移动雾Computing-Assisted DASH体验质量预测方案gydF4y2Ba

文摘gydF4y2Ba

视频服务已成为移动终端的杀手级应用。提供这样的服务,大部分的交通是由动态自适应流媒体通过HTTP (DASH)技术。提高视频质量感知的关键用户,gydF4y2Ba我gydF4y2Ba。gydF4y2Bae。gydF4y2Ba的,质量体验),利用测量数据是有效地描述它。有许多文献研究了这个问题。现有的一些解决方案在客户机/服务器使用探测机制,不适用,然而,网络运营商。一些其他的解决方案,旨在预测深层数据包解析体验质量,不能正常工作,因为越来越多的视频流量是加密的。在这篇文章中,我们提出一个fog-assisted实时体验质量预测方案,可以预测DASH-supported视频流的体验质量使用雾节点。客户机/服务器参与和深度数据包解析在网络设备是必要的,这使得该方案容易部署。实验结果表明,该方案能够准确地检测与高精度即使视频流量体验质量是加密的。gydF4y2Ba

1。介绍gydF4y2Ba

视频服务已成为一个杀手级应用的移动终端和大多数的视频流量进行动态自适应流媒体通过HTTP (DASH)技术。移动视频流量,占总数的60%移动流量在2016年预计将增长到2021年的78% (gydF4y2Ba1gydF4y2Ba]。这种显著的增长是伴随着破折号的广泛采用的标准(gydF4y2Ba2gydF4y2Ba,gydF4y2Ba3gydF4y2Ba]。短跑已在大规模分布式视频由于重用现有的HTTP基础设施和能力通过防火墙渗透。它提供了视频观众避免视频结束中断的可能性的变化的网络条件和自适应视频比特率的变化。gydF4y2Ba

为了提供更好的质量的经验(体验质量)为视频用户,网络运营商必须了解和监控的视频质量感知用户,近年来已成为一个热门话题(gydF4y2Ba4gydF4y2Ba]。一些现有的解决方案在客户端/服务器端使用测量机制调查体验质量(gydF4y2Ba5gydF4y2Ba,gydF4y2Ba6gydF4y2Ba]。然而,这些网络供应商解决方案是不可行的,因为他们无法在客户端/服务器端访问测量结果。一些其他的解决方案如何衡量网络内部的体验质量调查。这些基于网络的解决方案依赖于深层数据包检测(DPI)或深度数据包解析(DPP)体验质量评价(gydF4y2Ba7gydF4y2Ba- - - - - -gydF4y2Ba9gydF4y2Ba]。然而,越来越多的视频服务被加密以保护用户隐私(gydF4y2Ba10gydF4y2Ba),这意味着这些解决方案很快就不会工作得很好。gydF4y2Ba

移动雾计算(MFC),这让计算能力接近移动用户,提供了一个潜在的解决方案来探测用户的问:在网络边缘没有弱点上面的工作gydF4y2Ba11gydF4y2Ba]。在这篇文章中,我们提出一个Fog-assisted实时体验质量预测(FRQP)的方法,使网络提供商来预测用户的问:稍微增加计算能力。具体地说,我们在雾节点部署探测机制观察双向视频交通使我们能够推断出用户的问:根据时间的双向视频流量特性。FRQP基于network-measured流量,这意味着FRQP可以工作得很好没有客户机/服务器的参与。FRQP也不需要深度数据包解析,因为它只观察数据包头部信息。gydF4y2Ba

我们在本文的贡献如下:gydF4y2Ba我们设计一个MFC-assisted架构,它使用雾计算能力从双向交通预测体验质量;gydF4y2Ba我们第一次把正常的玩的时间视频分成两个子阶段,有效地预测用户体验质量;gydF4y2Ba我们创造性地引入请求距离的概念描述请求数据包,避免虚假的密度检测rebuffering事件;gydF4y2Ba我们进行实验,结果验证了我们建议的方法的有效性。gydF4y2Ba

本文的其余部分组织如下。部分gydF4y2Ba2gydF4y2Ba介绍了场景下研究和破折号是如何工作的。部分gydF4y2Ba3gydF4y2Ba提出了挑战体验质量的预测。部分gydF4y2Ba4gydF4y2Ba描述了我们的体验质量预测方法。部分gydF4y2Ba5gydF4y2Ba展示我们的实验和评价结果。部分gydF4y2Ba6gydF4y2Ba介绍了相关工作,并给出了结论和未来的工作gydF4y2Ba7gydF4y2Ba。gydF4y2Ba

2。应用场景和工作机制gydF4y2Ba

2.1。应用场景gydF4y2Ba

在本文中,我们提出一个fog-assisted实时体验质量预测的方法,使网络提供商来预测用户的体验质量稍微增加计算能力。它的应用程序场景如图gydF4y2Ba1gydF4y2Ba。在图中,移动用户设备主机少量客户机和连接到访问节点(一个),它可以是一个无线网络,如wi - fi和LTE。俺,雾节点,连接到服务器通过回程网络,gydF4y2BaegydF4y2Ba。gydF4y2BaggydF4y2Ba互联网。雾节点和回程网络都是由网络运营商管理。gydF4y2Ba

