海服務中面向在線視頻服務的測量與推薦系統

,,,,

(1.中國科學院聲學研究所 國家網絡新媒體工程技術研究中心,北京 100190; 2.中國科學院大學,北京 100190)

0 概述

目前,在線視頻服務越來越流行,國內在線視頻服務月度覆蓋人數已達5億人,有效使用時間占所有網絡服務使用時間的33%,占據網民的最主要上網時間,2014年,其市場規模達到245億元[1]。同時,提供在線視頻服務的內容提供商也越來越多。國內的在線視頻服務網站已有上百家,很多網站都能提供相似的視頻服務,例如,一部當前熱播的電視劇,可能在多個在線視頻網站都可進行觀看,但由于各網站的CDN數目和位置分布不同,調度策略也不同,不同時間的網絡狀況會有波動,各網站對同一內容的服務能力也會有所差異,并且這種差異性會隨著時間有所變化。

因為用戶網絡本身具有異構性和動態性,而視頻網絡服務質量受到網絡狀況的影響又十分顯著,所以對用戶觀看視頻服務時的服務質量進行預測是一件具有挑戰性的工作。海服務是一種融合用戶端資源的服務系統,是與云服務互為補充的新型服務架構[2]。利用海服務的分布式、異構式特性,可以有效地預測和模擬用戶的訪問行為。由其地理分布式特點可以更好地貼近用戶,針對性地預測來自不同地區的用戶訪問時的服務質量,并提供實時的反饋。據此,本文設計并實現一個基于海服務的在線視頻網站服務質量測量和推薦系統。該系統可以對訪問各視頻網站時的網絡情況進行測量,根據測量結果評估各網站的服務能力,并且針對性地給出用戶體驗最優的網站。此外,該測量系統也可以作為測量工具向第三方應用直接提供服務。

1 相關研究

本節主要介紹關于在線視頻服務質量影響因素和相關測量的研究。

由于在線視頻服務的流行,目前有很多在線視頻服務網絡特征的相關研究,對可能影響用戶QoE的因素進行測量和探討。文獻[3]研究了YouTube上QoE降低的一些情況。通過對手機用戶YouTube流量軌跡的分析,指出一個主要CDN的緩存策略可能會對最終用戶的QoE造成明顯影響,而不是把QoE下降全部歸因于ISP的流量策略。文獻[4]介紹了不同視頻質量參數對于用戶參與度的影響,并指出在所有的視頻類型和比特率中,緩沖率對用戶參與度的影響最大,以及直播中平均碼率的影響要大于其在點播中的影響。文獻[5]指出,在HTTP視頻流服務中,再緩沖的頻率是影響用戶最終QoE體驗的主要因素。文獻[6]研究了PPTV上設備類型、無線網絡連接類型和視頻質量對用戶觀看行為和網絡流量的影響。文獻[7]提出一種偽主觀質量評估(Pseudo Subjective Quality Assessment,PSQA)工具來解決針對SVC視頻編碼的實時QoE測量,并利用隨機神經網絡來建模視頻編碼參數和QoE之間的非線性關系。文獻[8]考察了視頻點播服務器的性能測試方法。文獻[9]開發了一套純軟件的分布式視頻會議系統,并能有效地根據可用帶寬的變化調整音視頻傳輸的速率,以保持終端的播放QoS和同步性。

還有一些研究則特別考慮了在線視頻服務的CDN情況。文獻[10]提出一個互聯網視頻QoE預測模型,并據此提出了一個基于此模型選擇CDN和比特率的交付系統框架,其考慮了各種不同情況下用戶的容忍能力變化來提高整體用戶參與度,與原有方法相比,可以實現整體用戶參與度超過20%的改善。文獻[11]研究了YouTube的CDN選擇策略,發現用戶和數據中心之間的RTT在視頻服務器選擇過程中扮演了重要角色,其他可能的影響因素還包括負載均衡和晝夜影響等。文獻[12]研究了Netflix的體系結構和服務策略,對Netflix的CDN情況進行了測量,他們采用一種數據中心和CDN混合交付的策略,并提出了一種基于自適應CDN選擇和多CDN的視頻傳輸策略,可以顯著提高用戶的平均帶寬,另外,還對Hulu進行了類似的研究[13],發現Hulu會頻繁地更換優先CDN,但是一旦為用戶選定了某個CDN,即使其性能明顯下降,也會繼續由該CDN服務。文獻[14]則對Netflix和Hulu的CDN策略進行了比較,并提出了基于自適應和多CDN的優化建議。

