基于TCP視頻流的多層視頻體驗(yàn)質(zhì)量評(píng)價(jià)方法研究

鐘?？?林海濤

【摘 要】針對(duì)網(wǎng)絡(luò)性能的參數(shù)不能有效評(píng)估TCP視頻流體驗(yàn)質(zhì)量的問(wèn)題，提出了一種客觀多層視頻體驗(yàn)質(zhì)量評(píng)價(jià)方法。該方法有兩個(gè)步驟。在第一步中，考慮到視頻播放性能參數(shù)對(duì)體驗(yàn)質(zhì)量的影響，提出了三個(gè)新穎的應(yīng)用層參數(shù)；在對(duì)網(wǎng)絡(luò)狀態(tài)參數(shù)進(jìn)行研究的基礎(chǔ)上，提煉出高級(jí)網(wǎng)絡(luò)層參數(shù)；對(duì)網(wǎng)絡(luò)層參數(shù)和應(yīng)用層指標(biāo)之間的關(guān)系進(jìn)行推導(dǎo)和計(jì)算。在第二步，對(duì)應(yīng)用層指標(biāo)與體驗(yàn)質(zhì)量進(jìn)行測(cè)試。在實(shí)際網(wǎng)絡(luò)下的仿真和測(cè)試實(shí)驗(yàn)顯示，本文提出的方法能夠很好的評(píng)價(jià)TCP視頻流體驗(yàn)質(zhì)量。

【關(guān)鍵詞】體驗(yàn)質(zhì)量；TCP；應(yīng)用層參數(shù)；網(wǎng)絡(luò)層參數(shù)；BPNN

0 引言

在過(guò)去的幾年中，在線視頻業(yè)務(wù)數(shù)量飛速增長(zhǎng)，據(jù)估計(jì)到2017年在線視頻播放消費(fèi)將增加到總體視頻消費(fèi)量的69%[1]。隨著視頻流量的不斷增加，視頻業(yè)務(wù)的質(zhì)量是否被用戶認(rèn)可成為了擺在視頻網(wǎng)站、內(nèi)容提供者、流媒體服務(wù)商和網(wǎng)絡(luò)運(yùn)營(yíng)商面前的一個(gè)重要和急迫的問(wèn)題[2]，而目前對(duì)視頻業(yè)務(wù)質(zhì)量的研究中，各種算法和方案都存在不同程度的局限性，無(wú)法準(zhǔn)確的反應(yīng)用戶的主觀感受，所以研究面向視頻流媒體業(yè)務(wù)的用戶體驗(yàn)質(zhì)量評(píng)價(jià)具有重要的社會(huì)意義與較大的經(jīng)濟(jì)價(jià)值。

目前獲取網(wǎng)絡(luò)視頻的手段很豐富，主要有網(wǎng)絡(luò)電視、視頻分享網(wǎng)站、P2P視頻等?；赥CP協(xié)議傳播的網(wǎng)絡(luò)視頻已經(jīng)超過(guò)基于HTTP協(xié)議的網(wǎng)絡(luò)視頻。本文算法是對(duì)TCP視頻進(jìn)行體驗(yàn)質(zhì)量評(píng)價(jià)。

本文提出了一種基于TCP視頻流的客觀的分層體驗(yàn)質(zhì)量評(píng)價(jià)方法?？紤]到視頻播放性能參數(shù)對(duì)體驗(yàn)質(zhì)量的影響，本文提出了三個(gè)新穎的應(yīng)用層參數(shù)：初始緩沖延時(shí)（IBD），后續(xù)緩沖時(shí)間均值（RBDM）和后續(xù)緩沖頻率（RBF）；研究了網(wǎng)絡(luò)性能對(duì)視頻播放性能的影響機(jī)制，并提出了網(wǎng)絡(luò)層參數(shù)；對(duì)網(wǎng)絡(luò)層參數(shù)和應(yīng)用層參數(shù)的關(guān)系進(jìn)行分析量化；利用應(yīng)用層參數(shù)通過(guò)主管測(cè)試對(duì)體驗(yàn)質(zhì)量進(jìn)行評(píng)價(jià)。最后，通過(guò)在實(shí)際網(wǎng)絡(luò)下的仿真和測(cè)試實(shí)驗(yàn)，顯示本文提出的方法能夠很好的評(píng)價(jià)TCP視頻流體驗(yàn)質(zhì)量。

