高清视频流的分析、建模和预测

文摘

高清视频流的独特的统计特征和高带宽需求被认为是一个挑战在网络调度和资源分配领域。在本文中,我们介绍一种创新的方式来建模和预测高清晰度(HD)视频编码痕迹与h / AVC的编码标准。我们的研究结果是基于50多个高清视频跟踪的编译。我们表明,我们的模型,简化季节性ARIMA (SAM),为高清视频提供了一个准确的表征,它提供了重要的改进预测精度。这样的准确性是至关重要的提供更好的视频流量的动态资源分配。此外,我们提供高清视频的统计分析,包括因子和聚类分析来支持更好的理解视频工作负载特征及其对网络流量的影响。我们讨论我们的方法来收集和编码集高清视频跟踪。视频采集,结果,和工具可供研究团体。

1。介绍

网络视频网站促进数字视频内容的创造和分发数以百万计的人。网站像YouTube [1)现在被认为是最由互联网用户访问的网站之一。这些网站现在占27%的互联网流量,在一年内从13% (2]。网络视频流量预计将达2012年消费者互联网流量的50% (3]。

这种激增的流量比例可以解释最近的调查显示,美国互联网用户观看流媒体视频的比例已从81%上升到84.4%,平均每月时间从8.3增加到10.8小时/月2009年3个月期July-October [4,5]。此外,一些网站,例如,Hulu (6)和Netflix (7),已经选择开始提供电视节目和电影,增加了日常互联网用户的依赖等网站和增强他们的期望水平的服务和交付质量。

视频资源和带宽分配方案依赖于他们的预测能力和管理时间变体的视频流的需求。现有的动态资源分配方案(8- - - - - -10)利用视频流量预测为现有的视频流量,提供更好的住宿条件和允许更高的利率的承认。交通预测是动态带宽分配的最重要的部分。它是可以交通特性或基于视频内容。Video-content-based交通预测显示他们的优势traffic-based同行10]。

因此,必须分析和视频流量模型,允许更好的服务质量(QoS)的支持。在本文中,我们提出我们的基于模型的预测结果和讨论其视频流量预测能力。

建模视频流是一项具有挑战性的任务,因为高可变性的视频帧大小。这些变化增加了通过引入MPEG4-Part10 /高级视频编解码器(AVC) / H。264高清视频编解码标准。AVC提供更好的压缩率(即。,lower mean values) than its predecessors. Yet at the same time, it results in higher frame size variability [11]。

在本文中,我们提出我们的工作分析,模型,预测高清晰度(HD)视频编码痕迹与h / AVC编解码器。我们提出基于50多个高清视频跟踪结果。我们比较三种建模方法:自回归(AR) [12),自回归综合移动平均(ARIMA) [12)使用中提出的方法(13),我们简化季节性ARIMA模型(SAM)是减少资源开发要求移动视频跟踪(14,15]。此外,我们比较这些模型的预测精度。

有一些贡献,旨在实现更好的理解之间的关系的统计特征视频跟踪和它们对数据网络的影响。在[16),作者提出了一个统计和因子分析研究20 MPEG1编码视频跟踪和它们对ATM网络的影响。类似的方法提出了在17与强调视频跟踪帧大小分布]。作者在18)进行了统计分析四mpeg4 avc编码视频跟踪演示量子化效应几个统计测量,包括视频帧之间的组间关联。在[11),作者比较了AVC标准的统计特征和它的前身,即MPEG4-Part2比特率失真性能而言,比特率的变化,远程依赖(上)。

在本文中,我们提出我们的分析和建模工作50多个高清视频跟踪从YouTube高清视频部分。我们的目标是通过这次调查的主要贡献统计特征,定义一个高清视频跟踪。这个识别很重要,主要有两个原因:它有助于集群视频跟踪取决于特定的统计标准,帮助选择正确的交通负载,或其他可能的数据挖掘过程中16]。此外,它有助于定义高清视频跟踪的主要统计属性,应该考虑实现一个有效的统计模型(19]。

的一个主要挑战发展中一个有效的视频工作负载模型的可用性是一个足够数量的痕迹来测试该模型。web上可用的痕迹是稀缺的,不能代表所有不同类型的视频。因此,这个贡献的目的之一是为研究人员提供足够数量的痕迹来支持他们的未来的研究。我们所有的工具,结果,和视频跟踪是可以通过我们的网站20.]。

