基于視頻網(wǎng)絡(luò)的終端用戶視頻體驗建模

許方鏹

摘要：【目的】根據(jù)實驗數(shù)據(jù)分別建立用戶體驗評價變量初始緩沖時延和卡頓時長占比兩個因素與網(wǎng)絡(luò)側(cè)變量（初始緩沖峰值速率，播放階段平均下載速率，E2E RTT）之間的函數(shù)關(guān)系?！痉椒ā渴紫韧ㄟ^多元非線性函數(shù)，利用Matlab軟件進行建模，得出初始緩沖時延和網(wǎng)絡(luò)側(cè)變量的函數(shù)關(guān)系。而卡頓時長與網(wǎng)絡(luò)側(cè)變量沒有明顯的線性、非線性關(guān)系，所以采用BP神經(jīng)網(wǎng)絡(luò)來訓(xùn)練表示他們之間的關(guān)系?！窘Y(jié)論】得到了用戶體驗評價變量初始緩沖時延和卡頓時長占比兩個因素與網(wǎng)絡(luò)側(cè)變量之間的函數(shù)關(guān)系。

關(guān)鍵詞：統(tǒng)計回歸模型；多元非線性函數(shù)；人工神經(jīng)網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)模型

中圖分類號：TP393.0 文獻標識碼：A 文章編號：1009-3044（2018）24-0203-03

Abstract： [purpose]According to the experimental data， the relationship between the initial buffer delay and the carton duration of the user experience evaluation variable and the network side variable （initial buffer peak rate， average playback rate in the playback phase， E2E RTT） are established.[method]Firstly， the multi-linear function is used to model with Matlab software， and the relationship between the initial buffer delay and the network side variable is obtained. However， there is no obvious linear and nonlinear relationship between the Carton duration and the network side variables， so BP neural network is used to train and express the relationship between them.[result]The functional relationship between the initial buffer delay and the carton duration ratio of the user experience evaluation variable and the network side variable is obtained.

Key words： statistical regression model； multivariate nonlinear function； artificial neural network； BP neural network model

1 引言

據(jù)統(tǒng)計，近年來網(wǎng)絡(luò)視頻的用戶占我國網(wǎng)民用戶比例超過60%，視頻業(yè)務(wù)流量在網(wǎng)絡(luò)流量中的占比超過70%[1] 。隨著在移動智能終端上觀看網(wǎng)絡(luò)視頻的用戶越來越多，如何建立起評價用戶體驗的指標也已經(jīng)成為當前熱點研究課題。觀看網(wǎng)絡(luò)視頻影響用戶體驗的兩個關(guān)鍵指標是初始緩沖等待時間和在視頻播放過程中的卡頓緩沖時間，因此可以用初始緩沖時延和卡頓時長占比來定量評價用戶體驗。

2 問題分析與方法

2.1 初始緩沖時延及其主要影響因素的問題分析

在視頻業(yè)務(wù)中，影響視頻體驗指標vMOS的最關(guān)鍵因素之一是視頻初始緩沖等待時間，即初始緩沖時延，以此作為評價用戶體驗的指標，從而來研究初始緩沖時延及其主要影響因素的問題，對日益重要的視頻優(yōu)化工作開展有一定的指導(dǎo)意義[2]。

所求的第一個函數(shù)關(guān)系屬于統(tǒng)計數(shù)學(xué)問題，對于此問題，可采用統(tǒng)計回歸的方法來解決。根據(jù)《基于移動視頻的移動承載網(wǎng)絡(luò)要求》白皮書[3]，初始加載時間是由視頻解析階段和數(shù)據(jù)下載緩沖階段共同決定的，為了求出初始緩沖時延也網(wǎng)絡(luò)側(cè)變量的關(guān)系，引入中間變量初始下載平均速率，建立統(tǒng)計回歸模型，求出初始下載平均速率與網(wǎng)絡(luò)側(cè)變量的函數(shù)關(guān)系，即可得初始緩沖時延與網(wǎng)絡(luò)側(cè)變量的函數(shù)關(guān)系表達式。

2.2 卡頓時長占比及其主要影響因素的問題分析

針對所求的第二個函數(shù)關(guān)系，分析數(shù)據(jù)發(fā)現(xiàn)，卡頓時長是否為0取決于播放時間平均下載速率與視屏碼率的大小關(guān)系，滿足一定條件時卡頓時長為0，對于卡頓時長不為零的情況再另行分析。用類似于第一個函數(shù)的統(tǒng)計回歸模型，引入中間變量卡頓時長，求出卡頓時長與三個網(wǎng)絡(luò)側(cè)變量的多元非線性函數(shù)關(guān)系，若結(jié)果不理想，則建立人工神經(jīng)網(wǎng)絡(luò)模型中的BP神經(jīng)網(wǎng)絡(luò)模型進一步分析。

3 問題假設(shè)

