基于深度Q网络的云演艺延迟敏感业务QoE优化

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。

QoE驱动的SDN网络高可用传输框架

针对复杂环境下单路传输可用性低且路径切换代价高的问题,本文提出一种用于高可用性传输服务的QoE驱动和SDN辅助MPTCP路径切换方案(QoE-driven and SDN-assisted MPTCP Path switching Scheme,QESMPS)。首先根据SDN架构下数据平面节点的介数中心性构建具有路径不相交的路径规划模型。其次采用双阶段策略分别执行带宽补偿与路径切换,加快传输受阻路径上子流的转移,实现以较低的吞吐量完成路径切换。最后,将Levy飞行引入到AOA模型更新中,防止算法过早收敛,增强跳出局部最优的能力,从而保证算法在对子流路径权重进行优化时达到最优。实验结果表明,本文提出的方法在执行子流路径切换时具有吞吐量波动范围更小、延迟更低以及抖动更小的优势。此外,改进AOA算法在计算最优权值向量时可获得更高的收敛效率。

高QoE的低时延智能网络数据传输调度算法

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。

3GPP R17 NR QoE标准进展及演进技术研究

5G新业务在用户体验方面提出新的要求,针对5G用户业务体验的保障、优化及提升成为业界重点关注的问题之一。3GPP R17版本开展支持5G用户业务体验端到端保障机制的标准研究与制定工作,研究并制定支持5G新业务的用户体验数据采集、优化等系列标准流程,并将在R18版本进一步增强用户业务体验的技术方案,更好地支持5G XR等新业务的高品质服务保障的需求。对3GPP R17和R18用户业务体验无线网技术解决方案进行分析研究,并结合5G新业务需求,展望该方案在增强5G网络高质量业务体验方面的广阔应用场景。

加强光宽QoE质差用户闭环管控,提升用户质差修复量效

光宽(光纤宽带)用户的互联网使用行为已然发生变化,更加趋向于视频类、游戏类等高带宽低时延的应用,用户对光宽业务的服务质量关注度提升。光宽QoE质差(业务感知差)修复工作缺少对质差用户的闭环管控与修复量效评估手段。通过建立光宽QoE质差指标与云网指标的关联映射,准确定位用户质差根因,利用大数据分析手段,借助预检预修体系,提升对光宽QoE质差用户修复工作的管控与主动服务能力,实现对光宽用户感知提升工作的正向牵引。此方法目前已在云网运营与装维(运营商安装与维护人员)一线推广,在节约人工成本,提升修复量效方面成效显著。

全景视频基于块的视口自适应传输方案综述

全景视频由于独特的沉浸式、交互式体验受到广泛关注。全景视频传输所需的高带宽、低时延给现有网络传输系统带来了挑战。基于tile(块)的视口自适应传输可以有效缓解全景视频所带来的传输压力,成为当前的主流方案和研究热点。通过分析基于tile的视口自适应传输方案的研究现状和发展趋势,对该传输方案的两个重要模块,即视口预测与码率分配进行论述,从不同视角归纳总结相关领域的方法。首先,基于全景视频传输框架对相关技术进行阐明;其次,从主、客观两个维度分别介绍评估传输系统性能的用户体验质量的指标;再后,分别从视口预测、码率分配两方面进行归纳,系统梳理经典的研究方法;最后,基于当前研究现状讨论全景视频传输的未来发展趋势。

用户体验质量(QoE)的模型与评价方法综述

随着信息时代的到来,新的多样性的信息服务大量涌现,人们对信息服务的要求也越来越高.为了获得用户对服务的认可,服务提供商必须确保良好的用户体验质量.因此,用户体验质量不仅成为学术界重要的研究课题之一,而且也成为工业界关键的服务评价指标之一.文中综述了用户体验质量的模型与评价方法等方面的工作.介绍了该领域的研究现状与进展,总结归纳了用户体验质量的影响因素、量化方法及三类评价方法学,重点讨论了几种具体的基于不同学科的用户体验质量的模型和评价方法.基于这些讨论,该文以视频流媒体服务为背景,提出了基于隐马尔可夫的用户体验质量模型,建立了基于随机模型的评价方法,对未来的研究方向进行了展望.

移动通信网的QoE测量及其量化方法

用户体验质量(QoE)是决定通信运营中用户忠诚度和市场份额的关键因素,当前各大通信运营商都在开展精细的QoE测量,并基于此建设QoE质量保证体系,力争在激烈的竞争中胜出。首先说明QoE、QoS和NP的概念及其之间的关系,然后探讨如何实施QoE测量、KPI到KQI的映射模型,并提供了一种具体的QoE量化方法,最后阐述了如何构建QoE质量保证体系开展精细化网络运维,提供差异化业务服务。

