基于韦伯费希纳定理的BE业务QoE评价方法

摘要

本发明公开了一种基于韦伯费希纳定理的BE业务QoE评价方法，属于通信网络多媒体业务质量评价技术领域。所述方法包括建立基于WFL利用视觉信息进行BE业务QoE评价模型、提取网页视觉信息量和训练参数的步骤，最后预测出的MOS值。本发明通过考虑网页内容产生的视觉信息量对终端用户QoE的影响，对网页中的主要组成元素图片和文本分别进行视觉内容信息量的提取，使网页的视觉内容信息得到量化并且便于计算，达到了对BE业务的QoE进行准确评价和预测的技术效果，具有评价过程简单迅速、评价结果准确的优势，而且具有优化QoE客观评价方法、准确反应用户QoE并进行BE业务QoE预测的意义。

说明书

技术领域

本发明属于通信网络多媒体业务质量评价技术领域，涉及多媒体业务中的尽力而为型服务(BE，Best-Effort服务)的用户体验质量(QoE，Quality of Experience)评价方法，具体涉及一种心理物理学定理韦伯费希纳定理。

背景技术

BE业务是IEEE 802.16定义的一种基础业务类(参考文献[1]：C.Cicconetti,L.Lenzini,E.Mingozzi,and C.Eklund.“Quality of service support in IEEE 802.16networks.”IEEE Netw.,vol.20,no.2,pp.50–55,Mar./Apr.2006)，这种基础业务类主要包括Web浏览、电子邮件浏览、文件下载以及短消息传输这几种类型的业务。因为用户更倾向于选择能满足高QoE需求的网络运营商，这导致了运营商之间的竞争越来越激烈，各家运营商基于自己现有的网络容量，争相提供具有更高QoE的BE业务。为了吸引和绑定用户使用一种特定的BE业务，对BE业务的实时准确QoE评估对于运营商而言变得越来越重要(参考文献[2]：Jeevan Pokhrel,Felipe Lalanne,Ana Cavalli,Wissam Mallouli.“QoE estimation for web service selection using a Fuzzy-Rough hybrid expertsystem.”Advanced Information Networking and Applications(AINA),May 2014)。现阶段的大量研究主要集中在对视频业务的QoE评估方法的探索上，BE业务的实时QoE评估并没有成熟的标准。

目前，评估QoE的方法主要分为两类：主观评估方法和客观评估方法。主观评估方法意味着终端用户直接对业务的QoE进行评估。虽然这种方法比较直观准确，但是这种方法代价较高，需要进行大量严格的主观测试，并且测试需要真实的用户以及苛刻的测试环境，花费大量的时间和精力。相较于主观评估方法，客观评估方法虽然不够精确，却胜在方法简单，易于操作。此外，可以利用主观实验的结果对客观评估模型进行修正及调整，使得客观评估方法的精确度有所提高。因此，有很多学科的方法被应用到客观评估方法中，用于提高客观评估方法的准确性。参考文献[3](F.Lalanne,A.Cavalli,and S.Maag.“Quality of experience as a selection criterion for web services.”Signal Image Technology and Internet Based Systems(SITIS),2012Eighth International Conference on,pp.519–526,2012)通过建立一个Web QoS参数(业务完成时间，可靠性，有效性)和QoE之间的相关函数来评估Web业务的QoE，并利用一个回归分析工具计算相关函数的指标。虽然这种方法较为简单便捷，但是评估的结果却显示相关函数并非最优且误差幅度较高。参考文献[2]中，作者采用了一种基于模糊粗糙混合模型的新型方法来评估Web业务的QoE。这种方法利用模糊理论结合粗糙集理论消除主观试验中不精确和有歧义的情况，可以避免信息的流失，但是基于此方法得出的实验结果却显示主观QoE分值与该模型预测的QoE分值之间的差值不够小，预测结果不理想。

近几年来，随着心理物理学研究的开展，越来越多的研究人员开始在QoE评估中引入心理物理学方面的原理韦伯费希纳定理(WFL，Weber-Fechner Law)。该定理描述了一个物理刺激的量级与其被感知到的感觉强度之间的关系。参考文献[4](P.Reichl,S.Egger,R.Schatz,and A.D’Alconzo.“The Logarithmic Nature of QoE and the Role of the Weber-Fechner Law in QoE Assessment.”IEEE International Conference Communications(ICC),Cape Town,South Afric,pp.1–5,2010)中，这种关系第一次被运用在QoE评估中。但是，这种方法仅考虑了单一的刺激因素，这种缺陷导致了一些MOS值的异常，参考文献[5](Le Thu Nguyen,Richard Harris,Amal Punchihewa.“Assessment of Quality of Experience for Web Browsing--As Function of Quality of Service and Content Factors.”Ubiquitous and Future Networks(ICUFN).July2013)对这种异常的解释是在QoE评价中没有考虑业务内容信息的多少对终端用户的影响。为了对业务进行较为全面、准确的QoE评价，需要在QoE评价方法中考虑业务内容信息对终端用户的影响。尽管参考文献[5]在QoE评价方法中考虑了服务内容信息，但是却没有对内容信息的准确定义，也没有进行内容信息的精确提取，仅仅粗略地对信息内容的丰富度进行了划分，因此信息内容对QoE评价的影响并没有被直观、准确地表达出来。

