基于模糊控制的流媒體自適應傳輸算法

侯永宏，邢家明，王利偉

(天津大學電氣自動化與信息工程學院,天津 300072)

1 引言

基于HTTP(HyperText Transfer Protocol)的動態自適應流媒體傳輸協議DASH(Dynamic Adaptive Streaming over HTTP)[1]可以適應網絡吞吐量的實時波動以及不同顯示能力的智能終端，為用戶提供最佳的體驗質量QOE(Quality Of Experience)，是目前流媒體服務的主流技術。與傳統的RTP(Real-time Transport Protocol)/UDP(User Datagram Protocol)傳輸協議相比，DASH采用基于HTTP/TCP(Transmission Control Protocol)的傳輸機制，其主要優勢在于[2]：(1)通用的Web(World Wide Web)服務器均支持HTTP協議，因此基于HTTP協議的服務器更易于推廣；(2)基于TCP協議的視頻傳輸可靠性更高，并且更容易穿越防火墻；(3)基于HTTP協議的可擴展性更強，相較于RTP可以更容易地擴展到CDN(Content Delivery Network)網絡和P2P(Peer-to-Peer)網絡。

在基于DASH的視頻自適應傳輸機制中，客戶端根據當前的網絡吞吐量以及緩存等因素，自適應地調整申請的視頻碼率，來保證視頻流暢播放，并使得用戶的QOE最大化。而不同的自適應算法給用戶帶來的QOE不同，因此如何設計一種合理的控制算法來提高用戶的QOE成為DASH的一個研究熱點。

目前基于DASH的自適應算法大致可分為兩種：(1)基于網絡吞吐量的控制算法[2,3]。例如Thang等人[2]提出了平滑的吞吐量估計StbDASH(Smoothed throughput based DASH)算法，該算法采用加權移動平均值的方法，根據網絡帶寬和申請的視頻碼率的失配程度動態調整比例權重大小，并通過不同的比例權重對各個視頻切片下載完成時的網絡吞吐量進行加權平均并作為下一個切片下載時的網絡估計吞吐量，進而調整申請的碼率；(2)基于緩存控制的算法[4 - 6]。Müller等人[4]提出一種基于緩存的自適應BufDASH(Buffer based DASH)算法，該算法根據緩存占用率所在的區間不同，采用不同的方式進行吞吐量的估計，并調整申請的視頻碼率。Tian等人[5]采用了基于比例積分PI(Proportion-Integral)控制的PiDASH(PI control based DASH)算法，將緩存做為誤差反饋量，通過PI控制器調整申請的視頻碼率，進而保證緩存穩定在一個較為安全的狀態。Vergados等人[6]提出了一種基于模糊控制FASH(Fuzzy control based DASH)的自適應算法，該算法將緩存以及緩存變化量作為輸入，通過模糊規則動態輸出視頻碼率的選擇標準，進而調整申請的視頻碼率。

盡管目前已有很多基于DASH的自適應控制算法，但這些算法仍存在很多問題?；谕掏铝康淖赃m應算法忽略緩存視頻量對于最終用戶QOE的影響，而很多基于緩存的自適應算法通過將緩存值穩定在一個目標值來保證視頻流暢播放，但這大大降低了視頻的平均質量，而實際上緩存的視頻余量只需要穩定在一個較為安全的區間即可。此外，現有的基于緩存的控制算法中關于緩存門限值如何界定的描述比較模糊，并且這些算法很難平衡視頻平均質量和視頻播放的流暢性對于用戶QOE的影響。

鑒于此,本文提出了一種改進的基于模糊控制的自適應傳輸控制算法FuzDASH(improved Fuzzy control based DASH)，該算法將緩存以及申請視頻質量和網絡吞吐量的碼率失配度作為輸入，并且克服了傳統的模糊控制算法對于輸出的控制變量物理意義界定模糊等問題。本文將下一時刻的緩存預期變化量作為模糊控制器的輸出，實現了對下一個時刻緩存余量的預測，進而控制預測的緩存值穩定在一個安全的區間。然后，通過預測值反推出所需要申請的視頻碼率，最后采用一種碼率波動性判決機制來保證視頻質量平滑地切換。此外，為了合理設計緩存的安全區間，根據Shuai等人[7]的結論，本文將緩存安全區間的上限設為緩存最大值的70%。最后本文采用Claeys等人[8]提出的QOE評價模型對算法性能進行評價，和傳統算法在虛擬和實際網絡環境下的對比結果顯示，算法FuzDASH可以在保證視頻播放流暢的前提下提供更好的用戶體驗質量。