我们部署调查机制观察雾节点双向视频交通使我们能够根据时间推断出用户的体验质量的双向视频流量特性。具体地说,它定期收集的双向视频流量和预测用户体验质量流量。预测算法的细节部分中描述gydF4y2Ba4gydF4y2Ba。雾云节点可以体验质量报告预测的结果,可以相应地分配网络资源以提高用户体验质量。在这篇文章中,我们不关心雾节点与云但关注如何预测用户体验质量。gydF4y2Ba

在雾节点部署探测器的利益机制如下。调查机制需要准确的观察时间特性的双向视频流量来推断用户体验质量。接近调查机制位于远离客户,机会越少交叉交通干扰视频交通。gydF4y2Ba

2.2。工作机制的破折号gydF4y2Ba

为了更好地理解背后的想法我们建议的方法,我们将首先描述破折号在本节的工作机制。gydF4y2Ba

图gydF4y2Ba2gydF4y2Ba显示了一个破折号交付系统的抽象模型。DASH服务器编码视频文件具有不同性质的多个版本和每个视频文件到视频片块相同的游戏。DASH服务器使用HTTP提供视频服务。当一个客户端按开始按钮时,它发送一个HTTP GET消息服务器获取相应的视频块。所获取的块将保存在客户端本地缓冲。当缓冲区已收到足够数量的块,当地的球员将在屏幕上开始播放不断撤出的块缓冲区。gydF4y2Ba

初始化后,视频客户端进入稳定状态与正常视频玩,通常分为两个州(gydF4y2Ba12gydF4y2Ba:如图所示,在图的一部分gydF4y2Ba3gydF4y2Ba。客户端从服务器获取块不断,在缓冲块的数量,我们称之为缓冲区大小,也增加了。一旦缓冲区大小达到最大阈值时,客户端将停止下载和这个客户是取消状态的状态。当缓冲区大小下降到最小值的阈值,因为玩家的不断撤出从本地缓冲块,客户端开始向服务器发送请求消息开始下载。客户端从服务器获取数据的状态持续状态。从图gydF4y2Ba3gydF4y2Ba可以看出,相应的工作状态,客户机和服务器之间的流量展品开关和开关模式是常规模式。因此,缓冲区的大小在客户端定期振荡(见图的顶部gydF4y2Ba3gydF4y2Ba)。gydF4y2Ba

在观看一个视频会议,视频播放缓冲区时将中断排水。如果发生这种情况,播放将被冻结并在本地客户端将进入初始化积累足够的视频块了。视频中断被称为rebuffering或冻结的事件。Rebuffering事件影响终端用户体验质量感知(是一个重要的因素gydF4y2Ba13gydF4y2Ba,gydF4y2Ba14gydF4y2Ba]。gydF4y2Ba

3所示。设计的挑战gydF4y2Ba

因为rebuffering事件在视频流服务的重要性,在这篇文章中,我们使用rebuffering事件作为描述在用户体验质量的关键指标。这项工作旨在使用探测机制在雾节点来预测是否rebuffering事件发生在客户端。根据above-introduced冲刺工作机制,似乎我们可以很容易地预测用户的体验质量通过监控开关模式用户和缓冲服务器之间的流量。例如,在图gydF4y2Ba3gydF4y2Ba可以看到,视频流量呈现明显的开关模式。在状态,客户不断发出HTTP请求消息到视频服务器和服务器不断向客户机发送数据块。在关闭状态,不存在客户端和服务器之间的流量。从这些观察,我们可以合理地假设视频播放流畅如果探测机制观察开关客户机和服务器之间的流量。gydF4y2Ba

不幸的是,在现实中,推断rebuffering事件的发生并不是一件容易的事。接下来,我们将设置实验在实验室控制环境的挑战。gydF4y2Ba

实验设置如下。我们开始少量客户下一个接口有足够的带宽,使少量客户顺利播放视频;我们也有限带宽的终端接口在一定时期生产rebuffering事件。在实验中,我们抓住了客户端和缓冲服务器之间传输数据包,也在客户端缓冲区大小。具体地说,我们的时间分割成固定的采样间隔,这样最多有一个请求陷入取样间隔,计算从服务器获取的字节数量在每一个采样间隔的下载数量。gydF4y2Ba

图gydF4y2Ba4(一)gydF4y2Ba显示了带宽的变化观察到用户在视频播放终端接口。横轴是时间,纵轴是带宽。我们在持续时间20 Mbps带宽限制2 (gydF4y2Ba我gydF4y2Ba。gydF4y2BaegydF4y2Ba从120年到184秒)。图gydF4y2Ba4 (b)gydF4y2Ba显示缓冲区大小随时间变化。在这个图中,根据缓冲区的大小,我们将播放划分为三个阶段:稳态(SS),关闭冷冻(CF),和冷冻阶段。在学生阶段,之间的缓冲区大小是最小和最大阈值。在CF阶段,缓冲区大小小于最小阈值但大于0时0冻结阶段。图gydF4y2Ba4 (c)gydF4y2Ba显示下载体积随时间变化。我们也使用圆时间点来纪念那些瞬间的客户机请求数据包的问题。为了缓解可视化,我们垂直移动它们,如图gydF4y2Ba4 (d)gydF4y2Ba。值得注意的是,客户端需要时间响应带宽变化。因此存在延迟变化之间的带宽和缓冲区大小和双向交通。gydF4y2Ba