发明内容

本发明旨在针对目前通信系统中BE业务QoE评价方法不能准确真实地反映用户感知体验的情况，通过考虑网页内容产生的视觉信息量对终端用户QoE的影响，对网页中的主要组成元素图片和文本分别进行视觉内容信息量的提取，使网页的视觉内容信息得到量化并且便于计算，达到了对BE业务的QoE进行准确评价和预测的技术效果，具有评价过程简单迅速、评价结果准确的优势，而且具有优化QoE客观评价方法、准确反应用户QoE并进行BE业务QoE预测的意义。

本发明提供的基于韦伯费希纳定理的BE业务QoE评价方法，包括以下步骤：

步骤1：在传统基于WFL的QoE评价模型基础上提出一种新型的基于WFL利用视觉信息进行BE业务QoE评价模型。

步骤2：以步骤1中的QoE评价模型为基础，建立网页视觉信息量提取模型，完成QoE评价模型中网页视觉信息量的提取。

步骤3：以步骤1中的QoE评价模型为基础，进行主观实验，提取出QoE评价模型中的训练参数。

步骤4：根据步骤2和步骤3中提取出的视觉信息量和训练参数，利用步骤1中的QoE评价模型得出BE业务的QoE评价结果，即预测出的MOS值。

所述步骤1中，传统基于WFL的QoE评价模型中仅将业务总等待时间看做单一物理刺激进行QoE预测，而本发明所提出的基于WFL利用视觉信息的BE业务QoE评价模型是在WFL中将单位等待时间的网页视觉信息量看作物理刺激，QoE评价模型可用以下公式表示：

$QoE=\alpha \ln (k\frac{I}{T}+\omega )+\beta$

其中的I表示网页视觉信息量，T表示网页单位等待时间，α、β、k、ω是从主观实验中提取的训练参数。

所述步骤2中，对网页视觉信息量的提取主要分为两个部分，分别计算网页中图片视觉信息量和文本视觉信息量。所述的图片视觉信息量计算方法为：将图片进行分块处理，进行8*8DCT变换(也称余弦离散变换)，利用DCT变换后的每个信息块的出现概率计算图片视觉信息量；所述的文本视觉信息量计算方法为：计算每段文本中不同字母出现的次数，利用自然语言中的字母频率完成文本视觉信息量的计算。

所述步骤3中，设计合理的主观实验，统计用户的MOS值和等待时间，计算网页视觉信息量。基于步骤1中的QoE评价模型，在已知I、T和QoE值的情况下，进行非线性回归拟合，得出各个训练参数的具体数值。

所述步骤4中，将步骤3中得出的训练参数代入步骤1的QoE评价模型公式，对已知等待时间、计算出网页视觉信息量的业务进行QoE的评估预测。

从上述步骤中可以看出，本发明的技术方案通过建立新型基于WFL利用视觉信息进行BE业务的QoE评价模型，将视觉信息对终端用户QoE的影响考虑在QoE评价中，利用主观实验得出的训练参数对QoE评价模型进行修正，实现快速、准确且有效的BE业务QoE评价。

本发明一种基于韦伯费希纳定理的BE业务QoE评价方法的优点在于：

(1)将视觉信息对用户QoE的影响考虑在内，能够更准确地进行BE业务QoE评价和预测。

(2)对网页的视觉信息提取方法分为对网页中图片信息量计算和文本信息量计算，能够方便、快速且准确的提取出网页的视觉信息。

附图说明

图1为本发明一种基于韦伯费希纳定理的BE业务QoE评价方法的系统框架图；

图2为本发明中获取训练参数的主观实验设置示意图；

图3为本发明中网页视觉信息量提取模型的构建流程图；

图4为实施例中传统WFL模型的预测MOS值与主观实验提供的主观MOS值的偏离程度效果图；

图5为实施例中本发明所提供模型的预测MOS值与主观实验提供的主观MOS值的偏离程度效果图。

具体实施方式

下面结合附图和实施例对本发明进行详细说明。

本发明提供一种基于韦伯费希纳定理的BE业务QoE评价方法。本发明的主要思想是在传统基于WFL的QoE预测模型基础上，考虑业务所提供的视觉内容信息对QoE的影响，通过将单位等待时间的视觉信息量看作影响用户体验质量QoE的刺激量；将网页视觉信息量提取分为对网页中图片视觉信息量的提取和文本视觉信息量的提取，达到量化视觉信息对QoE的影响，准确进行QoE评价预测的目的。