上述研究大多集中在對每個在線視頻服務網站的單獨研究,或是對不同視頻網站進行一些架構設計和策略上的比較,相較于上述研究,為了向用戶推薦,本文對提供同一內容的不同在線視頻服務網站進行比較性的研究。而且,這些研究幾乎都是基于Youtube、Netflix等國外流行視頻網站,本文研究則主要針對中國大陸常見的視頻網站,更加重視中國用戶的特點。相對于國外的在線視頻用戶,中國用戶在地理上分布較為集中,海外訪問比例較低,地理分布情況相對簡單。但是,由于使用移動終端訪問視頻服務的比例更高,導致了更加復雜的網絡和地理環境變化。另外,中國在線視頻用戶數量大,用戶密度也遠遠大于國外,這一方面導致用戶相互之間的干擾更大,預測時需要考慮其他用戶的因素,另一方面相似度較大的用戶也會更多,有利于協同預測。

此外,這些研究通常將同一在線視頻服務網站的內容不加區分地視為一體,或是粗略地按照直播/點播,亦或是長視頻/短視頻等屬性進行分類,而本文研究中的測量系統在測量過程中更加重視不同視頻的不同特征,并將在后續研究中探索和視頻服務質量的特征關系更加緊密的分類模式。

2 基于海服務架構的視頻服務測量系統

本節將介紹海服務的概念及本文所設計實現的基于海服務架構的視頻服務測量系統的基本架構。

2.1 海服務

文獻[2]提出了海服務的架構。海服務即在充分考慮網絡和服務特性的基礎上,利用網絡邊緣設備提供的現場(on-Site)、彈性(Elastic)、自治的(Autonomous)服務。該服務可以用于構建以用戶為中心的需要滿足在線實時、準實時要求的應用。

目前在移動互聯網和物聯網服務中,一方面,用戶和各類端設備會產生大量的數據和請求,另一方面,各種應用對于實時性的要求越來越高,所以,迫切需要更加現場性的服務。海服務的提出就是為了探索如何解決越來越大的數據處理需求和越來越高的實時響應要求之間的矛盾。

在海服務架構中,網絡中的邊緣設備被視為“海”端,而傳統的數據中心模式則作為“云”端。對于實時性要求高、涉及到的數據地理分布集中的請求,直接在海端進行響應。而對于實時性要求較低,涉及到的數據地理分布廣泛,如關于大規模數據的模型構建等需求,則匯總到云端處理。文獻[15]研究了海云協同下的共性服務模式。

在海服務中,海端表現出物聯網系統所具有的異構性、混雜性和超大規模特性。異構性表現在海節點可能由不同制造商、不同擁有者、不同類型以及不同范疇的對象網絡組成;混雜性意味著網絡形態、組成、場景、服務和應用等多方面的混雜;超大規模表現在海節點在全球范圍內與用戶端的深度融合。

上述特性要求海服務平臺在數據管理和任務支持中必須采用不同的新技術來處理不同格式的大數據,并且設計新的系統架構來支持現在的多樣化需求,既能滿足依賴較少數據和計算資源任務的實時響應服務的需求,也能滿足依賴大量數據和計算資源但不要求實時響應的服務的需求。文獻[16]提出了一種面向大數據管理的海云協同模型。

而本文中提出的在線視頻網站服務質量測量和推薦系統,既需要實時響應,向用戶提供推薦結果,又需要大規模計算,生成預測和推薦模型。用戶節點和各類測量節點表現出了明顯的異構性和混雜性,利用海服務的相關特性可以很好地支持該系統構建。

