)的數(shù)學(xué)知識(shí)，拋物線是冪函數(shù)中二次冪函數(shù)的圖像，所以使用二次冪函數(shù)做擬合，最終得到一個(gè)方程來(lái)。

和數(shù)學(xué)領(lǐng)域一樣，AI領(lǐng)域里，輸入通過一個(gè)模型（函數(shù)）變成輸出，這個(gè)模型（函數(shù)）靠什么確定呢，靠猜！

猜不是問題，問題是如何猜的更準(zhǔn)？

AI的先驅(qū)提出了模擬人類大腦神經(jīng)元的思路，來(lái)處理如何猜模型的問題

神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)

大腦神經(jīng)元是這個(gè)樣子：

大腦的神經(jīng)網(wǎng)絡(luò)是這個(gè)樣子：

大腦神經(jīng)元的特點(diǎn)是這樣，每個(gè)神經(jīng)元只負(fù)責(zé)處理一定的輸入，做成一定的輸出，給下級(jí)節(jié)點(diǎn)，最后組合起來(lái)，形成人腦中的神經(jīng)網(wǎng)絡(luò)，這也就是動(dòng)物思考的過程了。

人工神經(jīng)網(wǎng)絡(luò)就是，人為的構(gòu)造出一些處理節(jié)點(diǎn)（模擬腦神經(jīng)元），每個(gè)節(jié)點(diǎn)有個(gè)函數(shù)，處理幾個(gè)輸入，生成若干輸出，每個(gè)節(jié)點(diǎn)與其它節(jié)點(diǎn)組合，綜合成一個(gè)模型（函數(shù)）。

從左到右分別是輸出層， 隱藏層，輸出層。

輸入層負(fù)責(zé)接受輸入，輸出層負(fù)責(zé)輸出結(jié)果，隱藏層負(fù)責(zé)中間的計(jì)算過程。

隱藏層的每一個(gè)節(jié)點(diǎn)，就是一個(gè)處理函數(shù)。隱藏層的結(jié)構(gòu)，也就是層數(shù)，節(jié)點(diǎn)數(shù)，還是每個(gè)節(jié)點(diǎn)的函數(shù)將決定整個(gè)神經(jīng)網(wǎng)絡(luò)的處理結(jié)果。

Tensorflow的介紹

Tensorflow的介紹網(wǎng)上非常多（可以搜索查看），按照本文的上下文，我們簡(jiǎn)單的介紹如下：

Tensorflow是一個(gè)通過神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)深度學(xué)習(xí)的平臺(tái)，我們給它輸入，輸出，約定一些（猜測(cè)模型）的規(guī)則，讓他去幫我們猜測(cè)具體模型。

使用TensorFlow的步驟可以簡(jiǎn)單的概括為，收集訓(xùn)練數(shù)據(jù) 訓(xùn)練 比較 迭代 …。.

訓(xùn)練數(shù)據(jù)的收集

我們來(lái)介紹如何為建立兩個(gè)節(jié)點(diǎn)間的傳輸質(zhì)量的模型收集訓(xùn)練數(shù)據(jù)。

前面介紹過，數(shù)據(jù)分為輸入和輸出數(shù)據(jù)。

輸入數(shù)據(jù)為4類：

下載的文件大小-可直接記錄

當(dāng)前時(shí)間-使用unix timestamp

網(wǎng)絡(luò)情況的統(tǒng)計(jì)-來(lái)自一些測(cè)速工具

發(fā)送（接收）服務(wù)器的負(fù)載情況-來(lái)自zabbix的記錄

輸出數(shù)據(jù)為下載一個(gè)文件的時(shí)間記錄，需要做離散化處理（后續(xù)介紹離散化原因）

Zabbix 的介紹：

基于WEB界面的提供分布式系統(tǒng)監(jiān)視以及網(wǎng)絡(luò)監(jiān)視功能的企業(yè)級(jí)的開源解決方案

zabbix能監(jiān)視各種網(wǎng)絡(luò)參數(shù)，保證服務(wù)器系統(tǒng)的安全運(yùn)營(yíng)；并提供靈活的通知機(jī)制以讓系統(tǒng)管理員快速定位/解決存在的各種問題

zabbix server與可選組件zabbix agent

支持Linux，Solaris，HP-UX，AIX，F(xiàn)ree BSD，Open BSD，OS X

Zabbix的anget部署在傳輸節(jié)點(diǎn)上，定期收集機(jī)器的負(fù)載和帶寬使用數(shù)據(jù)， 并向中心（zabbix server）匯總。