为使本发明的技术方案优势描述的更加清楚，下面结合附图和实施例对本发明的具体实施方式作进一步的详细阐述。在下面的描述中，对与本发明无关的技术只做简要的技术说明或者直接略过。

图1是本发明一种基于韦伯费希纳定理的BE业务QoE评价方法的系统框架图，如图1所示，所述的QoE评价方法包括三个部分：记录QoS参数、网页视觉信息提取、主观实验提取训练参数。

所述的QoS参数包括业务等待时间，所述的记录QoS参数是指在用户使用网页浏览业务时，记录用户从发出网页请求到打开整个网页的总时间。

网页视觉信息量提取包括图片视觉信息量的提取和文本视觉信息量的提取，主要是计算出用户访问的网页所能提供给用户的视觉信息量。

主观实验提取训练参数是指在用户体验业务的当前网络环境下进行适量的主观实验，结合实验人员给出的主观评分，利用非线性拟合的方法得出当前网络环境下的训练参数。

以上三个部分为评估业务的QoE提供了输入量，已知训练参数可确定当前网络环境下使用的BE业务QoE评价模型公式，对于用户进行体验的特定网页，在记录过等待时间、计算完网页的视觉信息后，分别输入QoE评价模型公式，即可评估预测出该业务的MOS值。

图2是本发明中提取训练参数的主观实验设置示意图。如图2所示，进行主观实验需要一台可上网的计算机、一台网页服务器和一台网络仿真服务器。

网页服务器用于放置网页供用户访问，放置的网页类型主要包括新闻类网页、购物类网页和搜索类网页。同时，在该网页服务器上构建一个MOS数据库，用来记录实验人员体验网页浏览时给出的MOS分值。

网络仿真服务器用于控制接入带宽和网页访问的等待时间，并记录所述的等待时间并将等待时间传送给网页服务器记录入数据库。

计算机供用户浏览网页，并进行打分，打分完成后将MOS值传给网页服务器，记录在MOS数据库中。

本发明实施例在网页服务器上部署了10个网页，这10个网页具有不同的图片信息占比和文本信息占比。同时利用网络仿真服务器控制接入带宽和网页访问的等待时间的能力，设置5个不同的等待时间条件。共选择50名非专业人员作为实验人员参与主观实验，这50名实验人员被分为10组，每组5人。这10组实验人员以组为单位分别在5个不同条件(不同等待时间)下，对10个网页进行打分，将同一条件下5个人对同一网页给出的MOS值取平均作为此条件下对此网页的主观体验质量值。每组将给出50个MOS值，10组共得出500个MOS值。这500个MOS值将与其对应的网页信息量和等待时间一起记录在MOS数据库中，共有500组实验数据。本发明实例中的这500组实验数据，80％的实验数据用来构建主观实验库，提取训练参数，20％的实验数据用来对本方法进行性能验证。

图3是本发明中网页视觉信息提取的方法流程图。对网页视觉信息提取分为两个部分，对网页中图片视觉信息量的提取和文本视觉信息量的提取，这两部分基于MATLAB实现。

对图片视觉信息量的提取主要有以下几个步骤：

步骤301：将网页保存在本地，从网页中提取图片，并利用MATLAB中的语句将网页中的图片批量读入。

步骤302：将读入的图片分成8*8的信息块B(x,y)，x,y表示信息块的位置坐标，对每个信息块对应的图片数值矩阵f(i,j)进行8*8DCT变换(离散余弦变换)，变换到DCT域上的数值矩阵F(u,v)。

$\left(\begin{array}{c}F(u,v)=\frac{2}{\sqrt{8\times 8}}\underset{i=0}{\overset{8-1}{\Sigma }}\underset{j=0}{\overset{8-1}{\Sigma }}f(i,j)c\left(u\right)c\left(v\right)cos\frac{(2i+1)u\pi }{2\times 8}cos\frac{(2j+1)v\pi }{2\times 8}\\ i,j,u,v=0,1,2,\mathrm{...},7\end{array}\right)$

步骤303：利用MATLAB计算DCT变换后得到的数值矩阵F(u,v)的出现概率P(F(u,v))，数值矩阵F(u,v)的出现概率即为信息块B(x,y)的出现概率P(B(x,y))，即。