有明显的开关平滑的视频播放期间交通模式。在图gydF4y2Ba4gydF4y2Ba,可以看出玩家顺利工作持续时间1和3,因为有足够的带宽(见图gydF4y2Ba4(一)gydF4y2Ba)。因此,缓冲区大小定期震荡。此外,下载并请求交通也显示明显的开关模式,如图gydF4y2Ba4 (c)gydF4y2Ba和gydF4y2Ba4 (d)gydF4y2Ba分别,这是符合我们讨论的部分gydF4y2Ba2gydF4y2Ba。gydF4y2Ba

然而,也存在明显的交通模式开关当rebuffering事件发生时,这意味着我们不能仅仅使用开关交通模式预测rebuffer事件的发生。在时间2(见图gydF4y2Ba4(一)gydF4y2Ba),客户端会遇到冻结的事件,因为20 Mbps带宽是有限的。缓冲区是排在这个持续时间(见图gydF4y2Ba4 (b)gydF4y2Ba)。这就是为什么我们称之为时间冻结阶段。从数据gydF4y2Ba4 (c)gydF4y2Ba和gydF4y2Ba4 (d)gydF4y2Ba可以看到,两个方向的交通在冻结阶段是开关。这意味着我们不能简单地使用开关交通模式找出如果rebuffer事件发生或不是因为有明显的开关在党卫军和rebuffering情况下交通模式。gydF4y2Ba

解决这个问题的一个简单方法是使用请求密度来推断可能发生冻结的事件描述(gydF4y2Ba15gydF4y2Ba]。例如,请求密度在冻结阶段在图gydF4y2Ba4 (d)gydF4y2Ba的密度比,在学生阶段。然而,这种方法会导致错误检测rebuffering事件在以下情况:在时间贴上CF在图gydF4y2Ba4 (b)gydF4y2Ba,视频播放是光滑的;然而,请求序列的密度(见图gydF4y2Ba4 (d)gydF4y2Ba)。因此,在这种情况下,该方法将错误报告rebuffering事件的发生。gydF4y2Ba

应对上述挑战,在本文中,我们提出一个方法来识别rebuffering事件通过使用双向流量的组合在一个在线视频观看。细节将在下一节中讨论。gydF4y2Ba

4所示。预测方法gydF4y2Ba

在本节中,我们首先解释的定义客户端工作阶段,建立工作阶段用户和流量之间的关系模式。然后我们将展示详细的方法描述交通模式。最后,我们展示本文提出的方案是如何工作的。gydF4y2Ba

4.1。重新定义的客户端工作状态gydF4y2Ba

根据DASH工作机制,我们将客户端操作分为三个阶段,每一种都对应于一个缓冲国的不同水平。这些阶段及其定义表的第一列所示gydF4y2Ba1gydF4y2Ba。在这个表中,我们也给交通模式和相应的体验质量通过观察实验结果图gydF4y2Ba4gydF4y2Ba。例如,在CF阶段,我们可以看到以下几点:首先,它看到的是下载流量模式(见图gydF4y2Ba4 (c)gydF4y2Ba);第二,客户端请求人口(参见图问题gydF4y2Ba4 (d)gydF4y2Ba);最后,上面的视频播放顺利因为缓冲区大小是零(见图gydF4y2Ba4 (b)gydF4y2Ba)。因此,相应的行CF阶段是“关闭”,“密集”,和“不rebuffering”。gydF4y2Ba

现有的工作只将客户的操作分为两种状态根据缓冲区大小:缓冲区大小高于零,等于零。然而,预测rebuffering事件的发生,我们发现它是至关重要的划分客户端操作缓冲区大小高于零分为两亚态时,gydF4y2Ba我gydF4y2Ba。gydF4y2BaegydF4y2Ba、SS和CF(见表gydF4y2Ba1gydF4y2Ba),因为以下原因:CF的交通模式不同于SS和冷冻;CF意味着即将冻结虽然客户端还没有在冷冻状态。gydF4y2Ba

结果在表gydF4y2Ba1gydF4y2Ba激励我们预测体验质量通过观察之间的双向交通的交通模式客户端和视频服务器在一个视频的回放。然而,描述性术语表中使用的交通模式gydF4y2Ba1gydF4y2Ba仍然是定性是不可行的体验质量预测的实际实现。在线视频播放期间,我们可以观察到的是客户机和服务器之间的双向流量的时间序列。因此,我们需要建立双向流量的时间序列之间的关系和相应的交通模式,将机器学习分类的探索。gydF4y2Ba

