随着移动终端的普及以及无线接入技术如4G/5G的飞速发展,当前,视频服务已是人们生活中必不可少的一部分,且越来越多的商用视频服务涌现了出来。同时,用户对视频传输高吞吐率、低时延的需求也随着各项技术的进步越来越高。不断涌现出的视频服务以及快速增加的用户不仅给互联网带来了巨大的数据流量压力,而且增加了网络拥塞发生的风险。然而,网络的拥塞和不稳定使得用户对视频传输的高吞吐率和低时延需求难以得到保证。波动的网络环境使得高吞吐率的视频传输充满挑战,而用户的低时延需求特别是在交互式视频传输场景下通常因为网络的拥塞而难以得到满足。在进行视频传输优化时,针对用户的高吞吐率需求和低时延需求,往往只能顾此失彼,或者牺牲视频的流畅性而极大影响用户的观看体验。针对上述视频传输所面临的问题,本文从视频的发送到接收整个过程入手,研究了面向视频应用的网络智能传输算法,涵盖了视频发送端的码率控制、传输过程中的网络路由、内容分发过程中的缓存算法以及接收端的自适应码流。本文的主要工作和创新点包括:1.基于深度强化学习的端到端码率控制:在用户对传输时延和吞吐率都有较高要求的视频传输场景中,需要在低时延的前提下传输较高质量的视频,离不了码率的动态调整,视频上传的质量更是直接决定了接收端的播放质量,在上行链路和下载链路波动的网络环境下,发送端的编码器码率控制尤为重要。本文在视频发送端提出了轻量级的、基于深度强化学习的码率控制模型smart RC;另外针对低时延传输场景中视频接收端缓冲区容量小而导致码率选择容错率低的挑战,本文利用基于深度强化学习的自适应码流模型Adaptive Streaming来实现多码率的选择。相比于基于带宽预测的比较方法,smart RC能够在保持较低传输时延的情况下提升20.88%的服务质量(Quality-of-Service,Qo S);Adaptive Streaming相比于常用的基于缓冲区的方法分别能够降低64.72%的百秒卡顿次数和91.04%的百秒卡顿时长。此外针对计算能力和功耗受限的移动端,smart RC和Adaptive Streaming采用了微调的轻量级深度神经网络,其和基于时序神经网络的模型相比较在维持表现相近的情况下能节省62.63%的运行时间。2.基于深度学习的覆盖网络路由选择:路由的准确选择离不开实时且准确的网络流量信息,为此,本文利用一个结合网络流量预测和路由选择的深度学习模型实现覆盖网络路由的快速搜索,并针对整体的用户满意率提出了基于regret的覆盖网络路由算法COR。基于深度学习的覆盖网络路由模型能达到90.58%的路由决策准确率且和不做流量预测的方法相比能多节省14.92%的传输时延。相比于传统的基于底层路由协议的算法,COR能提升5%到43%的用户满意率。3.基于内容流行度的自适应缓存算法:针对网络流量压力和数据成本的挑战,本文对包含超过200亿个独立视频的真实数据进行了特征分析,提出了基于流行度的自适应缓存算法ATW。基于真实数据集的仿真实验,ATW相比于内容提供商现行的缓存算法,能节省1%到3%的数据流量。另一方面,其在保持同等命中率的情况下能节省37.5%的缓存容量。