除了这些视频跟踪分析和建模,我们提供一些工具:基于模型的跟踪发生器,可用于生成用户定义的痕迹与所需的统计特征,和一个简单的GUI界面提供高清视频的基本统计分析和比较图痕迹。跟踪发生器也可以用来产生一个新电影跟踪代表不同的视频特征的混合。图1总结分析和建模的主要步骤选择的视频和显示每一步的相应输出。

我们的编码过程始于一个高清的YouTube视频mp4格式,然后再转换为YUV(4: 2: 0)原始视频格式。这样的格式允许视频帧更可压缩(21]。原始视频与AVC因此编码,产生以下过程:一个电影文件编码,其编码统计文件,和一个完整的编码过程的详细描述。然后使用我们的分析工具解析详细输出视频跟踪信息,然后使用AR建模,ARIMA、萨姆。还生产使用的视频跟踪是视频帧自相关函数(ACF)和偏自相关函数(PACF)图。ACF情节是常用的工具来检查随机性数据系列的绘图数据集值几个时间滞后(22]。给定一个数据系列,PACF滞后之间的自相关和这不是由滞后1包容性。

山姆参数为每个视频可以被用于视频流量预测分析,或生成视频跟踪。山姆帧发生器使用这些参数来生成一个电影跟踪,统计上接近于原始电影的痕迹。

本文的组织结构如下:部分2论述了获取的方法和编码我们收集的高清视频。部分3显示了我们的统计分析的结果,包括因子和聚类分析。节4,我们比较结果的建模视频跟踪和萨姆提供一个简单的介绍。部分5探讨了评估方法的预测精度比模型和比较的结果。部分6说明了我们的工具的设计及其实现。最后,我们得出结论本文并给出一些见解的影响我们的结果和我们的未来的工作。

2。编码YouTube高清视频

代表现实生活视频流量负载,我们选择了YouTube网站作为我们的来源。最受欢迎的视频网站YouTube目前在互联网上(23]。我们第一步选择候选人与YouTube视频是确保我们有一个很好的各种各样的纹理/细节和运动水平。选择一个代表性的可用的视频,我们开始我们的选择过程9访问次数最多的视频在YouTube上的视频高清节(1]。然后,我们我们的收藏增加了选择的三个随机视频从每个15子类对YouTube网站的用户可用。我们收集了54个视频文件mp4格式。

然后,我们分析了收集视频使用MediaInfo(24)确定各种视频编码参数和选择最常用的参数值。我们确保我们选定的参数值是符合这些推荐(25,26]因为YouTube视频编码。我们的下一步是将所有这些原料或YUV视频(4:2:0)格式。这一步是重要的,以确保统一所有收集到的视频编码参数允许客观比较。我们进行了使用开源库FFMPEG编码的转换过程(27]。

将YUV文件转换成h / AVC格式,我们测试了两个公开可用的编码库:x264 [28)和JM参考软件(29日]。尽管x264明显比JM参考软件,它为我们提供了更少的信息编码过程。表1列出了主要的编码参数和JM参考软件一起使用。

这些参数被选出来代表我们搜集了大部分的视频。我们在编码过程中使用即时解码刷新(IDR)框架(25]。IDR帧是特殊类型的框架,允许更好的寻求精确,从而增强用户的体验。我们使用closed-GOP设置(26确保所有我框架IDR框架,因此改善用户的在线体验。收集的大多数视频的帧率24 fps。IDRPeriod定义的周期性IDR帧。

的ProfileIDC参数定义了视频概要文件,在这种情况下,设置为高。这个参数,以及LevelIDC参数,指定客户端解码器的功能,必须以解码视频流。参数NumberBFrames指定的数量片或帧之间、印尼盾和帧。量化参数使用默认值编码器。的参数NumberReferenceFrames集的最大数量的参考帧存储在解码器缓冲区,并将三个框架。所有其他的编码参数设置为JM参考软件的默认值。在我们的分析和编码过程,我们使用两个版本的JM参考软件:v15.1 v16.0。

编码过程既耗费时间和资源的过程。单个视频文件编码的平均37个小时,平均编码速率为0.02 fps。生YUV的平均大小(4:2:0)视频文件大约是4 GB。编码完成使用2.8 GHz酷睿i7机6 GB的DDR3内存。这些数据支持我们的信念有一个有效的跟踪模型的必要性和发电机。编码过程的输出通过我们的解析器来提取然后运行所需的视频跟踪帧尺寸信息我们下一步的分析和建模。

