(19)國家知識產(chǎn)權局道仙林大道118號尚東花園B區(qū)商業(yè)B-33室所(普通合伙)32411HO4N21/262(2011.01)HO4N21/475(2011.01)基于動態(tài)優(yōu)先級的多路視頻流協(xié)同傳輸方法估函數(shù)、內(nèi)存-計算單元占用率預測矩陣及調(diào)整21.基于動態(tài)優(yōu)先級的多路視頻流協(xié)同傳輸方法，其特征在于，包括：實時采集與多路視頻數(shù)據(jù)處理任務關聯(lián)的任務上下文特征參數(shù)、系統(tǒng)資源狀態(tài)參數(shù)、用戶行為響應數(shù)據(jù)和計算節(jié)點負載參數(shù)，所述任務上下文特征參數(shù)包括用戶操作焦點坐標、應用事件觸發(fā)序列和預定義任務規(guī)則集；構建優(yōu)先級分配模型對所述任務上下文特征參數(shù)進行模式識別，生成各路視頻數(shù)據(jù)處理任務的實時優(yōu)先級；建立任務調(diào)度策略生成模型，基于所述實時優(yōu)先級對所述多路視頻數(shù)據(jù)處理任務進行處理資源分配，生成初始調(diào)度策略；所述任務調(diào)度策略生成模型的構建方法包括：生成優(yōu)先級加權效能評估函數(shù)、預測內(nèi)存-計算單元占用率矩陣和調(diào)整資源約束條件下的梯度優(yōu)化構造自適應優(yōu)化決策模型對所述系統(tǒng)資源狀態(tài)參數(shù)、用戶行為響應數(shù)據(jù)和計算節(jié)點負載參數(shù)進行多維參數(shù)融合分析，生成資源再分配修正向量；根據(jù)所述資源再分配修正向量對所述初始調(diào)度策略進行在線迭代優(yōu)化，生成最終實時優(yōu)化任務調(diào)度策略。2.根據(jù)權利要求1所述的基于動態(tài)優(yōu)先級的多路視頻流協(xié)同傳輸方法，其特征在于：構建所述優(yōu)先級分配模型包括特征提取融合層、模式識別層和優(yōu)先級映射層；所述特征提取融合層對所述任務上下文特征參數(shù)進行預處理，對所述用戶操作焦點坐標提取時空特征、對所述應用事件觸發(fā)序列提取時序模式特征和對所述預定義任務規(guī)則集提取語義特征，通過對所述時空特征、時序模式特征和語義特征進行融合，生成綜合任務上下文狀態(tài)特征；所述模式識別層對融合的綜合任務上下文狀態(tài)特征進行分類和聚類，識別任務模式；所述優(yōu)先級映射層依據(jù)映射函數(shù)將所述任務模式映射為優(yōu)先級分數(shù)，生成各路視頻數(shù)據(jù)處理任務的實時優(yōu)先級。3.根據(jù)權利要求2所述的基于動態(tài)優(yōu)先級的多路視頻流協(xié)同傳輸方法，其特征在于：所述優(yōu)先級映射層生成各路視頻數(shù)據(jù)處理任務的實時優(yōu)先級的過程包括：獲取由所述模式識別層識別并輸出的任務模式；調(diào)用映射函數(shù)，所述映射函數(shù)為任務模式與優(yōu)先級分數(shù)之間的對應關系；所述映射函數(shù)使用機器學習模型來擬合任務模式到優(yōu)先級分數(shù)的關系獲得；將獲取的任務模式輸入到所述映射函數(shù)中進行計算，為每一個任務模式分配一個相應的優(yōu)先級分數(shù)，生成各路視頻數(shù)據(jù)處理任務的實時優(yōu)先級。4.根據(jù)權利要求1所述的基于動態(tài)優(yōu)先級的多路視頻流協(xié)同傳輸方法，其特征在于：所述任務調(diào)度策略生成模型包括資源需求評估層、資源需求預測層和優(yōu)化目標調(diào)整所述資源需求評估層根據(jù)所述實時優(yōu)先級和任務模式，結合所述優(yōu)先級加權效能評估函數(shù)，獲得每路視頻數(shù)據(jù)處理任務的加權效能預期值；所述資源需求預測層利用調(diào)度算法，基于歷史任務上下文特征參數(shù)，利用所述預測內(nèi)存-計算單元占用率矩陣，預測每路視頻數(shù)據(jù)處理任務在未來一個周期內(nèi)需要的預測資源需求量；所述預測資源需求量包括內(nèi)存和計算單元資源量；所述優(yōu)化目標調(diào)整層以最大化總體加權效能預期值為目標，同時滿足所述調(diào)整資源約束條件，并基于所述預測資源需求量，利用梯度優(yōu)化求解各任務的處理資源分配方案，生成所述初始調(diào)度策略，所述初始調(diào)度策略包括各任務分配到的計算單元比例、內(nèi)存大小以及處理時間片。5.