[發明專利]一種基于網絡流特征構造學習的加密視頻QoE評測方法

有效

• 申請號: 201810247832.1
• 申請日: 2018-03-23
• 公開（公告）號: CN108696403B
• 公開（公告）日: 2020-03-31
• 發明（設計）人: 唐爽;秦曉衛
• 申請（專利權）人: 中國科學技術大學
• 主分類號: H04L12/26
• 分類號: H04L12/26;G06N20/00
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 汪祥虬

1.一種基于網絡流特征構造學習的加密視頻QoE評測方法，包括：對于HTTP和HTTPS的基于TCP，和對于QUIC的基于UDP的加密或非加密HAS視頻業務的評測方法，從移動網絡核心網網關采集HAS視頻業務的網絡IP數據包，根據HAS播放器模型分析HAS視頻業務的網絡數據流特點，從網絡數據流中提取對視頻KQI表征性強的特征，利用機器學習方法對視頻QoE評測；其特征在于：通過網絡數據流的質量QoS參數以及HAS視頻業務特性分析提取與數據內容無關的網絡數據流特征，在此基礎上利用機器學習方法訓練并建立起網絡數據流特征與視頻KQI和視頻KQI與MOS的映射模型；具體操作步驟為：

(1)從數據采集平臺獲取基于網絡流特征構造學習的加密視頻QoE評測方法所需的網絡QoS參數；網絡QoS參數從HAS視頻業務的網絡數據包中解析獲得，基于TCP承載的HAS視頻網絡QoS參數包括實時下行速率、丟包率和往返時延RTT，基于UDP承載的HAS視頻的網絡QoS參數為下行速率；

(2)從數據采集平臺獲取基于網絡流特征構造學習的加密視頻QoE評測方法所需的HAS視頻KQI參數；KQI參數通過HAS視頻播放器播放日志獲取，包括初始緩沖延遲和視頻播放過程中的卡頓；

(3)從數據采集平臺獲取基于網絡流特征構造學習的加密視頻QoE評測方法所需的用戶MOS評分；MOS評分為用戶根據視頻觀看體驗的主觀評分，用戶根據觀看體驗好壞從低到高給出評分量為1～5分；

(4)HAS視頻業務的流量特點分析：HAS播放器下載每個視頻分段時會產生流量高峰，根據此特性從實時下行速率中提取HAS視頻分段；

(5)根據HAS視頻業務的初始緩沖階段數據流量的突發性特點，從下行速率中提取初始緩沖階段的HAS分段特征；利用這些特征結合視頻初始緩沖時延KQI，采用反向傳播神經網絡BPNN和隨機森林RF實現對視頻的初始緩沖時延建模；

(6)根據HAS視頻業務的視頻平穩播放階段數據流量相對平穩的特點，提取該階段的HAS分段特征，結合播放器日志中記錄的真實碼率，采用BPNN實現對視頻的平均碼率建模；

(7)利用提取的HAS分段計算一定數量分段時間內平均下行速率，對整個視頻過程中網絡質量的好壞進行評估，提取網絡質量較差處的包括HAS播放器模型參數特征、HAS視頻分段特征和網絡QoS特征的基于網絡數據流的特征；HAS播放器模型參數特征包括根據初緩時延和平均碼率估計得到的播放器緩沖區剩余視頻量BL和視頻量的變化量BV；HAS視頻分段特征為基于HAS視頻分段平均速率、間隔、數據量、丟包率和RTT的統計特征；網絡QoS特征為基于網絡實時速率、丟包率和RTT提取的統計特征；

(8)根據播放器日志將視頻按照卡頓次數和時長分為正常視頻、多次卡頓的視頻和嚴重卡頓的視頻三個類別；正常視頻即整個過程中流暢播放的視頻，多次卡頓的視頻即播放過程中卡頓次數大于1次的視頻，嚴重卡頓的視頻即卡頓總時長大于視頻播放時長的10％的視頻；

(9)根據基于網絡質量提取的HAS播放器模型參數特征、HAS視頻分段特征和網絡QoS特征，結合視頻的正常、多次卡頓和嚴重卡頓三個類別標簽，采用機器學習算法隨機森林RF分類器對其進行分別訓練建模，得到視頻卡頓、多卡與嚴重卡頓的檢測模型；

(10)在得到視頻卡頓和初始緩沖時延KQI的基礎上，結合用戶MOS體驗評分，采用回歸的方式建立上述KQI與MOS評分之間的映射模型。