基于TCP視頻流的多層視頻體驗質(zhì)量評價方法研究

鐘?？?林海濤

【摘 要】針對網(wǎng)絡性能的參數(shù)不能有效評估TCP視頻流體驗質(zhì)量的問題，提出了一種客觀多層視頻體驗質(zhì)量評價方法。該方法有兩個步驟。在第一步中，考慮到視頻播放性能參數(shù)對體驗質(zhì)量的影響，提出了三個新穎的應用層參數(shù)；在對網(wǎng)絡狀態(tài)參數(shù)進行研究的基礎上，提煉出高級網(wǎng)絡層參數(shù)；對網(wǎng)絡層參數(shù)和應用層指標之間的關(guān)系進行推導和計算。在第二步，對應用層指標與體驗質(zhì)量進行測試。在實際網(wǎng)絡下的仿真和測試實驗顯示，本文提出的方法能夠很好的評價TCP視頻流體驗質(zhì)量。

【關(guān)鍵詞】體驗質(zhì)量；TCP；應用層參數(shù)；網(wǎng)絡層參數(shù)；BPNN

0 引言

在過去的幾年中，在線視頻業(yè)務數(shù)量飛速增長，據(jù)估計到2017年在線視頻播放消費將增加到總體視頻消費量的69%[1]。隨著視頻流量的不斷增加，視頻業(yè)務的質(zhì)量是否被用戶認可成為了擺在視頻網(wǎng)站、內(nèi)容提供者、流媒體服務商和網(wǎng)絡運營商面前的一個重要和急迫的問題[2]，而目前對視頻業(yè)務質(zhì)量的研究中，各種算法和方案都存在不同程度的局限性，無法準確的反應用戶的主觀感受，所以研究面向視頻流媒體業(yè)務的用戶體驗質(zhì)量評價具有重要的社會意義與較大的經(jīng)濟價值。

目前獲取網(wǎng)絡視頻的手段很豐富，主要有網(wǎng)絡電視、視頻分享網(wǎng)站、P2P視頻等?；赥CP協(xié)議傳播的網(wǎng)絡視頻已經(jīng)超過基于HTTP協(xié)議的網(wǎng)絡視頻。本文算法是對TCP視頻進行體驗質(zhì)量評價。

本文提出了一種基于TCP視頻流的客觀的分層體驗質(zhì)量評價方法。考慮到視頻播放性能參數(shù)對體驗質(zhì)量的影響，本文提出了三個新穎的應用層參數(shù)：初始緩沖延時（IBD），后續(xù)緩沖時間均值（RBDM）和后續(xù)緩沖頻率（RBF）；研究了網(wǎng)絡性能對視頻播放性能的影響機制，并提出了網(wǎng)絡層參數(shù)；對網(wǎng)絡層參數(shù)和應用層參數(shù)的關(guān)系進行分析量化；利用應用層參數(shù)通過主管測試對體驗質(zhì)量進行評價。最后，通過在實際網(wǎng)絡下的仿真和測試實驗，顯示本文提出的方法能夠很好的評價TCP視頻流體驗質(zhì)量。

1 網(wǎng)絡層參數(shù)和應用層參數(shù)

本節(jié)首先提出了三個影響TCP視頻體驗質(zhì)量的幾個重要的應用層參數(shù)和網(wǎng)絡層參數(shù)，然后分析計算了網(wǎng)絡層參數(shù)和應用層參數(shù)的關(guān)系。

1.1 應用層性能參數(shù)

對于基于TCP網(wǎng)絡傳輸協(xié)議的視頻流，如果TCP下載流量低于播放速度，視頻播放就會暫停并等待視頻數(shù)據(jù)[3]，多次的緩沖和卡頓嚴重地影響用戶的體驗質(zhì)量?？紤]視頻回放狀態(tài)和對體驗質(zhì)量的影響，提出三個可量化的應用層性能指標量化視頻回放狀態(tài)，它們是：