1 網(wǎng)絡(luò)層參數(shù)和應(yīng)用層參數(shù)

本節(jié)首先提出了三個(gè)影響TCP視頻體驗(yàn)質(zhì)量的幾個(gè)重要的應(yīng)用層參數(shù)和網(wǎng)絡(luò)層參數(shù)，然后分析計(jì)算了網(wǎng)絡(luò)層參數(shù)和應(yīng)用層參數(shù)的關(guān)系。

1.1 應(yīng)用層性能參數(shù)

對(duì)于基于TCP網(wǎng)絡(luò)傳輸協(xié)議的視頻流，如果TCP下載流量低于播放速度，視頻播放就會(huì)暫停并等待視頻數(shù)據(jù)[3]，多次的緩沖和卡頓嚴(yán)重地影響用戶的體驗(yàn)質(zhì)量?？紤]視頻回放狀態(tài)和對(duì)體驗(yàn)質(zhì)量的影響，提出三個(gè)可量化的應(yīng)用層性能指標(biāo)量化視頻回放狀態(tài)，它們是：

1）初始緩沖延時(shí)（用IBD表示）：這個(gè)參數(shù)表示視頻從開(kāi)始緩沖到開(kāi)始播放之間的時(shí)間間隔。

2）后續(xù)緩沖時(shí)間均值（用RBDM表示）：這個(gè)參數(shù)表示整個(gè)視頻播放過(guò)程中多次緩沖時(shí)間的平均值。

3）后續(xù)緩沖頻率（用RBF表示）：這個(gè)參數(shù)表示整個(gè)視頻播放過(guò)程中出現(xiàn)緩沖情況的頻率。

1.2 網(wǎng)絡(luò)層性能參數(shù)

TCP視頻在傳送過(guò)程中的網(wǎng)絡(luò)信道不同，視頻質(zhì)量降低的程度也不同。用來(lái)衡量網(wǎng)絡(luò)性能的參數(shù)有丟包、延遲和分組重傳 [4]。本節(jié)對(duì)網(wǎng)絡(luò)狀態(tài)如何影響視頻應(yīng)用層參數(shù)和用戶體驗(yàn)的問(wèn)題進(jìn)行研究。在這里需要通過(guò)測(cè)量高層網(wǎng)絡(luò)性能參數(shù)來(lái)得到各種網(wǎng)絡(luò)條件。

在TCP流媒體視頻傳輸中，視頻接收器需要建立播放緩沖區(qū)來(lái)消除或減少網(wǎng)絡(luò)吞吐量波動(dòng)帶來(lái)的影響。

視頻流傳輸和播放的過(guò)程就像一個(gè)漏水的水桶，視頻傳輸是數(shù)據(jù)流入，視頻播放是數(shù)據(jù)流出。當(dāng)視頻播放時(shí)會(huì)出現(xiàn)三種情況：當(dāng)TCP平均吞吐量η大于播放速度λ時(shí)，如果接收器的緩沖區(qū)足夠大并且初始緩沖后視頻平滑播放，緩沖區(qū)占用就會(huì)持續(xù)增加。當(dāng)TCP平均吞吐量η等于播放速度λ時(shí)，接收器的緩沖區(qū)占用量保持在緩沖量最大值Bmax附近，并且視頻除了在初始時(shí)需要緩沖，后續(xù)播放基本不再需要緩沖；然而當(dāng)TCP平均吞吐量η小于播放速度λ時(shí)，視頻播放時(shí)會(huì)出現(xiàn)多次暫停和等待，只有當(dāng)存儲(chǔ)在緩沖區(qū)的數(shù)據(jù)達(dá)到Bmax附近是才會(huì)重新播放。所以對(duì)于一個(gè)特定的視頻接收器，網(wǎng)絡(luò)吞吐量決定了視頻性能參數(shù)和用戶體驗(yàn)質(zhì)量。