2.2 基于海服務架構的視頻服務測量系統構建

本節將介紹本文設計和實現的在線視頻網站服務質量測量和推薦系統,并著重對下文所分析的數據的主要來源,即負責測量和推薦部分的設計和實現進行詳細的介紹。

一個在線視頻網站服務質量測量和推薦系統已經被設計和實現,該系統是基于海服務的架構進行設計的。

在該系統中,中心節點作為傳統的數據中心,將數據匯總到“云”端,并且負責需要大規模運算的預測和推薦模型訓練任務。中心服務器擁有多個位于網絡邊緣的代理服務器,用戶在訪問推薦服務時會被調度到網絡中距用戶最近的代理服務器,與代理服務器進行直接交互。中心服務器訓練的預測和推薦模型會被下發到代理服務器,代理服務器據此為用戶做出快速的推薦服務。

該系統中設置的測量節點分布于不同地區和運營商,可以根據測量節點和用戶的位置關系為用戶提供個性化的視頻網站推薦。此外,該系統會被動收集用戶觀看時的服務質量參數,并將用戶端直接收集到的服務質量參數也匯總加入模型訓練;用戶端也可以主動地對在線視頻服務網站進行掃描,測量延遲等可以快速簡易地測得服務質量參數。由用戶端、測量節點和代理服務器共同構成了該測量和推薦系統的“海”端。

基于海服務的架構,該系統可以繼承海服務平臺的數據管理和任務支持特性以支持多樣化的需求,既可以實時響應向用戶提供推薦,也可以對歷史數據進行大規模訓練和學習,不斷優化推薦方式。測量節點之間可以完成彈性、自治的任務調度。例如,相似節點之間可以共享任務,當出現異常情況時,測量節點間也可以互相通知。例如,當A節點的任務過多無法完成時,可以與A節點相似、任務較少的B節點協作,共同完成測量,減少測量時間;當A節點測量到某視頻內容x失效,即多次測量均無法獲得有效結果時,可以通知與A節點不相似的C、D節點也對x進行測量,驗證其無效后上報云端處理。

基于海服務架構的視頻服務測量系統功能結構如圖1所示。

圖1 系統功能結構

2.2.1 系統介紹

該測量和推薦系統主要分為3個部分:數據采集子系統,網絡測量子系統和交互服務子系統。其中,數據采集子系統主要負責元數據的采集和匯聚,該子系統可以從各視頻網站上獲取視頻播放地址,以及視頻內容名稱、視頻長度、影片海報、在原視頻網站上的點擊量、評論量等元數據,并根據視頻內容進行匯聚。數據服務包括管理中心和執行節點,管理中心負責發布采集任務,由執行節點采集、抽取數據后進行清洗,然后向管理中心發布數據采集結果,由管理中心匯總數據,并具體進行處理,然后向交互服務子系統進行發布,具體工作流程如圖2所示。

圖2 數據采集系統工作流程

網絡測量子系統負責對各視頻網站進行測量,并對測量結果進行數據分析,根據相關的分析和預測結果提供服務源推薦。該子系統可以從交互服務子系統獲取由數據采集系統發布的元數據,然后對所采集到的視頻進行測量,并且對測量結果進行分析和建模。當交互服務子系統請求視頻時,該子系統可以根據測量結果對具體視頻提供服務源推薦結果。

交互服務子系統負責與終端交互和信息匯總,包括根據元數據和測量結果向終端用戶提供影片列表、根據服務源推薦結果對該影片的服務源進行排序、從用戶選中的服務源獲取影片并最終向用戶提供播放服務。在向用戶提供服務的過程中,視頻點播、多屏互動、內容上線、下線、更新可播性狀態等功能都需要經由交互服務完成。數據服務定期把新采集數據或更新數據發布給內容管理,由內容管理向測量服務通知測試任務,測量服務測試后把測試結果通知給內容服務。