根據(jù)權利要求4所述的基于動態(tài)優(yōu)先級的多路視頻流協(xié)同傳輸方法，其特征在于：3所述優(yōu)先級加權效能評估函數(shù)的生成過程包括：用于量化單路視頻數(shù)據(jù)處理任務在獲得相同資源下的處理效率和對用戶體驗貢獻程度的基礎效能度量標準；綜合所述基礎效能度量標準和實時優(yōu)先級，生成實時優(yōu)先級對基礎效能量的關聯(lián)模型；將所述關聯(lián)模型固化為計算規(guī)則，輸出加權效能預期值，并依據(jù)優(yōu)化目標和實驗數(shù)據(jù)設定函數(shù)中的參數(shù)；生成所述預測內(nèi)存-計算單元占用率矩陣的過程包括：獲取運行過程中各路視頻數(shù)據(jù)處理任務的歷史數(shù)據(jù)，包括在特定時間段內(nèi)實際分配到的內(nèi)存與計算單元資源量和在對應資源分配下實際產(chǎn)生的內(nèi)存占用峰值、均值和計算單元使用率；基于所述歷史數(shù)據(jù)，應用統(tǒng)計學分析，識別并建立任務上下文特征參數(shù)組合與未來內(nèi)存、計算單元資源占用率之間的量化預測關系模型；將所述預測關系模型的結果進行分析，形成所述預測內(nèi)存-計算單元占用率矩陣。6.根據(jù)權利要求1所述的基于動態(tài)優(yōu)先級的多路視頻流協(xié)同傳輸方法，其特征在于：所述自適應優(yōu)化決策模型包括狀態(tài)評估層和調(diào)整策略生成層；所述狀態(tài)評估層實時接收所述系統(tǒng)資源狀態(tài)參數(shù)、用戶行為響應數(shù)據(jù)和計算節(jié)點負載參數(shù)；采用多維參數(shù)融合技術，對輸入的實時數(shù)據(jù)進行綜合分析，生成多路視頻流協(xié)同傳輸向量，識別出存在的潛在風險點；所述調(diào)整策略生成層依據(jù)所述潛在風險點，生成所述資源再分配修正向量，所述資源再分配修正向量包括明確指示需要增加和/或減少分配給特定高優(yōu)先級和/或低優(yōu)先級視頻數(shù)據(jù)處理任務的計算資源量、內(nèi)存配額、網(wǎng)絡帶寬優(yōu)先級以及調(diào)整全局性的參數(shù)。7.根據(jù)權利要求1所述的基于動態(tài)優(yōu)先級的多路視頻流協(xié)同傳輸方法，其特征在于：生成所述資源再分配修正向量的過程具體包括：將所述資源再分配修正向量應用于所述初始調(diào)度策略；根據(jù)所述資源再分配修正向量中各分量指示的調(diào)整方向和幅度，調(diào)整初始調(diào)度策略中對應的資源分配參數(shù)；在調(diào)整過程中，實時檢查調(diào)整后的資源分配是否超出現(xiàn)有資源的總量約束；若超出約束，則根據(jù)預設規(guī)則進行再平衡；所述在線迭代優(yōu)化為在每個調(diào)度周期或預定時間間隔內(nèi)，重復執(zhí)行所有步驟，并基于最新的資源再分配修正向量對上一周期的調(diào)度策略進行調(diào)整，輸出當前周期最優(yōu)的實時任務調(diào)度策略。4技術領域[0001]本發(fā)明涉及資源分配技術領域，具體為基于動態(tài)優(yōu)先級的多路視頻流協(xié)同傳輸方背景技術[0002]隨著通用計算與數(shù)字信息處理技術的飛速發(fā)展，需要并發(fā)處理多路實時、交互式數(shù)據(jù)流的復雜應用系統(tǒng)日益普及，例如需要低延遲響應的遠程協(xié)作平臺、實時監(jiān)控分析系統(tǒng)、多用戶交互式仿真環(huán)境等。通常在通用數(shù)字數(shù)據(jù)處理系統(tǒng)上運行，其性能高度依賴于對內(nèi)部計算資源的有效管理。[0003]目前，為了實現(xiàn)這些異構數(shù)據(jù)流的高效、有序處理，現(xiàn)有數(shù)字數(shù)據(jù)處理系統(tǒng)通常采用一系列計算資源調(diào)度策略(例如基于固定優(yōu)先級或輪轉(zhuǎn)調(diào)度)。[0004]然而，在應對動態(tài)性強、任務負載變化劇烈的應用場景時，現(xiàn)有技術仍存在顯著瓶頸。首先，在系統(tǒng)計算資源動態(tài)變化或高度競爭的情況下，任務調(diào)度和資源分配算法往往是應用無關的，難以根據(jù)不同處理任務(及其關聯(lián)的數(shù)據(jù)流)在特定應用邏輯下的實時重要性進行區(qū)分和優(yōu)先級調(diào)整。其次，現(xiàn)有系統(tǒng)級的優(yōu)先級管理機制通常與高層應用狀態(tài)信息解耦，缺乏實時感知與整合這些信息的機制。這導致系統(tǒng)調(diào)度器無法利用這些寶貴的上下文信息來動態(tài)、精細地調(diào)整并發(fā)執(zhí)行任務的相對優(yōu)先級。再者，現(xiàn)有方法在并發(fā)任務協(xié)同執(zhí)行的效率方面有待提升。當處理系統(tǒng)需要同時管理和執(zhí)行大量數(shù)據(jù)處理作業(yè)時，未能根據(jù)任務間的動態(tài)優(yōu)先級差異進行智能化的資源分配和執(zhí)行流控制，可能導致關鍵任務延遲，影響系統(tǒng)整體的處理吞吐量和響應速度。