[发明专利]一种基于网络流特征构造学习的加密视频QoE评测方法

说明书

本发明公开了一种基于网络流特征构造学习的加密视频QoE评测方法，特征是通过HAS视频业务数据流特性分析从QoS参数中提取了与数据内容无关的网络数据流特征，在此基础上利用机器学习方法训练建立了“网络数据流特征→视频KQI→用户MOS”的映射模型，在数据采集平台中直接实现了对加密视频QoE的评测。由于本发明在建模过程中所需特征来自于数据采集平台采集获取的视频业务QoS参数，所建立的映射模型不依赖于视频内容，这种基于网络数据流的建模方法广泛地适用于各种基于TCP和UDP协议加密和非加密移动HAS视频业务。

技术领域

本发明属于移动通信网络技术领域，具体涉及基于网络数据流特征的适用于加密视频流业务QoE的评测方法。

背景技术

根据2016年美国思科“Cisco visual networking index:Global mobile datatraffic forecast update,2016-2021white paper”统计预测，到2021年移动视频业务所产生的流量将占移动流量的75％以上。因此运营商需要保证移动视频业务的用户体验质量(Quality of Experience，QoE)以提供更好的网络服务，而如何有效地获取并评估其网络中的视频业务的QoE是亟待解决问题。视频业务QoE是指用户对其所观看视频的主观感受。目前普遍采用ITU-T提出的五分制的主观平均意见得分(Mean Opinion Score，MOS)，通过将QoE从坏到好量化为1～5分进而分析。根据研究，影响视频业务QoE的主要因素为一些视频业务关键质量指标(Key Quality Indicator，KQI)，主要包括视频卡顿、清晰度、流畅度和初始缓冲时延。例如，2011年美国SIGCOMM收录的“Understanding the Impact of VideoQuality on User Engagement”指出，视频卡顿和初始缓冲时延两个KQI为用视频业务QoE的主要影响因素。

由于移动网络信道时变性强，内容提供商为了保证更好的视频QoE普遍采用了HTTP自适应视频流(HTTP Adaptive Streaming，HAS)技术。根据2015年IEEE杂志Communications Surveys&Tutorials收录的“A survey on quality of experience ofhttp adaptive streaming”文章，HAS技术在移动视频业务中的应用减少了80％的视频卡顿事件。但由于HAS视频业务的自身特性，包括自适应、渐进式下载策略，研究者无法简单地根据网络质量获取HAS视频的KQI，进而评估视频业务的QoE。

同时，随着人们对用户隐私的重视，越来越多的内容提供商开始对其视频内容进行加密传输，使得传统基于深度包解析(Deep Packet Inspection，DPI)技术的QoE评估方法已不能满足新的需求。因此，加密视频业务的QoE评估面临着新的挑战。例如，2012年日本国际会议“Innovative Mobile and Internet Services”收录的“Passive youtube qoemonitoring for isps”，2014年美国SIGCOMM收录的“Youslow:a performance analysistool for adaptive bitrate video streaming”，首先在中间节点截获视频业务数据，然后通过DPI技术解析视频内容，包括视频帧、码率、HAS分段时长，再结合当时的移动网络质量评估视频KQI。然而，在加密场景下视频帧、码率和HAS分段时长参数均无法通过DPI技术获取，所以目前已有的移动视频业务KQI的评估方法仍不够全面。

发明内容

本发明的目的是提出一种基于网络流特征构造学习的加密视频QoE评测方法，通过数据采集平台获取用户移动终端观看视频过程中的视频网络数据、视频KQI参数以及用户MOS评分，在此基础上进一步建立网络数据流特征、包括初始缓冲和卡顿的视频KQI参数以及MOS评分的映射模型，在数据采集平台中直接实现加密视频业务QoE评测。