4.2。指标的交通模式gydF4y2Ba

4.2.1。准备下载吞吐量gydF4y2Ba

它需要下载流量数字转换;我们用“下载吞吐量”来形容流量下载的速度。假设一个网内观察者可以计算交通卷在两个方向离散时间瞬间。具体地说,gydF4y2Ba 采样时间瞬间。表示当前时间即时,即时的时间当我们预测体验质量,gydF4y2Ba 。gydF4y2Ba在时间即时gydF4y2Ba ,gydF4y2Ba我们定义gydF4y2Ba数量的字节从服务器转移到客户机在时间gydF4y2Ba )和定义向量gydF4y2Ba= (gydF4y2Ba …。gydF4y2Ba ),gydF4y2Ba是观察时间的长度。gydF4y2Ba

表示在区间[下载吞吐量gydF4y2Ba,gydF4y2Ba 与长度)gydF4y2Ba 作为gydF4y2Ba ,gydF4y2Ba这是计算的gydF4y2Ba 在哪里gydF4y2Ba 的价值gydF4y2Ba可能是零,因为它可能没有下载视频内容在区间[gydF4y2Ba,gydF4y2Ba ]。gydF4y2Ba

我们使用移动平均线顺利下载吞吐量。下载的吞吐量gydF4y2Ba在时间gydF4y2Ba ,gydF4y2Ba相应的移动平均下载吞吐量计算如下。gydF4y2Ba 在哪里gydF4y2Ba移动平均线是一个参数,本文是固定的0.98。因此,对于时间(gydF4y2Ba ),我们可以得到向量gydF4y2Ba 和gydF4y2Ba 。gydF4y2Ba

4.2.2。请求的距离gydF4y2Ba

一个简单的指标来描述请求的密度是使用请求的时间间隔。例如,在图gydF4y2Ba5gydF4y2Ba,假设我们需要预测在时间即时体验质量gydF4y2Ba ,gydF4y2Ba也被称为当前时间即时gydF4y2Ba 的时间瞬间吗gydF4y2Ba先前的请求数据包发送,gydF4y2Ba 是观察时间的长度。请求的间隔之间的时差是两个相邻时间瞬间发送请求。gydF4y2Ba

然而,我们发现不同的请求可能有不同的贡献来预测体验质量在一个特定时间。例如,如图gydF4y2Ba5gydF4y2Ba,因为请求即时历史gydF4y2Ba ,我们发现即时请求之间的时间间隔和当前时间即时更有助于预测体验质量。我们将展示通过以下实验结果。gydF4y2Ba

在没有请求间隔的情况下,我们引入一个新的衡量标准,称为请求距离。请求的概念距离也显示在图gydF4y2Ba5gydF4y2Ba。具体来说,gydF4y2Ba请求的距离(gydF4y2Ba )指的是时间的区别gydF4y2Ba时间和即时的前面gydF4y2Ba请求到达时,计算gydF4y2Ba 在哪里gydF4y2Ba是时候即时的gydF4y2Ba先前的请求被发送。在当前时间,可能没有请求到达时,就像时间即时gydF4y2Ba 。gydF4y2Ba

图gydF4y2Ba6gydF4y2Ba显示请求的CDF曲线距离和请求间隔SS和冷冻阶段。距离水平轴离散请求,请求被定义为距离除以样本区间。纵轴是CDF。两个细线标签”gydF4y2Ba ”提供的请求间隔因为当gydF4y2Ba 距离只是请求的请求间隔。的两条粗线标签”gydF4y2Ba ”是提供当我们观察,例如,gydF4y2Ba请求的距离。在图gydF4y2Ba6gydF4y2Ba,我们可以看到曲线贴上“党卫军(之间的差异gydF4y2Ba )”及其相应的曲线称为“冻结(gydF4y2Ba )”是明显的,这意味着我们可以辨别状态SS和国家冻结时通过观察距离的请求gydF4y2Ba 。相比之下,根据两个细线,我们不能辨别SS和状态被观察的请求间隔,因为在这种情况下两条曲线非常接近。因此,它是更有效地找出如果rebuffering事件发生时使用请求比请求间隔距离。在下一节中,我们将通过实验进一步证明这一结论。gydF4y2Ba

4.3。特征提取和选择gydF4y2Ba

表gydF4y2Ba2gydF4y2Ba总结了特征提取的交通模式。我们将使用信息增益来评估每个特性的重要性,选择那些最重要的特征作为分类器输入。为此,将采取以下行动。gydF4y2Ba

首先,我们构造训练集gydF4y2Ba 为了缓解表示,我们重命名的项目gydF4y2Ba作为gydF4y2Ba 在这gydF4y2Ba是gydF4y2Ba功能(gydF4y2Ba ),gydF4y2Ba 是给定的类标签向量的特征吗gydF4y2Ba ,在那里gydF4y2Ba功能的类标签吗gydF4y2Ba这是一个体验质量标签表gydF4y2Ba1gydF4y2Ba。为了得到体验质量标签为每个特性,我们选择一些用户作为培训师报告他们的缓冲区大小信息使用调查机制。信息将被翻译成体验质量标签。gydF4y2Ba

其次,我们计算信息增益来评估一个特性的重要性。的信息增益特性gydF4y2Ba被定义为gydF4y2Ba 熵在哪里gydF4y2Ba 在哪里gydF4y2Ba表示,在整个训练集的概率类标签gydF4y2Ba=“1”或“0”,分别代表了视频被冻结或不。gydF4y2Ba

