网络中的资源分配问题一直备受关注,特别是在超高清视频流的传输中,对资源的有效管理至关重要。然而,随着网络服务的多样化和不断增加的业务类型,传统的资源分配策略往往显得不够灵活和智能。深度Q网络(Deep Q-Network,DQN)是一种能够...网络中的资源分配问题一直备受关注,特别是在超高清视频流的传输中,对资源的有效管理至关重要。然而,随着网络服务的多样化和不断增加的业务类型,传统的资源分配策略往往显得不够灵活和智能。深度Q网络(Deep Q-Network,DQN)是一种能够自适应地学习和调整资源分配策略的神经网络模型。它基于神经网络与Q-Learning算法,通过不断尝试和学习来决策最佳的资源分配方案。本文旨在研究一种在云演艺场景下基于深度Q网络的延迟敏感业务资源调度算法,以满足当今网络中多样化的业务需求。仿真结果表明,基于深度Q网络的延迟敏感业务资源调度算法使得用户体验质量(Quality of Experience)指标显著提升,表明所提算法能够更好地满足延迟敏感业务的需求。展开更多
面向低时延、稳定传输、高用户体验质量(quality of experience,QoE)的网络实时传输需求场景,提出一种低时延智能网络数据传输调度算法。该算法由数据块排队控制策略和拥塞控制策略两部分组成。数据排队控制策略提出了综合数据块的创建...面向低时延、稳定传输、高用户体验质量(quality of experience,QoE)的网络实时传输需求场景,提出一种低时延智能网络数据传输调度算法。该算法由数据块排队控制策略和拥塞控制策略两部分组成。数据排队控制策略提出了综合数据块的创建时间和有效时限(effective time)的性价比模型,有效地解决了传输时间约束下的信息传输不均衡问题;拥塞控制策略提出了基于使用耿贝尔分布(Gumbel distribution)采样重参数化与混合经验优先级模型改进后的深度确定性策略梯度(deep deterministic policy gradient,DDPG)方法,解决了深度确定性策略梯度不适用于离散网络动作空间拥塞控制的问题,并通过学习自适应调整发送参数显著提升了网络拥塞控制质量。实验结果表明,实时传输场景下使用本文提出的排队算法能够有效提升QoE,采用改进后的DDPG进行拥塞控制能大幅降低传输时延。同样场景下,将提出的智能网络数据传输调度算法与排队策略及拥塞控制策略相结合,与传统的网络数据传输调度算法相比,能够更好地兼顾低时延和稳定传输,提供更高的数据传输质量。展开更多
该文提出一种算法IQoE2QoS(Improved QoE to QoS),采用模糊理论的方法计算QoE到QoS的映射。该算法有3重目标:从大量的经验数据中通过计算互信息量方式总结被统计指标之间的关联程度。在大量经验数据的基础上通过多指标模糊判定理论将用...该文提出一种算法IQoE2QoS(Improved QoE to QoS),采用模糊理论的方法计算QoE到QoS的映射。该算法有3重目标:从大量的经验数据中通过计算互信息量方式总结被统计指标之间的关联程度。在大量经验数据的基础上通过多指标模糊判定理论将用户感知映射到应用层用户QoS参数。考虑了用户的QoE和QoS的双向映射,并且阐述了得到的QoE如何自然映射到SLA(Service Level Agreement)。通过仿真表明,IQoE2QoS算法对用户体验的分类准确度是线性回归算法的2到3倍。展开更多
针对如何为互联网用户从多个相同或相似的服务中进行选择的问题,提出了一种新的服务选择算法:基于Qo E(Quality of Experience)量化评估的服务选择算法(A Service Selecting Algorithm Based on Quantified Qo E Evaluation,ASSABQ).该...针对如何为互联网用户从多个相同或相似的服务中进行选择的问题,提出了一种新的服务选择算法:基于Qo E(Quality of Experience)量化评估的服务选择算法(A Service Selecting Algorithm Based on Quantified Qo E Evaluation,ASSABQ).该算法基于一种层次化评分模型,从历史评分中学习获取用户偏好,根据多种评价因素计算每个可用服务的满意度,并选择满意度最高的服务给用户.与已知算法相比,ASSABQ算法的复杂度从O(n2)下降到O(n).仿真实验结果表明,在相同应用场景下,采用ASSABQ算法得到的用户满意度比已知算法提高约10%.展开更多
利用比例积分微分(PID)控制理论控制IP语音(VoIP)数据流带宽需求和用户体验(QoE)之间的平衡关系,并将该信息纳入带宽再分配模型中,提出一个基于QoE的带宽分配机制QBAV(QoE-based bandwidth allocation mechanism for VoIP application)...利用比例积分微分(PID)控制理论控制IP语音(VoIP)数据流带宽需求和用户体验(QoE)之间的平衡关系,并将该信息纳入带宽再分配模型中,提出一个基于QoE的带宽分配机制QBAV(QoE-based bandwidth allocation mechanism for VoIP application),它在满足用户期望QoE的同时兼顾带宽分配的公平性。理论证明该算法满足非线性问题最优化约束条件,所分配带宽满足目标函数全局收敛。仿真结果表明,该算法分别以低于传统NRG算法9%及最新FC-MDI-S算法15%的带宽满足了90%以上用户的期望QoE,避免了现有带宽分配机制针对小部分高优先级数据流的弊端,提高了VoIP业务的整体性能及网络利用效率。展开更多
