一种VOD系统用户行为分析方法及系统

摘要

本发明公开了一种VOD系统用户行为分析方法及系统，应用于预设用户行为模型中，该方法包括：服务器性能模块获取用户输入压力，根据预设计算流程的计算和分析得到系统响应时间，并获得用户输入压力与系统响应时间的关系；用户行为模块获取用户真实输入的各种信息和服务器响应时间，根据预先设定的计算流程对用户真实输入情况和服务器响应时间进行分析处理；根据分析处理结果，分析出用户带给VOD系统的压力数据、用户请求速率与系统响应时间的量化关系及用户实际请求时间与服务用户数的关系。依据实际VOD系统日志统计检验模型真实性、用户行为模型与服务器性能模型相结合分析系统是否满足需求以及通过模型权衡用户体验与服务用户数。

说明书

技术领域

本发明涉及视频点播技术领域，更具体的说，是涉及一种VOD系统用户 行为分析方法及系统。

背景技术

随着计算机技术、网络技术和多媒体技术的快速发展，VOD（Video On Demand，视频点播），即交互式电视点播系统已成为下一代重要的互联网信 息服务应用，可以为用户提供各种交互式信息服务。

目前，视频点播的工作过程为：用户在客户端启动播放请求，请求通过 网络发出，到达并由服务器的网卡接收，传送给服务器；经过请求验证后， 服务器把存储子系统中可访问的节目名准备好，使用户可以浏览到所喜爱的 节目菜单；用户选择节目后，服务器从存储子系统中取出节目内容，并传送 到客户端进行播放。

对于用户行为分析目前已经形成了一定的理论基础，比如基本概念、分 析方法。在VOD用户行为分析领域中，也有一些分析结果，被众多研究人员 广泛借鉴的有根据统计理论结合系统日志建立的用户到达模型、用户会话时 长模型、用户访问文件模型等。通常在没有经验数据的情况下，在设计与研 发多媒体流系统时，研究人员常采用模拟的方式，分析用户会话时长、访问 文件特点等，来探究流媒体数据缓存模型，针对用户到达建立数学模型来研 究服务器负载情况等等。然而，如何站在用户角度对VOD系统的设计提供一 些指导意见，来探究用户带给VOD系统的压力、帮助验证系统是否满足需求、 用户体验与服务用户数的量化关系等。

因此，提供一种站在用户角度真实完整地模拟VOD系统用户从到达系统 到最终离开过程中的行为表现，来探究用户带给VOD系统的压力、帮助验证 系统是否满足需求及用户体验与服务用户数的量化关系等，是本领域技术人 员亟待解决的问题。

发明内容

有鉴于此，本发明提供了一种VOD系统用户行为分析方法及系统，以探 究用户带给VOD系统的压力、帮助验证系统是否满足要求及用户体验与服务 用户数的量化关系等问题。

为实现上述目的，本发明提供如下技术方案：

一种VOD系统用户行为分析方法，应用于预设用户行为模型中，该方法 包括：

服务器性能模块获取用户输入压力，根据预设计算流程的计算和分析得 到系统响应时间，并获得所述用户输入压力与所述系统响应时间的关系；

用户行为模块获取用户真实输入的各种信息和服务器响应时间，根据预 先设定的计算流程对所述用户真实输入情况和所述服务器响应时间进行分析 处理；

根据所述分析处理结果，分析出用户带给VOD系统的压力数据、站在用 户角度得到所述VOD系统的用户请求速率与系统响应时间之间的量化关系 及用户实际请求时间与服务用户数之间的关系。