3所示。因子和聚类分析的视频跟踪

在本节中,我们讨论的步骤来执行一个完整的统计分析收集到的视频跟踪以达到更好的理解的主要因素,可以用来表示视频跟踪为了发展一个代表性的统计模型。

多变量分析是用来展示收集的数据的完整结构,和任何隐藏的模式和关键特性30.]。尤其是当使用多变量分析变量是彼此密切相关的,有一个需要了解它们之间潜在的关系。我们已经计算以下统计量化值跟踪帧大小:意思是,最小值,最大值,范围,方差,标准差,变异系数,平均价值。此外,我们计算的赫斯特指数的值,如图所示(4),这表示视频序列均值回归的能力,值越高表明一个平滑的趋势,减少波动,和粗糙度。它的值在0和1之间变化。这也是一个信号强度的远程视频帧之间的依赖(上)(19]。赫斯特指数的计算,首先计算均值调整系列: 在哪里在指数是帧尺寸吗,意思是在跟踪帧尺寸长度吗,然后我们计算累积偏离向量: 下一步是计算值范围,我们把它用标准偏差值: 在哪里在指数是帧尺寸吗,是意味着当前帧大小,在跟踪帧的数量。我们还计算偏态值,代表观察到的对称分布在中心周围点(19]: 性病是标准差的帧大小。此外,我们计算峰态值,这是一个指示是否观察到的视频跟踪分布峰值或平面相对于正态分布(19]。所示的峰态方程

如表2所示,收集视频代表统计不同数据样本。正如我们之前提到的,高清视频的视频帧大小差异是相当可观的。表显示了已经收集了最重要的变量。我们注意到在我们准备分析最小显著变量不为总方差,从而忽视。马克斯和范围,和方差和标准偏差对几乎是相同的。我们选择范围和方差来表示两双,分别。在接下来的部分,我们将讨论的方法和结果进行因子和聚类分析。

3.1。主成分分析

最常见的一种因子分析方法是主成分分析(PCA) (16),一群可能相关的变量进行了分析,然后降低到一个更小的不相关的因素。这些因素占大多数的方差在观察到的变量中。通过执行这个过程,我们的目标是减少变量代表一个视频跟踪的数量没有多少损失的信息(30.]。

我们的第一步是确定变量的最小的数来表示每个视频跟踪。表3显示所选变量之间的相关性。这些变量共同代表大多数样本变异。

对每个因素的重要性是由它的特征值。以确定我们使用的许多因素提取Kaiser-Guttman规则(31日]。通过遵循这个规则,我们排除的因素特征值小于1。我们支持我们的选择通过执行小石子的测试32)如图2,我们绘制多种因素之间的关系及其累积贡献的总方差的数据集,我们寻找大型策划变量之间的空间或膝盖的图来确定数量的因素要考虑。

我们的分析导致了选择与以下两个因素特征值:= 3.51,= 2.82。这些因素占79%总数的标准方差。我们确认的数量因素就足以解释变量之间的组间关联的执行几个nongraphical测试(33]。

简化因子结构和传播之间的相关性的变量和因素(其载荷值)尽可能多的,我们进行了正交和斜交旋转的因素(34]。我们选择最大方差法正交旋转,因为它给了最好的结果。如图3,这两个重要组均值和偏态组。表4显示了方差极大旋转和不旋转的因子载荷值。

可以注意到,旋转因素更好的分散和简单的解释。从表4我们可以注意,第一个因素主要定义了均值和方差值。第二个因素定义主要是偏态和峰态值。我们选择的意思是代表最高负荷以来第一个因素。我们选择峰度作为代表以来最低,平均(−0.23)之间的相关性。这一分析显示了偏态和峰态高清视频跟踪的重要性。这两个变量被认为是无关紧要的在以前的视频分析(16]。这一点可以解释的依赖这些变量的标准差占很大一部分总方差的高清视频的痕迹。

3.2。使用k - means聚类算法聚类分析

我们已经表明,所选的两个因素,或主成分,足以描述一个高清视频跟踪。我们的分析的第二步是将收集到的视频跟踪分组为集群。我们使用最流行的一种聚类方法:则聚类算法(35]。则算法实现集群通过最小化within-cluster平方和所示 在哪里视频跟踪指数吗,是集(的数量,:视频跟踪的数量),是th集,的意思是。

