互联网与通信技术的快速融合发展,加上移动智能终端的广泛普及,为多媒体实时通信技术提供了更强大的网络传输支持和硬件基础。多媒体实时通信服务逐渐深入人们的工作和生活,如视频聊天、网络直播、线上教育等。抖动缓冲在弥补抖动、平滑数据传输、提高播放质量等方面起到关键作用,是影响服务质量的重要环节之一。目前的抖动缓冲算法主要分为静态的抖动缓冲算法和动态的抖动缓冲算法。静态的抖动缓冲算法在通信过程中采用固定“深度”的缓冲区设置,无法适配变化的网络环境。现有的动态抖动缓冲算法,一部分通过设置上下阈值,当缓冲区内数据达到阈值时触发进行更新调节;一部分通过预测网络流量进行“深度”调节。这些算法普遍存在流量预测不准确,调节滞后,调整不合理等问题。本文深入剖析WebRTC(Web Real-Time Communication网页实时通信系统)中的动态抖动缓冲算法的原理及工作流程。在此基础上,围绕抖动时延这一影响抖动缓冲工作效果的关键因素,提出一种新的抖动时延计算策略:引入机器学习回归模型,基于网络环境和视频帧状态,根据抖动时延来预测系统的丢包率和端到端时延。在此预测模型的基础上,在基准值附近搜索最优抖动时延,并更新到视频帧中。解决了原方法调节滞后、抖动时延设置不合理的问题。为了对抖动缓冲模块的工作效果进行评估,本文基于QoS(Quality of Service服务质量)统计信息建立了传输质量评估模型。该模型综合考虑了系统的丢包率、端到端时延和播放抖动情况,在相同网络环境和媒体处理引擎下,将传输质量评分作为抖动缓冲模块工作效果的反馈。最后,设计了不同网络环境下与WebRTC中现有抖动缓冲算法的对比实验。经测试,在不同的网络环境下,本文提出的基于机器学习预测模型的抖动缓冲算法能提供更高的网络传输质量,保证用户的通信服务体验。