条件熵gydF4y2Ba 在哪里gydF4y2Ba是一个具体的价值gydF4y2Ba 。gydF4y2Ba 的概率表示gydF4y2Ba 。和gydF4y2Ba 在哪里gydF4y2Ba 表示类标签的概率gydF4y2Ba(gydF4y2Ba=“1”或“0”)gydF4y2Ba 。gydF4y2Ba

通过这种方式,我们获得的信息增益特性gydF4y2Ba 。gydF4y2Ba

4.4。体验质量预测算法gydF4y2Ba

基于双向流量的特征提取和选择,我们建议Fog-assisted实时体验质量预测(FRQP)方法在雾做调查机制,实现节点如图gydF4y2Ba1gydF4y2Ba。FRQP有两种工作状态:训练和预测状态。gydF4y2Ba

在训练状态(离线阶段),一些用户选择使用特殊设备,每一个都将定期报告FRQP的缓冲区大小,然后FRQP体验质量报告转换为标签。FRQP将训练分类器基于缓冲区大小报道工作体验质量标签,从观察到的双向视频流量特性。gydF4y2Ba

预测状态(在线阶段),FRQP将预测一个特定的用户体验质量的喂特性提取该用户的双向视频流量。gydF4y2Ba

我们将选择特性的一个子集gydF4y2Ba降低复杂性的训练状态。表示特性送入分类器的数量gydF4y2Ba ,gydF4y2Ba这是小于或等于gydF4y2Ba 。我们将在信息增益的递减顺序排序的特性和选择gydF4y2Ba特征作为分类器的输入。的价值gydF4y2Ba将调谐使用实验方法。gydF4y2Ba

5。实验和评价gydF4y2Ba

5.1。实验设置gydF4y2Ba

为了评估FRQP的性能,我们建立了一个实验在实验室环境控制。图gydF4y2Ba7gydF4y2Ba显示了实验设置。在图gydF4y2Ba7gydF4y2Ba惠普服务器运行Linux centos 7和Apache HTPP切断充当DASH服务器。移动计算机运行windows 7作为客户端。移动电脑还可以作为捕获设备,安装一个捕获工具监控流量。FRQP运行作为一个应用程序,安装在移动电脑。另一个PC计算机是用于安装模块(BLM)限制带宽限制视频服务器和客户端之间的带宽。带宽限制与Iperf软件模块实现,发送背景流量在80 Mbps的速度在服务器和客户端之间。有限的带宽范围内的20 Mbps和100 Mbps。gydF4y2Ba

在服务器端,一个视频剪辑,gydF4y2Ba巴克大兔子gydF4y2Ba是托管客户机和可供检索的。这个视频文件,持续了约10分钟,有二十个不同的表征,编码比特率之间50 Kbps, 500 Kbps。这些表示视频分为6秒的块。在客户端,Google Chrome浏览器运行时,它能够记录回放的状态,如要求比特率和缓冲填充水平。缓冲区大小的信息是翻译体验质量标签进行培训和评估。gydF4y2Ba

5.2。功能评价gydF4y2Ba

为了选择合适的特征分类,我们计算信息增益特性如表所示gydF4y2Ba2gydF4y2Ba。表gydF4y2Ba3gydF4y2Ba列出了11个特征与高层信息增益最高gydF4y2Ba 。gydF4y2Ba我们得到结果的一些见解。首先,下载吞吐量占主导地位。第二,gydF4y2Ba请求在明显的距离。基于特征的排名,我们选择这些特性与分类信息收益。这里的困难决定多少特性列在表中gydF4y2Ba3gydF4y2Ba应选择分类。我们决定通过实验将在下一小节中描述。gydF4y2Ba

5.3。分类结果gydF4y2Ba

研究了特征的数量对分类结果的影响。决策树分类器的结果如图所示gydF4y2Ba8gydF4y2Ba。可以看出,足够高的精度和召回率都是在前八名的特性(见表gydF4y2Ba3gydF4y2Ba)作为输入;性能改进是微不足道当使用更多的功能。因此我们使用前八个功能在以下测试。gydF4y2Ba

使用选定的特性,我们评估不同的分类算法的性能和准确性Sklearn基于机器学习工具。具体来说,我们比较五种不同的机器学习算法的性能:二叉决策树,随机森林,支持向量机,朴素贝叶斯、基于线性回归和分类。结果是基于5倍交叉验证。一般来说我们观察到随机森林和决策树执行与满足分类率比其他三个同时减少消耗的CPU时间。从准确性、简洁,explainability,和执行速度,我们最后采用决策树分类器。gydF4y2Ba

我们也研究深度的影响决策树分类的性能。分类结果如图gydF4y2Ba9gydF4y2Ba。结果表明,深度11就足够了。gydF4y2Ba

预测结果与8特性和11-depth表所示gydF4y2Ba4gydF4y2Ba。结果表明,rebuffering事件可以被识别的精度98%,而有3% rebuffering事件错过就没有rebuffering事件识别错误的1%。比较结果使用请求间隔作为特性也显示在表gydF4y2Ba4gydF4y2Ba。这里的请求间隔是一样的数量要求的距离。可以看出,使用请求间隔作为指标,将有21%的错误检测rebuffering事件,虽然没有rebuffering事件的检测是准确的。gydF4y2Ba