优选的，所述服务器性能模块获取用户输入压力，根据预设计算流程的 计算和分析得到系统响应时间，并获得所述用户输入压力与所述系统响应时 间的关系步骤之前还包括：

接收用户输入登陆所述VOD系统的用户信息和登陆密码；

在所述VOD系统中通过运用泊松抽样获取一定数量的视频点播请求数。

其中，所述预设计算流程为：

根据用户到达间隔时间服从1/λ₀的指数分布，根据对应的泊松分布概率 密度函数及其期望为λ₀，得到用户到达速率为λ₀；

根据对应的泊松分布概率密度函数，得到登陆请求速率具有均值为 u₁=1*λ的泊松分布，浏览请求速率具有均值为的泊松分布；

根据对用户状态的分析获得用户行为模块中的输入信息和输出信息。

其中，所述预设计算流程还包括：

根据用户接收到的点播请求的分布规律，建立后台用户行为模块，在接 收到用户发送过来的视频点播请求后，建立对话并开始接收机顶盒的心跳；

根据对所述用户状态的分析获得所述后台用户模块的输入信息和输出信 息。

在上述公开的一种VOD系统用户行为分析方法的基础上，本发明还公开 了一种VOD系统用户行为分析系统，应用于预设用户行为模型中，该系统包 括：

服务器性能模块，用于获取用户输入压力，根据预设计算流程的计算和 分析得到系统响应时间，并获得所述用户输入压力与所述系统响应时间的关 系；

用户行为模块，用于获取用户真实输入的各种信息和服务器响应时间， 根据预先设定的计算流程对所述用户真实输入情况和所述服务器响应时间进 行分析处理；

分析处理模块，用于根据所述分析处理结果，分析出用户带给VOD系统 的压力数据、站在用户角度得到所述VOD系统的用户请求速率与系统响应时 间之间的量化关系及用户实际请求时间与服务用户数之间的关系。

优选的，所述系统还包括：

接收模块，用于接收用户输入登陆所述VOD系统的用户信息和登陆密 码；

获取模块，用于在所述VOD系统中通过运用泊松抽样获取一定数量的视 频点播请求数。

经由上述的技术方案可知，与现有技术相比，本发明公开了一种VOD系 统用户行为分析方法及系统，应用于预设用户行为模型中，该方法包括：服 务器性能模块获取用户输入压力，根据预设计算流程的计算和分析得到系统 响应时间，并获得所述用户输入压力与所述系统响应时间的关系；用户行为 模块获取用户真实输入的各种信息和服务器响应时间，根据预先设定的计算 流程对所述用户真实输入情况和所述服务器响应时间进行分析处理；根据所 述分析处理结果，分析出用户带给VOD系统的压力数据、站在用户角度得到 所述VOD系统的用户请求速率与系统响应时间之间的量化关系及用户实际 请求时间与服务用户数之间的关系。依据实际VOD系统日志统计信息来检验 模型的真实性、用户行为模型与服务器性能模型相结合来分析系统是否满足 需求以及通过该模型权衡用户体验与服务用户数。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实 施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面 描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不 付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例公开的一种VOD系统用户行为分析方法的流程图；

图2为本发明实施例公开的另一种VOD系统用户行为分析方法的流程 图；

图3为本发明实施例公开的一种VOD系统用户行为分析系统的结构示意 图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行 清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而 不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做 出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明公开了一种VOD系统用户行为分析方法及系统，应用于预设用户 行为模型中，该方法包括：服务器性能模块获取用户输入压力，根据预设计 算流程的计算和分析得到系统响应时间，并获得所述用户输入压力与所述系 统响应时间的关系；用户行为模块获取用户真实输入的各种信息和服务器响 应时间，根据预先设定的计算流程对所述用户真实输入情况和所述服务器响 应时间进行分析处理；根据所述分析处理结果，分析出用户带给VOD系统的 压力数据、站在用户角度得到所述VOD系统的用户请求速率与系统响应时间 之间的量化关系及用户实际请求时间与服务用户数之间的关系。依据实际 VOD系统日志统计信息来检验模型的真实性、用户行为模型与服务器性能模 型相结合分析系统是否满足需求以及通过模型权衡用户体验与服务用户数。

请参阅附图1，为本发明公开的一种VOD系统用户行为分析方法的流程 图。本发明公开了一种VOD系统用户行为分析方法，应用于预设用户行为模 型中，该方法具体步骤包括：

步骤S11、服务器性能模块获取用户输入压力，根据预设计算流程的计算 和分析得到系统响应时间，并获得所述用户输入压力与所述系统响应时间的 关系。

步骤S12、用户行为模块获取用户真实输入的各种信息和服务器响应时 间，根据预先设定的计算流程对所述用户真实输入情况和所述服务器响应时 间进行分析处理。

步骤S13、根据所述分析处理结果，分析出用户带给VOD系统的压力数 据、站在用户角度得到所述VOD系统的用户请求速率与系统响应时间之间的 量化关系及用户实际请求时间与服务用户数之间的关系。

具体的，本发明实施例依据实际VOD系统日志统计信息来检验模型的真 实性、用户行为模型与服务器性能模型相结合分析系统是否满足需求以及通 过模型权衡用户体验与服务用户数。

请参阅附图2，为本发明公开的另一种VOD系统用户行为分析方法的流 程图。在上述本发明公开的实施例的基础上，本发明还公开了另一种VOD系 统用户行为分析方法，应用于预设用户行为模型中，该方法具体步骤包括：