[0005]因此，如何設計一種能夠深度集成應用層上下文信息的動態(tài)任務優(yōu)先級評估模型，并基于此模型在操作系統(tǒng)或系統(tǒng)軟件層面實現(xiàn)智能、協(xié)同的計算資源管理與任務調(diào)度控制的方法，以確保關鍵處理任務的及時完成、優(yōu)化系統(tǒng)資源利用率、提高系統(tǒng)整體性能(如吞吐量和響應性),成為數(shù)字數(shù)據(jù)處理系統(tǒng)設計與操作系統(tǒng)優(yōu)化領域亟待解決的技術問發(fā)明內(nèi)容[0006]本發(fā)明的目的在于提供基于動態(tài)優(yōu)先級的多路視頻流協(xié)同傳輸方法，通過實時采集任務上下文特征參數(shù)、系統(tǒng)資源狀態(tài)、用戶行為響應與計算節(jié)點負載數(shù)據(jù)，構建優(yōu)先級分配模型進行模式識別生成實時任務優(yōu)先級。建立任務調(diào)度策略生成模型，采用優(yōu)先級加權效能評估函數(shù)、內(nèi)存-計算單元占用率預測矩陣及資源約束梯度優(yōu)化目標進行資源分配，形成初始調(diào)度策略。通過自適應優(yōu)化決策模型對系統(tǒng)資源、用戶行為及節(jié)點負載進行多維參數(shù)融合分析，生成資源再分配修正向量，采用在線迭代優(yōu)化機制對初始策略進行動態(tài)調(diào)整，最終輸出實時優(yōu)化任務調(diào)度策略。實現(xiàn)了任務優(yōu)先級動態(tài)評估與資源分配的閉環(huán)優(yōu)化，保障多路視頻處理任務的高效協(xié)同執(zhí)行。5基于動態(tài)優(yōu)先級的多路視頻流協(xié)同傳輸方法，包括：實時采集與多路視頻數(shù)據(jù)處理任務關聯(lián)的任務上下文特征參數(shù)、系統(tǒng)資源狀態(tài)參數(shù)、用戶行為響應數(shù)據(jù)和計算節(jié)點負載參數(shù)，所述任務上下文特征參數(shù)包括用戶操作焦點坐標、應用事件觸發(fā)序列和預定義任務規(guī)則集；構建優(yōu)先級分配模型對所述任務上下文特征參數(shù)進行模式識別，生成各路視頻數(shù)據(jù)處理任務的實時優(yōu)先級；建立任務調(diào)度策略生成模型，基于所述實時優(yōu)先級對所述多路視頻數(shù)據(jù)處理任務進行處理資源分配，生成初始調(diào)度策略；所述任務調(diào)度策略生成模型的構建方法包括：生成優(yōu)先級加權效能評估函數(shù)、預測內(nèi)存-計算單元占用率矩陣和調(diào)整資源約束條件下的梯度構造自適應優(yōu)化決策模型對所述系統(tǒng)資源狀態(tài)參數(shù)、用戶行為響應數(shù)據(jù)和計算節(jié)點負載參數(shù)進行多維參數(shù)融合分析，生成資源再分配修正向量；根據(jù)所述資源再分配修正向量對所述初始調(diào)度策略進行在線迭代優(yōu)化，生成最終實時優(yōu)化任務調(diào)度策略。[0008]優(yōu)選的，構建所述優(yōu)先級分配模型包括特征提取融合層、模式識別層和優(yōu)先級映射層；所述特征提取融合層對所述任務上下文特征參數(shù)進行預處理，對所述用戶操作焦點坐標提取時空特征、對所述應用事件觸發(fā)序列提取時序模式特征和對所述預定義任務規(guī)則集提取語義特征，通過對所述時空特征、時序模式特征和語義特征進行融合，生成綜合任務上下文狀態(tài)特征；所述模式識別層對融合的綜合任務上下文狀態(tài)特征進行分類和聚類，識別任務模式；所述優(yōu)先級映射層依據(jù)映射函數(shù)將所述任務模式映射為優(yōu)先級分數(shù)，生成各路視頻數(shù)據(jù)處理任務的實時優(yōu)先級。[0009]優(yōu)選的，所述優(yōu)先級映射層生成各路視頻數(shù)據(jù)處理任務的實時優(yōu)先級的過程包獲取由所述模式識別層識別并輸出的任務模式；調(diào)用映射函數(shù)，所述映射函數(shù)為任務模式與優(yōu)先級分數(shù)之間的對應關系；所述映射函數(shù)使用機器學習模型來擬合任務模式到優(yōu)先級分數(shù)的關系獲得；將獲取的任務模式輸入到所述映射函數(shù)中進行計算，為每一個任務模式分配一個相應的優(yōu)先級分數(shù)，生成各路視頻數(shù)據(jù)處理任務的實時優(yōu)先級。[0010]優(yōu)選的，所述任務調(diào)度策略生成模型包括資源需求評估層、資源需求預測層和優(yōu)化目標調(diào)整層；所述資源需求評估層根據(jù)所述實時優(yōu)先級和任務模式，結合所述優(yōu)先級加權效能評估函數(shù)，獲得每路視頻數(shù)據(jù)處理任務的加權效能預期值；所述資源需求預測層利用調(diào)度算法，基于歷史任務上下文特征參數(shù)，利用所述預測內(nèi)存-計算單元占用率矩陣，預測每路視頻數(shù)據(jù)處理任務在未來一個周期內(nèi)需要的預測資源需求量；所述預測資源需求量包括內(nèi)存和計算單元資源量；所述優(yōu)化目標調(diào)整層以最大化總體加權效能預期值為目標，同時滿足所述調(diào)整資源約束條件，并基于所述預測資源需求量，利用梯度優(yōu)化求解各任務的處理資源分配方案，生成所述初始調(diào)度策略，所述初始調(diào)度策略包括各任務分配到的計算單元比例、內(nèi)存大小以及處理時間片。