2.2.2 網絡測量子系統

網絡測量子系統主要負責對各視頻網站的服務等級進行測量,并根據測量結果向用戶進行推薦,其工作流程如圖3所示。

圖3 網絡測量系統工作流程

測量服務包括管理中心、服務代理和測量節點。測量節點又分成2類,即可播性測量節點、播放質量測量節點。

管理中心從測量服務代理接收2類測試任務。對于可播性測量任務,管理中心及時向可播性測量節點派遣測試任務,可播性測試節點測試完畢后,預處理測試結果并向管理中心發布測試結果,管理中心匯總測試結果,發布給測量代理,由測量代理通知給內容管理系統;對于播放質量測量,管理中心及時向播放質量測量節點分配測試任務,測量節點優先執行該任務,在測試完畢后,預處理測試結果并向管理中心發布,管理中心匯總測試結果,并進行最終發布。

測量服務代理完成從內容管理系統接收測試任務、測試結果反饋,并為交互門戶提供點播源服務排名,測量代理統計熱度,管理中心定期獲取熱度,作為質量探測優先級參考。

為便于管理,測量節點不持久化測試結果,由中心統一持久化,且分為臨時存儲和持久存儲,即從各測量節點收集的測量結果存儲到臨時存儲中,分析后的結果將存儲在持久存儲中。

為了減少對IP分析系統的請求壓力,測量服務代理和管理中心會緩存IP地址信息及有效時間,當在有效時間內,不再向IP分析系統發起請求。

無論是可播性還是播放質量測量節點,當收到測量請求時,會先向解析服務請求URL解析,對視頻播放URL進行分析,根據視頻服務網站的CDN調度,獲取相應的視頻不同清晰度的真實下載地址。在獲得視頻下載地址后,測量節點會對各清晰度的視頻依次嘗試請求并進行一段下載,記測量節點向視頻下載地址發出請求后,到獲得響應的時間為視頻的請求延遲;記測量節點在進行下載時的下載速率為視頻的下載速率,并將記錄的測量結果匯總到測量管理中心。

該系統設計的難點在于,為了做出最優的推薦,系統需要收集來自多種終端和方式的測量結果。所收集的對象既有特意部署的測量節點進行的規律性測量結果,也有智能網關收集到的被動測量結果,還有用戶終端的觀看日志等。要對大量不同的結果進行收集存儲,并綜合處理用于預測和推薦。這些數據還要用于多種不同的服務,既要用于快速地向用戶提供實時推薦結果,也要用于模型的訓練和優化,甚至進一步用于深度挖掘。

要對這些大數據進行不同級別的收集和處理,需要采用新的數據處理技術。本文研究中利用海服務的思想構建該系統,將多種測量終端統一作為“海端”,據此對這些數據進行收集和管理。海服務平臺的特性使得該系統可以很好地支持多種服務場景。

3 數據集

本節將對已經測量到的數據集進行一個概括性的描述。首先介紹測量節點的部署與測量數據的結構;然后介紹測量數據的整體特征;最后對已集中測量的部分數據形成的數據集進一步分析測量數據的一些特點。

上述系統被部署在1個管理中心和50個測量節點上,并對15家視頻網站進行了9個月的測量,獲得約150 GB的測量結果數據。

從上述所有的測量結果中,選擇了在12個節點上,對6個主要視頻網站的336個視頻節目測量的一個月的數據(測量時間為2015-08-01—2015-08-31),共計4 622 359條測量結果,形成下一步研究中所用的數據集。

3.1 測量數據格式

元數據信息由爬蟲子系統收集整理,已收集的元數據信息如表1所示。

表1 抓取到的視頻元數據信息

已部署的測量節點在測量過程中收集到的數據如表2所示。根據這些測量數據本文進行了初步的分析和統計。

表2 測量到的數據項

在表2中,視頻的播放地址由內容管理子系統傳入,即在線視頻服務網頁播放時的URL;測量時間為測量該條測量結果的時間,用Unix時間戳表示,精確到秒;延遲為訪問視頻到視頻開始播放之間的時間差;帶寬計算方法為:先下載一小段視頻(本文測量時設置為50 KB)并記錄下載時間,然后利用下載時間計算下載速率;清晰度為測量該條測量結果時所測量的清晰度,數據集中清晰度有4個取值(1-超清,2-高清,3-標清,4-流暢)。