步骤S21、接收用户输入登陆所述VOD系统的用户信息和登陆密码。

VOD系统主要有两部分组成，IPG与后台，其主要职能如下：

IPG：验证用户身份，响应用户浏览的请求；

后台：接收到用户的视频请求后建立session会话，接收心跳。

步骤S22、在所述VOD系统中通过运用泊松抽样获取一定数量的视频点 播请求数。

用户登陆IPG，成功后浏览相关页面，选中某个视频后，IPG通知后台建 立session，用户开始观看视频，并发送等间隔心跳，直到用户停止观看视频。

步骤S23、服务器性能模块获取用户输入压力，根据预设计算流程的计算 和分析得到系统响应时间，并获得所述用户输入压力与所述系统响应时间的 关系。

对于一个系统的用户，我们比较容易确定的用户属性，或者称为静态属 性，有用户的到达速率、用户会话的平均时长和用户发送请求之间的思考时 间等，而难于事先简单确定的属性，即系统运行了才知道的，或者称动态属 性，比如服务器服务这个用户的一个请求的时间、所有用户的请求速率等。

视频点播系统用户到达模型中，用户到达分布常常都是选择泊松分布， 然而经过统计验证，在针对流媒体的系统中选择经过改造后的泊松分布模型 更符合实际情况。选择参数为λ₀的经过改造后的泊松分布。根据泊松分布的 性质知道，用户到达间隔时间服从1/λ₀的指数分布。

泊松分布概率密度函数为：

$f\left(n\right)=\frac{{{\lambda }_0}^{(N-n)}{e}^{-{\lambda }_0}}{(N-n)!},n=\mathrm{0,1,2}...,N...\left(1\right)$

N为用户到达速率的最大值。建立这个用户到达模型后，由泊松分布的 期望为λ₀知用户到达速率等于λ₀。

我们从用户登陆IPG开始考虑，因为每个用户在进行后续操作时，第一 步都会登陆，且考虑一次登陆成功的情况，假设平均耗时为t″。所以简单的 认为一个用户到来必发生一次登陆操作且耗时t"。

用户在登录到IPG后，可以浏览网页，选择想观看的视频。针对用户的 浏览行为，分析几个参数：

用户思考时间X：用户两个页面请求的间隔时间。思考时间遵循均值为 1/λ₁的指数分布H（可以根据实际情况选择比如Weibull、Pareto、Lognormal 等分布类型）。

响应时间Y：或者称为IPG系统的服务时间，根据经验假定服从均值为1/λ₂的指数分布F。

用户实际请求时间Z：等于响应时间加上用户思考时间。由指数分布变量 的卷积性质可计算得：

Z=X+Y……………………………………………………………………………（2）

由X、Y的分布结合（2）计算得Z的密度函数：

$f_Z\left(t\right)=\underset{i=1}{\overset{2}{\Sigma }}{\lambda }_i{e}^{-{\lambda }_{i}t}{C}_{i,2}$其中：$C_{i,2}=\underset{j\ne i}{\Pi }\frac{{\lambda }_j}{{\lambda }_j-{\lambda }_i}$

以上确定了用户实际请求时间的分布特征。可计算得累积分布函数为：

$F_Z\left(t\right)=\frac{{\lambda }_2}{{\lambda }_1-{\lambda }_2}{e}^{-{\lambda }_{1}t}-\frac{{\lambda }_1}{{\lambda }_1-{\lambda }_2}{e}^{-{\lambda }_{2}t}$

该分布均值为：$E\left(T\right)=\frac{{\lambda }_1+{\lambda }_2}{{\lambda }_1{\lambda }_2}.$

用户忍耐时间：与用户实际请求时间比较，如果用户实际请求时间超过 了忍耐时间，用户就会放弃浏览。用户忍耐时间设为t′。用户在一次请求之后 未出现超时的概率为F_Z(t')。

假定每个用户整个浏览阶段停留时间有共同的分布G。假设G是均值为 1/λ₃的指数分布。累积分布函数概率密度函数（涉及 到与寿命相关的数学模型以指数分布最为典型）。

下面试着确定用户在浏览页面期间会向IPG发送多少个请求。概括的说， 一个用户浏览总时间服从G(x)（累积分布函数）分布，用户实际请求时间服 从Z(t)。设请求数目为Q(n)，其中：

n=(x-t")/t……………………………………………………………………（3）

由联合密度知识可以推得请求次数的概率密度为：

$f_Q\left(n\right)=\underset{0}{\overset{\infty }{\int }}{f}_Z\left(t\right)f_G(\mathrm{nt}+t^{\prime \prime })\mathrm{dt}=\frac{{\lambda }_1{\lambda }_2{\lambda }_3}{{\lambda }_1-{\lambda }_2}{e}^{-t^{\prime \prime }{\lambda }_3}(\frac{1}{{\lambda }_2+{\lambda }_{3}n}-\frac{1}{{\lambda }_1+{\lambda }_{3}n})(n=\mathrm{1,2,3}......)$