[0011]優(yōu)選的，所述優(yōu)先級加權效能評估函數(shù)的生成過程包括：用于量化單路視頻數(shù)據(jù)處理任務在獲得相同資源下的處理效率和對用戶體驗貢獻程度的基礎效能度量標準；綜合6所述基礎效能度量標準和實時優(yōu)先級，生成實時優(yōu)先級對基礎效能量的關聯(lián)模型；將所述關聯(lián)模型固化為計算規(guī)則，輸出加權效能預期值，并依據(jù)優(yōu)化目標和實驗數(shù)據(jù)設定函數(shù)中的參數(shù)；生成所述預測內(nèi)存-計算單元占用率矩陣的過程包括：獲取運行過程中各路視頻數(shù)據(jù)處理任務的歷史數(shù)據(jù)，包括在特定時間段內(nèi)實際分配到的內(nèi)存與計算單元資源量和在對應資源分配下實際產(chǎn)生的內(nèi)存占用峰值、均值和計算單元使用率；基于所述歷史數(shù)據(jù)，應用統(tǒng)計學分析，識別并建立任務上下文特征參數(shù)組合與未來內(nèi)存、計算單元資源占用率之間的量化預測關系模型；將所述預測關系模型的結果進行分析，形成所述預測內(nèi)存-計算單元占用率矩陣。[0012]優(yōu)選的，所述自適應優(yōu)化決策模型包括狀態(tài)評估層和調(diào)整策略生成層；所述狀態(tài)評估層實時接收所述系統(tǒng)資源狀態(tài)參數(shù)、用戶行為響應數(shù)據(jù)和計算節(jié)點負載參數(shù)；采用多維參數(shù)融合技術，對輸入的實時數(shù)據(jù)進行綜合分析，生成多路視頻流協(xié)同傳輸向量，識別出存在的潛在風險點；所述調(diào)整策略生成層依據(jù)所述潛在風險點，生成所述資源再分配修正向量，所述資源再分配修正向量包括明確指示需要增加和/或減少分配給特定高優(yōu)先級和/或低優(yōu)先級視頻數(shù)據(jù)處理任務的計算資源量、內(nèi)存配額、網(wǎng)絡帶寬優(yōu)先級以及調(diào)整全局性的參數(shù)。[0013]優(yōu)選的，生成所述資源再分配修正向量的過程具體包括：將所述資源再分配修正向量應用于所述初始調(diào)度策略；根據(jù)所述資源再分配修正向量中各分量指示的調(diào)整方向和幅度，調(diào)整初始調(diào)度策略中對應的資源分配參數(shù)；在調(diào)整過程中，實時檢查調(diào)整后的資源分配是否超出現(xiàn)有資源的總量約束；若超出約束，則根據(jù)預設規(guī)則進行再平衡；所述在線迭代優(yōu)化為在每個調(diào)度周期或預定時間間隔內(nèi)，重復執(zhí)行所有步驟，并基于最新的資源再分配修正向量對上一周期的調(diào)度策略進行調(diào)整，輸出當前周期最優(yōu)的實時任務調(diào)度策略。1、本發(fā)明基于動態(tài)優(yōu)先級分配與協(xié)同調(diào)度方法，通過實時采集任務上下文特征、資源狀態(tài)以及用戶行為數(shù)據(jù)，實現(xiàn)多維信息融合和精準資源分配。該方法構建特征提取融合層、模式識別層和優(yōu)先級映射層，利用機器學習自動擬合任務模式與優(yōu)先級分數(shù)之間的關系，有效克服傳統(tǒng)靜態(tài)調(diào)度方案中資源配置死板、響應延遲長的缺陷。大幅提升了視頻數(shù)據(jù)處理效率，降低了調(diào)度復雜性，實現(xiàn)了精準分級和資源優(yōu)化，確保了傳輸過程高效可靠，優(yōu)化用戶體驗與整體效能。[0015]2、本發(fā)明引入自適應優(yōu)化決策模型，實現(xiàn)在線資源再分配與調(diào)度策略迭代優(yōu)化。該模型綜合分析資源狀態(tài)、用戶行為反饋及計算節(jié)點負載，采用多維參數(shù)融合技術識別潛在風險，并生成資源再分配修正向量，從而實現(xiàn)各視頻任務的動態(tài)資源調(diào)整。根據(jù)實時采集數(shù)據(jù)自動調(diào)控調(diào)度策略，有效緩解資源緊張帶來的瓶頸問題，保證了視頻傳輸過程的平穩(wěn)性和抗干擾能力，顯著提高整體網(wǎng)絡協(xié)同性能及運行可靠性。[0016]3、本發(fā)明綜合運用統(tǒng)計分析、多維參數(shù)融合和梯度優(yōu)化算法，構建預測內(nèi)存與計算單元占用率矩陣，實現(xiàn)任務資源需求量量化預測。