1）初始緩沖延時（用IBD表示）：這個參數(shù)表示視頻從開始緩沖到開始播放之間的時間間隔。

2）后續(xù)緩沖時間均值（用RBDM表示）：這個參數(shù)表示整個視頻播放過程中多次緩沖時間的平均值。

3）后續(xù)緩沖頻率（用RBF表示）：這個參數(shù)表示整個視頻播放過程中出現(xiàn)緩沖情況的頻率。

1.2 網(wǎng)絡層性能參數(shù)

TCP視頻在傳送過程中的網(wǎng)絡信道不同，視頻質(zhì)量降低的程度也不同。用來衡量網(wǎng)絡性能的參數(shù)有丟包、延遲和分組重傳 [4]。本節(jié)對網(wǎng)絡狀態(tài)如何影響視頻應用層參數(shù)和用戶體驗的問題進行研究。在這里需要通過測量高層網(wǎng)絡性能參數(shù)來得到各種網(wǎng)絡條件。

在TCP流媒體視頻傳輸中，視頻接收器需要建立播放緩沖區(qū)來消除或減少網(wǎng)絡吞吐量波動帶來的影響。

視頻流傳輸和播放的過程就像一個漏水的水桶，視頻傳輸是數(shù)據(jù)流入，視頻播放是數(shù)據(jù)流出。當視頻播放時會出現(xiàn)三種情況：當TCP平均吞吐量η大于播放速度λ時，如果接收器的緩沖區(qū)足夠大并且初始緩沖后視頻平滑播放，緩沖區(qū)占用就會持續(xù)增加。當TCP平均吞吐量η等于播放速度λ時，接收器的緩沖區(qū)占用量保持在緩沖量最大值Bmax附近，并且視頻除了在初始時需要緩沖，后續(xù)播放基本不再需要緩沖；然而當TCP平均吞吐量η小于播放速度λ時，視頻播放時會出現(xiàn)多次暫停和等待，只有當存儲在緩沖區(qū)的數(shù)據(jù)達到Bmax附近是才會重新播放。所以對于一個特定的視頻接收器，網(wǎng)絡吞吐量決定了視頻性能參數(shù)和用戶體驗質(zhì)量。

1.4 仿真實驗和分析

本節(jié)通過仿真實驗驗證網(wǎng)絡層參數(shù)和應用層指標之間的關(guān)系。

實驗仿真平臺由一個基于Apache Tomacat8.0開發(fā)的網(wǎng)絡多媒體服務器、路由器和客戶端電腦組成。服務器上存儲多個FLV格式視頻供客戶端電腦下載和在線播放。通過設置路由參數(shù)對網(wǎng)絡狀態(tài)進行控制，路由器網(wǎng)絡參數(shù)的設置情況如表1所示。

由表1可知，網(wǎng)絡的丟包率設置為0%-10%，路由器延時設置為0-500ms來模擬真實網(wǎng)絡情況。根據(jù)丟包率和延時的間隔不同，整個模擬網(wǎng)絡共有16×16=256種網(wǎng)絡狀態(tài)。

在客戶端主機上，運行了一個基于谷歌瀏覽器開發(fā)的網(wǎng)頁應用來記錄在視頻播放時應用層三個參數(shù)的值。在每種網(wǎng)絡狀態(tài)下，客戶端主機從服務器上下載視頻三次并播放，取三次播放是參數(shù)的平均值作為實驗結(jié)果。

通過實驗結(jié)果分析發(fā)現(xiàn)當丟包率和RTT增加時，Dinit，Drb，F(xiàn)rb都會增加，單影響效果并不盡相同。與Drb和Frb相比，Dinit的預測錯誤更大。這是因為我們在模擬TCP傳輸時假設網(wǎng)絡吞吐速率是平穩(wěn)的，較大的誤差來源于TCP初次建立連接時逐漸變化的擁塞窗口。

