[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

摘要

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。

主权项

1.一种基于网络流特征构造学习的加密视频QoE评测方法，包括：对于HTTP和HTTPS的基于TCP，和对于QUIC的基于UDP的加密或非加密HAS视频业务的评测方法，从移动网络核心网网关采集HAS视频业务的网络IP数据包，根据HAS播放器模型分析HAS视频业务的网络数据流特点，从网络数据流中提取对视频KQI表征性强的特征，利用机器学习方法对视频QoE评测；其特征在于：通过网络数据流的质量QoS参数以及HAS视频业务特性分析提取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并建立起网络数据流特征与视频KQI和视频KQI与MOS的映射模型；具体操作步骤为：(1)从数据采集平台获取基于网络流特征构造学习的加密视频QoE评测方法所需的网络QoS参数；网络QoS参数从HAS视频业务的网络数据包中解析获得，基于TCP承载的HAS视频网络QoS参数包括实时下行速率、丢包率和往返时延RTT，基于UDP承载的HAS视频的网络QoS参数为下行速率；(2)从数据采集平台获取基于网络流特征构造学习的加密视频QoE评测方法所需的HAS视频KQI参数；KQI参数通过HAS视频播放器播放日志获取，包括初始缓冲延迟和视频播放过程中的卡顿；(3)从数据采集平台获取基于网络流特征构造学习的加密视频QoE评测方法所需的用户MOS评分；MOS评分为用户根据视频观看体验的主观评分，用户根据观看体验好坏从低到高给出评分量为1～5分；(4)HAS视频业务的流量特点分析：HAS播放器下载每个视频分段时会产生流量高峰，根据此特性从实时下行速率中提取HAS视频分段；(5)根据HAS视频业务的初始缓冲阶段数据流量的突发性特点，从下行速率中提取初始缓冲阶段的HAS分段特征；利用这些特征结合视频初始缓冲时延KQI，采用反向传播神经网络BPNN和随机森林RF实现对视频的初始缓冲时延建模；(6)根据HAS视频业务的视频平稳播放阶段数据流量相对平稳的特点，提取该阶段的HAS分段特征，结合播放器日志中记录的真实码率，采用BPNN实现对视频的平均码率建模；(7)利用提取的HAS分段计算一定数量分段时间内平均下行速率，对整个视频过程中网络质量的好坏进行评估，提取网络质量较差处的包括HAS播放器模型参数特征、HAS视频分段特征和网络QoS特征的基于网络数据流的特征；HAS播放器模型参数特征包括根据初缓时延和平均码率估计得到的播放器缓冲区剩余视频量BL和视频量的变化量BV；HAS视频分段特征为基于HAS视频分段平均速率、间隔、数据量、丢包率和RTT的统计特征；网络QoS特征为基于网络实时速率、丢包率和RTT提取的统计特征；(8)根据播放器日志将视频卡顿按照卡顿次数和时长分将视添加正常视频、多次卡顿的视频和严重卡顿的视频三个标签；正常视频即整个过程中流畅播放的视频，多次卡顿的视频及播放过程中卡顿次数大于1次的视频，严重卡顿的视频即卡顿总时长大于视频播放时长的10％的视频；(9)根据基于网络质量提取的HAS播放器模型参数特征、HAS视频分段特征和网络QoS特征，结合视频的正常、多次卡顿和严重卡顿三个标签，采用RF对其进行分别训练建模，得到视频卡顿、多卡与严重卡顿的检测模型；(10)在得到视频卡顿和初始缓冲时延KQI的基础上，结合用户MOS体验评分，采用回归的方式建立上述KQI与MOS评分之间的映射模型。