3.2 數據集統計信息

本節將對所使用的數據集的整體統計信息進行討論,包括測量結果的分布以及不同地區、網站、ISP測量結果分布的異同。

3.2.1 不同地區的測量結果

本節按照測量節點所處的地區不同對測量結果進行了分類統計。不同地區的測量節點測量到的測量結果概況如表3和圖4、圖5所示。

表3 不同地區的測量結果

圖4 不同地區的延遲概率密度分布

圖5 不同地區的帶寬概率密度分布

表3是不同地區的測量結果概況,在所整理的數據集中,包含位于8個不同城市的測量節點,對于每個地區至少收集了30萬條有效測量結果。其中,沈陽的測量節點的平均延遲最小,鄭州的測量節點的平均延遲最大,所有節點的平均延遲均在0.1 s數量級。

在測量結果中,西安的平均下載速率最大,北京的平均下載速率最小,成都次之,且和北京的平均下載速率非常接近。所有地區的平均下載速率數量級均在103KB/s。

圖4是不同地區的延遲測量結果的概率密度分布(PDF)情況,從圖4中可以看出,大多數地區的延遲測量結果的概率密度呈單峰分布,如沈陽、深圳、杭州、大連、北京、成都,其中,沈陽、深圳、杭州、大連、北京的延遲集中在<0.1 s,成都的延遲則主要集中在0.1 s,沈陽的延遲測量結果最為集中,而北京的延遲測量結果則最為分散。鄭州和西安的測量結果的概率密度則呈現雙峰分布,鄭州的延遲測量結果主要集中在<0.1 s,即概率密度函數的最高峰,在0.6 s處有一個明顯的次高峰,也就是說也測到了大量0.6 s附近的延遲。西安的測量結果主要集中在0.1 s,次高峰位于0.5 s。

圖5是不同地區的下載速率測量結果的概率密度分布(PDF)情況。從測量結果來看,大多數地區的下載速率都呈現明顯的多峰分布。其中下載速率測量結果最為集中的是深圳地區,下載速率集中在1 200 KB/s附近呈單峰分布,下載速率分布最為分散的則是杭州地區的測量結果,其峰值集中在1 500 KB/s,且在圖中可以明顯看到4個集中程度較低的峰值。

由圖5可知,不同地區的測量結果在統計特征和概率密度分布上都有明顯的差異,在后續的測量和預測中有必要考慮地區差異。由于不同地區的網絡鏈路不同,考慮網站分發策略和用戶網絡環境,使得不同地區的測量結果差異極大。

3.2.2 不同網站的測量結果

本節按照測量的視頻來自的在線視頻服務網站不同對測量結果進行了分類統計。不同網站的測量節點測量到的測量結果如表4和圖6、圖7所示。

表4 不同網站的測量結果

圖6 不同網站的延遲概率密度分布

圖7 不同網站的帶寬概率密度分布

表4是不同網站的測量結果,在所整理的數據集中,包含位于6個不同在線視頻服務網站的測量節點,對于每個網站至少收集了18萬條有效測量結果。其中,愛奇藝的平均延遲最小,華數網的平均延遲最大,除華數網外,所有網站的平均延遲均在0.1 s數量級,華數網的平均延遲則在1 s數量級。