6。相关工作gydF4y2Ba

在文献中,有许多方法估计或测量在线视频流服务的体验质量。根据数据收集的工作原理和实现方法,现有的工作可以分为以下三个类别:方法评估体验质量在客户端/服务器端方法评估网络中体验质量,和混合方法。gydF4y2Ba

第一种方法估计体验质量基于测量工具运行在客户端/服务器收集体验质量统计信息(gydF4y2Ba16gydF4y2Ba]。然而,这些工具收集的信息是无法访问的网络提供商,使他们很难指导网络资源分配根据最新的用户体验质量。gydF4y2Ba

第二种类型的方法可以进一步分为两个子分类。第一个子类依赖深度数据包检测(gydF4y2Ba8gydF4y2Ba从网络节点(获得)或日志gydF4y2Ba15gydF4y2Ba,gydF4y2Ba17gydF4y2Ba,gydF4y2Ba18gydF4y2Ba推断出体验质量。在[gydF4y2Ba8gydF4y2Ba],manifest文件解析获取交通信息预测。文献[gydF4y2Ba19gydF4y2Ba使用包的痕迹)获取视频信息。这些现有的工作体验质量评估基于视频数据包的丰富的信息,例如,完整的清单文件和时间戳请求(例如,HTTP请求,HTTP请求重定向,和HTTP响应)为每个视频块。成本都在努力收集和提取相关的视频资料。提出了一种综合概述这个话题在gydF4y2Ba4gydF4y2Ba,gydF4y2Ba20.gydF4y2Ba]。与此同时,随着越来越多的视频流量是加密的,它将影响运营商的能力来评估用户的体验质量通过这种类型的方法。至于第二个子类的方法,体验质量估计通过测量网络相关QoS参数如吞吐量、损失率,延迟,因此构建模型将这些网络相关QoS参数映射到用户体验质量(gydF4y2Ba21gydF4y2Ba]。大部分的这些作品利用机器学习(ML)技术来估计体验质量(gydF4y2Ba21gydF4y2Ba- - - - - -gydF4y2Ba25gydF4y2Ba]。这项研究在gydF4y2Ba26gydF4y2Ba)使用网络性能指标,如延迟和数据包损失,而[gydF4y2Ba24gydF4y2Ba]映射应用QoS(如视频比特率,帧速率)来评估体验质量。作者在gydF4y2Ba13gydF4y2Ba)提出了一个模型来预测用户参与度的观看时间和访问使用视频应用QoS的数量作为输入。相关的视频应用QoS包括平均比特率、加入时间、缓冲比率,和缓冲,视频观众反馈的客户端软件。概述基于QoS的体验质量预测使用机器学习技术和更深入的讨论了在gydF4y2Ba27gydF4y2Ba,gydF4y2Ba28gydF4y2Ba]。gydF4y2Ba

第三类结合测量在客户机/服务器和网络估计体验质量。客户机/服务器报告某些视频播放设置相应的网络和网络推断基于此类信息的体验质量(gydF4y2Ba7gydF4y2Ba,gydF4y2Ba29日gydF4y2Ba]。然而,这种方法需要修改视频交付协议,这使得测量难以部署。gydF4y2Ba

本文不同于上述工作,我们的方法更简单和可行的,因为它可以从网络流量预测体验质量,即使它是加密的。此外,上述所有现有的方法离线工作。然而,在实践中,它需要网络提供商以实时的方式体验质量检测,然后分配网络资源提供更好的服务。我们建议的方法满足这种需求。gydF4y2Ba

作者在gydF4y2Ba10gydF4y2Ba从加密流量)测量体验质量。本文的主要区别我们的工作,在gydF4y2Ba10gydF4y2Ba我们使用更少的信息,gydF4y2Ba我gydF4y2Ba。gydF4y2BaegydF4y2Ba,双向交通数量进行交通预测。gydF4y2Ba

目前,一些研究关于整合优势计算在多媒体应用中出现。工作(gydF4y2Ba30.gydF4y2Ba)强调了使用边缘计算的潜力在多媒体服务,互动媒体应用程序和视频。在[gydF4y2Ba31日gydF4y2Ba),移动边缘计算(MEC)服务器作为控制组件来实现视频缓存策略和灵活调整视频比特率。工作(gydF4y2Ba32gydF4y2Ba)设计并实现了一个流媒体视频服务利用MEC功能。这项研究在gydF4y2Ba33gydF4y2Ba)提出了一种自适应架构HTTP流媒体视频适合一个MEC环境。建议的体系结构,适应算法作为MEC服务运行,,目的是放松网络拥塞,提高用户体验的质量。在[gydF4y2Ba34gydF4y2Ba),作者讨论了网络服务迁移云来雾节点的视频体验质量分布与支持。上述工作提供一个通用的系统架构,讨论缓存,自适应比特率和服务迁移边缘技术。然而,没有视频质量评估。gydF4y2Ba