通過實時監(jiān)控歷史運行數(shù)據(jù)，基于優(yōu)先級加權效能評估函數(shù)的優(yōu)化目標，自動生成初始調(diào)度策略并在線迭代修正，保障各任務在規(guī)定資源約束下獲得最優(yōu)分配。不僅提高資源利用效率，還能根據(jù)動態(tài)變化不斷自適應調(diào)整，確保網(wǎng)絡負載平衡和整體效能的提高。7附圖說明[0017]圖1為本發(fā)明提供的基于動態(tài)優(yōu)先級的多路視頻流協(xié)同傳輸方法流程示意圖；圖2為本發(fā)明提供的優(yōu)先級分配模型結構示意圖；圖3為本發(fā)明提供的任務調(diào)度策略生成模型結構示意圖；圖4為本發(fā)明實施例提供的動態(tài)優(yōu)先級協(xié)同傳輸流程圖。具體實施方式[0018]下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他[0019]隨著網(wǎng)絡通信技術與多媒體處理技術的飛速發(fā)展，基于網(wǎng)絡的實時視頻交互系統(tǒng)已廣泛應用于遠程教育、視頻會議、遠程醫(yī)療、協(xié)同設計等眾多領域。特別是在遠程互動教處理并呈現(xiàn)來自多個源的視頻流。[0020]然而，現(xiàn)有的多路視頻流傳輸方法在應對復雜的交互場景時，仍存在顯著的技術瓶頸。首先，在網(wǎng)絡帶寬資源受限或劇烈波動的情況下，傳統(tǒng)的帶寬分配和質(zhì)量調(diào)整策略(如平均分配、基于簡單規(guī)則的優(yōu)先級)往往難以有效區(qū)分不同視頻流在特定應用上下文中的實際重要性。其次，現(xiàn)有技術的優(yōu)先級管理機制通常較為靜態(tài)或過于簡化，缺乏對上層應用具體業(yè)務邏輯和實時互動狀態(tài)的深度感知。再者，現(xiàn)有方法在多流協(xié)同傳輸?shù)男史矫嬗写嵘?。當需要同時傳輸和接收大量視頻流時，系統(tǒng)往往傾向于獨立地或基于整體網(wǎng)絡狀況對各流進行調(diào)整，未能充分利用各流之間的優(yōu)先級差異進行協(xié)同優(yōu)化。因此，如何設計一種能夠感知應用場景與用戶交互意圖，動態(tài)確定多路視頻流傳輸優(yōu)先級，并基于此優(yōu)先級進行智能、協(xié)同的資源分配與傳輸控制的方法，以提升在網(wǎng)絡資源受限條件下關鍵視頻流的傳輸質(zhì)量和整體用戶體驗，成為當前多路視頻流傳輸技術領域亟待解決的技術問題。[0021]實施例一：請參閱圖1,本發(fā)明提供基于動態(tài)優(yōu)先級的多路視頻流協(xié)同傳輸方法，技術方案如實時采集與多路視頻數(shù)據(jù)處理任務關聯(lián)的任務上下文特征參數(shù)、系統(tǒng)資源狀態(tài)參數(shù)、用戶行為響應數(shù)據(jù)和計算節(jié)點負載參數(shù)，所述任務上下文特征參數(shù)包括用戶操作焦點坐標、應用事件觸發(fā)序列和預定義任務規(guī)則集；構建優(yōu)先級分配模型對所述任務上下文特征參數(shù)進行模式識別，生成各路視頻數(shù)據(jù)處理任務的實時優(yōu)先級；進一步地，構建所述優(yōu)先級分配模型包括特征提取融合層、模式識別層和優(yōu)先級所述特征提取融合層對所述任務上下文特征參數(shù)進行預處理，對所述用戶操作焦點坐標提取時空特征、對所述應用事件觸發(fā)序列提取時序模式特征和對所述預定義任務規(guī)則集提取語義特征，通過對所述時空特征、時序模式特征和語義特征進行融合，生成綜合任務上下文狀態(tài)特征；所述模式識別層對融合的綜合任務上下文狀態(tài)特征進行分類和聚類，8識別任務模式；所述優(yōu)先級映射層依據(jù)映射函數(shù)將所述任務模式映射為優(yōu)先級分數(shù)，生成各路視頻數(shù)據(jù)處理任務的實時優(yōu)先級。[0022]在本實施例中，通過實時采集與多路視頻數(shù)據(jù)處理任務關聯(lián)的任務上下文特征參數(shù)、系統(tǒng)資源狀態(tài)參數(shù)、用戶行為響應數(shù)據(jù)和計算節(jié)點負載參數(shù)，并構建優(yōu)先級分配模型對任務上下文特征參數(shù)進行模式識別，生成各路視頻數(shù)據(jù)處理任務的實時優(yōu)先級。本方法能夠全面感知系統(tǒng)運行環(huán)境和用戶需求，為后續(xù)的優(yōu)先級分配和資源調(diào)度提供豐富的數(shù)據(jù)基礎。這種多源數(shù)據(jù)采集機制能夠動態(tài)適應不斷變化的應用場景和用戶行為，提升了智能化水平和響應能力。[0023]進一步地，所述優(yōu)先級映射層生成各路視頻數(shù)據(jù)處理任務的實時優(yōu)先級的過程包獲取由所述模式識別層識別并輸出的任務模式；調(diào)用映射函數(shù)，所述映射函數(shù)為任務模式與優(yōu)先級分數(shù)之間的對應關系；所述映射函數(shù)使用機器學習模型來擬合任務模式到優(yōu)先級分數(shù)的關系獲得；將獲取的任務模式輸入到所述映射函數(shù)中進行計算，為每一個任務模式分配一個相應的優(yōu)先級分數(shù)，生成各路視頻數(shù)據(jù)處理任務的實時優(yōu)先級。