2 系統介紹

如圖1所示，在DASH系統中，服務器在視頻傳輸之前會將同一個視頻資源編碼成N個不同的碼率版本，并將視頻資源分割成時間間隔相同的視頻切片(Segment)，同時生成一份媒體描述MPD(Media Presentation Description)文件,它包含了視頻切片的碼率、分辨率及其服務器端存儲所對應的URL(Uniform Resource Locator)等相應的屬性信息?？蛻舳藭谝曨l傳輸前預先下載MPD文件，并通過解析獲得服務器端視頻資源的屬性信息。在視頻傳輸時，客戶端根據網絡吞吐量和緩存的視頻余量以及MPD文件所提供的視頻切片屬性信息，采用HTTP-GET指令自適應地向服務器提出視頻資源申請，直到K個視頻切片下載完成。

Figure 1 Block diagram of DASH system圖1 DASH系統框圖

基于DASH的視頻自適應傳輸機制的兩個關鍵因素是網絡吞吐量和緩存余量。網絡吞吐量直接影響用戶申請的平均視頻質量。在DASH系統中，第k個視頻切片下載完成時的網絡吞吐量Trk可表示為單位時間內客戶端接收到的字節數[9]，即：

Trk=vk×τ/tdown

(1)

其中，tdown表示該視頻切片完成下載所需要的時間，τ表示視頻切片的時間長度，vk表示用戶申請的第k個視頻切片的碼率。

客戶端緩存的視頻余量直接影響視頻播放的流暢性。在DASH系統中，為了方便度量，通常用緩存的視頻時間長度作為緩存的度量單位，即第k個視頻切片下載完成時的緩存余量bk可度量為：

bk=bk-1+τ-tdown

(2)

Δbk=bk-bk-1

(3)

其中，Δbk表示第k個視頻切片下載完成時的緩存變化量k>1。

根據式(1)～式(3)，當申請的視頻碼率大于當前的網絡吞吐量時，由于帶寬的限制，緩存的視頻余量減少，此時應當降低申請的視頻碼率，否則當緩存的視頻余量降低為0 s時緩存下溢，視頻播放中斷；當申請的視頻碼率小于當前的網絡吞吐量時，緩存視頻余量增加，此時應當提高申請的視頻碼率，否則當緩存的視頻余量高于某個門限值時，容易造成緩存上溢和帶寬浪費。因此，緩存的安全性是視頻流暢播放的前提。傳統的基于緩存的算法多將緩存穩定在一個目標值，這樣的控制方式直接降低了申請視頻的平均質量，使得算法過于保守，極大程度地限制了用戶的QOE。因此，一個合理的算法應當是將緩存穩定在一個較為安全的區間，以此來提高傳輸的視頻質量，即：

bleng=bhigh-blow

(4)

其中，bhigh、blow和bleng分別表示緩存安全區間btar的上、下界限和緩存安全區間的長度。

此外,在DASH系統中，關于緩存門限值如何界定的解釋比較模糊，極少的算法會考慮到不同的緩存門限值對用戶QOE的影響。本文根據Shuai等人[7]的結論,將緩存安全區間的上限bhigh設為緩存最大值的70%。

在視頻自適應傳輸時，用戶根據網絡吞吐量以及緩存余量自適應地調整申請的碼率。由式(1)～式(3)可得，第k個視頻切片的碼率為：

×Trk

(5)

根據式(5)可知，當申請下一個視頻切片即第k+1個視頻切片時，可通過對下一視頻切片下載期間的網絡吞吐量和下載完成后的緩存變化量進行預測來確定下一個視頻切片的碼率vk+1。因此，本文采用上一個視頻切片下載完成時的網絡實際吞吐量作為下一個視頻切片下載期間的網絡估計吞吐量Tek[9]，即：

Tek+1=Trk,k>1

(6)

自適應傳輸算法FuzDASH通過模糊推理輸出緩存預期變化量，進而可通過式(5)和式(6)調整下一個視頻切片的碼率.