下圖是zabbix對(duì)于當(dāng)前帶寬的統(tǒng)計(jì)情況：

下圖是3個(gè)月的帶寬負(fù)載：

下圖是3個(gè)月的cpu負(fù)載：

使用IPERF工具收集網(wǎng)絡(luò)數(shù)據(jù)

IPERF工具可以收集以下數(shù)據(jù)：

當(dāng)前服務(wù)器之間的傳輸帶寬

丟包率

MSS、MTU

支持tcp/udp

下圖為iperf的使用截圖：

Ping工具收集延遲，測(cè)試節(jié)點(diǎn)連通性：

Tractroute工具收集節(jié)點(diǎn)間躍點(diǎn)數(shù)信息

（windows cmd中，命令為tracert）

訓(xùn)練的準(zhǔn)備

數(shù)據(jù)的組合與格式化：

將網(wǎng)絡(luò)數(shù)據(jù)，負(fù)載數(shù)據(jù)，文件大小，時(shí)間，格式化后組合成一條json。

將下載耗時(shí)數(shù)據(jù)分段后做離散化處理，這里解釋下，為何要對(duì)結(jié)果（輸出）做離散化，TensorFlow擅長(zhǎng)做分類處理的學(xué)習(xí)，當(dāng)分類的結(jié)果集合是個(gè)連續(xù)集的時(shí)候，可能的結(jié)果就有無(wú)窮多個(gè)，這將大大加大訓(xùn)練的難度，降低訓(xùn)練的速度。把結(jié)果離散化處理好，接近時(shí)間的時(shí)間處理成一個(gè)值，超過一定閾值的時(shí)間都化為一個(gè)值，這樣結(jié)果的區(qū)間有限，將大大降低訓(xùn)練難度。

訓(xùn)練模型參數(shù)的預(yù)設(shè)定：

我們前面說到數(shù)學(xué)范疇的擬合時(shí)，會(huì)先根據(jù)自己經(jīng)（xia）驗(yàn)（meng），從冪函數(shù)、三角函數(shù)，指數(shù)函數(shù)，對(duì)數(shù)函數(shù)中選取一種或是多種組合起來(lái)作為擬合的基礎(chǔ)。

對(duì)于神經(jīng)網(wǎng)絡(luò)來(lái)說，我們也不能一上來(lái)啥都不管，就讓它亂猜，而是要根據(jù)已（geng）知（shi）經(jīng)（xia）驗(yàn)（meng），設(shè)定模型和參數(shù)。

前面提到，每個(gè)節(jié)點(diǎn)都是一個(gè)函數(shù)，那么，我們選什么函數(shù)呢，我們先考慮最簡(jiǎn)單的情況，線性函數(shù)，我們用一堆線性函數(shù)組合起來(lái)成為一個(gè)網(wǎng)絡(luò)，這個(gè)網(wǎng)絡(luò)描述的模型，肯定還是個(gè)線性模型，它不足以描述世界上大部分的規(guī)律。

下圖是常見的線性函數(shù)：

那么我們考慮，把每個(gè)函數(shù)再做非線性化，就是在一個(gè)線性函數(shù)外，再套一個(gè)非線性函數(shù)（稱作激活函數(shù)），再組合成一個(gè)網(wǎng)絡(luò)，這個(gè)網(wǎng)絡(luò)描述的模型，基本上能覆蓋世界上大部分的規(guī)律了（別問我原因，我也不懂。。。）。

下圖是常使用的一些非線性函數(shù)：

構(gòu)成的網(wǎng)絡(luò)：

每個(gè)節(jié)點(diǎn)上的函數(shù)類型，我們先猜了一個(gè)，那么，網(wǎng)絡(luò)的結(jié)構(gòu)呢，到底用幾層，每層幾個(gè)節(jié)點(diǎn)，這個(gè)事情，在做不同領(lǐng)域的神經(jīng)網(wǎng)絡(luò)時(shí)，選擇真是千差萬(wàn)別。

我們?cè)谠u(píng)估節(jié)點(diǎn)間傳輸質(zhì)量時(shí)，先根據(jù)（拍）經(jīng)（腦）驗(yàn)（門）設(shè)置層數(shù)為15，每層50個(gè)節(jié)點(diǎn)，節(jié)點(diǎn)函數(shù)也按照基本經(jīng)驗(yàn)進(jìn)行設(shè)置。

下面的參數(shù)將影響TensorFlow的訓(xùn)練結(jié)果：

初始學(xué)習(xí)率

學(xué)習(xí)率衰減率

隱藏層節(jié)點(diǎn)數(shù)量

迭代輪數(shù)

正則化系數(shù)