[0024]在本實施例中，優(yōu)先級映射層利用機器學習模型自動擬合任務模式與優(yōu)先級分數(shù)的映射關系，實現(xiàn)了任務優(yōu)先級的動態(tài)生成?？朔藗鹘y(tǒng)靜態(tài)優(yōu)先級分配的局限，能夠根據(jù)實時任務模式的變化快速調(diào)整優(yōu)先級，確保關鍵任務在復雜多變的應用場景中優(yōu)先得到資源支持。結合實時采集的多維數(shù)據(jù)和優(yōu)先級分配模型，本方法能夠精準識別任務的重要性和緊迫性，為后續(xù)的資源分配和調(diào)度提供了科學依據(jù)，顯著提高了對關鍵任務的響應速度和處理效率。[0025]建立任務調(diào)度策略生成模型，基于所述實時優(yōu)先級對所述多路視頻數(shù)據(jù)處理任務進行處理資源分配，生成初始調(diào)度策略；所述任務調(diào)度策略生成模型的構建方法包括：生成優(yōu)先級加權效能評估函數(shù)、預測內(nèi)存-計算單元占用率矩陣和調(diào)整資源約束條件下的梯度優(yōu)化目標；進一步地，所述任務調(diào)度策略生成模型包括資源需求評估層、資源需求預測層和所述資源需求評估層根據(jù)所述實時優(yōu)先級和任務模式，結合所述優(yōu)先級加權效能評估函數(shù)，獲得每路視頻數(shù)據(jù)處理任務的加權效能預期值；所述資源需求預測層利用調(diào)度算法，基于歷史任務上下文特征參數(shù)，利用所述預測內(nèi)存-計算單元占用率矩陣，預測每路視頻數(shù)據(jù)處理任務在未來一個周期內(nèi)需要的預測資源需求量；所述預測資源需求量包括內(nèi)存和計算單元資源量；所述優(yōu)化目標調(diào)整層以最大化總體加權效能預期值為目標，同時滿足所述調(diào)整資源約束條件，并基于所述預測資源需求量，利用梯度優(yōu)化求解各任務的處理資源分配方案，生成所述初始調(diào)度策略，所述初始調(diào)度策略包括各任務分配到的計算單元[0026]在本實施例中，任務調(diào)度策略生成模型通過資源需求評估層、資源需求預測層和優(yōu)化目標調(diào)整層的協(xié)同工作，基于實時優(yōu)先級和任務模式生成初始調(diào)度策略。綜合考慮了任務的優(yōu)先級和資源需求，采用梯度優(yōu)化算法在資源約束條件下分配資源，實現(xiàn)了資源分配的精細化和科學化。在實時數(shù)據(jù)采集和優(yōu)先級動態(tài)生成的基礎上，進一步通過任務調(diào)度策略生成模型將優(yōu)先級轉(zhuǎn)化為具體的資源分配方案，確保高優(yōu)先級任務獲得更多資源支9持，從而提升了多路視頻處理任務的協(xié)同執(zhí)行效率和系統(tǒng)整體性能。[0027]進一步地，所述優(yōu)先級加權效能評估函數(shù)的生成過程包括：用于量化單路視頻數(shù)據(jù)處理任務在獲得相同資源下的處理效率和對用戶體驗貢獻程度的基礎效能度量標準；綜合所述基礎效能度量標準和實時優(yōu)先級，生成實時優(yōu)先級對基礎效能量的關聯(lián)模型；將所述關聯(lián)模型固化為計算規(guī)則，輸出加權效能預期值，并依據(jù)優(yōu)化目標和實驗數(shù)據(jù)設定函數(shù)生成所述預測內(nèi)存-計算單元占用率矩陣的過程包括：獲取運行過程中各路視頻數(shù)據(jù)處理任務的歷史數(shù)據(jù)，包括在特定時間段內(nèi)實際分配到的內(nèi)存與計算單元資源量和在對應資源分配下實際產(chǎn)生的內(nèi)存占用峰值、均值和計算單元使用率；基于所述歷史數(shù)據(jù)，應用統(tǒng)計學分析，識別并建立任務上下文特征參數(shù)組合與未來內(nèi)存、計算單元資源占用率之間的量化預測關系模型；將所述預測關系模型的結果進行分析，形成所述預測內(nèi)存-計算單元占用率矩陣。[0028]在本實施例中，通過構建優(yōu)先級加權效能評估函數(shù)和預測內(nèi)存-計算單元占用率矩陣，實現(xiàn)了對任務處理效果和資源需求的量化評估。優(yōu)先級加權效能評估函數(shù)結合基礎效能度量和實時優(yōu)先級，確保資源分配與任務重要性高度匹配；預測矩陣則通過歷史數(shù)據(jù)分析準確預測未來資源占用率，為資源分配提供了科學依據(jù)。在優(yōu)先級分配和任務調(diào)度策略生成的基礎上，進一步引入效能評估和資源需求預測機制，實現(xiàn)了資源分配的動態(tài)優(yōu)化和前瞻性調(diào)整，顯著提高了資源利用效率和任務執(zhí)行的穩(wěn)定性。