7所示。结论和未来的工作gydF4y2Ba

在本文中,我们提出了一种新颖的方法来预测实时缓冲事件在网络边缘,gydF4y2Ba我gydF4y2Ba。gydF4y2BaegydF4y2Ba雾节点。我们的解决方案是基于网络流量的监控,这意味着它没有客户机和服务器的参与工作。此外,我们建议的解决方案不需要深度数据包解析。实验结果表明,我们的解决方案能够准确地检测缓冲事件约有98%的准确率。gydF4y2Ba

在未来,我们将探索如何扩展我们的解决方案在多次反射工作网络环境和如何进一步加快分类计算。我们还将研究雾节点之间的通信和云。gydF4y2Ba

数据可用性gydF4y2Ba

使用的数据来支持本研究的发现可以从相应的作者。gydF4y2Ba

的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

确认gydF4y2Ba

这项工作得到了国家自然科学基金委(61271199)和北京交通大学基础研究基金(2011 jbz003)。gydF4y2Ba

引用gydF4y2Ba

1. 思科,gydF4y2Ba思科视觉网络指数:全球移动数据流量预测更新,2016 - 2021年的白皮书gydF4y2Ba,2017年。gydF4y2Ba
2. 信息技术——动态自适应流媒体通过HTTP (DASH) -第1部分:媒体演示描述和部分格式、标准ISO / IEC 009 - 1:2014 23, 2014年5月。gydF4y2Ba
3. 3 gpp、透明的端到端分组交换流媒体服务(PSS);进步和动态自适应流媒体下载通过HTTP (3 gp-dash)“3 gpp,国际标准3 gpp TS 26.247, 2015年12月。gydF4y2Ba
4. p . Juluri诉Tamarapalli, d . Medhi”测量质量的视频点播服务的经验:一个调查,“gydF4y2BaIEEE通信调查和教程gydF4y2Ba,18卷,不。1,第418 - 401页,2016。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
5. l . Plissonneau大肠Biersack, p . Juluri”分析YouTube交付用户体验,政策的影响”gydF4y2Ba学报2012年24日国际话务国会,国贸2012gydF4y2Ba2012年9月,页89 - 96。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
6. t·r·沙茨是Hoßfeld p·卡萨斯,“被动YouTube体验质量监测isp,”gydF4y2Ba学报第六届国际会议在无处不在的计算的创新移动和互联网服务,imi 2012gydF4y2Ba2012年7月,页358 - 364。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
7. 唐,x秦,g .魏”分析的移动客户端HTTP流媒体视频,”gydF4y2Ba学报》国际会议无线通讯和信号处理、WCSP 2015gydF4y2Ba,2015年10月。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
8. a . Farshad p .乔治欧普罗斯m . Broadbent m .μ和n .竞赛”利用SDN网内提供一个体验质量度量框架,”gydF4y2Ba《IEEE计算机通讯大会上车间,INFOCOM WKSHPS 2015gydF4y2Ba2015年5月,页239 - 244。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
9. a . Finamore m . Mellia z吉拉尼,k . Papagiannaki诉Erramilli和y Grunenberger有理由手机内容的前期准备呢?“在gydF4y2Ba学报》2013年第九届ACM国际会议对新兴网络实验和技术,CoNEXT 2013gydF4y2Ba2013年12月,页321 - 326。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
10. g . Dimopoulos Leontiadis, p . Barlet-Ros, k . Papagiannaki“测量体验质量的视频加密流量”gydF4y2Ba学报2016 ACM互联网测量会议,IMC 2016gydF4y2Ba2016年11月,页513 - 526。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
11. f . Bonomi r·米利托,j·朱和s . Addepalli“雾在物联网计算及其作用,”gydF4y2Ba学报第一ACM移动云计算车间,MCC 2012gydF4y2Ba2012年8月,页13 - 15,。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
12. s . Akhshabi Narayanaswamy, a·c·Begen和c . Dovrolis”通过HTTP rate-adaptive视频播放器的实验评估,”gydF4y2Ba信号处理:图像通信gydF4y2Ba,27卷,不。4、271 - 287年,2012页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
13. f . Dobrian诉Sekar a Awan et al .,“理解用户参与视频质量的影响,“gydF4y2Ba计算机通信评审gydF4y2Ba第41卷。。4 p。362年,2011年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
14. Conviva,“2014观众体验报告”,gydF4y2Bahttps://www.conviva.com/press releases/conviva -释放- 2014观众report/——经验gydF4y2Ba。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
15. r . t . Wu Huysegems, t . Bostoen”可伸缩网络video-freeze检测HTTP自适应流媒体”gydF4y2Ba学报》第23届IEEE国际研讨会的服务质量,IWQoS 2015gydF4y2Ba2015年6月,页95 - 104。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
16. p . Juluri l . Plissonneau, d . Medhi”Pytomo: YouTube视频的分析回放质量的工具,”gydF4y2Ba美国国会2011年23日国际长途业务,ITC 2011gydF4y2Ba2011年9月,页304 - 305。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