P(B(x,y))＝P(F(u,v))

步骤304：图片视觉信息量是每个信息块信息量归一化之后求和。

单个信息块B(x,y)的信息量计算：

I(B(x,y))＝-log₂P(B(x,y))

归一化：

$I_n\left(B\right(x,y\left)\right)=\frac{I\left(B\right(x,y))-\min \left(I\right(B(x,y)))}{\max \left(I\right(B(x,y)\left)\right)-\min \left(I\right(B(x,y)\left)\right)}$

第i个图片的视觉信息量：

$I_{image}^i=\underset{x,y\in A_{image}^i}{\Sigma }{I}_n\left(B\right(x,y\left)\right)$

式中表示网页图片区域中第i个图片所占的区域面积。

对文本视觉信息量的提取主要有以下几个步骤：

步骤305：将网页保存在本地，从网页中提取文本信息，以段落为单位存成.TXT文件，并利用MATLAB中的语句将包含文本信息的文件批量读入。

步骤306：利用MATLAB中的循环程序统计每个文件中每个英文字母出现的次数N_i。

步骤307：文本视觉信息量是每个字母信息量归一化之后求和。

依据英语语言中的字母频率p_i计算字母信息量I_i：

I_i＝-p_i>2(p_i)>

第j段文本的总信息量

$I_{text}^j=\underset{i\in \{a,b,c,\mathrm{...}\}}{\Sigma }{N}_i{I}_i$

步骤308：综合。

网页的页面区域A_webpage主要包含三种部分：图片区域A_image、文本区域A_text、空白区域A_blank。图片区域由很多个图片组成，第i个图片所占的区域面积为文本区域由很多段文本组成，第j段文本所占的区域面积为空白区域也分不同位置的空白区域，第k个空白部分的区域面积为其中，空白区域不提供视觉信息量，图片区域和文本区域的视觉信息贡献程度与该区域的覆盖面积有关。将整个网页的面积作为1，计算各个区域的占版面积。

$A_{webpage}=\underset{i}{\Sigma }{A}_{image}^i+\underset{j}{\Sigma }{A}_{text}^j+\underset{k}{\Sigma }{A}_{blank}^k$

步骤309：计算网页视觉信息量。

将视觉要素(图片和文字)所占面积与整体页面面积的之间比率即图版率作为该视觉区域的视觉权重，利用下面的公式计算整个网页的视觉信息量。

$I_{webpage}=\underset{i}{\Sigma }\frac{A_{image}^i}{A_{webpage}}{I}_{image}^i+\underset{j}{\Sigma }\frac{A_{text}^j}{A_{webpage}}{I}_{text}^j$

表1 英语中各个字母对应的出现频率

结果表示：

基于本发明实施例中构建的主观实验库，对主观实验产生的共500组数据中的80％即400组数据进行多元非线性拟合，得出的各个训练参数的值依次为：

α＝1.0558、β＝1.5648、k＝1.3989，ω＝2.8019

将这些训练参数的值带入本方法的QoE评价模型中可得适用于当前网络环境下的用户QoE评价公式：

$QoE=1.0558\times \ln (1.3989\times \frac{I}{T}+2.8019)+1.5648$

本发明实施例中对本方法的性能验证是通过对比本方法和传统基于WFL的QoE评估方法的QoE预测性能和准确度。分别计算两种预测方法的RMSE(Root Mean Square Error，均方根误差，越趋近于0，预测性能越好)和SROCC(Spearman Rank Order Correlation Coefficient，史比尔曼等级相关系数，越趋近于1，预测性能越好)，并分别对比两种方法得出的预测QoE值和主观QoE值之间的差异。表2显示了这两种模型的性能对比结果，从表2中可以看出，相较于传统的仅考虑等待时间的基于WFL的QoE预测模型，本发明提供的模型的RMSE更趋近于0，SROCC更趋近于1，即本方法提出的利用视觉信息基于WFL的QoE模型具有更好的预测性能。

表2 模型性能对比

基于本发明实施例中的主观实验，构建主观实验库剩下的100个数据用于验证本模型的预测准确度，图4和图5提供两种模型的预测准确度对比。图4和图5中的横坐标均为主观实验提供的主观MOS值，图4纵坐标为传统WFL模型的预测MOS值，图5纵坐标为本发明所提供模型的预测MOS值，直线为预测MOS值和主观MOS值相同的情况，点的分布越靠近直线表示预测MOS值越接近主观MOS值，偏离程度越大表示预测越不准确。从图中可以看出，图4中点分布偏离直线的程度明显高于图5中点分布，利用本方法评估预测的QoE更接近用户的主观MOS值，这表示本发明所提模型的预测结果与传统WFL模型相比更为准确。