我们的下一步是估计的数量集群或组来考虑——集群。主成分分析有助于深入了解有多少集群视频跟踪可分为(36]。在我们的例子中,主成分分析表明,我们需要两个集群。为了验证分析结果从主成分分析,我们进行计算的within-cluster平方和不同数量的集群。我们的目标是选择允许的最小数量的集群within-cluster平方和最小可能值。通过绘制这些值代表一个图表类似于前面所示小石子测试图2之间的大空间绘制变量和图形膝盖值表示可能的值是两个,三个,四个集群如图4(一)。进一步调查集群使用的最佳数量,我们执行一个层次聚类识别集群使用的数量病房的方法(35]。如图4 (b),视频跟踪分为两个主要的集群。我们的选择分组视频跟踪的两个集群进一步验证通过执行轮廓验证方法(37]。

通过执行——聚类分组视频跟踪到2集群。表5显示了两个选择主成分对应的质心两个集群,主要和两个集群成员。图5显示视频组的分布在两个集群。

总之,视频跟踪属于集群2显著降低平均值和相当低的山峰与正态分布相比,和轻尾巴的峰度值较低。

我们也注意到电影类视频痕迹都分布在集群。大多数博客和体育类视频具有尖峰的视频跟踪,因为他们的内容。新闻和喜剧视频不太憔悴的和较低意味着比其他电影。

总而言之,在本节中,我们证明了我们的结果执行因子和聚类分析对我们的视频跟踪的集合。这两种方法的分析给我们一个更好的理解电影的分布及其关键统计属性痕迹。

4所示。建模高清视频的痕迹

在本节中,我们讨论和比较三种统计模型来表示高清视频跟踪。几个模型来表现VBR(可变比特率)MPEG流量提出了近年来。一些模型的提出是基于马尔可夫链模型,以效率低下的代表远程依赖(上)MPEG流量的特点38,39]。由于高的影响上乘法过程被认为是像分数ARIMA (FARIMA),已被证明是准确的,而且计算要求和提供边际改善ARIMA (12]。小波预测被证明需要更多的计算资源,并提供准确的结果低于ARIMA (40]。我们的目标是选择一个简单的实现,准确,模型适用于所有视频不需要痕迹显著统计背景。

所选的模型不需要利用,复杂,繁琐的步骤。模型应该能够不仅代表了视频帧大小分布,而且帧之间的相关性。这些属性是重要的实现所需的结果,并允许我们大量的视频跟踪分析。我们的系统论一步导致选择三种建模方法:自回归(AR)模型、自回归综合移动平均(ARIMA)模型使用中提出的方法[13,山姆模型(14,15]。所有这些模型都使用最大似然估计来确定模型系数和考虑Akaike的信息标准(AIC)作为优化目标。另类投资会议的定义是 在这里参数的数量,视频帧的数目,RSS是残差平方和。AIC定义模型的拟合优度,考虑其准确性和复杂性定义为数量的参数。低AIC值显示更好的模型的有效性和简单。下面简要描述每个建模方法。

4.1。基于“增大化现实”技术的建模

自回归拟合考虑前面的值拟合痕迹。一个自回归模型可以写成 在哪里是模型参数,是白噪声。

我们使用最大似然估计(标定)估计AR模型的模型参数。使用基于“增大化现实”技术以适应视频跟踪是一个相当简单的过程,但它并不总是产生精确的结果。另外,每个视频跟踪都有自己的一组参数的数字和他们的系数值。

4.2。ARIMA建模

自回归整合移动平均模型是一个数学类模型与自回归和移动平均线的条件。滑动平均(MA)术语描述之间的关系的当前值跟踪与以前的错误条件。集成或差分模型的一部分可以用来删除非平稳的痕迹。

华宇电脑通常称为ARIMA (,,),自回归部分的顺序,移动平均线的顺序是,差分部分的订单。ARIMA模型可以写成 在哪里滞后算子和吗是移动平均线参数。我们使用了自动ARIMA估计算法提出了(13),它实现一个统一的方法来指定使用一个逐步的过程模型参数。它还考虑了季节性的跟踪允许代表季节性数据系列。这个方法还在一个单独的结果集的参数为每个视频跟踪的数字和他们的价值观。本文余下的时间我们会将这种方法简单地称为ARIMA。

4.3。山姆模型

萨姆是一个数学模型基于季节性ARIMA (SARIMA)模型(12]。SARIMA模型旨在取得更好的建模通过识别季节性和季节性的部分数据痕迹。SARIMA被描述为 在哪里季节性自回归部分的顺序,季节性移动平均线的顺序是,是季节差分的顺序,表示时间序列的季节性。山姆SARIMA模型可以写成 在哪里是视频跟踪季节性,在我们的案例中等于帧率。