17. r . Huysegems b . De Vleeschauwer k . De Schepper et al .,“HTTP自适应流媒体会话重建:为基于网络的体验质量监测奠定了基础,”gydF4y2Ba学报2012年IEEE 20国际研讨会上的服务质量,IWQoS 2012gydF4y2Ba,2012年6月。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
18. t·r·沙茨是Hossfeld p·卡萨斯,“被动YouTube体验质量监测isp,”gydF4y2Ba学报第六届国际会议在无处不在的计算的创新移动和互联网服务,imi 2012gydF4y2Ba2012年7月,页358 - 364。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
19. p·m·a·库马尔和美国Chandramathi容易出错的网络智能视频体验质量预测模型,”gydF4y2Ba印度科学和技术杂志》上gydF4y2Ba,8卷,不。16日,1 - 9,2015页。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
20. 诉Menkovski、a . Oredope和a .李欧塔”优化的在线学习体验质量预测,“gydF4y2Ba国际先进的媒体和通讯》杂志上gydF4y2Ba,2009年。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
21. 诉Menkovski、g . Exarchakos和a .李欧塔“体验质量在线预测,”gydF4y2Ba学报2010年第二国际研讨会上多媒体体验质量,QoMEX 2010gydF4y2Ba挪威,页118 - 123年,2010年6月。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
22. m . Alreshoodi和j·伍兹,”调查体验质量/ Qos相关性模型Formultimedia服务,“gydF4y2Ba分布式和并行系统的国际期刊gydF4y2Ba,4卷,不。3,53 - 72年,2013页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
23. 诉Menkovski g . Exarchakos a李欧塔,a·c·桑切斯”多媒体流的经验模型质量。”gydF4y2Ba国际期刊的移动计算和多媒体通信gydF4y2Ba,卷2,不。4、1、2010页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
24. p . Gastaldo r . Zunino j·雷迪,“支持视觉质量评估机器学习,”gydF4y2BaEURASIP在信号处理的发展》杂志上gydF4y2Ba,卷2013,不。1,2013。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
25. r·k·p·Mok e . w . w . Chan和r·k·c . Chang”测量经验的HTTP视频流的质量,”gydF4y2Ba学报》第12届联合会/ IEEE国际研讨会上集成网络管理,我2011gydF4y2Ba爱尔兰,页485 - 492年,2011年5月。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
26. a . Balachandran诉Sekar, a . Akella珊,斯托伊卡,和h·张,“开发一个网络视频质量预测模型的经验,”gydF4y2Ba诉讼的ACM特殊利益集团的年度会议在数据通信应用,技术、体系结构、计算机通信和协议,ACM SIGCOMM 2013gydF4y2Ba2013年8月,页339 - 350。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
27. 美国Aroussi和a . Mellouk”调查基于机器学习QoE-QoS相关性模型,”gydF4y2Ba学报2014年IEEE国际会议上计算、管理和通讯、ComManTel 2014gydF4y2Ba2014年4月,页200 - 204。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
28. 吴k . y . Chen,张问:“从QoS体验质量:教程视频质量评估,”gydF4y2BaIEEE通信调查和教程gydF4y2Ba,17卷,不。2、1126 - 1165年,2015页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
29. m .μm . Broadbent A Farshad et al .,“一个可伸缩的用户公平模型自适应视频流SDN-assisted未来网络,”gydF4y2BaIEEE在选定地区通讯》杂志上gydF4y2Ba,34卷,不。8,2168 - 2184年,2016页。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
30. k . Bilal和a . Erbad”边缘计算互动媒体和视频”gydF4y2Ba第二届国际会议上雾和移动计算边缘,FMEC 2017gydF4y2Ba西班牙,页68 - 73年,2017年5月。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
31. x x徐,j·刘,道,“移动计算边缘增强的自适应比特率视频交付与联合缓存和无线电资源分配,”gydF4y2BaIEEE访问gydF4y2Ba5卷,第16415 - 16406页,2017年。gydF4y2Ba视图:gydF4y2Ba出版商的网站gydF4y2Ba|gydF4y2Ba谷歌学术搜索gydF4y2Ba
32. s . Salsano l . Chiaraviglio n Blefari-Melazzi et al .,“向超流体部署的虚拟功能:利用移动计算边缘视频流,”gydF4y2Ba学报》第29届国际话务国会,ITC 2017gydF4y2Ba2017年9月,页48-53,。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
33. y, p . A . Frangoudis y Hadjadj-Aoul, p .贝尔坦公司,“移动边缘Computing-based架构改进自适应HTTP视频交付”gydF4y2Ba学报2016年IEEE标准通信和网络会议上,CSCN 2016gydF4y2Ba,德国,2016年11月。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba
34. r·丹尼斯·s . Matias r . Juergen et al .,“从云服务迁移到多层雾节点与体验质量支持,多媒体传播”gydF4y2Ba传感器gydF4y2Ba,18卷,不。2、2018。gydF4y2Ba视图:gydF4y2Ba谷歌学术搜索gydF4y2Ba

版权gydF4y2Ba

版权©2018据说郑等。这是一个开放的分布式下文章gydF4y2Ba知识共享归属许可gydF4y2Ba,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。gydF4y2Ba