[0029]構造自適應優(yōu)化決策模型對所述系統(tǒng)資源狀態(tài)參數(shù)、用戶行為響應數(shù)據(jù)和計算節(jié)點負載參數(shù)進行多維參數(shù)融合分析，生成資源再分配修正向量；根據(jù)所述資源再分配修正向量對所述初始調(diào)度策略進行在線迭代優(yōu)化，生成最終實時優(yōu)化任務調(diào)度策略。[0030]進一步地，所述自適應優(yōu)化決策模型包括狀態(tài)評估層和調(diào)整策略生成層；所述狀態(tài)評估層實時接收所述系統(tǒng)資源狀態(tài)參數(shù)、用戶行為響應數(shù)據(jù)和計算節(jié)點負載參數(shù)；采用多維參數(shù)融合技術，對輸入的實時數(shù)據(jù)進行綜合分析，生成多路視頻流協(xié)同傳輸向量，識別出存在的潛在風險點；所述調(diào)整策略生成層依據(jù)所述潛在風險點，生成所述資源再分配修正向量，所述資源再分配修正向量包括明確指示需要增加和/或減少分配給特定高優(yōu)先級和/或低優(yōu)先級視頻數(shù)據(jù)處理任務的計算資源量、內(nèi)存配額、網(wǎng)絡帶寬優(yōu)先級以及調(diào)整全局性的參數(shù)。[0031]在本實施例中，自適應優(yōu)化決策模型通過狀態(tài)評估層和調(diào)整策略生成層的多維參數(shù)融合分析，能夠?qū)崟r感知系統(tǒng)運行狀態(tài)和用戶行為的變化，生成資源再分配修正向量。該向量指導高優(yōu)先級和低優(yōu)先級任務的資源動態(tài)調(diào)整，確保關鍵任務在資源緊張時優(yōu)先得到支持。在優(yōu)先級分配、任務調(diào)度和資源需求預測的基礎上，進一步引入自適應優(yōu)化機制，實現(xiàn)了資源分配的實時調(diào)整和優(yōu)化，顯著提升了在復雜網(wǎng)絡環(huán)境下的適應性和穩(wěn)定性。[0032]進一步地，生成所述資源再分配修正向量的過程具體包括：將所述資源再分配修正向量應用于所述初始調(diào)度策略；根據(jù)所述資源再分配修正向量中各分量指示的調(diào)整方向和幅度，調(diào)整初始調(diào)度策略中對應的資源分配參數(shù)；在調(diào)整過程中，實時檢查調(diào)整后的資源分配是否超出現(xiàn)有資源的總量約束；若超出約束，則根據(jù)預設規(guī)則進行再平衡，確保資源分配的可行性；所述在線迭代優(yōu)化為在每個調(diào)度周期或預定時間間隔內(nèi)，重復執(zhí)行所有步驟，并基于最新的資源再分配修正向量對上一周期的調(diào)度策略進行調(diào)整，實現(xiàn)調(diào)度策略隨系統(tǒng)狀態(tài)和用戶行為動態(tài)變化的持續(xù)優(yōu)化，輸出當前周期最優(yōu)的實時任務調(diào)度策略。[0033]在本實施例中，通過在線迭代優(yōu)化機制，能夠持續(xù)監(jiān)測系統(tǒng)狀態(tài)和用戶行為，根據(jù)最新的資源再分配修正向量動態(tài)調(diào)整調(diào)度策略。確保了資源分配能夠快速適應實時變化，實現(xiàn)了調(diào)度策略的持續(xù)優(yōu)化。在實時數(shù)據(jù)采集、優(yōu)先級動態(tài)生成、任務調(diào)度、效能評估和自適應優(yōu)化的基礎上，通過在線迭代優(yōu)化實現(xiàn)了閉環(huán)控制，確保了多路視頻流協(xié)同傳輸?shù)姆€(wěn)定性和高效性，顯著提升了整體性能和用戶體驗。[0034]本發(fā)明通過預測矩陣和梯度優(yōu)化實現(xiàn)前瞻性資源分配，相比輪轉(zhuǎn)調(diào)度的平均分配模式，顯著提升資源利用效率與關鍵任務保障能力，具體參照表1。[0035]表1資源分配效率對比表提升幅度/說明資源分配響應時間資源浪費率多維數(shù)據(jù)、構建優(yōu)先級分配模型、生成任務調(diào)度策略以及自適應優(yōu)化決策，實現(xiàn)了任務優(yōu)先級評估與資源分配的深度融合。能夠動態(tài)感知應用場景變化，快速調(diào)整資源分配策略，確保多路視頻處理任務在復雜網(wǎng)絡環(huán)境下的高效協(xié)同執(zhí)行。本發(fā)明通過集成任務上下文感知、優(yōu)先級動態(tài)評估、資源需求預測和在線迭代優(yōu)化等技術，構建了一個高度智能化的多路視頻流協(xié)同傳輸框架。與傳統(tǒng)靜態(tài)調(diào)度方法相比，該方案在資源利用效率、任務執(zhí)行效率和系統(tǒng)穩(wěn)定性方面均有顯著提升。特別是在網(wǎng)絡帶寬受限或負載劇烈波動的場景下，本方法能夠優(yōu)先保障關鍵視頻流的質(zhì)量，優(yōu)化整體系統(tǒng)性能，為遠程協(xié)作、實時監(jiān)控等多用戶交互場景提供了可靠的技術支持，極大地提升了用戶體驗和系統(tǒng)運行效能。