网络视频服务中用户体验质量预测研究

摘要

随着互联网技术以及视频多媒体技术的不断发展，网络视频作为一种重要的休闲娱乐方式，受到了人们的一致追捧。思科公布的互联网预测报告显示:2015年网络视频流量占全部互联网流量的70％，预计到2020年所有消费的网络流量中的视频流量将占到82％，其中移动视频数据流量将占总网络流量的50％。如此庞大的视频数据流量对当前的视频服务，特别是移动端视频服务，带来了极大的挑战。与此同时，视频用户对视频观看质量也提出了更高层次的要求:高视频分辨率、低启动时延、低缓冲率，追求更高的用户体验质量(Quality of Experience，QoE)。因此，研究如何精准预测网络视频服务中的用户体验质量，近而提升视频用户体验质量，具有很大的理论价值和商业应用价值。现有的关于用户体验质量的研究工作中，大多是研究视频用户观看行为以及视频质量影响因素，或者提出一些复杂的控制平台系统来优化网络视频资源传输效率，或者研究复杂的视频编码，来提升用户体验质量。本文拟运用机器学习算法，构建简单、易部署的基于用户终端的QoE模型，提升用户体验质量。
　　本文的具体贡献主要有如下四个方面。
　　(1)详细分析了PPTV视频用户接入日志数据集，发现:1）起始缓冲时长比缓冲总时长更需要针对性的优化;2）缓冲次数与用户有效观看时间比的相关性最大。在此基础上设计了一种高性能的基于随机森林算法的QoE映射模型，在预测用户体验质量不好时的F1值达到0.77，并且起始缓冲时长和缓冲次数对模型预测效果的影响较大。
　　(2)开发了一整套适用于LTE网络环境下DASH视频质量研究的实验平台。具体说来，在阿里云服务器上搭建了DASH视频服务器，并部署了MongoDB数据库用于测量数据的持久化存储;开发了Android app应用用于采集LTE网络质量参数，修改dash.js客户端源码来采集DASH视频客户端播放信息。
　　(3)通过对实验测量数据的研究分析发现:1）当缓冲区长度低于0.5秒钟时，视频将会出现卡顿;2)当前LTE网络下的DASH视频用户体验质量的主要问题在于往返时间(RTT)。
　　(4)提出了一种基于“时间窗口”的预测方法，设计了两种基于随机森林算法的QoE模型，在预测用户体验质量不好时的F1值达到0.87。并且，最佳的间隔时间窗口值:28秒，最佳的历史时间窗口值为10秒到18秒。

目录

声明

致谢

摘要

缩略词表

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 固定码率视频QoE研究现状

1．2．2 自适应码率视频QoE研究现状

1．3 本论文的主要研究内容

1．4 本论文的组织结构

2 论文相关知识介绍

2．1 DASH流媒体技术

2．2 机器学习算法

2．2．1 决策树算法

2．2．2 随机森林算法

2．2．3 支持向量机算法

2．2．4 k近邻算法

2．3 机器学习平台

2．3．1 Anaconda的安装使用

2．3．2 Scikit-Learn库

2．4 机器学习性能评估方法

2．4．1 可选度量

2．4．2 接受者操作特性曲线

2．5 本章小结

3 PPTV视频用户体验质量研究

3．1 数据集介绍

3．2 数据预处理

3．3 视频数据分析

3．3．1 各数据特征统计分析

3．3．2 用户QoE量化

3．3．3 各数据特征与用户QoE的相关性分析

3．4 用户体验质量预测模型

3．4．1 模型构建

3．4．2 模型性能评估

3．5 本章小结

4 LTE网络下DASH视频用户体验质量研究

4．1 待测量数据介绍

4．1．1 LTE网络质量参数

4．1．2 DASH视频播放信息

4．2 实验平台

4．2．1 整体架构

4．2．2 实验设备及方法

4．2．3 QoE量化方法

4．2．4 测量数据预处理

4．3 测量数据分析

4．3．1 LTE网络质量参数分析

4．3．2 LTE网络质量参数与用户QoE相关性分析

4．4 用户体验质量预测模型研究

4．4．1 QoE映射模型研究

4．4．2 QoE预测模型研究

4．5 模型应用场景分析

4．6 本章小结

5 总结及展望

5．1 本文工作总结

5．1．1 PPTV视频用户QoE预测研究

5．1．2 DASH视频用户QoE预测研究

5．2 未来工作展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集