滑動(dòng)平均衰減率

批訓(xùn)練數(shù)量

線性函數(shù)、激活函數(shù)設(shè)置

其中，隱藏層節(jié)點(diǎn)數(shù)，迭代輪數(shù)，批訓(xùn)練數(shù)量，線性函數(shù)、激活函數(shù)設(shè)置將影響較大，如何設(shè)置，前面已經(jīng)提及，而剩余參數(shù)影響稍小，有興趣的同學(xué)可以自行搜索。

TensorFlow的處理流程

單個(gè)節(jié)點(diǎn)處理如下圖：

一個(gè)節(jié)點(diǎn)做了 ReLU（Wx+b）再與其它節(jié)點(diǎn)組合，最終生成輸出結(jié)果。

整體上分為以下幾步：

數(shù)據(jù)輸入

訓(xùn)練

訓(xùn)練結(jié)果審查

調(diào)節(jié)參數(shù)

重新訓(xùn)練

訓(xùn)練結(jié)果審查

……

訓(xùn)練結(jié)果滿意

通過Tensorflow的結(jié)果，計(jì)算最優(yōu)傳輸路徑

當(dāng)我們經(jīng)過大量的訓(xùn)練和調(diào)優(yōu)后，得到了每?jī)蓚€(gè)（需要的）服務(wù)器節(jié)點(diǎn)間的訓(xùn)練模型，通過這個(gè)模型，輸入當(dāng)前文件大小、時(shí)間、服務(wù)器和網(wǎng)絡(luò)的測(cè)試狀態(tài)，就可以算出一個(gè)預(yù)期的下載傳輸耗時(shí)。

我們把節(jié)點(diǎn)間兩兩計(jì)算的結(jié)果，代入到網(wǎng)絡(luò)拓?fù)鋱D中

使用最短路徑算法，計(jì)算最優(yōu)（和次優(yōu)）的傳輸路徑

這里是的算法為Dijkstra算法 （翻譯為 迪杰斯特拉算法）

這是一個(gè)非常經(jīng)典的最短路徑算法，就不占篇幅介紹了，有興趣的同學(xué)可以自行搜索。

整體處理流程回顧

首先，收集訓(xùn)練數(shù)據(jù)，使用zabbix數(shù)據(jù)、網(wǎng)絡(luò)測(cè)速數(shù)據(jù)、文件大小、當(dāng)前時(shí)間信息為輸入，下載耗時(shí)為輸出，進(jìn)行模型訓(xùn)練，并對(duì)模型做持續(xù)的優(yōu)化。

使用當(dāng)前的zabbix數(shù)據(jù)、網(wǎng)絡(luò)測(cè)速數(shù)據(jù)、文件大小、當(dāng)前時(shí)間信息為輸入，使用訓(xùn)練好的模型做計(jì)算，得到預(yù)期的下載結(jié)果。

相關(guān)節(jié)點(diǎn)，兩兩計(jì)算預(yù)期結(jié)果，構(gòu)成一個(gè)傳輸網(wǎng)絡(luò)，使用Dijkstra算法計(jì)算傳輸網(wǎng)絡(luò)內(nèi)的最小路徑。

四， 未來(lái)展望

使用最大流算法進(jìn)行文件分片下載

目前的算法針對(duì)的是整體文件進(jìn)行下載，實(shí)際上，流媒體服務(wù)器早已經(jīng)實(shí)現(xiàn)了文件虛擬切割，http協(xié)議也有range請(qǐng)求，在此基礎(chǔ)上，把一個(gè)文件分割，通過多條鏈路同時(shí)下載，將提升下載速度，也將進(jìn)一步提升網(wǎng)絡(luò)利用率。

具體可參考EK 算法，Dinic算法等。

使用最小費(fèi)用最大流對(duì)最大流算法進(jìn)行改進(jìn)

考慮到每個(gè)機(jī)房，每條線路建設(shè)時(shí)，成本不一樣。

在最大流有多組解時(shí)，給每條邊在附上一個(gè)單位費(fèi)用的量，在滿足最大流時(shí)的計(jì)算最小費(fèi)用是多少，這樣對(duì)于成本使用將更精細(xì)，機(jī)房如需擴(kuò)容也將做成指導(dǎo)。

在直播領(lǐng)域的應(yīng)用

目前點(diǎn)播源站內(nèi)部分發(fā)，進(jìn)行模型訓(xùn)練采用的輸入數(shù)據(jù)是上述數(shù)據(jù)，結(jié)果是下載耗時(shí)；對(duì)于直播來(lái)說，可以使用和直播相關(guān)的數(shù)據(jù)進(jìn)行組合與訓(xùn)練，結(jié)果為QoS，生成新的模型，對(duì)直播回源的內(nèi)部調(diào)度預(yù)測(cè)最佳鏈路。