本發(fā)明提供的基于動態(tài)優(yōu)先級的多路視頻流協(xié)同傳輸方法，具體流程圖參閱圖4,具體方案如下：實時采集與多路視頻數(shù)據(jù)處理任務關聯(lián)的任務上下文特征參數(shù)、系統(tǒng)資源狀態(tài)參數(shù)、用戶行為響應數(shù)據(jù)和計算節(jié)點負載參數(shù)，所述任務上下文特征參數(shù)包括用戶操作焦點坐標、應用事件觸發(fā)序列和預定義任務規(guī)則集；用戶操作焦點坐標通過輸入設備(如鼠標、觸摸屏)實時記錄用戶的操作焦點位置及時間戳t,形成時序數(shù)據(jù)序列，反映了用戶當前的關注點；應用事件觸發(fā)序列記錄應用內(nèi)的事件，例如按鈕點擊、視頻切換等，形成事件序預定義任務規(guī)則集根據(jù)應用場景定義的優(yōu)先級規(guī)則，例如“視頻會議中，發(fā)言者視頻流優(yōu)先級高于聽眾視頻流”,以規(guī)則形式存儲，如{規(guī)則1:“發(fā)言者優(yōu)先”,規(guī)則2:“高清模[0037]系統(tǒng)資源狀態(tài)參數(shù)包括CPU使用率、內(nèi)存占用和網(wǎng)絡CPU使用率通過系統(tǒng)API獲取當前CPU總體使用率及各核心使用率；內(nèi)存占用記錄總內(nèi)存、已用內(nèi)存和可用內(nèi)存；網(wǎng)絡帶寬監(jiān)測上傳和下載速度及帶寬利用率。[0038]用戶行為響應數(shù)據(jù)包括質(zhì)量反饋和交互頻率；統(tǒng)計單位時間內(nèi)用戶的操作次數(shù)，例如在1分鐘內(nèi)鼠標點擊5次，鍵盤輸入3次。[0039]計算節(jié)點負載參數(shù)包括節(jié)點CPU負載、節(jié)點內(nèi)存負載和節(jié)點網(wǎng)絡負載。[0040]構建優(yōu)先級分配模型對所述任務上下文特征參數(shù)進行模式識別，生成各路視頻數(shù)據(jù)處理任務的實時優(yōu)先級；進一步地，構建所述優(yōu)先級分配模型包括特征提取融合層、模式識別層和優(yōu)先級映射層；所述特征提取融合層對所述任務上下文特征參數(shù)進行預處理，對所述用戶操作焦點坐標提取時空特征、對所述應用事件觸發(fā)序列提取時序模式特征和對所述預定義任務規(guī)則集提取語義特征，通過對所述時空特征、時序模式特征和語義特征進行融合，生成綜合任務上下文狀態(tài)特征；用戶操作焦點坐標的時空特征：計算焦點移動速度：,單位為像素/秒，其中(x,y;,t;)為第i個特征在t時刻用戶的操作焦點位置，(x,y;)為第i個特征下的橫縱坐標，以屏幕左下角為原點，Vi為第i個特征下的焦點移動速度。[0041]計算停留時間Tstay:若連續(xù)k個時間點坐標變化小于閾值δ(如5像素),則停留時[0042]應用事件觸發(fā)序列的時序模式特征：使用滑動窗口(窗口大小w)計算事件頻率f:f=(窗口內(nèi)事件數(shù))/w。[0044]預定義任務規(guī)則集的語義特征：將上述特征加權求和，形成綜合任務上下文狀態(tài)特征向量F:[0046]所述模式識別層對融合的綜合任務上下文狀態(tài)特征F進行分類和聚類，識別任務使用K-means算法，將F劃分為k個簇，每個簇代表一種任務模式M(如“高優(yōu)先級交[0047]輸出當前任務模式M,M?表示“所述優(yōu)先級映射層依據(jù)映射函數(shù)將所述任務模式映射為優(yōu)先級分數(shù)，生成各路視頻數(shù)據(jù)處理任務的實時優(yōu)先級。[0048]進一步地，所述優(yōu)先級映射層生成各路視頻數(shù)據(jù)處理任務的實時優(yōu)先級的過程包獲取由所述模式識別層識別并輸出的任務模式到優(yōu)先級分數(shù)的關系獲得(如多層感知機MLP);將獲取的任務模式輸入到所述映射函數(shù)中進行計算，為每一個任務模式分配一個相應的優(yōu)先級分數(shù)P=MLP(M),生成各路視頻優(yōu)先級加權效能評估函數(shù)、預測內(nèi)存-計算單元占用率矩陣和調(diào)整資源約束條件下的梯度進一步地，所述任務調(diào)度策略生成模型包括資源需求評估層所述資源需求評估層根據(jù)所述實時優(yōu)先級和任務模式，視頻數(shù)據(jù)處理任務在未來一個周期內(nèi)需要的預資源分配方案，生成所述初始調(diào)度策略，所述初始調(diào)度策略包括據(jù)處理任務在獲得相同資源下的處理效率和對用戶體驗貢獻程度的基礎效能度量標準E?:生成所述預測內(nèi)存-計算單元占用率矩陣的過程包括：獲取運行過程中各路視頻用統(tǒng)計學分析(如線性回歸),識別并建立任務上下文特征參數(shù)組合與未來內(nèi)存、計算單元測內(nèi)存-計算單元占用率矩陣；其中內(nèi)存占用率Mpr生成所述初始調(diào)度策略，所述初始調(diào)度策略包括各任務分配到以及處理時間片；最大化總體加權效能預期