3 基于模糊控制的自適應傳輸算法

為合理地對下一個切片的緩存預期變化量進行預測，基于模糊控制的自適應控制算法FuzDASH將當前的緩存以及碼率失配度作為模糊控制器的輸入，通過模糊推理輸出下一個視頻切片下載完成時的緩存預期變化量，這樣可以解決傳統的基于緩存的控制算法輸出的控制變量物理意義界定比較模糊的問題。同時通過設計合理的輸入和輸出變量的隸屬函數，使緩存穩定在一個安全區間，提高申請視頻的平均質量，使得用戶QOE最大化。

Figure 2 Block diagram of FuzDASH圖2 FuzDASH框圖

圖2所示為本文算法FuzDASH的系統框圖，其中模糊控制模塊是以模糊集合論、模糊語言變量和模糊邏輯推理為基礎的一種計算機數字控制技術，主要分為四步：模糊化、模糊邏輯、模糊判斷和解模糊。

3.1 模糊化

模糊化是將輸入的精確數值通過隸屬函數映射到其論域的各個子集的過程。本文將緩存以及視頻切片的碼率失配度作為模糊控制算法的輸入，下一個視頻切片下載完成時的緩存預期變化量作為輸出。第k個視頻切片碼率和網絡吞吐量的碼率失配度pk定義為:

(7)

其中，pk表示第k個視頻切片下載完成時的碼率失配度，可以反映緩存的變化趨勢。

為了使得視頻可以流暢播放,通常的做法是盡量避免申請的視頻質量和網絡吞吐量的失配,因此本文以0作為參照標準,設計模糊集合{正大(P)，匹配(M)，負大(N)}來描述碼率失配程度pk，其隸屬函數如圖3a所示。當pk>0時,碼率失配度正大，申請的視頻質量較為保守，繼續以該碼率進行傳輸會造成緩存的上溢；當pk<0時，碼率失配度負大，申請的視頻質量較為激進，繼續以該碼率進行傳輸會造成緩存下溢，當緩存降低為0 s時，視頻播放中斷；當pk=0時，申請的視頻質量和網絡吞吐量完全匹配，此時是最優的狀態，但由于服務器視頻編碼等級和網絡帶寬實時波動的限制，申請的視頻質量很難和網絡吞吐量完全匹配。

模糊集合{較高(H)，安全(S)，較低(L)}用于對緩存余量進行模糊化處理，緩存的隸屬函數如圖3b所示。當緩存高于緩存安全區間上限時，緩存處于較高的狀態；當緩存低于緩存區間下限時，緩存處于較低狀態;當緩存處于安全區間時，緩存則處于一個安全狀態。

在傳統的基于緩存的控制算法中，通常通過輸出一個控制因子來對下一個視頻切片的質量進行調整，但這些控制因子的物理意義界定比較模糊，而本文所提的算法FuzDASH采用實際的物理量作為輸出，即將緩存預期的變化量作為輸出。模糊子集{大增(BI)，小增(SI)，不變(NC)，小減(SD)，大減(BD)}用來描述緩存預期的變化量的狀態。通過調整緩存預期變化量的大小反推出申請的視頻碼率，進而使緩存余量穩定在安全區間，其隸屬函數如圖4所示，N1、N2、Z、P1、P2為輸出隸屬函數的各個中心值。