山姆模型提供了一个统一的方法视频编码痕迹,使用不同的编码设置不同的视频编解码器标准(14,15]。移动视频跟踪模型开发模型,我们研究本文模型更resource-demanding高清视频跟踪能力更高的分辨率和不同的编码设置。季节性ARIMA模型可以表示为两个主要步骤:定义模型,通过选择的顺序,,,,,条款,然后估计系数使用最大似然估计等方法。SARIMA模型需要相当程度的分析和统计背景识别模型秩序。山姆,另一方面,只有四个参数,因此每个模型表示只有四个系数值,当达到类似的结果为每个视频跟踪SARIMA模型计算(14,15]。参数的值决定使用最大似然估计和优化使用Nelder-Mead方法(41]。四个参数的自回归系数,移动平均线,季节性自回归和季节性移动平均线部分。因此,使用SAM简化了分析过程,通常需要季节性系列和删除手动处理和专家分析要求。

4.4。建模结果

执行建模分析后54高清视频的痕迹,我们首先评估取得的结果通过比较AIC值之和所有建模视频跟踪。我们也计算了每个模型取得了最好的AIC的数量,也就是说,最小值,在一定视频跟踪。此外,我们比较三个模型使用三个统计措施评估模型值接近实际的痕迹:平均绝对误差(MAE)所示(13),平均绝对相对误差(母)所示(14)和归一化均方误差(NMSE)所示(15) 在哪里的帧数,的建模错误吗th坐标系,是帧大小。结果如表所示6。它可以指出,山姆取得最好的结果,而基于“增大化现实”技术和ARIMA排在第二位和最后一位,分别。实现结果表明两个要点:山姆优于另两种建模方法,和自动的方法用于ARIMA建模并不总是产生预期的结果。

此外,我们执行几个图形比较所有的视频跟踪通过比较原始的视频跟踪,其自相关函数(ACF)的情节,和他们的经验累积分布函数(ECDF)情节的通过不同的模型。图6相比显示了一个示例的一个视频跟踪。我们可以注意到,山姆有更好的结果,代表了痕迹统计特征比其他两个模型。对于这个示例,使用AR建模所需的12个参数,利用ARIMA需要7参数(两个AR参数和5 MA参数),并使用SAM只需要4个参数。

结果表明,山姆已经明显优于其他两种建模方法特别是在季节转换的视频跟踪。这种优势也在ACF和ECDF情节比较明显。所有的图形比较结果高清视频的痕迹也可以通过我们的网站(20.]。

5。高清视频流量预测

因为变化表现出的视频流量,特别是AVC的编码视频、静态带宽分配被认为是不适合提供网络资源的高利用率。因此,动态带宽分配被认为是另一种方法(42]。动态带宽分配方案的核心是交通预测,有助于为未来的带宽分配决策。

为了评估不同的预测方法,我们不同的需求特征的预测。这些要求将测试这些模型的能力在不同的网络流量情况下运行。第一个标准是正确预测交通模型的能力来实现长期的预测。预测过程本身消耗网络资源。因此,它比运行预测尽可能几次。另一方面,我们不需要太大的预测区间,因为视频帧大小变化频繁,不遵循一个特定的模式在很长一段时间,可能会导致严重的预测错误。预测错误导致在网络资源使用效率低,或导致丢包率增加由于接收网络缓冲区空间不足。我们评估这一标准通过比较三种建模方法使用四种不同的预测区间长度:48岁,72年,96年和120帧转化为2,3,4,5秒,分别。

第二个标准是预测的能力获取电影的统计特征跟踪通过分析尽可能少的视频帧。我们评估这一标准进行比较的情况下预测的预测精度已经处理250年,500年,1000年和1500年视频帧。这意味着大约10、20、40、60秒,分别。

显然,我们寻求最佳预测值,最长可以达到最好的预测精度预测窗口的帧数最少的进行分析。我们选择了常用的噪声信号(信噪比⁻¹)比我们的预测精度指标。信噪比⁻¹计算比率预测误差的平方和的平方和视频帧大小。信噪比⁻¹可以描述为 在哪里是预测误差,大小是视频帧大小。