计算请求次数的期望：

$\bar{q}=E\left(Q\right)=\underset{0}{\overset{\infty }{\int }}{f}_Q\left(n\right)\mathrm{ndn}=\frac{{\lambda }_1{\lambda }_2{\lambda }_3}{{\lambda }_1-{\lambda }_2}{e}^{-t^{\prime \prime }{\lambda }_3}\underset{0}{\overset{\infty }{\int }}(\frac{1}{{\lambda }_2+{\lambda }_{3}n}-\frac{1}{{\lambda }_1+{\lambda }_{3}n})\mathrm{ndn}$

可以计算到t时刻为止，登陆请求速率具有均值为u₁=1*λ的泊松分布； 浏览请求速率具有均值为的泊松分布。

首先分析用户在IPG系统中的状态。在时刻t，之前进入IPG系统中的用 户存在三种状态：完成了浏览操作，选定了某个视频准备观看（I型用户）、 仍然在浏览选择（II型用户）和因请求超时离开的用户（III型用户）。

分析用户在时刻s（s<=t）进入系统，在时刻t成为各自类型用户的概率：

I型用户：$C_1\left(s\right)=G(t-s-t^{\prime \prime }){\left(F_Z\left(t^{\prime }\right)\right)}^{\bar{q}}$

II型用户：C₂(s)=1-G(t-s-t″)

III型用户：$C_3\left(s\right)=1-C_1\left(t\right)-C_2\left(t\right)=G(t-s-t^{\prime \prime })(1-{\left(F_Z\left(t^{\prime }\right)\right)}^{\bar{q}})$

I型用户数目即到时间t为止，后台获取的视频点播数目。跟一般泊松抽 样分析不同的是，在用户泊松到达后在接受浏览服务之前还有一个登陆服务 （时间假定为t"），经过这个固定时间后由分布理论知道仍然可以抽象为用户 泊松到达接受浏览服务，根据泊松抽样理论有公式：

$E\left[N_i\left(t\right)\right]=\lambda \underset{0}{\overset{t}{\int }}{P}_i\left(s\right)\mathrm{ds}...\left(4\right)$

N_i(t)表示时间t为止类型i事件发生的次数，P_i(s)表示为i类型事件的 概率。

如果N₁(t)表示到时间t为止I型用户发生的个数，N₁(t)具有均值为E[N₁(t)] 的泊松分布。

由公式（4）得：

$E\left[N_1\left(t\right)\right]=\lambda \underset{0}{\overset{t}{\int }}{C}_1\left(s\right)\mathrm{ds}=\lambda \underset{0}{\overset{t}{\int }}G(t-s-t^{\prime \prime }){\left(F_Z\left(t^{\prime }\right)\right)}^{\bar{q}}\mathrm{ds}=\lambda {\left(F_Z\left(t^{\prime }\right)\right)}^{\bar{q}}\underset{0}{\overset{t}{\int }}G\left(y\right)\mathrm{dy}$

如果N₂(t)表示到时间t为止II型用户发生的个数，N₂(t)具有均值为E[N₂(t)] 的泊松分布。由公式（4）得：$E\left[N_2\left(t\right)\right]=\lambda \underset{0}{\overset{t}{\int }}{C}_2\left(s\right)\mathrm{ds}=\lambda \underset{0}{\overset{t}{\int }}(1-G\left(y\right))\mathrm{dy}$

如果N₃(t)表示到时间t为止III型用户发生的个数，N₃(t)具有均值为 E[N₃(t)]的泊松分布。由公式（4）得：

至此归纳IPG用户行为模型的输入情况如下表：

表1IPG用户行为建模测定参数

通过计算获取的模型输出情况如下表:

表2IPG用户行为模型输出

步骤S24、用户行为模块获取用户真实输入的各种信息和服务器响应时 间，根据预先设定的计算流程对所述用户真实输入情况和所述服务器响应时 间进行分析处理。

知道后台接收到的点播请求的分布规律后，接着来分析后台用户行为模 型。

后台接收用户发送过来的视频点播请求，建立session，并开始接收机顶 盒的心跳。当用户关闭视频播放，IPG、后台断开连接。

通过前面用户对IPG的请求模型的分析，知道在t时刻，后台收到的视频 点播数具有均值为v₂的泊松分布。

可以知道视频点播请求的间隔时间是满足均值1/V₂的指数分布。

后台的操作分为两部分，建立session，接收等间隔心跳。建立session的 服务时间不同的用户基本一样，不需考虑复杂的数学模型，设时间为t″′。

需要着重研究的是用户观看视频的时长，假定用户观看时长是具有均值 为1/λ4的指数分布L。这个时长也是用户发送心跳的时长。发送心跳的过程 比较简单，设固定的间隔时间为t0。由于发送心跳时间隔时间远大于服务器 响应一个心跳的时间，所以不再考虑服务器响应时间的变化，设为常量t1。 由此可知一个用户发送心跳个数的期望值为：

$\bar{p}=(1/{\lambda }_4-t^{\prime \prime \prime })/(t_0+t_1)...\left(5\right)$

具有指数分布规律。

类似IPG分析方式：建立session速率具有均值为u₂=1*v₂的泊松分布， 心跳速率具有均值为的泊松分布。

同样进行泊松过程的抽样分析。后台到t₂时刻为止，分析用户在时刻s （s<=t₂）开始点播，用户存在两种类型：观看结束、正在观看。各自的概率：

I型用户：D₁(s)=L(t₂-t″′-s)

II型用户：D₂(s)=1-L(t₂-t″′-s)

由公式（4）得时间t₂内看完视频的用户总数具有均值为：

$E\left[D_1\left(s\right)\right]=v_3\underset{0}{\overset{t_2}{\int }}L(t_2-t^{\prime \prime \prime }-s)\mathrm{ds}=v_3\underset{0}{\overset{t_2}{\int }}L\left(y\right)\mathrm{dy}$的泊松分布；

由公式（4）得仍在观看的用户总数具有均值为：

$E\left[D_2\left(t\right)\right]=v_3\underset{0}{\overset{t_2}{\int }}(1-L(t_2-t^{\prime \prime \prime }-s))\mathrm{ds}=v_3\underset{0}{\overset{t_2}{\int }}(1-L\left(y\right))\mathrm{dy}$的泊松分布。

后台行为模型的输入情况如下：

表3后台模型的主要输入信息

通过后台用户行为模型可以获得的信息如下表：

表4后台用户行为模型输出信息

步骤S25、根据所述分析处理结果，分析出用户带给VOD系统的压力数 据、站在用户角度得到所述VOD系统的用户请求速率与系统响应时间之间的 量化关系及用户实际请求时间与服务用户数之间的关系。

通过上述的方法，可以依据实际VOD系统日志统计信息来检验模型的真 实性，主要通过一定手段来评估模型输入和输出跟真实情况的吻合度，行为 模型的建立是根据历史日志信息分析、结合统计理论和经验总结出来的，具 有一定的理论依据和经验指导，检验重点是建立的用户行为模型输出与真实 情况的匹配度。

对实际的VOD系统做相关统计，统计的指标一方面是与模型输出对应的 （比如IPG中产生的视频点播速率，超时离开的用户速率，后台观看完视频 的用户速率等）项目，另外还有一些辅助我们进行模型计算的参数，比如服 务器响应时间。通过实际系统运行统计出来的结果与用户行为模型运算输出 的结果进行比较。

通过上述方法，可以来分析VOD系统是否满足需求，通过模型，建立了 用户请求速率（吞吐量）与系统响应时间的量化关系，给定系统响应时间就 可以得到系统的吞吐量。在一定的用户到达率的情况下，根据需求估算一个 服务器的响应时间M，模型会运算出这时候系统的吞吐量，接着根据服务器 端性能模型得到服务器在该吞吐量下的实际响应时间，与M比较，如果小于 M则表明系统性能满足需求，反之，系统不满足需求。

通过上述方法，可以权衡用户体验与服务用户数，用户体验（实际请求 时间）指性能方面的体验，不考虑对内容的体验；服务用户数与用户到达速 率对应。在软硬件资源（系统性能）一定的条件下，随着系统服务用户数目 的增多会带来用户体验的下降，通过上述模型可以建立服务用户数与用户体 验的映射关系，借此帮助我们选择确定在满足一定用户体验的情况下系统最 多可以服务多少用户。