在測量結果中,樂視網的平均下載速率最大,土豆網的平均下載速率最小,優酷網的平均下載速率僅略高于土豆網。所有視頻網站的平均下載速率數量級均在103KB/s。

圖6是不同在線視頻服務網站的延遲測量結果的概率密度分布(PDF)情況,從圖6中可以看出,除愛奇藝外,各網站的延遲測量結果的概率密度均呈單峰分布,其中,華數網的延遲測量結果集中在0.2 s附近,優酷、土豆、搜狐、樂視的延遲測量結果均集中在<0.1 s,優酷和土豆的延遲測量結果最為集中,搜狐略次之,而華數的延遲測量結果則最為分散。愛奇藝的延遲測量結果的概率密度呈現雙峰分布,延遲測量結果主要集中在<0.1 s,即概率密度函數的最高峰,次高峰位于0.7 s。

圖7是不同在線視頻服務網站的下載速率測量結果的概率密度分布(PDF)情況。從圖7中可以看出,所有網站的下載速率都呈現明顯的多峰分布,而且各網站PDF的3個最高峰都位于300 KB/s、700 KB/s和1 100 KB/s附近,但該3個峰值的排序不同。其中下載速率測量結果最為集中的是愛奇藝網站,下載速率PDF最高峰集中在300 KB/s附近,下載速率分布最為分散的則是樂視網的下載速率測量結果,其PDF最高峰集中在1 200 KB/s,且在圖7中可以明顯看到至少5個集中程度較低的峰值。

不同網站的測量結果統計信息也有明顯的差異,但是程度不及不同地區的測量結果差異高。其原因是不同網站的測量差別僅來源于網站的分發,測量端的網絡環境相似。特別當性能瓶頸處于測量端時,不同網站的測量結果分布十分相似。

3.2.3 不同ISP的測量結果

本節按照測量節點所在的服務提供商(ISP)不同對測量結果進行了分類統計。不同網站的測量節點測量到的測量結果如表5和圖8、圖9所示。

表5 不同ISP的測量結果

圖8 不同ISP的延遲概率密度分布

圖9 不同ISP的帶寬概率密度分布

表5是不同網絡服務提供商(ISP)的測量結果概況,在所整理的數據集中,包含位于4個不同網絡提供商網絡的測量節點,對于每個網絡提供商至少收集了36萬條有效測量結果。其中,電信網絡中的測量節點的平均延遲最小,移動網絡中的測量節點的平均延遲最大,所有ISP的平均延遲均在0.1 s數量級。

在測量結果中,聯通網絡中的平均下載速率最大,電信次之,光環新網中的平均下載速率最小,移動次之。所有ISP的平均下載速率數量級均在103KB/s。

圖8是不同網絡服務提供商的延遲測量結果的概率密度分布(PDF)情況,從圖8中可以看出,各ISP的延遲測量結果的概率密度均呈單峰分布,其中,移動的延遲測量結果集中在0.2 s附近,聯通、電信和光環新網的延遲測量結果均集中在<0.1 s,電信的延遲測量結果最為集中,移動的延遲測量結果則最為分散。

圖9是不同網絡服務提供商的下載速率測量結果的概率密度分布(PDF)情況。從圖9中可以看出,除移動外,各ISP的下載速率測量結果都呈現明顯的多峰分布。其中下載速率測量結果最為集中的是移動,下載速率PDF最高峰集中在200 KB/s附近呈單峰分布,其余3個ISP的下載速率分布均較為分散,包含至少4個明顯的峰值,且相互之間差異較大。

由上述結果可知,不同ISP的統計信息看起來差別不大,但概率密度分布有明顯區別,各ISP測量結果聚集的位置各不相同。在后續測量和預測中同樣需要考慮其差異性。

可以看出在已有的測量結果中,各運營商、視頻網站、不同地區的測量結果均有明顯的差異。延遲的測量結果相對比較集中,相較而言,各分類下載速率的測量結果都有明顯的區分,而下載速率恰恰對用戶的觀看體驗有較大的影響。上述測量結果說明,對測量數據進行分析并向用戶推薦是十分有必要的。后續研究中將進一步對這些性能差異進行分析,為向用戶推薦服務源提供更多的理論依據。最終將根據數據分析的結果優化推薦系統。