2 體驗質(zhì)量評估

在上節(jié)我們通過仿真實驗和分析得出了網(wǎng)絡層參數(shù)和應用層參數(shù)之間的關(guān)系。本節(jié)建立了從應用層參數(shù)到用戶體驗質(zhì)量的映射關(guān)系。

在本文中，我們使用單一刺激法對140個年齡在20到40歲的人進行主觀測試。試驗中他們被隨機平均分成4組，同時三組視頻序列也是隨機分配的。每個測試人員在保證沒有視覺疲勞的情況下觀看65個視頻序列并打分。通過主觀實驗評價方法，作者得到35組平均意見得分，然后通過置信區(qū)間分析去除了部分不可靠數(shù)據(jù)。最后設計了一個BPNN模型來建模應用層參數(shù)和體驗質(zhì)量之間的關(guān)系并對樣本數(shù)據(jù)進行歸一化處理和訓練。BPNN模型的訓練效果如圖2所示。

回歸R值表示輸出值和目標值之間的相關(guān)性，從圖2中可以看出回歸R值幾乎達到100%，這表示估計平均意見得分的和主觀的平均意見得分幾乎一致。

經(jīng)過計算得到模型的均方差和回歸R值計算得到，均方差值為0.028681，回歸R值為96.07%，這表明估計平均意見的分和主觀平均意見得分有高度的相關(guān)性，證明了本文的評價方法性能良好。

3 結(jié)論

本文提出了一種客觀多層視頻體驗質(zhì)量評價方法，該方法將體驗評價分為兩步，第一步建立網(wǎng)絡層參數(shù)和應用層參數(shù)的相關(guān)函數(shù)，第二步建立應用層參數(shù)到體驗質(zhì)量的映射模型。

考慮到視頻播放性能參數(shù)影響體驗質(zhì)量，本文提出了三個應用層指標量化視頻播放狀態(tài)。此外，分析了網(wǎng)絡條件對應用層三個指標的影響。通過對兩種參數(shù)的相關(guān)性的仿真和分析證明了上述方法的可以有效評價TCP視頻體驗質(zhì)量。在以后的工作中，我們將針對用戶的行為對視頻體驗的影響進行進一步研究。

【參考文獻】

[1]Hübsch C， Waldhorst O P， Hock M. Distributed WiFi detection and integration in dense urban mobile Peer-to-Peer networks[J]. Peer-to-Peer Networking and Applications， 2012，5（4）：323-339.

[2]盧國慶，李均利，陳剛，等.基于運動信息和結(jié)構(gòu)信息的視頻質(zhì)量評價方法[J].計算機仿真，2010，27（6）：262-266.

[3]何葉明，李綱，余鳳霞.基于HVS特征參數(shù)提取的視頻質(zhì)量評價四元數(shù)模型[J].計算機應用與軟件，2014，31（7）：132-136.

[4]Klein L， Schlunzen H， Von S K. An Advanced Motion Detection Algorithm With Video Quality Analysis for Video Surveillance Systems[J]. IEEE Transactions on Circuits & Systems for Video Technology， 2011，21（1）：1-14.

[5]魏耀都，謝湘，匡鏡明，等.移動視頻質(zhì)量評價方法及發(fā)展趨勢[J].電信科學，2010，26（3）.

[6]Chen M J，Bovik A C.No-reference image blur assessment using multiscale gradient[J].EURASIP Journal on Image and Video Processing，2013，3：1-11.

[7]Lin W S，Kuo C C J.Perceptual visual quality metrics：a survey[J].Journal of Visual Communication and Image Representation，2011，22（4）：297-312.

[8]Sheikh H R，Bovik A C.Image information and visual quality[J].IEEE Transactions on Image Processing，2006，15（2）：430-444.

[9]王志明.無參考圖像質(zhì)量評價綜述[J].自動化學報，2015，41（6）：1062-1079.

[10]Soleimani S，Rooms F，Philips W，Efficient blur estimation using multi-scale quadrature filters.Signal processing，2013，93（7）：1988-2002.

[責任編輯：湯靜]