本发明公开了一种VOD系统用户行为分析方法，应用于预设用户行为模 型中，该方法包括：服务器性能模块获取用户输入压力，根据预设计算流程 的计算和分析得到系统响应时间，并获得所述用户输入压力与所述系统响应 时间的关系；用户行为模块获取用户真实输入的各种信息和服务器响应时间， 根据预先设定的计算流程对所述用户真实输入情况和所述服务器响应时间进 行分析处理；根据所述分析处理结果，分析出用户带给VOD系统的压力数据、 站在用户角度得到所述VOD系统的用户请求速率与系统响应时间之间的量 化关系及用户实际请求时间与服务用户数之间的关系。依据实际VOD系统日 志统计信息来检验模型的真实性、用户行为模型与服务器性能模型相结合来 分析系统是否满足需求以及通过该模型权衡用户体验与服务用户数。

上述本发明公开的实施例中详细描述了方法，对于本发明的方法可采用 多种形式的系统实现，因此本发明还公开了一种系统，下面给出具体的实施 例进行详细说明。

请参阅附图3，为本发明实施例公开的一种VOD系统用户行为分析系统 的结构示意图。本发明实施例公开了一种VOD系统用户行为分析系统，应用 于预设用户行为模型中，该系统具体包括：

服务器性能模块301，用于获取用户输入压力，根据预设计算流程的计算 和分析得到系统响应时间，并获得所述用户输入压力与所述系统响应时间的 关系；用户行为模块302，用于获取用户真实输入的各种信息和服务器响应时 间，根据预先设定的计算流程对所述用户真实输入情况和所述服务器响应时 间进行分析处理；分析处理模块303，用于根据所述分析处理结果，分析出用 户带给VOD系统的压力数据、站在用户角度得到所述VOD系统的用户请求 速率与系统响应时间之间的量化关系及用户实际请求时间与服务用户数之间 的关系。

优选的，上述本发明实施例公开的的系统还包括：接收模块304，用于接 收用户输入登陆所述VOD系统的用户信息和登陆密码；获取模块305，用于 在所述VOD系统中通过运用泊松抽样获取一定数量的视频点播请求数。

本发明公开了一种VOD系统用户行为分析系统，应用于预设用户行为模 型中，依据实际VOD系统日志统计信息来检验模型的真实性、用户行为模型 与服务器性能模型相结合来分析系统是否满足需求以及通过该模型权衡用户 体验与服务用户数。

综上所述：本发明公开了一种VOD系统用户行为分析方法及系统，应用 于预设用户行为模型中，该方法包括：服务器性能模块获取用户输入压力， 根据预设计算流程的计算和分析得到系统响应时间，并获得所述用户输入压 力与所述系统响应时间的关系；用户行为模块获取用户真实输入的各种信息 和服务器响应时间，根据预先设定的计算流程对所述用户真实输入情况和所 述服务器响应时间进行分析处理；根据所述分析处理结果，分析出用户带给 VOD系统的压力数据、站在用户角度得到所述VOD系统的用户请求速率与 系统响应时间之间的量化关系及用户实际请求时间与服务用户数之间的关 系。依据实际VOD系统日志统计信息来检验模型的真实性、用户行为模型与 服务器性能模型相结合来分析系统是否满足需求以及通过该模型权衡用户体 验与服务用户数。

服务器的性能建模，主要是通过探究用户输入压力与响应时间的关系来 对服务器的软硬件架构提出指导意见，服务器性能模型输入的是用户的输入 压力，输出的是系统响应时间，通过服务器性能模型找到了用户输入压力与 系统响应时间的关系；本文中用户行为模型的输入是用户真实输入情况和系 统响应时间，输出是用户带给系统的输入压力，通过用户行为模型找到了用 户真实输入情况和系统响应时间与用户带给系统输入压力的关系。

比如在单独进行服务器性能建模时，首先会设定用户带给系统的输入压 力，然而这个压力跟真实的用户输入情况是怎么样的关系呢？借助用户行为 模型正好弥补了这一缺失，分析更加有理有据；所以服务器性能模型与用户 行为模型是相辅相成的，两者结合起来，才形成了一套完整且科学的VOD系 统用户行为与服务器性能分析模型。

可以较深入地分析用户行为，建立了用户行为模型，可以更好地帮助分 析用户的行为，比如用户浏览视频后有多大比例进行了视频点播、有多大比 例退出了系统等，从而找出对用户体验不利的因素。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都 是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。 对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述 的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用 本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易 见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下， 在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例， 而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。