一种负载均衡的视频监控系统的制作方法

本发明涉及视频监控领域，尤其涉及一种负载均衡的视频监控系统。

背景技术：

1、视频监控系统在安防领域有着广泛的应用，是安防建设的重点。随着前端设备和监控系统功能的不断增加，视频监控系统的稳定性和实时性受到了挑战，成为研究重点。

2、传统的视频监控系统通常由流媒体服务器获取前端设备的视频流数据后进行格式转换，然后传输至视频客户端播放。由此可见，流媒体服务器不但要接收前端设备推送的视频流数据，而且要将视频流数据进行格式转换和分发，承担着高并发处理任务。为了提高视频监控系统的稳定性和可靠性，现有的监控系统通常建立流媒体服务器集群，将大规模前端设备同时接入的视频流数据按照负载均衡的策略分配给集群中不同的节点。但是，集群中的节点仍然承受着后端视频流数据处理的压力，计算量大，存在一定宕机风险。并且，目前现有的负载均衡策略往往忽略了不同节点实时性能的差异，很难保证整个集群节点间真正的负载均衡。

技术实现思路

1、鉴于上述分析，本发明旨在提供一种负载均衡的视频监控系统，用以解决现有视频监控方法稳定性不足、视频流数据处理计算量大、集群节点间负载不均衡的问题。

2、本发明提供了一种负载均衡的视频监控系统，所述系统包括：

3、流处理集群，用于接收前端设备推送的视频流数据，对所述视频流数据进行解密、格式转换后发布到视频中间件集群；

4、视频中间件集群，用于将接收到的视频流数据输入深度卷积网络得到特征图并将所述特征图通过消息队列分发给视频监控客户端；

5、服务协调模块，用于为流处理集群、视频中间件集群进行任务调度；

6、视频监控客户端，用于将接收到的特征图输入超分辨率网络进行重构及编码转换，实现视频播放和录像回放。

7、进一步地，所述超分辨率网络包括srgan网络和掩码层，所述srgan网络用于重构图像，所述掩码层用于去除重构图像的噪声；所述掩码层包括依次相连的3个卷积单元，所述卷积单元包括相连的卷积层和激活函数。

8、进一步地，所述流处理集群采用分布式架构，包含多个子节点；所述视频中间件集群包含多个子节点；所述服务协调模块采用分布式集群模式部署，包含主节点和若干从节点，还用于对流处理集群、视频中间件集群、录像存储模块进行服务注册。

9、进一步地，所述深度卷积网络包括骨干网络和头部网络，用于得到不同尺寸的特征图；

10、所述骨干网络包括第一卷积单元、第二卷积单元、第三卷积单元、第四卷积单元、融合层，所述头部网络包括sppf池化模块、上采样单元、第一注意力单元、第二注意力单元、融合层。

11、进一步地，第一卷积单元包括依次相连的6个卷积层，第二、第三卷积单元均包括依次相连的3个卷积层，第四卷积单元包括依次相连的2个卷积层；

12、输入图像通过第一卷积单元得到特征图a1、a2、a3、a4；a4通过并联的第二、第三卷积单元的卷积操作得到的特征图进行融合得到特征图b4；b4通过第四卷积单元的卷积操作得到的特征图与b4进行融合得到特征图c4。

13、进一步地，第一、第二注意力单元均包括依次相连的cbam注意力模块、卷积层、上采样层；

14、c4通过上采样单元采样后的特征图与a3进行融合得到特征图c3；c3通过第一注意力单元处理后的特征图与a2进行融合得到特征图c2；c2通过第二注意力单元处理后的特征图与a1进行融合得到特征图c1；c4通过sppf池化模块得到特征图d4。

15、进一步地，所述任务调度的方法包括以下步骤：

16、为集群中的每个节点分配资源并进行注册，获取所述集群待执行任务及待执行任务所需的资源并提交至集群任务队列；

17、对所述集群任务队列中的待执行任务，执行如下步骤直至遍历完所有的待执行任务：

18、根据所述集群中每个节点资源的使用情况的历史值和当前值以及待执行任务所需的资源，基于bp神经网络模型构建候选节点集合；

19、将所述集群任务队列中的任务按照动态平滑加权轮询算法分配给候选节点集合中的节点。

20、进一步地，所述动态平滑加权轮询算法包括以下步骤：

21、获得候选节点集合中每个节点的当前配置权重，用每个节点的当前有效权重加上其当前配置权重作为其更新的有效权重；

22、获取候选节点集合中所有节点的配置权重之和；

23、选取有效权重最大的节点，将任务分配给该节点，用其有效权重减去所述配置权重之和作为其更新后的有效权重；

24、执行任务，根据该节点当前实际的资源使用情况获得其更新后的配置权重。

25、进一步地，采用如下配置权重公式得到节点的配置权重：

26、wini＝p1(αcpu+βgpu)+p2mem+p3disk

27、其中，wini为节点的配置权重，cpu为该节点的cpu使用率，gpu为该节点的gpu使用率，mem为该节点的内存使用率，disk为该节点的磁盘使用率，p2为该节点内存使用率的权重，p3为该节点磁盘使用率的权重，α·p1为该节点cpu使用率的权重，β·p1为该节点gpu使用率的权重，p1+p2+p3＝1，α+β＝1。

28、进一步地，所述卷积层包括依次相连的卷积模块、批归一化层和激活函数；

29、所述激活函数为：

30、f(x)＝α*x*t(s(x))

31、

32、

33、其中，α为0.01，x为输入，f(x)为输出。

34、与现有技术相比，本发明至少可实现如下有益效果之一：

35、1、本发明通过轻量化的深度卷积网络提取特征图减少了视频流数据处理的计算量，降低了消息队列中的数据容量，提高了视频监控的实时响应速度。

36、2、本发明通过掩码层的输出与超分辨率骨干网络的输出相乘进行图像重构，消除了重构图像中的噪声，提高了重构图像的质量。

37、3、本发明对目标检测模型卷积层的激活函数进行改进，在输入较大时输出在一个较小的范围，在保持非线性的同时避免出现过拟合。

38、4、本发明通过流处理集群、视频中间件集群、分布式集群模式部署的服务协调模块，将视频流数据处理、分发、调度任务分别分配给各集群中不同的节点进行处理，避免了单机故障对系统造成影响，保证了系统服务不中断，从而提高了视频监控系统的稳定性和可靠性。

39、5、本发明对视频流数据通过json格式进行封装，通过消息队列进行缓存，通过消息订阅进行分发，提高了视频流数据分发的效率。

40、6、本发明使用动态平滑加权轮询算法，基于节点实际的资源使用情况将任务分配给候选节点集合中的节点，因此可以有效解决集群节点间负载不均衡的问题；改善了现有加权轮询算法调度序列分散不均匀的问题，避免了实际任务执行过程中节点负载突然加重、高负载节点过度任务分配的情况。

41、7、本发明使用bp神经网络模型，基于节点资源的历史使用情况预测节点资源使用率的增量，从而构建候选节点集合，缩小了节点选择的范围，因此可以提高任务分配的准确性和可靠性，同时避免了集群系统因执行新任务资源不足而崩溃。

42、本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。