一种基于QoS的QoE到SLA映射方法

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。

多用户MIMO-OFDM系统基于QoE效用函数的跨层资源分配

对多用户MIMO-OFDM系统下行链路的资源分配问题进行了研究。依据实时(RT,real-time)和非实时(NRT,non real-time)业务的不同特点分别设计了QoE效用函数,并提出一种基于RT&NRT QoE效用函数的跨层资源分配算法。该算法利用所设计的效用函数计算用户分得资源所贡献的QoE增量,并根据由QoE增量确定的用户优先级完成时频资源块的分配,进而通过"拟注水"方式对功率分配进行优化。仿真结果表明,该算法相比已有算法在用户平均QoE、实时业务平均分组时延、非实时业务平均分组丢失率以及系统和吞吐量方面的性能均得到了明显改善。

QoE驱动的VR视频自适应采集与传输

在虚拟现实(VR)视频流媒体传输中,如何在带宽受限的条件下提高用户的质量体验(QoE)是一项巨大的挑战。为了更好地提高资源利用率和用户的QoE,提出了一个面向多用户的QoE驱动上下行链路联合的VR视频流媒体自适应采集与传输系统。与传统的VR视频无线传输系统不同的是,所提系统考虑了上行传输部分。其中,视频服务器根据上行链路和下行链路的带宽信息、用户的实时视角信息,以速率自适应为基础进行码率选择和资源分配。定义了QoE驱动的码率选择和资源分配问题,以最大化整个系统所有用户的QoE值。提出了联合KKT条件和分支定界法的速率自适应选择算法。实验结果表明:所提系统可以有效提高所有用户的QoE值,与上行链路平均分配资源算法相比,系统QoE值提高了14.27%,同时与传统的VR视频速率自适应算法相比,系统QoE值提高了23.47%。

LTE-A中基于QoE的无线资源分配算法

对未来无线网络服务进行分析,反映出用户体验质量(QoE)将成为未来无线网络服务的主要目标。通过对LTEA中不同业务的QoE研究以及系统公平性分析,以用户QoE作为资源调度的分配依据,基于经典比例公平算法提出一种基于QoE的比例公平调度算法(QoE-PF算法),提升系统用户QoE的公平性。仿真结果表明,QoE-PF算法具有良好的用户QoE公平性。

HTTP移动流媒体QoE管理综述

随着移动通信网络和技术的快速发展,多媒体信息的大量涌现,人们对多媒体信息服务的要求也越来越高.基于HTTP协议的移动流媒体由于拥有广泛运营基础的Web服务器网络环境,部署简单,适用范围广泛等优点成为研究的热点.简要介绍了HTTP移动流媒体的相关特点,重点分析了影响HTTP移动流媒体用户体验质量的各层因素,归纳总结了评价方法和现有的工具,并对HTTP移动流媒体相应的优化进行了介绍,最后对HTTP移动流媒体QoE管理进行了总结和展望.

一种面向边缘计算QoE的服务组合及调度方法

在边缘计算资源协同与调度QoE优化前提下,对两阶段边缘服务组合及调度提出一种改进的天牛须粒子群算法.该算法将天牛须搜索算法中的天牛抽象成粒子,将单个个体的天牛须搜索算法拓展至群体,并引入二阶振荡机制和动态因子.不仅改进了位置更新公式和动态参数机制,改进群体觅食时的位置更新时的动态参数机制,丰富了群体移动时的位置多样性,并且提高了算法的全局搜索能力.通过QoE限制条件下的服务组合与调度仿真实验结果分析得出,该算法能够在满足用户请求QoE的条件下使得请求的整体执行时间开销达到最小.

一种基于QoE量化评估的服务选择算法

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%.

网络传输中IPTV的QoE评估模型的研究

IPTV是一种基于Internet的多媒体网络服务,由于Internet本身的不可靠性,使其在网络传输过程中无法保证服务质量。为了实时定量评估IPTV服务质量,提出了一种基于IPTV的用户体验评估模型,通过建立从网络服务质量QoS到用户体验质量QoE的映射关系,借助QoS测量技术,以实现针对QoE的在线评估。实验建立IPTV仿真平台,模拟真实网络环境下IPTV媒体流传输的整个过程,实现网络损伤QoS可控和QoE可测。针对不同编码和不同内容的视音频,分别建立独立的QoE评估模型。同时考虑到模型对数据精度和计算速度的需求,给出优化的QoE评估模型。实验结果表明,该评估模型与实际用户体验具有较高的拟合度。

基于QoE的VoIP带宽分配机制研究

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。

浅析移动通信网络中的QoE

本文分析了QoE(体验质量)与其他概念(QoS、KPI/KQI)之间的关系,详细列举了各标准组织对QoE的研究现状,并对QoE未来的发展趋势做出预测,最后站在运营商的角度阐述了QoE研究的重要意义和可以着手开展的研究工作。

移动网络加密YouTube视频流QoE参数识别方法

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.

基于广义线性模型的QoE评估方法研究

基于简化的广义线性模型,建立了QoE等级概率分布回归模型。该模型能够通过网络QoS参数映射得到用户QoE等级累积概率分布。采用最大似然估计完成了对模型参数的估计,并使用皮尔逊方法对模型的拟合优度进行了检验。Web业务的QoE评估实例验证了方法的有效性。