Figure 3 Membership function of the input variable圖3 輸入變量的隸屬函數

Figure 4 Membership function of the output variable 圖4 輸出變量的隸屬函數

3.2 模糊邏輯確立

模糊控制的關鍵是根據模糊推理獲得模糊規則庫。模糊推理主要表現為If-Then的專家決策[10]。根據DASH系統的實際控制經驗，可根據緩存狀態和碼率失配度輸出下一個視頻切片下載完成時的緩存預期變化量，進而調整申請視頻的碼率，以此來使新的緩存值穩定在一個安全區間,并使碼率失配度最小。例如當緩存較高，且碼率失配度正大時，若繼續以當前碼率進行傳輸可能會造成緩存上溢，浪費帶寬，此時輸出的緩存預期的變化量應當大減，進而保證緩存收斂回安全區間，其他情況同理。模糊規則設計如表1所示。

3.3 邏輯判斷

模仿人類下判斷時的模糊概念,運用模糊邏輯和模糊規則進行推論，得到模糊控制信號。FuzDASH 通過選擇兩個輸入變量隸屬程度較大的數值作為該規則的程度值，以此來綜合兩個輸入變量對該規則的影響。設第i條規則兩輸入變量xi、yi的隸屬程度分別為Lxi、Lyi，則第i條規則的程度值ri為:

Table 1 Fuzzy control rules

ri=maxLxi,Lyi,i=1,2,…,9

(8)

3.4 解模糊

將輸入模糊化后的模糊值轉換為明確的控制信號，并作為系統的輸出值。此步，本文采用重心法進行解模糊，根據輸出的隸屬函數的各個中心值，最終得到緩存預期的變化量Δbpre，即：

Δbpre=(N2×BR+N1×SR+Z×NC+P1×

SI+P2×BI)/(BR+SR+NC+SI+BI)

(9)

其中,N1、N2、Z、P1、P2為輸出隸屬函數的各個中心值，BR、SR、NC、SI、BI根據模糊規則通過式(10)計算，即：

BI=r1

SI=r2+r4

NC=r3+r5+r7

SD=r6+r8

BD=r9

(10)

根據式(6)所得到的下一個視頻切片下載期間的網絡估計吞吐量Tek+1,同時結合模糊控制器輸出的緩存預期變化量Δbpre，即：

Δb(k+1)=Δbpre

(11)

采用式(5)，對下一個視頻切片對應的碼率vk+1進行調整。

此外，為了避免視頻質量產生不必要的波動，需對當前申請視頻質量進行碼率波動性分析。采用當前的視頻切片碼率繼續申請25個視頻切片后，緩存視頻余量的估計值bprek，即：

bprek=bk+25×Δbk

(12)

設緩存的最優值為bref

bref=blow+bhigh/2

(13)

(1)當下一個視頻切片的碼率需要提高時，若bprek>bref，說明當前的視頻質量較為保守，需要提高申請的視頻質量，即采用新的視頻碼率進行申請，否則保持原視頻碼率不變。

(2)當下一個視頻切片的碼率需要降低時，若bprek

4 實驗

4.1 實驗平臺

本文在Ubuntu14.04上搭建Apache服務器，采用Big Buck Bunny[11]作為測試序列，模擬時長為400 s和600 s的視頻傳輸。采用x265作為視頻編碼器，借鑒Netflix[12]編碼方案將視頻編碼成5個視頻等級：300 Kbps、700 Kbps、1 500 Kbps、2 500 Kbps、3 500 Kbps。選用Mp4box工具對視頻進行封裝和切割?？蛻舳瞬捎瞄_源的C++平臺Libdash[13]。此外，為了模擬網絡環境，本文采用DummyNet[14]軟件模擬了文獻[12]所設計的兩種網絡環境：帶寬長周期(Long-term)波動和帶寬短周期(Short-term)波動，并在文獻[4]提到的兩種實際環境(Real1，Real2)中進行了性能測試，最后采用Matlab做數據處理。此外，根據實際的實驗環境，本文將最大緩存設置為35 s，根據文獻[7]的結論，將緩存安全區間上限設置為最大緩存的70%，結合文獻[12]的經驗將緩存安全區間長度設置為15 s，即btar為 [10 s,25 s]。根據多次實驗，將輸出隸屬函數的各個中心值N1、N2、Z、P1、P2分別設置為-2、-1.5、0、0.75、1.5。