图7显示了主要结果的总结。如这个图,预测误差直接相关的增加预测窗口大小。它还表明,预测知识的增加,代表数量的帧处理,提供了更好的预测精度。很明显从山姆的图提供了其他两种方法明显改善了。表7显示了改进山姆提供基于“增大化现实”技术和ARIMA当1000帧处理。山姆在基于“增大化现实”技术的提高到55%,在ARIMA和53.3%。

为了更好地理解观察改进背后的原因,我们把这三个模型预测预测窗口48 1000年处理后的视频帧。如图8,山姆不仅能够准确预测视频帧,它是唯一一个可以预测的重要过渡帧大小。山姆也可以提供准确的结果,相对较少数量的帧。例如,山姆结果与1500年与250年比山姆预处理帧只有4.7%预处理帧(19]。

我们进一步研究了用山姆的可能性更少数量的帧。理论上,山姆需要至少29帧显示在[43]。我们的结果表明,我们需要至少100帧来实现所需的精度。山姆,使用1500帧提供比使用100帧平均只有1%。因此,根据我们的研究结果,我们建议使用SAM与100帧(~ 4秒)来预测随后的120帧(5秒)。这意味着一个动态带宽分配方案只需要协商分配每隔5秒。

在本节中我们比较三种可能的模型,可以用来实现所需的预测精度与高清视频的痕迹。我们的研究结果表明,山姆有一个明显的优势超过其他两个模型。在下一节中我们讨论的一些开发工具。

6。SAM-Based开发工具

在本节中,我们将演示两个SAM-based工具的设计和实现:SAM-based流量发生器,可用于为视频流生成高清视频跟踪模拟,和GUI界面便于分析视频跟踪。

6.1。SAM-Based跟踪发生器

正如我们之前提到过的,山姆允许研究人员表示视频跟踪仅用四个参数。除此之外我们需要五分之一参数来初始化仿真过程所需的交通一代。第五个参数是建模误差的标准差。

在(44),有两个函数,可以用来生成时间序列点基于ARIMA模型:arima.sim和garsim包含在gsarima包(45]。不幸的是,这两个函数只能模拟ARIMA模型,而不是使用SARIMA季节性ARIMA模型。为了克服这个障碍,我们SARIMA模型转化为一个无穷级数的AR系数(12,46]。的gsarima包提供了一个功能”arrep”能够这样的转换。从我们的经验,我们发现250 AR系数是足以提供良好的结果。我们实现了使用c# SAM-based生成器。发电机是基于方程(开发的47]。

图9显示了CDF实验组的对比从我们获得的跟踪跟踪发生器和实际的跟踪。提供跟踪发生器实现也可以研究社区改善和适应不同的仿真设置。

6.2。SAM-Based视频跟踪分析器

缓解视频跟踪和山姆的比较的分析模型与原始的跟踪,我们开发了一个简单的GUI,如图10,允许用户加载视频跟踪帧从一个文本文件大小信息。山姆分析仪然后处理信息和计算跟踪的季节性,山姆参数,和AIC值。

用户可以绘制ACF和PACF图的视频跟踪。此外,用户可以绘制原创视频跟踪与山姆为ACF和ECDF生成跟踪对比图。图11显示了一个示例的一个例子比较图由山姆微量分析仪。可以在用户需要添加额外的比较。山姆trace analyzer是使用c#实现的。我们的实现提供了一个接口编译后的代码,允许充分利用其功能。

