網(wǎng)絡(luò)側(cè)評估用戶視頻體驗(yàn)建模分析

陳 堅(jiān)

（大連海事大學(xué)， 遼寧 大連 116085）

1 研究背景

隨著信息化時(shí)代的到來，越來越多用戶選擇在移動(dòng)智能終端（基于TCP的視頻傳輸及播放）觀看網(wǎng)絡(luò)視頻，因此，用戶體驗(yàn)成為媒體企業(yè)能否勝出的關(guān)鍵要素之一。而影響用戶體驗(yàn)的兩個(gè)關(guān)鍵指標(biāo)是初始緩沖等待時(shí)間和在視頻播放過程中的卡頓緩沖時(shí)間。

研究表明，初始緩沖時(shí)延和卡頓時(shí)長占比主要受到初始緩沖峰值速率、播放階段平均下載速率、端到端環(huán)回時(shí)間（TE2E，RT），以及視頻參數(shù)的影響。不過這些因素和初始緩沖時(shí)延、卡頓時(shí)長占比之間的關(guān)系并不明確。

本文在已有實(shí)驗(yàn)數(shù)據(jù)的基礎(chǔ)上，建立用戶體驗(yàn)評價(jià)變量（初始緩沖時(shí)延，卡頓時(shí)長占比）與網(wǎng)絡(luò)側(cè)變量（初始緩沖峰值速率，播放階段平均下載速率，TE2E，RT）之間的函數(shù)關(guān)系，并在此基礎(chǔ)上進(jìn)行數(shù)據(jù)檢驗(yàn)，對緩沖得分、卡頓得分和VMOS進(jìn)行深入探究，從而得出卡頓占比與卡頓得分，初始緩存得分與緩存得分的關(guān)系，使該模型具有一定的應(yīng)用價(jià)值。

2 初始緩存時(shí)延模型與建立

2.1 初始緩存時(shí)延模型的求解與建立

分析初始緩沖時(shí)延，首先需要明確初始緩存階段包含的各個(gè)階段。初始緩存階段主要包含了視頻解析階段、Speedvideo內(nèi)部準(zhǔn)備階段（TCP慢啟動(dòng)階段）和下載數(shù)據(jù)緩存階段3個(gè)子階段。其中，視頻解析階段過程與Speedvideo內(nèi)部準(zhǔn)備階段中的TCP慢啟動(dòng)通常包含了數(shù)倍的TE2E，RT。

參考時(shí)間公式：

可知初始緩沖時(shí)延由初始緩存階段所需要的緩存數(shù)據(jù)量與初始緩存階段時(shí)長所決定。其中，設(shè)初始緩沖階段需要下載的數(shù)據(jù)量為D，設(shè)碼率為Bit，由基于移動(dòng)視頻的移動(dòng)承載網(wǎng)絡(luò)要求白皮書[1]可得：

設(shè)初始緩沖峰值速率為VM，即在視頻初始緩沖數(shù)據(jù)量階段下載所需時(shí)間為：

設(shè)視頻解析階段與Speedvideo內(nèi)部準(zhǔn)備階段一共經(jīng)歷Ts倍的TE2E，RT，而下載這些數(shù)據(jù)時(shí)間通常不算在視頻初始緩沖數(shù)據(jù)量階段中。

因此，可得出有關(guān)初始緩沖時(shí)延公式：

2.2 初始緩沖時(shí)延模型的插值和擬合

設(shè)常數(shù)n為視頻解析階段與Speedvideo內(nèi)部準(zhǔn)備階段所經(jīng)歷的n倍的RTT。公式：

即

令

3 卡頓時(shí)長模型與建立

3.1 卡頓時(shí)長模型的求解與建立

通過查閱資料可知，當(dāng)傳輸速率小于播放速率，并且緩沖區(qū)已經(jīng)清空時(shí)，視頻發(fā)生卡頓現(xiàn)象，其中，卡頓時(shí)長占比是嚴(yán)重影響用戶體驗(yàn)的變量。因此，本文將該變量的數(shù)據(jù)和網(wǎng)絡(luò)側(cè)變量（初始緩沖峰值、播放階段平均速率和TE2E，RT）進(jìn)行數(shù)據(jù)分析，從得到播放階段平均速率和卡頓時(shí)長所擬合出來的數(shù)據(jù)圖像，發(fā)現(xiàn)兩者間存在強(qiáng)烈相關(guān)線性關(guān)系[3]。

在對其它變量進(jìn)行相應(yīng)的控制后，本文剔除了符合以下條件的數(shù)據(jù)：卡頓時(shí)長為0的無關(guān)數(shù)據(jù)；播放速率過?。╲＜1 000）的數(shù)據(jù)；特殊數(shù)據(jù)，例如卡頓次數(shù)為1或0；離群值，找到大于3倍方差的界限，刪除離群值。最終在篩選后的結(jié)果得到精確度較高的函數(shù)方程式，即卡頓時(shí)長方程式為：Tp=-0.003 861x+21.44.