4.2 算法性能評價標準

為了評估算法的性能,本文采用引言提到的四種算法StbDASH、BufDASH、FASH、PiDASH作為對比算法，并分別在4.1節提到的兩種模擬網絡環境和兩種實際網絡環境中進行性能測試。

在基于DASH的自適應傳輸系統中,不同的傳輸算法所呈現的QOE指標不同。為了對每個算法進行性能評估，本文采用Claeys等人[8]提出的QOE評價模型，該模型強調影響QOE的三個主要因素為：申請視頻的平均質量、視頻播放流暢度以及視頻質量的波動性。因此，將三個因素按照不同的權重線性結合，最終根據數值直觀地評價用戶體驗質量，即：

QOE=4.85×Q-4.95×F-1.57×S+0.5

(14)

其中,Q表示申請視頻平均質量，Q值越高，則傳輸的總碼率越高，因此相同的網絡環境下帶寬利用率越高；F表示視頻播放的流暢度，當客戶端緩存降低為0 s時，客戶端發生視頻播放中斷。根據實際的用戶體驗，視頻播放中斷次數越高和中斷時間越長，F值越高；S表示視頻質量的波動情況，視頻質量波動越頻繁且視頻質量波動的碼率深度越大，S值越大。根據文獻[8]，Q、F、S量化后的數學模型表示為：

(15)

其中，K代表傳輸的視頻切片總數量;vL為最大質量等級的視頻碼率，v1表示最低質量等級的視頻碼率;frfref和frtime分別表示視頻停頓頻率和停頓時間;swnumber和swdepth分別表示視頻質量波動次數和碼率波動平均深度。

Figure 5 Video bitrate adaptation under short-term bandwidth variations圖5 帶寬短周期變化環境下各算法碼率自適應過程

4.3 實驗結果和分析

本文首先采用兩種模擬的網絡環境：帶寬短周期(Short-term)波動和帶寬長周期(Long-term)波動來測試各算法性能。如圖5所示，網絡吞吐量先保持在2 Mbps，并在4 Mbps 和0.5 Mbps波動，每次波動的時間長度為2～4 s的短周期，該環境用于測試算法對于帶寬即時波動的靈敏度。如圖6所示，網絡吞吐量從2 Mbps開始，在區間3 Mbps和1.5 Mbps以長周期50～100 s進行平滑波動，該環境用于測試算法在帶寬平滑波動的網絡環境下的穩定性。實驗結果如圖5和圖6所示。各個算法在這兩種網絡環境下的性能指標匯總至表2和表3。

Figure 6 Video bitrate adaptation under long-term bandwidth variations圖6 帶寬長周期變化環境下各算法碼率自適應過程

StbDASH在長周期和短周期的帶寬波動環境下，申請的視頻質量比較保守，該算法申請的視頻質量低于網絡估計吞吐量，從表2和表3可以看出，StbDASH算法的Q值遠低于其他幾種算法的Q值,因此用戶申請的平均視頻質量較低。此外，從圖5a和圖6a可以看出，StbDASH算法在兩種環境中均出現了緩存上溢，因此會使帶寬利用率降低。如圖5b、圖5d和圖6b、圖6d所示，在兩種虛擬網絡環境中BufDASH和PiDASH算法分別將緩存穩定在一個較為安全的緩存值18 s，但犧牲掉了視頻質量切換的流暢性，因此導致視頻質量波動較為頻繁，從表2和表3可以看出，在兩種虛擬網絡環境下，BufDASH和PiDASH算法傳輸的視頻平均質量保持在一個較高的水平，但由于視頻質量切換較為頻繁,視頻質量波動性指標S較高，因此用戶QOE沒有最大化。如圖5c和圖6c所示，FASH算法在兩種模擬網絡環境中表現出的性能相對保守，由于緩存的視頻余量超過了最大門限，因此出現了緩存上溢的現象，使得帶寬利用率和視頻的平均質量較低，由于本文實驗環境的最大緩存為35 s，目標緩存為17～18 s，使得該算法在防止視頻質量抖動方面的方案失效，視頻質量抖動較為明顯，S較高，且傳輸的視頻平均質量較低，Q值明顯低于BufDASH和PiDASH算法的Q值，因此QOE較低。如圖5e和圖6e所示，本文所提出的算法FuzDASH在兩種網絡環境中表現出較好的性能，視頻緩存穩定在安全的區間[10 s,25 s]，盡管S值較StbDASH算法略高，但其相較其他算法仍保持較低的水平，并且犧牲掉視頻質量較小的波動，可以換取更高的視頻總碼率，因此，在這兩種模擬網絡環境下，FuzDASH的Q值均較高，所以總的QOE指標更優，給用戶帶來的體驗質量更好。