在本节中,我们说明了两个我们的开发工具的使用。在下一节中我们讨论的重要性的贡献,得出结论。

7所示。结论

在本文中,我们提出了我们的编码工作,分析和建模50多个高清视频的痕迹,代表了广泛的统计特征。

我们可以总结一下本文的主要贡献在以下几点。(1)我们收集了50多个高清视频跟踪从YouTube网站,代表各种各样的视频跟踪。我们编码这些痕迹使用AVC标准使用最常见的设置由专家的建议。这些痕迹为研究团体提供的方法测试和研究新的方法来优化网络资源,特别是使用动态带宽分配。所有的视频跟踪和开发工具可用于研究团体通过我们的网站20.]。(2)我们执行一个完整的统计分析收集到的视频使用痕迹的方差最常见的量化措施。(3)我们进行了因素分析,确定主要的组件定义一个高清视频跟踪。我们得出结论,意味着和峰度值可以认为是两种主要的主要组件。我们的分析表明,峰度和偏态值都是重要的在定义一个高清视频跟踪,相反一直认为之前MPEG1编码的视频。(4)我们进行了聚类分析的集合使用高清视频——集群。我们的结果表明,我们可以把这些电影分成两个主要的集群。我们支持我们的结果使用不同的图形和nongraphical方法。(5)我们比较三种建模方法的能力模型我们收集的高清视频的痕迹。我们的研究结果表明,山姆有一个明显的优势在AR和ARIMA模型在精度和简化为代表的AIC值。(6)我们也比较这些方法的能力预测视频流量。我们的预测分析是基于几个因素,以确保选择模型能够提供最好的结果符合最低要求。我们的研究结果再次表明,山姆AR和ARIMA显著提高,它提供至少50%更好的信噪比⁻¹值。(7)最后,我们说明了两个我们的开发工具的实现。我们显示的能力SAM-based生成器生成高清视频的痕迹,可以配置和使用在不同仿真场景。