1.4 仿真實(shí)驗(yàn)和分析

本節(jié)通過(guò)仿真實(shí)驗(yàn)驗(yàn)證網(wǎng)絡(luò)層參數(shù)和應(yīng)用層指標(biāo)之間的關(guān)系。

實(shí)驗(yàn)仿真平臺(tái)由一個(gè)基于Apache Tomacat8.0開(kāi)發(fā)的網(wǎng)絡(luò)多媒體服務(wù)器、路由器和客戶端電腦組成。服務(wù)器上存儲(chǔ)多個(gè)FLV格式視頻供客戶端電腦下載和在線播放。通過(guò)設(shè)置路由參數(shù)對(duì)網(wǎng)絡(luò)狀態(tài)進(jìn)行控制，路由器網(wǎng)絡(luò)參數(shù)的設(shè)置情況如表1所示。

由表1可知，網(wǎng)絡(luò)的丟包率設(shè)置為0%-10%，路由器延時(shí)設(shè)置為0-500ms來(lái)模擬真實(shí)網(wǎng)絡(luò)情況。根據(jù)丟包率和延時(shí)的間隔不同，整個(gè)模擬網(wǎng)絡(luò)共有16×16=256種網(wǎng)絡(luò)狀態(tài)。

在客戶端主機(jī)上，運(yùn)行了一個(gè)基于谷歌瀏覽器開(kāi)發(fā)的網(wǎng)頁(yè)應(yīng)用來(lái)記錄在視頻播放時(shí)應(yīng)用層三個(gè)參數(shù)的值。在每種網(wǎng)絡(luò)狀態(tài)下，客戶端主機(jī)從服務(wù)器上下載視頻三次并播放，取三次播放是參數(shù)的平均值作為實(shí)驗(yàn)結(jié)果。

通過(guò)實(shí)驗(yàn)結(jié)果分析發(fā)現(xiàn)當(dāng)丟包率和RTT增加時(shí)，Dinit，Drb，F(xiàn)rb都會(huì)增加，單影響效果并不盡相同。與Drb和Frb相比，Dinit的預(yù)測(cè)錯(cuò)誤更大。這是因?yàn)槲覀冊(cè)谀MTCP傳輸時(shí)假設(shè)網(wǎng)絡(luò)吞吐速率是平穩(wěn)的，較大的誤差來(lái)源于TCP初次建立連接時(shí)逐漸變化的擁塞窗口。

2 體驗(yàn)質(zhì)量評(píng)估

在上節(jié)我們通過(guò)仿真實(shí)驗(yàn)和分析得出了網(wǎng)絡(luò)層參數(shù)和應(yīng)用層參數(shù)之間的關(guān)系。本節(jié)建立了從應(yīng)用層參數(shù)到用戶體驗(yàn)質(zhì)量的映射關(guān)系。

在本文中，我們使用單一刺激法對(duì)140個(gè)年齡在20到40歲的人進(jìn)行主觀測(cè)試。試驗(yàn)中他們被隨機(jī)平均分成4組，同時(shí)三組視頻序列也是隨機(jī)分配的。每個(gè)測(cè)試人員在保證沒(méi)有視覺(jué)疲勞的情況下觀看65個(gè)視頻序列并打分。通過(guò)主觀實(shí)驗(yàn)評(píng)價(jià)方法，作者得到35組平均意見(jiàn)得分，然后通過(guò)置信區(qū)間分析去除了部分不可靠數(shù)據(jù)。最后設(shè)計(jì)了一個(gè)BPNN模型來(lái)建模應(yīng)用層參數(shù)和體驗(yàn)質(zhì)量之間的關(guān)系并對(duì)樣本數(shù)據(jù)進(jìn)行歸一化處理和訓(xùn)練。BPNN模型的訓(xùn)練效果如圖2所示。

