基于QoS-QoE预测的传输瓶颈定位

在实时音视频传输中,QoS指标反映服务端可感知的网络情况,QoE指标直接体现用户侧对视频业务的满意程度,尽管QoE指标是服务提供商更为关注的指标,但是由于接口适配和用户隐私保护等问题,云服务提供商往往不能实时获得QoE数据,因此无法及时对可能发生的QoE异常进行预测并采取优化措施。由于QoS-QoE存在一定映射关系,提出一种基于服务端的QoS指标实现对QoE指标进行瓶颈检测的模型,可以减少运维人员定位的工作量,提高网络优化效率。模型使用不平衡决策树进行QoS-QoE预测,实现QoE异常检测。使用LSTM回归模型进行因果分析,实现瓶颈定位。实验表明该模型对QoE异常检测有较高准确率,并且可以发掘传输过程中对传输结果影响较大的QoS指标。

基于BP神经网络QoS到QoE映射模型

随着互联网的发展,基于语音和视频的网络应用服务层出不穷,人们开始不仅仅满足于知道网络QoS参数,更加关注网络服务的好坏,即QoE评价指标。目前常用的视频QoE评价的方法是基于图像评价的算法如PSNR算法、VQM评价算法等。这些算法需要原始视频图像进行对比,较为复杂,实时性差。本文研究了一种基于BP神经网络的QoS到流媒体QoE映射模型,使用抖动和丢包两个网络QoS参数作为输入层神经元,基于VQM算法的QoE评价值作为输出层神经元。使用若干组QoS和QoE数据训练该BP神经网络,分别使用单隐含层BP神经网络和多隐含层BP神经网络进行效果对比,之后使用该神经网络和QoS参数对QoE评价值进行预测,并与QoE实际值比较验证。得到基于BP神经网络的QoS到QoE的映射模型。该模型较为简单,拟合度高,RMS误差较小。