网络视频业务流的特征选择与识别研究

摘要

随着互联网和流媒体技术的发展，网络视频业务在网络流量中所占的比例不断攀升。网络视频业务分类能够帮助ISP（Internet Service Provider）依据不同视频业务的QoS（Quality of Service）需求等级分配不同的网络资源，从而更合理地规划网络，提高网络资源利用率。
　　本文针对7种典型的网络视频业务（标清、高清、超清的Web视频，QQ视频，网络直播视频，P2P客户端视频以及Http下载视频）的分类方法进行了分析、实验和研究。其主要研究工作如下：
　　提出一种结合一致性和相关性的CON-GR（Consistency Feature Selection-Gain Ratio）特征选择方法，先采用CON特征选择快速滤除对分类无用的QoS相关特征，然后对剩余特征依据信息增益率GR降序排列，结合分类器选出最优特征子集。将该方法与另外三种特征选择方法对比，实验结果显示，该方法能在保证相当正确率的前提下有效降低特征维数，减少分类器训练的时间及运算量。此外，详细分析了三种清晰度Web视频业务的特征区别，Web视频业务和网络直播视频业务的特征区别。
　　设计了一种改进的两层SVM（Support Vector Machine）分类器，实现了对网络视频业务的细粒度分类。第一层为M个并行的二进制SVM分类器，第二层为传统的M-类SVM分类器。由于第一层的引入，使得该分类器较其他分类器而言，更能针对性地选出每种视频业务区别于其他业务的特征，而无需将所有视频业务都区分开。此外，第二层M-类分类器的输入特征并非第一层所有特征的叠加，而是对所有视频业务CON-GR特征选择的结果。有约10％的数据进入第二层分类器，说明两层分类器系统对业务细分的必要性。实验结果显示，该分类器设计能有效提高网络视频业务分类的整体正确率。此外，验证了该方法对短时流网络视频业务识别也有一定的应用潜力。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1研究背景及意义

1.2国内外研究现状

1.3网络视频业务种类

1.4研究内容及主要贡献

1.5论文结构

第二章 网络流量分类技术

2.1 网络流量分类方法

2.2基于机器学习的网络流量分类

2.3网络视频业务分类的现状

2.4本章小结

第三章 视频业务的统计特征选择及分析

3.1特征选择流程

3.2视频业务的统计特征

3.3 CFS特征选择

3.4 CON特征选择

3.5 GR特征选择

3.6 改进的CON-GR特征选择

3.7 特征选择结果分析

3.8 本章小结

第四章 改进的两层SVM视频业务分类器

4.1 SVM分类器算法

4.2 SVM多分类器

4.3两层SVM分类器结构

4.4 网络视频业务分类流程

4.5 本章小结

第五章 实验结果与分析

5.1实验数据

5.2 分类器评价指标

5.3 特征选择结果

5.4网络视频业务分类实验

5.5 短时流网络视频业务分类实验

5.6 本章小结

第六章 总结与展望

6.1 总结

6.2 展望

参考文献

附录1 攻读硕士学位期间撰写的论文

附录2 攻读硕士学位期间参加的科研项目

致谢