最后根據(jù)卡頓時(shí)長占比=卡頓時(shí)長/播放時(shí)長的條件，將Tp的方程式代入，可得卡頓時(shí)長（PK）占比公式：

3.2 神經(jīng)網(wǎng)絡(luò)模型的求解與建立

人工神經(jīng)網(wǎng)絡(luò)是在現(xiàn)代神經(jīng)科學(xué)的基礎(chǔ)上提出和發(fā)展起來的，旨在反映人腦結(jié)構(gòu)及功能的一種抽象數(shù)學(xué)模型。本文查閱有關(guān)神經(jīng)網(wǎng)絡(luò)方法的資料，發(fā)現(xiàn)由該方法產(chǎn)生的網(wǎng)絡(luò)，可用來將相似的樣品歸于同一類別，因而激發(fā)同一輸出單元，這一分類方式是網(wǎng)絡(luò)自身通過學(xué)習(xí)從輸入數(shù)據(jù)的關(guān)系中得出的[4]。

通過建立神經(jīng)網(wǎng)絡(luò)模型得到神經(jīng)元模型以及模型訓(xùn)練效果（見圖1），擬合的均值誤差在90%以上，符合模型的適用標(biāo)準(zhǔn)[5]。

圖1 神經(jīng)網(wǎng)絡(luò)模型分析圖

其中，x1是代表初始緩沖得分，x2是代表卡頓占比得分。wk1（k=1，2，…10）是對于輸入的各隱藏層權(quán)值，wk2（k=1，2，…10）是對于輸入的各隱藏層權(quán)值。f（x）是激活函數(shù)，b是閾值，用于激活函數(shù)。

本文通過神經(jīng)網(wǎng)絡(luò)模型的大量訓(xùn)練，得到各隱藏層的權(quán)重后與相應(yīng)的閾值，其中閾值b=-1.433 3。

將得到的權(quán)值與閾值導(dǎo)入本文的神經(jīng)網(wǎng)絡(luò)模型之中，就得到相應(yīng)的初始緩沖得分、卡頓得分與V-MOS之間的關(guān)系。

3.3 初始緩沖時(shí)延與緩沖得分的關(guān)系

通過數(shù)據(jù)的分析和擬合，發(fā)現(xiàn)初始緩沖時(shí)延與緩沖得分存在一定的關(guān)系，本文對此進(jìn)行相應(yīng)的分析得知兩者為分段函數(shù)關(guān)系，接下來將進(jìn)行分段分析：

1）對于第一段函數(shù)范圍在（0，10 000），通過matlab的三次方函數(shù)擬合，得到相應(yīng)的函數(shù)方程和圖像。

2）對于第二段函數(shù)，顯然其方程為：y=1。

因此，得到初始緩沖時(shí)延與緩沖得分間的函數(shù)關(guān)系式為：

3.4 卡頓占比與卡頓得分的關(guān)系

通過數(shù)據(jù)的分析和擬合，得到卡頓占比與卡頓得分的關(guān)系，可知顯然兩者間存在一定分段線性的關(guān)系，本文對此進(jìn)行相應(yīng)的分析，并將進(jìn)行分段分析。得出卡頓占比與卡頓得之間的函數(shù)關(guān)系為：

4 模型的評價(jià)與推廣

模型一的擬合是在排除了一定的意外事故后進(jìn)行的。該模型優(yōu)點(diǎn)是囊括的大部分?jǐn)?shù)據(jù)，且擬合度較高。具有一定的真實(shí)性。該模型缺點(diǎn)是并不能做到100%的相似度，有相當(dāng)多的數(shù)據(jù)被排除在外。因此，本文需要進(jìn)一步優(yōu)化模型得到更為精準(zhǔn)的關(guān)系。同時(shí)，本文將初始緩存階段設(shè)為大約有三個(gè)階段。其中忽略掉了信息交互階段所求的TE2E，RT，求的是初始緩存階段總的 TE2E，RT。

本文通過數(shù)據(jù)的比對，推出一系列的關(guān)系。該系列的模型優(yōu)點(diǎn)是本文還詳細(xì)計(jì)算了卡頓占比得分，緩沖得分與VMOS間的關(guān)系，運(yùn)用神經(jīng)網(wǎng)絡(luò)模型，建立更加系統(tǒng)、完備的關(guān)系。缺點(diǎn)是該模型忽略了瞬時(shí)速率的影響，不能做到更為精準(zhǔn)的模型關(guān)系。同時(shí)其假設(shè)條件有一定的限制，使得該模型推廣具有一定的局限，但在總體上不影響模型的精準(zhǔn)[6]。

本文通過參考相關(guān)資料，可以根據(jù)建立的模型，求出相應(yīng)的函數(shù)關(guān)系，并根據(jù)一定的約束條件進(jìn)行相關(guān)的檢驗(yàn)，具有一定的實(shí)用性。但同時(shí)由于現(xiàn)實(shí)環(huán)境的限制（例如電腦硬件、網(wǎng)絡(luò)線路具有一定差別等）于假設(shè)條件下的限制（例如影響TE2E，RT的因素千差萬別等）。因此在具體實(shí)踐中，還應(yīng)該對其進(jìn)行更深層次的模型分析與模型優(yōu)化，從而使該模型具有更為明顯的優(yōu)勢[7]。