回歸R值表示輸出值和目標(biāo)值之間的相關(guān)性，從圖2中可以看出回歸R值幾乎達(dá)到100%，這表示估計(jì)平均意見(jiàn)得分的和主觀的平均意見(jiàn)得分幾乎一致。

經(jīng)過(guò)計(jì)算得到模型的均方差和回歸R值計(jì)算得到，均方差值為0.028681，回歸R值為96.07%，這表明估計(jì)平均意見(jiàn)的分和主觀平均意見(jiàn)得分有高度的相關(guān)性，證明了本文的評(píng)價(jià)方法性能良好。

3 結(jié)論

本文提出了一種客觀多層視頻體驗(yàn)質(zhì)量評(píng)價(jià)方法，該方法將體驗(yàn)評(píng)價(jià)分為兩步，第一步建立網(wǎng)絡(luò)層參數(shù)和應(yīng)用層參數(shù)的相關(guān)函數(shù)，第二步建立應(yīng)用層參數(shù)到體驗(yàn)質(zhì)量的映射模型。

考慮到視頻播放性能參數(shù)影響體驗(yàn)質(zhì)量，本文提出了三個(gè)應(yīng)用層指標(biāo)量化視頻播放狀態(tài)。此外，分析了網(wǎng)絡(luò)條件對(duì)應(yīng)用層三個(gè)指標(biāo)的影響。通過(guò)對(duì)兩種參數(shù)的相關(guān)性的仿真和分析證明了上述方法的可以有效評(píng)價(jià)TCP視頻體驗(yàn)質(zhì)量。在以后的工作中，我們將針對(duì)用戶的行為對(duì)視頻體驗(yàn)的影響進(jìn)行進(jìn)一步研究。

【參考文獻(xiàn)】

[1]Hübsch C， Waldhorst O P， Hock M. Distributed WiFi detection and integration in dense urban mobile Peer-to-Peer networks[J]. Peer-to-Peer Networking and Applications， 2012，5（4）：323-339.

[2]盧國(guó)慶，李均利，陳剛，等.基于運(yùn)動(dòng)信息和結(jié)構(gòu)信息的視頻質(zhì)量評(píng)價(jià)方法[J].計(jì)算機(jī)仿真，2010，27（6）：262-266.

[3]何葉明，李綱，余鳳霞.基于HVS特征參數(shù)提取的視頻質(zhì)量評(píng)價(jià)四元數(shù)模型[J].計(jì)算機(jī)應(yīng)用與軟件，2014，31（7）：132-136.

[4]Klein L， Schlunzen H， Von S K. An Advanced Motion Detection Algorithm With Video Quality Analysis for Video Surveillance Systems[J]. IEEE Transactions on Circuits & Systems for Video Technology， 2011，21（1）：1-14.

[5]魏耀都，謝湘，匡鏡明，等.移動(dòng)視頻質(zhì)量評(píng)價(jià)方法及發(fā)展趨勢(shì)[J].電信科學(xué)，2010，26（3）.

[6]Chen M J，Bovik A C.No-reference image blur assessment using multiscale gradient[J].EURASIP Journal on Image and Video Processing，2013，3：1-11.

[7]Lin W S，Kuo C C J.Perceptual visual quality metrics：a survey[J].Journal of Visual Communication and Image Representation，2011，22（4）：297-312.

[8]Sheikh H R，Bovik A C.Image information and visual quality[J].IEEE Transactions on Image Processing，2006，15（2）：430-444.

[9]王志明.無(wú)參考圖像質(zhì)量評(píng)價(jià)綜述[J].自動(dòng)化學(xué)報(bào)，2015，41（6）：1062-1079.

[10]Soleimani S，Rooms F，Philips W，Efficient blur estimation using multi-scale quadrature filters.Signal processing，2013，93（7）：1988-2002.

[責(zé)任編輯：湯靜]