（1）假設(shè)業(yè)務(wù)準備時延僅包括端到端環(huán)回時間（即忽略內(nèi)部準備階段）。

（2）假設(shè)TCP慢啟動過程包括在業(yè)務(wù)準備時延，且期間不進行任何數(shù)據(jù)傳輸。

（3）假設(shè)視頻碼率為2934 kbps。

（4）假設(shè)視頻播放階段總時長為30000ms。

（5）假設(shè)卡頓門限為0，即播放階段緩沖區(qū)沒有數(shù)據(jù)時出現(xiàn)卡頓。

（6）假設(shè)重播放門限為2.7s，乘以視頻碼率得到相應(yīng)的數(shù)據(jù)量，表示卡頓后緩沖區(qū)下載多少數(shù)據(jù)開始重新播放。

（7）假設(shè)初始緩沖量為4s，乘以視頻碼率得到初始緩沖階段需要下載的數(shù)據(jù)量。

4 結(jié)果與分析

4.1 模型一的建立與求解

通過對兩個函數(shù)的曲面圖與實際數(shù)據(jù)的散點圖的觀察對比，對現(xiàn)有的89266組數(shù)據(jù)構(gòu)成的散點圖來看，絕大多數(shù)的點都能契合在我們建立的最終模型的曲面圖上，這也從側(cè)面證明了我們模型的正確性。

4.2 模型二的建立與求解

4.2.1數(shù)據(jù)處理

4.2.2 BP神經(jīng)網(wǎng)絡(luò)模型的建立與求解

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，簡稱ANN）是一種非線性動態(tài)數(shù)學(xué)模型，廣泛應(yīng)用于非線性系統(tǒng)建模、系統(tǒng)辨識、函數(shù)逼近等方面[4]，具有很強的穩(wěn)定性、收斂性、魯棒性等良好性質(zhì)，在各種信息處理領(lǐng)域有著廣泛的應(yīng)用[5]。人工神經(jīng)網(wǎng)絡(luò)下的BP神經(jīng)網(wǎng)絡(luò)是一種具有三種或三種以上的多層神經(jīng)網(wǎng)絡(luò)，每一層都由若干神經(jīng)元構(gòu)成。

5 結(jié)論

問題一的統(tǒng)計回歸模型具有較高的擬合和預(yù)報精度，同時具有良好的穩(wěn)定性[7]。同時，在直接求解不易的情況下，引入中間變量，從而來簡化問題的計算。而問題二的神經(jīng)網(wǎng)絡(luò)模型研究涉及眾多學(xué)科領(lǐng)域，不僅可以解決本文的問題，還廣泛應(yīng)用于生物學(xué)、醫(yī)學(xué)等領(lǐng)域，這些領(lǐng)域互相結(jié)合、相互滲透并相互推動。

仍有不足的是問題二的模型在實際應(yīng)用中，存在一定的局限性（比如當權(quán)值收斂到某個值時，會出現(xiàn)局部最小值的現(xiàn)象，不能保證得到誤差全局最小值），并且網(wǎng)絡(luò)初始值和隱含層節(jié)點數(shù)的選取缺少理論指導(dǎo)[8]。

參考文獻：

[1] 成實，王浩東，王偉，等.基于互聯(lián)網(wǎng)DPI的視頻業(yè)務(wù)體驗質(zhì)量方法研究[A].軟件導(dǎo)刊，2017，16（02）： 141-143.

[2] 陳楚雄，柯江毅，覃道滿，視頻業(yè)務(wù)體驗評估和優(yōu)化提升討論[J]，郵電設(shè)計技術(shù)，2017（2）：17-23.

[3] 基于移動視頻的移動承載網(wǎng)絡(luò)要求白皮書，http：//www-file.huawei.com/～/media/CORPORATE/PDF/white%20paper/Technical-White-Paper-on-Mobile-Bearer-Network-Requirements-for-Mobile-Video-Services-cn.pdf，2017-06-10.

[4] 羅玉春，都洪基，崔芳芳.基于Matlab的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與函數(shù)逼近能力的關(guān)系分析[J]. 現(xiàn)代電子技術(shù)，2007（24）：88-90.

[5] 徐振東.人工神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型建立及成礦預(yù)測BP網(wǎng)絡(luò)的實現(xiàn)[D].吉林大學(xué)，2004.

[6] 楊力.基于BP神經(jīng)網(wǎng)絡(luò)的城市房屋租賃估價系統(tǒng)設(shè)計[J].中國管理科學(xué)，2002（04）：24-28.

[7] 陶云，曹杰，嚴華生，等. 一種新的統(tǒng)計回歸模型及其建模方案[J].大氣科學(xué)，1999（03）：333-339.

[8] 王曉娟.改進型BP神經(jīng)網(wǎng)絡(luò)構(gòu)造模糊集隸屬函數(shù)模型及應(yīng)用[J].自動化技術(shù)與應(yīng)用，2015（01）：1-5.

【通聯(lián)編輯：代影】