移动视频业务应用广泛,流量占比高且持续增长.针对有限的移动网络带宽,如何合理地规划网络服务、提供优质的移动视频体验,需要客观的视频体验评估反馈网络服务提供商和视频服务运营商以改善网络利用率及传输方案.当前大多数视频服务质...移动视频业务应用广泛,流量占比高且持续增长.针对有限的移动网络带宽,如何合理地规划网络服务、提供优质的移动视频体验,需要客观的视频体验评估反馈网络服务提供商和视频服务运营商以改善网络利用率及传输方案.当前大多数视频服务质量评估方法都基于DPI(Deep Packet Inspection)方法获取视频播放信息以计算视频QoE(Quality of Experience).然而,为了保护用户隐私和网络安全,越来越多的视频采用HTTPS加密传输,使得传统的DPI方法无法获取码率和清晰度等QoE评估参数.因此,文中提出一种基于视频块统计特征的加密视频QoE参数识别方法(以代表性网络视频YouTube为例).首先,根据SSL/TLS协议握手过程中未加密部分识别HTTPS加密的YouTube流量.然后,根据视频流前若干个包的4种特征识别出HLS、DASH和HPD传输模式,再根据视频块统计特征建立机器学习模式识别视频块的码率和清晰度.实验结果表明该方法传输模式、码率和清晰度识别平均准确率分别达到98%、99%和98%,可以有效用于加密YouTube的QoE评估.展开更多
文摘网络中的资源分配问题一直备受关注,特别是在超高清视频流的传输中,对资源的有效管理至关重要。然而,随着网络服务的多样化和不断增加的业务类型,传统的资源分配策略往往显得不够灵活和智能。深度Q网络(Deep Q-Network,DQN)是一种能够自适应地学习和调整资源分配策略的神经网络模型。它基于神经网络与Q-Learning算法,通过不断尝试和学习来决策最佳的资源分配方案。本文旨在研究一种在云演艺场景下基于深度Q网络的延迟敏感业务资源调度算法,以满足当今网络中多样化的业务需求。仿真结果表明,基于深度Q网络的延迟敏感业务资源调度算法使得用户体验质量(Quality of Experience)指标显著提升,表明所提算法能够更好地满足延迟敏感业务的需求。
文摘针对如何为互联网用户从多个相同或相似的服务中进行选择的问题,提出了一种新的服务选择算法:基于Qo E(Quality of Experience)量化评估的服务选择算法(A Service Selecting Algorithm Based on Quantified Qo E Evaluation,ASSABQ).该算法基于一种层次化评分模型,从历史评分中学习获取用户偏好,根据多种评价因素计算每个可用服务的满意度,并选择满意度最高的服务给用户.与已知算法相比,ASSABQ算法的复杂度从O(n2)下降到O(n).仿真实验结果表明,在相同应用场景下,采用ASSABQ算法得到的用户满意度比已知算法提高约10%.
文摘利用比例积分微分(PID)控制理论控制IP语音(VoIP)数据流带宽需求和用户体验(QoE)之间的平衡关系,并将该信息纳入带宽再分配模型中,提出一个基于QoE的带宽分配机制QBAV(QoE-based bandwidth allocation mechanism for VoIP application),它在满足用户期望QoE的同时兼顾带宽分配的公平性。理论证明该算法满足非线性问题最优化约束条件,所分配带宽满足目标函数全局收敛。仿真结果表明,该算法分别以低于传统NRG算法9%及最新FC-MDI-S算法15%的带宽满足了90%以上用户的期望QoE,避免了现有带宽分配机制针对小部分高优先级数据流的弊端,提高了VoIP业务的整体性能及网络利用效率。
文摘移动视频业务应用广泛,流量占比高且持续增长.针对有限的移动网络带宽,如何合理地规划网络服务、提供优质的移动视频体验,需要客观的视频体验评估反馈网络服务提供商和视频服务运营商以改善网络利用率及传输方案.当前大多数视频服务质量评估方法都基于DPI(Deep Packet Inspection)方法获取视频播放信息以计算视频QoE(Quality of Experience).然而,为了保护用户隐私和网络安全,越来越多的视频采用HTTPS加密传输,使得传统的DPI方法无法获取码率和清晰度等QoE评估参数.因此,文中提出一种基于视频块统计特征的加密视频QoE参数识别方法(以代表性网络视频YouTube为例).首先,根据SSL/TLS协议握手过程中未加密部分识别HTTPS加密的YouTube流量.然后,根据视频流前若干个包的4种特征识别出HLS、DASH和HPD传输模式,再根据视频块统计特征建立机器学习模式识别视频块的码率和清晰度.实验结果表明该方法传输模式、码率和清晰度识别平均准确率分别达到98%、99%和98%,可以有效用于加密YouTube的QoE评估.