Figure 7 Video bitrate adaptation under Real1圖7 實際網絡環境Real1下各算法碼率自適應過程

算法Q/%S/%F/%QOEStbDASH44.51.802.631BufDASH55.713.602.988FASH54.212.602.934PiDASH55.28.103.049FuzDASH56.22.103.195

此外，為了對各個算法的實際性能進行測試，分別在兩種實際網絡環境 (Real1,Real2) 下進行5種算法的性能測試，最終實驗結果如圖7和圖8

Table 3 Performance of each algorithmunder long-term bandwidth variations

所示。各算法在這兩種網絡環境下的性能指標匯總至表4和表5。

Figure 8 Video bitrate adaptation under Real2圖8 實際網絡環境Real2下各算法碼率自適應過程

圖7和圖8、表4和表5的實驗結果表明，StbDASH算法在實際網絡環境中依舊表現出較為保守的性能，緩存上溢，因此平均視頻質量較低。BufDASH和FASH算法相對較為穩定，但最終的QOE指標均低于FuzDASH。PiDASH算法在網絡環境Real1中，連續出現了兩次視頻中斷，使得視頻播放流暢性指標F達到23.8，這大大降低了用戶的QOE。而本文提出的算法FuzDASH 在兩種實際網絡環境中均表現出較好的性能，盡管在實際的網絡環境下仍然會造成一定量的視頻碼率抖動，但受限于實際的網絡帶寬環境這種損失是無法避免的，且FuzDASH已將視頻抖動所造成的負面影響降低到最小，并在S值較小的前提下，盡量提高視頻碼率，以此來提高Q值，使總的QOE較高。表4和表5的實驗結果表明，與其他的算法對比，FuzDASH有更好的性能。

Table 4 Performance of each algorithm under Real 1

Table 5 Performance of each algorithm under Real 2

為了方便對比，本文將各算法在不同的網絡環境中的QOE指標匯總并用柱狀圖表示成圖9。通過比較各算法的QOE可知，StbDASH算法傳輸的視頻平均質量較低，因此在各環境下的QOE指標值較低。BufDASH、FASH、PiDASH三種算法所呈現的QOE指標值較為接近，其中PiDASH在帶寬長周期波動的環境中所呈現的QOE指標值為3.406，該性能明顯優于StbDASH、BufDASH和FASH，但是由于PiDASH在網絡環境Real1中發生了兩次視頻中斷，使得QOE指標在該環境下最低，可見該算法的性能穩定性較差。本文所提出的算法FuzDASH在四種網絡環境下的QOE指標最高，因此相較于其他的算法，FuzDASH的性能更優且性能較為穩定。

Figure 9 QOE of each algorithm under different network conditions圖9 各算法在不同的網絡環境中的QOE指標

5 結束語

本文在已有研究的基礎上，提出了一種基于模糊控制的視頻自適應傳輸算法FuzDASH,該算法將緩存以及碼率失配度作為系統輸入，通過模糊推理將下一個時刻預期的緩存變化量作為輸出，進而調整所申請的視頻碼率，以此來使緩存穩定在一個較為安全的區間。為了使視頻流暢播放，FuzDASH對當前申請視頻質量進行碼率波動性分析來決定是否改變當前申請的視頻碼率，以避免不必要的視頻質量波動。最后在兩種虛擬網絡環境和兩種實際網絡環境下進行性能測試，本文所提的算法FuzDASH 相對于其他的幾種對比算法，表現出更高的QOE指標，因此可以給用戶帶來更好的用戶體驗。