这个贡献提供了最初的步骤来实现更好的动态带宽分配方案设计优化带宽利用率高需求高清视频流的存在。

引用

1. 谷歌,“YouTube高清视频节”,2010年6月,http://www.youtube.com/HD。视图:谷歌学术搜索
2. c·阿尔布雷特,”调查:在线视频多达27%的网络流量,”2009年10月,http://tinyurl.com/yzpzoew。视图:谷歌学术搜索
3. 思科,“思科VNI:预测和方法论,2010 - 2015,”2012年2月,http://tinyurl.com/3p7v28。视图:谷歌学术搜索
4. Comscore的新闻稿,http://tinyurl.com/l4o3rs。
5. Comscore新闻稿2009年11月,http://news.websitegear.com/view/149267。
6. Hulu Hulu网站,“2011年6月,http://www.hulu.com。视图:谷歌学术搜索
7. Netflix,“DVD出租和高清视频流服务,”2011年6月,http://www.netflix.com。视图:谷歌学术搜索
8. a . Adas“支持实时VBR视频使用动态预订基于线性预测,”学报》第15届IEEE计算机和通信的社会联合会议(96年INFOCOM”)1996年3月,页1476 - 1483。视图:谷歌学术搜索
9. r . a . m . Wu乔伊斯,h . s . Wong l .关郑胜耀宫,“动态资源分配通过视频内容和短期流量统计,“IEEE多媒体,3卷,不。2、186 - 199年,2001页。视图:出版商的网站|谷歌学术搜索
10. y梁和m .汉”动态带宽分配基于网络流量预测实时mpeg - 4视频流,”EURASIP在信号处理的发展》杂志上文章ID 87136卷,2007年,2007年。视图:出版商的网站|谷歌学术搜索
11. 大卫g . van der Auwera p t . m . Reisslein”h / AVC可变比特率视频流量特征,“IEEE通讯杂志,46卷,不。11日,第174 - 164页,2008年。视图:出版商的网站|谷歌学术搜索
12. c .地方时间序列分析:介绍查普曼&大厅/ CRC,第六版,2003年版。
13. R . j . Hyndman和y Khandakar自动时间序列预测:预测包R,”杂志的统计软件,27卷,不。3、22页,2008页。视图:谷歌学术搜索
14. a . k . Al Tamimi r . Jain, c .——“建模和代AVC和SVC-TS宽带接入网络,移动视频的痕迹”学报第一届ACM SIGMM多媒体会议系统(MMSys 10)2010年2月,页89 - 98。视图:出版商的网站|谷歌学术搜索
15. a . Al Tamimi c .——r . Jain et Al .,“建模和资源分配对WiMAX无线宽带网络,移动视频”IEEE在选定地区通讯》杂志上,28卷,不。3、354 - 365年,2010页。视图:谷歌学术搜索
16. 曼卓尼p, p . Cremonesi, g . Serazzi”VBR视频流量和其使用的负载模型在资源分配政策,”IEEE / ACM交易网络,7卷,不。3、387 - 397年,1999页。视图:出版商的网站|谷歌学术搜索
17. o .玫瑰,“MPEG视频流量的统计特性及其对交通影响ATM系统的建模,”20会议程序本地计算机网络,没有。16 - 19,第406 - 397页,1995年10月。视图:谷歌学术搜索
18. l·l·莱提纱mpeg - 4 AVC流量分析和带宽预测宽带有线电视网络佐治亚理工学院,硕士论文,2008。
19. a . k . Al Tamimi r . Jain, c .——“高清晰度视频流量的建模和预测:一个真实的案例研究,”第二届国际会议在先进的多媒体(MMEDIA 10)雅典,页168 - 173年,乔治亚州,美国,2010年。视图:出版商的网站|谷歌学术搜索
20. a . Al-Tamimi和r . Jain,”山姆模型跟踪网站,“2011年6月,http://www.cse.wustl.edu/ jain / sam / index . html。视图:谷歌学术搜索
21. k .杰克,视频揭秘HighText,第二版,1996年版。
22. g . e . p .盒子和g·詹金斯时间序列分析:预测与控制,1976年Holden-Day。
23. 2010年3月,五大视频网站http://www.techsupportalert.com/top-5-video-streaming-websites.htm。
24. MediaInfo”MediaInfo供应技术和标记信息关于你的视频或音频文件,”2011年6月,http://mediainfo.sourceforge.net/en。视图:谷歌学术搜索
25. j .沉思,“生产h为Flash视频:概述,”2010年3月,http://www.streaminglearningcenter.com/articles/producing-h264-video-for-flash-an-overview.html。视图:谷歌学术搜索
26. 数字急流,2012年4月,http://dr6.sitesystems.ca/downloads/docs/DR_Studio_AVC.pdf。
27. FFMPEG编码库,跨平台解决方案记录,转换和流音频和视频,http://ffmpeg.org。
28. 2010年3月,x264编码器http://www.videolan.org/developers/x264.html。
29. JM参考软件,2010年3月,http://iphome.hhi.de/suehring/tml/。
30. b . s .埃维里特,一个R和s +®同伴多变量分析施普林格,2007年。
31. h·t·凯撒”,电子计算机的应用因素分析”,教育和心理测量,20卷,第151 - 141页,1960年。视图:谷歌学术搜索
32. R.B. Cattel”,小石子测试的因素,”多元行为研究,1卷,不。2、245 - 276年,1966页。视图:谷歌学术搜索
33. g . Raiche m . Riopel, j . Blais“非图形卡特尔的小石子测试解决方案,”美国心理协会的年度会议加拿大蒙特利尔。视图:谷歌学术搜索
34. g . Kootstra”项目探索性因素分析应用于外语学习,”2004年。视图:谷歌学术搜索
35. m . NorusisSPSS 17.0统计程序的同伴,普伦蒂斯霍尔出版社,2009。
36. c .丁和x,他“k - means聚类通过主成分分析,”《21 t国际会议上机器学习(ICML ' 04),69卷,2004年。视图:谷歌学术搜索
37. 集群算法有效性,2009年10月,http://tinyurl.com/yj8jz9w。
38. “a . m . Dawood和m . Ghanbari对路透基于内容的MPEG视频流量模型”,IEEE多媒体,1卷,不。1,第87 - 77页,1999。视图:谷歌学术搜索
39. y太阳和j . n . Daigle“源模型的基于完整的VBR视频流量MPEG4视频跟踪”IEEE学报》全球电信会议,卷2,p . 2005。视图:出版商的网站|谷歌学术搜索
40. h·冯和y,“网络流量预测技术研究”《无线通信国际会议上,网络和移动计算(WCNM ' 05)2005年9月,页1041 - 1044。视图:出版商的网站|谷歌学术搜索
41. j . A . Nelder和r·米德“单纯形算法函数极小化,”电脑杂志7卷,第313 - 308页,1965年。视图:谷歌学术搜索
42. h .赵:安萨里,y,“有效预测实时视频带宽分配”,IEICE交易通讯,卷86,不。1,2003。视图:谷歌学术搜索
43. “r . Hyndman和a·柯斯登柯最低样本量requitrements季节性预测模型”,远见》第六卷,12 - 15,2007页。视图:谷歌学术搜索
44. 项目R statstical计算,2011年6月,http://www.r-project.org。
45. o .:“Gsarima:两个函数的广义SARIMA时间序列模拟,”2011年6月,http://cran.fyxm.net/web/packages/gsarima/index.html。视图:谷歌学术搜索
46. d·蒙哥马利预测和时间序列分析麦格劳-希尔,1990年。
47. a . k . Al-Tamimi r . Jain, c .——“基于网络的动态资源分配交通预测视频流,”IEEE 4日学报》国际会议上互联网多媒体服务架构和应用程序(IMSAA 10)2010年12月,班加罗尔,印度。视图:出版商的网站|谷歌学术搜索

版权

版权©2012 Abdel-Karim Al-Tamimi等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。