4 結束語

本文設計并實現了一個在線視頻網站服務質量測量和推薦系統。該系統可以實現對多個在線視頻服務網站的網絡性能測量,在利用爬蟲獲取在線視頻服務視頻內容列表的基礎上,對列表中的視頻內容的網絡性能進行測量。根據測量和數據分析的結果,針對用戶需要觀看的具體視頻內容,可以向用戶提供服務源推薦,使用戶可以利用該系統獲得當前網絡狀況下,對該視頻內容最佳的觀看體驗。使用已經實現的測量和推薦系統,利用多個測量節點對部分在線視頻服務網站進行了測量,驗證了該系統可以實現相關測量和推薦功能,并收集了大量的測量結果。下一步將對同一個視頻網站的不同視頻之間的性能差異進行分析,同時研究視頻的網絡性能變化規律。

[1] 艾瑞咨詢.2015年中國在線視頻行業年報監測報告[Z].2015.

[2] 王勁林,田 靜,尤佳莉,等.一種現場、彈性、自治的網絡服務系統——海服務系統研究與設計[J].中國科學:信息科學,2015,45(10):1237-1248.

[3] CASAS P,D’ALCONZ O,FIADINO P,et al.On the analysis of QoE-based performance degradation in YouTube traffic[C]//Proceedings of International Conference on Network and Service Management.Washington D.C.,USA:IEEE Press,2014:1-9.

[4] DOBRIAN F,SEKAR V,AWAN A,et al.Understanding the impact of video quality on user engagement[J].Communications of the ACM,2013,41(4):362-373.

[5] MOK R K P,CHAN E W W,CHANG R K C.Measuring the quality of experience of HTTP video streaming[C]//Proceedings of IEEE International Sympo-sium on Integrated Network Management.Dublin,Ireland:IEEE Press,2011:485-492.

[6] ZHOU C,GUO Y,CHEN Y,et al.Characterizing user watching behavior and video quality in mobile devices[C]//Proceedings of IEEE International Conference on Computer Communication and Networks.Washington D.C.,USA:IEEE Press,2014:125-134.

[7] MOHAMED S,RUBINO G.A study of real-time packet video quality using random neural networks[J].IEEE Transactions on Circuits & Systems for Video Technology,2002,12(12):1071-1083.

[8] 周應超,苗彥超,郝 敏,等.視頻服務器性能測試研究[J].計算機工程,2004,30(14):133-135.

[9] 宋 玲,胡凡良.純軟件視頻會議系統視音頻QoS的研究與控制[J].計算機工程,2006,32(16):221-223.

[10] BALACHANDRAN A,SEKAR V,AKELLA A,et al.Developing a predictive model of quality of experience for internet video[J].ACM SIGCOMM Computer Communication Review,2013,43(4):339-350.

[11] LIEBHARDT H,STOLZ K,MORTL K,et al.Dissecting video server selection strategies in the YouTube CDN[C]//Proceedings of International Conference on Distributed Computing Systems.Washington D.C.,USA:IEEE Computer Society,2011:248-257.

[12] ADHIKARI V K,GUO Y,HAO F,et al.Unreeling netflix:understanding and improving multi-CDN movie delivery[C]//Proceedings of IEEE INFOCOM’12.Washington D.C.,USA:IEEE Press,2012:1620-1628.

[13] ADHIKARI V K,YANG G,FANG H,et al.A Tale of three CDNs:an active measurement study of hulu and its CDNs[C]//Proceedings of Computer Communica-tions Workshops.Washington D.C.,USA:IEEE Press,2012:7-12.

[14] ADHIKARI V K,GUO Y,HAO F,et al.Measurement study of Netflix,Hulu,and a tale of three CDNs[J].IEEE/ACM Transactions on Networking,2015,23(6):1984-1997.

[15] 封松林,寧德軍,張紅廣,等.面向海云協同的共性服務綜述[J].網絡新媒體技術,2014,3(1):1-7.

[16] 趙永波,陳曙東,管江華,等.基于海云協同的物聯網大數據管理[J].集成技術,2014(3):49-60.